基于数字孪生与图神经网络的古树迁移风险评估方法及系统

摘要: 本发明涉及古树迁移,具体涉及一种基于数字孪生与图神经网络的古树迁移风险评估方法及系统。背景技术:1、目前,古树名木是珍贵的自然文化遗产,具有重要的生态、文化、历...
基于数字孪生与图神经网络的古树迁移风险评估方法及系统

本发明涉及古树迁移,具体涉及一种基于数字孪生与图神经网络的古树迁移风险评估方法及系统。

背景技术:

1、目前,古树名木是珍贵的自然文化遗产,具有重要的生态、文化、历史和科学价值。随着城市化进程的加速和大型基础设施建设项目的推进,部分古树不可避免地需要进行移植保护。古树移植是一项技术难度极高的系统工程,移植后的存活率和长期健康状态受到多种因素的共同影响。因此,设计一种能够准确进行迁移风险评估的方案成为本领域技术人员亟待解决的技术问题。

技术实现思路

1、针对所述缺陷,本发明实施例公开了一种基于数字孪生与图神经网络的古树迁移风险评估方法,其能够实现古树迁移的精准评估。

2、本发明实施例第一方面公开了基于数字孪生与图神经网络的古树迁移风险评估方法,包括:

3、获取待迁移的目标古树的检测数据以及其影响范围内至少一棵风场扰动树的检测数据,所述检测数据包括树干空腐检测数据、根系雷达探测数据、倾斜度测量数据、树冠健康度评估数据和环境参数;所述风场扰动树为对所述目标古树移植后位置的局部风场产生扰动的周边树木;

4、基于所述检测数据为相应目标古树及风场扰动树分别构建数字孪生模型,所述数字孪生模型包括静态属性、动态状态和环境耦合参数;

5、将所述目标古树及风场扰动树建模为图结构g=(v, e),其中,节点vi∈v对应于一棵树木,节点特征包括静态属性、动态状态和当前风压值,边eij∈e对应于目标古树与风场扰动树之间的空间关系,边特征包括欧氏距离、相对方位角、冠层重叠度和基于目标古树移植后位置的风向依赖传播系数;

6、执行图神经网络传播,计算在所述风场扰动树构成的环境风场下目标古树所承受的等效风压值,其中,各风场扰动树对局部风场的扰动效应沿风向传播并叠加作用于目标古树,传播强度与所述边特征相关联;

7、基于所述等效风压值和目标古树的数字孪生模型中的静态属性和动态状态,计算目标古树在移植后的倒伏概率;

8、基于有限元代理模型或计算流体动力学代理模型,构建强化学习仿真环境,所述仿真环境用于模拟不同移植方案和养护策略下所述目标古树所受风压及倒伏风险的演化;

9、使用所述仿真环境训练强化学习策略网络,其中,所述策略网络将包括由图神经网络传播计算得到的等效风压值的状态作为输入,并输出针对所述目标古树的移植决策和/或养护策略。

10、作为一种可选的实施方式,在本发明实施例第一方面中,在所述输出针对所述目标古树的移植决策和/或养护策略之后,还包括:

11、输出风险评估结果,所述风险评估结果包括风险热力图、倒伏概率的时间序列演化动画以及按优先级排序的决策建议列表;

12、在所述目标古树实际移植后,定期采集所述目标古树及风场扰动树的更新的检测数据;

13、使用更新的检测数据更新所述目标古树及风场扰动树各自的数字孪生模型;

14、将更新后的数字孪生模型重新输入所述图神经网络和所述强化学习策略网络,以生成下一阶段的养护策略调整建议。

15、作为一种可选的实施方式,在本发明实施例第一方面中,所述获取待迁移的目标古树的检测数据以及其影响范围内至少一棵风场扰动树的检测数据,还包括:

16、获取目标古树在原址的历史风振响应数据,以及至少一棵已移植成功的参考古树在移植前后的检测数据对;

17、所述参考古树与所述目标古树的树种相同且胸径差异在预设阈值范围内;

18、所述基于所述检测数据为相应目标古树及风场扰动树分别构建数字孪生模型,包括:

19、计算所述目标古树与所述参考古树的点云特征描述子,所述点云特征描述子包括快速点特征直方图和方向直方图签名特征;

20、根据所述点云特征描述子,通过最近邻算法找到所述目标古树点云与所述参考古树点云之间的全部有效最近邻点对;

21、根据所述全部有效最近邻点对,计算所述目标古树与所述参考古树之间的点云变换矩阵;

22、基于所述点云变换矩阵,将所述参考古树移植后的根系恢复曲线和环境适应参数迁移至所述目标古树的数字孪生模型中。

23、作为一种可选的实施方式,在本发明实施例第一方面中,所述通过最近邻算法找到所述目标古树点云与所述参考古树点云之间的全部有效最近邻点对,包括:

24、计算所述参考古树点云中各点的快速点特征直方图在对应点切向量上的投影距离均值,作为第一距离;

25、计算所述参考古树点云中各点的方向直方图签名特征在对应点切向量上的投影距离均值,作为第二距离;

26、将所述第一距离与所述第二距离之间的差值作为距离阈值;

27、使用最近邻算法找到所述目标古树点云与所述参考古树点云之间的全部最近邻点对;

28、将最近邻点对之间距离小于或等于所述距离阈值的所述全部最近邻点对作为所述全部有效最近邻点对。

29、作为一种可选的实施方式,在本发明实施例第一方面中,所述将所述目标古树及风场扰动树建模为图结构g=(v, e),包括:

