CN114936709A - 一种城市绿地空间及树木规划方法 - Google Patents
一种城市绿地空间及树木规划方法 Download PDFInfo
- Publication number
- CN114936709A CN114936709A CN202210656030.2A CN202210656030A CN114936709A CN 114936709 A CN114936709 A CN 114936709A CN 202210656030 A CN202210656030 A CN 202210656030A CN 114936709 A CN114936709 A CN 114936709A
- Authority
- CN
- China
- Prior art keywords
- tree
- area
- transplanting
- trees
- planting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013439 planning Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 230000006378 damage Effects 0.000 claims abstract description 63
- 238000002054 transplantation Methods 0.000 claims abstract description 60
- 230000008929 regeneration Effects 0.000 claims abstract description 22
- 238000011069 regeneration method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 45
- 239000002689 soil Substances 0.000 claims description 34
- 230000004083 survival effect Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 241000607479 Yersinia pestis Species 0.000 claims description 17
- 235000021049 nutrient content Nutrition 0.000 claims description 16
- 235000003715 nutritional status Nutrition 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 235000015097 nutrients Nutrition 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000001766 physiological effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 241000894007 species Species 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 10
- 244000005700 microbiome Species 0.000 claims description 10
- 239000011707 mineral Substances 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 235000016709 nutrition Nutrition 0.000 claims description 6
- 230000035764 nutrition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 241001133760 Acoelorraphe Species 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 240000000797 Hibiscus cannabinus Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 241000208140 Acer Species 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 241000233788 Arecaceae Species 0.000 description 2
- 241000219071 Malvaceae Species 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001143500 Aceraceae Species 0.000 description 1
- 241001412225 Firmiana simplex Species 0.000 description 1
- 241000779819 Syncarpia glomulifera Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000001739 pinus spp. Substances 0.000 description 1
- 235000003784 poor nutrition Nutrition 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 229940036248 turpentine Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种城市绿地空间及树木规划方法,包括:获取未开发区域周围环境状况,提取周围环境评价指标数据;基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划;根据预测的当前未开发区域规划,进行树木移植规划;根据树木移植规划,分析移植适合度;根据移植适合度,确定树木种植策略;及时调整树木种植策略,使其达到移植条件下的树木因素条件;达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;对移植后的树木的再生状态进行判断,根据原始种植区域环境的破坏程度与移植后的树木的再生状态,优化移植规划。
Description
【技术领域】本发明涉及信息技术领域,尤其涉及一种城市绿地空间及树木规划方法。
【背景技术】
城市树木有一些一开始就已经规划好用于绿化种植,而有一些地方,因为房地产或其他建设的开发,经常需要用到移植更多的树木到特定的地区,进行重新培育。因为这些地方一开始并没有办法被确定下来具体的用途,因此经常导致,周边树木的规划与建设开发的目标不对应。或者在确定规划内容后,需要向很远的地区移送树苗,导致运费高和树苗移植成功率较小。是否有可能在城市规划中,就提前将最合适的树木种植在最合适的位置。或者在未开发区域的周边,先种植合适的树木,用于补充未开发区域未来可能的树木的补充。并且树木移植后,不破坏原始种植区域的美观度。并且对种植和移植过程中,出现的错误种植,进行提前预警,达到最佳移植的目的。是本发明要解决的重点。
