CN118013377B - 森林智慧管理方法以及相关装置 - Google Patents

森林智慧管理方法以及相关装置 Download PDF

Info

Publication number
CN118013377B
CN118013377B CN202410429762.7A CN202410429762A CN118013377B CN 118013377 B CN118013377 B CN 118013377B CN 202410429762 A CN202410429762 A CN 202410429762A CN 118013377 B CN118013377 B CN 118013377B
Authority
CN
China
Prior art keywords
data
conflict
target
sensor data
forest
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
CN202410429762.7A
Other languages
English (en)
Other versions
CN118013377A (zh
Inventor
柯人元
岑夏
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.)
Tianxin Zhuhai Chip Technology Co ltd
Original Assignee
Tianxin Zhuhai Chip Technology 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 Tianxin Zhuhai Chip Technology Co ltd filed Critical Tianxin Zhuhai Chip Technology Co ltd
Priority to CN202410429762.7A priority Critical patent/CN118013377B/zh
Publication of CN118013377A publication Critical patent/CN118013377A/zh
Application granted granted Critical
Publication of CN118013377B publication Critical patent/CN118013377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Algebra (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Animal Husbandry (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明实施例提供一种森林智慧管理方法以及相关装置，属于智慧管理技术领域。该方法包括：利用多种传感器获得目标森林的传感器数据；利用传感器数据进行数据分析，获得传感器数据对应的可信度概率；根据可信度概率计算传感器数据之间对应的冲突因子，以及根据可信度概率计算传感器数据之间对应的信息熵；根据冲突因子对传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；根据信息熵对高冲突传感数据进行信息融合获得第一融合结果；将低冲突传感数据和第一融合结果进行信息融合获得第二融合结果；根据第二融合结果确定目标森林对应的管理策略，并将管理策略发送至目标终端，以使得目标终端根据管理策略对目标森林进行智慧管理。

