CN116863410B - 基于有害生物防治的数据采集处理方法及系统 - Google Patents

基于有害生物防治的数据采集处理方法及系统 Download PDF

Info

Publication number
CN116863410B
CN116863410B CN202311138614.1A CN202311138614A CN116863410B CN 116863410 B CN116863410 B CN 116863410B CN 202311138614 A CN202311138614 A CN 202311138614A CN 116863410 B CN116863410 B CN 116863410B
Authority
CN
China
Prior art keywords
data
pest
forest
environment
generate
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.)
Active
Application number
CN202311138614.1A
Other languages
English (en)
Other versions
CN116863410A (zh
Inventor
李剑
徐忠国
钟策宏
肖飞
刘发军
徐子儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongda Heshun Biotechnology Co ltd
Original Assignee
Shenzhen Zhongda Heshun Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhongda Heshun Biotechnology Co ltd filed Critical Shenzhen Zhongda Heshun Biotechnology Co ltd
Priority to CN202311138614.1A priority Critical patent/CN116863410B/zh
Publication of CN116863410A publication Critical patent/CN116863410A/zh
Application granted granted Critical
Publication of CN116863410B publication Critical patent/CN116863410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G13/00—Protecting plants
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Environmental Sciences (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Computer Interaction (AREA)
  • Toxicology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及森林防治技术领域，尤其涉及一种基于有害生物防治的数据采集处理方法及系统。所述方法包括以下步骤：利用电子监控设备对森林目标分析区域进行有害生物数据提取，生成有害生物数据；构建仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；对有害生物数据进行环境影响程度计算，生成环境影响程度数据；利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；根据防治时间节点数据实施防治策略信息，生成防治结果数据。本发明通过多方位采集有害生物数据并分析，使得建立针对性的有害生物防治措施。

