CN117634744A - 一种城市绿化病虫害管理决策方法及系统 - Google Patents
一种城市绿化病虫害管理决策方法及系统 Download PDFInfo
- Publication number
- CN117634744A CN117634744A CN202311643828.4A CN202311643828A CN117634744A CN 117634744 A CN117634744 A CN 117634744A CN 202311643828 A CN202311643828 A CN 202311643828A CN 117634744 A CN117634744 A CN 117634744A
- Authority
- CN
- China
- Prior art keywords
- plant
- pest
- information
- disease
- plant disease
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 416
- 201000010099 disease Diseases 0.000 title claims abstract description 373
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 373
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000238631 Hexapoda Species 0.000 claims abstract description 277
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 241000196324 Embryophyta Species 0.000 claims description 508
- 238000000605 extraction Methods 0.000 claims description 18
- 239000000575 pesticide Substances 0.000 claims description 12
- 210000000481 breast Anatomy 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000012010 growth Effects 0.000 claims description 6
- 238000005507 spraying Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 230000008635 plant growth Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 description 8
- 239000002028 Biomass Substances 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 241001464837 Viridiplantae Species 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
为了解决现有的病虫害管理系统仅能进行病虫害预测，缺乏对应决策生成、执行、评估的功能，本发明提出一种城市绿化病虫害管理决策方法及系统，构建病虫害决策模型进行智能决策，通过学习长期的人工治理经验，针对不同的病虫害场景自动智能地生成决策，并转换成治理方案；构建所述病虫害预测模型，通过预测进行病虫害预警以实现有针对地防范和重点检查，且将病虫害预测模型构建中结合了近地面气象数据库(物联网数据传输)，响应速度快，极大地缩短了从发现病虫害到解决病虫害的时间间隔，以减小病虫害对植被的损害。
Description
技术领域
本发明涉及城市园林管理技术领域，更具体地，涉及一种城市绿化病虫害管理决策方法及系统。
背景技术
随着城市化进程的加快，城市绿化作为城市建设的重要部分，已经在美化环境、改善气候、净化空气等方面发挥了积极作用。城市绿化规模的扩大也带来一系列的管理问题，其中最重要的就是病虫害管理，虫害严重影响城市绿地植物的生长和健康，甚至可能导致大范围的植被死亡，对城市绿化造成重大损失。因此，如何有效地监控和管理病虫害，既是提高城市绿化质量的关键，也是当前城市绿化管理面临的主要挑战。
目前，大多数城市的病虫害管理主要依赖人工巡逻检查和报告，这种方法不仅效率低下，而且容易出现疏漏。同时，从发现病虫害到实施处理方案，需要经历耗时较多的信息传递和决策过程，当病虫害爆发时，往往难以做出快速有效的应对。现有的病虫害管理系统(公开号：CN113110207A)仅能进行病虫害预测，缺乏对应决策生成、执行、评估的功能，这意味着城市管理者无法根据系统提供的信息做出及时、精确的病虫害防控决策。
公开号：CN113110207A，基于物联网传感器的虫害远程监测方法、系统及存储介质，包括：利用传感器和摄像头采集目标区域内环境状况信息和植株图像信息；建立物联网云平台，并通过数据传输模块将所采集的信息传输到所述物联网云平台；将所述环境状况信息和植株图像信息进行预处理；建立环境状况数据库，通过所述数据库对当前环境状况进行分析，同时对环境变化进行预测，判断环境变化引发的虫害概率并及时预警；基于所述植株图像信息建立神经网络模型，通过所述神经网络模型识别病虫害信息，进行病虫害的防治。
