CN116090834A - 基于Flink平台的林业管理方法、装置 - Google Patents

Abstract

本发明涉及一种基于Flink平台的林业管理方法、装置，所述方法包括：将监测的目标森林区域划分成多个监控子区域；提取各个监控子区域中的历史环境特征向量；多次选取至少两个监控子区域组合，以构成多个监控母区域；基于监控母区域中各个监控子区域对应的历史环境特征向量，构建监控母区域对应的母决策树，以对监控母区域对应的风险类型进行判断；基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

Description

基于Flink平台的林业管理方法、装置

技术领域

本发明涉及林业数据处理领域，特别是涉及一种基于Flink平台的林业管理方法、装置。

背景技术

现在极端天气常常造成森林***中大火或者地质灾害的发生，为了能够有效发现或者预测灾害的发生，森林中各个位置都往往设置有大量的传感器和摄像头。但是森林是一个大范围的复杂生态和环境***，其内部情况复杂，例如一些动物活动，又或者环境过分潮湿等原因，就可能造成传感器或者摄像头的损坏，直接导致对森林中部分地区的监控不足或者失效。如果经常性进入森林更换传感器和摄像头，又会导致对森林中的生态***造成不必要的干扰。因此。如何在传感器或者摄像头损坏的情况下对林业数据进行分析，从而对森林中的异常情况的发生进行预测和监控，是一个较为棘手的问题。

发明内容

基于此，有必要针对森林中传感器或者摄像头损坏情况下监控不足的问题，提供一种基于Flink平台的林业管理方法、装置。

一种基于Flink平台的林业管理方法，包括：

将监测的目标森林区域划分成多个监控子区域；

提取各个监控子区域中的历史环境特征向量，基于监控子区域对应的历史环境特征向量，构建各个监控子区域对应的子决策树，以对各个监控子区域对应的风险类型进行判断；

多次选取至少两个监控子区域组合，以构成多个监控母区域；

基于监控母区域中各个监控子区域对应的历史环境特征向量，构建监控母区域对应的母决策树，以对监控母区域对应的风险类型进行判断；

将其中一个监控子区域设定为基准监控子区域，获取基准监控子区域当前环境特征向量并实时输入至对应的子决策树，以获得第一风险类型判断结果；

获取各个监控子区域当前环境特征向量并实时输入至对应的母决策树，以获得各个监控母区域对应的第二风险类型判断结果；

基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

本发明目标森林区域中设置有多种环境参数探测器，每种环境参数探测器均有多个且用于获取若干特定种类的环境特征参数，比较同种环境参数探测器在正常情况下获得的环境特征参数，以得到环境特征参数差值，设定环境特征参数差值阈值，挑选出环境特征参数差值低于环境特征参数差值阈值对应的环境参数探测器，以确定监控子区域的边界。

本发明至少部分监控母区域空间连续，至少部分监控母区域中，监控子区域间隔分布且对应的环境特征参数差值低于环境特征参数差值阈值。

本发明环境参数探测器为摄像头、湿度传感器、温度传感器、颗粒度传感器、风速传感器、温湿度传感器和二氧化碳传感器中的其中一种。

本发明基于Flink运行。

本发明对包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果相互之间进行比对，以对基准监控子区域中风险发展趋势进行预测。

本发明对监控子区域对应的历史环境特征向量进行有放回取样，以获得多个子决策树，根据基准监控子区域中当前未损坏的环境参数探测器获得的环境特征参数构建基准监控子区域的当前环境特征向量，基于基准监控子区域的当前环境特征向量中环境特征参数的种类选择基准监控子区域对应的子决策树以获得第一风险类型判断结果。

本发明设定参数缺失数阈值，对基准监控子区域缺失的环境特征参数数量进行统计，若环境特征参数的缺失数量低于参数缺失数阈值，则将第一风险类型判断结果作为基准监控子区域当前风险类型。