Description

基于有害生物防治的数据采集处理方法及系统
技术领域
本发明涉及森林防治技术领域，尤其涉及一种基于有害生物防治的数据采集处理方法及系统。
背景技术
有害生物防治方法是为了有效地控制和管理影响农作物、生态系统和人类健康的害虫、病原体和杂草等有害生物，实施有害生物防治可以减少农业生产损失，维护生态平衡，保护生态多样性，减少对化学农药的依赖，从而实现可持续农业发展和环境保护，有助于提高农产品质量和产量，减少环境污染风险，促进生态健康与人类福祉的协调发展。然而，传统的有害生物防治的数据采集处理方法往往只关注某一方面的数据，对森林防治的效率较低，并且对于有害生物的防治往往采样通用的策略，无法针对特定情况做出个性化的防治措施。
发明内容
基于此，本发明提供一种基于有害生物防治的数据采集处理方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于有害生物防治的数据采集处理方法，包括以下步骤：
步骤S1：获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
步骤S2：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
步骤S3：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
步骤S4：利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
步骤S5：对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
步骤S6：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
本发明通过实时图像数据采集和有害生物数据提取，使得监测和识别有害生物的能力变得即时和精确，通过电子监控设备，监测森林目标分析区域的变化，生成实时森林图像数据，使得森林管理人员能够及时获得关于有害生物的信息，以便快速制定应对措施，减少有害生物对森林生态系统的影响，实时监测还有助于改善预警和应急响应能力，促进及时干预措施的实施，通过图像处理和分析技术，可以提取出有关有害生物的数据，如它们的位置、数量、种类等，这为后续的有害生物控制和预测提供了基础数据。通过森林地形数据采集和三维建模技术，可以构建具有真实地形的森林模型，利用有害生物数据进行仿真运行，可以模拟有害生物对森林地形的影响程度，有助于评估有害生物对不同地形的喜好程度，为制定应对策略提供指导，模拟有害生物在特定地形上的传播和影响有助于更好地理解有害生物的行为和影响。通过传感器对森林目标分析区域进行环境数据采集和处理，根据环境数据将有害生物数据进行分组划分，可以区分不同环境条件下的有害生物种类和数量，有助于了解有害生物在不同环境下的表现和行为规律，为制定差异化的防治策略提供依据，通过计算环境影响程度，可以确定不同环境对有害生物传播的影响程度。长短时记忆神经网络算法对有害生物数据进行预测，可以预测有害生物在未来时间段内的发展趋势和数量变化，有助于提前采取防治措施，并在后续步骤中提取出适宜的防治时间节点，结合地形影响程度数据，可以设计针对特定地区的防治策略，防治策略的制定基于综合分析的结果和预测数据，为采取合理、高效的措施提供支持，从而优化防治方案，并减少资源的浪费。根据地形影响程度数据、环境影响程度数据和防治策略信息，通过对仿真森林模型进行森林系统模拟防治，可以模拟和评估不同防治措施对有害生物的影响，能够帮助管理人员预测防治措施的效果，并作出相应的调整和优化，也为制定长期管理和防治计划提供依据。因此，本发明的有害生物防治的数据采集处理方法并不只是关注某一方面的数据，通过对森林地形及环境分析森林防治措施，使得森林防治的效率高，并且对于有害生物的防治采样针对性的策略，能够根据特定情况做出个性化的防治措施。
优选地，步骤S1包括以下步骤：
步骤S11：获取森林目标分析区域；
步骤S12：利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；
步骤S13：对实时森林图像数据进行有害生物外观样式提取，生成有害生物外观样式数据；
步骤S14：对有害生物图像进行识别标签建立，生成有害生物识别标签；
步骤S15：利用有害生物识别标签对实时森林图像数据进行有害生物数据提取，生成有害生物数据。
本发明需要确定需要进行分析和防治的具体森林区域，明确了防治活动的范围，有助于集中资源和精力进行针对性的有害生物防治。利用电子监控设备对森林目标分析区域进行实时图像数据采集，可以获得有关森林状态的视觉信息，这些实时森林图像数据可以为后续分析提供实时的、客观的数据基础，使得有关森林生态系统的观察和分析不再依赖于人工采样或间歇性的观察，有助于更准确地捕捉有害生物的分布和活动。对实时森林图像数据进行分析，从中提取有害生物的外观样式信息，如颜色、形状、大小等，对于对不同种类的有害生物进行区分和分类非常有用。这些外观样式数据的提取为后续的识别和分析奠定了基础。对有害生物进行图像识别是一项复杂的任务，可以使用计算机视觉技术，如卷积神经网络（CNN），对有害生物的图像进行训练，建立有害生物的识别标签，有助于实现自动化的有害生物识别，减轻人工操作的负担，提高识别的准确性和效率。利用已建立的有害生物识别标签，对实时森林图像数据进行有害生物数据提取，可以自动检测和标识出图像中存在的有害生物，包括它们的种类、数量和分布。这样的数据提取为后续的有害生物分析和防治策略的制定提供了必要的基础。
优选地，步骤S2包括以下步骤：
步骤S21：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；
步骤S22：利用三维建模技术对森林地形数据进行森林地形三维模型构建，生成森林地形模型；
步骤S23：将有害生物数据传输至森林地形模型进行森林系统仿真运行，生成仿真森林模型；
步骤S24：对仿真森林模型进行地形分布划分处理，生成划分仿真森林模型；
步骤S25：对划分仿真森林模型进行有害生物分布数据统计，生成地形分布有害生物数据；
步骤S26：利用地形影响有害生物算法对地形分布有害生物数据进行有害生物的地形影响程度计算，生成地形影响程度数据。
本发明通过GIS技术，对森林目标分析区域进行森林地形数据的采集，包括高程、坡度、坡向、树林分布、水流分布等地形信息，后续的仿真建模提供了关键的基础，提供了地形特征数据，使得仿真模型更贴近实际环境。利用三维建模技术，基于采集到的森林地形数据，构建森林地形的三维模型，能够更真实地呈现森林的地貌和地势特征，为后续的仿真运行提供了可视化的平台，提供了直观的地形模型，有助于更好地理解森林环境。将实时采集的有害生物数据传输至森林地形模型中，进行森林系统的仿真运行，有害生物在特定的地形环境中进行模拟传播和活动，仿真运行可以产生有关有害生物在不同地形上的行为和相互作用的数据，通过仿真更好地理解有害生物的传播规律和地形影响。对仿真森林模型进行地形分布的划分处理，将仿真区域划分为不同的地形类型，如平原、山地、河谷等，有助于更精确地模拟不同地形环境下有害生物的传播和影响。基于划分后的仿真森林模型，对有害生物的分布数据进行统计，有害生物在不同地形环境中的数量、分布和密度等信息，统计数据提供了对有害生物分布特征的详细认识。利用地形影响有害生物的算法，对地形分布有害生物数据进行分析和计算，得出有害生物在不同地形环境中的影响程度，涉及到不同地形对有害生物生存、繁殖和传播的不同影响因素，有助于确定有害生物在不同地形上的优势区域和薄弱区域。
优选地，步骤S26中的地形影响有害生物算法包括以下步骤：
；
式中，表示为地形影响程度数据，/>表示为地形区域的面积大小，/>表示为地形参数的数据量，/>表示为第/>个地形参数的大小，/>表示为第/>个地形参数的标准差，/>表示为地形区域的高度大小，/>表示为有害生物的数据量，/>表示为有害生物的增殖速度，/>表示为计算涉及的时间大小，/>表示为树林的茂密程度，/>表示为地形影响程度数据的异常调整值。
本发明利用一种地形影响有害生物算法，该算法综合考虑了地形区域的面积大小、地形参数的数据量/>、第/>个地形参数的大小/>、第/>个地形参数的标准差/>、地形区域的高度大小/>、有害生物的数据量/>、有害生物的增殖速度/>、计算涉及的时间大小/>、树林的茂密程度/>以及函数之间的相互作用关系，以形成函数关系式：
即，，该算法通过综合考虑地形各参数与有害生物数据变化关系，以计算地形对有害生物的影响程度，便于后续进行防治措施有针对性方案。地形区域的面积大小，在分析中通常会选择一个特定的地理范围来进行研究，这个参数定义了我们所考虑的区域；第/>个地形参数的大小用于描述地形特征；第/>个地形参数的标准差表示地形参数的变化范围；地形区域的高度大小用于考虑地形高度对有害生物分布的影响；有害生物的数据量，表示有害生物的数量或密度；有害生物的增殖速度，表示有害生物的繁殖能力；计算涉及的时间大小，表示考虑时间因素对有害生物分布的影响；树林的茂密程度，用于考虑植被密度对有害生物分布的影响。/>和/>允许考虑多个地形特征，并根据它们的大小和变化范围来调节地形参数对有害生物分布的影响程度，有助于更全面地描述地形并准确评估其影响；通过变量/>考虑了地形高度对有害生物分布的影响，更高或更低的地形高度可能会对有害生物的分布产生不同的影响；参数/>以及/>使得公式能够量化有害生物的存在和增长对地形影响程度的影响。利用地形影响程度数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成地形影响程度数据/>，提高了对地形分布有害生物数据进行有害生物的地形影响程度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的地形分布有害生物数据中，提高了算法的灵活性与适用性。
优选地，步骤S3包括以下步骤：
步骤S31：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；
步骤S32：将森林环境数据进行环境数据类别划分，生成环境类别数据；
步骤S33：根据环境类别数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；
