一种树高胸径模型确定方法、装置、设备及存储介质与流程

1.本发明涉及模型确定技术领域，具体而言，涉及一种树高胸径模型确定方法、装置、设备及存储介质。


背景技术：

2.在林业调查中，胸径和树高是两个重要的测树因子，而研究精确的树高胸径模型在林业调查实践中有十分重要的意义。
3.现有的技术方案通常采用某一时期内、某一地域的样方测量数据或某次全国性的森林资源清查情况来研究计算出某一种或几种树种的树高胸径模型。
4.现有的技术方案中的样本和模型相对固定，没有模型精化过程。现有技术由于采用有限量的样本条件，很难根据多种影响因素综合考虑，动态计算出最新、最优的树高—胸径模型，应用范围也有限。


技术实现要素：

5.本发明的目的在于，针对上述现有技术中的不足，本技术提供了一种树高胸径模型确定方法、装置、设备及存储介质，以解决现有技术中树高胸径模型的优化和应用范围等问题。
6.为实现上述目的，本技术实施例采用的技术方案如下：
7.第一方面，本技术实施例提供一种树高胸径模型确定方法，所述方法包括：
8.从样本数据库中，获取待测树种对应的目标样本数据；所述样本数据库中存储有多个树种的样本数据；
9.从模型数据库中，选取适合所述待测树种的多个树高胸径模型；其中，所述模型数据库中每个树高胸径模型适用于至少一个树种；
10.根据所述目标样本数据，从所述多个树高胸径模型中确定预选树高胸径模型；
11.根据待测区域内所述待测树种的调查数据，从所述预选树高胸径模型中确定目标树高胸径模型，所述目标树高胸径模型用于对所述待测区域内所述待测树种进行树高胸径的数据预测。
12.可选地，所述从样本数据库中，获取待测树种对应的目标样本数据，包括：
13.根据多个模型影响因子，从所述样本数据库中，获取预设数量个的样本数据作为所述目标样本数据，所述多个模型影响因子中至少包括：所述待测树种、所述待测区域的立地条件以及预设测量方式。
14.可选地，所述根据多个模型影响因子，从所述样本数据库中，获取预设数量个的样本数据作为所述目标样本数据，包括：
15.根据所述多个模型影响因子，从所述样本数据库中，计算所述样本数据库中每个样本数据的权重参数；
16.从所述样本数据库中选择权重参数满足预设条件的所述预设数量个的样本数据
作为所述目标样本数据。
17.可选地，所述从样本数据库中，获取待测树种对应的目标样本数据，包括：
18.根据所述待测树种，从所述样本数据库中确定所述待测树种的第一样本数据；
19.若所述第一样本数据的数量小于预设数量阈值，则从所述样本数据库中，获取备选树种的第二样本数据，使得所述第一样本数据和所述第二样本数据的数量之和大于或等于所述预设数量阈值，其中，所述备选树种为所述待测树种处于同一树种类别的至少一个树种；所述目标样本数据包括：所述第一样本数据和所述第二样本数据。
20.可选地，所述从所述样本数据库中，获取备选树种的第二样本数据，包括：
21.根据多个模型影响因子，从所述样本数据库中，获取所述备选树种的第二样本数据，所述多个模型影响因子中至少包括：所述待测区域的立地条件以及预设测量方式。
22.可选地，所述方法还包括：
23.若所述待测区域已有所述待测树种的传统树高胸径模型，则采用所述待测树种的调查数据，分别计算所述传统树高胸径模型和所述目标树高胸径模型的预测精度；
24.确定所述传统树高胸径模型和所述目标树高胸径模型中预测精度最高的树高胸径模型作为所述待测区域内所述待测树种的树高胸径模型。
25.可选地，所述方法还包括：
26.将待测区域内所述待测树种的调查数据加入至样本数据库中。
27.第二方面，本技术实施例提供一种树高胸径模型确定装置，所述装置包括：
28.获取模块，用于从样本数据库中，获取待测树种对应的目标样本数据；所述样本数据库中存储有多个树种的样本数据；
29.选取模块，用于从模型数据库中，选取适合所述待测树种的多个树高胸径模型；其中，所述模型数据库中每个树高胸径模型适用于至少一个树种；
30.第一确定模块，用于根据所述目标样本数据，从所述多个树高胸径模型中确定预选树高胸径模型；
