CN117557400A - 基于云计算平台的树木生长智能监测系统 - Google Patents

基于云计算平台的树木生长智能监测系统 Download PDF

Info

Publication number
CN117557400A
CN117557400A CN202410046429.8A CN202410046429A CN117557400A CN 117557400 A CN117557400 A CN 117557400A CN 202410046429 A CN202410046429 A CN 202410046429A CN 117557400 A CN117557400 A CN 117557400A
Authority
CN
China
Prior art keywords
data
growth
cloud computing
analysis
cloud
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
Application number
CN202410046429.8A
Other languages
English (en)
Inventor
邹俊亮
张萍萍
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.)
Institute of Earth Environment of CAS
Original Assignee
Institute of Earth Environment of CAS
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 Institute of Earth Environment of CAS filed Critical Institute of Earth Environment of CAS
Priority to CN202410046429.8A priority Critical patent/CN117557400A/zh
Publication of CN117557400A publication Critical patent/CN117557400A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Strategic Management (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及云计算技术领域，具体是指一种基于云计算平台的树木生长智能监测系统，包括数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，使用传感器连接Google Cloud Platform云计算平台进行树木数据的采集和传输，并在CNN模型中使用并行化的RMSprop优化算法对数据进行分析和生长预测，将分析和预测结果通过可视化界面展示给用户，提高基于云计算平台的树木生长智能监测系统的准确性、可靠性和安全性的局限性，实现更高效可靠的基于云计算的树木生长智能监测系统，为树木监测和管理提供更有效的解决方案。

Description

基于云计算平台的树木生长智能监测系统
技术领域
本申请涉及云计算技术领域，尤其涉及基于云计算平台的树木生长智能监测系统。
背景技术
随着云计算平台的快速发展，基于云计算平台的树木生长智能监测系统利用云计算平台的高性能和灵活性，通过传感器和数据分析算法实现对树木生长状态的实时监测和分析。采用高质量的传感器确保对树木的直径、高度、叶面积指数、光合作用速率和蒸腾速率进行准确测量，高速的云计算平台可以提供快速稳定的数据传输通道，确保传感器数据能够及时传输到云端，通过采用先进的数据分析和机器学习算法，可以对监测数据进行准确的分析和生长预测，提供更精确的树木生长状态评估，云计算平台提供的大规模存储能力存储大量的监测数据，以便后续的数据分析和历史数据查询。本专利以解决传统方法在准确性、可靠性和安全性的局限性，实现更高效可靠的基于云计算平台的树木生长智能监测系统，为树木监测和管理提供更有效的解决方案。
发明内容
针对上述问题，本发明提供基于云计算平台的树木生长智能监测系统。
本发明的主要目的在于提供一种创新的方法，涉及基于云计算平台的树木生长智能监测系统，旨在提供一种准确、可靠、安全的智能监测系统，该系统包括以下模块：数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，具体使用传感器连接Google Cloud Platform云计算平台进行树木数据的采集和传输，并使用深度学习算法，具体使用CNN模型，在CNN模型中使用并行化的RMSprop优化算法对数据进行分析和生长预测，将分析和生长预测结果通过可视化界面展示给用户，通过此方法提高基于云计算平台的树木生长智能监测系统的准确性和可靠性。