步骤S34：对环境类别有害生物数据进行有害生物数据增殖数量统计，生成环境类别增殖速率数据；
步骤S35：根据环境类别增殖速率数据对环境类别进行环境类别影响因素权重分配，生成环境类别影响权重；
步骤S36：利用环境影响有害生物算法对环境类别影响权重进行有害生物的环境影响程度计算，生成环境影响程度数据。
本发明通过使用传感器等技术，对森林目标分析区域进行环境数据的采集，如温度、湿度、土壤水分等，提供了关于森林环境的详细信息，有助于理解有害生物在不同环境条件下的行为和分布。将采集到的森林环境数据进行分类，划分为不同的环境类别，这些类别可以基于温度、湿度、土壤类型等环境因素进行划分，有助于将环境数据的复杂性简化，并为后续的分析提供更具有可解释性的数据。基于不同环境类别，对已有的有害生物数据进行划分，将有害生物数据根据其在不同环境下的分布情况进行归类，这种划分能够揭示不同环境对有害生物分布的影响，有助于针对不同环境制定更精细的防治策略。对环境类别有害生物数据进行统计，了解不同环境类别中有害生物的数量和分布情况，有助于确定在不同环境下有害生物的生物学特性，从而为后续的影响程度计算提供依据。根据环境类别增殖速率数据，对不同环境类别的影响因素进行权重分配，不同环境条件可能对有害生物的生存、繁殖和传播产生不同的影响，通过权重分配，可以清晰地表示不同环境因素的相对影响程度。基于环境类别影响权重，使用环境影响有害生物算法对有害生物的环境影响程度进行计算，考虑有害生物在不同环境条件下的增殖速率、适应性等因素，进而计算不同环境对有害生物的影响程度，有助于量化不同环境条件下有害生物的潜在威胁。
优选地，步骤S36中的环境影响有害生物算法如下所示：
；
式中，表示为环境影响程度数据，/>表示为环境类别数量，/>表示为当前环境的温度，/>表示为历史环境的平均温度，/>表示为当前环境的湿度，/>表示为历史环境的平均湿度，表示为当前环境的降雨量，/>表示为历史环境的降雨量，/>表示为当前环境的土壤酸碱程度，/>表示为历史环境的土壤酸碱程度，/>表示为当前环境的土壤含水量，/>表示为历史环境的土壤含水量，/>表示为第/>个环境类别影响权重，/>表示为第/>个环境类别下有害生物的适应性调整值，/>表示为环境影响程度数据的异常调整值。
本发明利用一种环境影响有害生物算法，该算法综合考虑了环境类别数量、当前环境的温度/>、历史环境的平均温度/>、当前环境的湿度/>、历史环境的平均湿度/>、当前环境的降雨量/>、历史环境的降雨量/>、当前环境的土壤酸碱程度/>、历史环境的土壤酸碱程度/>、当前环境的土壤含水量/>、历史环境的土壤含水量/>、第/>个环境类别影响权重/>、第/>个环境类别下有害生物的适应性调整值/>以及函数之间的相互作用关系，以形成函数关系式：
即，，通过该函数关系式计算环境之间对有害生物之间的影响关系，便于后续设计针对性的防治措施。温度是一种重要的环境因素，可以对有害生物的分布、繁殖和活动产生影响，通过计算历史环境的平均温度，可以与当前环境的温度进行比较，从而评估当前环境温度的变化情况；湿度是指空气中水蒸气含量的多少，对有害生物的生存和扩散具有重要影响，通过计算历史环境的平均湿度，可以与当前环境的湿度进行比较，从而评估当前环境湿度的变化情况；降雨量是指单位时间内降水的量，对土壤湿度、水源和有害生物的生命周期等都有重要影响，通过计算历史环境的平均降雨量，可以与当前环境的降雨量进行比较，从而评估当前环境降雨量的变化情况；土壤酸碱程度对植物生长和有害生物的生命周期等都有影响，通过计算历史环境的平均土壤酸碱程度，可以与当前环境的土壤酸碱程度进行比较，从而评估当前环境土壤酸碱程度的变化情况；土壤含水量是指土壤中的水分含量，对植物生长和有害生物的生命周期等都有影响，通过计算历史环境的平均土壤含水量，可以与当前环境的土壤含水量进行比较，从而评估当前环境土壤含水量的变化情况；第/>个环境类别影响权重为根据不同环境类别下有害生物的增殖速度得到，可以衡量不同环境下对有害生物的初步影响；第/>个环境类别下有害生物的适应性调整值，有害生物在不同的环境类别下可能具有不同的适应性，该参数表示了有害生物在特定环境类别下的适应性调整值。通过将温度、湿度、降雨量、土壤酸碱程度和土壤含水量等多个环境因素纳入计算公式，可以综合考虑它们对有害生物的影响，有助于更全面地评估环境对有害生物的综合影响程度，而不仅仅是单一因素的影响；通过环境类别权重和有害生物适应性调整，公式能够对不同环境因素的重要性和有害生物的适应性进行量化，有助于更准确地评估不同环境类别下的有害生物影响程度，以及它们对综合环境影响的贡献。利用环境影响程度数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成环境影响程度数据/>，提高了对环境类别影响权重进行有害生物的环境影响程度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的环境类别影响权重中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：根据预设的时间窗口对有害生物数据进行时间窗口内的有害生物数据采集，生成窗口有害生物数据；
步骤S42：利用长短时记忆神经网络算法建立有害生物数据预测的映射关系，生成初始有害生物数据预测模型；
步骤S43：将窗口有害生物数据进行时间序列上的数据划分，分别生成窗口有害生物训练集以及窗口有害生物测试集；
步骤S44：利用窗口有害生物训练集对调节有害生物数据预测模型进行模型训练，生成有害生物数据预测模型；
步骤S45：根据地形影响程度数据与环境影响程度数据对有害生物数据预测模型进行模型的权重阈值优化，生成优化有害生物数据预测模型；
步骤S46：将窗口有害生物测试集传输至优化有害生物数据预测模型中进行有害生物数据预测，生成有害生物预测数据。
本发明根据预设的时间窗口，对有害生物数据进行采集，这些数据位于预设的时间范围内，如不同季节的时间窗口与短时间的差异的时间窗口，通过限定时间窗口，可以有效控制分析的数据范围，减少数据处理的复杂性，提高预测模型的准确性。使用长短时记忆神经网络（LSTM）等算法，建立有害生物数据预测的映射关系，LSTM是一种适用于序列数据的深度学习算法，能够捕捉数据中的时间依赖性，这个预测模型可以通过历史数据来学习有害生物数据的变化模式，进而进行预测。将窗口有害生物数据按时间序列进行划分，分别生成训练集和测试集，训练集用于训练预测模型，而测试集用于评估模型的性能。这种划分方式可以更好地模拟实际预测场景，提高模型的泛化能力。利用窗口有害生物训练集，对初始的有害生物数据预测模型进行训练，通过迭代优化，模型可以逐渐学习数据的模式和规律，以更准确地进行预测，模型训练是提高预测性能的关键步骤。根据地形影响程度数据和环境影响程度数据，对有害生物数据预测模型进行权重阈值的优化，不同地形和环境条件可能对预测模型的可靠性产生影响，通过权重阈值的优化，可以更好地适应不同环境下的预测需求。将窗口有害生物测试集传输至优化的预测模型中进行有害生物数据预测，能够揭示有害生物在未来时间段内的可能分布和活动情况，为防治措施的制定提供了提前预警和决策支持。
优选地，步骤S5包括以下步骤：
利用预设的防治节点阈值对有害生物预测数据进行防治节点阈值比对，当有害生物预测数据大于防治节点阈值时，将有害生物预测数据对应的时间节点进行采集，生成防治时间节点数据。
本发明使用预设的防治节点阈值，对有害生物预测数据进行比对，如果有害生物预测数据超过了防治节点阈值，就意味着在该时间节点有害生物可能会出现显著的扩散或威胁，在这种情况下，将有害生物预测数据对应的时间节点进行采集，从而生成防治时间节点数据，可以捕捉到有害生物可能在短时间内出现爆发的趋势，从而在最佳时机采取控制措施，有效减缓或避免有害生物的蔓延，在防治时间节点准确的情况下，可以最大限度地减少防治措施对环境的负面影响，实现环境友好的防治，有效遏制有害生物的扩散，从而提高防治的成功率。
优选地，步骤S6包括以下步骤：
步骤S61：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；
步骤S62：利用数字仿真技术，根据有害生物预测数据以及防治时间节点数据对仿真森林模型进行森林系统仿真预测运行，生成仿真预测森林模型，并利用防治策略信息对仿真预测森林模型进行森林系统模拟防治，生成防治结果数据。
本发明根据地形影响程度数据和环境影响程度数据，制定针对不同地形和环境的防治策略，不同地形和环境条件可能影响有害生物的传播和繁殖方式，因此需要制定适应性强、具有针对性的防治策略，这些策略可能包括化学防治、生物防治、物理防治等不同手段的组合，这种策略的定制化可以更好地适应不同地区和环境条件下的有害生物问题，提高防治效果。利用数字仿真技术，基于有害生物预测数据和防治时间节点数据，对仿真森林模型进行森林系统仿真预测运行，在仿真环境中模拟有害生物的传播和行为，以及防治措施的实施，根据防治策略信息，对仿真预测森林模型进行模拟防治，即在模拟中应用制定的防治策略进行预测，通过仿真预测运行，可以验证之前的有害生物预测数据的准确性，如果实际仿真结果与预测数据有差异，可以及时修正预测模型，使其更贴近实际情况，提高预测的准确性，可以根据仿真结果选择最合适的防治策略，降低风险，提高决策的智能性。
本说明书中提供一种基于有害生物防治的数据采集处理系统，用于执行如上述所述的基于有害生物防治的数据采集处理方法，该基于有害生物防治的数据采集处理系统包括：
有害生物数据采集模块，用于获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
地形影响程度计算模块，利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
环境影响程度计算模块，利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
有害生物预测模块，利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
防治时间节点分析模块，用于对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
有害生物防治模拟模块，用于根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
附图说明
