基于数据湖的智慧林业大数据系统、方法、设备及介质

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于数据湖的智慧林业大数据系统、方法、设备及介质。

背景技术

智慧林业大数据技术是将大数据技术应用于林业领域，通过收集、存储、处理和分析大规模的林业数据，实现对森林资源的有效管理、保护和利用。

现有的智慧林业大数据系统是基于简单数据库技术的林业大数据系统，通过一般的数据库方法实现对林业数据的存储和数据分析，实际应用中，林业数据质量可能受到数据收集或处理过程中的各种因素影响，可能会影响数据分析和决策的准确性和可靠性，且存在数据孤岛以及数据处理速度较慢等技术的挑战，进而导致进行林业数据分析时的效率较低。

发明内容

本发明提供一种基于数据湖的智慧林业大数据系统、方法、设备及介质，其主要目的在于解决进行林业数据分析时的效率较低的问题。

为实现上述目的，本发明提供的一种基于数据湖的智慧林业大数据系统，所述系统包括数据整合模块、数据湖存储模块、网格映射模块、资源分析模块及计划决策模块，其中：

所述数据整合模块，用于获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据；

所述数据湖存储模块，用于对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖；

所述网格映射模块，用于利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，其中，所述网格映射模块在利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型时，具体用于：从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；利用如下的遥感超采样算法对所述标准遥感图序列进行采样，得到采样遥感图序列：

