KR20230056606A - 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비 - Google Patents

머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비 Download PDF

Info

Publication number
KR20230056606A
KR20230056606A KR1020220134476A KR20220134476A KR20230056606A KR 20230056606 A KR20230056606 A KR 20230056606A KR 1020220134476 A KR1020220134476 A KR 1020220134476A KR 20220134476 A KR20220134476 A KR 20220134476A KR 20230056606 A KR20230056606 A KR 20230056606A
Authority
KR
South Korea
Prior art keywords
vegetation
characteristic information
condition characteristic
slope
growth
Prior art date
Application number
KR1020220134476A
Other languages
English (en)
Other versions
KR102585381B1 (ko
Inventor
광취엔 리우
완리 스
리우 리우
춘위 치
잉페이 바이
푸항 리
치앙 장
용구이 천
헝 푸
Original Assignee
차이나 인스티튜트 오브 워터 리소시즈 앤드 하이드로파워 리서치
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 차이나 인스티튜트 오브 워터 리소시즈 앤드 하이드로파워 리서치 filed Critical 차이나 인스티튜트 오브 워터 리소시즈 앤드 하이드로파워 리서치
Publication of KR20230056606A publication Critical patent/KR20230056606A/ko
Application granted granted Critical
Publication of KR102585381B1 publication Critical patent/KR102585381B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Animal Husbandry (AREA)
  • Educational Administration (AREA)
  • Mining & Mineral Resources (AREA)

Abstract

본 발명은 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법을 개시한다. 여기에는 식생 군집 이력 생장 환경 데이터를 획득하는 단계; 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 단계; 식생 군집 구조 선택 모델을 구축하는 단계; 및 식생 군집 구조 선택 모델을 이용해, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축하는 단계가 포함된다. 본 발명은 입지 조건 및 생장 조건으로부터 식생 복원의 다양한 영향 요인을 종합적으로 고려하며, 간단한 조작, 빠른 모델링 속도, 높은 계산 효율 및 높은 선별 정확도 등의 장점을 갖는다. 따라서 정확하고 효과적으로 농지를 산림으로 복원할 수 있어 생태 환경의 질을 향상시키는 데 도움이 된다.