图1为本发明一种评价气溶胶采样器的气体到液体采样效率的方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S4的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种基于有害生物防治的数据采集处理方法，包括以下步骤：
步骤S1：获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
步骤S2：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
步骤S3：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
步骤S4：利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
步骤S5：对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
步骤S6：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
本发明通过实时图像数据采集和有害生物数据提取，使得监测和识别有害生物的能力变得即时和精确，通过电子监控设备，监测森林目标分析区域的变化，生成实时森林图像数据，使得森林管理人员能够及时获得关于有害生物的信息，以便快速制定应对措施，减少有害生物对森林生态系统的影响，实时监测还有助于改善预警和应急响应能力，促进及时干预措施的实施，通过图像处理和分析技术，可以提取出有关有害生物的数据，如它们的位置、数量、种类等，这为后续的有害生物控制和预测提供了基础数据。通过森林地形数据采集和三维建模技术，可以构建具有真实地形的森林模型，利用有害生物数据进行仿真运行，可以模拟有害生物对森林地形的影响程度，有助于评估有害生物对不同地形的喜好程度，为制定应对策略提供指导，模拟有害生物在特定地形上的传播和影响有助于更好地理解有害生物的行为和影响。通过传感器对森林目标分析区域进行环境数据采集和处理，根据环境数据将有害生物数据进行分组划分，可以区分不同环境条件下的有害生物种类和数量，有助于了解有害生物在不同环境下的表现和行为规律，为制定差异化的防治策略提供依据，通过计算环境影响程度，可以确定不同环境对有害生物传播的影响程度。长短时记忆神经网络算法对有害生物数据进行预测，可以预测有害生物在未来时间段内的发展趋势和数量变化，有助于提前采取防治措施，并在后续步骤中提取出适宜的防治时间节点，结合地形影响程度数据，可以设计针对特定地区的防治策略，防治策略的制定基于综合分析的结果和预测数据，为采取合理、高效的措施提供支持，从而优化防治方案，并减少资源的浪费。根据地形影响程度数据、环境影响程度数据和防治策略信息，通过对仿真森林模型进行森林系统模拟防治，可以模拟和评估不同防治措施对有害生物的影响，能够帮助管理人员预测防治措施的效果，并作出相应的调整和优化，也为制定长期管理和防治计划提供依据。因此，本发明的有害生物防治的数据采集处理方法并不只是关注某一方面的数据，通过对森林地形及环境分析森林防治措施，使得森林防治的效率高，并且对于有害生物的防治采样针对性的策略，能够根据特定情况做出个性化的防治措施。
本发明实施例中，参考图1所述，为本发明一种基于有害生物防治的数据采集处理方法的步骤流程示意图，在本实施例中，所述基于有害生物防治的数据采集处理方法包括以下步骤：
步骤S1：获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
本发明实施例中，根据预定的森林目标分析区域，确定监控设备的布置位置，以确保覆盖关键区域，这些监控设备装备有高分辨率摄像头，能够在实时模式下捕捉森林的图像数据。设备开始工作后，它们将持续不断地捕捉森林的景象，采集到的实时森林图像数据会传送到中央处理单元，通过预先构建的图神经网络算法会对实施森林图像数据的有害生物图像进行标签涉及，以检测和识别出图像中的有害生物。通过比对图像数据库，识别出有害生物的类型、数量、分布范围等信息。
步骤S2：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
本发明实施例中，对森林目标分析区域进行地形数据采集。这包括测量地形的高程、坡度、土壤类型等关键信息，收集到的数据被整合到地理信息系统中，生成详细的森林地形数据。基于收集到的地形数据，采用先进的三维建模技术对森林地形进行建模，创造出了一个精确的三维森林地形模型，有害生物数据被结合到仿真系统中，进行森林系统的仿真运行，在仿真模型中，模拟有害生物的传播、繁殖和行为，同时考虑地形的影响。在仿真过程中，通过计算有害生物与地形的相互作用程度，这个数据被用于量化有害生物在不同地形上的生存能力，为后续防治策略提供关键信息。
步骤S3：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
本发明实施例中，部署各种传感器，对森林目标分析区域的环境数据进行持续采集，森林环境数据涵盖了温度、湿度、土壤水分等关键环境参数，采集到的数据通过网络传输到中央数据库进行处理。根据传感器数据，将有害生物数据进一步细分成不同的环境类别，环境参数的变化可能会影响有害生物的生活习性和繁殖能力，通过分析这些环境类别内有害生物的数据，计算它们对环境的影响程度。这些环境影响程度数据，将有助于更好地理解不同环境条件下有害生物的分布和传播规律，为制定针对性的防治策略提供数据支持。
步骤S4：利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
本发明实施例中，将历史有害生物数据和之前步骤中提取的有害生物特征数据整合成一个时间序列数据集，该时间序列可能涵盖季节的不同或近期短时间内的差异，这个数据集包括有害生物的数量、分布、环境因素等信息，建立一个长短时记忆（LSTM）神经网络模型，LSTM模型在处理时间序列数据时能够捕捉到其内部的时序关系和长期依赖，模型的训练过程中，使用历史数据作为输入，通过多次迭代调整模型参数，以逐步优化模型的预测能力。通过训练好的LSTM模型，可以进行有害生物数据的预测，将最近一段时间的历史数据输入到模型中，模型会预测出未来一段时间内有害生物的数量和分布情况。这些预测结果将构成有害生物预测数据。
步骤S5：对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
本发明实施例中，有害生物预测数据的阈值设置是关键，通过分析历史数据和模型预测结果设定一个合适的阈值，当预测数据超过这个阈值时，可能意味着有害生物爆发的风险较大。因此，根据预测数据超过阈值的情况，提取出对应的时间节点，这些节点将成为防治的时间窗口。
步骤S6：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
本发明实施例中，基于地形影响程度数据、环境影响程度数据、有害生物预测数据和防治时间节点数据，开始设计防治策略。利用地形和环境数据分析不同区域的有害生物分布情况，以及它们在不同条件下的繁殖能力，根据有害生物预测数据和防治时间节点，制定不同区域、不同时间的防治方案，包括农药喷洒、生物控制等。随后，将设计好的防治策略应用于之前构建的仿真森林模型中，在仿真森林模型中模拟实际的防治过程，根据有害生物预测数据模拟有害生物在不同区域的增长和扩散过程，根据防治方案进行相应的防治措施，以观测防治结果。仿真模拟还可以考虑环境条件的变化，如天气、温度等对防治效果的影响。
优选地，步骤S1包括以下步骤：
步骤S11：获取森林目标分析区域；
步骤S12：利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；
步骤S13：对实时森林图像数据进行有害生物外观样式提取，生成有害生物外观样式数据；
步骤S14：对有害生物图像进行识别标签建立，生成有害生物识别标签；
步骤S15：利用有害生物识别标签对实时森林图像数据进行有害生物数据提取，生成有害生物数据。
本发明需要确定需要进行分析和防治的具体森林区域，明确了防治活动的范围，有助于集中资源和精力进行针对性的有害生物防治。利用电子监控设备对森林目标分析区域进行实时图像数据采集，可以获得有关森林状态的视觉信息，这些实时森林图像数据可以为后续分析提供实时的、客观的数据基础，使得有关森林生态系统的观察和分析不再依赖于人工采样或间歇性的观察，有助于更准确地捕捉有害生物的分布和活动。对实时森林图像数据进行分析，从中提取有害生物的外观样式信息，如颜色、形状、大小等，对于对不同种类的有害生物进行区分和分类非常有用。这些外观样式数据的提取为后续的识别和分析奠定了基础。对有害生物进行图像识别是一项复杂的任务，可以使用计算机视觉技术，如卷积神经网络（CNN），对有害生物的图像进行训练，建立有害生物的识别标签，有助于实现自动化的有害生物识别，减轻人工操作的负担，提高识别的准确性和效率。利用已建立的有害生物识别标签，对实时森林图像数据进行有害生物数据提取，可以自动检测和标识出图像中存在的有害生物，包括它们的种类、数量和分布。这样的数据提取为后续的有害生物分析和防治策略的制定提供了必要的基础。
本发明实施例中，获取森林目标分析区域，这涉及到使用地理信息系统（GIS）等工具，根据研究目的和森林特征，确定要分析的目标区域，可以是特定的森林区域或者是受到有害生物威胁的区域。利用高性能的电子监控设备，如红外相机、摄像头等，对选定的森林目标分析区域进行实时图像数据采集，这些设备能够在不同时间段捕捉高分辨率的图像，捕捉到的图像涵盖了森林的各个角落和不同视角。对于每一帧采集到的实时森林图像数据，使用计算机视觉技术，例如预先构建的卷积神经网络（CNN）等，对其中的有害生物进行外观样式提取，通过分析图像中有害生物的特征，如颜色、形状、大小等，生成有害生物的外观样式数据。基于有害生物的外观样式数据，建立识别标签。这可以是一种有害生物的类别标识，例如“蚂蚁”、“蜘蛛”等，通过识别不同类别的有害生物，并为每个类别分配一个唯一的标签。将识别标签应用于实时森林图像数据。利用先前训练的模型，对每一帧图像进行有害生物数据提取，这将生成有害生物的位置、数量和识别标签的数据，实现了从图像数据中有关有害生物数据。
优选地，步骤S2包括以下步骤：