本发明采取的技术方案如下：本发明提供基于云计算平台的树木生长智能监测系统，包括数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，所述基于云计算平台的树木生长智能监测系统采用云计算的方法对树木生长进行智能检测，所述方法包括以下步骤：
步骤S1：在树木周围安装传感器，数据采集模块通过传感器准确的采集树木的数据，数据包括直径、高度、叶面积指数、光合作用速率、蒸腾速率、土壤湿度、温度、养分含量和时间点；
步骤S2：传感器通过无线网络连接Google Cloud Platform云计算平台；
步骤S3：数据传输模块将传感器采集的数据通过Google Cloud Platform云计算平台进行传输；
步骤S4：数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端；
步骤S5：机器算法模块对深度学习算法中的CNN模型进行训练和测试，数据分析和处理模块采用训练和测试完成的CNN模型对数据进行分析和生长预测，得到分析和生长预测结果，数据分析和处理模块将分析和生长预测结果传输至数据库；
步骤S6：可视化界面模块将分析和生长预测结果展示给用户；
步骤S7：定期维护和更新基于云计算平台的树木生长智能监测系统，根据需求不断进行优化和改进。
进一步的，在步骤S2中，传感器通过无线网络连接Google Cloud Platform云计算平台的具体方法包括以下步骤：
步骤S21:将传感器连接到可用的无线网络；
步骤S22:在Google Cloud Platform的控制台上创建一个新的项目,启用CloudIoT Core服务；
步骤S23:在Cloud IoT Core服务中，创建一个设备注册表；
步骤S24:在设备注册表中注册传感器设备；
步骤S25:为传感器设备配置使用公钥认证方式；
步骤S26:使用HTTP设备通信协议；
步骤S27:使用传感器设备ID和认证方式将传感器连接到Cloud IoT Core服务。
进一步的，在步骤S4中，数据存储模块将采集的数据储存在Google CloudPlatform云计算平台的云端的具体方法包括以下步骤：
步骤S41:在Google Cloud Platform的控制台上，打开Cloud Storage服务，并创建一个新的用于存储和管理数据的存储桶；
步骤S42:在存储桶设置中，定义存储桶的访问权限为公共或私有；
步骤S43:使用Google Cloud Platform提供的gsutil命令行工具将采集的数据上传到存储桶中；
步骤S44:使用Cloud Storage提供的加密功能，以确保数据在传输和存储过程中的安全；
步骤S45:使用Cloud Storage的API进行数据的读取、写入和删除操作。
进一步的，步骤S5中，机器算法模块对深度学习算法中的CNN模型进行训练和测试包括以下步骤：
步骤S51:定义一个用于训练和测试的数据集，包括传感器采集到所有数据和时间点；
步骤S52：对数据集中的所有数据进行预处理，包括数据清洗、缺失值处理和特征标准化；
步骤S53：将进行预处理后的数据集划分为训练集和测试集，将85%的数据用于训练集，将15%的数据用于测试集；
步骤S54：构建CNN模型；
步骤S55：使用训练集对CNN模型进行训练，在训练过程中，CNN模型学习树木生长数据的模式和规律，并且在训练过程中使用并行化的RMSprop优化算法；
步骤S56：使用测试集对CNN模型进行验证，得到验证结果，对测试集中的数据进行生长预测；
步骤S57：根据验证结果，对CNN模型进行调优，包括调整CNN模型的超参数、使用正则化技术；
步骤S58：对树木的生长进行生长预测，给定需要生长预测的树木信息和环境因素，CNN模型输出预测的树木生长情况。
进一步的，在步骤S55中，在训练过程中使用并行化的RMSprop优化算法的具体方法包括以下步骤：
步骤S551：将每个数据w初始化为一个较小的随机值，并初始化一个累积平方梯度变量s，初始值为0；
步骤S552：对于每个训练样本(x,y)，通过前向传播计算损失函数关于数据w的梯度dw，使用分布式计算来同时计算不同数据的梯度；
步骤S553：更新累积平方梯度变量s，使用指数加权平均的方式计算：
；
其中，β是一个衰减率，取0.9；
步骤S554：根据更新规则：
；
其中，α是学习率，ε的范围为（0，1）；
步骤S555：重复步骤S552至S554，直到达到最大迭代次数；
步骤S556：在每次迭代结束时，使用集中式同步的方式将各个节点的参数进行同步。
进一步的，在步骤S6中，可视化界面模块将分析和生长预测结果展示给用户的具体方法包括以下步骤：
步骤S61：使用Power BI为可视化工具；
步骤S62：对分析和生长预测结果进行数据清洗、数据转换和数据聚合；
步骤S63：确定展示给用户的信息和视觉效果，设计可视化模块中可视化界面的布局和样式；
步骤S64：根据设计可视化界面的布局和样式，开发可视化界面；
步骤S65：将完成步骤S62的分析和生长预测结果从数据库连接导入到可视化工具Power BI中；
步骤S66：根据设计的可视化界面，使用Power BI工具提供的功能和选项，创建相应的图表和视觉效果；
步骤S67：对创建的可视化界面进行调整和优化；