Description

머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비 {THE METHOD, SYSTEM AND EQUIPMENT FOR VEGETATION RESTORATION OR REHABILITATION OF SIMULATING NATURAL ECOSYSTEM BASED ON MACHINE LEARNIG}
본 발명은 식생 복원의 기술 분야에 관한 것으로, 보다 상세하게는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비에 관한 것이다.
식생 복원은 생태 환경의 악화를 억제하며 취약하고 훼손된 생태계를 개선하기 위한 효과적인 조치이다. 황토 고원의 생태 복원과 재건의 핵심이 식생의 복원과 재건이라는 점은 생태계에서 공감대가 형성된 것이다. 중국은 오래 전부터 토양 침식이 심한 황토 구릉지와 협곡 지역에서 식생 복원 사업을 많이 진행해 왔다. 특히 1999년부터 농지를 산림(초원)화하는 사업을 실시하여 지역 생태계 건설 작업을 더욱 전면적으로 추진하고 있다. 일련의 생태 건설 프로젝트 실시와 지원 정책이 시행되면서, 농촌경제의 발전이 촉진되었고, 해당 지역이 수년에 걸쳐 관리되면서 훼손되며 생태 환경이 부분적으로 개선되는 경향을 억제하였다.
농지 삼림 복원 프로젝트는 토지 이용 구조 조정을 위한 구체적인 조치이다. 이를 시행할 경우 토지 피복이 대규모로 변모하여 지역 생태 환경에 중대한 영향을 미칠 수 있다. 농지 산림 복원 프로젝트의 생태학적 목표는 산림 피복율 증가를 기반으로 건강한 산림생태계를 구축하고 그 서비스 기능 가치를 실현하는 것이다. 그러나 가혹한 자연 조건과 부적합한 수종의 선택, 부실한 관리로 인해 일부 지역의 조림의 생존율과 보존율이 낮다. 임분생장량에 대한 추정이 정확하지 않아 아직 효과적인 보호 구조가 확립되지 않았기 때문에 안정적인 산림 환경을 조성하지 못하고 있다. 따라서 토양 개량, 강수 침투 촉진, 토양 유실 제어 등의 기능을 발휘하기 어려워 농지의 생태적 효용성이 낮다.
종래의 농지를 산림으로 복원하는 방법은 대부분 수작업으로 단일 입지 조건에 적합한 식생을 연구하거나 선별하기 때문에, 과도한 인건비와 낮은 선별 정확도 등의 문제가 불가피하다.
종래 기술의 상술한 단점을 고려하여, 본 발명은 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비를 제공한다.
상술한 발명의 목적을 달성하기 위해, 본 발명에서 채택하는 기술적 해결책은 이하와 같다.
제1 양상에 있어서, 본 발명은 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법을 제공하며, 여기에는
식생 군집 이력 생장 환경 데이터를 획득하는 단계;
이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 단계;
식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 단계; 및
식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축하는 단계가 포함된다.
더 나아가, 상기 식생의 입지 조건 특징 정보는 식생이 위치한 지리 환경의 경사향 특징 정보, 경사도 특징 정보, 경사 위치 특징 정보 및 미세 지형 특징 정보를 포함한다.
여기에서 식생이 위치한 경사향 특징 정보는 구체적으로 식생이 위치한 경사향이 양지 경사, 반양지 경사, 반음지 경사 및 음지 경사 중 하나이다.
식생이 위치한 경사도 특징 정보는 구체적으로 식생이 위치한 경사도가 평지, 완경사, 경사, 급경사, 험경사 및 절험경사 중 하나이다.
식생이 위치한 경사 위치 특징 정보는 구체적으로 식생이 위치한 경사 위치가 능선 경사, 상경사, 중경사, 하경사 및 계곡 경사 중 하나이다.
식생이 위치한 미세 지형 특징 정보는 구체적으로 식생이 위치한 미세 지형이 완만 지대, 함몰, 구곡, 얕은 구곡, 절벽 중 하나이다.
더 나아가, 상기 식생의 생장 조건 특징 정보는 식생이 위치한 기상 환경의 일조 시간 특징 정보, 토양 습도 특징 정보, 공기 온도 특징 정보, 공기 압력 특징 정보, 상대 습도 특징 정보를 포함한다.
더 나아가, 상기 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 상기 단계는 구체적으로,
식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 생장 조건 특징 정보를 선택하는 하위 단계;
식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 입지 조건 특징 정보를 선택하는 하위 단계;
선택된 각 식생 상관성이 가장 큰 생장 조건 특징 정보 및 입지 조건 특징 정보에 따라, 일대일 대응 관계의 샘플 데이터베이스를 구축하는 하위 단계; 및
샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정하는 하위 단계를 포함한다.
더 나아가, 상기 식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 생장 조건 특징 정보를 선택하는 단계는 구체적으로,
식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 생장 조건 특징 정보 매트릭스를 구축하는 하위 단계;
생장 조건 임계값을 설정하고, 생장 조건 임계값 매트릭스를 구축하는 하위 단계;
각종 생장 조건 특징 정보와 대응하는 생장 조건 임계값의 상관 계수를 각각 계산하는 하위 단계;