步骤S21：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；
步骤S22：利用三维建模技术对森林地形数据进行森林地形三维模型构建，生成森林地形模型；
步骤S23：将有害生物数据传输至森林地形模型进行森林系统仿真运行，生成仿真森林模型；
步骤S24：对仿真森林模型进行地形分布划分处理，生成划分仿真森林模型；
步骤S25：对划分仿真森林模型进行有害生物分布数据统计，生成地形分布有害生物数据；
步骤S26：利用地形影响有害生物算法对地形分布有害生物数据进行有害生物的地形影响程度计算，生成地形影响程度数据。
本发明通过GIS技术，对森林目标分析区域进行森林地形数据的采集，包括高程、坡度、坡向、树林分布、水流分布等地形信息，后续的仿真建模提供了关键的基础，提供了地形特征数据，使得仿真模型更贴近实际环境。利用三维建模技术，基于采集到的森林地形数据，构建森林地形的三维模型，能够更真实地呈现森林的地貌和地势特征，为后续的仿真运行提供了可视化的平台，提供了直观的地形模型，有助于更好地理解森林环境。将实时采集的有害生物数据传输至森林地形模型中，进行森林系统的仿真运行，有害生物在特定的地形环境中进行模拟传播和活动，仿真运行可以产生有关有害生物在不同地形上的行为和相互作用的数据，通过仿真更好地理解有害生物的传播规律和地形影响。对仿真森林模型进行地形分布的划分处理，将仿真区域划分为不同的地形类型，如平原、山地、河谷等，有助于更精确地模拟不同地形环境下有害生物的传播和影响。基于划分后的仿真森林模型，对有害生物的分布数据进行统计，有害生物在不同地形环境中的数量、分布和密度等信息，统计数据提供了对有害生物分布特征的详细认识。利用地形影响有害生物的算法，对地形分布有害生物数据进行分析和计算，得出有害生物在不同地形环境中的影响程度，涉及到不同地形对有害生物生存、繁殖和传播的不同影响因素，有助于确定有害生物在不同地形上的优势区域和薄弱区域。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；
本发明实施例中，通过使用地理信息系统（GIS）技术，首先收集来自森林目标分析区域的地形数据。这可能包括高程、坡度、土壤类型等地理信息，以及森林区域的空间布局，能够准确地反映出森林地形的特点和变化。
步骤S22：利用三维建模技术对森林地形数据进行森林地形三维模型构建，生成森林地形模型；
本发明实施例中，利用三维建模技术，将收集到的森林地形数据转化为具有空间维度的三维模型，结合地形数据中的高程、坡度、树林茂密程度等信息，以及森林中植被的分布情况，构建出高度精细的三维地形模型，该模型将准确地反映出森林的地形特征，为后续的仿真运行提供基础。
步骤S23：将有害生物数据传输至森林地形模型进行森林系统仿真运行，生成仿真森林模型；
本发明实施例中，将有害生物数据传输至森林地形模型进行森林系统仿真运行，在仿真森林模型中，根据有害生物数据的位置和数量，将这些有害生物在三维地形中进行精确的定位和分布，接着进行森林系统的仿真运行，模拟有害生物在不同地形条件下的传播、繁殖等行为。
步骤S24：对仿真森林模型进行地形分布划分处理，生成划分仿真森林模型；
本发明实施例中，在仿真森林模型中，根据不同地形特征，将森林区域划分成多个不同的地形区块，每个区块可能具有特定地形的高度、坡度、土壤类型等特征，并且树林的茂密程度也不相同，这种划分有助于更准确地模拟有害生物在不同地形中的传播和分布情况。
步骤S25：对划分仿真森林模型进行有害生物分布数据统计，生成地形分布有害生物数据；
本发明实施例中，在每个划分的地形区块中，统计有害生物的分布情况，包括有害生物的数量、种类等信息，可以获得有害生物在不同地形区块中的分布图，有助于进一步分析地形对有害生物分布的影响。
步骤S26：利用地形影响有害生物算法对地形分布有害生物数据进行有害生物的地形影响程度计算，生成地形影响程度数据。
本发明实施例中，利用地形影响有害生物的算法，将地形分布的有害生物数据与地形特征进行关联分析，地形影响有害生物算法能够计算出不同地形区块对有害生物传播和繁殖的影响程度，将生成有关地形影响程度的数据，为后续防治策略的制定提供依据。
优选地，步骤S26中的地形影响有害生物算法包括以下步骤：
；
式中，表示为地形影响程度数据，/>表示为地形区域的面积大小，/>表示为地形参数的数据量，/>表示为第/>个地形参数的大小，/>表示为第/>个地形参数的标准差，/>表示为地形区域的高度大小，/>表示为有害生物的数据量，/>表示为有害生物的增殖速度，/>表示为计算涉及的时间大小，/>表示为树林的茂密程度，/>表示为地形影响程度数据的异常调整值。
本发明利用一种地形影响有害生物算法，该算法综合考虑了地形区域的面积大小、地形参数的数据量/>、第/>个地形参数的大小/>、第/>个地形参数的标准差/>、地形区域的高度大小/>、有害生物的数据量/>、有害生物的增殖速度/>、计算涉及的时间大小/>、树林的茂密程度/>以及函数之间的相互作用关系，以形成函数关系式：
即，，该算法通过综合考虑地形各参数与有害生物数据变化关系，以计算地形对有害生物的影响程度，便于后续进行防治措施有针对性方案。地形区域的面积大小，在分析中通常会选择一个特定的地理范围来进行研究，这个参数定义了我们所考虑的区域；第/>个地形参数的大小用于描述地形特征；第/>个地形参数的标准差表示地形参数的变化范围；地形区域的高度大小用于考虑地形高度对有害生物分布的影响；有害生物的数据量，表示有害生物的数量或密度；有害生物的增殖速度，表示有害生物的繁殖能力；计算涉及的时间大小，表示考虑时间因素对有害生物分布的影响；树林的茂密程度，用于考虑植被密度对有害生物分布的影响。/>和/>允许考虑多个地形特征，并根据它们的大小和变化范围来调节地形参数对有害生物分布的影响程度，有助于更全面地描述地形并准确评估其影响；通过变量/>考虑了地形高度对有害生物分布的影响，更高或更低的地形高度可能会对有害生物的分布产生不同的影响；参数/>以及/>使得公式能够量化有害生物的存在和增长对地形影响程度的影响。利用地形影响程度数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成地形影响程度数据/>，提高了对地形分布有害生物数据进行有害生物的地形影响程度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的地形分布有害生物数据中，提高了算法的灵活性与适用性。
优选地，步骤S3包括以下步骤：
步骤S31：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；
步骤S32：将森林环境数据进行环境数据类别划分，生成环境类别数据；
步骤S33：根据环境类别数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；
步骤S34：对环境类别有害生物数据进行有害生物数据增殖数量统计，生成环境类别增殖速率数据；
步骤S35：根据环境类别增殖速率数据对环境类别进行环境类别影响因素权重分配，生成环境类别影响权重；
步骤S36：利用环境影响有害生物算法对环境类别影响权重进行有害生物的环境影响程度计算，生成环境影响程度数据。
本发明通过使用传感器等技术，对森林目标分析区域进行环境数据的采集，如温度、湿度、土壤水分等，提供了关于森林环境的详细信息，有助于理解有害生物在不同环境条件下的行为和分布。将采集到的森林环境数据进行分类，划分为不同的环境类别，这些类别可以基于温度、湿度、土壤类型等环境因素进行划分，有助于将环境数据的复杂性简化，并为后续的分析提供更具有可解释性的数据。基于不同环境类别，对已有的有害生物数据进行划分，将有害生物数据根据其在不同环境下的分布情况进行归类，这种划分能够揭示不同环境对有害生物分布的影响，有助于针对不同环境制定更精细的防治策略。对环境类别有害生物数据进行统计，了解不同环境类别中有害生物的数量和分布情况，有助于确定在不同环境下有害生物的生物学特性，从而为后续的影响程度计算提供依据。根据环境类别增殖速率数据，对不同环境类别的影响因素进行权重分配，不同环境条件可能对有害生物的生存、繁殖和传播产生不同的影响，通过权重分配，可以清晰地表示不同环境因素的相对影响程度。基于环境类别影响权重，使用环境影响有害生物算法对有害生物的环境影响程度进行计算，考虑有害生物在不同环境条件下的增殖速率、适应性等因素，进而计算不同环境对有害生物的影响程度，有助于量化不同环境条件下有害生物的潜在威胁。
作为本发明的一个实例，参考图3所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；
本发明实施例中，利用各种传感器，如气象站、土壤湿度传感器等，对森林目标分析区域进行环境数据的采集处理，收集的数据包括温度、湿度、降水量等气象信息，以及土壤的pH值、含水量等土壤信息，这些数据能够准确地反映出森林的环境特征。
步骤S32：将森林环境数据进行环境数据类别划分，生成环境类别数据；
本发明实施例中，将从传感器收集到的森林环境数据根据不同的环境因素进行分类划分，例如将温度、湿度等数据划分为不同的环境类别，如潮湿、干燥、寒冷等，将有助于将环境数据与有害生物数据进行关联分析。
步骤S33：根据环境类别数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；
本发明实施例中，根据环境数据的类别划分，在每个环境类别下将有害生物数据进行分类，将生成针对不同环境类别的有害生物数据，使得不同环境下有害生物的分布和数量能够得到准确的描述。
步骤S34：对环境类别有害生物数据进行有害生物数据增殖数量统计，生成环境类别增殖速率数据；
本发明实施例中，在每个环境类别下，利用统计分析方法对有害生物数据进行数量统计，包括有害生物的数量和种类，有助于了解在不同环境条件下，有害生物的繁殖情况和变化趋势。
步骤S35：根据环境类别增殖速率数据对环境类别进行环境类别影响因素权重分配，生成环境类别影响权重；
本发明实施例中，根据环境类别增殖速率数据，对每个环境类别的影响因素进行权重分配，例如，在潮湿环境中，某些有害生物可能更容易繁殖，因此赋予其较高的权重，将反映出不同环境对有害生物分布的不同影响程度。
步骤S36：利用环境影响有害生物算法对环境类别影响权重进行有害生物的环境影响程度计算，生成环境影响程度数据。