步骤S68：将可视化界面嵌入到网页，供用户访问和查看。
进一步的，在步骤S62中，对分析和生长预测结果进行数据清洗的具体方法包括以下步骤：
步骤S621：对分析和生长预测结果进行质量和完整性的评估；
步骤S622：对处理分析和生长预测结果进行缺失值处理，删除包含缺失值的行或列；
步骤S623：检测和处理由于错误的输入、数据损坏处理分析和生长预测结果导致的异常值，对异常值进行删除，生成处理分析结果；
步骤S624：对于处理分析结果进行格式化，包括标准化数据、处理时间和日期格式；
步骤S625：去除重复的分析和生长预测结果行；
步骤S626：进行数据整合；
步骤S627：验证清洗后的数据是否满足预期的要求和标准。
采用上述方案本发明取得的有益效果如下：
本发明提供了一种基于云计算平台的树木生长智能监测系统，通过使用该系统中的并行化加速步骤，显著提高RMSprop算法的计算效率，从而提高树木生长监测的精度，更高的计算效率意味着更快的模型训练速度和更准确的结果；
本发明使用深度学习算法，特别是卷积神经网络（CNN），对采集的数据进行分析和生长预测，通过训练CNN模型，系统学习树木生长数据的模式和规律，并根据环境因素进行生长预测，提供准确的树木生长情况；
本发明通过并行化的RMSprop算法，从而加快树木生长监测的速度，更快地获取到树木生长的监测结果，并及时采取相应的措施；
本发明通过在云计算平台上进行数据的传输，提高基于云计算平台的树木生长智能监测系统的可扩展性，云计算平台提供了高度可扩展的计算和存储资源，根据实际需求进行扩展或缩减；
本发明通过可视化界面，将采集的数据和分析结果展示给用户，用户通过图表、图像和报告等形式，直观地了解树木的生长情况和环境因素的影响，这样的可视化展示帮助用户更好地理解和分析数据，做出相应的决策和管理；
本发明通过定期维护和更新基于云计算平台的树木生长智能监测系统，根据需求不断进行优化和改进，通过对基于云计算平台的树木生长智能监测系统的优化，提高计算速度、节省存储空间，并提高分析和生长预测的准确性和效率；
本发明通过将数据存储在云端远程访问和管理基于云计算平台的树木生长智能监测系统，提高基于云计算平台的树木生长智能监测系统的灵活性和便捷性。
附图说明
图1为本发明提供的云计算的方法的流程示意图；
图2为本发明提供的基于云计算平台的树木生长智能监测系统的模块图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通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。
实施例一，参阅图1和图2，本实施例提供一种基于云计算平台的树木生长智能监测系统，包括数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，所述基于云计算平台的树木生长智能监测系统采用云计算的方法对树木生长进行智能检测，所述方法包括以下步骤：
步骤S1：在树木周围安装传感器，数据采集模块通过传感器准确的采集树木的数据，数据包括直径、高度、叶面积指数、光合作用速率、蒸腾速率、土壤湿度、温度、养分含量和时间点；
步骤S2：传感器通过无线网络连接Google Cloud Platform云计算平台；
步骤S3：数据传输模块将传感器采集的数据通过Google Cloud Platform云计算平台进行传输；
步骤S4：数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端；
步骤S5：机器算法模块对深度学习算法中的CNN模型进行训练和测试，数据分析和处理模块采用训练和测试完成的CNN模型对数据进行分析和生长预测，得到分析和生长预测结果，数据分析和处理模块将分析和生长预测结果传输至数据库；
步骤S6：可视化界面模块将分析和生长预测结果展示给用户；
步骤S7：定期维护和更新基于云计算平台的树木生长智能监测系统，根据需求不断进行优化和改进。
在步骤S2中，传感器通过无线网络连接Google Cloud Platform云计算平台的具体方法包括以下步骤：
步骤S21:将传感器连接到可用的无线网络；
步骤S22:在Google Cloud Platform的控制台上创建一个新的项目,启用CloudIoT Core服务；
步骤S23:在Cloud IoT Core服务中，创建一个设备注册表；
步骤S24:在设备注册表中注册传感器设备；
步骤S25:为传感器设备配置使用公钥认证方式；
步骤S26:使用HTTP设备通信协议；
步骤S27:使用传感器设备ID和认证方式将传感器连接到Cloud IoT Core服务。
在步骤S4中，数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端的具体方法包括以下步骤：
步骤S41:在Google Cloud Platform的控制台上，打开Cloud Storage服务，并创建一个新的用于存储和管理数据的存储桶；
步骤S42:在存储桶设置中，定义存储桶的访问权限为公共或私有；