계산된 상관 계수에 따라, 각종 생장 조건 특징 정보의 상관 순서를 각각 계산하는 하위 단계; 및
계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 생장 조건 특징 정보를 선택하는 하위 단계를 포함한다.
더 나아가, 상기 식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 입지 조건 특징 정보를 선택하는 단계는 구체적으로,
식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 입지 조건 특징 정보 매트릭스를 구축하는 하위 단계;
입지 조건 임계값을 설정하고, 입지 조건 임계값 매트릭스를 구축하는 하위 단계;
각종 입지 조건 특징 정보와 대응하는 입지 조건 임계값의 상관 계수를 각각 계산하는 하위 단계;
계산된 상관 계수에 따라, 각종 입지 조건 특징 정보의 상관 순서를 각각 계산하는 하위 단계; 및
계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 입지 조건 특징 정보를 선택하는 하위 단계를 포함한다.
더 나아가, 샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정하는 상기 단계는,
샘플 데이터베이스의 샘플 데이터를 학습 샘플로 획득하는 하위 단계;
샘플 데이터에 대해 정규화 처리를 수행하는 하위 단계;
은닉층 수를 설정하는 하위 단계;
진화 횟수, 개체군 규모, 교차 확률 및 돌연변이 확률을 초기화하는 하위 단계;
개체군에 대해 실수 코딩을 수행하고, 예측 데이터와 기대 데이터 간의 오차를 적합도 함수로 사용하는 하위 단계;
진화 횟수에 도달하고 최적의 초기 가중치 및 임계값을 획득할 때까지 선택, 교차, 돌연변이 및 적합도 계산 조작을 순환 수행하는 하위 단계;
획득한 최적의 초기 가중치와 임계값을 신경망 중 초기 뉴런 간의 가중치와 임계값으로 사용하여, 식생 군집 구조 선택 모델을 구축하는 하위 단계; 및
학습 샘플을 사용하여 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 구축하는 하위 단계를 포함한다.
제2 양상에 있어서, 본 발명은 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템을 제공하며, 여기에는
식생 군집 이력 생장 환경 데이터를 획득하는 데 사용되는 데이터 획득 모듈;
이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 데 사용되는 데이터 추출 모듈;
식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 데 사용되는 모델 구축 모듈; 및
식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레레이션된 자연 생태 식생 군집을 구축하는 데 사용되는 식생 구축 모듈을 포함한다.
제3 양상에 있어서, 본 발명은 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비를 제공하며, 여기에는
컴퓨터 프로그램을 저장하는 데 사용되는 메모리; 및
상기 컴퓨터 프로그램을 실행할 때 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계를 구현하는 데 사용되는 프로세서가 포함된다.
제4 양상에 있어서, 본 발명은 프로세서에 실행될 때 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계를 구현하는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체를 제공한다.
본 발명의 유익한 효과는 하기와 같다.
본 발명은 식생 군집 이력 생장 환경 데이터 중 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 이용하여 식생 군집 구조 선택 모델을 구축하고, 식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축한다. 상기 방법은 입지 조건 및 생장 조건으로부터 식생 복원의 다양한 영향 요인을 종합적으로 고려하며, 간단한 조작, 빠른 모델링 속도, 높은 계산 효율 및 높은 선별 정확도 등의 장점을 갖는다. 따라서 정확하고 효과적으로 농지를 산림으로 복원할 수 있어 생태 환경의 질을 향상시키는데 도움이 된다.
도 1은 본 발명의 실시예에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 흐름도이다.
도 2는 본 발명의 실시예에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템의 구조도이다.
도 3은 본 발명의 실시예에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비의 구조도이다.
이하에서는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 이해할 수 있도록 본 발명의 구체적인 실시방식을 설명한다. 그러나 본 발명이 구체적인 실시방식의 범위에 한정되는 것은 아님에 유의한다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 다양한 변경이 첨부된 청구범위에 의해 한정되고 결정된 본 발명의 사상 및 범위 내에서 용이하게 수행될 수 있으며, 이러한 변경은 모두 본 발명의 개념을 활용한 모든 발명 및 창작물은 보호 범위 내에 속함에 유의한다.
도 1에 도시된 바와 같이, 본 발명에서 제공하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법은 이하의 단계 S1 내지 S4를 포함한다.