本发明实施例中，利用环境影响有害生物的算法，将环境类别影响因素的权重与有害生物数据进行关联分析，环境影响有害生物算法能够计算出不同环境类别对有害生物传播和繁殖的影响程度，将生成有关环境影响程度的数据，为后续防治策略的制定提供依据。
优选地，步骤S36中的环境影响有害生物算法如下所示：
；
式中，表示为环境影响程度数据，/>表示为环境类别数量，/>表示为当前环境的温度，/>表示为历史环境的平均温度，/>表示为当前环境的湿度，/>表示为历史环境的平均湿度，表示为当前环境的降雨量，/>表示为历史环境的降雨量，/>表示为当前环境的土壤酸碱程度，/>表示为历史环境的土壤酸碱程度，/>表示为当前环境的土壤含水量，/>表示为历史环境的土壤含水量，/>表示为第/>个环境类别影响权重，/>表示为第/>个环境类别下有害生物的适应性调整值，/>表示为环境影响程度数据的异常调整值。
本发明利用一种环境影响有害生物算法，该算法综合考虑了环境类别数量、当前环境的温度/>、历史环境的平均温度/>、当前环境的湿度/>、历史环境的平均湿度/>、当前环境的降雨量/>、历史环境的降雨量/>、当前环境的土壤酸碱程度/>、历史环境的土壤酸碱程度/>、当前环境的土壤含水量/>、历史环境的土壤含水量/>、第/>个环境类别影响权重/>、第/>个环境类别下有害生物的适应性调整值/>以及函数之间的相互作用关系，以形成函数关系式：
即，，通过该函数关系式计算环境之间对有害生物之间的影响关系，便于后续设计针对性的防治措施。温度是一种重要的环境因素，可以对有害生物的分布、繁殖和活动产生影响，通过计算历史环境的平均温度，可以与当前环境的温度进行比较，从而评估当前环境温度的变化情况；湿度是指空气中水蒸气含量的多少，对有害生物的生存和扩散具有重要影响，通过计算历史环境的平均湿度，可以与当前环境的湿度进行比较，从而评估当前环境湿度的变化情况；降雨量是指单位时间内降水的量，对土壤湿度、水源和有害生物的生命周期等都有重要影响，通过计算历史环境的平均降雨量，可以与当前环境的降雨量进行比较，从而评估当前环境降雨量的变化情况；土壤酸碱程度对植物生长和有害生物的生命周期等都有影响，通过计算历史环境的平均土壤酸碱程度，可以与当前环境的土壤酸碱程度进行比较，从而评估当前环境土壤酸碱程度的变化情况；土壤含水量是指土壤中的水分含量，对植物生长和有害生物的生命周期等都有影响，通过计算历史环境的平均土壤含水量，可以与当前环境的土壤含水量进行比较，从而评估当前环境土壤含水量的变化情况；第/>个环境类别影响权重为根据不同环境类别下有害生物的增殖速度得到，可以衡量不同环境下对有害生物的初步影响；第/>个环境类别下有害生物的适应性调整值，有害生物在不同的环境类别下可能具有不同的适应性，该参数表示了有害生物在特定环境类别下的适应性调整值。通过将温度、湿度、降雨量、土壤酸碱程度和土壤含水量等多个环境因素纳入计算公式，可以综合考虑它们对有害生物的影响，有助于更全面地评估环境对有害生物的综合影响程度，而不仅仅是单一因素的影响；通过环境类别权重和有害生物适应性调整，公式能够对不同环境因素的重要性和有害生物的适应性进行量化，有助于更准确地评估不同环境类别下的有害生物影响程度，以及它们对综合环境影响的贡献。利用环境影响程度数据的异常调整值/>对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成环境影响程度数据/>，提高了对环境类别影响权重进行有害生物的环境影响程度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的环境类别影响权重中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：根据预设的时间窗口对有害生物数据进行时间窗口内的有害生物数据采集，生成窗口有害生物数据；
步骤S42：利用长短时记忆神经网络算法建立有害生物数据预测的映射关系，生成初始有害生物数据预测模型；
步骤S43：将窗口有害生物数据进行时间序列上的数据划分，分别生成窗口有害生物训练集以及窗口有害生物测试集；
步骤S44：利用窗口有害生物训练集对调节有害生物数据预测模型进行模型训练，生成有害生物数据预测模型；
步骤S45：根据地形影响程度数据与环境影响程度数据对有害生物数据预测模型进行模型的权重阈值优化，生成优化有害生物数据预测模型；
步骤S46：将窗口有害生物测试集传输至优化有害生物数据预测模型中进行有害生物数据预测，生成有害生物预测数据。
本发明根据预设的时间窗口，对有害生物数据进行采集，这些数据位于预设的时间范围内，如不同季节的时间窗口与短时间的差异的时间窗口，通过限定时间窗口，可以有效控制分析的数据范围，减少数据处理的复杂性，提高预测模型的准确性。使用长短时记忆神经网络（LSTM）等算法，建立有害生物数据预测的映射关系，LSTM是一种适用于序列数据的深度学习算法，能够捕捉数据中的时间依赖性，这个预测模型可以通过历史数据来学习有害生物数据的变化模式，进而进行预测。将窗口有害生物数据按时间序列进行划分，分别生成训练集和测试集，训练集用于训练预测模型，而测试集用于评估模型的性能。这种划分方式可以更好地模拟实际预测场景，提高模型的泛化能力。利用窗口有害生物训练集，对初始的有害生物数据预测模型进行训练，通过迭代优化，模型可以逐渐学习数据的模式和规律，以更准确地进行预测，模型训练是提高预测性能的关键步骤。根据地形影响程度数据和环境影响程度数据，对有害生物数据预测模型进行权重阈值的优化，不同地形和环境条件可能对预测模型的可靠性产生影响，通过权重阈值的优化，可以更好地适应不同环境下的预测需求。将窗口有害生物测试集传输至优化的预测模型中进行有害生物数据预测，能够揭示有害生物在未来时间段内的可能分布和活动情况，为防治措施的制定提供了提前预警和决策支持。
作为本发明的一个实例，参考图4所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：根据预设的时间窗口对有害生物数据进行时间窗口内的有害生物数据采集，生成窗口有害生物数据；
本发明实施例中，根据预先设定的时间窗口，从已有的有害生物数据中选取位于该时间窗口内的数据，生成窗口有害生物数据，例如时间窗口为一周，那么从过去一周的有害生物数据中提取相关数据，或者时间窗口为新的四个季节的一周，那么从设定的四周的有害生物数据中提取相关数据。
步骤S42：利用长短时记忆神经网络算法建立有害生物数据预测的映射关系，生成初始有害生物数据预测模型；
本发明实施例中，利用长短时记忆神经网络算法建立有害生物数据的预测模型，LSTM是一种适用于序列数据的深度学习算法，能够捕捉数据中的时间相关性和序列特征，模型的输入为窗口有害生物数据，输出为预测的有害生物数据。
步骤S43：将窗口有害生物数据进行时间序列上的数据划分，分别生成窗口有害生物训练集以及窗口有害生物测试集；
本发明实施例中，将窗口有害生物数据划分为训练集和测试集，以便进行模型的训练和评估，训练集用于训练模型的参数，测试集用于验证模型的性能。
步骤S44：利用窗口有害生物训练集对调节有害生物数据预测模型进行模型训练，生成有害生物数据预测模型；
本发明实施例中，利用窗口有害生物训练集，对LSTM模型进行训练，在训练过程中，模型将学习数据的时间序列模式和关联特征，以便能够准确地预测未来时间段内的有害生物数据，例如模型识别到训练集中的数据与温度影响程正相关，则以此对模型不断修正优化。
步骤S45：根据地形影响程度数据与环境影响程度数据对有害生物数据预测模型进行模型的权重阈值优化，生成优化有害生物数据预测模型；
本发明实施例中，结合地形影响程度数据与环境影响程度数据，对已训练的LSTM模型进行优化。通过调整模型的权重和阈值，使模型能够更好地考虑地形和环境因素对有害生物传播的影响，从而提高预测的准确性，例如地形影响程度数据与环境影响程度数据在计算结果中数值较高，则说明对有害生物数据关联性更大，则需要将模型的权重进行适应性调整。
步骤S46：将窗口有害生物测试集传输至优化有害生物数据预测模型中进行有害生物数据预测，生成有害生物预测数据。
本发明实施例中，将窗口有害生物测试集传输至经过优化的LSTM模型中，进行有害生物数据的预测，模型将根据已有的数据模式和优化后的权重，生成预测的有害生物数据，从而揭示未来时间段内可能的有害生物趋势。
优选地，步骤S5包括以下步骤：
利用预设的防治节点阈值对有害生物预测数据进行防治节点阈值比对，当有害生物预测数据大于防治节点阈值时，将有害生物预测数据对应的时间节点进行采集，生成防治时间节点数据。
本发明使用预设的防治节点阈值，对有害生物预测数据进行比对，如果有害生物预测数据超过了防治节点阈值，就意味着在该时间节点有害生物可能会出现显著的扩散或威胁，在这种情况下，将有害生物预测数据对应的时间节点进行采集，从而生成防治时间节点数据，可以捕捉到有害生物可能在短时间内出现爆发的趋势，从而在最佳时机采取控制措施，有效减缓或避免有害生物的蔓延，在防治时间节点准确的情况下，可以最大限度地减少防治措施对环境的负面影响，实现环境友好的防治，有效遏制有害生物的扩散，从而提高防治的成功率。
本发明实施例中，在制定防治策略时，根据实际情况设定一个防治节点阈值。这个阈值可以基于历史数据、专家意见或者特定的生态因素确定，例如假设防治节点阈值为每平方米有害生物数量超过10个。将有害生物预测数据与预设的防治节点阈值进行比对，如果预测数据中的有害生物数量超过了阈值（例如，大于10个），则视为需要进行防治，并将对应的时间节点进行采集，这些时间节点代表了有害生物数量异常增多的时刻，可能需要进行针对性的防治措施。
优选地，步骤S6包括以下步骤：
步骤S61：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；
步骤S62：利用数字仿真技术，根据有害生物预测数据以及防治时间节点数据对仿真森林模型进行森林系统仿真预测运行，生成仿真预测森林模型，并利用防治策略信息对仿真预测森林模型进行森林系统模拟防治，生成防治结果数据。