有鉴于此，本发明提供一种实时监控病虫害结果的、决策效率高的，一种城市绿化病虫害管理决策方法及系统。
发明内容
有鉴于此，为了解决现有的病虫害管理系统仅能进行病虫害预测，缺乏对应决策生成、执行、评估的功能，本发明提出一种城市绿化病虫害管理决策方法及系统，构建病虫害决策模型进行智能决策，通过学习长期的人工治理经验，针对不同的病虫害场景自动智能地生成决策，并转换成治理方案；构建所述病虫害预测模型，通过预测进行病虫害预警以实现有针对地防范和重点检查，且将病虫害预测模型构建中结合了近地面气象数据库(物联网数据传输)，响应速度快，极大地缩短了从发现病虫害到解决病虫害的时间间隔，以减小病虫害对植被的损害。
一种城市绿化病虫害管理决策方法，其特征在于，包括以下步骤：
Step1,构建病虫害决策模型，用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行，
所述病虫害决策模型包括病虫害信息录入池、病虫害信息提取池、病虫害信息情况判断池、病虫害情况决策池、病虫害策略执行池、基础病虫害数据库，
Step2，通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内受病虫害影响的植株信息将其输入至病虫害信息录入池，病虫害信息录入池用于记录目标区域内受病虫害影响的植株信息。
Step3，提取病虫害信息录入池中的单条受病虫害影响的植株信息输入至病虫害信息提取池，病虫害信息提取池用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据库和病虫害信息情况判断池，
单条受病虫害影响的植株信息包括记录时间、病虫害类型、严重程度、在基础信息数据库对应的唯一植株编号；
基础病虫害数据库用于接收病虫害信息录入池输出信息并将其整合为病虫害数据集。
Step4,病虫害信息提取池一输出端将单条受病虫害影响的植株信息输出至基础病虫害数据库进行该植株基础病虫害数据更新，病虫害信息提取池另一输出端将单条受病虫害影响的植株信息输出至病虫害信息情况判断池，病虫害信息情况判断池用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策池。
Step5,病虫害信息情况判断池输出端将该单棵植株判断结果与该单棵植株的对应任务信息输出至病虫害情况决策池，病虫害情况决策池用于基于未来24小时的短期预报天气数据判定该任务是否实施，当未来24小时的短期预报天气数据不满足实施条件数据时，该任务信息返回病虫害情况决策池，当未来24小时的短期预报天气数据满足实施条件数据时，该任务信息输出至病虫害策略执行池，病虫害策略执行池进行任务执行。
Step6,基于实时更新的基础病虫害数据库构建病虫害预测模型，用于对目标区域内植株进行病虫害预测。
在一些实施例中，在Step3中，还包括以下步骤，所述基础信息数据库通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复。
进一步的，所述基础病虫害数据库中每株植株的唯一编号可以重复出现，表示同一植株在不同时期收到病虫害影响。
进一步的，所述单条受病虫害影响的植株信息中的严重程度判断方式包括实地考察、低空地面遥感检测、现场考察和遥感监测相结合，实地考察是由养护工人去绿化地块现场对每棵绿植进行检查，低空地面遥感检测通过地面遥感或者无人机遥感方式获取绿化地块中每棵绿植的影像；现场考察和遥感监测两种方式结合的方法，获取绿化地块中植株的状态数据。
进一步的，所述严重程度分为轻度判定、中度判定、重度判定，
所述轻度判定为单棵植株只有少数叶子或者部分出现发黄，总体上并未引起太大影响,植物生长速度略微减缓，总体健康状况良好；
所述中度判定为单棵植株有明显的病虫害迹象，例如病斑或虫蛀覆盖了较多的叶面积，导致单棵植株叶片枯黄或落叶,植物生长明显受阻，出现枝条枯死等情况。
所述重度判定为单棵植株大部分或全部叶片出现病斑或被虫蛀，枝条枯死，严重影响单棵植株甚至是周边植株的正常生长。
在一些实施例中，在Step5中，还包括以下步骤，病虫害策略执行池还连接有效果评判模块，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入池中的该单条受病虫害影响的植株信息与病虫害情况决策池中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
进一步的，所述病虫害信息情况判断池基于单条受病虫害影响的植株信息中的严重程度来进行判断生成对应任务信息，
当该单棵植株为轻度判定时输出定期观察监测的任务信息至病虫害情况决策池，当该单棵植株为中度判定时输出打药的任务信息至病虫害情况决策池，当该单棵植株为重度判定时输出植株部分枝干移除或者整株移除并补种的任务信息至病虫害情况决策池。
进一步的，所述中度判定还连接有打药剂量计算模型，用于计算植株用药量、用药浓度。
进一步的，所述打药剂量计算模型中的用药量计算方法：
根据基础信息数据库中单株的树种信息、树高信息、胸径信息，建立经验模型，估算植株生物量，如下式：
Biomass＝a×DBHb×Heightc
式中DBH、Height分别是胸径信息、树高信息，a、b、c是经验系数，不同树种有不同的经验系数；