其中，

所述资源分析模块，用于根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型；

所述计划决策模块，用于获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

可选地，所述数据整合模块在对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据时，具体用于：

对所述历史林业数据进行结构审查，得到结构化林业数据集、半结构化林业数据集以及非结构化林业数据集；

对所述结构化林业数据集进行数据标准化和数据去重操作，得到初级结构化林业数据集；

利用预设的离群林业数据检测算法将所述初级结构化林业数据集更新成标准结构化林业数据集；

对所述半结构化林业数据集进行数据解析、字段抽取以及去重除噪操作，得到标准半结构化林业数据集；

对所述非结构化林业数据集进行数据校验和去重除噪操作，得到标准非结构化林业数据集；

将所述标准结构化林业数据集、所述标准半结构化林业数据集以及所述标准非结构化林业数据集汇集成整合林业数据。

可选地，所述数据整合模块在将所述初级结构化林业数据集更新成标准结构化林业数据集时，具体用于：

对所述初级结构化林业数据集进行特征提取，得到初级林业数据特征集；

利用如下的离群林业数据检测算法和所述初级林业数据特征集计算出所述初级结构化林业数据集对应的林业数据离群值集：

其中，

对所述林业数据离群值群进行离群阈值筛选，得到标准数据离群值组；

将所述初级结构化林业数据集中所述标准数据离群值组对应的初级结构化林业数据汇集成离群林业数据组；

对所述初级结构化林业数据中的所述离群林业数据组进行数据平滑填充操作，得到标准结构化林业数据集。

可选地，所述数据湖存储模块在对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖时，具体用于：

从所述整合林业数据中提取出数据结构集以及数据属性集；

将所述数据结构集和所述数据属性集拼接成数据区键集；

根据所述数据区键集对所述整合林业数据进行聚类分池，得到林业数据池组；

根据所述数据区键集对所述林业数据池组进行格式匹配，得到林业存储格式组；

根据所述林业存储格式组对所述林业数据池组进行引擎匹配和引擎存储，得到林业数据湖。

可选地，所述资源分析模块在根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列时，具体用于：

按照时序排序的方式分别从所述林业数据湖中提取出气象数据序列、土壤数据序列以及资源数据序列；

对所述气象数据序列和所述土壤数据序列进行特征提取和特征融合操作，得到气象土壤特征序列；

从所述林业网格模型中提取出分区结构，根据所述分区结构将所述气象土壤特征序列拆分成气象土壤特征组序列；

根据所述分区结构将所述资源数据序列拆分成资源数据组序列；

从所述气象土壤特征组序列中提取出环境时序特征组序列；

从所述资源数据组序列中提取出资源时序特征组序列，将所述环境时序特征组序列和所述资源时序特征组序列汇集成林业资源特征序列。

可选地，所述资源分析模块在利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型时，具体用于：

利用所述林业资源特征序列中的环境时序特征组序列对所述林业网格模型进行网格映射，得到映射网格模型；

对所述映射网格模型进行时序卷积和嵌入激活操作，得到分析资源特征组序列；

利用如下的网格损失值算法计算出所述资源时序特征组序列和所述分析资源特征组序列之间的网格损失值：

其中，

根据所述网格损失值对所述映射网格模型进行模型参数迭代更新，得到资源分析模型。

可选地，所述计划决策模块在利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划时，具体用于：

从所述林业生产计划中提取出计划生产周期以及对应的计划资源产量组；

利用所述资源分析模型计算出所述计划生产周期对应的分析资源特征组；

对所述分析资源特征组进行数据映射，得到分析林业资源数据组；

对所述分析林业资源数据组进行统计分类，得到分析资源产量组；

根据所述分析资源产量组对所述计划资源产量组进行匹配决策，得到资源决策结果；

利用所述资源决策结果对所述林业生产计划进行计划调整，得到标准林业计划。

为了解决上述问题，本发明还提供一种基于数据湖的智慧林业大数据方法，所述方法包括：

获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据；

对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖；

利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，其中，所述利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，包括：从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；利用如下的遥感超采样算法对所述标准遥感图序列进行采样，得到采样遥感图序列：

其中，

根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型；

获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于数据湖的智慧林业大数据方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于数据湖的智慧林业大数据方法。

本发明通过对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据，可以实现对历史林业数据的整合和统一管理，从而方便后续数据湖存储，通过对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖，可以依靠分池技术保证数据隐私，且可以实现结构化的存储取用，实现随取随用，同时减少了数据处理的工作量，提高了数据的压缩率和查询效率，通过利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，可以根据目标林业区域的遥感数据实现林业区域的网格分区和网格模型的建立，从而更好地结合地理空间的关系和拓扑结构，提取出节点之间的相互作用以及依赖关系，提高林业资源数据预测的准确性。

通过提取林业资源特征序列，可以从空间和时间两个维度对林业资源的影响因素和记录数据进行特征提取，进而提高林业资源分析的准确性，通过根据所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划，可以结合时空网格模型分析出林业资源的生产状况，进而对生产计划进行对应调整，提高了林业大数据的利用效率。因此本发明提出的基于数据湖的智慧林业大数据系统、方法、设备及介质，可以解决进行林业数据分析时的效率较低的问题。

附图说明

图1为本发明一实施例提供的基于数据湖的智慧林业大数据系统的功能模块图；

图2为本发明一实施例提供的提取整合林业数据的流程图；

图3为本发明一实施例提供的生成标准结构化林业数据集的流程图；

图4为本发明一实施例提供的基于数据湖的智慧林业大数据方法的流程示意图；

图5为本发明一实施例提供的实现基于数据湖的智慧林业大数据方法的电子设备的结构示意图；

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于数据湖的智慧林业大数据系统。所述基于数据湖的智慧林业大数据系统的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该系统的电子设备中的至少一种。换言之，所述基于数据湖的智慧林业大数据系统可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

如图1所示，是本发明一实施例提供的基于数据湖的智慧林业大数据系统的功能模块图。

本发明所述基于数据湖的智慧林业大数据系统100可以安装于电子设备中。根据实现的功能，所述基于数据湖的智慧林业大数据系统100可以包括数据整合模块101、数据湖存储模块102、网格映射模块103、资源分析模块104及计划决策模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述数据整合模块101，用于获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据。

本发明实施例中，为了实现林业数据的统一管理，需要利用所述数据整合模块101对获取的历史林业数据进行数据审查和数据清洗，从而了解数据的结构类型属性并实现数据的精确取值，进而从而便于后续的数据池存储的步骤。

详细地，所述目标林业区域是指需要构建林业大数据系统的林业区域，所述历史林业数据是指过去对所述目标林业区域进行林业监测得到的历史数据，所述历史林业数据包括所述目标林业区域的森林资源调查数据、遥感影像数据、气象监测数据、土壤分析数据等。

本发明实施例中，参照图2所示，所述数据整合模块101在对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据时，具体用于：