本发明根据地形影响程度数据和环境影响程度数据，制定针对不同地形和环境的防治策略，不同地形和环境条件可能影响有害生物的传播和繁殖方式，因此需要制定适应性强、具有针对性的防治策略，这些策略可能包括化学防治、生物防治、物理防治等不同手段的组合，这种策略的定制化可以更好地适应不同地区和环境条件下的有害生物问题，提高防治效果。利用数字仿真技术，基于有害生物预测数据和防治时间节点数据，对仿真森林模型进行森林系统仿真预测运行，在仿真环境中模拟有害生物的传播和行为，以及防治措施的实施，根据防治策略信息，对仿真预测森林模型进行模拟防治，即在模拟中应用制定的防治策略进行预测，通过仿真预测运行，可以验证之前的有害生物预测数据的准确性，如果实际仿真结果与预测数据有差异，可以及时修正预测模型，使其更贴近实际情况，提高预测的准确性，可以根据仿真结果选择最合适的防治策略，降低风险，提高决策的智能性。
本发明实施例中，基于已计算的地形影响程度数据和环境影响程度数据，设计出针对有害生物防治的策略，例如某地区地形较为平坦，但环境湿度较高，可以设计策略聚焦在湿度调控上，生成的防治策略信息将包括防治方法、时间节点、区域等详细指导。将有害生物预测数据和防治时间节点数据融合，应用于数字仿真技术中，基于有害生物预测数据以及防治时间节点数据构建出仿真预测森林模型，该模型将反映未来时间段内有害生物传播的趋势，通过数字仿真技术的预测运行，模拟出有害生物在森林中的扩散和影响。在生成的仿真预测森林模型中，应用防治策略信息，模拟不同防治策略在模型中的效果，分析模型预测的结果，包括有害生物的传播轨迹、受影响的区域等，通过模拟防治过程，评估各种策略的有效性，以指导实际防治决策。在模拟防治过程中，记录下模型在不同时间节点的防治效果数据，这些数据可以包括有害生物数量的变化趋势、受影响区域的变化情况等，将形成最终的防治结果数据，用于评估所采用防治策略的效果。
本说明书中提供一种基于有害生物防治的数据采集处理系统，用于执行如上述所述的基于有害生物防治的数据采集处理方法，该基于有害生物防治的数据采集处理系统包括：
有害生物数据采集模块，用于获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
地形影响程度计算模块，利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
环境影响程度计算模块，利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
有害生物预测模块，利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
防治时间节点分析模块，用于对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
有害生物防治模拟模块，用于根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于有害生物防治的数据采集处理方法，其特征在于，包括以下步骤：
步骤S1：获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
步骤S2，包括：
步骤S21：利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；
步骤S22：利用三维建模技术对森林地形数据进行森林地形三维模型构建，生成森林地形模型；
步骤S23：将有害生物数据传输至森林地形模型进行森林系统仿真运行，生成仿真森林模型；
步骤S24：对仿真森林模型进行地形分布划分处理，生成划分仿真森林模型；
步骤S25：对划分仿真森林模型进行有害生物分布数据统计，生成地形分布有害生物数据；
步骤S26：利用地形影响有害生物算法对地形分布有害生物数据进行有害生物的地形影响程度计算，生成地形影响程度数据；
其中，地形影响有害生物算法如下所示：
；
式中，表示为地形影响程度数据，/>表示为地形区域的面积大小，/>表示为地形参数的数据量，/>表示为第/>个地形参数的大小，/>表示为第/>个地形参数的标准差，/>表示为地形区域的高度大小，/>表示为有害生物的数据量，/>表示为有害生物的增殖速度，/>表示为计算涉及的时间大小，/>表示为树林的茂密程度，/>表示为地形影响程度数据的异常调整值；
步骤S3，包括：
步骤S31：利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；
步骤S32：将森林环境数据进行环境数据类别划分，生成环境类别数据；
步骤S33：根据环境类别数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；
步骤S34：对环境类别有害生物数据进行有害生物数据增殖数量统计，生成环境类别增殖速率数据；
步骤S35：根据环境类别增殖速率数据对环境类别进行环境类别影响因素权重分配，生成环境类别影响权重；
步骤S36：利用环境影响有害生物算法对环境类别影响权重进行有害生物的环境影响程度计算，生成环境影响程度数据；
其中，环境影响有害生物算法如下所示：
；
式中，表示为环境影响程度数据，/>表示为环境类别数量，/>表示为当前环境的温度，/>表示为历史环境的平均温度，/>表示为当前环境的湿度，/>表示为历史环境的平均湿度，/>表示为当前环境的降雨量，/>表示为历史环境的降雨量，/>表示为当前环境的土壤酸碱程度，/>表示为历史环境的土壤酸碱程度，/>表示为当前环境的土壤含水量，/>表示为历史环境的土壤含水量，/>表示为第/>个环境类别影响权重，/>表示为第/>个环境类别下有害生物的适应性调整值，/>表示为环境影响程度数据的异常调整值；
步骤S4：利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
步骤S5：对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
步骤S6：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
2.根据权利要求1所述的基于有害生物防治的数据采集处理方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取森林目标分析区域；
步骤S12：利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；
步骤S13：对实时森林图像数据进行有害生物外观样式提取，生成有害生物外观样式数据；
步骤S14：对有害生物图像进行识别标签建立，生成有害生物识别标签；
步骤S15：利用有害生物识别标签对实时森林图像数据进行有害生物数据提取，生成有害生物数据。
3.根据权利要求1所述的基于有害生物防治的数据采集处理方法，其特征在于，步骤S4包括以下步骤：
步骤S41：根据预设的时间窗口对有害生物数据进行时间窗口内的有害生物数据采集，生成窗口有害生物数据；
步骤S42：利用长短时记忆神经网络算法建立有害生物数据预测的映射关系，生成初始有害生物数据预测模型；
步骤S43：将窗口有害生物数据进行时间序列上的数据划分，分别生成窗口有害生物训练集以及窗口有害生物测试集；
步骤S44：利用窗口有害生物训练集对调节有害生物数据预测模型进行模型训练，生成有害生物数据预测模型；
步骤S45：根据地形影响程度数据与环境影响程度数据对有害生物数据预测模型进行模型的权重阈值优化，生成优化有害生物数据预测模型；
步骤S46：将窗口有害生物测试集传输至优化有害生物数据预测模型中进行有害生物数据预测，生成有害生物预测数据。
4.根据权利要求3所述的基于有害生物防治的数据采集处理方法，其特征在于，步骤S5包括以下步骤：
利用预设的防治节点阈值对有害生物预测数据进行防治节点阈值比对，当有害生物预测数据大于防治节点阈值时，将有害生物预测数据对应的时间节点进行采集，生成防治时间节点数据。
5.根据权利要求4所述的基于有害生物防治的数据采集处理方法，其特征在于，步骤S6包括以下步骤：
步骤S61：根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；
步骤S62：利用数字仿真技术，根据有害生物预测数据以及防治时间节点数据对仿真森林模型进行森林系统仿真预测运行，生成仿真预测森林模型，并利用防治策略信息对仿真预测森林模型进行森林系统模拟防治，生成防治结果数据。
6.一种基于有害生物防治的数据采集处理系统，其特征在于，用于执行如权利要求1所述的基于有害生物防治的数据采集处理方法，该基于有害生物防治的数据采集处理系统包括：
有害生物数据采集模块，用于获取森林目标分析区域；利用电子监控设备对森林目标分析区域进行实时图像数据采集，生成实时森林图像数据；对实时森林图像数据进行有害生物数据提取，生成有害生物数据；
地形影响程度计算模块，利用GIS技术对森林目标分析区域进行森林地形数据采集，生成森林地形数据；利用三维建模技术对森林地形数据进行森林地形三维模型构建，并利用有害生物数据进行森林系统仿真运行，生成仿真森林模型；对仿真森林模型进行有害生物的地形影响程度计算，生成地形影响程度数据；
环境影响程度计算模块，利用传感器对森林目标分析区域进行环境数据采集处理，生成森林环境数据；根据森林环境数据对有害生物数据进行环境差异的有害生物数据划分，生成环境类别有害生物数据；对环境类别有害生物数据进行有害生物的环境影响程度计算，生成环境影响程度数据；
有害生物预测模块，利用长短时记忆神经网络算法对有害生物数据进行有害生物数据预测，生成有害生物预测数据；
防治时间节点分析模块，用于对有害生物预测数据进行防治时间节点提取，生成防治时间节点数据；
有害生物防治模拟模块，用于根据地形影响程度数据与环境影响程度数据进行防治策略设计，生成防治策略信息；根据防治时间节点数据以及防治策略信息对仿真森林模型进行森林系统模拟防治，生成防治结果数据。
CN202311138614.1A 2023-09-05 2023-09-05 基于有害生物防治的数据采集处理方法及系统 Active CN116863410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311138614.1A CN116863410B (zh) 2023-09-05 2023-09-05 基于有害生物防治的数据采集处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311138614.1A CN116863410B (zh) 2023-09-05 2023-09-05 基于有害生物防治的数据采集处理方法及系统