本发明若环境特征参数的缺失数量不低于参数缺失数阈值，则对所有第二风险类型判断结果进行统计，以确定基准监控子区域当前风险类型。

本发明设定比例阈值b₃，若环境特征参数的缺失数量不低于参数缺失数阈值，第二风险类型判断结果为正常的数量为b₁，异常的数量为b₂，若|b₁-b₂|/b₁＞b₃，则以max{b₁，b₂}确定基准监控子区域当前风险类型。

本发明若|b₁-b₂|/b₁≤b₃，则增加监控母区域的数量，直至|b₁-b₂|/b₁＞b₃。

一种林业管理装置，包括：

区域划分模块，用于对目标森林区域划分成多个监控子区域；

区域组合模块，用于将监控子区域组合成监控母区域；

子决策树构建模块，基于监控子区域对应的历史环境特征向量构建各个监控子区域对应的子决策树；

母决策树构建模块，基于监控母区域中各个监控子区域对应的历史环境特征向量构建监控母区域对应的母决策树；

计算模块，将基准监控子区域当前环境特征向量实时输入至对应的子决策树以获得第一风险类型判断结果，将各个监控子区域当前环境特征向量实时输入至对应的母决策树以获得的第二风险类型判断结果；

比较模块，基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

一种存储介质，存储有程序，当程序运行时执行基于Flink平台的林业管理方法。

本发明的有益效果为：

当基准监控子区域中的环境特征参数发生了缺失，则综合所有包含基准监控子区域的监控母区域的风险类型判断结果反向进行基准监控子区域的风险类型推导，从概率上推测基准监控子区域出现异常的可能性，以此在不进行基准监控子区域中环境参数探测器的更换的情况下实时获取基准监控子区域的风险类型，同时减少人为活动对森林***的影响。

附图说明

图1为本发明实施例中基于Flink平台的林业管理方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

实施例：

目标森林区域中设置有多种环境参数探测器，不同种类的环境参数探测器用于获取若干特定种类的环境特征参数。例如，如果环境参数探测器为摄像头，则其获取的环境特征参数就是落叶数量和/或树木数量和/或动物数量，如果环境参数探测器为湿度传感器，则其获取的环境特征参数就是湿度，如果环境参数探测器为温度传感器，则其获取的环境特征参数就是温度，如果环境参数探测器为颗粒度传感器，则其获取的环境特征参数就是空气中的颗粒度，如果环境参数探测器为风速传感器，则其获取的环境特征参数就是风速，如果环境参数探测器为风向传感器，则其获取的环境特征参数就是风向，如果环境参数探测器为温湿度传感器，则其获取的环境特征参数就是温度和湿度，如果环境参数探测器为二氧化碳传感器，则其获取的环境特征参数就是二氧化碳浓度。一般风向传感器和风速传感器位于同一位置，以保证测得的风的流速和流向对应。颗粒度传感器和二氧化碳传感器一般设置在靠近地面的位置，如果发生火灾，在重力作用下烟雾颗粒和二氧化碳下沉靠近地面，更容易被颗粒度传感器和二氧化碳传感器检测到。每种环境参数探测器都有多个以尽可能遍布于整个森林中。

参见图1，基于此，本实施例提供了一种基于Flink平台的林业管理方法，包括如下步骤：

步骤S1：将监测的目标森林区域划分成多个监控子区域，监控子区域的空间应当是连续的，所有的监控子区域拼接形成目标森林区域，监控子区域的划分基准可以是随意设定的，也可以是基于内容物，例如将整个湖泊划分成一个监控子区域，或者将某一种类树木的主要分布范围作为一个监控子区域；

不同的监控子区域之间由于处于同一个目标森林区域中，因此不同监控子区域的环境特征参数存在一定关联性，无关于不同的监控子区域之间是否相邻或者间隔，为了在后续过程中更好地对该关联性进行体现，就需要保证监控子区域内各处环境特征参数之间的差值不能过大，以尽可能消除监控子区域内部不同位置环境特征参数之间关系的不确定性；

基于此，本步骤还包括步骤S11：比较同种环境参数探测器在正常情况下获得的环境特征参数，以得到环境特征参数差值，设定环境特征参数差值阈值，挑选出环境特征参数差值低于环境特征参数差值阈值对应的环境参数探测器，以确定监控子区域的边界；