Description

森林智慧管理方法以及相关装置
技术领域
本发明涉及智慧管理技术领域，尤其涉及一种森林智慧管理方法以及相关装置。
背景技术
智慧森林/林业是指利用先进的信息技术、传感器技术、人工智能、大数据分析等手段，对林木资源进行全面监测、管理和利用的一种林业管理模式。智慧林业旨在提高林业生产效率、保护生态环境、提升林业经济效益，并实现可持续发展。例如，智慧林业根据土壤环境、气候条件、地形地貌等因素，进行数据分析并基于数据分析结果制定精准的森林管理决策。这可能涉及到种植方案的调整、病虫害防治策略的制定、灾害应对预案的建立等。通过智慧管理决策，提高森林资源的利用效率和生产效益。相关技术中在根据多种因素进行融合处理时，当因素之间存在冲突时，无法有效区分冲突因素之间的冲突程度，从而在进行数据融合时，降低了多种因素的融合质量，影响了后续进行管理决策的效果。
发明内容
本发明实施例的主要目的在于提供一种森林智慧管理方法以及相关装置，旨在解决相关技术中在根据多种因素进行融合处理时，当因素之间存在冲突时，无法有效区分冲突因素之间的冲突程度，从而在进行数据融合时，降低了多种因素的融合质量，影响了后续进行管理决策的效果的问题。
第一方面，本发明实施例提供一种森林智慧管理方法，包括：
利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；
利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；
根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；
根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；
根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；
将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；
根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
第二方面，本发明实施例提供一种森林智慧管理装置，包括：
数据采集模块，用于利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；
数据分析模块，用于利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；
数据计算模块，用于根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；
数据拆分模块，用于根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；
第一融合模块，用于根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；
第二融合模块，用于将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；
策略确定模块，用于根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
第三方面，本发明实施例还提供一种终端设备，所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如本发明说明书提供的任一项森林智慧管理方法的步骤。
第四方面，本发明实施例还提供一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明说明书提供的任一项森林智慧管理方法的步骤。
本发明实施例提供一种森林智慧管理方法以及相关装置，该方法包括利用多种传感器对目标森林进行数据采集，获得目标森林对应的传感器数据；利用传感器数据进行数据分析，获得传感器数据对应的可信度概率；根据可信度概率计算传感器数据之间对应的冲突因子，以及根据可信度概率计算传感器数据之间对应的信息熵；根据冲突因子对传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；根据信息熵对高冲突传感数据进行信息融合，获得第一融合结果；将低冲突传感数据和第一融合结果进行信息融合，获得第二融合结果；根据第二融合结果确定目标森林对应的管理策略，并将管理策略发送至目标终端，以使得目标终端根据管理策略对目标森林进行智慧管理。该方法通过计算传感器数据的可信度概率，可以确定每个数据的准确性和可靠性，有助于在后续步骤中对数据进行更精准的处理和分析。进而根据可信度概率计算传感器数据之间的冲突因子，有助于发现数据之间的不一致性和矛盾，进而进行更有效的数据分类和融合处理。通过计算传感器数据之间的信息熵，可以评估数据的不确定性和信息量，有助于确定哪些数据需要更多的关注和处理。进而将传感器数据根据冲突因子进行分类，可以将高冲突传感数据和低冲突传感数据进行分开处理，以便更有针对性地进行后续处理和融合。再通过对高冲突传感数据进行信息融合，可以减少数据的不一致性和矛盾，提高数据的准确性和可信度；而对低冲突传感数据和第一融合结果进行信息融合，则可以进一步提高数据的完整性和可靠性。最后根据第二融合结果确定目标森林对应的管理策略，可以根据数据的综合情况和特点，制定更科学、更有效的管理方案，从而实现目标森林的智慧管理。提高了数据融合的质量，有效解决相关技术中在根据多种因素进行融合处理时，当因素之间存在冲突时，无法有效区分冲突因素之间的冲突程度，从而在进行数据融合时，降低了多种因素的融合质量，影响了后续进行管理决策的效果的问题。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种森林智慧管理方法的流程示意图；
图2为本发明实施例提供的一种森林智慧管理装置的模块结构示意图；
图3为本发明实施例提供的一种终端设备的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图，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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种森林智慧管理方法以及相关装置。其中，该森林智慧管理方法可应用于终端设备中，该终端设备可以是平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器，也可以为服务器集群。
