一种林草种植适宜性的智能评估方法与流程

本发明属于种植评估，尤其涉及一种林草种植适宜性的智能评估方法。

背景技术：

1、林草种植适宜性评估可以帮助确定何种植物最适合特定地区的气候、土壤和地形条件，从而最大程度地促进生态系统的恢复和保护。通过评估不同种类的林草对于经济和社会的影响，可以确定最佳的种植方案，从而提高林草资源的可持续利用，促进经济的发展。不同类型的林草植物对于提供生态系统服务具有不同的作用，如净化空气、保护水源、维持生物多样性等，评估种植适宜性可以最大程度地提高生态系统服务的效益。

2、但是林草生态系统受到多种因素的影响，如气候、土壤、地形、植被覆盖等，这些因素之间相互作用复杂，难以精确评估其对林草种植的影响。同时考虑到生态系统的复杂性和多样性，评估林草种植适宜性需要考虑到各种植物和动物的生态需求，增加了评估的难度。

技术实现思路

1、为解决上述技术问题，本发明提出了一种林草种植适宜性的智能评估方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种林草种植适宜性的智能评估方法，包括：

3、获取林草种植区域的环境信息，对所述环境信息进行贡献度计算后筛选，生成环境信息数据集；

4、对所述环境信息数据集进行预处理，获得预处理数据集；

5、构建改进的长短时记忆网络模型，通过样本集对所述改进的长短时记忆网络模型进行训练，生成智能评估模型；

6、将所述预处理数据集输入至所述智能评估模型中进行计算，获得评估结果。

7、优选地，所述获取林草种植区域的环境信息的过程包括：

8、收集气象数据、土壤数据、地形数据以及植被数据；

9、构建林草种植区域的空间模型，将所述象数据、土壤数据、地形数据以及植被数据标注至所述林草种植区域的空间模型中，并转化为空间向量，生成所述林草种植区域的环境信息。

10、优选地，对所述环境信息进行贡献度计算后筛选，生成环境信息数据集的过程包括：

11、基于评估目标获取关键特征信息；

12、对所述环境信息的特征值进行计算，生成数据特征值，基于所述数据特征值获取数据贡献度；

13、基于所述数据贡献度对所述环境信息进行筛选，生成筛选信息；

14、将所述关键特征信息和所述筛选信息进行整合，获得所述环境信息数据集。

15、优选地，对所述环境信息数据集进行预处理，获得预处理数据集的过程包括：

16、通过统计方法对所述环境信息数据集的异常值进行筛选，获得筛选数据集；

17、基于监督学习方法对所述筛选数据集中树木的位置和状态进行的映射进行标注，生成所述预处理数据集。

18、优选地，所述构建改进的长短时记忆网络模型的过程包括：

19、构建注意力机制模块，同时构建初始长短时记忆网络模型，所述注意力机制模块为bahdanau注意力模块；

20、将所述注意力机制模块部署至所述长短时记忆网络模型的每个时间步中，生成注意力长短时模型；

21、构建残差模块，将所述残差模块部署至所述长短时记忆网络模型的不同层中，生成所述改进的长短时记忆网络模型。

22、优选地，通过样本集对所述改进的长短时记忆网络模型进行训练，生成智能评估模型的过程包括：

23、构建林草种植样本集，将所述林草种植样本集的空间信息重新进行标注，获得训练集和测试集；

24、通过所述训练集对所述改进的长短时记忆网络模型进行训练，生成训练模型；

25、通过测试集对所述训练模型的每个时间步的单独性能进行评估，同时对所述训练模型的整体性能进行优化，获得所述智能评估模型。

26、优选地，通过所述训练集对所述改进的长短时记忆网络模型进行训练之后还包括：

27、通过梯度下降法对所述改进的长短时记忆网络模型的参数进行更新，直至损失函数收敛时完成训练，获得所述训练模型参数；

28、将所述训练模型参数作为所述改进的长短时记忆网络模型初始化参数，通过所述私有数据集对所述改进的长短时记忆网络模型进行训练，更新神经网络模型的参数，当损失函数再次收敛时，停止训练，生成所述训练模型。

29、优选地，将所述预处理数据集输入至所述智能评估模型中进行计算，获得评估结果的过程包括：

30、将所述样本集输入至所述智能评估模型中进行计算，生成样本预测值；

31、将所述环境信息数据集输入至所述智能评估模型中进行计算，生成实时预测值；

32、对所述样本预测值和实时预测值进行计算，生成预测结果；

33、将所述预测结果进行转化，生成所述评估结果

34、与现有技术相比，本发明具有如下优点和技术效果：

35、本发明中长短时记忆网络模型能够有效地处理时间序列数据和序列型数据，适用于对历史数据进行建模和预测。对于林草种植适宜性评估，可以利用长短时记忆网络模型对历史的气象数据、土壤条件等因素进行建模，以预测未来一段时间内的适宜性。并且长短时记忆网络模型通过其设计的门控机制，能够有效地捕捉长期的依赖关系，避免了普通循环神经网络(rnn)中的梯度消失或爆炸问题。这对于林草种植适宜性评估而言十分重要，因为不同因素之间可能存在较长的时间依赖关系，需要能够捕捉到这些长期的影响。

技术特征：

1.一种林草种植适宜性的智能评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，所述获取林草种植区域的环境信息的过程包括：

3.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，对所述环境信息进行贡献度计算后筛选，生成环境信息数据集的过程包括：

4.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，对所述环境信息数据集进行预处理，获得预处理数据集的过程包括：

5.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，所述构建改进的长短时记忆网络模型的过程包括：

6.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，通过样本集对所述改进的长短时记忆网络模型进行训练，生成智能评估模型的过程包括：

7.根据权利要求6所述的林草种植适宜性的智能评估方法，其特征在于，通过所述训练集对所述改进的长短时记忆网络模型进行训练之后还包括：

8.根据权利要求1所述的林草种植适宜性的智能评估方法，其特征在于，将所述预处理数据集输入至所述智能评估模型中进行计算，获得评估结果的过程包括：

技术总结本发明公开了一种林草种植适宜性的智能评估方法，属于种植评估技术领域，包括：获取林草种植区域的环境信息，对所述环境信息进行贡献度计算后筛选，生成环境信息数据集；对所述环境信息数据集进行预处理，获得预处理数据集；构建长短时记忆网络模型，通过样本集对所述长短时记忆网络模型进行训练，生成智能评估模型；将所述预处理数据集输入至所述智能评估模型中进行计算，获得评估结果。本发明可以利用长短时记忆网络模型对历史的气象数据、土壤条件等因素进行建模，以预测未来一段时间内的适宜性。技术研发人员：张春燕,白镇,黄振明受保护的技术使用者：聊城市东昌府区林业发展中心技术研发日：技术公布日：2024/8/5