根据感染的病虫害类型和单株的生物量，计算所需用药量，公式如下：
V＝AIV×Biomass
式中AIV表示单位体积使用的药物有效成分数量，针对不同病虫害类型，使用不同的药剂。
在一些实施例中，在Step6中还包括以下步骤：提取单株植株在病虫害数据集中的所有记录，根据按时间线同时与近地面气象数据库中的近地面气象观测数据匹配，生成单株单类病虫害时序数据；重复提取单株植株在病虫害数据集中的所有记录直到将病虫害数据集每条单株记录转化为时序数据，生成单株单类病虫害时序数据集，
所述近地面气象数据库通过在目标区域内布置气象观测站获取短期预报天气信息数据，短期预报天气信息数据包括记录时间、温度、湿度、气压、风速风向。
进一步的，根据病虫害类型对单株单类病虫害时序数据集进行再分类，设置固定长度的滑动窗口，将再分类的时序数据切分成多个长度相同的子集，同一个病虫害类型中的子集生成针对该病虫害类别的单类样本训练数据集。
进一步的，构建长短时记忆网络模型(Long Short Term Memory Network，LSTM)，基于不同的单类样本训练数据集生成对应的病虫害预测模型
一种城市绿化病虫害管理决策系统，包括病虫害决策模型、病虫害预测模型、基础信息数据模块，
所述病虫害决策模型用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行；
所述病虫害预测模型基于病虫害决策模型中实时更新数据构建，用于对目标区域内植株进行病虫害预测；
所述基础信息数据模块用于通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，所述基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复；
所述病虫害决策模型包括病虫害信息录入模块、病虫害信息提取模块、病虫害信息情况判断模块、病虫害情况决策模块、病虫害策略执行模块、基础病虫害数据模块，
病虫害信息录入模块用于记录目标区域内受病虫害影响的植株信息；
病虫害信息提取模块用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据模块和病虫害信息情况判断模块；
基础病虫害数据模块用于接收病虫害信息录入模块输出信息并将其整合为病虫害数据集；
病虫害信息情况判断模块用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策模块；
病虫害情况决策模块用于基于未来24小时的短期预报天气数据判定该任务是否实施；
病虫害策略执行模块用于将任务执行。
在一些实施例中，病虫害策略执行模块还连接有效果评判模块，用于对任务执行结果进行追溯评估，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入模块中的该单条受病虫害影响的植株信息与病虫害情况决策模块中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
本发明的有益效果：本发明提出一种城市绿化病虫害管理决策方法及系统，构建病虫害决策模型进行智能决策，通过学习长期的人工治理经验，针对不同的病虫害场景自动智能地生成决策，并转换成治理方案；构建所述病虫害预测模型，通过预测进行病虫害预警以实现有针对地防范和重点检查，且将病虫害预测模型构建中结合了近地面气象数据库(物联网数据传输)，响应速度快，极大地缩短了从发现病虫害到解决病虫害的时间间隔，以减小病虫害对植被的损害。
附图说明
结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确和详细地说明。
图1为本发明所述的城市绿化病虫害管理决策方法及系统的框图。
图2为本发明所述的城市绿化病虫害管理决策方法及系统的病虫害决策模型的流程示意图。
图3为本发明所述的城市绿化病虫害管理决策方法及系统的病虫害预测模型的流程示意图。
具体实施方式
描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
实施例1：
如图1所示，为本发明所述的城市绿化病虫害管理决策方法及系统的框图；如图2为本发明所述的城市绿化病虫害管理决策方法及系统的病虫害决策模型的流程示意图；如图3所示，为本发明所述的城市绿化病虫害管理决策方法及系统的病虫害预测模型的流程示意图。
一种城市绿化病虫害管理决策方法，其特征在于，包括以下步骤：
Step1,构建病虫害决策模型，用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行，
所述病虫害决策模型包括病虫害信息录入池、病虫害信息提取池、病虫害信息情况判断池、病虫害情况决策池、病虫害策略执行池、基础病虫害数据库，
Step2，通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内受病虫害影响的植株信息将其输入至病虫害信息录入池，病虫害信息录入池用于记录目标区域内受病虫害影响的植株信息。
Step3，提取病虫害信息录入池中的单条受病虫害影响的植株信息输入至病虫害信息提取池，病虫害信息提取池用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据库和病虫害信息情况判断池，
单条受病虫害影响的植株信息包括记录时间、病虫害类型、严重程度、在基础信息数据库对应的唯一植株编号；