例如，大体处于一直线上的三个湿度传感器，依次获得的湿度值分别为a₁、a₂、a₃，环境特征参数差值阈值A，若|a₁-a₂|＜A，而|a₁-a₃|＞A，那么，可以以经过湿度值为a₂的湿度传感器的直线或曲线为分界线，作为监控子区域的分界线；

步骤S2：提取各个监控子区域中的历史环境特征向量，基于监控子区域对应的历史环境特征向量，构建各个监控子区域对应的子决策树，以对各个监控子区域对应的风险类型进行判断；

历史环境特征向量由监控子区域在同一时刻下的历史温度值、历史湿度值、历史颗粒度、历史二氧化碳浓度等环境特征参数构成，例如历史湿度值过低，说明监控子区域在该时刻较为干燥，存在发生火灾的风险，又或者历史二氧化碳浓度和历史温度值过高，说明监控子区域在该时刻可能正在发生火灾，由历史二氧化碳浓度和历史温度值的数值，还能得知火灾发生程度等等信息；故而通过历史环境特征向量中若干环境特征参数生成的子决策树能够通过环境特征参数，判断监控子区域对应的风险类型，风险类型可以是正常、易发生火灾、正发生火灾等等状态，易发生火灾、正发生火灾等风险类型可以归结为异常状态；

可以理解的是，历史环境特征向量完整的情况下，监控子区域利用其自身对应的子决策树判断得到的风险类型准确率理论上是最高的，因此子决策树的构建过程需要使用尽可能完整的历史环境特征向量；

步骤S3：多次选取至少两个监控子区域组合，以构成多个监控母区域；

单次选取至少两个监控子区域组合，就能构成一个监控母区域，可以通过选取不同的监控子区域，或者改变选取的监控子区域数量，构成不同的监控母区域，而重复该选取过程，对应可以得到多个不同的监控母区域，针对任意两个监控母区域而言，其可能不存在相同的监控子区域，也可能存在部分相同的监控子区域，也可能一个监控母区域完全在另一个监控母区域内；监控母区域内风险类型也关联于其内部各个监控子区域的风险类型，同时需要保证任一监控子区域至少同时属于两个不同的监控母区域；

不同的监控子区域之间环境特征参数的关联性存在强弱，对应的监控母区域的环境特征参数和其内部各个监控子区域的环境特征参数之间也会存在关联性差异，为了使得监控母区域的环境特征参数和其内部各个监控子区域的环境特征参数之间都存在一个较强的关联性，就需要有效增加同一个监控母区域中任意两个监控子区域之间环境特征参数的关联性；

基于此，本实施例中至少部分监控母区域空间连续，也就是说，部分两两相邻或者依次相邻的监控子区域构成了监控母区域，这部分监控母区域内由于各个监控子区域相互之间间距很近，虽然环境特征参数差值高于环境特征参数差值阈值，但是依然存在相当程度的关联性，即其中一个监控子区域的环境特征参数发生异常变化的情况下，很快就会影响相邻监控子区域的环境特征参数；

另一方面，本实施例中至少部分监控母区域中，监控子区域间隔分布且对应的环境特征参数差值低于环境特征参数差值，针对这部分监控母区域中的监控子区域，虽然位置并不相邻导致其相互之间的关联性减弱，但是可能由于这部分监控子区域都是湖泊，又或者主要植物为同一种类，又或者植被密度相近等原因，使得这部分监控子区域在正常情况下环境特征参数应当相近，如果两个监控子区域的环境特征参数发生较大偏差的时候，说明至少其中一个监控子区域出现了异常状况；

步骤S4：当监控母区域构建完成后，基于监控母区域中各个监控子区域对应的历史环境特征向量，构建监控母区域对应的母决策树，以对监控母区域对应的风险类型进行判断；

母决策树构建过程中，并不会使用各个监控子区域对应的历史环境特征向量中所有的环境特征参数，而是从各个监控子区域的历史环境特征向量中分别提取部分环境特征参数构成一个新的历史环境特征向量，基于该新的历史环境特征向量进行母决策树的搭建；