下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本发明实施例提供的一种森林智慧管理方法的流程示意图。
如图1所示，该森林智慧管理方法包括步骤S101至步骤S107。
步骤S101、利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据。
示例性地，确定需要采集数据的目标森林，并确定需要采集目标森林的信息，例如，包括目标森林的生物多样性、植被覆盖、土壤质地、气候条件等。进而根据需要采集的信息确定对应的传感器。可能用到的传感器包括：摄像头或红外相机：用于拍摄或记录森林中的动植物。GPS 接收器：用于记录采集点的地理位置。气象站：用于测量气温、湿度、风速等气象条件。土壤湿度传感器：用于测量土壤湿度。光谱仪：用于测量植被的光谱特征。激光雷达：用于测量植被结构、高度等信息。
示例性地，根据传感器的特性和需要在目标森林中安装并配置传感器。确保传感器能够正确地采集数据，并且位置选择合适，能够代表目标森林的各个区域。
示例性地，启动传感器并开始数据采集。这可能需要在一段时间内持续进行，以确保获得足够的数据样本，从而获得目标森林对应的传感器数据。传感器数据可能包括摄像头或红外相机对应的图像数据、GPS 接收器对应的位置信息、气象站对应的测量气温、湿度、风速等气象条件的气象信息、土壤湿度传感器对应的土壤湿度信息、光谱仪对应的植被的光谱特征、激光雷达对应的植被结构、高度等信息。本申请对传感器数量以及传感器数据的类型不做具体限制，用户可根据实际需求自行选择。
步骤S102、利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率。
示例性地，从传感器数据中提取相关的特征。这可能涉及到从图像中提取颜色、纹理等特征，从气象数据中提取温度、湿度等特征，或者从声音数据中提取频谱、振幅等特征。选择适当的数据分析模型进行建模。这可能包括统计模型、机器学习模型或深度学习模型，具体选择取决于传感器数据对应的数据特点。
示例性地，根据数据分析模型对传感器数据进行数据分析，从而根据数据分析模型输出该传感器数据的可信度概率，也即获得传感器数据测量结果符合实际情况地概率。
在一些实施方式中，所述利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率，包括：确定所述传感器数据对应的分布类型，根据所述分布类型对所述传感器数据进行数据拟合，获得所述传感器数据对应的第一拟合分布函数；确定所述目标森林对应的历史实验数据，并获得所述历史实验数据对应的第二拟合分布函数；根据所述第一拟合分布函数确定所述传感器数据对应的第一特征值和根据所述第二拟合分布函数确定所述历史实验数据对应的第二特征值；计算所述第一特征值和所述第二特征值之间的绝对差值，根据所述绝对差值确定所述传感器数据对应的所述可信度概率。
示例性地，对采集到的传感器数据进行统计分析，例如通过直方图观察数据的分布情况，或者利用统计方法进行分布拟合（如正态分布、指数分布等）。确定传感器数据的分布类型有助于理解数据的特性和行为。进而根据确定的分布类型，对传感器数据进行拟合，得到第一拟合分布函数。这可以通过常见的统计软件或编程语言中的拟合函数来实现，确保拟合结果能够较好地描述传感器数据的分布特征。
示例性地，收集与目标森林相关的历史实验数据，这些数据可能包括先前对该森林进行的各种调查、监测或研究所得到的数据。这些数据应当涵盖与传感器数据相似的特征。进而对历史实验数据进行类似于传感器数据的拟合，得到第二拟合分布函数。同样，确保使用合适的统计方法进行拟合，并选择适当的分布类型。
示例性地，根据第一拟合分布函数确定传感器数据的第一特征值，根据第二拟合分布函数确定历史实验数据的第二特征值。这些特征值可以是分布函数的参数，如均值、标准差等，或者是其他与分布特性相关的指标。
示例性地，计算传感器数据的第一特征值与历史实验数据的第二特征值之间的绝对差值。这将反映传感器数据与历史实验数据之间的差异程度。根据绝对差值，设计一种规则或者统计方法来确定传感器数据的可信度概率。例如，可以设置一个阈值，当绝对差值小于该阈值时，认为传感器数据较为可信；当绝对差值超过阈值时，可信度概率相应减小。
示例性地，当传感器数据的第一特征值和历史实验数据的第二特征值越接近时，说明此传感器数据和历史实验数据越相似，信息源或传感器采集的传感器数据的可信度也越高，可信度概率也越大。
具体地，通过分析传感器数据与历史实验数据之间的关系，从而评估传感器数据的可信度，进而为后续的传感器数据的数据融合提供了支撑。
步骤S103、根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵。
示例性地，冲突因子为传感器数据之间的不一致程度。通常情况下，可信度概率越低，表示数据的不确定性越高，因此可能存在较大的冲突。根据可信度概率计算传感器数据之间的冲突因子，可以将可信度概率作为权重，然后计算加权的传感器数据之间的差异或距离，进而作为冲突因子的度量。
例如，如果有两个传感器数据，可信度概率分别为 p1 和 p2，数据值分别为 x1和 x2，则可以计算它们之间的加权欧氏距离作为冲突因子，如：Conflict Factor = p1*(x1 - x2)^2 + p2 * (x2 - x1)^2 。
示例性地，信息熵是衡量数据的不确定性或混乱程度的度量。在这种情况下，可以将信息熵视为传感器数据之间的多样性或分歧程度的度量。根据可信度概率计算传感器数据之间的信息熵。对于多个传感器数据，其信息熵可以表示为：Entropy = -sum( p_i /log(p_i)) 其中，p_i是第 i 个传感器数据的可信度概率。
具体地，根据可信度概率计算传感器数据之间的冲突因子和信息熵，从而更好地理解传感器数据之间的关系和特性。
在一些实施方式中，所述根据所述可信度概率计算所述传感器数据之间对应的冲突因子，包括：根据所述可信度概率计算所述传感器数据之间对应的相关值；根据所述相关值确定所述传感器数据之间对应的所述冲突因子。