步骤S43:使用Google Cloud Platform提供的gsutil命令行工具将采集的数据上传到存储桶中；
步骤S44:使用Cloud Storage提供的加密功能，以确保数据在传输和存储过程中的安全；
步骤S45:使用Cloud Storage的API进行数据的读取、写入和删除操作。
步骤S5中，机器算法模块对深度学习算法中的CNN模型进行训练和测试包括以下步骤：
步骤S51:定义一个用于训练和测试的数据集，包括传感器采集到所有数据和时间点；
步骤S52：对数据集中的所有数据进行预处理，包括数据清洗、缺失值处理和特征标准化；
步骤S53：将进行预处理后的数据集划分为训练集和测试集，将85%的数据用于训练集，将15%的数据用于测试集；
步骤S54：构建CNN模型；
步骤S55：使用训练集对CNN模型进行训练，在训练过程中，CNN模型学习树木生长数据的模式和规律，并且在训练过程中使用并行化的RMSprop优化算法；
步骤S56：使用测试集对CNN模型进行验证，得到验证结果，对测试集中的数据进行生长预测；
步骤S57：根据验证结果，对CNN模型进行调优，包括调整CNN模型的超参数、使用正则化技术；
步骤S58：对树木的生长进行生长预测，给定需要生长预测的树木信息和环境因素，CNN模型输出预测的树木生长情况。
在步骤S55中，在训练过程中使用并行化RMSprop优化算法的具体方法包括以下步骤：
步骤S551：对每个数据w初始化为一个较小的随机值，并初始化一个累积平方梯度变量s，初始值为0；
步骤S552：对于每个训练样本(x,y)，通过前向传播计算损失函数关于数据w的梯度dw，使用分布式计算来同时计算不同数据的梯度；
步骤S553：更新累积平方梯度变量s，使用指数加权平均的方式计算：
；
其中，β是一个衰减率，取0.9；
步骤S554：根据更新规则：
；
其中，α是学习率，ε的范围为（0，1）；
步骤S555：重复步骤S552至S554，直到达到最大迭代次数；
步骤S556：在每次迭代结束时，使用集中式同步的方式将各个节点的参数进行同步。
在步骤S6中，可视化界面模块将分析和生长预测结果展示给用户的具体方法包括以下步骤：
步骤S61：使用Power BI为可视化工具；
步骤S62：对分析和生长预测结果进行数据清洗、数据转换和数据聚合；
步骤S63：确定展示给用户的信息和视觉效果，设计可视化模块中可视化界面的布局和样式；
步骤S64：根据设计可视化界面的布局和样式，开发可视化界面；
步骤S65：将完成步骤S62的分析和生长预测结果从数据库连接导入到可视化工具Power BI中；
步骤S66：根据设计的可视化界面，使用Power BI工具提供的功能和选项，创建相应的图表和视觉效果；
步骤S67：对创建的可视化界面进行调整和优化；
步骤S68：将可视化界面嵌入到网页，供用户访问和查看。
在步骤S62中，对分析和生长预测结果进行数据清洗的具体方法包括以下步骤：
步骤S621：对分析和生长预测结果进行质量和完整性的评估；
步骤S622：对处理分析和生长预测结果进行缺失值处理，删除包含缺失值的行或列；
步骤S623：检测和处理由于错误的输入、数据损坏处理分析和生长预测结果导致的异常值，对异常值进行删除，生成处理分析结果；
步骤S624：对于处理分析结果进行格式化，包括标准化数据、处理时间和日期格式；
步骤S625：去除重复的分析和生长预测结果行；
步骤S626：进行数据整合；
步骤S627：验证清洗后的数据是否满足预期的要求和标准。
实施例二，参阅图2，本实施例提供了一种基于云计算平台的树木生长智能监测系统，在本实施例中包括数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，所述基于云计算平台的树木生长智能监测系统，所述系统采用云计算的方法对树木生长进行智能检测，所述方法包括以下步骤：
步骤S1：在树木周围安装名为"TemperatureSensor"的传感器，数据采集模块通过传感器准确的采集树木的数据，包括直径、高度、叶面积指数、光合作用速率、蒸腾速率、土壤湿度、温度、养分含量和时间点；
步骤S2：传感器通过无线网络连接Google Cloud Platform云计算平台；
步骤S3：数据传输模块将传感器采集的数据通过Google Cloud Platform云计算平台进行传输；
步骤S4：数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端；
步骤S5：机器算法模块对深度学习算法中的CNN模型进行训练和测试，数据分析和处理模块采用训练和测试完成的CNN模型对数据进行分析和生长预测，得到分析和生长预测结果，数据分析和处理模块将分析和生长预测结果传输至数据库；
步骤S6：可视化界面模块将分析和生长预测结果展示给用户；
步骤S7：定期维护和更新基于云计算平台的树木生长智能监测系统，根据需求不断进行优化和改进。
实施例三，该实施例基于上述实施例，在本实施例中，传感器通过无线网络连接Google Cloud Platform云计算平台的具体方法包括以下步骤：