母决策树的风险类型判断结果也就关联于监控母区域内各个监控子区域对应的子决策树的判断结果，同样的，监控母区域内各个监控子区域对应的子决策树的判断结果最终反应至母决策树的风险类型判断结果；

步骤S5：将其中一个监控子区域设定为基准监控子区域，获取基准监控子区域当前环境特征向量并实时输入至对应的子决策树，以获得第一风险类型判断结果；

基准监控子区域的当前环境特征向量中理论上包含了基准监控子区域内所有环境参数探测器监测到的环境特征参数，但是当基准监控子区域内部分环境参数探测器发生损毁或故障的时候，就会导致部分环境特征参数获取失败，因此基准监控子区域的当前环境特征向量极有可能并不完整，这也就导致了第一风险类型判断结果实际并不准确，缺少的环境特征参数越多，则第一风险类型判断结果的准确率也就越低；

步骤S6：获取各个监控子区域当前环境特征向量并实时输入至对应的母决策树，以获得各个监控母区域对应的第二风险类型判断结果；

如果监控母区域空间连续，则只要该监控母区域中的若干监控子区域对应的第一风险类型判断结果是异常，那么第二风险类型判断结果大概率也是异常，反之，如果第二风险类型判断结果为异常，那么该监控母区域中的至少部分监控子区域对应的第一风险类型判断结果大概率也应该为异常；

如果监控母区域的监控子区域间隔分布，那么则只要该监控母区域中的若干监控子区域对应的第一风险类型判断结果是异常，那么第二风险类型判断结果大概率也是异常，反之，如果第二风险类型判断结果为异常，那么该监控母区域中的至少部分监控子区域对应的第一风险类型判断结果大概率也应该为异常；额外的，如果该监控母区域中的第二风险类型判断结果为异常，还可能是由于不同监控子区域之间的环境特征参数差值较大造成的，此时如果各个监控子区域对应的第一风险类型判断结果均为正常，则说明大概率其中若干第一风险类型判断结果出现错误；

基于上述分析的推论，通过统计第二风险类型判断结果为正常或者异常的数量或者比例，就能在第一风险类型判断结果误判为正常情况下进行识别；

步骤S7：基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型；

基准监控子区域的当前环境特征向量中的部分环境特征参数缺失，也会直接影响包含基准监控子区域的监控母区域对应的第二风险类型判断结果的判断准确性；

但是由于监控母区域中还包含了与基准监控子区域具有较强相关性的其他监控子区域，因此这部分具有较强相关性的监控子区域中的部分环境特征参数可以部分填补基准监控子区域中环境特征参数缺失的影响，使得第二风险类型判断结果的准确性不会下降过低，又或者只要使得监控母区域中的监控子区域数量足够多，那么所有或者大部分监控子区域都大量发生环境特征参数缺失的概率就会较低，以避免第二风险类型判断结果的准确率不会过分降低；

基于步骤S6中关于第二风险类型判断结果的分析过程，步骤S7中基准监控子区域当前风险类型的判断过程存在以下几种情况：

1、当基准监控子区域的当前环境特征向量中的部分环境特征参数缺失，但是缺失数量较少，那么基准监控子区域对应的第一风险类型判断结果仍然是具备较高可信度的，基于此推论，所以此时基准监控子区域中的当前风险类型以基准监控子区域对应的第一风险类型判断结果为准；

具体的，设定参数缺失数阈值，对基准监控子区域缺失的环境特征参数数量进行统计，若环境特征参数的缺失数量低于参数缺失数阈值，则将第一风险类型判断结果作为基准监控子区域当前风险类型。