示例性地，根据传感器数据的特性和数据类型，选择适当的相关性度量方法，并结合可信度概率，计算传感器数据之间的相关值。如果传感器数据之间的相关性较高，则相关值会趋向于接近1；如果传感器数据之间的相关性较低，则相关值会趋向于接近0。
示例性地，获得传感器数据之间的相关值，利用相关值来确定冲突因子。通常情况下，相关性较低的数据对会被认为存在较大的冲突，因为它们之间的数据变化不够一致或相似。进而通过定义一个函数来将相关值转换为冲突因子的度量。例如，可以使用线性函数或指数函数，将相关值映射到冲突因子的范围内。当相关值接近1时，冲突因子接近0；当相关值接近0时，冲突因子接近1。
具体地，根据可信度概率计算传感器数据之间的相关值，并进一步确定冲突因子。这样做有助于识别数据之间的不一致性或冲突，为数据融合或后续分析提供更准确的信息。
步骤S104、根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据。
示例性地，确定数据分类对应的分割阈值，这个阈值可以基于实际需求和应用场景确定。进而将冲突因子小于分割阈值的传感器数据确定为低冲突传感数据，而将冲突因子大于或者等于该分割阈值的传感器数据视为高冲突传感数据。
步骤S105、根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果。
示例性地，将信息熵确定为高冲突传感数据中每个数据点的权重，进而对高冲突传感数据进行加权信息融合，并将融合后的数据确定为第一融合结果。
在一些实施方式中，所述根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果，包括：根据所述信息熵确定所述传感器数据对应的信息体积；对所述信息体积进行归一化处理，获得归一化体积；计算所述高冲突传感数据之间的数据距离，获得目标距离；根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重；根据所述融合权重对所述高冲突传感数据进行信息融合，获得所述第一融合结果。
示例性地，为了避免在某些情况下信息熵为零导致高冲突传感数据对应的权重被设置为0，可以使用信息体积来衡量高冲突传感数据的不确定度。其中，根据下列公式计算信息体积：
表示第i个高冲突传感数据对应的信息体积，e表示自然常数，/>表示第i个高冲突传感数据对应的信息熵。
示例性地，对于得到的信息体积，进行归一化处理，将其缩放到一个标准范围内，以便后续计算。常见的归一化方法包括线性归一化或者将数据映射到0到1之间。
示例性地，对于高冲突传感数据选择适当的距离度量方法，例如欧氏距离、曼哈顿距离等，来计算数据之间的距离。从而对于每对高冲突传感数据，计算其任意两个数据之间的目标距离。进而结合归一化体积和目标距离，使用合适的权重计算方法来确定每个高冲突传感数据的融合权重。
例如，利用归一化体积作为先验知识，结合目标距离来调整权重，例如，可以使用线性组合或者指数函数来计算融合权重。
示例性地，使用确定的融合权重，对高冲突传感数据进行加权信息融合，得到第一融合结果。
具体地，根据信息熵确定高冲突传感数据对应的信息体积，归一化处理信息体积，计算高冲突传感数据之间的目标距离，确定融合权重，最终对高冲突传感数据进行信息融合，获得第一融合结果。这样的融合过程能够更好地利用传感器数据之间的关系和信息，提高数据融合结果的准确性和可靠性。
在一些实施方式中，所述计算所述高冲突传感数据之间的数据距离，获得目标距离，包括：对所述高冲突传感数据进行数据分类，获得所述高冲突传感数据对应的数据类型以及所述数据类型对应的目标概率；根据所述数据类型和所述目标概率确定所述高冲突传感数据之间的数据距离，获得所述目标距离；其中，根据下列公式获得所述目标距离：
表示所述高冲突传感数据x和所述高冲突传感数据y之间的所述目标距离，表示所述高冲突传感数据x的第i个所述数据类型对应的所述目标概率，/>表示所述高冲突传感数据y的第i个所述数据类型对应的所述目标概率，k表示所述数据类型对应的全部数据量。
示例性地，根据高冲突传感数据的特征和属性，选择合适的分类方法，将这些数据分成不同的数据类型。例如，使用聚类算法（如K均值聚类、层次聚类等）或者分类算法（如支持向量机、决策树等）来实现数据的分类。进而对每个数据类型，计算其在高冲突传感数据中的出现频率，作为该数据类型的目标概率。从而对于每一对高冲突传感数据，根据其所属的数据类型和目标概率，确定数据之间的目标距离。
示例性地，目标距离反映了高冲突传感数据之间的相对重要性和相似性。其中，根据下列公式获得目标距离；
表示高冲突传感数据x和高冲突传感数据y之间的目标距离，/>表示高冲突传感数据x的第i个数据类型对应的目标概率，/>表示高冲突传感数据y的第i个数据类型对应的目标概率，k表示数据类型对应的全部数据量。
具体地，通过对高冲突传感数据进行分类，可以更好地理解数据的特征和属性，有助于后续的数据分析和处理。确定数据类型对应的目标概率有助于了解不同类型数据的重要性和分布情况，为后续决策提供参考。通过计算数据之间的目标距离，可以量化数据间的相似性和差异性，有助于理解数据之间的关系和模式。从而为后续的数据融合提供支撑。
在一些实施方式中，所述根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重，包括：根据所述目标距离确定所述高冲突传感数据对应的数据可信度；对所述数据可信度进行数据归一化处理，获得所述高冲突传感数据对应的归一化可信度；融合所述归一化体积和所述归一化可信度获得所述高冲突传感数据对应的所述融合权重。
示例性地，目标距离距离表示高冲突传感数据之间的相似度或者可信度的反映。通常情况下，目标距离越小，高冲突数据之间的相似度越高，可信度越大。进而可将目标距离的倒数确定为高冲突传感数据对应的数据可信度。
示例性地，对获得的数据可信度进行归一化处理，将其缩放到一个标准范围内，以便后续计算。类似于之前提到的归一化体积的处理，可以使用线性归一化或者其他归一化方法。
示例性地，将归一化体积和归一化可信度进行相乘，从而将相乘结果确定为高冲突传感数据对应的融合权重。
具体地，根据目标距离确定数据可信度有助于理解高冲突传感数据之间的相似性和可信度，为后续的数据处理提供参考。对数据可信度进行归一化处理有助于统一数据的尺度，使得不同指标之间可以进行比较和融合。进而通过融合信息体积和数据可信度，可以得到更准确和全面的融合权重，从而更好地反映数据的重要性和可信度，从而提高数据融合结果的准确性和可靠性。