Publications (2)

Publication Number Publication Date
CN116863410A CN116863410A (zh) 2023-10-10
CN116863410B true CN116863410B (zh) 2023-12-22

Family

ID=88230815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311138614.1A Active CN116863410B (zh) 2023-09-05 2023-09-05 基于有害生物防治的数据采集处理方法及系统

Country Status (1)

Country Link
CN (1) CN116863410B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574096B (zh) * 2024-01-15 2024-04-05 西安道法数器信息科技有限公司 基于大数据的农林有害生物预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130089793A (ko) * 2011-12-30 2013-08-13 대한민국(동부지방산림청장) Ｉｔ 기반의 산림 병해충 방지 통합 시스템, 산림 병해충 방지 통합 서버, 산림 병해충 방지 장치
CN105631526A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 森林病虫害爆发风险预测的方法及装置
CN113138168A (zh) * 2021-04-26 2021-07-20 辽宁工程技术大学 一种基于综合遥感技术的森林环境遥感监测系统
CN116681279A (zh) * 2023-05-25 2023-09-01 北京健卫病媒有害生物防控中心 一种基于数据分析的林业有害生物防治风险评估系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11775887B2 (en) * 2020-03-05 2023-10-03 Ubs Business Solutions Ag Methods and systems for processing data having varied temporal characteristics to generate predictions related to management arrangements using random forest classifiers

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130089793A (ko) * 2011-12-30 2013-08-13 대한민국(동부지방산림청장) Ｉｔ 기반의 산림 병해충 방지 통합 시스템, 산림 병해충 방지 통합 서버, 산림 병해충 방지 장치
CN105631526A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 森林病虫害爆发风险预测的方法及装置
CN113138168A (zh) * 2021-04-26 2021-07-20 辽宁工程技术大学 一种基于综合遥感技术的森林环境遥感监测系统
CN116681279A (zh) * 2023-05-25 2023-09-01 北京健卫病媒有害生物防控中心 一种基于数据分析的林业有害生物防治风险评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GIS技术在林业项目规划设计中的应用——以六安市霍山县国土绿化试点示范项目为例;刘盛益，等;安徽农学通报;第29卷(第14期);78-81 *

Also Published As

Publication number Publication date
CN116863410A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN104103005B (zh) 一种有限条件下突发性水环境事件污染源的溯源方法
CN108241905A (zh) 用于预测土壤和/或植物状况的方法
Bregaglio et al. Multi metric evaluation of leaf wetness models for large-area application of plant disease models
CN116863410B (zh) 基于有害生物防治的数据采集处理方法及系统
Goodbody et al. Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level
CN112461828A (zh) 一种基于卷积神经网络的病虫害智能测报预警系统
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
Kung et al. Drought forecast model and framework using wireless sensor networks
KR20210059561A (ko) 상생형 병해충 관리 시스템 및 그 방법
CN117114913A (zh) 一种基于大数据的智能化农业数据采集系统
CN117935081B (zh) 一种基于遥感卫星数据的耕地变化监测方法及系统
Chen et al. Hyperspectral sensing of heavy metals in soil by integrating AI and UAV technology
CN117636169A (zh) 一种森林巡护方法及系统
CN108510097A (zh) 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统
FAISAL A pest monitoring system for agriculture using deep learning
Moll et al. A review of methods to estimate and monitor moose density and abundance
CN117094177B (zh) 一种基于红火蚁防控的轨迹生成方法及系统
Ahmed et al. Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm
Theodorou et al. Decision Making in Precision Agriculture-The Case of VEL OS Intelligent Decision Support System
CN117421985B (zh) 一种植物扩散能力评估及预警方法
Putra et al. Vision-Based Object Detection for Efficient Monitoring in Smart Hydroponic Systems
CN118097438A (zh) 一种基于大数据的施肥方法及系统
WO2023095624A1 (ja) プログラム、情報処理装置、及び、情報処理方法
Codex Tracking bat occupancy using acoustic studies: A review of advancements in spatial projections, habitat preferences, and responses to environmental factors
Patel Applications of Deep neural networks in Agriculture

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
GR01 Patent grant
GR01 Patent grant