本技术涉及数据处理，更具体地说，涉及基于云计算的园林数据智能管理方法及系统。
背景技术：
1、园林绿化管理是指对园林的绿地、林地、公园、风景区、苗圃等的建设、养护和管理工作。园林绿化是城市建设的重要组成部分，很多城市都规划了大量绿化用地，种植各种植物和树木。然而，实现园林绿化的精准管理仍是一大挑战。目前的做法是在园林内部署传感器采集环境数据，以实现智能化管理。但过多传感器会导致系统复杂、稳定性降低、数据冗余以及高维护成本等问题。
2、现有技术公开号为cn116777116a的文献提供了一种基于云计算的园林数据智能管理方法及系统，将园林划分为检测区域和验证区域，利用从检测区推算的值与验证区的实测值进行对比管理，当验证区准确性低于阈值时，就在该区域内增加传感器。这种方式能够降低所需传感器数量，提高稳定性，降低成本。
3、然而，上述现有技术主要依赖于固定的区域划分策略、检测传感器与验证传感器的配合模式，以及基于预设阈值的判断机制来决定是否增加传感器。这种方案缺乏对复杂动态环境的适应性，难以实现精确灵活的传感器布局，缺少智能化自动化优化，无法充分利用云计算和人工智能技术来提升管理效率和精度。
4、鉴于此，我们提出了一种基于云计算的园林数据智能管理方法及系统。
技术实现思路
1、为了克服现有技术存在的一系列缺陷，本技术的目的在于针对上述问题，提供一种基于云计算的园林数据智能管理方法，包括以下步骤。
2、步骤s1，根据园林规模、管理需求及传感器检测范围数据库，采用voronoi图算法将园林空间划分为若干子区域。
3、步骤s2，根据voronoi图算法划分结果，结合园林实际需求，适当调整传感器初始部署位置。
4、步骤s3，采用dbscan聚类算法对历史环境数据进行分析，根据传感器检测数据的相关性将其划分为若干簇，将属于同一聚类的子区域定义为“可推测区域”。
5、步骤s4，构建强化学习模型，在保证检测质量的前提下，优化传感器布局方案，减少所需传感器数量。
6、步骤s5，将训练好的强化学习模型应用于实际园林管理，根据当前园林状态及模型输出的最优动作，动态调整传感器布局。
7、步骤s6，对实时采集的传感器数据进行融合，其中，可推测区域的环境信息利用聚类结果及相邻区域数据进行推算补充。
8、步骤s7，基于完整的园林环境数据，通过云计算平台进行数据分析、建模和预测，制定科学的园林管理策略。
9、进一步的，步骤s1包括以下步骤。
10、步骤s11，收集园林的地理边界、面积和地形地貌信息，以及传感器的检测范围和性能参数。
11、步骤s12，基于步骤s11收集到的数据，创建一组虚拟的传感器位置点集以代表传感器的部署位置。
12、步骤s13，应用voronoi图算法，构建voronoi图并将园林空间划分为若干子区域。
13、步骤s14，检查voronoi图是否覆盖整个园林空间，确保无监测盲区，分析voronoi多边形的大小、形状以及传感器分布的均匀性，评估虚拟部署方案的合理性与有效性。
14、步骤s15，虚拟部署效果不佳时，根据voronoi图提供的信息，调整虚拟传感器位置或增补虚拟传感器，优化部署方案直至获得满意的虚拟部署方案。
15、步骤s16，记录最终的voronoi图分割结果，包括每个子区域的边界坐标以及主导传感器信息，为后续实际部署传感器提供依据。
16、进一步的，步骤s2包括以下步骤。
17、步骤s21，明确园林重点监测区域和景观特点。
18、步骤s22，根据voronoi图划分结果，结合园林实际需求，对传感器位置进行适当调整以确定最终的虚拟部署方案。
19、步骤s23，将最终虚拟部署方案中确定的传感器位置与数量信息转化为实际部署指令。
20、步骤s24，按照实际部署指令，在园林中实际安装并调试传感器，确保其位置及朝向与虚拟部署方案一致。