步骤S106、将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果。
示例性地，由于上述步骤已经将高冲突传感数据进行了信息融合，从而此时可利用加权平均或加权求和的方式将低冲突传感数据与第一融合结果进行信息融合，并将融合后的结果作为第二融合结果，即将低冲突传感数据和第一融合结果的信息整合在一起，得到一个综合的数据结果。
示例性地，将低冲突传感数据和第一融合结果进行信息融合，可以综合利用不同传感器或不同数据处理方法得到的信息，提高数据的全面性和可靠性。并且减少了冲突程度不同的数据直接进行融合的误差或偏差，从而提高数据处理的效果和结果的准确性。
步骤S107、根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
示例性地，对第二融合结果进行分析，确定融合结果中包含的关键指标或特征，例如森林健康状况、植被覆盖情况、火灾风险等。基于第二融合结果的分析，制定目标森林的管理策略。这些策略可以涉及到森林资源的保护、植被管理、防火措施等方面。确定管理策略的具体内容和执行方式，例如增加巡逻频率、调整植被种植结构、提高火灾预警等。
示例性地，利用现代通信技术，如互联网、移动通信网络等，将管理策略发送给目标终端，以实现智慧管理。目标终端接收到管理策略后，根据管理策略对目标森林进行智慧管理。
具体地，通过对第二融合结果进行分析，可以及时制定管理策略，实现对目标森林的实时响应和管理。并且基于融合结果进行管理策略的制定，可以使决策更加精准和有效，提高管理效率和森林资源利用率。此外，通过发送管理策略至目标终端，实现智慧管理，使得森林管理过程更加智能化和自动化，减少人为干预和管理成本，以实现目标森林的智慧管理。
在一些实施方式中，所述根据所述第二融合结果确定所述目标森林对应的管理策略，包括：利用数据分类模型对所述第二融合结果进行数据分类，获得所述目标森林对应的森林状态；根据所述森林状态确定所述目标森林对应的所述管理策略。
示例性地，准备用于训练的数据集，包括融合的传感器数据以及相应的森林状态标签，确定数据分类模型，例如决策树、支持向量机（SVM）、神经网络等，并对其进行训练，使其能够根据输入的数据对森林状态进行分类。
示例性地，通过将第二融合结果输入到用训练好的数据分类模型，对第二融合结果进行分类预测，得到目标森林对应的森林状态。
示例性地，根据所得到的森林状态，制定相应的管理策略。这些策略可以基于专业知识和经验，或者根据之前的研究和实践得出。例如，管理策略的具体内容，可针对不同的森林状态采取不同的措施，比如对于潮湿状态加强监测和防火措施，对于干旱状态加强水源管理等。
具体地，通过利用数据分类模型对第二融合结果进行分类，可以更准确地判断目标森林的状态，从而制定更符合实际情况的管理策略。基于数据分类模型的结果确定管理策略，可以使决策过程更加智能化和科学化，提高管理效率和森林资源利用率。此外，通过不断收集、分析森林状态和管理策略的反馈信息，可以持续改进数据分类模型和管理策略，使其更加适应实际情况。
请参阅图2，图2为本申请实施例提供的一种森林智慧管理装置200，该森林智慧管理装置200包括数据采集模块201、数据分析模块202、数据计算模块203、数据拆分模块204、第一融合模块205、第二融合模块206、策略确定模块207，其中，数据采集模块201，用于利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；数据分析模块202，用于利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；数据计算模块203，用于根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；数据拆分模块204，用于根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；第一融合模块205，用于根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；第二融合模块206，用于将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；策略确定模块207，用于根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
在一些实施方式中，数据分析模块202在所述利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率过程中，执行：
确定所述传感器数据对应的分布类型，根据所述分布类型对所述传感器数据进行数据拟合，获得所述传感器数据对应的第一拟合分布函数；
确定所述目标森林对应的历史实验数据，并获得所述历史实验数据对应的第二拟合分布函数；
根据所述第一拟合分布函数确定所述传感器数据对应的第一特征值和根据所述第二拟合分布函数确定所述历史实验数据对应的第二特征值；
计算所述第一特征值和所述第二特征值之间的绝对差值，根据所述绝对差值确定所述传感器数据对应的所述可信度概率。
在一些实施方式中，数据计算模块203在所述根据所述可信度概率计算所述传感器数据之间对应的冲突因子过程中，执行：
根据所述可信度概率计算所述传感器数据之间对应的相关值；
根据所述相关值确定所述传感器数据之间对应的所述冲突因子。
在一些实施方式中，第一融合模块205在所述根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果过程中，执行：
根据所述信息熵确定所述传感器数据对应的信息体积；
对所述信息体积进行归一化处理，获得归一化体积；
计算所述高冲突传感数据之间的数据距离，获得目标距离；
根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重；
根据所述融合权重对所述高冲突传感数据进行信息融合，获得所述第一融合结果。
在一些实施方式中，第一融合模块205在所述计算所述高冲突传感数据之间的数据距离，获得目标距离过程中，执行：