31.第二确定模块，用于根据待测区域内所述待测树种的调查数据，从所述预选树高胸径模型中确定目标树高胸径模型，所述目标树高胸径模型用于对所述待测区域内所述待测树种进行树高胸径的数据预测。
32.第三方面，本技术实施例提供一种电子设备，包括：处理器、存储介质，所述处理器与所述存储介质之间通过总线通信连接，所述存储介质存储有所述处理器可执行的程序指令，所述处理器调用所述存储介质中存储的程序，以执行如第一方面任一所述的树高胸径模型确定方法的步骤。
33.第四方面，本技术实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的树高胸径模型确定方法的步骤。
34.相对于现有技术而言，本技术具有以下有益效果：
35.本技术提供一种树高胸径模型确定方法、装置、设备及存储介质，该方法通过从样本数据库中，获取待测树种对应的目标样本数据；样本数据库中存储有多个树种的样本数据；从模型数据库中，选取适合待测树种的多个树高胸径模型；其中，模型数据库中每个树高胸径模型适用于至少一个树种；根据目标样本数据，从多个树高胸径模型中确定预选树
高胸径模型；根据待测区域内待测树种的调查数据，从预选树高胸径模型中确定目标树高胸径模型，目标树高胸径模型用于对待测区域内待测树种进行树高胸径的数据预测。从而，使得所选取的目标树高胸径模型与待测区域内待测树种的匹配度更高，选取的过程受限因素较少，应用范围较广。
附图说明
36.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
37.图1为本技术实施例提供的一种树高胸径模型确定方法的流程示意图；
38.图2为本技术实施例提供的一种根据模型影响因子获取目标样本数据的方法的流程示意图；
39.图3为本技术实施例提供的另一种获取目标样本数据的方法的流程示意图；
40.图4为本技术实施例提供的另一种树高胸径模型确定方法的流程示意图；
41.图5为本技术实施例提供一种的树高胸径模型确定装置的示意图；
42.图6为本技术实施例提供的一种电子设备的示意图。
43.图标：501-获取模块、502-选取模块、503-第一确定模块、601-处理器、504-第二确定模块、602-存储介质。
具体实施方式
44.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
45.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
46.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
47.此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
48.需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
49.在林业调查中，经常采用的树高胸径模型相对固定，应用范围有限。为提升树高胸径模型与待测区域内待测树种的匹配精度，本技术提供了一种树高胸径模型确定方法、装置、设备及存储介质。
50.如下先通过具体示例对本技术提供的一种树高胸径模型确定方法进行解释说明。图1为本技术实施例提供的一种树高胸径模型确定方法的流程示意图，该方法的执行主体
为电子设备，该电子设备可以是具有计算处理功能的台式电脑、笔记本电脑等，在此不作限制。如图1所示，该方法包括：
51.s101、从样本数据库中，获取待测树种对应的目标样本数据。
52.样本数据库中存储有多个树种的样本数据。每一个样本数据包括：该样本的树高值、胸径值、立地条件、测量方式。树高为该样本树的高度。胸径为该样本树的主干离地表面胸高处的直径。立地条件是影响森林形成与生长发育的各种自然环境因子的综合，包括海拔高度、坡向、坡形、坡度、微地形等，可采用样本所在区域代替，例如高原地区与平原地区(自然区域)、贵州地区与吉林地区(行政区域)。测量方式的不同会导致测量精度不同。
53.根据待测树种，从样本数据库中，获取待测树种对应的目标样本数据。即，可获取到待测树种对应的每一个目标样本数据的树高值、胸径值、立地条件、测量方式。