基础病虫害数据库用于接收病虫害信息录入池输出信息并将其整合为病虫害数据集。
Step4,病虫害信息提取池一输出端将单条受病虫害影响的植株信息输出至基础病虫害数据库进行该植株基础病虫害数据更新，病虫害信息提取池另一输出端将单条受病虫害影响的植株信息输出至病虫害信息情况判断池，病虫害信息情况判断池用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策池。
Step5,病虫害信息情况判断池输出端将该单棵植株判断结果与该单棵植株的对应任务信息输出至病虫害情况决策池，病虫害情况决策池用于基于未来24小时的短期预报天气数据判定该任务是否实施，当未来24小时的短期预报天气数据不满足实施条件数据时，该任务信息返回病虫害情况决策池，当未来24小时的短期预报天气数据满足实施条件数据时，该任务信息输出至病虫害策略执行池，病虫害策略执行池进行任务执行。
Step6,基于实时更新的基础病虫害数据库构建病虫害预测模型，用于对目标区域内植株进行病虫害预测。
所述基础信息数据库通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复。
所述基础病虫害数据库中每株植株的唯一编号可以重复出现，表示同一植株在不同时期收到病虫害影响。
所述单条受病虫害影响的植株信息中的严重程度判断方式包括实地考察、低空地面遥感检测、现场考察和遥感监测相结合，实地考察是由养护工人去绿化地块现场对每棵绿植进行检查，低空地面遥感检测通过地面遥感或者无人机遥感方式获取绿化地块中每棵绿植的影像；现场考察和遥感监测两种方式结合的方法，获取绿化地块中植株的状态数据。
所述严重程度分为轻度判定、中度判定、重度判定，
所述轻度判定为单棵植株只有少数叶子或者部分出现发黄，总体上并未引起太大影响,植物生长速度略微减缓，总体健康状况良好；
所述中度判定为单棵植株有明显的病虫害迹象，例如病斑或虫蛀覆盖了较多的叶面积，导致单棵植株叶片枯黄或落叶,植物生长明显受阻，出现枝条枯死等情况。
所述重度判定为单棵植株大部分或全部叶片出现病斑或被虫蛀，枝条枯死，严重影响单棵植株甚至是周边植株的正常生长。
在Step5中，还包括以下步骤，病虫害策略执行池还连接有效果评判模块，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入池中的该单条受病虫害影响的植株信息与病虫害情况决策池中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
所述病虫害信息情况判断池基于单条受病虫害影响的植株信息中的严重程度来进行判断生成对应任务信息，
当该单棵植株为轻度判定时输出定期观察监测的任务信息至病虫害情况决策池，当该单棵植株为中度判定时输出打药的任务信息至病虫害情况决策池，当该单棵植株为重度判定时输出植株部分枝干移除或者整株移除并补种的任务信息至病虫害情况决策池。
所述中度判定还连接有打药剂量计算模型，用于计算植株用药量、用药浓度。
进一步的，所述打药剂量计算模型中的用药量计算方法：
根据基础信息数据库中单株的树种信息、树高信息、胸径信息，建立经验模型，估算植株生物量，如下式：
Biomass＝a×DBHb×Heightc
式中DBH、Height分别是胸径信息、树高信息，a、b、c是经验系数，不同树种有不同的经验系数；
根据感染的病虫害类型和单株的生物量，计算所需用药量，公式如下：V＝AIVXBiomass
式中AIV表示单位体积使用的药物有效成分数量，针对不同病虫害类型，使用不同的药剂。
提取单株植株在病虫害数据集中的所有记录，根据按时间线同时与近地面气象数据库中的近地面气象观测数据匹配，生成单株单类病虫害时序数据；重复提取单株植株在病虫害数据集中的所有记录直到将病虫害数据集每条单株记录转化为时序数据，生成单株单类病虫害时序数据集，
所述近地面气象数据库通过在目标区域内布置气象观测站获取短期预报天气信息数据，短期预报天气信息数据包括记录时间、温度、湿度、气压、风速风向。
根据病虫害类型对单株单类病虫害时序数据集进行再分类，设置固定长度的滑动窗口，将再分类的时序数据切分成多个长度相同的子集，同一个病虫害类型中的子集生成针对该病虫害类别的单类样本训练数据集。
构建长短时记忆网络模型(Long Short Term Memory Network，LSTM)，基于不同的单类样本训练数据集生成对应的病虫害预测模型
一种城市绿化病虫害管理决策系统，包括病虫害决策模型、病虫害预测模型、基础信息数据模块，
所述病虫害决策模型用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行；
所述病虫害预测模型基于病虫害决策模型中实时更新数据构建，用于对目标区域内植株进行病虫害预测；
所述基础信息数据模块用于通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，所述基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复；
所述病虫害决策模型包括病虫害信息录入模块、病虫害信息提取模块、病虫害信息情况判断模块、病虫害情况决策模块、病虫害策略执行模块、基础病虫害数据模块，
病虫害信息录入模块用于记录目标区域内受病虫害影响的植株信息；
病虫害信息提取模块用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据模块和病虫害信息情况判断模块；