对所述高冲突传感数据进行数据分类，获得所述高冲突传感数据对应的数据类型以及所述数据类型对应的目标概率；
根据所述数据类型和所述目标概率确定所述高冲突传感数据之间的数据距离，获得所述目标距离；
其中，根据下列公式获得所述目标距离：
表示所述高冲突传感数据x和所述高冲突传感数据y之间的所述目标距离，表示所述高冲突传感数据x的第i个所述数据类型对应的所述目标概率，/>表示所述高冲突传感数据y的第i个所述数据类型对应的所述目标概率，k表示所述数据类型对应的全部数据量。
在一些实施方式中，第一融合模块205在所述根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重过程中，执行：
根据所述目标距离确定所述高冲突传感数据对应的数据可信度；
对所述数据可信度进行数据归一化处理，获得所述高冲突传感数据对应的归一化可信度；
融合所述归一化体积和所述归一化可信度获得所述高冲突传感数据对应的所述融合权重。
在一些实施方式中，策略确定模块207在所述根据所述第二融合结果确定所述目标森林对应的管理策略过程中，执行：
利用数据分类模型对所述第二融合结果进行数据分类，获得所述目标森林对应的森林状态；
根据所述森林状态确定所述目标森林对应的所述管理策略。
在一些实施方式中，森林智慧管理装置200可应用于终端设备。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的森林智慧管理装置200的具体工作过程，可以参考前述森林智慧管理方法实施例中的对应过程，在此不再赘述。
请参阅图3，图3为本发明实施例提供的一种终端设备的结构示意性框图。
如图3所示，终端设备300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线比如为I2C（Inter-integrated Circuit）总线。
具体地，处理器301用于提供计算和控制能力，支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地，存储器302可以是Flash芯片、只读存储器 (ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的终端设备的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的森林智慧管理方法。
在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；
利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；
根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；
根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；
根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；
将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；
根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
在一些实施方式中，处理器301在所述利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率过程中，执行：
确定所述传感器数据对应的分布类型，根据所述分布类型对所述传感器数据进行数据拟合，获得所述传感器数据对应的第一拟合分布函数；
确定所述目标森林对应的历史实验数据，并获得所述历史实验数据对应的第二拟合分布函数；
根据所述第一拟合分布函数确定所述传感器数据对应的第一特征值和根据所述第二拟合分布函数确定所述历史实验数据对应的第二特征值；
计算所述第一特征值和所述第二特征值之间的绝对差值，根据所述绝对差值确定所述传感器数据对应的所述可信度概率。
在一些实施方式中，处理器301在所述根据所述可信度概率计算所述传感器数据之间对应的冲突因子过程中，执行：
根据所述可信度概率计算所述传感器数据之间对应的相关值；
根据所述相关值确定所述传感器数据之间对应的所述冲突因子。
在一些实施方式中，处理器301在所述根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果过程中，执行：
根据所述信息熵确定所述传感器数据对应的信息体积；
对所述信息体积进行归一化处理，获得归一化体积；
计算所述高冲突传感数据之间的数据距离，获得目标距离；
根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重；
根据所述融合权重对所述高冲突传感数据进行信息融合，获得所述第一融合结果。
在一些实施方式中，处理器301在所述计算所述高冲突传感数据之间的数据距离，获得目标距离过程中，执行：
对所述高冲突传感数据进行数据分类，获得所述高冲突传感数据对应的数据类型以及所述数据类型对应的目标概率；
根据所述数据类型和所述目标概率确定所述高冲突传感数据之间的数据距离，获得所述目标距离；
其中，根据下列公式获得所述目标距离：
表示所述高冲突传感数据x和所述高冲突传感数据y之间的所述目标距离，表示所述高冲突传感数据x的第i个所述数据类型对应的所述目标概率，/>表示所述高冲突传感数据y的第i个所述数据类型对应的所述目标概率，k表示所述数据类型对应的全部数据量。
在一些实施方式中，处理器301在所述根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重过程中，执行：
根据所述目标距离确定所述高冲突传感数据对应的数据可信度；
对所述数据可信度进行数据归一化处理，获得所述高冲突传感数据对应的归一化可信度；
融合所述归一化体积和所述归一化可信度获得所述高冲突传感数据对应的所述融合权重。
在一些实施方式中，处理器301在所述根据所述第二融合结果确定所述目标森林对应的管理策略过程中，执行：
利用数据分类模型对所述第二融合结果进行数据分类，获得所述目标森林对应的森林状态；