54.示例地，本实施例还包括：收集多个树种的树高胸径相关的测量数据，构建样本数据库。具体地，可采用大数据技术持续地收集现有的树高胸径相关的测量数据，并提取其中的有效数据构建样本数据库，样本数据包括：树种、树高值、胸径值、立地条件、测量方式，收集途径并不限定。无论在确定树高胸径模型之前，还是在确定树高胸径模型之后，收集多个树种的树高胸径样本数据的动作都在持续进行，持续收集积累样本数据，扩充样本数据库，使得样本数据库中的数据越来越丰富。以此，长期积累，在用于树高胸径模型反演的样本数据库中，可以充分选择与待测区域最相关的样本数据，提高反演精度，减少待测区域样方数据采集量。
55.s102、从模型数据库中，选取适合待测树种的多个树高胸径模型。
56.其中，模型数据库中每个树高胸径模型适用于至少一个树种。模型数据库中包括树高胸径模型和树种之间的模型关系表，该模型关系表包括每个树高胸径模型的模型标识、模型名称、适用树种。
57.根据待测树种，在模型数据库的模型关系表确定适用于待测树种多个树高胸径模型。
58.示例地，本实施例还包括：收集多个树高胸径模型，构建模型数据库。具体地，在现有的树高胸径模型研究成果的基础上，可采用大数据技术收集的高质量树高胸径模型建立模型数据库，具体的模型质量可进行预设，此处并不限定。建立模型数据库时，获取每个树高胸径模型的模型标识、模型名称、适用树种，并在模型数据库中建立树高胸径模型和树种之间的模型关系表。无论在确定树高胸径模型之前，还是在确定树高胸径模型之后，多个树高胸径模型的动作都在持续进行，持续收集树高胸径模型，扩充模型数据库，使得模型数据库中的模型越来越丰富。以此，长期积累，建立的质量高且数量多的树高胸径模型数据库，在确定树高胸径模型时可以选择与待测区域内待测树种的相关性较好的树高胸径模型，提高模型选择精度。
59.s103、根据目标样本数据，从多个树高胸径模型中确定预选树高胸径模型。
60.根据目标样本数据，从多个树高胸径模型中确定预选树高胸径模型。所选定的预选树高胸径模型应为与目标样本数据拟合度最高的模型，其中，预选树高胸径模型的数量为预设数量(例如，3个)。
61.示例地，根据目标样本数据中的树高值、胸径值，分别计算多个树高胸径模型的预测精度。确定多个树高胸径模型中预测精度最高的树高胸径模型作为预选树高胸径模型。
62.例如，采用随机森林算法计算每一种树高胸径模型的模型系数，得到模型函数，并基于目标样本数据计算模型的预测精度。
63.随机森林算法为从原始样本集中有放回的重复随机抽取n个新样本集，并由此构建n棵决策树，且决策树在生长过程中不进行剪枝操作，然后组合多个决策树进行结果的回归反演。从目标样本数据中提取k组样本集d1，d2，
…
，dk，划分为训练数据d-dt，测试数据dt，t＝1，2，
…
，k，每组训练集对应一组测试集，分别将每组训练集作为随机森林的训练数据，通过算法内部不断迭代计算，得到对应的模型系数，分别使用每组模型对应的测试数据测试回归模型得到预测数据，从而根据测试数据和预测数据得到各模型的预测精度。例如，确定的模型函数为y＝f(x)，测试的样本数据的数量为n，则每个预测数据为：yi＝f(xi)，i＝1，2，
…
，n。具体的预测精度的计算公式如下公式(1)所示：
[0064][0065]
其中，r为预测精度，yi为预测数据，y
样本i
为样本数据，n为样本数据的数量。
[0066]
除此之外，本实施例中还可采用最小二乘算法等学习算法进行预测计算得到预测精度，此处并不限定。
[0067]
根据目标样本数据，计算得到多个树高胸径模型的预测精度，将预测精度最高的树高胸径模型作为预选树高胸径模型。预测精度越高，则说明该树高胸径模型越适用目标样本数据。通过采用目标样本数据进行预测计算，得到的预选树高胸径模型更加适用待测树种。
[0068]
s104、根据待测区域内待测树种的调查数据，从预选树高胸径模型中确定目标树高胸径模型。
[0069]