子决策树的判断准确性受到其节点条件种类，即内部用于进行判断的环境特征参数种类数量决定的，子决策树在判断过程中使用的环境特征参数种类数量越多，那么第一风险类型判断结果的准确性越高；故而本实施例对监控子区域对应的历史环境特征向量进行有放回取样，以获得多个子决策树，因此至少部分子决策树的决策依据并非全部环境特征参数，根据基准监控子区域中当前未损坏的环境参数探测器获得的环境特征参数构建基准监控子区域的当前环境特征向量，基于基准监控子区域的当前环境特征向量中环境特征参数的种类选择基准监控子区域对应的子决策树，该子决策树的以获得第一风险类型判断结果仍然具有较高的准确性；

例如完整的环境特征参数种类共有四种，分别为I,II,III和IV，采用有放回取样，那么有部分子决策树的判断过程就依赖于I,II,III，而不依赖于IV，如果当前恰好IV缺失，那么选择只依赖于I,II,III的子决策树即可，IV的缺失不会造成该子决策树的第一风险类型判断结果的准确度下降，当然此条件只适用于环境特征参数种类缺失数量较少的情况，例如缺失的环境特征参数种类数量仅占全部环境特征参数种类数量的30%以下，否则子决策树能够用于判断的环境特征参数种类数量过少，造成第一风险类型判断结果的准确度不能满足基本需求；

2、当基准监控子区域的当前环境特征向量中的大量环境特征参数缺失，示例性地缺失比例达30%以上时，那么基准监控子区域对应的第一风险类型判断结果的正确性就存疑，此时如果包含基准监控子区域的大部分监控母区域对应的第二风险类型判断结果均为异常，示例性地，异常比例达55%以上，则基准监控子区域当前风险类型视为异常，如果包含基准监控子区域的大部分监控母区域对应的第二风险类型判断结果均为正常，示例性地，异常比例达55%以上，则基准监控子区域当前风险类型视为正常；

3、当基准监控子区域的当前环境特征向量中的大量环境特征参数缺失，示例性地缺失比例达30%以上时，那么基准监控子区域对应的第一风险类型判断结果的正确性就存疑，此时如果包含基准监控子区域的监控母区域对应的第二风险类型判断结果为正常和异常的数量相近，示例性地正常和异常的比例差值小于10%，则较难判断第二风险类型判断结果为异常是否由基准监控子区域引起，此时可以再次进行步骤S3，进一步增加包含基准监控子区域的监控母区域的数量，直至第二风险类型判断结果为正常和异常的数量拉开足够差距，例如数量差距不小于10%，此时基于第二风险类型判断结果的统计结果对基准监控子区域的风险类型进行判断。

重复上述过程，不断将不同的监控子区域选定为基准监控子区域，就能够实时获取不同的较高准确率的监控子区域的风险类型判断结果。

如前述推导过程，基准监控子区域如果存在异常，那么包含基准监控子区域的监控母区域对应的第二风险类型判断结果大概率也是异常，该概率大小负相关于关联于监控母区域内存在的监控子区域数量，且正相关于基准监控子区域占监控母区域的面积或者空间占比。同时包含基准监控子区域且空间连续的监控母区域可以看成基准监控子区域向某一方向或者某几个方向外延形成的空间，不同的监控母区域对应的基准监控子区域外延方向可能相同，也可能不同。基于上述推论，可以得到如下结果：如果基准监控子区域往第一方向延伸形成的监控母区域对应的第二风险类型判断结果为异常的数量较多，基准监控子区域往第二方向延伸形成的监控母区域对应的第二风险类型判断结果为异常的数量较少，则说明基准监控子区域中风险发展趋势较大概率会沿着第一方向进行。

本实施例中基于Flink平台的林业管理方法计算量较大，且环境特征参数为无界数据，因此该分析方法是基于Flink运行。

本实施例基于上述基于Flink平台的林业管理方法，还提供了一种林业管理装置，包括：

区域划分模块，用于对目标森林区域划分成多个监控子区域；

区域组合模块，用于将监控子区域组合成监控母区域；

子决策树构建模块，基于监控子区域对应的历史环境特征向量构建各个监控子区域对应的子决策树；

母决策树构建模块，基于监控母区域中各个监控子区域对应的历史环境特征向量构建监控母区域对应的母决策树；

计算模块，将基准监控子区域当前环境特征向量实时输入至对应的子决策树以获得第一风险类型判断结果，将各个监控子区域当前环境特征向量实时输入至对应的母决策树以获得的第二风险类型判断结果；