S1: 식생 군집 이력 생장 환경 데이터를 획득한다.
본 단계에서 본 발명은 현장 조사 및 기기 관측 등 수단을 이용하여 분석 대상 지역의 식생 군집의 이력 생장 환경 데이터를 획득하며, 후속적인 식생 군집 구조 선택 모델 학습을 위한 효과적인 학습 데이터를 제공하는 데 사용한다.
본 발명에서 채택한 식생 군집 이력 생장 환경 데이터는 식생이 위치한 지리 환경의 입지 조건 특징 정보와 식생이 위치한 기상 환경의 생장 조건 특징 정보를 포함한다. 따라서 입지 조건과 생장 조건으로부터 식생 복원의 다양한 영향 요인을 종합적으로 고려하여 식생 군집 구조 선택 모델의 선별 정확성을 크게 향상시킨다.
S2: 이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출한다.
본 단계에서 본 발명은 S1 단계에서 획득한 식생 군집 이력 생장 환경 데이터로부터 각종 식생 및 대응하는 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출한다.
본 발명에서 채택하는 식생의 입지 조건 특징 정보는 식생이 위치한 지리 환경의 경사향 특징 정보, 경사도 특징 정보, 경사 위치 특징 정보 및 미세 지형 특징 정보를 포함한다.
여기에서 식생이 위치한 경사향 특징 정보는 구체적으로 식생이 위치한 경사향이 양지 경사, 반양지 경사, 반음지 경사 및 음지 경사 중 하나이다.
식생이 위치한 경사도 특징 정보는 구체적으로 식생이 위치한 경사도가 평지, 완경사, 경사, 급경사, 험경사 및 절험경사 중 하나이다.
식생이 위치한 경사 위치 특징 정보는 구체적으로 식생이 위치한 경사 위치가 능선 경사, 상경사, 중경사, 하경사 및 계곡 경사 중 하나이다.
식생이 위치한 미세 지형 특징 정보는 구체적으로 식생이 위치한 미세 지형이 완만 지대, 함몰, 구곡, 얕은 구곡, 절벽 중 하나이다.
본 발명은 각종 식생이 위치한 지리 환경의 경사향 특징 정보, 경사도 특징 정보, 경사 위치 특징 정보 및 미세 지형 특징 정보를 추출하여, 각종 입지 조건 하에서의 식생 생장의 사망률 및 재생률에 따라 각종 입지 조건 하에서의 식생의 생장 상태를 분석하고, 각종 입지 조건 하에서 복원에 적합한 식생 유형을 선별하며, 구축된 식생이 정상적으로 생장하고 자연적으로 재생될 수 있도록 보장할 수 있다.
본 발명에서 채택하는 식생의 생장 조건 특징 정보는 식생이 위치한 기상 환경의 일조 시간 특징 정보, 토양 습도 특징 정보, 공기 온도 특징 정보, 공기 압력 특징 정보, 상대 습도 특징 정보를 포함한다.
본 발명은 각종 식생이 위치한 기상 환경의 일조 시간 특징 정보, 토양 습도 특징 정보, 공기 온도 특징 정보, 공기 압력 특징 정보, 상대 습도 특징 정보를 추출하여, 각종 생장 조건 하에서 식생의 줄기가 주기적으로 변화하는 데이터에 따라 각종 생장 조건 하에서 식생의 생장 상태를 분석하고, 각종 생장 조건 하에서 복원에 적합한 식생의 유형을 선별하여, 구축된 식생이 위치한 지역 환경에 비교적 강한 적응력을 가질 수 있도록 보장할 수 있다.
S3: 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축한다.
본 단계에서 본 발명의 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 단계는 구체적으로 이하 하위 단계를 포함한다.
S3-1: 식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 생장 조건 특징 정보를 선택한다.
본 하위 단계에서, 본 발명의 식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 생장 조건 특징 정보를 선택하는 단계는 구체적으로 하위 단계를 포함한다.
S3-1-1: 식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 생장 조건 특징 정보 매트릭스를 구축하며, 다음과 같이 표시된다.
Figure pat00001
식에서
Figure pat00002
는 식생이 위치한 기상 환경의 생장 조건 특징 정보를 나타낸다.
Figure pat00003
는 식생이 위치한 기상 환경의 생장 조건 특징 정보
Figure pat00004
의 구체적인 수치를 나타낸다. n은 식생이 위치한 기상 환경의 생장 조건 특징 정보의 유형 개수를 나타낸다. m은 식생이 위치한 기상 환경의 생장 조건 특징 정보의 구체적인 수치 개수를 나타낸다. 예를 들어 식생이 위치한 기상 환경의 일조 시간 특징 정보가
Figure pat00005
이면, 식생이 위치한 기상 환경의 일조 시간의 구체적인 수치는
Figure pat00006
로 표시된다.
S3-1-2: 생장 조건 임계값을 설정하고, 생장 조건 임계값 매트릭스를 구축하며, 다음과 같이 표시된다.
Figure pat00007
식에서
Figure pat00008
은 생장 조건 임계값을 나타낸다. 예를 들어 식생이 위치한 기상 환경의 일조 시간 임계값을
Figure pat00009
로 나타낸다.
S3-1-3: 각종 생장 조건 특징 정보와 대응하는 생장 조건 임계값의 상관 계수를 각각 계산하며, 계산 공식은 다음과 같다.
Figure pat00010
식에서
Figure pat00011
은 설정한 생장 조건에 대응하는 분별 계수를 나타내고, i는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 종류 번호를 나타내고, k는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 구체적인 수치 번호를 나타낸다.