S21、对所述历史林业数据进行结构审查，得到结构化林业数据集、半结构化林业数据集以及非结构化林业数据集；

S22、对所述结构化林业数据集进行数据标准化和数据去重操作，得到初级结构化林业数据集；

S23、利用预设的离群林业数据检测算法将所述初级结构化林业数据集更新成标准结构化林业数据集；

S24、对所述半结构化林业数据集进行数据解析、字段抽取以及去重除噪操作，得到标准半结构化林业数据集；

S25、对所述非结构化林业数据集进行数据校验和去重除噪操作，得到标准非结构化林业数据集；

S26、将所述标准结构化林业数据集、所述标准半结构化林业数据集以及所述标准非结构化林业数据集汇集成整合林业数据。

具体地，所述结构化林业数据集、半结构化林业数据集以及非结构化林业数据集分别是由所述历史林业数据中的结构化数据、半结构化数据以及非结构化数据汇集成的数据集，所述结构化林业数据集中的一个结构化林业数据可以是一次土壤分析数据表或某处的一次气象数据记录表，所述非结构化数据集中的一个非结构化林业数据可以是一个遥感影像数据，所述半结构化数据集中的一个半结构化林业数据可以是针对某处的林作物的种类、尺寸等进行记录核查数据，所述结构审查是指对所述林业数据集中各个林业数据的数据结构进行审查和分类，所述数据结构包括结构化、非结构化以及半结构化，其中，所述结构化可以是表格结构，所述半结构化可以是XML，HTML等格式，所述非结构化可以是图片数据。

详细地，所述数据标准化是指将数据的格式和数据的单位转化成统一的格式，例如对日期、时间等数据进行的格式转换，所述除噪去重的方法可以是利用哈希去重法进行去重，利用中值滤波或高斯滤波的方法进行除噪。

具体地，所述数据解析的方法可以是xml.etree.ElementTree、json模块等，所述字段抽取的方法可以是正则表达式。

具体地，参照图3所示，所述数据整合模块101在利用预设的离群林业数据检测算法将所述初级结构化林业数据集更新成标准结构化林业数据集时，具体用于：

S31、对所述初级结构化林业数据集进行特征提取，得到初级林业数据特征集；

S32、根据所述初级林业数据特征集计算出所述初级结构化林业数据集对应的林业数据离群值集；

S33、对所述林业数据离群值群进行离群阈值筛选，得到标准数据离群值组；

S34、将所述初级结构化林业数据集中所述标准数据离群值组对应的初级结构化林业数据汇集成离群林业数据组；

S35、对所述初级结构化林业数据中的所述离群林业数据组进行数据平滑填充操作，得到标准结构化林业数据集。

详细地，所述离群林业数据检测算法可以根据数据的分布特征和数据特征的差异检测出数据的离群比例，进而方便地确定出林业数据中的离群数据，所述初级林业数据特征集是由所述初级结构化林业数据集中的各个初级结构化林业数据进行简单特征编码得到的特征，所述特征编码的方式可以是归一化编码或softmax等。

详细地，利用如下的离群林业数据检测算法计算出所述初级结构化林业数据集对应的林业数据离群值集：

其中，

本发明实施例中，通过利用所述数据整合模块101对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据，可以实现对历史林业数据的整合和统一管理，从而方便后续数据湖存储。

所述数据湖存储模块102，用于对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖。

本发明实施例中，由于整合林业数据的种类繁多，且数据量较大，数据处理的耗时较长，效率较低，因此需要利用所述数据湖存储模块102将整合林业数据存储到数据湖中，利用数据湖的随取随用特点和高效的访问逻辑提高整合林业数据的使用效率。

详细地，所述数据分池是指将所述整合林业数据拆分到多个数据池中，所述数据池是指数据湖中的一个子集或逻辑组织单元，用于存储特定类型或特定目的的数据，数据池通常根据业务需求或数据管理的目的而创建，可以包含相关的数据集合，以便更轻松地进行数据管理、访问和分析，所述林业数据湖是指存储了所述整合林业数据的数据湖，所述数据湖是一种采用分布式存储系统，用于存储和管理大数据的存储方法。

本发明实施例中，所述数据湖存储模块102在对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖时，具体用于：