【发明内容】
本发明提供了一种城市绿地空间及树木规划方法,主要包括:
获取未开发区域周围环境状况,提取周围环境评价指标数据;基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划;根据预测的当前未开发区域规划,进行树木移植规划;根据树木移植规划,分析移植适合度;根据移植适合度,确定树木种植策略;及时调整树木种植策略,使其达到移植条件下的树木因素条件;达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;对移植后的树木的再生状态进行判断,根据原始种植区域环境的破坏程度与移植后的树木的再生状态,优化移植规划;
进一步可选地,所述获取未开发区域周围环境状况,提取周围环境评价指标数据包括:
所述周围环境状况包括:未开发区域的地理位置特征,土壤营养状况、降雨量与空气质量指数;所述地理位置特征包括未开发区域的中心点经纬度位置特征与相对中心点位置特征;所述未开发区域的中心点经纬度位置特征是指该区域中心点所处的经纬度值与气候带;所述相对中心点位置特征是指该区域的中心点跟河流,山川,交通线的相对位置关系;通过标准定位系统获取该区域中心点所处的经纬度值;利用气候带分布图,根据获取到的经纬度值分析对应该区域所处的气候带;通过标准地图,获得该区域中心点跟河流,山川,交通线的相对位置关系,用欧氏距离表示;所述土壤营养状况是指土壤中所含树木养分的含量,通过实地调研随机采集预设数量的样本后,实验室检测所有样本,取所有样本的平均值作为树木养分含量的值;所述降雨量与所述空气质量指数是根据所属区域的气象局数据库中获得;根据所述周围环境状况进行数据预处理,对数据进行分类并提取所述周围环境评价指标数据,即index={地理位置特征,土壤营养状况,降雨量,空气质量指数},其中index表示周围环境评价指标;采集的数据利用ETL方式进行数据清洗,删除缺失数据、重复数据与错误数据。
进一步可选地,所述基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划包括:
所述周围环境评价指标数据,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过在土地规划部门官方网站获取先前未开发区域的周围环境评价指标数据及所对应的区域规划;根据先前未开发区域周围环境评价指标数据作为样本数据,然后基于K-means算法建立区域规划聚类模型,过程如下:首先根据先前未开发区域周围环境评价指标选择多个质心;然后计算各个样本到质心的欧氏距离,将各个样本分别归类到离其最近的质心;然后将每个类别的样本数据取平均值,求出每个类别的新质心;最后迭代进行样本归类和求新质心,直到聚类收敛,新旧质心不再变化为止;将当前未开发区域周围环境评价指标数据作为参数输入区域规划聚类模型,将当前未开发区域周围环境评价指标归类到与其最相似的类型,该类型所对应的区域规划即为所述先前相似未开发区域规划;最后根据超过预设百分比的所述先前相似未开发区域规划,对当前未开发区域规划进行预测。
进一步可选地,所述根据预测的当前未开发区域规划,进行树木移植规划包括:
所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据预测的当前未开发区域规划,分析在该区域移植树木的作用;然后,利用关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;所述关联规则算法过程如下:通过迭代输入,检索出树木移植数据库中的种类,形态,面积三个因子中的所有频繁项集,即支持度不低于设定阈值的项集;所述支持度,是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比;然后利用频繁项集构造出满足置信度的规则;所述置信度,是各个因子的总项集占数据库所有项集的百分比;通过对比支持度与置信度,判断与移植树木的作用关联性的强弱,并根据关联规则绘制移植树木的作用关联网络图;所述移植树木的作用关联网络图表明该区域树木移植规划。
进一步可选地,所述根据树木移植规划,分析移植适合度包括:
所述移植适合度包括树木移植到当前未开发区域过程中运费的可取度及移植后成活率的大小;所述运费的可取度,是对运费大小的衡量指标,通过运费可取度评价函数得到;运费越小,运费的可取度越大;所述移植后成活率,是由成活率评价函数得出;根据所述树木移植规划,分析移植适合度,构建移植适合度模型,即S=P+L;其中,S表示移植适合度,移植适合度越大,表示树木越适合移植到当前未开发区域内;P表示运费的可取度;L表示移植后成活率;通过移植适合度模型计算移植适合度;包括:基于树木移植规划,构造运费可取度评价函数;基于周围环境评价指标,构造成活率评价函数;
所述基于树木移植规划,构造运费可取度评价函数,具体包括:
所述运费可取度评价函数,是对运费可取度的计算函数,即P=1-0.01*Ps;其中,P表示运费的可取度;Ps表示实际运费的大小,单位为万元;所述实际运费,包括实际运送树木的费用,实际用车的费用以及人工运送的实际费用;所述实际运送树木的费用,是通过查阅园林局一棵根据所述树木移植规划中的树木的标价,乘以树木的数量计算出来的;所述树木的数量,根据所述树木移植规划的树木的面积除以一棵树的面积得出;所述实际用车的费用,是根据出车一辆的费用乘以出车辆数得到的构造运费可取度评价函数,计算运费的可取度。
所述基于周围环境评价指标,构造成活率评价函数,具体包括:
所述周围环境评价指标,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过系统数据库查阅获得树木种植环境特征,根据所述周围环境评价指标,构造成活率评价函数,即L=LC*W1+SC*W2+RC*W3+AC*W4;其中,L表示移植后树木的成活率;LC表示当前未开发区域的地理位置特征指数,若该区域的气候特征,地理位置特征都与树木种植环境特征相匹配,则LC=1,否则LC=0;SC表示当前未开发区域的土壤营养状况特征指数,若该区域的土壤养分含量高于数据库所列的标准土壤养分含量,则SC=1,否则SC=0;RC表示当前未开发区域的降雨量特征指数,若该区域的年均降雨量在数据库所列的标准年均降雨量范围内,则RC=1,否则RC=0;AC表示当前未开发区域的空气质量特征指数,若该区域的年均AQI低于数据库标准的年均AQI,则AC=1,否则AC=0;W1,W2,W3,W4分别表示对应的权重,且W1+W2+W3+W4=1。根据成活率评价函数,计算树木移植后成活率。
进一步可选地,所述根据移植适合度,确定树木种植策略包括:
所述确定树木种植策略,包括确定树木种植最初地点与保持树木生长状态优良;根据所述移植适合度的大小,确定树木种植最初地点距离当前未开发区域的远近;若移植适合度低于预设的门限值,则树木种植最初地点定在当前未开发区域的周边预设距离的区域范围内;所述生长状态是后续移植树木的重要衡量指标,需要保持种植的树木生长状态保持优良;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;所述定位,通过在园林树木内部编码技术实现;所述内部编码技术,是指树木按科-属-种-种内排序进行编码;编码后每棵树木都有属于自己的ID,并可以实现与总后台系统同步信息;确定树木种植最初地点后,进行树木初步种植;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施;包括:构建树木生长状态评价体系;