基础病虫害数据模块用于接收病虫害信息录入模块输出信息并将其整合为病虫害数据集；
病虫害信息情况判断模块用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策模块；
病虫害情况决策模块用于基于未来24小时的短期预报天气数据判定该任务是否实施；
病虫害策略执行模块用于将任务执行。
病虫害策略执行模块还连接有效果评判模块，用于对任务执行结果进行追溯评估，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入模块中的该单条受病虫害影响的植株信息与病虫害情况决策模块中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
本发明的有益效果：本发明提出一种城市绿化病虫害管理决策方法及系统，构建病虫害决策模型进行智能决策，通过学习长期的人工治理经验，针对不同的病虫害场景自动智能地生成决策，并转换成治理方案；构建所述病虫害预测模型，通过预测进行病虫害预警以实现有针对地防范和重点检查，且将病虫害预测模型构建中结合了近地面气象数据库(物联网数据传输)，响应速度快，极大地缩短了从发现病虫害到解决病虫害的时间间隔，以减小病虫害对植被的损害。
尽管本申请已公开了多个方面和实施方式，但是其它方面和实施方式对本领域技术人员而言将是显而易见的，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。本申请公开的多个方面和实施方式仅用于举例说明，其并非旨在限制本申请，本申请的实际保护范围以权利要求为准。
Claims (10)
1.一种城市绿化病虫害管理决策方法，其特征在于，包括以下步骤：
Step1,构建病虫害决策模型，用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行，
所述病虫害决策模型包括病虫害信息录入池、病虫害信息提取池、病虫害信息情况判断池、病虫害情况决策池、病虫害策略执行池、基础病虫害数据库，
Step2，通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内受病虫害影响的植株信息将其输入至病虫害信息录入池，病虫害信息录入池用于记录目标区域内受病虫害影响的植株信息，
Step3，提取病虫害信息录入池中的单条受病虫害影响的植株信息输入至病虫害信息提取池，病虫害信息提取池用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据库和病虫害信息情况判断池，
单条受病虫害影响的植株信息包括记录时间、病虫害类型、严重程度、在基础信息数据库对应的唯一植株编号，
基础病虫害数据库用于接收病虫害信息录入池输出信息并将其整合为病虫害数据集。
Step4,病虫害信息提取池一输出端将单条受病虫害影响的植株信息输出至基础病虫害数据库进行该植株基础病虫害数据更新，病虫害信息提取池另一输出端将单条受病虫害影响的植株信息输出至病虫害信息情况判断池，病虫害信息情况判断池用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策池。
Step5,病虫害信息情况判断池输出端将该单棵植株判断结果与该单棵植株的任务信息输出至病虫害情况决策池，病虫害情况决策池用于基于未来24小时的短期预报天气数据判定该任务是否实施，当未来24小时的短期预报天气数据不满足实施条件数据时，该任务信息返回病虫害情况决策池，当未来24小时的短期预报天气数据满足实施条件数据时，该任务信息输出至病虫害策略执行池，病虫害策略执行池进行任务执行。
Step6,基于实时更新的基础病虫害数据库构建病虫害预测模型，用于对目标区域内植株进行病虫害预测。
2.如权利要求1所述的城市绿化病虫害管理决策方法，其特征在于，在Step3中，还包括以下步骤，所述基础信息数据库通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复，所述基础病虫害数据库中每株植株的唯一编号可以重复出现，表示同一植株在不同时期收到病虫害影响。
3.如权利要求2所述的城市绿化病虫害管理决策方法，其特征在于，单条受病虫害影响的植株信息中的严重程度分为轻度判定、中度判定、重度判定，所述轻度判定为单棵植株只有少数叶子或者部分出现发黄，总体上并未引起太大影响,植物生长速度略微减缓，总体健康状况良好；所述中度判定为单棵植株有明显的病虫害迹象，例如病斑或虫蛀覆盖了较多的叶面积，导致单棵植株叶片枯黄或落叶,植物生长明显受阻，出现枝条枯死等情况，所述重度判定为单棵植株大部分或全部叶片出现病斑或被虫蛀，枝条枯死，严重影响单棵植株甚至是周边植株的正常生长。
4.如权利要求1所述的城市绿化病虫害管理决策方法，其特征在于，在Step5中，还包括以下步骤，病虫害策略执行池还连接有效果评判模块，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入池中的该单条受病虫害影响的植株信息与病虫害情况决策池中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