步骤S21:将传感器使用Wi-Fi连接到家庭或办公室的路由器；
步骤S22:在Google Cloud Platform的控制台上创建一个名为"SmartTreeProject"的项目，并在项目设置中启用Cloud IoT Core服务；
步骤S23:在Cloud IoT Core服务中，创建一个名为"SensorDevices"的设备注册表，用于管理所有传感器设备；
步骤S24:在设备注册表中注册一个名为"TemperatureSensor"的传感器设备，并指定这个传感器设备以唯一的设备ID；
步骤S25:为"TemperatureSensor"设备生成一对公钥和私钥，并将公钥配置到设备上；
步骤S26:配置传感器设备使用HTTP协议与Cloud IoT Core进行通信；
步骤S27:将"TemperatureSensor"设备的设备ID和公钥认证信息配置到传感器设备中，与Cloud IoT Core建立安全的连接。
实施例四，该实施例基于上述实施例，在本实施例中，数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端的具体方法包括以下步骤：
步骤S41:在Google Cloud Platform的控制台上，打开Cloud Storage服务，并创建一个新的用于存储和管理数据的存储桶；
步骤S42:在存储桶设置中，定义存储桶的访问权限为私有，并设置权限策略；
步骤S43:使用Google Cloud Platform提供的gsutil命令行工具将采集的数据上传到存储桶中，使用以下命令上传名为data.txt的文件：gsutil cp data.txt gs://your-bucket-name/；
步骤S44:使用Cloud Storage提供的加密功能，以确保数据在传输和存储过程中的安全，在上传数据时，使用-e选项启用默认的服务器端加密：gsutil cp -e data.txtgs://your-bucket-name/；
步骤S45:使用Cloud Storage的API进行数据的读取、写入和删除操作。
实施例五，该实施例基于上述实施例，在本实施例中，机器算法模块对深度学习算法中的CNN模型进行训练和测试包括以下步骤：
步骤S51:定义一个用于训练和测试的数据集，数据集包括传感器收集到的1000个样本和100个时间点；
步骤S52：对数据集中的所有数据进行预处理，包括数据清洗、缺失值处理和特征标准化；
步骤S53：将数据集划分为850个样本用于训练集，150个样本用于测试集；
步骤S54：构建一个具有两个卷积层和两个全连接层的CNN模型；
步骤S55：使用训练集对CNN模型进行训练，在训练过程中，CNN模型学习树木生长数据的模式和规律，并且在训练过程中使用并行化的RMSprop优化算法，并迭代100个epoch；
步骤S56：使用测试集对CNN模型进行验证，得到验证结果，对测试集中的数据进行生长预测；
步骤S57：根据验证结果，对CNN模型进行调优，包括调整CNN模型的超参数、使用正则化技术；
步骤S58：对树木的生长进行生长预测，给定需要生长预测的树木信息和环境因素，CNN模型输出预测的树木生长情况。
实施例六，该实施例基于上述实施例，在本实施例中，在训练过程中使用并行化的RMSprop优化算法的具体方法包括以下步骤：
步骤S551：对每个数据w初始化为一个较小的随机值，并初始化一个累积平方梯度变量s，初始值为0；
步骤S552：对于每个训练样本(x,y)，通过前向传播计算损失函数关于数据w的梯度dw，使用分布式计算来同时计算不同数据的梯度；
步骤S553：更新累积平方梯度变量s，使用指数加权平均的方式计算：
；
其中，β是一个衰减率，取0.9；
步骤S554：根据更新规则：
；
其中，α是学习率，ε取1e-8；
步骤S555：重复步骤S552至S554，直到达到最大迭代次数；
步骤S556：在每次迭代结束时，使用集中式同步的方式将各个节点的参数进行同步。
实施例七，该实施例基于上述实施例，在本实施例中，可视化界面模块将分析和生长预测结果展示给用户的具体方法包括以下步骤：
步骤S61：使用Power BI为可视化工具；
步骤S62：对分析和生长预测结果进行数据清洗、数据转换和数据聚合；
步骤S63：确定展示给用户的信息和视觉效果，设计可视化模块中可视化界面的布局和样式；
步骤S64：根据设计的布局和样式，开始开发可视化界面；
步骤S65：将完成步骤S62的分析和生长预测结果从数据库连接导入到可视化工具Power BI中；
步骤S66：根据设计的可视化界面，使用Power BI工具提供的功能和选项，创建相应的图表和视觉效果；
步骤S67：对创建的可视化界面进行调整和优化；
步骤S68：将可视化界面嵌入到网页，供用户访问和查看。
实施例八，该实施例基于上述实施例，在本实施例中，对分析和生长预测结果进行数据清洗的具体方法包括以下步骤：
步骤S621：对分析和生长预测结果进行质量和完整性的评估；
步骤S622：处理分析和生长预测结果进行缺失值处理，删除包含缺失值的行或列；
步骤S623：检测和处理由于错误的输入、数据损坏处理分析和生长预测结果导致的异常值，对异常值进行删除，生成处理分析结果；