본 발명은 원래 데이터를 직접 사용하여 상관 계수를 계산하며, 계산을 보다 편리하게 만들고 계산 효과를 개선한다. 또한 전통적인 정규화 처리로 인한 특징 정보 기능에 대한 부정적인 영향을 피할 수 있다.
S3-1-4: 계산된 상관 계수에 따라, 각종 생장 조건 특징 정보의 상관 순서를 각각 계산하며, 계산 공식은 다음과 같다.
Figure pat00012
식에서 Wk는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 가중치를 나타낸다.
S3-1-5: 계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 생장 조건 특징 정보를 선택한다.
S3-2; 식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 입지 조건 특징 정보를 선택한다.
본 하위 단계에서, 본 발명의 식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 입지 조건 특징 정보를 선택하는 단계는 구체적으로 하위 단계를 포함한다.
S3-2-1: 식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 입지 조건 특징 정보 매트릭스를 구축하며, 다음과 같다.
Figure pat00013
식에서
Figure pat00014
는 식생이 위치한 기상 환경의 생장 조건 특징 정보를 나타낸다.
Figure pat00015
는 식생이 위치한 기상 환경의 생장 조건 특징 정보
Figure pat00016
의 구체적인 수치를 나타낸다. p는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 유형 개수를 나타낸다. q는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 구체적인 수치 개수를 나타낸다. 예를 들어 식생이 위치한 기상 환경의 일조 시간 특징 정보가
Figure pat00017
이면, 식생이 위치한 기상 환경의 일조 시간의 구체적인 수치는
Figure pat00018
로 표시된다.
S3-2-2: 입지 조건 임계값을 설정하고, 입지 조건 임계값 매트릭스를 구축하며, 다음과 같이 표시된다.
Figure pat00019
식에서
Figure pat00020
은 생장 조건 임계값을 나타낸다. 예를 들어 식생이 위치한 기상 환경의 일조 시간 임계값을
Figure pat00021
로 나타낸다.
S3-2-3: 각종 입지 조건 특징 정보와 대응하는 입지 조건 임계값의 상관 계수를 각각 계산하며, 계산 공식은 다음과 같다.
Figure pat00022
식에서
Figure pat00023
은 설정한 입지 조건에 대응하는 분별 계수를 나타내고, j는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 종류 번호를 나타내고, l은 식생이 위치한 기상 환경의 생장 조건 특징 정보의 구체적인 수치 번호를 나타낸다.
S3-2-4: 계산된 상관 계수에 따라, 각종 입지 조건 특징 정보의 상관 순서를 각각 계산하며, 계산 공식은 다음과 같다.
Figure pat00024
식에서 Wl는 식생이 위치한 기상 환경의 생장 조건 특징 정보의 가중치를 나타낸다.
S3-2-5: 계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 입지 조건 특징 정보를 선택한다.
S3-3: 선택된 각 식생 상관성이 가장 큰 생장 조건 특징 정보 및 입지 조건 특징 정보에 따라, 일대일 대응 관계의 샘플 데이터베이스를 구축한다.
본 단계에서, 본 발명은 단계 S3-1에 따라 각 식생 상관성이 가장 큰 생장 조건 특징 정보를 선별하고 단계 S3-2에 따라 각 식생 상관성이 가장 큰 입지 조건 특징 정보를 선별하며, 각종 식생과 그 상관성이 가장 큰 생장 조건 특징 정보 및 입지 조건 특징 정보의 일대일 대응 관계의 샘플 데이터베이스를 구축한다.
S3-4: 샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정한다.
본 단계에서, 본 발명의 샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정하는 단계는 이하의 하위 단계를 포함한다.
S3-4-1: 샘플 데이터베이스의 샘플 데이터를 학습 샘플로 획득한다.
S3-4-2: 샘플 데이터에 대해 정규화 처리를 수행한다.
S3-4-3: 은닉층 수를 설정한다.
S3-4-4: 진화 횟수, 개체군 규모, 교차 확률 및 돌연변이 확률을 초기화한다.
S3-4-5: 개체군에 대해 실수 코딩을 수행하고, 예측 데이터와 기대 데이터 간의 오차를 적합도 함수로 사용한다.
S3-4-6: 진화 횟수에 도달하고 최적의 초기 가중치 및 임계값을 획득할 때까지 선택, 교차, 돌연변이 및 적합도 계산 조작을 순환 수행한다.
S3-4-7: 획득한 최적의 초기 가중치와 임계값을 신경망 중 초기 뉴런 간의 가중치와 임계값으로 사용하여, 식생 군집 구조 선택 모델을 구축한다.
S3-4-8: 학습 샘플을 사용하여 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 구축한다.
본 발명은 유전 알고리즘을 사용하여 신경망의 구성을 최적화한다. 이는 전통적인 신경망의 초기 뉴런 간의 가중치 및 임계값의 무작위 선택으로 인해 발생하는 국소 최소값 문제를 방지할 수 있으므로, 모델의 견고성과 정확성을 향상시킬 수 있다.