21、步骤s25，完成部署后，通过实地测试及数据采集方式，验证实际部署的传感器是否达到了预期的覆盖效果。
22、步骤s26，根据实际验证结果对个别传感器进行微调，确保每个子区域至少有一台传感器负责数据采集，且所有微调后的传感器部署满足园林管理需求和覆盖要求。
23、进一步的，步骤s3包括以下步骤。
24、步骤s31，收集一段时间内各传感器的历史检测数据，并进行清洗和标准化处理。
25、步骤s32，根据园林环境特性和传感器类型，设定dbscan聚类算法的参数。
26、步骤s33，应用设定好参数的dbscan聚类算法对预处理后的历史检测数据进行聚类，并根据传感器检测数据的相关性将其划分为若干簇。
27、步骤s34，检查聚类结果是否符合园林环境的空间分布特征，如有必要，调整dbscan参数重新聚类。
28、步骤s35，将属于同一簇的子区域定义为“可推测区域”。
29、进一步的，步骤s4包括以下步骤。
30、步骤s41，构建强化学习环境，状态空间包括当前传感器部署情况和可推测区域划分，智能体可执行的动作包括调整传感器部署以及设置克里金法的参数。
31、步骤s42，智能体在某一状态下选取动作后，根据选定的克里金法参数和当前已知子区域的传感器数据，构建克里金模型对移除传感器的子区域进行预测，获得预测值和预测方差。
32、步骤s43，设计奖励函数，在保证检测质量的前提下，减少传感器数量。
33、步骤s44，使用深度q学习算法构建智能体，在模拟环境中进行大量迭代训练，使其学习在给定状态下选择最优动作的策略。
34、进一步的，在步骤s42中，在强化学习训练过程中仍保留传感器的子区域作为已知点，移除传感器的子区域作为未知点进行预测，预测值公式为：z^(s)=μ+∑i=1nλi(z(si)－μ)，其中：z^(s)是未知点 s 的预测值，μ是全局均值或趋势模型预测值，z(si)是已知数据点 si的观测值，λi是权重，由克里金系统方程求解得到，反映了已知点 si对未知点 s 预测值的贡献，n 是用于推测的已知数据点数量。
35、预测方差公式为：σ2(s)=c(s,s)－∑i=1nλic(si,s)，其中，σ2(s)表示在未知点 s 的预测方差；c(s,s) 是半变异函数在未知点 s 自身处的值，c(si,s)是已知点si与未知点 s之间的半变异函数值。
36、进一步的，奖励函数r的公式为：r=w1rcoverage+w2raccuracy－w3pnum，其中，rcoverage表示推测是否覆盖所有缺失子区域；raccuracy表示本次推测任务的整体准确率，即rmse；pnum是惩罚项，与使用的传感器数量有关；w1,w2,w3是权重系数，用于调整各部分奖励的重要性。
37、进一步的，对于单个未知点s，预测误差e为：e=z(s)－ z^(s)，均方根误差为：rmse=[1/m∑j=1m(z(sj)－z^(sj))2]1/2，其中，m 是未知点的数量，z(sj)是第 j 个未知点的实际观测值，z^(sj) 是第j 个未知点的预测值。
38、本技术的目的还在于提供一种基于云计算的园林数据智能管理系统，具体包括以下模块。
39、传感器检测范围数据库模块，用于存储各类传感器的有效检测范围数据，为空间划分和传感器布局优化提供基础数据支持。
40、voronoi图算法模块，根据传感器检测范围数据，对园区空间进行划分，确保整个区域无监测盲区。
41、传感器部署调整模块，根据园区空间的划分结果和园林实际需求，对传感器进行初始部署布局，保证每个子区域至少有一台传感器。
42、聚类分析模块，采用dbscan聚类算法对历史环境数据进行分析，根据传感器数据的相关性将其划分为若干簇，合理设定聚类算法的参数，确保聚类结果能有效反映园林环境的空间异质性。