步骤S624：对于处理分析结果进行格式化，包括标准化数据、处理时间和日期格式；
步骤S625：去除重复的分析和生长预测结果行；
步骤S626：进行数据整合，得到检测数据集；
步骤S627：若得到的检测数据集中不存在缺失值、异常值，数据格式已经格式化，重复的数据行已被去除，并且数据整合完成，则这样的数据清洗结果可以被用于后续的分析和预测任务。
实施例九，该实施例基于上述实施例，在本实施例中，对分析和生长预测结果进行数据清洗的具体方法包括以下步骤：
步骤S621：对分析和生长预测结果进行质量和完整性的评估；
步骤S622：处理分析和生长预测结果进行缺失值处理，删除包含缺失值的行或列；
步骤S623：检测和处理由于错误的输入、数据损坏处理分析和生长预测结果导致的异常值，对异常值进行删除，生成处理分析结果；
步骤S624：对于处理分析结果进行格式化，包括标准化数据、处理时间和日期格式；
步骤S625：去除重复的分析和生长预测结果行；
步骤S626：进行数据整合，得到检测数据集；
步骤S627：若得到的数据出现数据缺失的处理错误，导致部分包含缺失值的行或列没有被正确删除，或者在异常值处理过程中，错误地删除了一些有效的数据，这样的数据清洗结果可能会导致后续的分析和预测结果不准确或不可靠，在这种情况下，需要重新检查和修复数据清洗过程中的错误，并重新进行数据清洗。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.基于云计算平台的树木生长智能监测系统，包括数据采集模块、数据传输模块、数据存储模块、机器算法模块、数据分析和处理模块、可视化界面模块和数据库，其特征在于，
所述基于云计算平台的树木生长智能监测系统采用云计算的方法进行树木生长智能监测，所述方法包括以下步骤：
步骤S1：在树木周围安装传感器，数据采集模块通过传感器准确的采集树木的数据，数据包括直径、高度、叶面积指数、光合作用速率、蒸腾速率、土壤湿度、温度、养分含量和时间点；
步骤S2：传感器通过无线网络连接Google Cloud Platform云计算平台；
步骤S3：数据传输模块将传感器采集的数据通过Google Cloud Platform云计算平台进行传输；
步骤S4：数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端；
步骤S5：机器算法模块对深度学习算法中的CNN模型进行训练和测试，数据分析和处理模块采用训练和测试完成的CNN模型对数据进行分析和生长预测，得到分析和生长预测结果，数据分析和处理模块将分析和生长预测结果传输至数据库；
步骤S6：可视化界面模块将分析和生长预测结果展示给用户；
步骤S7：定期维护和更新基于云计算平台的树木生长智能监测系统，根据需求不断进行优化和改进。
2.根据权利要求1所述的基于云计算平台的树木生长智能监测系统，其特征在于：
在步骤S2中，传感器通过无线网络连接Google Cloud Platform云计算平台的具体方法包括以下步骤：
步骤S21:将传感器连接到可用的无线网络；
步骤S22:在Google Cloud Platform的控制台上创建一个新的项目,启用Cloud IoTCore服务；
步骤S23:在Cloud IoT Core服务中，创建一个设备注册表；
步骤S24:在设备注册表中注册传感器设备；
步骤S25:为传感器设备配置使用公钥认证方式；
步骤S26:使用HTTP设备通信协议；
步骤S27:使用传感器设备ID和认证方式将传感器连接到Cloud IoT Core服务。
3.根据权利要求1所述的基于云计算平台的树木生长智能监测系统，其特征在于：
在步骤S4中，数据存储模块将采集的数据储存在Google Cloud Platform云计算平台的云端的具体方法包括以下步骤：
步骤S41:在Google Cloud Platform的控制台上，打开Cloud Storage服务，并创建一个新的用于存储和管理数据的存储桶；
步骤S42:在存储桶设置中，定义存储桶的访问权限为公共或私有；
步骤S43:使用Google Cloud Platform提供的gsutil命令行工具将采集的数据上传到存储桶中；
步骤S44:使用Cloud Storage提供的加密功能，以确保数据在传输和存储过程中的安全；
步骤S45:使用Cloud Storage的API进行数据的读取、写入和删除操作。
4.根据权利要求1所述的基于云计算平台的树木生长智能监测系统，其特征在于：
步骤S5中，机器算法模块对深度学习算法中的CNN模型进行训练和测试包括以下步骤：
步骤S51:定义一个用于训练和测试的数据集，包括传感器采集到所有数据和时间点；
步骤S52：对数据集中的所有数据进行预处理，包括数据清洗、缺失值处理和特征标准化；
步骤S53：将进行预处理后的数据集划分为训练集和测试集，将85%的数据用于训练集，将15%的数据用于测试集；
步骤S54：构建CNN模型；
步骤S55：使用训练集对CNN模型进行训练，在训练过程中，CNN模型学习树木生长数据的模式和规律，并且在训练过程中使用并行化的RMSprop优化算法；