30、获取多个其他区域已完成的古树移植案例,每个案例包括移植前风场扰动树的空间分布图和移植后目标古树所受的实际风压值;

31、将所述多个其他区域的古树移植案例作为先验知识,对所述图结构中风场扰动树节点的空间分布模式进行聚类,得到多种典型风场扰动模式;

32、根据所述目标古树移植位置的风场扰动树空间分布,匹配最相似的典型风场扰动模式,计算该典型模式下历史实际风压值与图神经网络传播计算得到的预测风压值之间的偏差;根据偏差确定图结构中各条边的边特征修正量,以更新相应的边特征;

33、所述对所述图结构中风场扰动树节点的空间分布模式进行聚类,包括:

34、对所述多个其他区域古树移植案例中的风场扰动树空间分布进行k均值聚类,分别将与多个簇的中心最近的空间分布模式作为多个典型风场扰动模式的中心;

35、根据预设的风场扰动树影响半径范围和所述多个典型风场扰动模式的中心,确定多个典型风场扰动模式。

36、作为一种可选的实施方式,在本发明实施例第一方面中,所述基于所述等效风压值和目标古树的数字孪生模型中的静态属性和动态状态,计算目标古树在移植后的倒伏概率,包括:

37、根据所述等效风压值,确定多个风压风险等级;

38、对每个风压风险等级,根据所述目标古树的静态属性中的木材抗弯强度和动态状态中的树干受损率,计算对应的倒伏条件概率;

39、将各风压风险等级的发生概率与对应的倒伏条件概率的加权和作为所述目标古树在移植后的倒伏概率。

40、作为一种可选的实施方式,在本发明实施例第一方面中,所述方法,还包括:

41、在所述目标古树移植后的预设观察期内,持续采集所述目标古树的倾斜度数据;

42、根据所述倾斜度数据的时间序列,计算所述目标古树的根系锚固力恢复曲线;

43、将所述根系锚固力恢复曲线与通过所述点云变换矩阵迁移得到的参考根系恢复曲线进行比较;

44、当两者的偏差超过预设阈值时,触发养护策略的重新优化。

45、作为一种可选的实施方式,在本发明实施例第一方面中,所述执行图神经网络传播,计算在所述风场扰动树构成的环境风场下目标古树所承受的等效风压值,包括:

46、获得所述目标古树在第一风向下对应的第一等效风压值,以及所述目标古树在上一评估周期中所述第一风向下对应的第二等效风压值;

47、根据所述第一等效风压值和所述第二等效风压值确定所述第一风向对应的平滑等效风压值;

48、根据所述平滑等效风压值确定所述目标古树在所述第一风向下的风压状态表征值;

49、根据所述风压状态表征值确定所述目标古树对应的风压评估策略;

50、根据所述风压评估策略,调用不同精度的代理模型计算所述目标古树在所述第一风向下的最终等效风压值。

51、本发明实施例第二方面公开一种基于数字孪生与图神经网络的古树迁移风险评估系统,包括:

52、获取模块:用于获取待迁移的目标古树的检测数据以及其影响范围内至少一棵风场扰动树的检测数据,所述检测数据包括树干空腐检测数据、根系雷达探测数据、倾斜度测量数据、树冠健康度评估数据和环境参数;所述风场扰动树为对所述目标古树移植后位置的局部风场产生扰动的周边树木;

53、第一构建模块:用于基于所述检测数据为相应目标古树及风场扰动树分别构建数字孪生模型,所述数字孪生模型包括静态属性、动态状态和环境耦合参数;

54、第二构建模块:用于将所述目标古树及风场扰动树建模为图结构g=(v, e),其中,节点vi∈v对应于一棵树木,节点特征包括静态属性、动态状态和当前风压值,边eij∈e对应于目标古树与风场扰动树之间的空间关系,边特征包括欧氏距离、相对方位角、冠层重叠度和基于目标古树移植后位置的风向依赖传播系数;

55、执行模块:用于执行图神经网络传播,计算在所述风场扰动树构成的环境风场下目标古树所承受的等效风压值,其中,各风场扰动树对局部风场的扰动效应沿风向传播并叠加作用于目标古树,传播强度与所述边特征相关联;

56、概率预测模块:用于基于所述等效风压值和目标古树的数字孪生模型中的静态属性和动态状态,计算目标古树在移植后的倒伏概率;

57、学习模块:用于基于有限元代理模型或计算流体动力学代理模型,构建强化学习仿真环境,所述仿真环境用于模拟不同移植方案和养护策略下所述目标古树所受风压及倒伏风险的演化;

58、强化学习模块:用于使用所述仿真环境训练强化学习策略网络,其中,所述策略网络将包括由图神经网络传播计算得到的等效风压值的状态作为输入,并输出针对所述目标古树的移植决策和/或养护策略。

59、本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的基于数字孪生与图神经网络的古树迁移风险评估方法。

60、本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的基于数字孪生与图神经网络的古树迁移风险评估方法。

61、与现有技术相比,本发明实施例具有以下有益效果:

62、本发明实施例中方案通过图神经网络,将目标古树和周边风场扰动树建模为图结构。风场扰动树的影响不再是简单距离判断,而是考虑了冠层重叠度和风向依赖传播系数。这使得它能模拟出实际环境下的风压突增,精准量化出单看气象数据无法预见的高风险,提升移植预测的准确性。