43、强化学习模型模块，构建强化学习模型，在保证监测质量的前提下，通过调整传感器布局减少所需传感器数量，提高资源利用效率。
44、传感器布局动态调整模块，用于将训练好的强化学习模型应用于实际园林，根据当前园林状态和模型输出的最优动作，执行相应的传感器保留、移除、新增及移动操作，动态优化调整传感器的部署布局。
45、数据融合与分析预测模块，用于对实时采集的传感器数据进行融合，利用聚类结果和相邻传感器数据进行推算，补充缺失的环境信息，基于完整的园林环境数据，通过云计算平台进行数据分析、建模和预测，制定科学的园林管理策略。
46、与现有技术相比，本技术具有以下有益效果。
47、本技术通过综合运用voronoi图算法、dbscan聚类算法、强化学习等多种技术手段，实现了对园林环境数据的智能化和精细化管理；通过voronoi图算法，实现了园林空间的科学划分，使划分区域更为灵活且更具针对性，更能贴合实际监测需求；通过引入数据聚类技术，增强了对园林环境空间异质性的理解，使得推测区域的定义更加科学，充分利用了传感器检测数据的相关性，提高了数据的利用效率和准确性，运用强化学习进行传感器布局优化，能够动态适应环境变化和管理目标的调整，实现更为精细和智能化的传感器布局决策。
1.一种基于云计算的园林数据智能管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于云计算的园林数据智能管理方法，其特征在于，步骤s1包括以下步骤；
3.根据权利要求1所述的一种基于云计算的园林数据智能管理方法，其特征在于，步骤s2包括以下步骤；
4.根据权利要求1所述的一种基于云计算的园林数据智能管理方法，其特征在于，步骤s3包括以下步骤；
5.根据权利要求1所述的一种基于云计算的园林数据智能管理方法，其特征在于，步骤s4包括以下步骤；
6.根据权利要求5所述的一种基于云计算的园林数据智能管理方法，其特征在于，在步骤s42中，在强化学习训练过程中仍保留传感器的子区域作为已知点，移除传感器的子区域作为未知点进行预测，预测值公式为：z^(s)=μ+∑i=1nλi(z(si)－μ)，其中：z^(s)是未知点 s的预测值，μ是全局均值或趋势模型预测值，z(si)是已知数据点 si的观测值，λi是权重，由克里金系统方程求解得到，反映了已知点 si对未知点 s 预测值的贡献，n 是用于推测的已知数据点数量。
7.根据权利要求6所述的一种基于云计算的园林数据智能管理方法，其特征在于，在步骤s42中，预测方差公式为：σ2(s)=c(s,s)－∑i=1nλic(si,s)，其中，σ2(s)表示在未知点 s 的预测方差；c(s,s) 是半变异函数在未知点 s 自身处的值，c(si,s)是已知点si与未知点 s之间的半变异函数值。
8.根据权利要求7所述的一种基于云计算的园林数据智能管理方法，其特征在于，奖励函数r的公式为：r=w1rcoverage+w2raccuracy－w3pnum，其中，rcoverage表示推测是否覆盖所有缺失子区域；raccuracy表示本次推测任务的整体准确率；pnum是惩罚项，与使用的传感器数量有关；w1,w2,w3是权重系数，用于调整各部分奖励的重要性。
9.根据权利要求8所述的一种基于云计算的园林数据智能管理方法，其特征在于，对于单个未知点s，预测误差e为：e=z(s)－ z^(s)，均方根误差为：rmse=[1/m∑j=1m(z(sj)－z^(sj))2]1/2，其中，m 是未知点的数量，z(sj)是第 j 个未知点的实际观测值，z^(sj) 是第j个未知点的预测值。
10.一种基于云计算的园林数据智能管理系统，用于实现权利要求1-9任一所述的园林数据智能管理方法，其特征在于，包括：
