预测和修正植被状态制造技术

用于管理植被的方法和系统，包括：基于在天气事件之前的训练数据区域的图像、在天气事件之后的训练数据区域的图像以及关于天气事件的信息，来训练机器学习模型。基于第二区域的图像和第二区域的预测天气信息，使用训练的机器学习模型，生成第二区域的风险得分。该风险得分用于指示第二区域中的高风险植被。执行修正动作，以降低第二区域中植被的风险。以降低第二区域中植被的风险。以降低第二区域中植被的风险。

【技术实现步骤摘要】
【国外来华专利技术】预测和修正植被状态

技术介绍

[0001]本申请总体上涉及植被的维护，尤其涉及预测和标识植被将会过度生长并可能损坏有用区域并且需要被去除的区域。
[0002]虽然卫星图像可以提供对例如公用事业，交通运输基础设施和农业的当前植被侵害的准确二维成像，但是难以预测这些植被在恶劣天气期间将如何影响这些使用。因此，植被管理可能是劳动密集型的过程，其中检查员亲自视察相关资产，以检查植被的类型和状态并且标识需要被去除的植被。

技术实现思路

[0003]一种用于管理植被的方法，包括基于在天气事件之前的训练数据区域的图像、在天气事件之后的训练数据区域的图像以及关于天气事件的信息，来训练机器学习模型。基于第二区域的图像和第二区域的预测天气信息，使用已经训练的机器学习模型，生成第二区域的风险得分。该风险得分用于指示第二区域中的高风险植被。执行修正动作，以降低第二区域中植被的风险。
[0004]一种用于管理植被的方法，包括基于在天气事件之前的训练数据区域的图像、在天气事件之后的训练数据区域的图像和关于天气事件的信息，来训练机器学习模型，关于天气事件的信息包括在天气事件前训练数据区域的图像示出的植被与在天气事件后训练数据区域的图像示出的植被之间的差异。基于第二区域的图像和第二区域的预测天气信息，使用经训练的机器学习模型，生成第二区域的风险得分。该风险得分用于指示第二区域中的高风险植被。执行修正动作，以降低第二区域中植被的风险。
[0005]一种用于管理植被的系统，包括：模型训练器，其被配置为基于天气事件之前的训练数据区域的图像、天气事件之后的训练数据区域的图像以及关于天气事件的信息，来训练机器学习模型。植被管理器，被配置为：基于第二区域的图像和第二区域的预测天气信息、使用经训练的机器学习模型来生成第二区域的风险得分，以确定该风险得分指示第二区域中的高风险植被，以及触发修正动作以降低第二区域中植被的风险。
[0006]一种用于管理植被的系统，包括：模型训练器，其被配置为基于天气事件之前的训练数据区域的图像、天气事件之后的训练数据区域的图像和关于天气事件的信息，来训练机器学习模型，关于天气事件的信息包括在天气事件前训练数据区域的图像示出的植被与在天气事件后训练数据区域的图像示出的植被之间的差异。植被管理器，被配置为：基于第二区域的图像和第二区域的预测天气信息，使用经训练的机器学习模型，生成第二区域的风险得分，以确定该风险得分指示第二区域中的高风险植被，以及触发修正动作以降低第二区域中植被的风险。
[0007]这些和其他特征和优点将从以下结合附图阅读的相关说明性实施例的详细描述中变得明显。
附图说明
[0008]以下描述将参考以下附图提供优选实施例的细节，其中：
[0009]图1是根据本申请的实施例的神经网络模型的图解；
[0010]图2是根据本申请的实施例的神经网络架构的图解；
[0011]图3是根据本申请实施例的用于植被管理的方法的框/流程图，该方法使用机器学习模型来标识高风险植被区域；
[0012]图4是根据本申请实施例的用于训练机器学习模型以标识高风险植被区域的方法的框/流程图；
[0013]图5是根据本申请实施例的使用机器学习模型标识高风险植被区域的方法的框/流程图；
[0014]图6是根据本申请实施例的使用机器学习模型标识和控制高风险植被区域的植被管理系统的框图；
[0015]图7是根据本申请实施例的用于植被管理的处理系统的框图；以及，
[0016]图8是根据本申请实施例示出不同高程模型之间的比较以标识图像中的不同种类的地形和结构的图解。
具体实施方式
[0017]本申请的实施例使用对当前植被状态的测量，以及与天气和地形数据相关的信息，来预测在恶劣天气时期，植被生长可能会对资产和人员造成潜在危险的区域。例如，在强风或大雪期间，树枝可能落在电线和铁路轨道上，需要紧急修理和去除。损坏事件的历史数据，如有关于损坏的位置、损坏的严重程度、和人造建筑的接近程度、电线及普遍天气状况，会被考虑用来标识那些可能造成损坏的树木。附加信息，如停电的时长、通信服务的缺乏、或房屋的损坏，会被用来评估可能由树木造成的损坏的严重程度。基于专家建议和由公用事业公司和地方当局实施的最佳实践，并考虑到地方法规，某个地区关于植被管理的最佳实践被确定。附加信息，如树木类型、年龄、健康状况、土壤和周围环境，也被集成到模型中。因此，本申请实施例标识可能造成问题的植被，并且在所标识的植被可能造成损坏之前去除或修剪该植被。
[0018]为此，本申请实施例采用机器学习技术以使用例如卫星图像来标识植被随时间的变化，并且将该信息与地形和天气信息组合以标识其中植被生长可能造成损坏的区域。本申请实施例使用测距技术，例如光探测和测距(LIDAR)，来构建地形图并区分不同种类的特征，诸如树木和人造建筑。然后，本申请实施例创建在恶劣天气状况或植被生长状况下标识可能产生问题的高风险植被的地图，并且生成通过去除相关植被来避免损坏的建议。
[0019]为了标识可能造成损坏的植被区域，人工神经网络(ANN)在随时间变化的图像上被训练(例如，指示树木的倒塌)，并且然后被用来标识将来可能遭受损坏的区域。在训练过程中，考虑来自LIDAR数据的整个三维分布信息，以标识可能造成损坏的个体树木或树木的部分(树枝、树冠、树干等)。在该LIDAR数据中，这样的特征可以被标识为返回点的数目减少(指示生病或受损的树枝)，或者不对称地分布在树体周围的过多的返回点(如生长过度的树枝)，或者仅检测到指示死树的没有叶子的树体。
[0020]ANN是由生物神经系统(诸如大脑)启发的信息处理系统。ANN的关键元素是信息处
理系统的结构，它包括大量并行工作的高度互连的处理单元(被称为“神经元”)，用来解决特定问题。ANN在使用中通过学习来进一步被训练，该学习涉及调整存在于神经元之间的权重。通过这样的学习过程，ANN被配置用于特定应用，例如模式标识或数据分类。
[0021]现在参考图1，其示出了神经网络的一般性示意图。ANN演示了从复杂的或不准确的数据得出含义的能力，并且可以用于提取模式，以及检测过于复杂而无法被人类或其他基于计算机的系统检测的趋势。已知神经网络的结构通常具有向一个或多个“隐藏”神经元104提供信息的输入神经元102。输入神经元102和隐藏神经元104之间的连接108被加权，然后这些加权输入由隐藏神经元104根据隐藏神经元104中的某个功能以及层之间的加权连接108来处理。可以存在任何数目的隐藏神经元104层，以及执行不同功能的神经元。还存在不同的神经网络结构，例如卷积神经网络，最大输出网络(maxout network)等。最后，一组输出神经元106接受并处理来自最后一组隐藏神经元104的加权输入。
[0022]，这表示“前馈”计算，其中信息从输入神经元102传播到输出神经元106。在前馈计算完成后，将输出与从训练数据可用的期望输出进行比较。然后在“反馈”计算中处理与训练数据相关的误本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于管理植被的方法，包括：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型；基于第二区域的图像和针对所述第二区域的预测天气信息，使用经训练的所述机器学习模型，生成针对所述第二区域的风险得分；确定所述风险得分指示所述第二区域中的高风险植被；以及执行修正动作以降低所述第二区域中植被的风险。2.根据权利要求1所述的方法，其中训练所述机器学习模型包括：确定所述天气事件之前的所述训练数据区域的所述图像与所述天气事件之后的所述训练数据区域的所述图像之间的差异。3.根据权利要求2所述的方法，其中训练所述机器学习模型还包括：将所述训练数据区域的已改变部分标识为第一类型样本，并且将所述训练数据区域的未改变部分标识为第二类型样本，以用作训练期间的标签。4.根据权利要求1所述的方法，其中训练所述机器学习模型还包括：标识所述天气事件之前的所述训练数据区域的所述图像中和所述天气事件之后的所述训练数据区域的所述图像中的植被。5.根据权利要求4所述的方法，其中，标识图像中的植被包括：比较光探测和测距(LIDAR)信息的局部极小值模型和局部极大值模型。6.根据权利要求5所述的方法，其中，标识图像中的植被还包括：确定植被存在于所述图像的、其中所述局部极小值模型与所述局部极大值模型之间的差异超过阈值的部分中。7.根据权利要求1所述的方法，其中训练所述机器学习模型还包括：标识所述训练数据区域中的人造结构。8.根据权利要求7所述的方法，其中，标识图像中的人造结构包括：将局部极小值模型和局部极大值模型与高程模型相比较。9.根据权利要求8所述的方法，其中，标识图像中的人造结构还包括：确定人造结构存在于所述训练数据区域的、其中所述局部极小值模型和所述局部极大值模型重合但两者都不同于所述高程模型的部分中。10.根据权利要求1所述的方法，其中所述修正动作包括：生成用于植被去除的建议以最小化植被对人造建筑物损坏的风险。11.根据权利要求10所述的方法，其中所述建议包括：在植被去除已经被执行之后，重复所述生成，以验证所述高风险植被已经被去除。12.一种用于管理植被的方法，包括：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型，所述关于天气事件的信息包括所述天气事件之前的所述训练数据区域的图像中和所述天气事件之后的所述训练数据区域的所述图像中示出的植被之间的差异；基于第二区域的图像和针对所述第二区域的预测天气信息，使用经训练的所述机器学习模型，生成针对所述第二区域的风险得分；确定所述风险得分指示所述第二区域中的高风险植被；以及
执行修正动作以降低所述第二区域中植被的风险。13.一种用于管理植被的非暂态计算机可读存储介质，包括计算机可读程序，其中当所述计算机可读程序在计算机上被执行时，使得所述计算机执行以下步骤：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型；基于第二区域的图像和针对所述第二区域的预测天气信息，...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：