【技术实现步骤摘要】
本专利技术涉及林业，具体是涉及一种基于时序神经网络的森林面积预测方法。
技术介绍
1、森林面积随着地理信息的变化以及气候变化会逐渐增加或减少，现有技术主要采用统计历史数据的方式预测未来的森林面积，或者采用人为估计的方式预测未来的森林面积，上述两种方式都含有人为因素，因此导致预测出的森林面积准确度较低。
2、综上所述，现有技术降低了森林面积的预测准确度。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于时序神经网络的森林面积预测方法，解决了现有技术降低了森林面积预测准确度的问题。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、第一方面，本专利技术提供一种基于时序神经网络的森林面积预测方法，其中，包括：
4、确定目标区域的相似区域，所述相似区域的特征吻合于所述目标区域的特征；
5、对所述相似区域的当前特征以及历史特征应用已训练的时序神经网络，得到已训练的时序神经网络输出的关于所述目标区域的森林预测面积。
6、在一种实现方式中，所述确定目标区域的相似区域，所述相似区域的特征吻合于所述目标区域的特征，包括：
7、确定所述目标区域的缓冲区，所述缓冲区位于所述目标区域的外部；
8、在所述缓冲区随机生成各个子区域；
9、确定各个所述子区域与所述目标区域关于特征的各个相似度；
10、依据各个所述子区域所对应
11、在一种实现方式中，所述确定所述目标区域的缓冲区，所述缓冲区位于所述目标区域的外部，包括：
12、将所述目标区域的各个边部向外延伸设定距离，得到各个外延边部；
13、依据各个所述外延边部，确定所述目标区域的缓冲区。
14、在一种实现方式中，所述依据各个所述子区域所对应的各个所述相似度，从各个所述子区域中筛选出相似区域，包括：
15、依据各个所述子区域所对应的各个所述相似度，从各个所述子区域中筛选出设定数量的相似区域，设定数量的相似区域中的任一个所述相似区域所对应的所述相似度大于余下子区域所对应的所述相似度，所述余下子区域为各个所述子区域中除所述相似区域之外的子区域。
16、在一种实现方式中，所述对所述相似区域的当前特征以及历史特征应用已训练的时序神经网络，得到已训练的时序神经网络输出的关于所述目标区域的森林预测面积，包括：
17、确定所述历史特征中的连续时刻历史特征；
18、对所述相似区域的所述当前特征以及所述连续时刻历史特征应用已训练的时序神经网络，得到已训练的时序神经网络输出的关于所述目标区域的未来连续时刻的森林预测面积。
19、在一种实现方式中，还包括：
20、依据所述森林预测面积，得到基线，所述基线用于作为评估项目的标准，所述项目用于控制森林减少量。
21、在一种实现方式中，已训练的时序神经网络的训练方式，包括：
22、对所述相似区域的样本特征应用时序神经网络，得到所述时序神经网络输出的关于所述目标区域的森林训练预测面积；
23、依据所述目标区域的实际森林面积和所述森林训练预测面积，训练所述时序神经网络，得到已训练的时序神经网络。
24、在一种实现方式中，所述特征包括坡度特征和/或海拔特征和/或土壤类别特征。
25、第二方面，本专利技术实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于时序神经网络的森林面积预测程序，所述处理器执行所述基于时序神经网络的森林面积预测程序时，实现上述所述的基于时序神经网络的森林面积预测方法的步骤。
26、第三方面，本专利技术实施例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上存储有基于时序神经网络的森林面积预测程序，所述基于时序神经网络的森林面积预测程序被处理器执行时，实现上述所述的基于时序神经网络的森林面积预测方法的步骤。
27、有益效果：本专利技术首先从区域特征的角度确定出目标区域的相似区域，然后对相似区域的当前特征和历史特征应用时序神经网络，预测出目标区域的森林面积。从上述分析，本专利技术采用时序神经网络，由于时序神经网络能够学习到森林面积在时间上的依赖性，因此采用时序神经网络能够提高森林面积预测的准确度。
本文档来自技高网...【技术保护点】
1.一种基于时序神经网络的森林面积预测方法，其特征在于，包括：
2.如权利要求1所述的基于时序神经网络的森林面积预测方法，其特征在于，所述确定目标区域的相似区域，所述相似区域的特征吻合于所述目标区域的特征，包括：
3.如权利要求2所述的基于时序神经网络的森林面积预测方法，其特征在于，所述确定所述目标区域的缓冲区，所述缓冲区位于所述目标区域的外部，包括：
4.如权利要求2所述的基于时序神经网络的森林面积预测方法，其特征在于，所述依据各个所述子区域所对应的各个所述相似度，从各个所述子区域中筛选出相似区域，包括：
5.如权利要求1所述的基于时序神经网络的森林面积预测方法，其特征在于，所述对所述相似区域的当前特征以及历史特征应用已训练的时序神经网络，得到已训练的时序神经网络输出的关于所述目标区域的森林预测面积，包括：
6.如权利要求1所述的基于时序神经网络的森林面积预测方法，其特征在于，还包括：
7.如权利要求1-6任一项所述的基于时序神经网络的森林面积预测方法，其特征在于，已训练的时序神经网络的训练方式，包括：p>
8.如权利要求1-6任一项所述的基于时序神经网络的森林面积预测方法，其特征在于，所述特征包括坡度特征和/或海拔特征和/或土壤类别特征。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于时序神经网络的森林面积预测程序，所述处理器执行所述基于时序神经网络的森林面积预测程序时，实现如权利要求1-8任一项所述的基于时序神经网络的森林面积预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于时序神经网络的森林面积预测程序，所述基于时序神经网络的森林面积预测程序被处理器执行时，实现如权利要求1-8任一项所述的基于时序神经网络的森林面积预测方法的步骤。
...【技术特征摘要】
1.一种基于时序神经网络的森林面积预测方法，其特征在于，包括：
2.如权利要求1所述的基于时序神经网络的森林面积预测方法，其特征在于，所述确定目标区域的相似区域，所述相似区域的特征吻合于所述目标区域的特征，包括：
3.如权利要求2所述的基于时序神经网络的森林面积预测方法，其特征在于，所述确定所述目标区域的缓冲区，所述缓冲区位于所述目标区域的外部，包括：
4.如权利要求2所述的基于时序神经网络的森林面积预测方法，其特征在于，所述依据各个所述子区域所对应的各个所述相似度，从各个所述子区域中筛选出相似区域，包括：
5.如权利要求1所述的基于时序神经网络的森林面积预测方法，其特征在于，所述对所述相似区域的当前特征以及历史特征应用已训练的时序神经网络，得到已训练的时序神经网络输出的关于所述目标区域的森林预测面积，包括：
6.如权利要求1所述的基于时序神经网络的森林面积预测方法...
【专利技术属性】
技术研发人员：汪飙，唐玉芝，朱超杰，吴海山，李世行，李兆鹏，谭琳琳，李清泉，
申请(专利权)人：人工智能与数字经济广东省实验室深圳，
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。