【技术实现步骤摘要】
本专利技术涉及园林管理，更具体地，涉及一种基于人工智能的城市园林绿化养护决策支持方法及系统。
技术介绍
1、城市园林绿化养护不仅仅是城市规划和管理的一部分，更是城市生活质量的关键因素。通过精心规划和科学管理，城市可以塑造令人愉悦的自然景观，创造宜居环境，并为社区带来一系列重要的好处。但是在面对庞大的园林绿化资产，如何科学合理高效的安排养护任务，依然是从业人员比较头疼的问题。
2、当前使用较多的城市园林绿化养护方法主要以人工巡查和手动检测为主，即城市养护工作者定期巡查绿化区域，手动记录问题并采取相应的措施，这种方法虽然能够精确解决绿化区域中存在的问题，但会耗费大量的人力物力，且时间成本较高。随着遥感技术的发展和数据分辨率的不断提高，利用卫星和航拍图像，自动或半自动地分析城市绿化区域的覆盖率、健康和变化情况，这大大提高了对绿化区域的状态监测效率，但仅依靠这一数据，依旧需要人工的实地验证，进而安排下一步的养护任务。
3、随着技术的不断发展与进步，多种方法和手段被应用于城市园林绿化养护的工作中。如地面的温度、湿度、降雨、光照等气象观测数据和土壤监测数据，是园林绿化生长的重要因素，通过观测和分析上述数据，将有助于更科学合理的安排城市园林绿化的养护任务。然而目前尚未有一种智能化、自动化的方法应用在城市园林绿化养护的决策工作中，依旧需要较多的人工参与来进行决策。
4、有鉴于此，本专利技术提供一种智能化的、自动化的，一种基于人工智能的城市园林绿化养护决策支持方法及系统。
技术实现思
1、本专利技术的目的在于，提供一种基于人工智能的城市园林绿化养护决策支持方法及系统，本专利技术采用机器学习和深度学习的方法，构建植被生长和病虫害监测模型，分析园林绿化养护区域内的植被生长情况，生成决策支持报告和建议，并且通过自然语言处理模型，自动生成与人员相关的养护任务及养护方案，并进行记录，迭代优化养护方案，最大化利用了园林绿化养护中的数据，采用了当前较为先进的人工智能方法，避免了以往大量数据无处可用的问题。此外，以计算机主导的养护决策支持，减少了以往工作中人工参与较多的实地验证和决策工作，极大的提高了园林绿化养护的工作效率，降低了工作的时间成本和人工成本。
2、一种基于人工智能的城市园林绿化养护决策支持方法，其特征在于，包括步骤：
3、s1，获取基础数据，所述基础数据包括航拍影像数据、气象观测数据、土壤监测数据、病虫害信息数据、外部用户反馈信息数据。
4、s2，对基础数据进行信息整合，将获取的基础数据进行清洗、格式转换和标准化并将处理数据存储至数据库内。
5、s3，基于数据库中存储的数据，采用机器学习和深度学习方法建立植被病虫害模型、植被生长监测模型，植被病虫害模型用于对病虫害进行监测，植被生长监测模型用于分析植被的生长长势。
6、s4，基于植被病虫害模型、植被生长监测模型输出的预测结果构建自然语言处理模型，并通过自然语言处理模型进行结果分析，识别植被生长趋势、模式和异常。
7、s5，自然语言处理模型接收用户的请求指令，自然语言处理模型结合外部用户反馈信息数据，并以自然语言处理模型分析的结果为基础，自动生成养护任务分配单，用户确定任务可实施，任务以最优方式进行分配后实施城市园林绿化养护任务。
8、在一些实施例中，在s1中,还包括以下步骤，所述航拍影像数据通过无人机获取的无人机正射影像，无人机正射影像空间分辨率控制在0.01-0.05m,用于完整地获取绿化养护区域内的植被的空间分布与数量信息，所述气象观测数据包括温度、湿度、辐射度、风向、风力、降雨量数据，气象观测数据以当地气象站的数据为准，土壤监测数据包括土壤湿度、土壤氮磷钾含量数据，土壤监测数据以绿化养护区域内的实地监测数据为准，若无实地监测数据，以就近的监测站点的土壤数据为参考数据。
9、进一步的,外部用户反馈信息数据包括管理人员信息、养护人员的基本位置、工作状态、当前工作任务、未来工作计划，用于对城市园林绿化现状进行任务记录及意见反馈。
10、在一些实施例中，在s2中,还包括以下步骤，数据库由影像模块、文本模块、时序模块组成，数据库用于将承接到的数据进行清洗、格式转换和标准化并将处理数据储存至对应的影像模块、文本模块、时序模块，航拍影像数据、外部用户反馈信息数据存储至影像模块，气象观测数据、土壤监测数据存储至文本模块，基础数据中与位置相关的信息通过地理坐标形式进行关联存储至时序模块。
11、在一些实施例中，在s3中,还包括以下步骤，植被病虫害模型接收影像模块输出的无人机正射影像，通过人工判别的方式，构建绿化植被病虫害的样本数据库，采用区域卷积神经网络中的分割掩码方法(mask region-based convolutional neural network,maskr-cnn)病虫害样本进行特征学习，植被病虫害模型的输出结果为二分类结果，即属性为1，该植被处于病虫害阶段，属性为0则为健康阶段。
12、在一些实施例中，在s3中,还包括以下步骤，所述植被生长监测模型接收时序模块输出的在生长周期内的时间序列无人机正射影像图，通过长短时记忆网络(long short-term memory,lstm)训练获得不同植被生长状态的模型，通过时序模块输出数据，建立起各种植被的生长周期的视觉图像数据，并使用lstm对该序列的数据进行特征学习，获得不同类型的植被生长模型，植被生长监测模型为概率分布结果，值域为0～1，越接近于1，植被长势越好，反之越差。
13、在一些实施例中，在s1中，还包括以下步骤,数据库不断的进行迭代更新，当实时获取的新的基础数据进入到数据库时，植被病虫害模型、植被生长监测模型将自动抓取该数据并进行模型的预测，实时同步新数据的植被长势结果和病虫害结果，所有结果最后仍会存储到数据库中，并定期输入到病虫害监测模型和长势模型中进行迭代训练。
14、在一些实施例中，在s4中，还包括以下步骤,自然语言处理模型采用transformer模型来进行本地化的自然语言处理模型，transformer模型主要包含编码器、解码器、嵌入层、位置编码、输出层、多头注意力机制，存储在数据库中的文本模块数据输入至编码器，数据依次通过编码器、解码器、嵌入层、位置编码、输出层、多头注意力机制处理后输出预测结果。
15、进一步的，transformer模型主要包含以下几个部分：
16、(1)编码器(encoder)：编码器是transformer模型的第一个主要部件，它由多个相同的编码器堆叠而成，每个编码器包含两个子层：
17、自注意力机制(self-attention layer)：自注意力机制允许模型在处理输入序列数据时，对不同位置的信息进行关注和权衡，从而更好地捕获上下文信息。
18、前馈神经网络(feed-forward neural network)，前馈神经网络是一种全连接的前馈层，用本文档来自技高网...
【技术保护点】
1.一种基于人工智能的城市园林绿化养护决策支持方法，其特征在于，包括步骤：
2.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S1中,还包括以下步骤，所述航拍影像数据通过无人机获取的无人机正射影像，无人机正射影像空间分辨率控制在0.01-0.05m,用于完整地获取绿化养护区域内的植被的空间分布与数量信息，所述气象观测数据包括温度、湿度、辐射度、风向、风力、降雨量数据，气象观测数据以当地气象站的数据为准，土壤监测数据包括土壤湿度、土壤氮磷钾含量数据，土壤监测数据以绿化养护区域内的实地监测数据为准，若无实地监测数据，以就近的监测站点的土壤数据为参考数据。
3.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S2中,还包括以下步骤，数据库由影像模块、文本模块、时序模块组成，数据库用于将承接到的数据进行清洗、格式转换和标准化并将处理数据储存至对应的影像模块、文本模块、时序模块，航拍影像数据、外部用户反馈信息数据存储至影像模块，气象观测数据、土壤监测数据存储至文本模块，基础数据中与位置相关的信息通过地理坐标形
4.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S3中,还包括以下步骤，植被病虫害模型接收影像模块输出的无人机正射影像，通过人工判别的方式，构建绿化植被病虫害的样本数据库，采用区域卷积神经网络中的分割掩码方法(Mask Region-basedConvolutional Neural Network,Mask R-CNN)病虫害样本进行特征学习，植被病虫害模型的输出结果为二分类结果，即属性为1，该植被处于病虫害阶段，属性为0则为健康阶段。
5.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S3中，还包括以下步骤,所述植被生长监测模型接收时序模块输出的在生长周期内的时间序列无人机正射影像图，通过长短时记忆网络(Long Short-Term Memory,LSTM)训练获得不同植被生长状态的模型，通过时序模块输出数据，建立起各种植被的生长周期的视觉图像数据，并使用LSTM对该序列的数据进行特征学习，获得不同类型的植被生长模型，植被生长监测模型为概率分布结果，值域为0～1，越接近于1，植被长势越好，反之越差。
6.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S1中，还包括以下步骤,当有新的基础数据进入到数据库时，植被病虫害模型、植被生长监测模型将自动抓取该数据并进行模型的预测，实时同步新数据的植被长势结果和病虫害结果，所有结果最后仍会存储到数据库中，并定期输入到病虫害监测模型和长势模型中进行迭代训练。
7.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在S4中，还包括以下步骤,自然语言处理模型采用Transformer模型来进行本地化的自然语言处理模型，Transformer模型主要包含编码器、解码器、嵌入层、位置编码、输出层、多头注意力机制，存储在数据库中的文本模块数据输入至编码器，数据依次通过编码器、解码器、嵌入层、位置编码、输出层、多头注意力机制处理后输出预测结果。
8.一种基于人工智能的城市园林绿化养护决策支持的系统，包括基础数据模块、数据整合存储模块、数据分析模块、用户决策模块，所述基础数据模块输出端与数据整合存储模块输入端连接，基础数据模块用于获取原始基础数据并输出，数据整合存储模块输出端与数据分析模块输入端连接，数据整合存储模块用于将获取的多元数据进行清洗、格式转换和标准化并将处理数据存储后输出至数据分析模块，数据分析模块与用户决策模块双向连接，数据分析模块用于承接数据、整合存储模块输出数据并构建模型进行数据分析将数据与用户决策模块、数据存储模块双向输送，用户决策模块用于请求数据分析模块输出数据并确认任务是否分发。
9.如权利要求8所述的基于人工智能的城市园林绿化养护决策支持的系统，其特征在于，用户决策模块还分别与基础数据模块、数据整合存储模块连接，用于记录反馈数据并将数据输出至基础数据模块、数据整合存储模块进行数据更新。
...【技术特征摘要】
1.一种基于人工智能的城市园林绿化养护决策支持方法，其特征在于，包括步骤：
2.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在s1中,还包括以下步骤，所述航拍影像数据通过无人机获取的无人机正射影像，无人机正射影像空间分辨率控制在0.01-0.05m,用于完整地获取绿化养护区域内的植被的空间分布与数量信息，所述气象观测数据包括温度、湿度、辐射度、风向、风力、降雨量数据，气象观测数据以当地气象站的数据为准，土壤监测数据包括土壤湿度、土壤氮磷钾含量数据，土壤监测数据以绿化养护区域内的实地监测数据为准，若无实地监测数据，以就近的监测站点的土壤数据为参考数据。
3.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在s2中,还包括以下步骤，数据库由影像模块、文本模块、时序模块组成，数据库用于将承接到的数据进行清洗、格式转换和标准化并将处理数据储存至对应的影像模块、文本模块、时序模块，航拍影像数据、外部用户反馈信息数据存储至影像模块，气象观测数据、土壤监测数据存储至文本模块，基础数据中与位置相关的信息通过地理坐标形式进行关联存储至时序模块。
4.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在s3中,还包括以下步骤，植被病虫害模型接收影像模块输出的无人机正射影像，通过人工判别的方式，构建绿化植被病虫害的样本数据库，采用区域卷积神经网络中的分割掩码方法(mask region-basedconvolutional neural network,mask r-cnn)病虫害样本进行特征学习，植被病虫害模型的输出结果为二分类结果，即属性为1，该植被处于病虫害阶段，属性为0则为健康阶段。
5.如权利要求1所述的基于人工智能的城市园林绿化养护决策支持方法，其特征在于，在s3中，还包括以下步骤,所述植被生长监测模型接收时序模块输出的在生长周期内的时间序列无人机正射影像图，通过长短时记忆网络(long short-term memory,lstm)训练获得不同植被...
【专利技术属性】
技术研发人员：朱宇青，冯淑霞，李威，陈建，林娜，
申请(专利权)人：星景科技有限公司，
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。