CN115423173A - 智慧城市绿化管理方法和系统及存储介质、装置 - Google Patents
智慧城市绿化管理方法和系统及存储介质、装置 Download PDFInfo
- Publication number
- CN115423173A CN115423173A CN202211044663.4A CN202211044663A CN115423173A CN 115423173 A CN115423173 A CN 115423173A CN 202211044663 A CN202211044663 A CN 202211044663A CN 115423173 A CN115423173 A CN 115423173A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- information
- monitored area
- platform
- air quality
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000002689 soil Substances 0.000 claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 119
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 16
- 238000012545 processing Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 240000002924 Platycladus orientalis Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000011201 Ginkgo Nutrition 0.000 description 1
- 241000218628 Ginkgo Species 0.000 description 1
- 235000008100 Ginkgo biloba Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010057175 Mass conditions Diseases 0.000 description 1
- 235000019082 Osmanthus Nutrition 0.000 description 1
- 241000333181 Osmanthus Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000009966 trimming Methods 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种智慧城市绿化管理方法和系统及存储介质、装置,该方法由管理平台执行,包括:通过传感网络平台,基于对象平台获取对象平台对应的监控区域的植被数据,植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种;基于植被数据得到监控区域的植被异常信息,植被异常信息包括植被异常位置和植被异常量;根据监控区域的植被异常信息,结合监控区域的车流量、人口密度,得到监控区域的预测空气质量;基于监控区域的预测空气质量、植被异常信息,确定监控区域的绿化处理优先级。
Description
技术领域
本说明书涉及物联网技术领域,特别涉及一种智慧城市绿化管理方法和系统及存储介质、装置。
背景技术
城市绿化环境直接或间接地影响着城市空气质量,而城市绿化工作又涉及园林绿化部门、交通管理部门、市政道路管理部门等多个部门。同时,绿化工作可能会城市交通、道路造成一定的影响,因此,需要对各个部门的工作安排、进度等进行统筹协调,避免绿化工作安排不当影响城市交通、道路管理的正常运行。物联网技术可以利用互联网资源,能够实现人与物相联、物与物相联,达到信息化、远程管理控制和智能化的目的。
因此,需要提供一种基于物联网的智慧城市绿化管理方法。
发明内容
本说明书一个或多个实施例提供一种智慧城市绿化管理方法,所述方法由管理平台执行,包括:通过传感网络平台,基于对象平台获取所述对象平台对应的监控区域的植被数据,所述植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种;基于所述植被数据得到所述监控区域的植被异常信息,所述植被异常信息包括植被异常位置和植被异常量;根据所述监控区域的所述植被异常信息,结合所述监控区域的车流量、人口密度,得到所述监控区域的预测空气质量;基于所述监控区域的所述预测空气质量、所述植被异常信息,确定所述监控区域的绿化处理优先级。
本说明书实一个或多个实施例提供一种用于智慧城市绿化管理的物联网系统,包括对象平台、传感网络平台、管理平台:所述管理平台被配置为执行以下操作:通过传感网络平台,基于对象平台获取所述对象平台对应的监控区域的植被数据,所述植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种;基于所述植被数据得到所述监控区域的植被异常信息,所述植被异常信息包括植被异常位置和植被异常量;根据所述监控区域的所述植被异常信息,结合所述监控区域的车流量、人口密度,得到所述监控区域的预测空气质量;基于所述监控区域的所述预测空气质量、所述植被异常信息,确定所述监控区域的绿化处理优先级。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述智慧城市绿化管理的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的智慧城市绿化管理系统的应用场景示意图;