根据所述森林状态确定所述目标森林对应的所述管理策略。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备的具体工作过程，可以参考前述森林智慧管理方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项森林智慧管理方法的步骤。
其中，所述存储介质可以是前述实施例所述的终端设备的内部存储单元，例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种森林智慧管理方法，其特征在于，所述方法包括：
利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；
利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；
根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；
根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；
根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；
将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；
根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
2.根据权利要求1所述的方法，其特征在于，所述利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率，包括：
确定所述传感器数据对应的分布类型，根据所述分布类型对所述传感器数据进行数据拟合，获得所述传感器数据对应的第一拟合分布函数；
确定所述目标森林对应的历史实验数据，并获得所述历史实验数据对应的第二拟合分布函数；
根据所述第一拟合分布函数确定所述传感器数据对应的第一特征值和根据所述第二拟合分布函数确定所述历史实验数据对应的第二特征值；
计算所述第一特征值和所述第二特征值之间的绝对差值，根据所述绝对差值确定所述传感器数据对应的所述可信度概率。
3.根据权利要求1所述的方法，其特征在于，所述根据所述可信度概率计算所述传感器数据之间对应的冲突因子，包括：
根据所述可信度概率计算所述传感器数据之间对应的相关值；
根据所述相关值确定所述传感器数据之间对应的所述冲突因子。
4.根据权利要求1所述的方法，其特征在于，所述根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果，包括：
根据所述信息熵确定所述传感器数据对应的信息体积；
对所述信息体积进行归一化处理，获得归一化体积；
计算所述高冲突传感数据之间的数据距离，获得目标距离；
根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重；
根据所述融合权重对所述高冲突传感数据进行信息融合，获得所述第一融合结果。
5.根据权利要求4所述的方法，其特征在于，所述计算所述高冲突传感数据之间的数据距离，获得目标距离，包括：
对所述高冲突传感数据进行数据分类，获得所述高冲突传感数据对应的数据类型以及所述数据类型对应的目标概率；
根据所述数据类型和所述目标概率确定所述高冲突传感数据之间的数据距离，获得所述目标距离；
其中，根据下列公式获得所述目标距离：
;
表示所述高冲突传感数据x和所述高冲突传感数据y之间的所述目标距离，/>表示所述高冲突传感数据x的第i个所述数据类型对应的所述目标概率，/>表示所述高冲突传感数据y的第i个所述数据类型对应的所述目标概率，k表示所述数据类型对应的全部数据量。
6.根据权利要求4所述的方法，其特征在于，所述根据所述归一化体积和所述目标距离确定所述高冲突传感数据对应的融合权重，包括：
根据所述目标距离确定所述高冲突传感数据对应的数据可信度；
对所述数据可信度进行数据归一化处理，获得所述高冲突传感数据对应的归一化可信度；
融合所述归一化体积和所述归一化可信度获得所述高冲突传感数据对应的所述融合权重。
7.根据权利要求1中所述的方法，其特征在于，所述根据所述第二融合结果确定所述目标森林对应的管理策略，包括：
利用数据分类模型对所述第二融合结果进行数据分类，获得所述目标森林对应的森林状态；
根据所述森林状态确定所述目标森林对应的所述管理策略。
8.一种森林智慧管理装置，其特征在于，包括：
数据采集模块，用于利用多种传感器对目标森林进行数据采集，获得所述目标森林对应的传感器数据；
数据分析模块，用于利用所述传感器数据进行数据分析，获得所述传感器数据对应的可信度概率；
数据计算模块，用于根据所述可信度概率计算所述传感器数据之间对应的冲突因子，以及根据所述可信度概率计算所述传感器数据之间对应的信息熵；
数据拆分模块，用于根据所述冲突因子对所述传感器数据进行数据分类，获得高冲突传感数据和低冲突传感数据；
第一融合模块，用于根据所述信息熵对所述高冲突传感数据进行信息融合，获得第一融合结果；
第二融合模块，用于将所述低冲突传感数据和所述第一融合结果进行信息融合，获得第二融合结果；
策略确定模块，用于根据所述第二融合结果确定所述目标森林对应的管理策略，并将所述管理策略发送至目标终端，以使得所述目标终端根据所述管理策略对所述目标森林进行智慧管理。
9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的森林智慧管理方法。
10.一种计算机存储介质，用于计算机存储，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的森林智慧管理方法的步骤。
CN202410429762.7A 2024-04-10 2024-04-10 森林智慧管理方法以及相关装置 Active CN118013377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410429762.7A CN118013377B (zh) 2024-04-10 2024-04-10 森林智慧管理方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410429762.7A CN118013377B (zh) 2024-04-10 2024-04-10 森林智慧管理方法以及相关装置