从所述整合林业数据中提取出数据结构集以及数据属性集；

将所述数据结构集和所述数据属性集拼接成数据区键集；

根据所述数据区键集对所述整合林业数据进行聚类分池，得到林业数据池组；

根据所述数据区键集对所述林业数据池组进行格式匹配，得到林业存储格式组；

根据所述林业存储格式组对所述林业数据池组进行引擎匹配和引擎存储，得到林业数据湖。

详细地，所述数据属性集是指利用关键词匹配得到的各个数据的介绍关键词、标题关键词中的属性特征词组成的集合，所述数据区键集中的各个数据区键是数据的分区键特征，可以利用K近邻聚类算法进行聚类分池。

具体地，所述林业存储格式组是预设的针对不同数据区键的存储格式，包括Parquet、ORC、Avro等，它们具有压缩率高、查询性能好等优点，所述格式匹配是指选取所述数据区键对应的林业存储格式，例如Parquet对应结构化的土壤数据，所述引擎匹配是指针对不同林业存储格式的林业数据池采用不同的存储引擎进行存储，例如针对ORC格式的选用Amazon S3引擎进行存储，所述存储引擎包括Amazon S3、Azure Data Lake Storage、Hadoop HDFS等。

本发明实施例中，通过利用所述数据湖存储模块102对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖，可以依靠分池技术保证数据隐私，且可以实现结构化的存储取用，实现随取随用，同时减少了数据处理的工作量，提高了数据的压缩率和查询效率。

所述网格映射模块103，用于利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型。

本发明实施例中，由于林业资源数据受气象以及土壤等影响较大，且简单的统计模型无法结合时间、空间特征实现对林业资源的分析，因此需要利用神经网格模型对林业资源特征进行分析。

详细地，所述林业网格模型可以是图神经网络模型或时空卷积神经网格模型。

本发明实施例中，所述网格映射模块103在利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型时，具体用于：

从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；

分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；

对所述标准遥感图序列进行采样，得到采样遥感图序列；

对所述采样遥感图序列进行初级地区分块，得到遥感图块组序列；

对所述遥感图块组序列进行图像特征卷积和特征聚类融合，得到标准遥感图块组序列；

从所述标准遥感图块组序列中提取出分区结构，根据所述分区结构建立林业网格模型。

具体地，所述林业遥感图序列是所述林业数据湖中记录的过去时间段对所述目标林业区域进行遥感图像数据采集得到的图片组成的序列，所述地理坐标转换是指将所述林业遥感图序列中的各个林业遥感图片的图片像素和地里的实际坐标进行匹配转化。

详细地，可以利用中值滤波算法实现图像除噪，所述尺寸对齐是指将林业遥感图的尺寸裁剪到统一尺寸，所述遥感超采样算法可以结合图像的局部像素更好地保持图像的细节特征，保留更多的细微特征，同时提升图像的抗锯齿效果。

详细地，利用如下的遥感超采样算法对所述标准遥感图序列进行采样：

其中，

具体地，所述初级地区分块是指将所述采样遥感图序列中的各个采样遥感图片按照预设的尺寸拆分成多个遥感图块，将所有的遥感图块汇集成遥感图块组，所述特征聚类融合是指根据图像特征卷积得到的图像特征，计算相邻图像特征之间的相似度，所述遥感图块组序列中各个图块位置之间的平均相似度进行阈值聚类。

具体地，所述分区结构是指图块的拆分结构，即后续图块聚类融合后得到的图块对应的地区分区形状结构，所述根据所述分区结构建立林业网格模型是指根据所述分区结构建立林业网格模型的网格节点结构，并在相邻的节点之间添加节点边，得到林业网格模型。

本发明实施例中，通过利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，可以根据目标林业区域的遥感数据实现林业区域的网格分区和网格模型的建立，从而更好地结合地理空间的关系和拓扑结构，提取出节点之间的相互作用以及依赖关系，提高林业资源数据预测的准确性。

所述资源分析模块104，用于根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型。

本发明实施例中，为了对目标林业区域进行林业资源分析，需要根据林业资源的记录数据，结合林业的遥感影像、气象记录数据以及林业的土壤分析数据的时序变化规律进行多方位的资源分析。

本发明实施例中，所述资源分析模块104在根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列时，具体用于：