图2是根据本说明书一些实施例所示的智慧城市绿化管理的系统模块图;
图3是根据本说明书一些实施例所示的智慧城市绿化管理方法的示例性流程图;
图4是根据本说明书一些实施例所示的智慧城市绿化管理方法的确定植被异常量的示例性流程图;
图5是根据本说明书一些实施例所示的智慧城市绿化管理方法的基于预测模型预测区域空气质量的流程示意图;
图6是根据本说明书一些实施例所示的智慧城市绿化管理方法的确定植被异常处理优先级的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的智慧城市绿化管理系统的应用场景示意图。如图1所示,智慧城市绿化管理系统的应用场景示意图100可以包括数据信息110、网络120、存储器130、处理设备140和终端150。在一些实施例中,应用场景100中的组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。例如,处理设备140可以通过网络120连接到存储器130。
数据信息110可以用于预测区域空气质量的辅助信息,例如,数据信息110可以包括区域的植被基本信息110-1、人口密度信息110-2、车流量信息110-3等。
在一些实施例中,植被基本信息110-1可以包括植被种类信息、植被位置信息、气候信息、土壤信息、养护信息、绿植生成的高度、冠幅等一种或多种信息。植被基本信息110-1可以基于多种方式获取,如用户输入、第三方平台获取、无人机采集等。
在一些实施例中,人口密度信息110-2可以是与区域的人口数量相关的数据。人口密度信息110-2可以基于第三方平台的城市热力图等获取。
在一些实施例中,车流量信息110-3可以是与区域的车流数据相关的信息。车流量信息110-3可以基于交通大数据平台等第三方平台获取。
存储器130可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储器130可以是处理设备140的一部分。
处理设备140可以处理与智慧城市绿化管理系统的应用场景100有关的信息和/或数据,以执行本说明书中描述的一个或以上功能。例如,处理设备140可以基于植被基本信息、人口密度、车流量确定植被绿化处理的优先级。
终端150可以指用户所使用的一个或多个终端或软件。在一些实施例中,用户(如,市政道理管理部门、园林绿化部门、交通管理部门等)可以是终端150的所有者。在一些实施例中,终端150可以为具有获取数据功能的设备。例如,终端150可以为城市绿化管理人员的获取异常植被的地理位置信息的设备。
应当注意基于智慧城市绿化管理系统的应用场景100仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的智慧城市绿化管理系统的模块图。在一些实施例中,所述智慧城市绿化管理系统200可以包括用户平台210、服务平台220、管理平台230、传感网络平台240和对象平台250。
用户平台210可以是面向用户的服务接口。在一些实施例中,用户平台210可以接收来自用户和/或服务平台的信息。例如,用户平台210可以接收来自用户的输入。又例如,用户平台210可以接收来自服务平台的向用户反馈的信息,如,异常植被的基础信息等。在一些实施例中,用户平台210可以被配置为将信息反馈至用户。用户平台210可以将信息发送至服务平台。
服务平台220可以是对信息进行初步处理的平台。在一些实施例中,服务平台220可以将基于用户平台获取的信息传递至管理平台。例如,将植被信息传递至管理平台。在一些实施例中,服务平台220可以接收管理平台发送的信息。例如,植被基本信息、人口密度、处理绿化植被的优先级等。
管理平台230可以是指统筹、协调各功能平台之间的联系和协作,提供感知管理和控制管理的物联网平台。
在一些实施例中,管理平台230可以确定植被异常信息、预测空气质量,并将植被异常信息、预测空气质量发送至服务平台。在一些实施例中,管理平台230可以被配置为独立式结构。独立式结构是指管理平台包括多个管理分平台,各个管理分平台对应不同的区域,可以对传感网络平台上传的不同区域的数据基于相应的管理分平台进行数据存储、数据处理和/或数据传输。
在一些实施例中,管理平台230可以进一步用于:获取对应监控区域的植被数据。植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种。
在一些实施例中,管理平台230进一步用于:基于植被数据得到监控区域的植被异常信息。植被异常信息包括植被异常位置和植被异常量。
在一些实施例中,管理平台230进一步用于:根据监控区域的植被异常信息,结合监控区域的车流量、人口密度,得到监控区域的预测空气质量。在一些实施例中,管理平台230进一步用于:基于监控区域的预测空气质量、植被异常信息,确定监控区域的绿化处理优先级。具体说明参见图3的相关说明。
传感网络平台240可以是管理平台和对象平台之间实现交互的衔接的平台。在一些实施例中,传感网络平台240可以接收管理平台发送的获取各区域的监控数据的指令并将指令发送给对象平台,以及传感网络平台240可以将对象平台获取的监控数据上传至管理平台。