步骤S56：使用测试集对CNN模型进行验证，得到验证结果，对测试集中的数据进行生长预测；
步骤S57：根据验证结果，对CNN模型进行调优，包括调整CNN模型的超参数、使用正则化技术；
步骤S58：对树木的生长进行生长预测，给定需要生长预测的树木信息和环境因素，CNN模型输出预测的树木生长情况。
5.根据权利要求4所述的基于云计算平台的树木生长智能监测系统，其特征在于：
在步骤S55中，在训练过程中使用并行化的RMSprop优化算法的具体方法包括以下步骤：
步骤S551：将每个数据w初始化为一个较小的随机值，并初始化一个累积平方梯度变量s，初始值为0；
步骤S552：对于每个训练样本(x,y)，通过前向传播计算损失函数关于数据w的梯度dw，使用分布式计算来同时计算不同数据的梯度；
步骤S553：更新累积平方梯度变量s，使用指数加权平均的方式计算：
；
其中，β是一个衰减率，取0.9；
步骤S554：根据更新规则：
；
其中，α是学习率，ε的范围为（0，1）；
步骤S555：重复步骤S552至S554，直到达到最大迭代次数；
步骤S556：在每次迭代结束时，使用集中式同步的方式将各个节点的参数进行同步。
6.根据权利要求1所述的基于云计算平台的树木生长智能监测系统，其特征在于：
在步骤S6中，可视化界面模块将分析和生长预测结果展示给用户的具体方法包括以下步骤：
步骤S61：使用Power BI为可视化工具；
步骤S62：对分析和生长预测结果进行数据清洗、数据转换和数据聚合；
步骤S63：确定展示给用户的信息和视觉效果，设计可视化模块中可视化界面的布局和样式；
步骤S64：根据设计可视化界面的布局和样式，开发可视化界面；
步骤S65：将完成步骤S62的分析和生长预测结果从数据库连接导入到可视化工具Power BI中；
步骤S66：根据设计的可视化界面，使用Power BI工具提供的功能和选项，创建相应的图表和视觉效果；
步骤S67：对创建的可视化界面进行调整和优化；
步骤S68：将可视化界面嵌入到网页，供用户访问和查看。
7.根据权利要求6所述的基于云计算平台的树木生长智能监测系统，其特征在于：
在步骤S62中，对分析和生长预测结果进行数据清洗的具体方法包括以下步骤：
步骤S621：对分析和生长预测结果进行质量和完整性的评估；
步骤S622：对处理分析和生长预测结果进行缺失值处理，删除包含缺失值的行或列；
步骤S623：检测和处理由于错误的输入、数据损坏处理分析和生长预测结果导致的异常值，对异常值进行删除，生成处理分析结果；
步骤S624：对于处理分析结果进行格式化，包括标准化数据、处理时间和日期格式；
步骤S625：去除重复的分析和生长预测结果行；
步骤S626：进行数据整合；
步骤S627：验证清洗后的数据是否满足预期的要求和标准。
CN202410046429.8A 2024-01-12 2024-01-12 基于云计算平台的树木生长智能监测系统 Pending CN117557400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410046429.8A CN117557400A (zh) 2024-01-12 2024-01-12 基于云计算平台的树木生长智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410046429.8A CN117557400A (zh) 2024-01-12 2024-01-12 基于云计算平台的树木生长智能监测系统

Publications (1)

Publication Number Publication Date
CN117557400A true CN117557400A (zh) 2024-02-13

Family

ID=89811526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410046429.8A Pending CN117557400A (zh) 2024-01-12 2024-01-12 基于云计算平台的树木生长智能监测系统

Country Status (1)

Country Link
CN (1) CN117557400A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321430A (zh) * 2019-04-16 2019-10-11 中国银行股份有限公司 域名识别和域名识别模型生成方法、装置及存储介质
CN110545531A (zh) * 2019-09-20 2019-12-06 河南工业大学 一种基于大数据和云计算的农作物长势监控方法与系统
CN112184655A (zh) * 2020-09-24 2021-01-05 东北大学 一种基于卷积神经网络的宽厚板轮廓检测方法
CN112506111A (zh) * 2020-12-23 2021-03-16 黑龙江省网络空间研究中心 一种基于大数据和云计算的农作物长势监控方法与系统