S4: 식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축한다.
이상에서 본 발명이 제공하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 실시예를 상세히 설명하였다. 본 발명은 상기 방법에 대응하는 머신 러닝 기반 시뮬레이션된 자연 생태 식생 구축 시스템, 장비 및 컴퓨터 판독 가능 저장 매체를 더 제공한다. 시스템, 장비 및 컴퓨터 판독 가능 저장 매체 부분의 실시예는 방법 부분의 실시예와 서로 대응되므로, 시스템, 장비 및 컴퓨터 판독 가능 저장 매체 부분의 실시예는 방법 부분의 실시예 설명을 참조한다. 따라서 여기에서 반복하여 설명하지 않기로 한다.
도 2는 본 발명의 실시예에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템의 구조도이다. 여기에는,
식생 군집 이력 생장 환경 데이터를 획득하는 데 사용되는 데이터 획득 모듈;
이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 데 사용되는 데이터 추출 모듈;
식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 데 사용되는 모델 구축 모듈; 및
식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축하는 데 사용되는 식생 구축 모듈이 포함된다.
본 발명의 실시예에서 제공하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템은 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 유익한 효과를 갖는다.
도 3은 본 발명의 실시예에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비의 구조도이다. 여기에는,
컴퓨터 프로그램을 저장하는 데 사용되는 메모리; 및
상기 컴퓨터 프로그램을 실행할 때 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계를 구현하는 데 사용되는 프로세서가 포함된다.
본 발명의 실시예에서 제공하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비는 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 유익한 효과를 갖는다.
본 발명의 실시예는 프로세서에 실행될 때 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계를 구현하는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체를 제공한다.
본 발명 실시예에서 제공하는 컴퓨터 판독 가능 저장 매체는 상술한 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 유익한 효과를 갖는다.
본 발명은 본 발명의 실시예의 방법, 장비(시스템) 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 설명한 것이다. 흐름도 및/또는 블록도의 각 흐름 및/또는 블록, 및 흐름도 및/또는 블록도의 흐름 및/또는 블록의 조합은 컴퓨터 프로그램 명령에 의해 구현될 수 있음을 이해해야 한다. 이러한 컴퓨터 프로그램 명령은 범용 컴퓨터, 특수 목적 컴퓨터, 임베디드 프로세서 또는 기타 프로그래밍 가능한 데이터 처리 장치의 프로세서에 제공되어 하나의 기기를 생성하며, 이는 컴퓨터 또는 기타 프로그래밍 가능한 데이터 처리 장치의 프로세서가 실행하는 명령을 통해 흐름도의 하나의 흐름 또는 복수의 흐름 및/또는 블록도의 하나의 블록 또는 복수의 블록에 지정된 기능을 구현하기 위한 장치를 생성시킨다.
이러한 컴퓨터 프로그램 명령은 컴퓨터 또는 다른 프로그래밍 가능한 데이터 처리 장치가 특정 방식으로 작동하도록 안내할 수 있는 컴퓨터 판독 가능 메모리에 저장될 수 있으며, 상기 컴퓨터 판독 가능 메모리에 저장된 명령은 명령 장치의 제조품을 포함하고, 상기 명령 장치는 흐름도의 하나의 흐름 또는 복수의 흐름 및/또는 블록도의 하나의 블록 또는 복수의 블록에 지정된 기능을 구현한다.
이러한 컴퓨터 프로그램 명령은 컴퓨터 또는 기타 프로그래밍 가능한 데이터 처리 장치에 로드될 수도 있으며, 컴퓨터 또는 기타 프로그래밍 가능한 장치에서 일련의 작동 단계를 실행하여 컴퓨터로 구현되는 프로세스를 생성한다. 따라서 컴퓨터 또는 다른 프로그래밍 가능한 장치에서 실행되는 명령은 흐름도 중 하나의 흐름 또는 복수의 흐름 및/또는 블록도에서 하나의 블록 또는 복수의 블록에서 지정된 기능의 단계를 구현하는 데 제공된다.
본 발명에서는 구체적인 실시예를 이용하여 본 발명의 원리 및 실시방식을 설명하였다. 상기 실시예에 대한 설명은 본 발명의 방법 및 핵심 사상을 이해하는 데 도움을 주기 위한 것일 뿐이다. 또한 본 발명이 속한 기술 분야의 당업자는 본 발명의 사상을 기반으로 구체적인 실시방식 및 적용 범위에서 변경을 수행할 수 있다. 요약하면, 본 명세서의 내용이 본 발명을 제한하는 것으로 해석되어서는 안 된다.
본 기술 분야의 당업자는 본원에 설명된 실시예가 본 발명의 원리에 대한 독자의 이해를 돕기 위한 것임을 이해할 수 있으며, 본 발명의 보호 범위는 이러한 특정 진술 및 실시예에 한정되지 않음에 유의한다. 본 기술 분야의 당업자는 본 발명에 개시된 이러한 기술적 시사점에 따라 본 발명의 요지를 벗어나지 않고 다양한 다른 구체적인 변형 및 조합을 수행할 수 있으며, 이러한 변형 및 조합은 여전히 본 발명의 보호 범위에 속한다.