按照时序排序的方式分别从所述林业数据湖中提取出气象数据序列、土壤数据序列以及资源数据序列；

对所述气象数据序列和所述土壤数据序列进行数据特征映射和特征融合操作，得到气象土壤特征序列；

从所述林业网格模型中提取出分区结构，根据所述分区结构将所述气象土壤特征序列拆分成气象土壤特征组序列；

根据所述分区结构将所述资源数据序列拆分成资源数据组序列；

从所述气象土壤特征组序列中提取出环境时序特征组序列；

从所述资源数据组序列中提取出资源时序特征组序列，将所述环境时序特征组序列和所述资源时序特征组序列汇集成林业资源特征序列。

具体地，所述气象数据序列是按照时序排列的所述目标林业区域的气象监测数据序列，所述土壤数据序列是按照时序排列的所述目标林业区域的土壤检测数据序列，所述资源数据序列是按照时序排序记录的所述目标林业区域的各个地区的林区作物生长、种类等检测的数据序列。

详细地，所述特征融合是指将所述气象数据序列对应的气象特征序列和所述土壤数据序列对应的土壤特征序列按照序列顺序和对应的地理位置进行特征拼接融合，可以利用时序神经网络的门控结构提取出环境时序特征组序列以及提取出资源时序特征组序列。

详细地，所述资源分析模块104在利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型时，具体用于：

利用所述林业资源特征序列中的环境时序特征组序列对所述林业网格模型进行网格映射，得到映射网格模型；

对所述映射网格模型进行时序卷积和嵌入激活操作，得到分析资源特征组序列；

计算出所述林业资源特征序列中的资源时序特征组序列和所述分析资源特征组序列之间的网格损失值；

根据所述网格损失值对所述映射网格模型进行模型参数迭代更新，得到资源分析模型。

具体地，所述网格映射是指将所述环境时序特征组序列中各个环境时序特征按照网格结构位置和时序关系映射到所述林业网格模型的各个网格上，所述网格损失值算法通过特征的数值差异以及分布差异全局分析了资源时序特征组序列和所述分析资源特征组序列之间的差异，从而提升了模型训练的效率。

详细地，所述时序卷积是指利用所述映射网格模型中的时序神经网络分析出所述环境时序特征组序列对应的分析时序特征组序列，其中，所述分析时序特征组序列是指针对所述环境时序特征组序列中的各个环境时序特征组预测分析得到的下一时刻的环境时序特征组组成的序列，所述嵌入激活是指利用针对所述分析时序特征组序列进行资源特征分析，得到分析资源特征组序列。

具体地，所述资源分析模型的输入是由所述目标林业区域中各个区块的林业土壤数据和林业气象数据组成的环境时序特征组，输出是未来时间段的分析资源特征组。

具体地，利用如下的网格损失值算法计算出网格损失值：

其中，

本发明实施例中，通过利用所述资源分析模块104提取林业资源特征序列，可以从空间和时间两个维度对林业资源的影响因素和记录数据进行特征提取，进而提高林业资源分析的准确性。

所述计划决策模块105，用于获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

本发明实施例中，为了实现对林业大数据的有效利用，可以利用资源分析模型分析出未来目标林业区域的林业资源分布状态，从而对林业生产计划进行决策调整。

详细地，所述林业生产计划是指林业资源的经济利用计划，即生产各种林业资源的数量以及预期的经济产量。

本发明实施例中，所述计划决策模块105在利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划时，具体用于：

从所述林业生产计划中提取出计划生产周期以及对应的计划资源产量组；

利用所述资源分析模型计算出所述计划生产周期对应的分析资源特征组；

对所述分析资源特征组进行数据映射，得到分析林业资源数据组；

对所述分析林业资源数据组进行统计分类，得到分析资源产量组；

根据所述分析资源产量组对所述计划资源产量组进行匹配决策，得到资源决策结果；

利用所述资源决策结果对所述林业生产计划进行计划调整，得到标准林业计划。

详细地，所述计划生产周期是指所述林业生产计划覆盖的生产周期，所述资源产量组是指所述林业生产计划中所需要的各种林业资源的产量，例如直径50公分的桦树需要1000根。

具体地，所述计算出所述计划生产周期对应的分析资源特征组是指利用历史林业数据中的环境时序特征组序列预测出下一时刻的环境时序特征组，逐级迭代，得到所述生产周期对应的环境时序特征组序列，并利用得到的对应生产周期的环境时序特征组序列预测分析资源特征组。

详细地，所述数据映射的步骤是上述资源分析模块104中从所述资源数据组序列中提取出资源时序特征组序列的步骤的逆向映射，所述统计分类是指根据林业资源的种类进行分类统计，所述分析资源产量组是与所述计划资源产量组的分类格式一致的分析出的未来各种林业资源的产量数据组。

具体地，所述分析林业资源数据组是指所述目标林业区域中各个分区的预测林业资源数据，包括各个分区的各种林业资源的产量，所述匹配决策是指判断所述分析资源产量组是否能够满足所述计划资源产量组的数值需求，若能满足，则所述资源决策结果为通过结果，若不能满足，则所述资源决策结果为各种资源的差值，所述计划调整是指根据所述差值增大或减少对应种类的林业资源。

本发明实施例中，通过利用所述计划决策模块105和所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划，可以结合时空网格模型分析出林业资源的生产状况，进而对生产计划进行对应调整，提高了林业大数据的利用效率。

本发明通过对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据，可以实现对历史林业数据的整合和统一管理，从而方便后续数据湖存储，通过对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖，可以依靠分池技术保证数据隐私，且可以实现结构化的存储取用，实现随取随用，同时减少了数据处理的工作量，提高了数据的压缩率和查询效率，通过利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，可以根据目标林业区域的遥感数据实现林业区域的网格分区和网格模型的建立，从而更好地结合地理空间的关系和拓扑结构，提取出节点之间的相互作用以及依赖关系，提高林业资源数据预测的准确性。

通过提取林业资源特征序列，可以从空间和时间两个维度对林业资源的影响因素和记录数据进行特征提取，进而提高林业资源分析的准确性，通过根据所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划，可以结合时空网格模型分析出林业资源的生产状况，进而对生产计划进行对应调整，提高了林业大数据的利用效率。因此本发明提出的基于数据湖的智慧林业大数据系统，可以解决进行林业数据分析时的效率较低的问题。

参照图4所示，为本发明一实施例提供的基于数据湖的智慧林业大数据方法的流程示意图。在本实施例中，所述基于数据湖的智慧林业大数据方法包括：

S1、获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据。

S2、对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖。

S3、利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，其中，所述利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，包括：从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；利用如下的遥感超采样算法对所述标准遥感图序列进行采样，得到采样遥感图序列：

/>

其中，

S4、根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型。

S5、获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

详细地，本发明实施例中所述基于数据湖的智慧林业大数据方法在使用时采用与上述图1中所述的基于数据湖的智慧林业大数据系统一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于数据湖的智慧林业大数据方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于数据湖的智慧林业大数据程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于数据湖的智慧林业大数据程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于数据湖的智慧林业大数据程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于数据湖的智慧林业大数据程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据；

对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖；

利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，其中，所述利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，包括：从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；利用如下的遥感超采样算法对所述标准遥感图序列进行采样，得到采样遥感图序列：

/>

其中，

根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型；

获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取目标林业区域的历史林业数据，对所述历史林业数据进行数据审查和数据清洗，得到整合林业数据；

对所述整合林业数据进行数据分池以及数据湖存储，得到林业数据湖；

利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，其中，所述利用所述林业数据湖对所述目标林业区域进行遥感地理分区和空间网格映射操作，得到林业网格模型，包括：从所述林业数据湖中提取出林业遥感图序列，对所述林业遥感图序列进行地理坐标转换，得到地理遥感图序列；分别对所述地理遥感图序列进行图像去噪和图像尺寸对齐操作，得到标准遥感图序列；利用如下的遥感超采样算法对所述标准遥感图序列进行采样，得到采样遥感图序列：

其中，

根据所述林业网格模型对所述林业数据湖进行空间时序林业资源特征提取，得到林业资源特征序列，利用所述林业资源特征序列将所述林业网格模型训练成资源分析模型；

获取预设的林业生产计划，利用所述资源分析模型对所述林业生产计划进行决策分析和计划调整，得到标准林业计划。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、系统、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。