【技术实现步骤摘要】
本专利技术涉及生长周期预测，更具体地说，本专利技术涉及沉香树生长周期预测分析方法及系统。
技术介绍
1、沉香树是珍稀的药材沉香的来源，而自然沉香的形成需要的时间过长，甚至长达几十年，长期过度采收和肆意破坏导致其野生资源日益减少，且沉香树若没有被破坏而刺激沉香树的防御机制则不会产生沉香，致使人工种植沉香树与人工采收沉香成为一种局势。
2、现有公开号为cn114692784a的中国专利公开了一种基于历史果树生长周期下的果树成熟预测方法，包括：在历史果树生长周期记录中，提取初始生长时间及生长周期，利用最大信息系数算法，提取目标生长影响因素，根据初始生长时间及生长周期，计算每一个目标生长影响因素的平均影响因素数值，根据生长周期及每一个目标生长影响因素的平均影响因素数值，对原始xg-boost预测模型进行训练，得到目标xg-boost预测模型，利用目标xg-boost预测模型，根据当前果树的种植时间，预测当前果树的成熟时间。该专利技术还提出一种基于历史果树生长周期下的果树成熟预测装置、电子设备以及计算机可读存储介质，可以解决果树生长周期的判断方式存在着准确度低，变动性大的问题。
3、尽管现有技术可以预测果树的生长周期，但沉香树却与果树的生长周期并不相同，果树两年种，一年收，沉香却不行，且沉香树最重要的产出并不是果实而是沉香，沉香的品质与沉香树的生长周期有关，在生长周期内进行分析，可推算出沉香树是否健康以及何时进行人工破坏进行结香的初始工作，同时沉香的品质也与结香时间、结香部位、海拔高度、土壤成分与土壤湿度也有关系，
4、专利技术内
5、为了实现的上述目的，本专利技术提供沉香树生长周期预测分析方法，方法包括：
6、采集沉香树生长数据、健康评级、沉香质量影响因子与沉香质量评级至数据库；
7、当树冠重叠时，测算单棵树冠枝叶覆盖面积；当沉香树生长数据中的树龄遗失时，将树龄遗失的沉香树生长数据中的树高、树干半径、枝叶覆盖面积与叶绿素含量组合成缺陷组，输入至预构建的第三机器学习模型，输出树龄；
8、输入沉香树生长数据至预构建的第一机器学习模型输出健康评级与沉香树初始结香树龄；
9、输入沉香质量影响因子至预构建的第二机器学习模型输出沉香质量评级；
10、根据健康评级判断是否发出警报，根据沉香树初始结香树龄与健康评级选择人工破坏沉香树的初始时间；
11、将沉香质量影响因子中的结香时间与所对应的沉香质量评级通过可视化工具结合成沉香质量评级变化曲线。
12、进一步地，沉香树生长数据包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量。
13、进一步地，第一机器学习模型包括：
14、将每组沉香树生长数据转换为第一特征向量的形式，第一特征向量中的元素包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量；
15、将所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组沉香树生长数据预测的健康评级与沉香树初始结香树龄作为输出，以每组沉香树生长数据对应的实际健康评级与沉香树初始结香树龄作为预测目标，以最小化所有预测的健康评级与沉香树初始结香树龄的第一预测准确度之和作为训练目标；
16、其中，第一预测准确度的计算公式为：me＝(ne-se)2，其中，e为每组沉香树生长数据的编号，me为第一预测准确度，ne为第e组沉香树生长数据对应的预测的健康评级与沉香树初始结香树龄，se为第e组沉香树生长数据对应的实际健康评级与沉香树初始结香树龄；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为决策树模型中的任意一种。
17、进一步地，沉香质量影响因子包括沉香树初始结香树龄、结香时间、结香部位、海拔高度、土壤成分与土壤湿度。
18、进一步地，第二机器学习模型包括1个输入层、2个卷积层、2个池化层、1个rnn层与2个全连接层；输入层的神经元数量为7；2个卷积层包括第一卷积层与第二卷积层，第一卷积层与第二卷积层的卷积核大小均为3x3，激活函数均为relu，步长均为1，边距均为0，第一卷积层的卷积核数为32，第二卷积层的卷积核数为64；2个池化层包括第一池化层与第二池化层，2个池化层结构相同，窗口大小均为2x2，池化方式均采用最大池化法，即在池化窗口内，只取最大值作为池化后窗口对应位置的特征值；rnn层包括64个lstm单元、64个输入通道与64个输出通道；lstm单元包括5个组件，5个组件包括输入门、遗忘门、细胞状态、输出门与隐藏状态；rnn层输入通道的时间步数为1；rnn设有随机减弱机制，随机减弱概率为0.2；2个全连接层包括第一全连接层与第二全连接层；第一全连接层包括128个神经元，激活函数为relu；第二全连接层包括1个神经元，作为最终输出，输出沉香质量评级，其中沉香质量评级y回归计算公式为：
19、y＝w×h+b；
20、式中，h为卷积层输出特征图，w为第二全连接层权重，b为第二全连接层偏置值；其中h是三维张量，在第二全连接层计算中，需要先把特征图转化为一维向量，转化方法采用平均池化；
21、进一步地，第二机器学习模型训练方法为偏微分下降法，方法包括：
22、将v组历史沉香评估数据分为训练集与验证集，训练集中有a组历史沉香评估数据，历史沉香评估数据包括沉香质量影响因子、预测的沉香质量评级与实际的沉香质量评级初始化所有层的权重参数集合q和所有层的偏置参数集合b，前向传播计算预测值y，实际的沉香质量评级设为yt，计算损失函数loos公式为：
23、
24、式中ytr表示第r组历史沉香评估数据中实际的沉香质量评级，yr表示第r组历史沉香评估数据中预测的沉香质量评级，反向传播计算梯度，使用梯度下降法更新参数的公式包括：
25、
26、
27、式中，γ表示学习率，为预设值；表示q的梯度，表示b的梯度；
28、反复计算并更新参数，直到loos收敛为止，即模型训练完成；
29、进一步地，当树冠重叠时，单棵树冠枝叶覆盖面积的测算方法包括：
30、使用无人机在重叠区域上空采集f张图片，f为预设值，无人机视角覆盖重叠区域全貌；对每张图片使用sift方法提取关键特征点，实现不同图片间的关键特征点匹配对应，匹配对应的关键特征点合并为一组关键特征点集合；根据匹配对应的关键特征点在图片中的像素坐标、内参数矩阵以及图片拍摄时无人机相机的外参数矩阵，计算出图片间的本光变换矩阵，获得本光变换矩阵的方法包括：
31、获取匹配对应的关键特征点在图片中的内参矩阵k，获取图片拍摄时无人机相机的外参矩阵[r|t]，r表示旋转矩阵，t表示平移向量，根据两张图片中的像素坐标(u，p)，两张图片为f张图片中的任意两张图片，通过逆投影计算关键特征点集合归一化坐标；根据本文档来自技高网...
【技术保护点】
1.沉香树生长周期预测分析方法，其特征在于，方法包括：
2.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香树生长数据包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量。
3.根据权利要求2所述的沉香树生长周期预测分析方法，其特征在于，所述第一机器学习模型的训练方法包括：
4.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香质量影响因子包括沉香树初始结香树龄、结香时间、结香部位、海拔高度、土壤成分与土壤湿度。
5.根据权利要求4所述的沉香树生长周期预测分析方法，其特征在于，所述第二机器学习模型包括1个输入层、2个卷积层、2个池化层、1个RNN层与2个全连接层；输入层的神经元数量为7；2个卷积层包括第一卷积层与第二卷积层，第一卷积层与第二卷积层的卷积核大小均为3x3，激活函数均为ReLU，步长均为1，边距均为0，第一卷积层的卷积核数为32，第二卷积层的卷积核数为64；2个池化层包括第一池化层与第二池化层，2个池化层结构相同，窗口大小均为2x2，池化方式均采用最大池化法，即在池化窗口内，只取最大值
6.根据权利要求5所述的沉香树生长周期预测分析方法，其特征在于，所述第二机器学习模型训练方法为偏微分下降法，方法包括：
7.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，当树冠重叠时，单棵树冠枝叶覆盖面积的测算方法包括：
8.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述第三机器学习模型的训练方法包括：
9.沉香树生长周期预测分析系统，其特征在于，实施权利要求1-8任一项所述的沉香树生长周期预测分析方法，系统包括：
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-8任一项所述的沉香树生长周期预测分析方法。
...【技术特征摘要】
1.沉香树生长周期预测分析方法，其特征在于，方法包括：
2.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香树生长数据包括树龄、树高、树干半径、枝叶覆盖面积与叶绿素含量。
3.根据权利要求2所述的沉香树生长周期预测分析方法，其特征在于，所述第一机器学习模型的训练方法包括：
4.根据权利要求1所述的沉香树生长周期预测分析方法，其特征在于，所述沉香质量影响因子包括沉香树初始结香树龄、结香时间、结香部位、海拔高度、土壤成分与土壤湿度。
5.根据权利要求4所述的沉香树生长周期预测分析方法，其特征在于，所述第二机器学习模型包括1个输入层、2个卷积层、2个池化层、1个rnn层与2个全连接层；输入层的神经元数量为7；2个卷积层包括第一卷积层与第二卷积层，第一卷积层与第二卷积层的卷积核大小均为3x3，激活函数均为relu，步长均为1，边距均为0，第一卷积层的卷积核数为32，第二卷积层的卷积核数为64；2个池化层包括第一池化层与第二池化层，2个池化层结构相同，窗口大小均为2x2，池化方式均采用最大池化法，即在池化窗口内，只取最大值作为池化后窗口对应位置的特征值；rnn层包括64个lstm单元、64个输入通道...
【专利技术属性】
技术研发人员：陈荻，李亚宏，
申请(专利权)人：东方沉香集团海南有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。