CN114399664A (zh) * 2022-01-14 2022-04-26 浙江大学 植株种苗生长状态智能监测与控制方法及系统
CN115147742A (zh) * 2022-06-29 2022-10-04 西安理工大学 基于3d深度卷积神经网络的小样本高光谱图像分类方法
CN117035663A (zh) * 2023-08-10 2023-11-10 安阳市游园管理站 基于大数据的智慧绿化苗木根系发育跟踪系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321430A (zh) * 2019-04-16 2019-10-11 中国银行股份有限公司 域名识别和域名识别模型生成方法、装置及存储介质
CN110545531A (zh) * 2019-09-20 2019-12-06 河南工业大学 一种基于大数据和云计算的农作物长势监控方法与系统
CN112184655A (zh) * 2020-09-24 2021-01-05 东北大学 一种基于卷积神经网络的宽厚板轮廓检测方法
CN112506111A (zh) * 2020-12-23 2021-03-16 黑龙江省网络空间研究中心 一种基于大数据和云计算的农作物长势监控方法与系统
CN114399664A (zh) * 2022-01-14 2022-04-26 浙江大学 植株种苗生长状态智能监测与控制方法及系统
CN115147742A (zh) * 2022-06-29 2022-10-04 西安理工大学 基于3d深度卷积神经网络的小样本高光谱图像分类方法
CN117035663A (zh) * 2023-08-10 2023-11-10 安阳市游园管理站 基于大数据的智慧绿化苗木根系发育跟踪系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石振刚: "《网络工程设计教程》", 31 May 2022, 东北大学出版社, pages: 123 - 127 *

Similar Documents

Publication Publication Date Title
US10936940B2 (en) Arrangement and method for predicting road friction within a road network
EP1984860B1 (en) Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators
CN107423414A (zh) 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
KR102515853B1 (ko) 배터리 셀 단위를 기반으로 하는 이상 진단 장치, 시스템 및 방법
CN115278741B (zh) 一种基于多模态数据依赖关系的故障诊断方法和装置
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测系统
CN114399073A (zh) 一种基于深度学习的海洋表面温度场预测方法
CN115659249B (zh) 一种智能测站控制系统异常检测方法
CN114705177B (zh) 一种基于误差分析的光纤陀螺测姿数据处理方法
CN108362215A (zh) 用于多种测量机器人自由设站的自动变形监测系统及方法
CN106935038B (zh) 一种停车检测系统及检测方法
CN117391674A (zh) 一种基于可靠性的电气设备预防性维修优化方法及装置
CN112836789A (zh) 一种基于复合神经网络算法的地连墙变形动态预测方法
CN117937497A (zh) 算力负载均衡方法及装置
CN110222098A (zh) 基于流数据聚类算法的电力大数据流异常检测
CN117973194A (zh) 基于平行系统的油气管网数字孪生建模方法和系统
CN117557400A (zh) 基于云计算平台的树木生长智能监测系统
CN117371607A (zh) 基于物联网技术的锅炉汽水流程再造监测系统
CN115935784B (zh) 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统
CN117146385A (zh) 一种基于物联网的通风系统和方法
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN116259161A (zh) 一种电力故障预警系统
CN116578888A (zh) 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法
CN112801815B (zh) 一种基于联邦学习的电力通信网络故障预警方法

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