在一些实施例中,传感网络平台240可以被配置为独立式结构。独立式结构是指传感网络平台包括多个传感网络分平台,其中,各个传感网络分平台对应不同的区域,可以由对应相应区域的传感网络分平台,对采集该区域的监控数据的对象平台上传的监控数据进行处理,并将相应的监控数据上传至该区域对应的管理分平台,以及将相应管理分平台下发的数据采集指令传递至相应区域对应的对象平台。
对象平台250可以是感知信息生成和控制信息最终执行的功能平台。对象平台250可以基于监控设备获取监控数据。例如,基于无人机传感器可以获取植被生长参数。在一些实施例中,对象平台250可以包括对应不同区域的对象分平台,各个对象分平台可以由监控装置或传感装置实现。对应不同区域的对象分平台可以将采集的数据上传至对应的传感网络分平台,并由传感网络分平台上传至管理分平台进行处理。不同的管理分平台可以基于相应的传感网络分平台向对象分平台下发采集该区域的相应数据的指令,并由相应的对象分平台进行执行。
需要注意的是,以上对于智慧城市绿化管理系统200的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。
图3是根据本说明书一些实施例所示的智慧城市绿化管理方法的示例性流程图。在一些实施例中,流程300可以由管理平台执行。如图3所示,流程300包括下述步骤:
步骤310,通过传感网络平台,基于对象平台获取对象平台对应的监控区域的植被数据,植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种。
监控区域是指需要进行绿化情况监控的区域。监控区域的大小可以根据实际情况进行划分。例如,监控区域可以是某城市的一个片区或某街道等。
植被数据可以是与植被相关的数据信息。例如,植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种。
植被数据可以由无人机等监控设备获取,也可以通过第三方平台等方式获取。
植被的种类信息可以是植被所属的植物群落类型。例如,银杏树属于乔木。在一些实施例中,植被的种类信息可以是用户预先输入的。
气候信息可以是反应当前植被生长环境的气候状况的数据。例如,气候信息可以是当前的天气温度等信息。在一些实施例中,气候信息可以通过气象平台等第三方平台获取。
土壤信息可以是当前植被所处土壤的相关信息。例如,土壤信息可以是土壤的湿度、土壤的种类等。在一些实施例中,土壤信息可以通过无人机获取或用户输入等。
养护信息可以是养护植被的信息记录数据。例如,养护信息可以包括灌溉施肥信息、修剪整形信息、病虫害防治信息、防寒次数信息等。在一些实施例中,养护信息可以基于园林绿化部门的绿化工作记录数据中获取。
实际生长参数可以是植被实际生长的数据。例如,实际生长参数可以包括植株高度、冠幅等数据。在一些实施例中,实际生长参数可以由无人机拍摄获取。例如,植被的实际生长参数可以基于对无人机拍摄的植被图像进行图像分析获得,无人机拍摄植被图像时,可以从植株正上方拍摄并采用在同一飞行高度、同一拍摄精度进行图像拍摄。
步骤320,基于植被数据得到监控区域的植被异常信息,植被异常信息包括植被异常位置和植被异常量。
植被异常信息可以是未达到生长标准的植被的相关数据。例如,植被异常信息可以包括未达到生长标准的植被的位置信息及数量信息等,即植被异常信息可以包括植被异常位置和植被异常量。
植被异常位置可以是未达到生长标准的植被的种植位置。植被异常位置可以由多种表现形式,例如,可以以该植被所属街道作为植被异常位置,还可以以该植被的经纬度坐标作为植被异常位置。
植被异常量是与监控区域中未达到生长标准的植被的数量相关的信息。植被异常量可以由多种表达形式,例如,可以由监控区域的未达到生长标准的植被的数量来表示,也可以由监控区域中未达到生长标准的植被在该区域总的植被数量中的占比来表示。例如,监控区域内总共植被100株,未达到生长标准的植被的数量为20株,则植被异常量为20%。
在一些实施例中,管理平台可以通过多种方式实现基于植被数据得到区域的植被异常信息,例如,基于获取植被数据的装置对应的监控区域,可以确定植被异常位置。基于对监控区域对应的植被图像进行图像识别等,进而统计监控区域的植被异常量。
在另一些实施例中,植被异常信息可以结合历史数据的应用来获取,具体描述参见图4及其相关描述。
步骤330,根据监控区域的植被异常信息,结合监控区域的车流量、人口密度,得到监控区域的预测空气质量。
车流量可以是在一定时间内通过某条公路点上的车辆数。例如,一小时内通过一号公路某点的车辆数为50辆,则该公路的车流量为50辆/小时。
人口密度可以是单位土地面积上的人口数量。例如,在10平方公里的土地上有10000人,则该地区的人口密度为1000人/平方公里。
预测空气质量是预测的与空气状况相关的数据,例如,可以是预测的空气污染程度等。在一些实施例中,预测空气质量可以用空气质量分数表示,空气质量分数越大,空气质量越差。例如,预测空气分数为40分,则预测空气质量为四级。
在一些实施例中,可以根据监控区域的植被异常信息,结合监控区域的车流量、人口密度,得到监控区域的预测空气质量。例如,植被异常量越大、车流量越高、人口密度越大,预测空气质量会越差。
在一些实施例中,可以通过预设质量表查询在不同情况下的预测空气质量。质量表内可以基于历史经验记录不同植被异常量、车流量及人口密度对应的空气质量,例如,植被异常量为10%,车流量为200辆/小时,人口密度为1000人/平方公里时,查表可得预测空气质量为三级。
在另一些实施例中,可以基于机器学习模型预测空气质量,具体参见图5及其相关描述。
步骤340,基于监控区域的预测空气质量、植被异常信息,确定监控区域的绿化处理优先级。
绿化处理优先级可以是对植被异常进行绿化处理的先后顺序。例如,绿化处理优先级越高的区域,需要越早进行绿化处理。绿化处理可以是对监控区域内的植被进行灌溉施肥、治疗虫害等。
在一些实施例中,管理平台可以基于多种方式确定监控区域的绿化处理优先级。如在车流量和人口密度相同或差值在一定范围内监控区域中,空气质量差的绿化处理优先级更高。
在一些实施例中,绿化处理优先级可以基于空气质量分数和植被异常量的加权求和确定,权重值可以预先设定。在一些实施例中,管理平台可以参照预先设置的车流量、人口密度与优先级的关系对照表对区域的绿化处理优先级进行确定。在一些实施例中,绿化处理优先级也可以基于历史数据确定。例如,将与本次预测空气质量、植被异常信息相同或差值在预设范围内的某历史区域的历史绿化处理优先级作为监控区域的绿化处理优先级。
关于确定监控区域的绿化处理优先级的更多说明详见图6及其相关描述。
本说明书一些实施例中,通过获取植被图像信息等信息,获得植被基本信息、植被异常信息,再结合车流量、人口密度、植被异常信息获取预测空气质量,进而综合判定监控区域的植被绿化处理优先级,可以使优先级的确定更加的合理化,保障对相应监控区域的及时绿化处理,避免环境恶化带来的干扰,进一步美化城市环境。
图4是根据本说明书一些实施例所示的智慧城市绿化管理方法的确定植被异常量的示例性流程图。在一些实施例中,流程400可以由处理设备140或管理平台执行。如图4所示,流程400包括如下步骤:
步骤410,基于监控区域的植被数据构建植被特征向量。
植被特征向量是指可以反映监控区域的植被种类和植被生长环境信息的向量。例如,植被特征向量可以反映植被种类、植被生长环境的气候信息、土壤信息、养护信息等。
在一些实施例中,管理平台可以基于监控区域的植被数据构建植被特征向量,其中,植被数据包括植被种类信息、监控区域气候信息、监控区域土壤信息及植被养护信息。在一些实施例中,管理平台可以为不同植被数据分别进行赋值,基于植被数据对应的赋值构建特征向量。例如,管理平台可以为不同的植被种类赋值为1、2、3、4、……、n;为不同气候信息分别赋值为1、2、3、4、……、m;为不同土壤信息分别赋值为1、2、3、4、……、i;为不同养护信息分别赋值为1、2、3、4、……、j;则构建的植被特征向量可以表示为(n,m,i,j)。示例性的,植被特征向量(1,1,1,1)表示植被种类为1、监控区域气候类型为1、监控区域土壤类型为1、植被养护类型为1。
步骤420,基于植被特征向量在植被向量数据库中检索得到参考特征向量。
在一些实施例中,可以基于多种植被的植被数据构建特征向量,组成向量数据库。植被向量数据库是指多个特征向量组成的向量集合,其中,每个特征向量对应一株植被的植被数据,更多关于植被数据的内容可以参见图3及其描述。
在一些实施例中,植被向量数据库内的特征向量对应的植被数据为各方面生长参数都达到预设标准的植被的植被数据。每个特征向量与其对应的植被生长参数关联存储在数据库中。
参考特征向量是指植被向量数据库中检索出的满足预设条件的特征向量,其中预设条件可以是预设的相似度阈值。例如,参考特征向量可以包括在植被向量数据库中检索的与构建的植被特征向量满足相似度阈值的一个或多个特征向量。
在一些实施例中,管理平台可以基于植被特征向量在植被向量数据库中检索,将与植被特征向量的向量相似度大于等于相似度阈值的特征向量确定为参考特征向量。向量相似度可以包括余弦相似度等。相似度阈值可以提前预设,例如,设置相似度阈值为余弦相似度等于0.95。在一些实施例中,管理平台可以基于植被特征向量在植被向量数据库中检索出一个或多个参考特征向量。
步骤430,基于参考特征向量,确定参考生长参数。
参考生长参数是指参考特征向量对应的植被的实际生长参数。例如,参考生长参数可以是参考特征向量对应的桂花树的实际株高、冠幅等。
在一些实施例中,管理平台可以基于参考特征向量,确定参考生长参数,其中,参考生长参数与参考特征向量关联存储在向量数据库中。
在一些实施例中,当只检索出一个参考特征向量时,管理平台可以直接将该参考特征向量对应的生长参数确定为参考生长参数。在一些实施例中,当检索出多个参考特征向量时,管理平台可以对多个参考生长参数求平均值,得到平均参考生长参数,作为最终的参考生长参数。
步骤440,基于实际生长参数与参考生长参数确定异常植被。
异常植被是指生长参数异常的植被。例如,异常植被是指植被株高、冠幅等任意一个与参考生长参数不满足预设关系的植被。
在一些实施例中,管理平台可以基于实际生长参数与参考生长参数确定异常植被。例如,管理平台可以基于植被的实际生长参数与参考生长参数不满足预设关系,将该植被确定为异常植被。预设关系是指提前预设的实际生长参数与参考生长参数的关系。例如,预设关系可以包括实际株高不低于参考株高的90%、实际冠幅不低于参考冠幅的90%等。
在一些实施例中,管理平台可以基于植被实际生长参数与参考生长参数不满足预设关系中的任意一个,将该植被确定为异常植被。例如,当某株侧柏的株高或冠幅中的任意一个低于参考株高或参考冠幅时,将该株侧柏确定为异常植被。
步骤450,基于异常植被统计监控区域的植被异常量。
在一些实施例中,管理平台可以基于异常植被统计监控区域的植被异常量。在一些实施例中,管理平台可以基于异常植被及植被异常位置,将植被异常位置为该监控区域的异常植被的数量进行统计,确定该监控区域的植被异常量。例如,将位于该监控区域的异常植被株数相加,得到总的异常植被株数,作为该监控区域的植被异常量。在一些实施例中,管理平台可以基于异常植被种类信息、异常植被位置,确定该监控区域异常植被种类及对应植被异常量。
本说明书一些实施例通过向量检索的方式,确定植被参考生长参数,再将实际生长参数与参考生长参数对比,确定异常植被,考虑了生长环境和养护条件对植被生长的影响,使结果更贴合实际情况,统计的植被异常量也更加准确。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,流程400还可以包括基于植被异常量确定异常处理方式等。
图5是根据本说明书一些实施例所示的智慧城市绿化管理方法的基于预测模型预测区域空气质量的流程500的示意图。
在一些实施例中,预测空气质量可以基于预测模型获取,其中,预测模型为机器学习模型。
在一些实施例中,预测模型的输入可以是监控区域的植被数据、车流量和人口密度,输出可以是监控区域的预测空气质量。
在一些实施例中,预测模型可以通过多个有标签的训练样本训练得到。例如,可以将多个带有标签的训练样本输入初始预测模型,通过标签和初始预测模型的结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始预测模型的参数。当满足预设条件时模型训练完成,得到训练好的预测模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本至少可以包括大量监控区域和其他区域的历史植被数据、车流量和人口密度。标签可以为每个区域对应的实际的空气质量,可以由人工标注或基于网络数据获取。
在一些实施例中,预测模型结构可以为图神经网络(Graph Neural Network,GNN)与深度神经网络(Deep Neural Network,DNN)的组合模型,预测空气质量包括:基于区域的植被异常信息,结合区域的车流量和人口密度,构建区域图;基于GNN对区域图的处理,得到区域特征向量,其中,区域特征向量由区域图的节点输出;基于DNN对区域特征向量的处理,得到预测空气质量。
在一些实施例中,预测区域空气质量的流程500由管理平台执行。如图5所示,流程500包括如下步骤:
步骤510,基于区域的植被异常信息,结合区域的车流量、人口密度,构建区域图。其中,区域图的节点包括住宅节点、道路交叉口节点,区域图的边用于连接二者间具有道路的两个节点;所述住宅节点的属性包括人口密度、植被异常量,所述道路交叉口节点的属性包括车流量,所述边的属性包括道路旁的植被异常量。
区域图是指可以反映监控区域植被异常信息、车流量、人口密度及其分布的图结构。
在一些实施例中,管理平台可以基于区域的植被异常信息,结合区域的车流量、人口密度,构建区域图。例如,管理平台可以基于区域内每个住宅区的人口密度及植被异常信息、区域内每个道路交叉口的车流量、区域内每条道路旁的植被异常信息,构建区域图。
住宅节点是指单个住宅区的数据点。例如,如图5所示,住宅节点可以是“住宅区1”。
在一些实施例中,住宅节点的属性可以包括该住宅区的人口密度、该住宅区的植被异常量。例如,住宅节点的属性可以是“人口密度300人/平方公里、植被异常量占比40%”。
道路交叉口节点是指单个道路交叉口的数据点。例如,如图5所示,道路交叉口节点可以是“道路交叉口1”。
在一些实施例中,道路交叉口节点的属性可以包括车流量。例如,道路交叉口节点的属性可以是“500辆/小时”。
区域图的边用于连接二者间具有道路的两个节点。例如,如图5所示,区域图的边可以是用于连接道路交叉口节点与住宅节点的边,也可以是用于连接道路交叉口节点与另一个道路交叉口节点的边。在一些实施例中,区域图的边可以是表示连接节点的道路。例如,连接两个道路交叉口节点的道路。
在一些实施例中,区域图的边的边属性可以包括该边对应的道路的道路旁的植被异常量。示例性的,区域图中某边的边属性可以是“植被异常量占比30%”。
步骤520,基于预测模型获取预测空气质量。
在一些实施例中,预测模型可以包括嵌入层和预测层。在一些实施例中,嵌入层可以是图神经网络(Graph Neural Network,GNN),预测层可以是深度神经网络(Deep neuralnetwork,DNN)。
在一些实施例中,步骤520由以下步骤522和步骤524实现:
步骤522,基于GNN对区域图的处理,得到区域特征向量,区域特征向量由节点输出。
区域特征向量可以指反映区域图中影响空气质量的数据对应的向量。例如,区域特征向量可以是反映区域图中各个节点和边的植被异常信息、车流量和人口密度的向量。
在一些实施例中,可以基于GNN对区域图进行处理,得到区域特征向量,区域特征向量由区域图的节点输出。在一些实施例中,GNN的输入可以是区域图,输出可以是区域特征向量。
步骤524,基于DNN对区域特征向量的处理,得到预测空气质量。
在一些实施例中,DNN的输入可以是区域特征向量,如GNN输出的区域特征向量;DNN的输出可以是预测的区域图对应的区域空气质量。在一些实施例中,DNN输出的区域空气质量可以是空气质量等级。例如,一级、二级、三级等,每一等级表示不同的空气质量状况。
在一些实施例中,GNN和DNN的参数可以通过联合训练得到。可以向GNN输入训练样本数据,即多个区域的区域图,得到GNN输出的区域特征向量;然后将区域特征向量作为训练样本数据,输入DNN,得到DNN输出的预测空气质量,使用样本的实际空气质量对DNN的输出进行验证;利用神经网络模型的反向传播特性,得到GNN输出的区域特征向量的验证数据,使用该区域特征向量的验证数据作为标签对GNN进行训练。
仅作为示例的,可以基于大量带有标签的训练样本训练初始DNN和初始GNN。具体地,将各个区域的区域图输入初始GNN,初始GNN的输出作为初始DNN的输入,基于样本的实际空气质量和初始GNN的输出建立损失函数对初始DNN和初始GNN的参数进行更新,并基于损失函数同时迭代更新DNN和GNN的参数,直到预设条件被满足训练完成。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
通过上述训练方式获得GNN的参数,在一些情况下有利于解决单独训练GNN时难以获得标签的问题,还可以使GNN能较好地得到反映各个区域的区域图的嵌入向量。
通过对区域图进行处理得到区域特征向量后,再进行空气质量预测,可以优化数据处理的步骤,提高预测的准确率及效率。
通过模型预测获取区域空气质量,可以利用机器学习模型的自学习能力,在大量区域数据中找到规律,对区域未来时间的空气质量进行预测,提高预测的效率和准确率。
图6是根据本说明书一些实施例所示的智慧城市绿化管理方法的确定植被异常处理优先级的示例性流程图。
在一些实施例中,监控区域的预测空气质量越差,则绿化处理优先级越高。
绿化处理优先级是指异常植被处理的先后顺序,绿化处理优先级和空气质量负相关。其中,异常植被处理是指对异常植被重新移栽、加强养护等。通过对比空气质量状况,确定绿化处理优先级,考虑了空气质量对人们生活和身体健康的影响,更加符合实际需求。
在一些实施例中,预测空气质量可以基于空气质量分数表示,绿化处理优先级可以基于空气质量分数和植被异常量的加权求和确定。
空气质量分数是指可以衡量预测空气质量状况的分数。在一些实施例中,预测空气质量状况越好,空气质量分数越小。在一些实施例中,管理平台可以为每一等级的预测空气质量预设空气质量分数。例如,当空气质量等级为一级时,预设空气质量分数为10分;空气质量等级为二级时,预设空气质量分数为20分,其中,一级的空气质量优于二级的空气质量。
在一些实施例中,空气质量分数和植被异常量对应的权重可以基于实际情况预设。例如,可以基于空气质量和植被异常对人们生活的影响程度确定权重,影响程度大的权重相对大一点,其中,影响程度可以通过调查报告等方式确定。权重之和为1。
在一些实施例中,管理平台可以对空气质量分数和植被异常量进行加权求和,基于求和结果确定绿化处理优先级。例如,空气质量分数为n分,对应权重为q1;植被异常量为m,对应权重为q2;则加权求和值为n×q1+m×q2。
在一些实施例中,管理平台可以基于加权求和的值的大小确定绿化处理优先级,加权求和值大的,绿化处理优先级高。例如,区域A的加权求和值大于区域B的加权求和值,则区域A的绿化处理优先级高于区域A的绿化处理优先级。
在本说明书一些实施例中,基于区域植被异常量和空气质量分数的加权求和值确定绿化处理优先级,考虑了植被异常和空气质量对人们生活的影响,使确定的绿化处理优先级更合理。
在一些实施例中,管理平台可以先确定相同车流量和人口密度的区域,再基于区域的空气质量确定绿化处理优先级。
在一些实施例中,基于空气质量确定绿化处理优先级的流程600可以由管理平台行。如图6所示,流程600包括如下步骤:
步骤610,基于嵌入层对区域的车流量、人口密度做嵌入,得到嵌入向量;嵌入层通过与预测模型联合训练获取。
嵌入向量是指可以反映监控区域内人口密度和车流量信息的向量。例如,嵌入向量可以反映区域A内各个住宅区的人口密度和道路交叉口的车流量信息。
在一些实施例中,管理平台可以基于嵌入层对区域内的车流量、人口密度做嵌入,得到嵌入向量。
在一些实施例中,嵌入层可以通过与预测模型进行联合训练获取。例如,嵌入层可以通过与预测模型中的GNN进行联合训练获取。
仅作为示例的,管理平台可以将基于多个监控区域的植被数据、车流量和人口密度构建的区域图作为训练样本,输入预测模型的GNN中,得到各个区域图对应的特征向量,将特征向量作为训练嵌入层的标签,将多个监控区域的车流量和人口密度作为训练样本,对嵌入层进行训练。
步骤620,获取各个区域对应的嵌入向量之间的向量距离,将距离满足预设条件的嵌入向量作为一类。
向量距离是指各个嵌入向量之间的距离。例如,欧氏距离、曼哈顿距离等。
预设条件是指预先设定的向量距离与阈值的关系。例如,预设条件可以是向量距离不超过向量距离阈值。在一些实施例中,向量距离阈值可以基于计算需求确定。例如,可以确定预设条件为向量的欧氏距离小于等于0.2。
在一些实施例中,管理平台可以基于各个区域对应的嵌入向量之间的向量距离,将满足预设条件的嵌入向量作为一类。例如,嵌入向量a和嵌入向量b之间的向量距离小于等于0.2,则将嵌入向量a和嵌入向量b作为一类。
步骤630,对比同一类嵌入向量对应的预测空气质量,同一类嵌入向量中,预测空气质量越差,绿化处理优先级越高。
在一些实施例中,管理平台可以对比同一类嵌入向量对应的预测空气质量,同一类嵌入向量中,预测空气质量越差,绿化处理优先级越高。例如,同一类嵌入向量a和嵌入向量b中,嵌入向量a对应的监控区域的预测空气质量比嵌入向量b对应的监控区域的空气质量差,则嵌入向量a对应的区域的绿化处理优先级高于嵌入向量b对应的区域的绿化处理优先级。
在本说明书一些实施例中,基于区域人口密度和车流量特征做嵌入,将人口密度和车流量特征相同的筛选出来再确定绿化处理优先级,可以为车流量和人口密度相同但空气质量不同的区域确定不同的绿化处理优先级,优先保证剧名的身体健康,再美化环境。
在一些实施例中,当同一类别的特征向量对应的监控区域的空气质量相同或满足预设范围时,每个监控区域的植被异常量大的绿化处理优先级高。
预设范围是指预设的不同区域的预测空气质量的空气质量分数的差值范围。例如,预设范围可以是空气质量分数的差值不超过5分。
在一些实施例中,同一类嵌入向量对应的预测空气质量相同或满足预设范围,则嵌入向量对应的区域植被异常量大的绿化处理优先级高于植被异常量小的。例如,同一类嵌入向量a和嵌入向量b对应的空气质量相同、或空气质量分数的差值不超过5分,其中嵌入向量a对应区域A的植被异常量占比40%,嵌入向量b对应的区域B的植被异常量占比30%,则区域A的绿化处理优先级高于区域B的绿化处理优先级。
在本说明书一些实施例中,对空气质量相同的区域对比植被异常量,确定绿化处理优先级,考虑了空气质量和植被异常量在不同情况下的绿化处理紧急程度,使确定的优先级更合理。
在本说明书一些实施例中,基于空气质量确定绿化处理优先级,考虑了空气质量对人们生活和身体健康的影响,符合实际需求。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智慧城市绿化管理方法,其特征在于,所述方法由管理平台执行,包括:
通过传感网络平台,基于对象平台获取所述对象平台对应的监控区域的植被数据,所述植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种;
基于所述植被数据得到所述监控区域的植被异常信息,所述植被异常信息包括植被异常位置和植被异常量;
根据所述监控区域的所述植被异常信息,结合所述监控区域的车流量、人口密度,得到所述监控区域的预测空气质量;
基于所述监控区域的所述预测空气质量、所述植被异常信息,确定所述监控区域的绿化处理优先级。
2.根据权利要求1所述的方法,其特征在于,
所述传感网络平台包括若干对应不同监控区域的传感网络分平台;
所述管理平台包括若干对应不同监控区域的管理分平台;
所述监控区域的所述植被异常信息、所述预测空气质量由所述监控区域的对应的所述管理分平台确定。
3.根据权利要求1所述的方法,其特征在于,所述监控区域的所述植被异常量的确定方法包括:
基于所述监控区域的所述植被数据构建植被特征向量;
基于所述植被特征向量在植被向量数据库中检索得到参考特征向量;
基于所述参考特征向量,确定参考生长参数;
基于所述实际生长参数与所述参考生长参数确定异常植被;
基于所述异常植被统计所述监控区域的所述植被异常量。
4.根据权利要求1所述的方法,其特征在于,所述预测空气质量越差,所述绿化处理优先级越高。
5.一种用于智慧城市绿化管理的物联网系统,其特征在于,包括对象平台、传感网络平台、管理平台:所述管理平台被配置为执行以下操作:
通过传感网络平台,基于对象平台获取所述对象平台对应的监控区域的植被数据,所述植被数据包括种类信息、气候信息、土壤信息、养护信息、实际生长参数中至少一种;
基于所述植被数据得到所述监控区域的植被异常信息,所述植被异常信息包括植被异常位置和植被异常量;
根据所述监控区域的所述植被异常信息,结合所述监控区域的车流量、人口密度,得到所述监控区域的预测空气质量;
基于所述监控区域的所述预测空气质量、所述植被异常信息,确定所述监控区域的绿化处理优先级。
6.根据权利要求5所述的系统,其特征在于,
所述传感网络平台包括若干对应不同监控区域的传感网络分平台;
所述管理平台包括若干对应不同监控区域的管理分平台;
所述监控区域的所述植被异常信息、所述预测空气质量由所述监控区域的对应的所述管理分平台确定。
7.根据权利要求5所述的系统,其特征在于,所述管理平台进一步用于:
基于所述监控区域的所述植被数据构建植被特征向量;
基于所述植被特征向量在植被向量数据库中检索得到参考特征向量;
基于所述参考特征向量,确定参考生长参数;
基于所述实际生长参数与所述参考生长参数确定异常植被;
基于所述异常植被统计所述监控区域的所述植被异常量。
8.根据权利要求5所述的系统,其特征在于,所述预测空气质量越差,所述绿化处理优先级越高。
9.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1-4中任一所述的一种智慧城市绿化管理方法。
10.一种智慧城市绿化管理装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~4中任意一项所述的一种智慧城市绿化管理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044663.4A CN115423173A (zh) | 2022-08-30 | 2022-08-30 | 智慧城市绿化管理方法和系统及存储介质、装置 |
US17/932,299 US20230004903A1 (en) | 2022-08-30 | 2022-09-15 | Methods of greening management in smart cities, system, and storage mediums thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044663.4A CN115423173A (zh) | 2022-08-30 | 2022-08-30 | 智慧城市绿化管理方法和系统及存储介质、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423173A true CN115423173A (zh) | 2022-12-02 |
Family
ID=84200937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044663.4A Pending CN115423173A (zh) | 2022-08-30 | 2022-08-30 | 智慧城市绿化管理方法和系统及存储介质、装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230004903A1 (zh) |
CN (1) | CN115423173A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720840B (zh) * | 2023-08-09 | 2023-12-15 | 湖南惠农科技有限公司 | 一种数字化农业云平台 |
CN117871792B (zh) * | 2024-03-13 | 2024-05-14 | 河北省建筑科学研究院有限公司 | 用于对园区绿植碳汇的动态监测方法及系统 |
-
2022
- 2022-08-30 CN CN202211044663.4A patent/CN115423173A/zh active Pending
- 2022-09-15 US US17/932,299 patent/US20230004903A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230004903A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423173A (zh) | 智慧城市绿化管理方法和系统及存储介质、装置 | |
CN107045673B (zh) | 基于堆模型融合的公共自行车流量变化量预测方法 | |
USRE41271E1 (en) | Aircraft flight risk measuring system and method of operation | |
CN105160515A (zh) | 地震救援装备物资仓储信息系统及物资仓储配送控制方法 | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
Koreň et al. | Habitat suitability modelling from non-point data: the case study of brown bear habitat in Slovakia | |
CN114418040A (zh) | 一种园林绿化养护监测及预警的方法与系统 | |
CN111339965A (zh) | 养殖场选址方法、装置、设备及计算机可读存储介质 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN107146025A (zh) | 一种道路管理决策系统 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN112215416A (zh) | 智能规划巡检航线系统及方法 | |
Chirima et al. | Distributional niche of relatively rare sable antelope in a South African savanna: habitat versus biotic relationships | |
CN115662122A (zh) | 一种基于gps的道路巡查、病害识别和巡查考核的养护系统及方法 | |
Ghodousi et al. | Air Quality Management in Tehran Using a Multi-Dimensional Decision Support System. | |
CN114511432A (zh) | 一种基于区块链的数字乡村管理服务系统 | |
CN115311343A (zh) | 基于多级抽样的草原有害生物发生面积调查方法 | |
JP6906824B1 (ja) | 情報処理装置、樹木の成長率予測システム、樹木の成長率予測方法及びプログラム | |
CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
Kuznichenko et al. | Integrated information system for regional flood monitoring using internet of things | |
CN115507828A (zh) | 基于遥感图像的国土测绘方法及系统 | |
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 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 |
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 |