Claims (9)

  1. 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법에 있어서,
    식생 군집 이력 생장 환경 데이터를 획득하는 단계;
    이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 단계;
    식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 단계 - 구체적으로,
    식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 생장 조건 특징 정보를 선택하는 하위 단계;
    식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 입지 조건 특징 정보를 선택하는 하위 단계;
    선택된 각 식생 상관성이 가장 큰 생장 조건 특징 정보 및 입지 조건 특징 정보에 따라, 일대일 대응 관계의 샘플 데이터베이스를 구축하는 하위 단계; 및
    샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정하는 하위 단계를 포함함 - ; 및
    식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축하는 단계;를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  2. 제1항에 있어서,
    상기 식생의 입지 조건 특징 정보는 식생이 위치한 지리 환경의 경사향 특징 정보, 경사도 특징 정보, 경사 위치 특징 정보 및 미세 지형 특징 정보를 포함하고,
    여기에서 식생이 위치한 경사향 특징 정보는 구체적으로 식생이 위치한 경사향이 양지 경사, 반양지 경사, 반음지 경사 및 음지 경사 중 하나이고,
    식생이 위치한 경사도 특징 정보는 구체적으로 식생이 위치한 경사도가 평지, 완경사, 경사, 급경사, 험경사 및 절험경사 중 하나이고,
    식생이 위치한 경사 위치 특징 정보는 구체적으로 식생이 위치한 경사 위치가 능선 경사, 상경사, 중경사, 하경사 및 계곡 경사 중 하나이고,
    식생이 위치한 미세 지형 특징 정보는 구체적으로 식생이 위치한 미세 지형이 완만 지대, 함몰, 구곡, 얕은 구곡, 절벽 중 하나인 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  3. 제2항에 있어서,
    상기 식생의 생장 조건 특징 정보는 식생이 위치한 기상 환경의 일조 시간 특징 정보, 토양 습도 특징 정보, 공기 온도 특징 정보, 공기 압력 특징 정보, 상대 습도 특징 정보를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  4. 제1항에 있어서,
    상기 식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 생장 조건 특징 정보를 선택하는 단계는 구체적으로,
    식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 생장 조건 특징 정보 매트릭스를 구축하는 하위 단계;
    생장 조건 임계값을 설정하고, 생장 조건 임계값 매트릭스를 구축하는 하위 단계;
    각종 생장 조건 특징 정보와 대응하는 생장 조건 임계값의 상관 계수를 각각 계산하는 하위 단계;
    계산된 상관 계수에 따라, 각종 생장 조건 특징 정보의 상관 순서를 각각 계산하는 하위 단계; 및
    계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 생장 조건 특징 정보를 선택하는 하위 단계를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  5. 제4항에 있어서,
    상기 식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 높은 입지 조건 특징 정보를 선택하는 단계는 구체적으로,
    식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 입지 조건 특징 정보 매트릭스를 구축하는 하위 단계;
    입지 조건 임계값을 설정하고, 입지 조건 임계값 매트릭스를 구축하는 하위 단계;
    각종 입지 조건 특징 정보와 대응하는 입지 조건 임계값의 상관 계수를 각각 계산하는 하위 단계;
    계산된 상관 계수에 따라, 각종 입지 조건 특징 정보의 상관 순서를 각각 계산하는 하위 단계; 및
    계산된 상관 순서에 따라 크기별로 정렬하고, 상관 순서가 가장 큰 입지 조건 특징 정보를 선택하는 하위 단계;를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  6. 제5항에 있어서,
    샘플 데이터베이스를 이용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정하는 방법은 구체적으로,
    샘플 데이터베이스의 샘플 데이터를 학습 샘플로 획득하는 하위 단계;
    샘플 데이터에 대해 정규화 처리를 수행하는 하위 단계;
    은닉층 수를 설정하는 하위 단계;
    진화 횟수, 개체군 규모, 교차 확률 및 돌연변이 확률을 초기화하는 하위 단계;
    개체군에 대해 실수 코딩을 수행하고, 예측 데이터와 기대 데이터 간의 오차를 적합도 함수로 사용하는 하위 단계;
    진화 횟수에 도달하고 최적의 초기 가중치 및 임계값을 획득할 때까지 선택, 교차, 돌연변이 및 적합도 계산 조작을 순환 수행하는 하위 단계;
    획득한 최적의 초기 가중치와 임계값을 신경망 중 초기 뉴런 간의 가중치와 임계값으로 사용하여, 식생 군집 구조 선택 모델을 구축하는 하위 단계; 및
    학습 샘플을 사용하여 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 구축하는 하위 단계;를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법.
  7. 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템에 있어서,
    식생 군집 이력 생장 환경 데이터를 획득하는 데 사용되는 데이터 획득 모듈;
    이력 생장 환경 데이터로부터 각 식생의 입지 조건 특징 정보 및 생장 조건 특징 정보를 추출하는 데 사용되는 데이터 추출 모듈;
    식생의 입지 조건 특징 정보 및 생장 조건 특징 정보에 따라, 식생 군집 구조 선택 모델을 구축하는 데 사용되는 모델 구축 모듈 - 구체적으로,
    식생이 위치한 기상 환경의 생장 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 생장 조건 특징 정보를 선택하고,
    식생이 위치한 지리 환경의 입지 조건 특징 정보를 획득하고, 각 식생 상관성이 가장 큰 입지 조건 특징 정보를 선택하고,
    선택된 각 식생 상관성이 가장 큰 생장 조건 특징 정보 및 입지 조건 특징 정보에 따라, 일대일 대응 관계의 샘플 데이터베이스를 구축하고,
    샘플 데이터베이스를 사용하여, 머신 러닝 방법을 기반으로 식생 군집 구조 선택 모델을 학습시키고, 생장 조건 특징 정보 및 입지 조건 특징 정보와 식생 유형 간의 대응 관계를 결정함 - ; 및
    식생 군집 구조 선택 모델을 이용하여, 식생 군집 현재 생장 환경 데이터에 따라 최적의 식생을 선택하고, 시뮬레이션된 자연 생태 식생 군집을 구축하는 데 사용되는 식생 구축 모듈;을 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 시스템.
  8. 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비에 있어서,
    컴퓨터 프로그램을 저장하는 데 사용되는 메모리; 및
    상기 컴퓨터 프로그램을 실행할 때 제1항 내지 제6항 중 어느 한 항에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계;를 구현하는 데 사용되는 프로세서를 포함하는 것을 특징으로 하는 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 장비.
  9. 프로세서에 실행될 때 제1항 내지 제6항 중 어느 한 항에 따른 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법의 단계를 구현하는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체.
KR1020220134476A 2021-10-20 2022-10-18 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비 KR102585381B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111218314.5 2021-10-20
CN202111218314.5A CN113868963B (zh) 2021-10-20 2021-10-20 基于机器学习的仿自然生态植被构建方法、系统及设备

Publications (2)

Publication Number Publication Date
KR20230056606A true KR20230056606A (ko) 2023-04-27
KR102585381B1 KR102585381B1 (ko) 2023-10-05

Family

ID=79000505

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220134476A KR102585381B1 (ko) 2021-10-20 2022-10-18 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비

Country Status (3)

Country Link
US (1) US11694005B2 (ko)
KR (1) KR102585381B1 (ko)
CN (1) CN113868963B (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077235B (zh) * 2023-10-18 2024-03-08 北京林业大学 近自然森林群落设计和优化方法、装置和电子设备
CN117314021A (zh) * 2023-11-29 2023-12-29 中国科学院东北地理与农业生态研究所 基于遥感和历史数据的湿地恢复重建分析方法及系统
CN117787003A (zh) * 2023-12-29 2024-03-29 北京江河惠远科技有限公司 一种用于输电线路生态圈搭建的植被恢复方案生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100077465A (ko) * 2008-12-29 2010-07-08 대한민국(산림청 국립수목원장) 지리정보를 이용한 식물복원 적지 선정 방법, 단말기 및 시스템
KR20210085307A (ko) * 2019-12-30 2021-07-08 서울대학교산학협력단 현존식생을 고려한 참조생태계 선정과 이를 이용한 식생복원 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360453A (zh) * 2011-09-28 2012-02-22 北京林业大学 一种防护林水平配置方法
CN108920674B (zh) * 2018-07-09 2019-05-24 广州地理研究所 一种生态安全格局构建方法
US10990875B2 (en) * 2018-11-28 2021-04-27 International Business Machines Corporation Neural network forecasting for tiered hydroponic natural farming configurations
US11436712B2 (en) * 2019-10-21 2022-09-06 International Business Machines Corporation Predicting and correcting vegetation state
CN113837707B (zh) * 2020-06-08 2024-04-09 杭州睿琪软件有限公司 辅助用户进行植物养护的方法和计算机系统
CN112084926A (zh) * 2020-09-03 2020-12-15 常德鑫芙蓉环保有限公司 废弃矿山生态修复植物筛选方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100077465A (ko) * 2008-12-29 2010-07-08 대한민국(산림청 국립수목원장) 지리정보를 이용한 식물복원 적지 선정 방법, 단말기 및 시스템
KR20210085307A (ko) * 2019-12-30 2021-07-08 서울대학교산학협력단 현존식생을 고려한 참조생태계 선정과 이를 이용한 식생복원 방법

Also Published As

Publication number Publication date
CN113868963A (zh) 2021-12-31
US11694005B2 (en) 2023-07-04
US20230123790A1 (en) 2023-04-20
CN113868963B (zh) 2022-06-28
KR102585381B1 (ko) 2023-10-05

Similar Documents

Publication Publication Date Title
KR20230056606A (ko) 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비
Fan et al. Temporal and spatial change detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images
Haight et al. Optimizing any-aged management of mixed-species stands: II. Effects of decision criteria
Kruse et al. Treeline dynamics in Siberia under changing climates as inferred from an individual-based model for Larix
CN111783360B (zh) 高分辨率土地利用及森林景观过程耦合模拟系统及方法
Kamimura et al. Mechanistic and statistical approaches to predicting wind damage to individual maritime pine (Pinus pinaster) trees in forests
Huangpeng et al. Forecast of the hydropower generation under influence of climate change based on RCPs and Developed Crow Search Optimization Algorithm
CN110135585B (zh) 一种南方红壤区小流域水土保持生态服务功能优化方法
JP6820625B1 (ja) サーバ、森林データ利用システム、森林データ利用方法およびプログラム
CN113468803A (zh) 一种基于改进的woa-gru洪水流量预测方法及系统
Winter et al. Integrating water supply constraints into irrigated agricultural simulations of California
CN111968019A (zh) 一种基于cnn与rnn集成的滑坡灾害易发性预测方法
Kolström Modelling the development of an uneven‐aged stand of Picea abies
CN105138729B (zh) 基于pso‑grnn风电场风电机缺损风速值填充方法
CN116796194A (zh) 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法
CN117391727B (zh) 一种负碳排放的碳中和方法及系统
CN113221447A (zh) 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法
Saghafian et al. Backcasting long-term climate data: evaluation of hypothesis
CN116993000A (zh) 基于随机森林及元胞自动机的果树病虫害防治预测方法
CN106295175A (zh) 基于svd算法的台站气象数据缺值填充方法
CN112529233A (zh) 一种预测草坪参考作物蒸发蒸腾量的方法
CN112101608A (zh) 一种海上风电场选址方法及装置
KR102408827B1 (ko) 컴퓨터 프로그램을 이용한 산림물지도 제작방법
CN109446577A (zh) 基于数值模拟水文分析的滨水景观设计方法
CN115034159A (zh) 一种海上风电场的功率预测方法、装置、存储介质及系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant