一种基于数据分析的林业有害生物防治风险评估系统

技术领域

本发明属于涉及林业有害生物风险防治技术领域，具体是一种基于数据分析的林业有害生物防治风险评估系统。

背景技术

林业是保护生态环境和促进经济发展的重要产业之一，而林业中存在着众多的有害生物，它们会繁殖扩散、危害森林生态和经济发展，因此，对林业有害生物的防治非常重要，目前传统的林业有害生物防治方法通常是基于经验和人工观察，这种方法效率低下、成本高昂、精度不高，很难满足现代林业防治的要求；

然而，当前的有害生物防治风险评估系统中，对有害生物数量分布的收集通常需要大量的时间和人力物力，使得防治的及时性和准确性受到了很大的限制。因此，开发一种能够减少对有害生物数量分布收集时间的方法，对于提高林业防治的效率和效果具有非常重要的意义；

为此，本发明提出一种基于数据分析的林业有害生物防治风险评估系统。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于数据分析的林业有害生物防治风险评估系统，该一种基于数据分析的林业有害生物防治风险评估系统减少对有害生物数量分布的收集时间，从而提高林业人员应对林业风险的及时性。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于数据分析的林业有害生物防治风险评估系统，包括林业数据收集模块、林业聚类模块、历史数据收集模块、模型训练模块、待评估数据收集模块以及风险评估模块；其中，各个模块之间通过电气和/或无线网络方式连接；

其中，所述林业数据收集模块主要用于预先收集各个森林的林业基础数据；

所述林业基础数据包括每片森林的位置数据、气候数据、植被数据以及土壤数据，且位置数据、气候数据、植被数据以及土壤数据中均包含有若干基础属性；

其中，所述位置数据包括的基础属性为每片森林所在的经度、维度以及海拔高度；

其中，所述气候数据包括的基础属性为每片森林的历年平均温度、平均降雨量以及平均降雨量；

其中，所述植被数据包括的基础属性为每片森林的植被覆盖率、包含的植被类型以及各类型植被的分布比例；

其中，所述土壤数据包括的基础属性为每片森林的土壤类型、土壤质地、土壤pH值以及土壤营养等级；

所述林业数据收集模块将收集的林业基础数据发送至林业聚类模块；

其中，所述林业聚类模块主要用于对林业基础数据进行分类；

所述林业聚类模块对林业基础数据进行分类的方式为：

将每片森林的林业基础数据所有基础属性组合为特征向量的形式，将所有森林的特征向量作为聚类算法的输入，对聚类算法进行训练，获得K个聚类以及每个聚类的聚类中心；其中，K为聚类的数量；每个聚类分别代表了一种林业类别；

所述林业聚类模块将聚类中心以及每个聚类所对应的林业类别发送至历史数据收集模块以及风险评估模块；

其中，所述历史数据收集模块主要用于预先收集每个林业类别的历史虫害数据；

所述历史数据收集模块收集每个林业类别的历史虫害数据的方式为：

收集每个林业类别的森林集合；

收集每个林业类别的森林集合的方式为：将每片森林的林业基础数据的所有基础属性组合为特征向量形式，并计算特征向量与各个聚类中心的距离，获得距离最近的聚类中心；每片森林所属于的林业类别为距离最近的聚类中心所对应的林业类别；每个林业类别对应一个森林集合，该森林集合中的每个森林均属于该林业类别；

所述每个林业类别的历史虫害数据包括在历史上每隔预设的数据收集时间周期，从该林业类别对应森林集合的每片森林中收集的有害生物的种类、每种有害生物的数量分布、气候数据、植被疾病感染类型以及每种疾病的严重程度；

所述历史数据收集模块将每片森林的历史虫害数据发送至模型训练模块；

其中，所述模型训练模块主要用于对每个林业类别训练出每种疾病的基于气候数据和疾病的严重程度，预测每种有害生物数量分布的贝叶斯网络；

所述模型训练模块训练出预测每种有害生物的数量分布的贝叶斯网络的方式为：

将林业类别的编号标记为i，将疾病的编号标记为j；将有害生物编号标记为k；

对于第i个林业类别以及第j种疾病：

建立第一级网络结构和第二级网络结构；

其中，第一级网络结构的第一影响节点为气候数据和第j种疾病的严重程度作为影响节点，第一级网络结构的第一预测节点为每种有害生物的数量分布；

其中，第二级网络结构的第二影响节点包括每种有害生物数量之间的相互影响关系；在第二级网络结构中，每种有害生物的数量分布均为第二影响节点，而第二影响节点之间的相互影响则是有向边，所述相互影响的边被表示为一个影响概率矩阵，其中影响概率矩阵的每一行和每一列都代表着一种有害生物，而影响概率矩阵中的每个元素则代表着一种有害生物对另一种有害生物的影响概率；

在构建第二级网络结构时，可以筛除所有数量分布低于预设的数量分布阈值的有害生物，从而降低第二级网络结构的复杂度；

所述模型训练模块从历史虫害数据中读取第i个林业类别对应的森林集合中，每隔数据收集时间周期收集的每种有害生物的数量分布、气候数据以及第j种疾病的严重程度作为训练数据；将训练数据输入至构建的贝叶斯网络中，并对贝叶斯网络进行训练；将训练完成的第i个林业类别第j种疾病的贝叶斯网络标记为Bij；

所述模型训练模块将训练完成的贝叶斯网络Bij发送至风险评估模块；

其中，所述待评估数据收集模块主要用于收集待评估的森林中的待评估数据；

所述待评估数据包括待评估的森林的林业基础数据、森林中植被感染的疾病类型以及每种疾病的严重程度；

所述待评估数据收集模块将待评估的森林中的待评估数据发送至风险评估模块；

其中，所述风险评估模块主要用于基于气候数据和每种疾病的严重程度，评估各种有害生物之间的数量分布；

所述风险评估模块评估各种有害生物之间的数量分布的方式为：

基于待评估的森林的林业基础数据所有基础属性组合为特征向量形式，并计算特征向量与各个聚类中心的距离，获得距离最近的聚类中心，基于该最近的聚类中心，获得对应的林业类别i；

基于该林业类别以及每种待评估的森林中植被感染的疾病种类j，获得对应的贝叶斯网络Bij，将待评估的森林的气候数据以及第j种疾病的严重程度作为贝叶斯网络Bij的输入，获得有害生物的影响概率矩阵；通过收集其中一种有害生物的数量分布，基于影响概率矩阵获得其他有害生物的数量分布。

与现有技术相比，本发明的有益效果是：

本发明是通过预先收集各个森林的林业基础数据和历史虫害数据，使用聚类算法基于林业基础数据将不同的森林划分为不同的林业类别，并在不同的林业类别中，基于历史虫害数据，对每个林业类别训练出每种疾病的基于气候数据和疾病的严重程度，预测每种有害生物数量分布的贝叶斯网络，在收集到待评估的森林的林业基础数据、森林中植被感染的疾病类型以及每种疾病的严重程度，使用训练完成的贝叶斯网络评估待评估的森林中各种有害生物的影响概率矩阵；从而只需要收集一种有害生物在森林中的数量分布，即可获得各种其他有害生物的数量分布，减少对有害生物数量分布的收集时间，从而提高林业人员应对林业风险的及时性。

附图说明

图1为本发明的实施例1中林业有害生物防治风险评估系统的模块连接图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整的描述，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它实施例，都属于本发明保护的范围。

实施例1

如图1所示，一种基于数据分析的林业有害生物防治风险评估系统，包括林业数据收集模块、林业聚类模块、历史数据收集模块、模型训练模块、待评估数据收集模块以及风险评估模块；其中，各个模块之间通过电气和/或无线网络方式连接；

其中，林业数据收集模块主要用于预先收集各个森林的林业基础数据；

在一个优选的实施例中，林业基础数据包括每片森林的位置数据、气候数据、植被数据以及土壤数据，且位置数据、气候数据、植被数据以及土壤数据中均包含有若干基础属性；

其中，位置数据包括的基础属性为每片森林所在的经度、维度以及海拔高度；

其中，气候数据包括的基础属性为每片森林的历年平均温度、平均降雨量以及平均降雨量；

其中，植被数据包括的基础属性为每片森林的植被覆盖率、包含的植被类型以及各类型植被的分布比例；需要说明的是，植被类型可以是针叶林、阔叶林、灌木林等；

其中，土壤数据包括的基础属性为每片森林的土壤类型、土壤质地、土壤pH值以及土壤营养等级；需要说明的是，土壤类型可以是灰壤、红壤、黄壤等；土壤营养等级可以根据土壤中包含的有机质、氮、磷、钾等营养元素的含量进行具体评估；

林业数据收集模块将收集的林业基础数据发送至林业聚类模块；

其中，林业聚类模块主要用于对林业基础数据进行分类；

在一个优选的实施例中，林业聚类模块对林业基础数据进行分类的方式为：

将每片森林的林业基础数据所有基础属性组合为特征向量的形式，将所有森林的特征向量作为聚类算法的输入，对聚类算法进行训练，获得K个聚类以及每个聚类的聚类中心；其中，K为聚类的数量；每个聚类分别代表了一种林业类别；优选的，聚类算法可以是K-Means或DBSCAN等算法；

林业聚类模块将聚类中心以及每个聚类所对应的林业类别发送至历史数据收集模块以及风险评估模块；

其中，历史数据收集模块主要用于预先收集每个林业类别的历史虫害数据；

在一个优选的实施例中，历史数据收集模块收集每个林业类别的历史虫害数据的方式为：

收集每个林业类别的森林集合；

收集每个林业类别的森林集合的方式为：将每片森林的林业基础数据的所有基础属性组合为特征向量形式，并计算特征向量与各个聚类中心的距离，获得距离最近的聚类中心；每片森林所属于的林业类别为距离最近的聚类中心所对应的林业类别；每个林业类别对应一个森林集合，该森林集合中的每个森林均属于该林业类别；

在一个优选的实施例中，每个林业类别的历史虫害数据包括在历史上每隔预设的数据收集时间周期，从该林业类别对应森林集合的每片森林中收集的有害生物的种类、每种有害生物的数量分布、气候数据、植被疾病感染类型以及每种疾病的严重程度；

其中，有害生物的数量分布为森林中每种有害生物在单位面积内的数量；有害生物的种类是基于林业学常识进行选择；植被疾病感染类型为在每个数据收集时间周期，由林业研究人员对森林中各类植被诊断出的植物疾病种类；每种疾病的严重程度由林业护理人员基于医学常识，根据每种植被疾病具体的感染严重程度进行评级；

历史数据收集模块将每片森林的历史虫害数据发送至模型训练模块；

其中，模型训练模块主要用于对每个林业类别训练出每种疾病的基于气候数据和疾病的严重程度，预测每种有害生物数量分布的贝叶斯网络；

在一个优选的实施例中，模型训练模块训练出预测每种有害生物的数量分布的贝叶斯网络的方式为：

将林业类别的编号标记为i，将疾病的编号标记为j；将有害生物编号标记为k；

对于第i个林业类别以及第j种疾病：

建立第一级网络结构和第二级网络结构；

其中，第一级网络结构的第一影响节点为气候数据和第j种疾病的严重程度作为影响节点，第一级网络结构的第一预测节点为每种有害生物的数量分布；

其中，第二级网络结构的第二影响节点包括每种有害生物数量之间的相互影响关系；在第二级网络结构中，每种有害生物的数量分布均为第二影响节点，而第二影响节点之间的相互影响则是有向边，相互影响的边被表示为一个影响概率矩阵，其中影响概率矩阵的每一行和每一列都代表着一种有害生物，而影响概率矩阵中的每个元素则代表着一种有害生物对另一种有害生物的影响概率；

在一个优选的实施例中，在构建第二级网络结构时，可以筛除所有数量分布低于预设的数量分布阈值的有害生物，从而降低第二级网络结构的复杂度；

模型训练模块从历史虫害数据中读取第i个林业类别对应的森林集合中，每隔数据收集时间周期收集的每种有害生物的数量分布、气候数据以及第j种疾病的严重程度作为训练数据；将训练数据输入至构建的贝叶斯网络中，并对贝叶斯网络进行训练；将训练完成的第i个林业类别第j种疾病的贝叶斯网络标记为Bij；

模型训练模块将训练完成的贝叶斯网络Bij发送至风险评估模块；

其中，待评估数据收集模块主要用于收集待评估的森林中的待评估数据；

在一个优选的实施例中，待评估数据包括待评估的森林的林业基础数据、森林中植被感染的疾病类型以及每种疾病的严重程度；

待评估数据收集模块将待评估的森林中的待评估数据发送至风险评估模块；

其中，风险评估模块主要用于基于气候数据和每种疾病的严重程度，评估各种有害生物之间的数量分布；

在一个优选的实施例中，风险评估模块评估各种有害生物之间的数量分布的方式为：

基于待评估的森林的林业基础数据所有基础属性组合为特征向量形式，并计算特征向量与各个聚类中心的距离，获得距离最近的聚类中心，基于该最近的聚类中心，获得对应的林业类别i；

基于该林业类别以及每种待评估的森林中植被感染的疾病种类j，获得对应的贝叶斯网络Bij，将待评估的森林的气候数据以及第j种疾病的严重程度作为贝叶斯网络Bij的输入，获得有害生物的影响概率矩阵；通过收集其中一种有害生物的数量分布，基于影响概率矩阵获得其他有害生物的数量分布。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。