所述构建树木生长状态评价体系,具体包括:
所述生长状态包括:树木营养状况、病虫害状况、含水状况、生理活性;所述树木营养状况是指树木中有机物与矿物质百分比含量的大小,有机物与矿物质含量越大,树木营养状况越好;所述病虫害状况包括树木被害虫破坏及自身生病的面积,该面积越小,病虫害状况越少;所述含水状况是指树木的含水量的大小,含水量越大,树木含水状况越好;所述生理活性是指树木内微生物的数量大小,微生物数量越多,树木生理活性越好;进行树木初步种植后,根据芯片与总后台系统同步的信息,建立树木生长状态评价体系,即LCON=(
Ncon+Icon+Wcon+Mcon)/4;其中,LCON表示树木生长状态指标;Ncon表示树木的营养状况,若树木中有机物与矿物质百分比含量高于预设的门限值,则Ncon=1,否则Ncon=0;Icon表示树木的病虫害状况,若树木被害虫破坏及自身生病的面积小于预设的阈值,则Icon=1,否则Icon=0;Wcon表示树木的含水状况,若树木的含水量大于预设的门限值,则Wcon=1,否则Wcon=0;Mcon表示树木的生理活性,若树木中的微生物数量超过预设的门限值,则Mcon=1,否则Mcon=0;根据BP神经网络分析树木生长状态;所述根据BP神经网络分析树木生长状态,包括:根据芯片与总后台系统同步的信息确定训练样本与测试样本,所述训练样本用于神经网络训练,所述测试样本用于检测实际值与预测值的相对误差;计算测试样本数据的期望值,若所述期望值大于预设阈值,则调整神经网络的权值,直到所述期望值满足不大于预设阈值的条件为止;根据所述神经网络的权值,更新所述LCON的值作为神经网络的输出值;根据所述神经网络的输出值对所述树木生长状态评价体系进行分析,判定树木的生长状态。
进一步可选地,所述及时调整树木种植策略,使其达到移植条件下的树木因素条件包括:
通过获取土地规划部门官方信息,及时获取最新的当前未开发区域真正规划内容;根据最新的规划内容即时调整树木种植策略,包括调整树木移植规划,确定树木种植第二地点,并保持生长状态优良;所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据最新的当前未开发区域真正规划,分析在该区域移植树木的作用;然后,利用所述关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;利用该关联关系计算新的所述移植适合度;根据新的移植适合度,确定树木种植第二地点;若新的移植适合度低于预设的门限值,则树木种植第二地点定在当前未开发区域的周边预设距离的区域范围内;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施;保持树木生长状态优良到设定的生长期限,即为所述达到移植条件下的树木因素条件。
进一步可选地,所述达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度包括:
所述移植条件,包括土地因素条件与树木因素条件;所述土地因素条件是指当前未开发区域得以开发,成为新建设区域;所述树木因素条件是指保持树木生长状态优良到设定的生长期限;达到所述移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;所述原始种植区域包括所述树木种植最初地点与所述树木种植第二地点;所述破坏程度,包括原始种植区域土壤的破坏面积与挖损深度;所述破坏面积,通过具备资质的测绘机构进行现场界定;所述挖损深度,是根据在所述破坏面积范围内的区域,测量所有被挖土壤的深度,然后取平均值;建立原始种植区域环境破坏程度函数,即DD=DS*DH;其中,DD表示所述破坏程度值;DS表示所述破坏面积;DH表示所述挖损深度;若所述破坏程度值越高,则原始种植区域环境越不美观,生态效益越差。
一种城市绿地空间及树木规划方法其特征在于,所述系统包括:
移植规划优化包括数据处理模块,神经网络模型构建模块与移植规划优化生成模块;其中,根据原始种植区域环境的破坏程度值判断是否需要进行原始种植区域环境的破坏程度分析,若所述原始种植区域环境的破坏程度值高于预设的阈值,则分析原始种植区域环境的破坏程度;所述树木的再生状态,是指树木移植后的生长状态;进行树木移植后,根据芯片与总后台系统同步的信息,建立所述树木生长状态评价体系;其中,根据计算的树木生长状态指标分判断是否需要进行树木的再生状态分析;若所述树木生长状态指标低于预设的门限值,则分析所述树木的再生状态;所述数据处理模块包括获取已有的移植规划,以及利用深度学习RNN算法分析原始种植区域环境的破坏程度及树木的再生状态与园林部门数据库标准参考指标并找出移植规划错误偏差,构建移植规划错误偏差向量,即PLA={c1,c2,c3,…,cn};所述神经网络模型构建模块利用所述数据处理模块的数据构建卷积神经网络CNN模型并训练;所述移植规划优化生成模块利用训练好的卷积神经模型进行移植规划优化预测。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明通过对城市中未建设区域的预判,能够预测未来的树木移植需求,并提前规划种植,做移植可行性分析,保证了移植合理性和对移植过程进行监管,保护树木的成长。同时,区域化园林树木的云端监测是当代信息社会的发展趋势,也是优化园林树木管养水平、构建生态文明体系、实现美丽中国愿景的必然举措。实现园林树木的信息化及云端管理,构建城市树木的大数据动态监测平台,可以实时掌握城市植物资源数据,动态监控植物资源状况,形成绿色廊道、绿色斑块,构建“大生态”系统,维护城市生态安全,实现城市的全面可持续发展。
另一方面,随着时间的推移和数据的大量累积,根据大数据监测结果,可间接分析出土壤、光照、风速、水分等各项指标对各种园林树木的影响情况,为后续植物配置及植物管养方面提供数据支撑,使移植规划更加科学。
【附图说明】
图1为本发明的一种城市绿地空间及树木规划方法的流程图。
图2为本发明的一种城市绿地空间及树木规划方法的示意图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种城市绿地空间及树木规划方法流程图。如图1所示,本实施例一种城市绿地空间及树木规划方法具体可以包括:
步骤101,获取未开发区域周围环境状况,提取周围环境评价指标数据。
所述周围环境状况包括:未开发区域的地理位置特征,土壤营养状况、降雨量与空气质量指数;所述地理位置特征包括未开发区域的中心点经纬度位置特征与相对中心点位置特征;所述未开发区域的中心点经纬度位置特征是指该区域中心点所处的经纬度值与气候带;所述相对中心点位置特征是指该区域的中心点跟河流,山川,交通线的相对位置关系;通过标准定位系统获取该区域中心点所处的经纬度值;利用气候带分布图,根据获取到的经纬度值分析对应该区域所处的气候带;通过标准地图,获得该区域中心点跟河流,山川,交通线的相对位置关系,用欧氏距离表示;所述土壤营养状况是指土壤中所含树木养分的含量,通过实地调研随机采集预设数量的样本后,实验室检测所有样本,取所有样本的平均值作为树木养分含量的值;所述降雨量与所述空气质量指数是根据所属区域的气象局数据库中获得;根据所述周围环境状况进行数据预处理,对数据进行分类并提取所述周围环境评价指标数据,即index={地理位置特征,土壤营养状况,降雨量,空气质量指数},其中index表示周围环境评价指标。采集的数据利用ETL方式进行数据清洗,删除缺失数据、重复数据与错误数据。
步骤102,基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划。
所述周围环境评价指标数据,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过在土地规划部门官方网站获取先前未开发区域的周围环境评价指标数据及所对应的区域规划;根据先前未开发区域周围环境评价指标数据作为样本数据,然后基于K-means算法建立区域规划聚类模型,过程如下:首先根据先前未开发区域周围环境评价指标选择多个质心;然后计算各个样本到质心的欧氏距离,将各个样本分别归类到离其最近的质心;然后将每个类别的样本数据取平均值,求出每个类别的新质心;最后迭代进行样本归类和求新质心,直到聚类收敛,新旧质心不再变化为止。将当前未开发区域周围环境评价指标数据作为参数输入区域规划聚类模型,将当前未开发区域周围环境评价指标归类到与其最相似的类型,该类型所对应的区域规划即为所述先前相似未开发区域规划;最后根据超过预设百分比的所述先前相似未开发区域规划,对当前未开发区域规划进行预测。
步骤103,根据预测的当前未开发区域规划,进行树木移植规划。
所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据预测的当前未开发区域规划,分析在该区域移植树木的作用;然后,利用关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;所述关联规则算法过程如下:通过迭代输入,检索出树木移植数据库中的种类,形态,面积三个因子中的所有频繁项集,即支持度不低于设定阈值的项集;所述支持度,是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比;然后利用频繁项集构造出满足置信度的规则;所述置信度,是各个因子的总项集占数据库所有项集的百分比。通过对比支持度与置信度,判断与移植树木的作用关联性的强弱,并根据关联规则绘制移植树木的作用关联网络图;所述移植树木的作用关联网络图表明该区域树木移植规划。例如:一个位于桂林的某待开发地区,通过GPS地图定位到其中心点经纬度位置是24°22’29”N,110°35’30”E,查询气候带分布图得到该地区为亚热带季风气候;查询桂林标准地图,通过地图比例尺计算得出距离该待开发地区中心点的130m处有一条河,处于半山处,海拔166m;该地区中心点距离公路50m,距离铁路800m;通过实地采集土壤样本,检测树木养分的含量得到4个样本的含量分别为76%,84%,80%,88%,计算得到平均值为82%作为本地区树木养分含量;通过本地区气象局数据得到降雨量为1026mm一年,AQI空气质量指数为55;综合以上数据,提取周围环境评价指标index={24°22’29”N,110°35’30”E,亚热带季风气候,河130m,山166m,公路50m,铁路800m,养分含量82%,降雨量1026mm,AQI55};若获得的降雨量数据与AQI数据不是属于该地区的,则删除此错误数据重新整理。
步骤104,根据树木移植规划,分析移植适合度。
所述移植适合度包括树木移植到当前未开发区域过程中运费的可取度及移植后成活率的大小;所述运费的可取度,是对运费大小的衡量指标,通过运费可取度评价函数得到;运费越小,运费的可取度越大;所述移植后成活率,是由成活率评价函数得出;根据所述树木移植规划,分析移植适合度,构建移植适合度模型,即S=P+L;其中,S表示移植适合度,移植适合度越大,表示树木越适合移植到当前未开发区域内;P表示运费的可取度;L表示移植后成活率。通过移植适合度模型计算移植适合度。例如,提取到的周围环境评价指标数据为{24°22’29”N,110°35’30”E,亚热带季风气候,河130m,山166m,公路50m,铁路800m;养分含量82%,降雨量1026mm,AQI55};在当地土地规划局官网数据库中,通过K-means聚类分析,将评价指标归类到“环境指标优”大类中的“气候适宜高大树木生长,不易建造楼盘,交通发达”这一细分类型中;设定超过60%即采用该规划进行预测;而由于该类型所对应的区域规划在先前记录中超过90%都用于建设为风景区,那么预测当前未开发区域规划为建设为风景区。
基于树木移植规划,构造运费可取度评价函数。
所述运费可取度评价函数,是对运费可取度的计算函数,即P=1-0.01*Ps;其中,P表示运费的可取度;Ps表示实际运费的大小,单位为万元;所述实际运费,包括实际运送树木的费用,实际用车的费用以及人工运送的实际费用;所述实际运送树木的费用,是通过查阅园林局一棵根据所述树木移植规划中的树木的标价,乘以树木的数量计算出来的;所述树木的数量,根据所述树木移植规划的树木的面积除以一棵树的面积得出;所述实际用车的费用,是根据出车一辆的费用乘以出车辆数得到的构造运费可取度评价函数,计算运费的可取度。例如,预测到当前未开发区域规划用作建设为住宅区,分析出该区域移植树木是用来吸收汽车尾气和降噪的;通过Apriori算法挖掘所有移植树木的种类,形态与面积对应移植树木的作用间的关联关系;其中第一条关联规则为“吸收汽车尾气且降噪=>棕榈,支持度
=0.789,置信度=0.933”;第二条关联规则为“吸收汽车尾气且降噪=>树干高大,支持度=0.746,置信度=0.921”;第三条关联规则为“吸收汽车尾气且降噪=>覆盖率75%,支持度=0.824,置信度=0.896”;表明要达到吸收汽车尾气而且降噪的效果,很可能需要移植树干高大的棕榈,且移植面积覆盖率占该区域总面积的75%;即“吸收汽车尾气且降噪”作用的树木与“棕榈”种类,“树干高大”形态,“覆盖率75%”的面积的树木存在关联。汇总多条关联规则,根据移植树木的作用绘制成一个关联网络图,关联网络图上对应移植树木的种类,形态,面积即为该未开发区域的树木移植规划。
基于周围环境评价指标,构造成活率评价函数。
所述周围环境评价指标,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过系统数据库查阅获得树木种植环境特征,根据所述周围环境评价指标,构造成活率评价函数,即L=LC*W1+SC*W2+RC*W3+AC*W4;其中,L表示移植后树木的成活率;LC表示当前未开发区域的地理位置特征指数,若该区域的气候特征,地理位置特征都与树木种植环境特征相匹配,则LC=1,否则LC=0;SC表示当前未开发区域的土壤营养状况特征指数,若该区域的土壤养分含量高于数据库所列的标准土壤养分含量,则SC=1,否则SC=0;RC表示当前未开发区域的降雨量特征指数,若该区域的年均降雨量在数据库所列的标准年均降雨量范围内,则RC=1,否则RC=0;AC表示当前未开发区域的空气质量特征指数,若该区域的年均AQI低于数据库标准的年均AQI,则AC=1,否则AC=0;W1,W2,W3,W4分别表示对应的权重,且W1+W2+W3+W4=1。根据成活率评价函数,计算树木移植后成活率。例如,通过可取度评价函数得到运送树干高大,覆盖率为75%的棕榈时,运费的可取度为0.85;通过成活率评价函数得到移植后成活率为0.8;数据经过移植适合度模型计算后,得到其移植适合度为1.65。
步骤105,根据移植适合度,确定树木种植策略。
所述确定树木种植策略,包括确定树木种植最初地点与保持树木生长状态优良;根据所述移植适合度的大小,确定树木种植最初地点距离当前未开发区域的远近;若移植适合度低于预设的门限值,则树木种植最初地点定在当前未开发区域的周边预设距离的区域范围内;所述生长状态是后续移植树木的重要衡量指标,需要保持种植的树木生长状态保持优良;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;所述定位,通过在园林树木内部编码技术实现;所述内部编码技术,是指树木按科-属-种-种内排序进行编码;编码后每棵树木都有属于自己的ID,并可以实现与总后台系统同步信息。确定树木种植最初地点后,进行树木初步种植;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施。例如,园林局的一棵树干高大的棕榈树标价为0.3万元,面积为4平方米/棵,树木移植规划中当前未开发区域移植的树木的面积为100平方米;计算得到实际运送树木的费用为7.5万元;出车一辆为0.1万元,需要出车5辆,所以实际用车的费用为0.5万元;人工运送的实际费用为0.2万元;因此实际运费一共8.2万元;根据运费可取度评价函数,计算得到运费的可取度为0.918。
构建树木生长状态评价体系。
所述生长状态包括:树木营养状况、病虫害状况、含水状况、生理活性;所述树木营养状况是指树木中有机物与矿物质百分比含量的大小,有机物与矿物质含量越大,树木营养状况越好;所述病虫害状况包括树木被害虫破坏及自身生病的面积,该面积越小,病虫害状况越少;所述含水状况是指树木的含水量的大小,含水量越大,树木含水状况越好;所述生理活性是指树木内微生物的数量大小,微生物数量越多,树木生理活性越好;进行树木初步种植后,根据芯片与总后台系统同步的信息,建立树木生长状态评价体系,即LCON=(
Ncon+Icon+Wcon+Mcon)/4;其中,LCON表示树木生长状态指标;Ncon表示树木的营养状况,若树木中有机物与矿物质百分比含量高于预设的门限值,则Ncon=1,否则Ncon=0;Icon表示树木的病虫害状况,若树木被害虫破坏及自身生病的面积小于预设的阈值,则Icon=1,否则Icon=0;Wcon表示树木的含水状况,若树木的含水量大于预设的门限值,则Wcon=1,否则Wcon=0;Mcon表示树木的生理活性,若树木中的微生物数量超过预设的门限值,则Mcon=1,否则Mcon=0;根据BP神经网络分析树木生长状态;所述根据BP神经网络分析树木生长状态,包括:根据芯片与总后台系统同步的信息确定训练样本与测试样本,所述训练样本用于神经网络训练,所述测试样本用于检测实际值与预测值的相对误差;计算测试样本数据的期望值,若所述期望值大于预设阈值,则调整神经网络的权值,直到所述期望值满足不大于预设阈值的条件为止;根据所述神经网络的权值,更新所述LCON的值作为神经网络的输出值;根据所述神经网络的输出值对所述树木生长状态评价体系进行分析,判定树木的生长状态。例如,某未开发区域为亚热带季风气候,地处山上,海拔166m;从园林系统数据库获得棕榈的生长环境为亚热带季风气候,生长在海拔80m以下的平地,所以地理位置特征不匹配,LC=0;检测到该区域土壤养分含量为80%,年均降雨量1026mm,AQI为50;数据库中列出棕榈应生长在土壤养分含量高于75%,年均降雨量在1000mm~1200mm范围内,AQI低于80的环境;所以SC=1,RC=1,AC=1;设定对应特征指数的权重分别为0.1,0.4,0.3,0.2;则通过成活率评价函数计算得出该棕榈在当前未开发区域的成活率为0.9。
步骤106,及时调整树木种植策略,使其达到移植条件下的树木因素条件。
通过获取土地规划部门官方信息,及时获取最新的当前未开发区域真正规划内容;根据最新的规划内容即时调整树木种植策略,包括调整树木移植规划,确定树木种植第二地点,并保持生长状态优良;所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据最新的当前未开发区域真正规划,分析在该区域移植树木的作用;然后,利用所述关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;利用该关联关系计算新的所述移植适合度;根据新的移植适合度,确定树木种植第二地点;若新的移植适合度低于预设的门限值,则树木种植第二地点定在当前未开发区域的周边预设距离的区域范围内;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施;保持树木生长状态优良到设定的生长期限,即为所述达到移植条件下的树木因素条件。例如,规定移植适合度低于1.4的树木种植在当前未开发区域附近800m的范围内;树干低矮,覆盖率为80%的山麻树移植适合度为1.3,则该种树应该提前种植在以这个未开发区中心为圆心,800m为半径的圆形区域范围内;种植后通过芯片监测装置,从内部编码系统获取梧桐科的编码为03,山麻树属的编码为04,山麻树种的编码为01;芯片后台系统同步监测到一棵山麻树生长状态处于良好以下,由于该树为梧桐科,山麻树属,种内的第66颗,所以编码为03-04-01-66;定位到该编码后,根据芯片监测获得的数据,分析出生长状态变差的原因是病虫害状况严重,则采取喷洒农药的方法进行处理。
步骤107,达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度。
所述移植条件,包括土地因素条件与树木因素条件;所述土地因素条件是指当前未开发区域得以开发,成为新建设区域;所述树木因素条件是指保持树木生长状态优良到设定的生长期限;达到所述移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;所述原始种植区域包括所述树木种植最初地点与所述树木种植第二地点;所述破坏程度,包括原始种植区域土壤的破坏面积与挖损深度;所述破坏面积,通过具备资质的测绘机构进行现场界定;所述挖损深度,是根据在所述破坏面积范围内的区域,测量所有被挖土壤的深度,然后取平均值;建立原始种植区域环境破坏程度函数,即DD=DS*DH;其中,DD表示所述破坏程度值;DS表示所述破坏面积;DH表示所述挖损深度。若所述破坏程度值越高,则原始种植区域环境越不美观,生态效益越差。例如,树木生长状态评价体系为优秀(0.90-1),良好(0.80-0.89),一般(0.60-0.79),差(0-0.59);BP神经网络的输入层包括4个指标:树木中有机物与矿物质百分比含量,树木被害虫破坏及自身生病的面积,树木的含水量,与树木中的微生物数量,即n=4,输出层为树木生长状态评价结果,即m=1,隐含层为3层。数据经过神经网络训练后,得出树木A,B,C的生长状态指标分别为0.667,0.852,0.947,则表示树木A的生长状态及格,树木B的生长状态良好,树木C的生长状态优秀。
步骤108,对移植后的树木的再生状态进行判断,根据原始种植区域环境的破坏程度与移植后的树木的再生状态,优化移植规划。
移植规划优化包括数据处理模块,神经网络模型构建模块与移植规划优化生成模块;其中,根据原始种植区域环境的破坏程度值判断是否需要进行原始种植区域环境的破坏程度分析,若所述原始种植区域环境的破坏程度值高于预设的阈值,则分析原始种植区域环境的破坏程度。所述树木的再生状态,是指树木移植后的生长状态;进行树木移植后,根据芯片与总后台系统同步的信息,建立所述树木生长状态评价体系;其中,根据计算的树木生长状态指标分判断是否需要进行树木的再生状态分析;若所述树木生长状态指标低于预设的门限值,则分析所述树木的再生状态。所述数据处理模块包括获取已有的移植规划,以及利用深度学习RNN算法分析原始种植区域环境的破坏程度及树木的再生状态与园林部门数据库标准参考指标并找出移植规划错误偏差,构建移植规划错误偏差向量,即PLA={c1,c2,c3,…,cn};所述神经网络模型构建模块利用所述数据处理模块的数据构建卷积神经网络CNN模型并训练;所述移植规划优化生成模块利用训练好的卷积神经模型进行移植规划优化预测。例如,通过园林局与土地规划局的沟通,了解到原本预测用来建设商业区的未开发区将真正规划为建设风景区;分析出该区域移植树木是用来观赏的;通过Apriori算法挖掘所有移植树木的种类,形态与面积对应移植树木的作用间的关联关系;其中第一条关联规则为“观赏=>枫树,支持度=0.769,置信度=0.913”;第二条关联规则为“观赏=>树干高大,支持度=0.796,置信度=0.911”;第三条关联规则为“观赏=>覆盖率85%,支持度=0.834,置信度=0.892”;表明要达到观赏的效果,很可能需要移植树干高大的枫树,且移植面积覆盖率占该区域总面积的85%;通过计算得到移植适合度为1.2,低于设定的1.4,则种植第二地点定在设定的该未开发区周边的600m范围内;芯片后台系统同步监测到一棵枫树生长状态处于良好以下,其编码为05-03-02-52;定位到该编码后,根据芯片监测获得的数据,分析出生长状态变差的原因是营养状况差,则采取增加施肥的方法进行处理;经过设定的三个月生长期限后,所有树木都能保持优良的生长状态,即达到移植条件下的树木因素条件。
Claims (9)
1.一种城市绿地空间及树木规划方法,其特征在于,所述方法包括:
获取未开发区域周围环境状况,提取周围环境评价指标数据;基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划;根据预测的当前未开发区域规划,进行树木移植规划;根据树木移植规划,分析移植适合度,所述根据树木移植规划,分析移植适合度,具体包括:基于树木移植规划,构造运费可取度评价函数,基于周围环境评价指标,构造成活率评价函数;根据移植适合度,确定树木种植策略,具体包括:构建树木生长状态评价体系;及时调整树木种植策略,使其达到移植条件下的树木因素条件;达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;对移植后的树木的再生状态进行判断,根据原始种植区域环境的破坏程度与移植后的树木的再生状态,优化移植规划。
2.根据权利要求1所述的方法,其中,所述获取未开发区域周围环境状况,提取周围环境评价指标数据,包括:
所述周围环境状况包括:未开发区域的地理位置特征,土壤营养状况、降雨量与空气质量指数;所述地理位置特征包括未开发区域的中心点经纬度位置特征与相对中心点位置特征;所述未开发区域的中心点经纬度位置特征是指该区域中心点所处的经纬度值与气候带;所述相对中心点位置特征是指该区域的中心点跟河流,山川,交通线的相对位置关系;通过标准定位系统获取该区域中心点所处的经纬度值;利用气候带分布图,根据获取到的经纬度值分析对应该区域所处的气候带;通过标准地图,获得该区域中心点跟河流,山川,交通线的相对位置关系,用欧氏距离表示;所述土壤营养状况是指土壤中所含树木养分的含量,通过实地调研随机采集预设数量的样本后,实验室检测所有样本,取所有样本的平均值作为树木养分含量的值;所述降雨量与所述空气质量指数是根据所属区域的气象局数据库中获得;根据所述周围环境状况进行数据预处理,对数据进行分类并提取所述周围环境评价指标数据,即index={地理位置特征,土壤营养状况,降雨量,空气质量指数},其中index表示周围环境评价指标;采集的数据利用ETL方式进行数据清洗,删除缺失数据、重复数据与错误数据。
3.根据权利要求1所述的方法,其中,所述基于周围环境评价指标数据,根据先前相似未开发区域规划,预测当前未开发区域规划,包括:
所述周围环境评价指标数据,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过在土地规划部门官方网站获取先前未开发区域的周围环境评价指标数据及所对应的区域规划;根据先前未开发区域周围环境评价指标数据作为样本数据,然后基于K-means算法建立区域规划聚类模型,过程如下:首先根据先前未开发区域周围环境评价指标选择多个质心;然后计算各个样本到质心的欧氏距离,将各个样本分别归类到离其最近的质心;然后将每个类别的样本数据取平均值,求出每个类别的新质心;最后迭代进行样本归类和求新质心,直到聚类收敛,新旧质心不再变化为止;将当前未开发区域周围环境评价指标数据作为参数输入区域规划聚类模型,将当前未开发区域周围环境评价指标归类到与其最相似的类型,该类型所对应的区域规划即为所述先前相似未开发区域规划;最后根据超过预设百分比的所述先前相似未开发区域规划,对当前未开发区域规划进行预测。
4.根据权利要求1所述的方法,其中,所述根据预测的当前未开发区域规划,进行树木移植规划,包括:
所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据预测的当前未开发区域规划,分析在该区域移植树木的作用;然后,利用关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;所述关联规则算法过程如下:通过迭代输入,检索出树木移植数据库中的种类,形态,面积三个因子中的所有频繁项集,即支持度不低于设定阈值的项集;所述支持度,是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比;然后利用频繁项集构造出满足置信度的规则;所述置信度,是各个因子的总项集占数据库所有项集的百分比;通过对比支持度与置信度,判断与移植树木的作用关联性的强弱,并根据关联规则绘制移植树木的作用关联网络图;所述移植树木的作用关联网络图表明该区域树木移植规划。
5.根据权利要求1所述的方法,其中,所述根据树木移植规划,分析移植适合度,包括:
所述移植适合度包括树木移植到当前未开发区域过程中运费的可取度及移植后成活率的大小;所述运费的可取度,是对运费大小的衡量指标,通过运费可取度评价函数得到;运费越小,运费的可取度越大;所述移植后成活率,是由成活率评价函数得出;根据所述树木移植规划,分析移植适合度,构建移植适合度模型,即S=P+L;其中,S表示移植适合度,移植适合度越大,表示树木越适合移植到当前未开发区域内;P表示运费的可取度;L表示移植后成活率;通过移植适合度模型计算移植适合度;包括:基于树木移植规划,构造运费可取度评价函数;基于周围环境评价指标,构造成活率评价函数;
所述基于树木移植规划,构造运费可取度评价函数,具体包括:
所述运费可取度评价函数,是对运费可取度的计算函数,即P=1-0.01*Ps;其中,P表示运费的可取度;Ps表示实际运费的大小,单位为万元;所述实际运费,包括实际运送树木的费用,实际用车的费用以及人工运送的实际费用;所述实际运送树木的费用,是通过查阅园林局一棵根据所述树木移植规划中的树木的标价,乘以树木的数量计算出来的;所述树木的数量,根据所述树木移植规划的树木的面积除以一棵树的面积得出;所述实际用车的费用,是根据出车一辆的费用乘以出车辆数得到的构造运费可取度评价函数,计算运费的可取度;
所述基于周围环境评价指标,构造成活率评价函数,具体包括:
所述周围环境评价指标,包括:地理位置特征,土壤营养状况,降雨量,空气质量指数;通过系统数据库查阅获得树木种植环境特征,根据所述周围环境评价指标,构造成活率评价函数,即L=LC*W1+SC*W2+RC*W3+AC*W4;其中,L表示移植后树木的成活率;LC表示当前未开发区域的地理位置特征指数,若该区域的气候特征,地理位置特征都与树木种植环境特征相匹配,则LC=1,否则LC=0;SC表示当前未开发区域的土壤营养状况特征指数,若该区域的土壤养分含量高于数据库所列的标准土壤养分含量,则SC=1,否则SC=0;RC表示当前未开发区域的降雨量特征指数,若该区域的年均降雨量在数据库所列的标准年均降雨量范围内,则RC=1,否则RC=0;AC表示当前未开发区域的空气质量特征指数,若该区域的年均AQI低于数据库标准的年均AQI,则AC=1,否则AC=0;W1,W2,W3,W4分别表示对应的权重,且W1+W2+W3+W4=1;根据成活率评价函数,计算树木移植后成活率。
6.根据权利要求1所述的方法,其中,所述根据移植适合度,确定树木种植策略,包括:
所述确定树木种植策略,包括确定树木种植最初地点与保持树木生长状态优良;根据所述移植适合度的大小,确定树木种植最初地点距离当前未开发区域的远近;若移植适合度低于预设的门限值,则树木种植最初地点定在当前未开发区域的周边预设距离的区域范围内;所述生长状态是后续移植树木的重要衡量指标,需要保持种植的树木生长状态保持优良;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;所述定位,通过在园林树木内部编码技术实现;所述内部编码技术,是指树木按科-属-种-种内排序进行编码;编码后每棵树木都有属于自己的ID,并可以实现与总后台系统同步信息;确定树木种植最初地点后,进行树木初步种植;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施;包括:构建树木生长状态评价体系;
所述构建树木生长状态评价体系,具体包括:
所述生长状态包括:树木营养状况、病虫害状况、含水状况、生理活性;所述树木营养状况是指树木中有机物与矿物质百分比含量的大小,有机物与矿物质含量越大,树木营养状况越好;所述病虫害状况包括树木被害虫破坏及自身生病的面积,该面积越小,病虫害状况越少;所述含水状况是指树木的含水量的大小,含水量越大,树木含水状况越好;所述生理活性是指树木内微生物的数量大小,微生物数量越多,树木生理活性越好;进行树木初步种植后,根据芯片与总后台系统同步的信息,建立树木生长状态评价体系,即LCON=(Ncon+Icon+Wcon+Mcon)/4;其中,LCON表示树木生长状态指标;Ncon表示树木的营养状况,若树木中有机物与矿物质百分比含量高于预设的门限值,则Ncon=1,否则Ncon=0;Icon表示树木的病虫害状况,若树木被害虫破坏及自身生病的面积小于预设的阈值,则Icon=1,否则Icon=0;Wcon表示树木的含水状况,若树木的含水量大于预设的门限值,则Wcon=1,否则Wcon=0;Mcon表示树木的生理活性,若树木中的微生物数量超过预设的门限值,则Mcon=1,否则Mcon=0;根据BP神经网络分析树木生长状态;所述根据BP神经网络分析树木生长状态,包括:根据芯片与总后台系统同步的信息确定训练样本与测试样本,所述训练样本用于神经网络训练,所述测试样本用于检测实际值与预测值的相对误差;计算测试样本数据的期望值,若所述期望值大于预设阈值,则调整神经网络的权值,直到所述期望值满足不大于预设阈值的条件为止;根据所述神经网络的权值,更新所述LCON的值作为神经网络的输出值;根据所述神经网络的输出值对所述树木生长状态评价体系进行分析,判定树木的生长状态。
7.根据权利要求1所述的方法,其中,所述及时调整树木种植策略,使其达到移植条件下的树木因素条件,包括:
通过获取土地规划部门官方信息,及时获取最新的当前未开发区域真正规划内容;根据最新的规划内容即时调整树木种植策略,包括调整树木移植规划,确定树木种植第二地点,并保持生长状态优良;所述树木移植规划包括:在当前未开发区域移植树木的种类,形态与面积;根据最新的当前未开发区域真正规划,分析在该区域移植树木的作用;然后,利用所述关联规则挖掘算法Apriori算法挖掘移植树木的种类,形态与面积对应移植树木的作用间的关联关系;利用该关联关系计算新的所述移植适合度;根据新的移植适合度,确定树木种植第二地点;若新的移植适合度低于预设的门限值,则树木种植第二地点定在当前未开发区域的周边预设距离的区域范围内;通过对所有树木植入GPS定位系统与芯片监测装置,对园林树木进行精准定位,并实时动态监测生长状态;若监测到生长状态良好以下的树木,则及时通过信息同步反馈给系统,并分析原因采取措施;保持树木生长状态优良到设定的生长期限,即为所述达到移植条件下的树木因素条件。
8.根据权利要求1所述的方法,其中,所述达到移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度,包括:
所述移植条件,包括土地因素条件与树木因素条件;所述土地因素条件是指当前未开发区域得以开发,成为新建设区域;所述树木因素条件是指保持树木生长状态优良到设定的生长期限;达到所述移植条件后,将树木移植到新建设区域,分析移植后对于原始种植区域环境的破坏程度;所述原始种植区域包括所述树木种植最初地点与所述树木种植第二地点;所述破坏程度,包括原始种植区域土壤的破坏面积与挖损深度;所述破坏面积,通过具备资质的测绘机构进行现场界定;所述挖损深度,是根据在所述破坏面积范围内的区域,测量所有被挖土壤的深度,然后取平均值;建立原始种植区域环境破坏程度函数,即DD=DS*DH;其中,DD表示所述破坏程度值;DS表示所述破坏面积;DH表示所述挖损深度;若所述破坏程度值越高,则原始种植区域环境越不美观,生态效益越差。
9.根据权利要求1所述的方法,其中,所述对移植后的树木的再生状态进行判断,根据原始种植区域环境的破坏程度与移植后的树木的再生状态,优化移植规划,包括:
移植规划优化包括数据处理模块,神经网络模型构建模块与移植规划优化生成模块;其中,根据原始种植区域环境的破坏程度值判断是否需要进行原始种植区域环境的破坏程度分析,若所述原始种植区域环境的破坏程度值高于预设的阈值,则分析原始种植区域环境的破坏程度;所述树木的再生状态,是指树木移植后的生长状态;进行树木移植后,根据芯片与总后台系统同步的信息,建立所述树木生长状态评价体系;其中,根据计算的树木生长状态指标分判断是否需要进行树木的再生状态分析;若所述树木生长状态指标低于预设的门限值,则分析所述树木的再生状态;所述数据处理模块包括获取已有的移植规划,以及利用深度学习RNN算法分析原始种植区域环境的破坏程度及树木的再生状态与园林部门数据库标准参考指标并找出移植规划错误偏差,构建移植规划错误偏差向量,即PLA={c1,c2,c3,…,cn};所述神经网络模型构建模块利用所述数据处理模块的数据构建卷积神经网络CNN模型并训练;所述移植规划优化生成模块利用训练好的卷积神经模型进行移植规划优化预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656030.2A CN114936709A (zh) | 2022-06-10 | 2022-06-10 | 一种城市绿地空间及树木规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656030.2A CN114936709A (zh) | 2022-06-10 | 2022-06-10 | 一种城市绿地空间及树木规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936709A true CN114936709A (zh) | 2022-08-23 |
Family
ID=82866620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210656030.2A Pending CN114936709A (zh) | 2022-06-10 | 2022-06-10 | 一种城市绿地空间及树木规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN117770073A (zh) * | 2024-01-25 | 2024-03-29 | 广东省源天工程有限公司 | 一种生态缓冲带的建造方法 |
-
2022
- 2022-06-10 CN CN202210656030.2A patent/CN114936709A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN117770073A (zh) * | 2024-01-25 | 2024-03-29 | 广东省源天工程有限公司 | 一种生态缓冲带的建造方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Zhang et al. | A hierarchical patch mosaic ecosystem model for urban landscapes: model development and evaluation | |
Waring | A process model analysis of environmental limitations on the growth of Sitka spruce plantations in Great Britain | |
CN114936709A (zh) | 一种城市绿地空间及树木规划方法 | |
Eremina | IT-technologies in soil Informatics and Russian agribusiness | |
CN101916337B (zh) | 一种基于地理信息系统的水稻生产潜力动态预测方法 | |
Chipanshi et al. | Early prediction of spring wheat yields in Saskatchewan from current and historical weather data using the CERES-Wheat model | |
CN108958329B (zh) | 一种滴灌水肥一体化智能决策方法 | |
Zhang et al. | Application and research progress of geographic information system (GIS) in agriculture | |
CN111445116A (zh) | 国土空间规划辅助编制系统 | |
CN111708776A (zh) | 一种基于gis技术开发的农业数据平台 | |
Kulkarni et al. | Effective use of GIS based spatial pattern technology for urban greenery space planning: a case study for Ganesh Nagar area of Nanded city | |
CN114693057A (zh) | 一种地块林草适宜性的智能评估方法 | |
Kübler et al. | Episode selection for ozone modelling and control strategies analysis on the Swiss Plateau | |
JP6806397B1 (ja) | サーバ、路網計画策定システム、路網計画策定方法およびプログラム | |
Parisse et al. | MADIA-Meteorological variables for agriculture: A dataset for the Italian area | |
CN114004442A (zh) | 一种基于多方法的宅基地利用信息获取方法 | |
CN116046770A (zh) | 基于遥感卫星数据的环境动态监测方法 | |
CN114416692A (zh) | 一种构建流域水环境管理数据资源体系的方法 | |
Walker et al. | Estimation of rainfall intensity for potential crop production on clay soil with in-field water harvesting practices in a semi-arid area | |
Smith | Site selection for establishment & management of vineyards | |
Ng et al. | Home-range habitat selection by Ferruginous Hawks in western Canada: implications for wind-energy conflicts | |
Collins et al. | Forecasting high wind events in the HRRR model over Wyoming and Colorado. Part II: Sensitivity of surface wind speeds to model resolution and physics | |
Mercan et al. | The Use Of Multi-Criteria Decision Analysis (MCDA) And Geographic Information System (GIS) In Selection Of Greenhouse Site Location: The Case Of Aydin Region In Türkiye | |
Nielsen-Gammon et al. | Feasibility Study for Development of Statewide Evapotranspiration Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |