[发明专利]基于机器学习的仿自然生态植被构建方法、系统及设备

权利要求书

1.一种基于机器学习的仿自然生态植被构建方法，其特征在于，包括以下步骤：

获取植被群落历史生长环境数据；

从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；

根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型，具体包括以下分步骤：

获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息；

获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息；

根据选取的各植被相关性最大的生长条件特征信息和立地条件特征信息，构建一一对应关系的样本数据库；

利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系；

利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。

2.根据权利要求1所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述植被的立地条件特征信息包括植被所处地理环境的坡向特征信息、坡度特征信息、坡位特征信息和微地形特征信息；

其中植被所处的坡向特征信息具体为植被所处的坡向为阳坡、半阳坡、半阴坡、阴坡中的一种；

植被所处的坡度特征信息具体为植被所处的坡度为平坡、缓坡、斜坡、陡坡、急坡、险坡中的一种；

植被所处的坡位特征信息具体为植被所处的坡位为脊坡、上坡、中坡、下坡、谷坡中的一种；

植被所处的微地形特征信息具体为植被所处的微地形为缓台、塌陷、切沟、浅沟、陡坎中的一种。

3.根据权利要求2所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述植被的生长条件特征信息包括植被所处气象环境的日照时数特征信息、土壤湿度特征信息、空气温度特征信息、空气压强特征信息、相对湿度特征信息。

4.根据权利要求1所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息具体包括以下分步骤：

获取植被所处气象环境的生长条件特征信息，构建生长条件特征信息矩阵；

设定生长条件阈值，构建生长条件阈值矩阵；

分别计算各种生长条件特征信息与对应的生长条件阈值的关联系数；

根据计算的关联系数，分别计算各种生长条件特征信息的关联序；

根据计算的关联序按大小进行排序，选择关联序最大的生长条件特征信息。

5.根据权利要求4所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息具体包括以下分步骤：

获取植被所处地理环境的立地条件特征信息，构建立地条件特征信息矩阵；

设定立地条件阈值，构建立地条件阈值矩阵；

分别计算各种立地条件特征信息与对应的立地条件阈值的关联系数；

根据计算的关联系数，分别计算各种立地条件特征信息的关联序；

根据计算的关联序按大小进行排序，选择关联序最大的立地条件特征信息。

6.根据权利要求5所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系具体包括以下分步骤：

获取样本数据库中的样本数据作为训练样本；

对样本数据进行归一化处理；

设定隐层数目；

初始化进化次数、种群规模、交叉概率和变异概率；

对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；

循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；

将得到最优初始权值和阈值作为神经网络中初始神经元之间的权值和阈值，构建植被群落结构选择模型；

利用训练样本训练植被群落结构选择模型，建立生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。