Publications (2)

Publication Number Publication Date
CN118013377A CN118013377A (zh) 2024-05-10
CN118013377B true CN118013377B (zh) 2024-06-04

Family

ID=90951037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410429762.7A Active CN118013377B (zh) 2024-04-10 2024-04-10 森林智慧管理方法以及相关装置

Country Status (1)

Country Link
CN (1) CN118013377B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009251A (zh) * 2019-04-15 2019-07-12 西安邮电大学 一种农田多源信息动态调节融合方法及系统
CN110188882A (zh) * 2018-12-28 2019-08-30 湖南大学 一种基于模糊推理的高冲突证据融合方法
CN115272807A (zh) * 2022-04-07 2022-11-01 中国人民解放军海军工程大学 一种基于多角度度量的冲突证据融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8175830B2 (en) * 2008-10-31 2012-05-08 International Business Machines Corporation Frequency estimation of rare events by adaptive thresholding

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188882A (zh) * 2018-12-28 2019-08-30 湖南大学 一种基于模糊推理的高冲突证据融合方法
CN110009251A (zh) * 2019-04-15 2019-07-12 西安邮电大学 一种农田多源信息动态调节融合方法及系统
CN115272807A (zh) * 2022-04-07 2022-11-01 中国人民解放军海军工程大学 一种基于多角度度量的冲突证据融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于熵的决策可信度分析;刘利东;德州学院学报;20030830(第04期);全文 *

Also Published As

Publication number Publication date
CN118013377A (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
US11151379B2 (en) Method and system for crop type identification using satellite observation and weather data
US11432469B2 (en) Method for prediction of soil and/or plant condition
US10095774B1 (en) Cluster evaluation in unsupervised learning of continuous data
Chu et al. Hybrid intra-hour DNI forecasts with sky image processing enhanced by stochastic learning
CN110705718A (zh) 基于合作博弈的模型解释方法、装置、电子设备
US10552511B2 (en) Systems and methods for data-driven anomaly detection
CN102956023A (zh) 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
Li et al. Application of penalized linear regression and ensemble methods for drought forecasting in Northeast China
CN118094118B (zh) 数据集质量评估方法、系统、电子设备及存储介质
CN111178533B (zh) 实现自动半监督机器学习的方法及装置
Singh et al. Unsupervised change detection from remote sensing images using hybrid genetic FCM
CN118013377B (zh) 森林智慧管理方法以及相关装置
Xu et al. Identification of algal blooms based on support vector machine classification in Haizhou Bay, East China Sea
Schuh et al. Machine learning and generalized linear model techniques to predict aboveground biomass in Amazon rainforest using LiDAR data
CN113255820B (zh) 落石检测模型训练方法、落石检测方法及相关装置
Kent et al. Incorporating land cover within bayesian journey-to-crime estimation models
Qing-Dao-Er-Ji et al. Research on data mining algorithm of meteorological observation based on data quality control algorithm
CN111428741B (zh) 网络社区的发现方法、装置、电子设备及可读存储介质
Moso et al. Abnormal behavior detection in farming stream data
CN115801845B (zh) 基于边缘计算的工业互联网数据采集方法及相关设备
CN114399788B (zh) 对象检测方法和系统
CN115514621B (zh) 故障监测方法、电子设备及存储介质
CN118624540B (zh) 一种基于遥感气象数据协同的病虫害监测方法
CN117992834B (zh) 一种数据分析方法以及相关装置
CN118071165B (zh) 基于大数据分析的水务数据可视化实现方法及数字平台

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