5.如权利要求4所述的城市绿化病虫害管理决策方法，其特征在于，所述病虫害信息情况判断池基于单条受病虫害影响的植株信息中的严重程度来进行判断生成对应任务信息，当该单棵植株为轻度判定时输出定期观察监测的任务信息至病虫害情况决策池，当该单棵植株为轻度判定时输出定期观察监测的任务信息至病虫害情况决策池，当该单棵植株为中度判定时输出打药的任务信息至病虫害情况决策池，当该单棵植株为重度判定时输出植株部分枝干移除或者整株移除并补种的任务信息至病虫害情况决策池。
6.如权利要求5所述的城市绿化病虫害管理决策方法，其特征在于，所述中度判定还连接有打药剂量计算模型，用于计算植株用药量、用药浓度。
7.如权利要求1所述的城市绿化病虫害管理决策方法，其特征在于，在Step6中还包括以下步骤：提取单株植株在病虫害数据集中的所有记录，根据按时间线同时与近地面气象数据库中的近地面气象观测数据匹配，生成单株单类病虫害时序数据；重复提取单株植株在病虫害数据集中的所有记录直到将病虫害数据集每条单株记录转化为时序数据，生成单株单类病虫害时序数据集，根据病虫害类型对单株单类病虫害时序数据集进行再分类，设置固定长度的滑动窗口，将再分类的时序数据切分成多个长度相同的子集，同一个病虫害类型中的子集生成针对该病虫害类别的单类样本训练数据集，构建长短时记忆网络模型(Long Short Term Memory Network，LSTM)，基于不同的单类样本训练数据集生成对应的病虫害预测模型。
8.如权利要求7所述的城市绿化病虫害管理决策方法，其特征在于，所述近地面气象数据库通过在目标区域内布置气象观测站获取短期预报天气信息数据，短期预报天气信息数据包括记录时间、温度、湿度、气压、风速风向。
9.一种城市绿化病虫害管理决策系统，包括病虫害决策模型、病虫害预测模型、基础信息数据模块，
所述病虫害决策模型用于对目标区域内受病虫害影响的植株进行病虫害信息记录及病虫害解决策略的制订、判定、执行；
所述病虫害预测模型基于病虫害决策模型中实时更新数据构建，用于对目标区域内植株进行病虫害预测；
所述基础信息数据模块用于通过实地检查、低空地面遥感或者二者结合的手段获取目标区域内每株植株的基础绿化信息，所述基础绿化信息包括植株编号、地理位置、种类、植株规模，所述植株规模由胸径信息、树高信息、冠幅信息组成，所述植株编号为唯一编号，不可重复；
所述病虫害决策模型包括病虫害信息录入模块、病虫害信息提取模块、病虫害信息情况判断模块、病虫害情况决策模块、病虫害策略执行模块、基础病虫害数据模块，
病虫害信息录入模块用于记录目标区域内受病虫害影响的植株信息；
病虫害信息提取模块用于提供单条受病虫害影响的植株信息并将其分别输出至基础病虫害数据模块和病虫害信息情况判断模块；
基础病虫害数据模块用于接收病虫害信息录入模块输出信息并将其整合为病虫害数据集；
病虫害信息情况判断模块用于对该单棵植株病虫害程度进行判断程度并根据病虫害程度输出该单棵植株的任务信息至病虫害情况决策模块；
病虫害情况决策模块用于基于未来24小时的短期预报天气数据判定该任务是否实施；
病虫害策略执行模块用于将任务执行。
10.如权利要求9所述的城市绿化病虫害管理决策系统，其特征在于，病虫害策略执行模块还连接有效果评判模块，用于对任务执行结果进行追溯评估，当该受病虫害植株的病虫害问题判定为解决，则将在病虫害信息录入模块中的该单条受病虫害影响的植株信息与病虫害情况决策模块中该单条受病虫害影响的植株的任务信息删除，当该受病虫害植株的病虫害问题判定为未解决，则病虫害情况决策池修改决策并重新执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311643828.4A CN117634744A (zh) | 2023-12-04 | 2023-12-04 | 一种城市绿化病虫害管理决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311643828.4A CN117634744A (zh) | 2023-12-04 | 2023-12-04 | 一种城市绿化病虫害管理决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117634744A true CN117634744A (zh) | 2024-03-01 |
Family
ID=90019624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311643828.4A Pending CN117634744A (zh) | 2023-12-04 | 2023-12-04 | 一种城市绿化病虫害管理决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117634744A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1543784A (zh) * | 2003-11-14 | 2004-11-10 | 中国科学院合肥智能机械研究所 | 一种用于农作物病虫害监测及农药处方生成装置 |
| CN109032093A (zh) * | 2018-08-14 | 2018-12-18 | 荆州农业科学院 | 一种水稻病虫害监测系统 |
| CN113837076A (zh) * | 2021-09-24 | 2021-12-24 | 金陵科技学院 | 一种农业病虫害智能终端分析系统 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
| CN114723118A (zh) * | 2022-03-30 | 2022-07-08 | 北京云洋物联技术有限公司 | 一种基于物联网的虫害预警系统 |
| CN116993000A (zh) * | 2023-06-25 | 2023-11-03 | 徐州千润高效农业发展有限公司 | 基于随机森林及元胞自动机的果树病虫害防治预测方法 |
-
2023
- 2023-12-04 CN CN202311643828.4A patent/CN117634744A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1543784A (zh) * | 2003-11-14 | 2004-11-10 | 中国科学院合肥智能机械研究所 | 一种用于农作物病虫害监测及农药处方生成装置 |
| CN109032093A (zh) * | 2018-08-14 | 2018-12-18 | 荆州农业科学院 | 一种水稻病虫害监测系统 |
| CN113837076A (zh) * | 2021-09-24 | 2021-12-24 | 金陵科技学院 | 一种农业病虫害智能终端分析系统 |
| CN114399682A (zh) * | 2022-01-18 | 2022-04-26 | 李士金 | 一种林业病虫害的长效防治方法及系统 |
| CN114723118A (zh) * | 2022-03-30 | 2022-07-08 | 北京云洋物联技术有限公司 | 一种基于物联网的虫害预警系统 |
| CN116993000A (zh) * | 2023-06-25 | 2023-11-03 | 徐州千润高效农业发展有限公司 | 基于随机森林及元胞自动机的果树病虫害防治预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| WO2019081567A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
| CN115204689A (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN116681279B (zh) | 一种基于数据分析的林业有害生物防治风险评估系统 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN111612236A (zh) | 一种虫情实时分析预测方法、系统及存储介质 | |
| EP3673425A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
| CN113544714A (zh) | 农作物的收获量预测程序、栽培环境判别程序 | |
| CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
| CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN115205695A (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
| CN116863410B (zh) | 基于有害生物防治的数据采集处理方法及系统 | |
| CN116993059A (zh) | 一种基于大数据的物联网智能农业植保系统 | |
| Aversano et al. | Water stress classification using Convolutional Deep Neural Networks. | |
| Rattan | Cultivating agricultural evolution: revolutionizing farming through the power of AI and technology | |
| CN117634744A (zh) | 一种城市绿化病虫害管理决策方法及系统 | |
| CN116258407A (zh) | 基于多源数据和混合卷积神经网络-随机森林模型的农业干旱监测方法 | |
| Lina et al. | Design of intelligent pest monitoring system based on image classification algorithm | |
| CN116295662B (zh) | 作物生长状态的监测方法、装置、电子设备及介质 | |
| Rajkumar et al. | IoT-Enabled Smart Irrigation with Machine Learning Models for Precision Farming | |
| CN117852724B (zh) | 一种林业有害生物的预测方法及系统 | |
| CN116076339B (zh) | 一种田间智能灌溉系统 | |
| CN114781683B (zh) | 温室黄瓜霜霉病预测方法及装置 | |
| CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 |
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 |