选出预选树高胸径模型之后，预选树高胸径模型仍包括多个模型。为得到最适用于待测区域内待测树种的目标树高胸径模型，根据待测区域内待测树种的调查数据，从预选树高胸径模型中确定目标树高胸径模型。目标树高胸径模型应为与调查数据拟合度最高的模型。其中，待测区域内待测树种的调查数据是指当前时期在待测区域内测量得到待测树种的树高值、胸径值。示例地，可以将全部的调查数据用于确定目标树高胸径模型，也可以选取部分调查数据(如，三分之一)用于确定目标树高胸径模型。
[0070]
示例地，根据调查数据中的树高值、胸径值，分别计算多个预选树高胸径模型的预测精度。确定多个预选树高胸径模型中预测精度最高的树高胸径模型作为预选树高胸径模型。
[0071]
例如，可采用随机森林算法计算每一种树高胸径模型的模型系数，得到模型函数，并基于目标样本数据计算模型的预测精度。
[0072]
从目标样本数据中提取k组样本集d1，d2，
…
，dk，划分为训练数据d-dt，测试数据dt，t＝1，2，
…
，k，每组训练集对应一组测试集，分别将每组训练集作为随机森林的训练数据，通过算法内部不断迭代计算，得到对应的模型系数，分别使用每组模型对应的测试数据测试回归模型得到预测数据，从而根据测试数据和预测数据得到各模型的预测精度。具体的预测精度的计算公式如下上述公式(1)一致，此处不再赘述。
[0073]
除此之外，本实施例中还可采用最小二乘算法等学习算法进行预测计算得到预测
精度，此处并不限定。
[0074]
通过采用调查数据进行预测计算，得到的目标树高胸径模型更加适用待测区域内待测树种。目标树高胸径模型用于对待测区域内待测树种进行树高胸径的数据预测。
[0075]
以此，通过目标样本数据先选取适用于待测树种的预选树高胸径模型，再在预选树高胸径模型中通过调查数据选取适用于待测区域内待测树种的目标树高胸径模型，使得所选取的目标树高胸径模型更加精准，选取的过程受限因素较少，应用范围较广。
[0076]
在本实施例中，通过从样本数据库中，获取待测树种对应的目标样本数据；样本数据库中存储有多个树种的样本数据；从模型数据库中，选取适合待测树种的多个树高胸径模型；其中，模型数据库中每个树高胸径模型适用于至少一个树种；根据目标样本数据，从多个树高胸径模型中确定预选树高胸径模型；根据待测区域内待测树种的调查数据，从预选树高胸径模型中确定目标树高胸径模型，目标树高胸径模型用于对待测区域内待测树种进行树高胸径的数据预测。从而，使得所选取的目标树高胸径模型更加精准，减少了待测区域样方数据采集量，选取的过程受限因素较少，应用范围较广。
[0077]
在上述图1对应的实施例的基础上，本技术实施例还提供了一种获取目标样本数据的方法。在本实施例中，s101中的从样本数据库中，获取待测树种对应的目标样本数据，包括：
[0078]
根据多个模型影响因子，从样本数据库中，获取预设数量个的样本数据作为目标样本数据。
[0079]
多个模型影响因子中至少包括：待测树种、待测区域的立地条件以及预设测量方式。预设测量方式为当前在待测区域测量时所采用的测量方式。示例地，模型影响因子还可以包括其他影响因子，此处并不限定。
[0080]
模型影响因子在模型中的影响程度不同，根据多个模型影响因子，从样本数据库中，可以获取与待测树种、待测区域的立地条件以及预设测量方式完全相同或非常相近的样本数据作为目标样本数据。
[0081]
同时，在保证选取精度的同时，为提高选取效率，选取与待测树种、待测区域的立地条件以及预设测量方式完全相同或非常相近的预设数量个的样本数据作为目标样本数据。
[0082]
在本实施例中，根据多个模型影响因子，从样本数据库中，获取预设数量个的样本数据作为目标样本数据，多个模型影响因子中至少包括：待测树种、待测区域的立地条件以及预设测量方式。从而，通过考虑模型影响因子，使得目标样本数据更加精准。
[0083]
在上述一种获取目标样本数据的方法对应的实施例的基础上，本技术实施例还提供了一种根据模型影响因子获取目标样本数据的方法。图2为本技术实施例提供的一种根据模型影响因子获取目标样本数据的方法的流程示意图。如图2所示：
[0084]
s201、根据多个模型影响因子，从样本数据库中，计算样本数据库中每个样本数据的权重参数。
[0085]
综合考虑多个模型影响因子的影响因素，再结合每个模型影响因子的可替代程度，可计算得到每个样本数据的权重参数。具体的权重参数如下公式(2)所示：
[0086]
q＝q
树种
c1 q
立地
c2 q
测量
c3ꢀꢀꢀ
(2)
[0087]
其中，q为样本数据的权重参数，q
树种
为树种在模型中的影响权重，q
立地
为立地条件
在模型中的影响权重，q
测量
为测量方式在模型中的影响权重，c1为树种替代因子，c2为立地条件替代因子，c3为测量方式替代因子。
[0088]
示例地，可以利用现有研究成果，预先建立模型影响因子权重表，该权重从两个维度考虑，一个维度是模型影响因子(树种、立地条件、测量方式等)本身对树高胸径模型的权重，另一个维度是同一个因子的分级权重。比如：树种应该是对模型影响最大的一个影响因子，这个维度有一个权重，当样本数量不足时，可以以相近类型的树种代替，从代替精度的角度再给出另一个维度的权重。立地条件是次重要的权重因子，由于立地条件比较复杂，是地貌、气候、土壤、水文、生物等各种外部环境条件的总和，可以简略的以地域、海拔和地貌代替。利用模型影响因子权重表，获取对应的q
树种
、q
立地
、q
测量
、c1、c2、c3。
[0089]
样本数据的q
树种
、q
立地
、q
测量
可为预设权重。树种替代因子表征了样本数据对应的树种与待测树种之间的可替代程度(相近程度)，例如，若样本树种与待测树种为相同的树种，两者完全可以替代，则c1＝1；若样本树种与待测树种为同一类的树种，两者虽然不能完全替代，但相近程度较高，可替代程度也比较高，则c1小于1且大于0，但会接近于1(如，0.9)；若样本树种与待测树种为不同类的树种(如，一种为灌木类，一种为乔木类)，两者区别较大，可替代程度较低，则c1小于1且大于0，但会远离1(如，0.3)。
[0090]
s202、从样本数据库中选择权重参数满足预设条件的预设数量个的样本数据作为目标样本数据。
[0091]
示例地，计算得到每个样本数据的权重参数之后，按照权重参数由大到小选择预设数量个的样本数据作为目标样本数据。该种方式确保了样本数据固定。
[0092]
在另一种事例中，也可以预设权重参数阈值，将大于该权重参数阈值的样本数据作为目标样本数据。该种方式确保了样本数据的质量。
[0093]
在本实施例中，通过根据多个模型影响因子，从样本数据库中，计算样本数据库中每个样本数据的权重参数；从样本数据库中选择权重参数满足预设条件的预设数量个的样本数据作为目标样本数据。从而，通过计算每个样本数据的权重参数，使得目标样本数据的选取更加精准。
[0094]
在上述图1对应的实施例的基础上，本技术实施例还提供了另一种获取目标样本数据的方法。图3为本技术实施例提供的另一种获取目标样本数据的方法的流程示意图。如图3所示，s101中的从样本数据库中，获取待测树种对应的目标样本数据，包括：
[0095]
s301、根据待测树种，从样本数据库中确定待测树种的第一样本数据。
[0096]
在样本数据库中，将与待测树种的树种相同的样本数据选取，作为待测树种的第一样本数据。即，在样本数据库中，优先考虑树种相同的样本数据。
[0097]
s302、比较第一样本数据的数量与预设数量阈值。
[0098]
为保证目标样本数据的数量，设置预设数量阈值。
[0099]
s302、若第一样本数据的数量小于预设数量阈值，则从样本数据库中，获取备选树种的第二样本数据，使得第一样本数据和第二样本数据的数量之和大于或等于预设数量阈值。
[0100]
若第一样本数据的数量小于预设数量阈值，则表明目标样本数据的数量未达到预设数量阈值，需要继续选取样本数据。为了选取预设数量个目标样本数据，可放宽树种选取范围，不局限于树种相同的样本数据。从样本数据库中，继续备选树种的第二样本数据，使
得第一样本数据和第二样本数据的数量之和大于或等于预设数量阈值。以满足目标样本数据的数量。
[0101]
其中，备选树种为待测树种处于同一树种类别的至少一个树种；目标样本数据包括：第一样本数据和第二样本数据。例如，样本数据库中包括：a、b、c、d种树种，a树种、b树种属于乔木类，c树种、d树种属于灌木类，当待测树种为a树种，需要扩大树种选取范围时，优选选取b树种，选取了b树种的样本数据之后，还未到预设数量阈值，再将选取范围扩大至c树种、d树种。
[0102]
在本实施例中，根据待测树种，从样本数据库中确定待测树种的第一样本数据；若第一样本数据的数量小于预设数量阈值，则从样本数据库中，获取备选树种的第二样本数据，使得第一样本数据和第二样本数据的数量之和大于或等于预设数量阈值，其中，备选树种为待测树种处于同一树种类别的至少一个树种；目标样本数据包括：第一样本数据和第二样本数据。从而，通过扩大树种类别进行选取，使得选取的目标样本数据更加精准。
[0103]
在上述图3对应的实施例的基础上，本技术实施例还提供了一种获取备选树种的第二样本数据的方法。在本实施例中，s302中的从样本数据库中，获取备选树种的第二样本数据，包括：
[0104]
根据多个模型影响因子，从样本数据库中，获取备选树种的第二样本数据，多个模型影响因子中至少包括：待测区域的立地条件以及预设测量方式。
[0105]
示例地，根据多个模型影响因子，从样本数据库中，计算样本数据库中备选树种的每个样本数据的权重参数。具体的权重参数计算公式如下公式(3)所示：
[0106]
q＝q
立地
c2 q
测量
c3ꢀꢀꢀ
(3)
[0107]
其中，q为样本数据的权重参数，q
立地
为立地条件在模型中的影响权重，q
测量
为测量方式在模型中的影响权重，c2为立地条件替代因子，c3为测量方式替代因子。
[0108]
从备选树种的样本数据中选择权重参数满足预设条件的预设数量个的样本数据作为第二样本数据。
[0109]
示例地，计算得到每个样本数据的权重参数之后，按照权重参数由大到小选择预设数量个的样本数据作为第二样本数据。该种方式确保了样本数据固定。
[0110]
在另一种事例中，也可以预设权重参数阈值，将大于该权重参数阈值的样本数据作为第二样本数据。该种方式确保了样本数据的质量。
[0111]
在本实施例中，通过根据多个模型影响因子，从样本数据库中，获取备选树种的第二样本数据，多个模型影响因子中至少包括：待测区域的立地条件以及预设测量方式。从而，根据模型影响因子获取第二样本数据，使得第二样本数据的获取更加精准。
[0112]
进一步地，在上述图3对应的实施例的基础上，若第一样本数据的数量大于预设数量阈值，则可将第一样本数据全部作为目标样本数据。也可以在第一样本数据中获取预设数量个样本数据作为目标样本数据。示例地，选取方法可采用根据多个模型影响因子进行选取，其中，多个模型影响因子中至少包括：待测区域的立地条件以及预设测量方式，具体的选取步骤与上述实施例中根据多个模型影响因子进行选取的步骤类似，此处不再赘述。
[0113]
进一步地，图3对应的实施例是在第一样本数据的数量小于预设数量阈值的情况下，扩大树种类别进行选取目标样本数据。
[0114]
在上述图3对应的实施例的基础上，本技术还包括在第一样本数据的数量小于预
设数量阈值的情况下，扩大立地条件进行选取目标样本数据。即，则从样本数据库中，获取备选立地条件的第三样本数据，使得第一样本数据和第三样本数据的数量之和大于或等于预设数量阈值。其中，备选立地条件为与立地条件处于同一立地类别的至少一个立地条件。
[0115]
在具体选取的过程中。根据多个模型影响因子，从样本数据库中，获取备选立地条件的第三样本数据，多个模型影响因子中至少包括：待测区域的待测树种以及预设测量方式。具体的选取方式为：根据多个模型影响因子，从样本数据库中，计算样本数据库中备选立地条件的每个样本数据的权重参数，从备选立地条件的样本数据中选择权重参数满足预设条件的预设数量个的样本数据作为第三样本数据。具体的权重参数计算方式与上述公式(3)类似，此处不再赘述。
[0116]
在上述图3对应的实施例的基础上，本技术还包括在第一样本数据的数量小于预设数量阈值的情况下，扩大测量方式进行选取目标样本数据。即，则从样本数据库中，获取备选测量方式的第四样本数据，使得第一样本数据和第四样本数据的数量之和大于或等于预设数量阈值。
[0117]
在具体选取的过程中。根据多个模型影响因子，从样本数据库中，获取备选测量方式的第四样本数据，多个模型影响因子中至少包括：待测区域的待测树种以及立地条件。具体的选取方式为：根据多个模型影响因子，从样本数据库中，计算样本数据库中备选测量方式的每个样本数据的权重参数，从备选测量方式的样本数据中选择权重参数满足预设条件的预设数量个的样本数据作为第三样本数据。具体的权重参数计算方式与上述公式(3)类似，此处不再赘述。
[0118]
在上述图1对应的实施例的基础上，本技术实施例还提供了另一种树高胸径模型确定方法。图4为本技术实施例提供的另一种树高胸径模型确定方法的流程示意图。如图4所示，该方法还包括：
[0119]
s401、若待测区域已有待测树种的传统树高胸径模型，则采用待测树种的调查数据，分别计算传统树高胸径模型和目标树高胸径模型的预测精度。
[0120]
若待测区域已有待测树种的传统树高胸径模型，有必要考虑比较该传统树高胸径模型与目标树高胸径模型的模型质量。即，确定传统树高胸径模型与目标树高胸径模型中哪个更适用于待测区域内待测树种。因此，采用待测树种的调查数据，分别计算传统树高胸径模型和目标树高胸径模型的预测精度。
[0121]
例如，可采用随机森林算法计算传统树高胸径模型与目标树高胸径模型的模型系数，得到对应的模型函数，并基于目标样本数据计算模型的预测精度。
[0122]
从目标样本数据中提取k组样本集d1，d2，
…
，dk，划分为训练数据d-dt，测试数据dt，t＝1，2，
…
，k，每组训练集对应一组测试集，分别将每组训练集作为随机森林的训练数据，通过算法内部不断迭代计算，得到对应的模型系数，分别使用每组模型对应的测试数据测试回归模型得到预测数据，从而根据测试数据和预测数据得到各模型的预测精度。具体的预测精度的计算公式如下上述公式(1)一致，此处不再赘述。
[0123]
除此之外，本实施例中还可采用最小二乘算法等学习算法进行预测计算得到预测精度，此处并不限定。
[0124]
s402、确定传统树高胸径模型和目标树高胸径模型中预测精度最高的树高胸径模型作为待测区域内待测树种的树高胸径模型。
[0125]
计算得到传统树高胸径模型与目标树高胸径模型的预测精度之后，预测精度越高的模型，与待测区域内待测树种拟合度最高。因此，确定传统树高胸径模型和目标树高胸径模型中预测精度最高的树高胸径模型作为待测区域内待测树种的树高胸径模型。
[0126]
在本实施例中，若待测区域已有待测树种的传统树高胸径模型，则采用待测树种的调查数据，分别计算传统树高胸径模型和目标树高胸径模型的预测精度；确定传统树高胸径模型和目标树高胸径模型中预测精度最高的树高胸径模型作为待测区域内待测树种的树高胸径模型。从而，综合考虑传统树高胸径模型与目标树高胸径模型，得到与待测区域内待测树种更匹配的树高胸径模型。
[0127]
在上述图1对应的实施例的基础上，在本技术实施例中，该方法还包括：
[0128]
将待测区域内待测树种的调查数据加入至样本数据库中。
[0129]
选取得到树高胸径模型之后，将待测区域内待测树种的调查数据加入至样本数据库中，以扩充样本数据库的样本数量，使得样本数据库越来越丰富。以此，长期积累，在用于树高胸径模型反演的样本数据库中，可以充分选择与待测区域最相关的样本数据，提高反演精度，减少待测区域样方数据采集量。
[0130]
示例地，在上述图1对应的实施例中，若采用全部的调查数据用于确定目标树高胸径模型，则模型选取完毕后，将全部的调查数据加入至样本数据库中；若选取部分调查数据用于确定目标树高胸径模型，则在模型选取之前，将未选中的调查数据加入至样本数据库中，在模型选取之后，将剩余调查数据加入至样本数据库中。
[0131]
下述对用以执行的本技术所提供的树高胸径模型确定装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
[0132]
图5为本技术实施例提供一种的树高胸径模型确定装置的示意图。如图5所示，该装置包括：
[0133]
获取模块501，用于从样本数据库中，获取待测树种对应的目标样本数据；样本数据库中存储有多个树种的样本数据。
[0134]
选取模块502，用于从模型数据库中，选取适合待测树种的多个树高胸径模型；其中，模型数据库中每个树高胸径模型适用于至少一个树种。
[0135]
第一确定模块503，用于根据目标样本数据，从多个树高胸径模型中确定预选树高胸径模型。
[0136]
第二确定模块504，用于根据待测区域内待测树种的调查数据，从预选树高胸径模型中确定目标树高胸径模型，目标树高胸径模型用于对待测区域内待测树种进行树高胸径的数据预测。
[0137]
进一步地，获取模块501，具体用于根据多个模型影响因子，从所述样本数据库中，获取预设数量个的样本数据作为所述目标样本数据，所述多个模型影响因子中至少包括：所述待测树种、所述待测区域的立地条件以及预设测量方式。
[0138]
进一步地，获取模块501，具体还用于根据所述多个模型影响因子，从所述样本数据库中，计算所述样本数据库中每个样本数据的权重参数；从所述样本数据库中选择权重参数满足预设条件的所述预设数量个的样本数据作为所述目标样本数据。
[0139]
进一步地，获取模块501，具体还用于根据所述待测树种，从所述样本数据库中确定所述待测树种的第一样本数据；若所述第一样本数据的数量小于预设数量阈值，则从所
述样本数据库中，获取备选树种的第二样本数据，使得所述第一样本数据和所述第二样本数据的数量之和大于或等于所述预设数量阈值，其中，所述备选树种为所述待测树种处于同一树种类别的至少一个树种；所述目标样本数据包括：所述第一样本数据和所述第二样本数据。
[0140]
进一步地，获取模块501，具体还用于根据多个模型影响因子，从所述样本数据库中，获取所述备选树种的第二样本数据，所述多个模型影响因子中至少包括：所述待测区域的立地条件以及预设测量方式。
[0141]
进一步地，第二确定模块504，具体用于若所述待测区域已有所述待测树种的传统树高胸径模型，则采用所述待测树种的调查数据，分别计算所述传统树高胸径模型和所述目标树高胸径模型的预测精度；确定所述传统树高胸径模型和所述目标树高胸径模型中预测精度最高的树高胸径模型作为所述待测区域内所述待测树种的树高胸径模型。
[0142]
进一步地，第二确定模块504，具体用于将待测区域内所述待测树种的调查数据加入至样本数据库中。
[0143]
图6为本技术实施例提供的一种电子设备的示意图，该电子设备可以是具备计算处理功能的设备。
[0144]
该电子设备包括：处理器601、存储介质602。处理器601和存储介质602通过总线连接。
[0145]
存储介质602用于存储程序，处理器601调用存储介质602存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
[0146]
可选地，本发明还提供一种存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
[0147]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0148]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0149]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0150]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-only memory，简称：rom)、随机存取存储器(英文：random access memory，简
称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0151]
上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。