比较模块，基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

本实施例基于上述基于Flink平台的林业管理方法，还提供了一种存储介质，存储有程序，当程序运行时执行基于Flink平台的林业管理方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于Flink平台的林业管理方法，其特征在于，包括：

将监测的目标森林区域划分成多个监控子区域；

提取各个监控子区域中的历史环境特征向量，基于监控子区域对应的历史环境特征向量，构建各个监控子区域对应的子决策树，以对各个监控子区域对应的风险类型进行判断；

多次选取至少两个监控子区域组合，以构成多个监控母区域；

基于监控母区域中各个监控子区域对应的历史环境特征向量，构建监控母区域对应的母决策树，以对监控母区域对应的风险类型进行判断；

将其中一个监控子区域设定为基准监控子区域，获取基准监控子区域当前环境特征向量并实时输入至对应的子决策树，以获得第一风险类型判断结果；

获取各个监控子区域当前环境特征向量并实时输入至对应的母决策树，以获得各个监控母区域对应的第二风险类型判断结果；

基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

2.根据权利要求1所述的基于Flink平台的林业管理方法，其特征在于，目标森林区域中设置有多种环境参数探测器，每种环境参数探测器均有多个且用于获取若干特定种类的环境特征参数，比较同种环境参数探测器在正常情况下获得的环境特征参数，以得到环境特征参数差值，设定环境特征参数差值阈值，挑选出环境特征参数差值低于环境特征参数差值阈值对应的环境参数探测器，以确定监控子区域的边界。

3.根据权利要求2所述的基于Flink平台的林业管理方法，其特征在于，至少部分监控母区域空间连续，至少部分监控母区域中，监控子区域间隔分布且对应的环境特征参数差值低于环境特征参数差值阈值。

4.根据权利要求1所述的基于Flink平台的林业管理方法，其特征在于，对包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果相互之间进行比对，以对基准监控子区域中风险发展趋势进行预测。

5.根据权利要求1所述的基于Flink平台的林业管理方法，其特征在于，对监控子区域对应的历史环境特征向量进行有放回取样，以获得多个子决策树，基于基准监控子区域的当前环境特征向量中环境特征参数的种类选择基准监控子区域对应的子决策树以获得第一风险类型判断结果。

6.根据权利要求1所述的基于Flink平台的林业管理方法，其特征在于，设定参数缺失数阈值，对基准监控子区域缺失的环境特征参数数量进行统计，若环境特征参数的缺失数量低于参数缺失数阈值，则将第一风险类型判断结果作为基准监控子区域当前风险类型。

7.根据权利要求6所述的基于Flink平台的林业管理方法，其特征在于，若环境特征参数的缺失数量不低于参数缺失数阈值，则对所有第二风险类型判断结果进行统计，以确定基准监控子区域当前风险类型。

8.根据权利要求7所述的基于Flink平台的林业管理方法，其特征在于，设定比例阈值b₃，若环境特征参数的缺失数量不低于参数缺失数阈值，第二风险类型判断结果为正常的数量为b₁，异常的数量为b₂，若|b₁-b₂|/b₁＞b₃，则以max{b₁，b₂}确定基准监控子区域当前风险类型。

9.根据权利要求8所述的基于Flink平台的林业管理方法，其特征在于，若|b₁-b₂|/b₁≤b₃，则增加监控母区域的数量，直至|b₁-b₂|/b₁＞b₃。

10.一种林业管理装置，其特征在于，包括：

区域划分模块，用于对目标森林区域划分成多个监控子区域；

区域组合模块，用于将监控子区域组合成监控母区域；

子决策树构建模块，基于监控子区域对应的历史环境特征向量构建各个监控子区域对应的子决策树；

母决策树构建模块，基于监控母区域中各个监控子区域对应的历史环境特征向量构建监控母区域对应的母决策树；

计算模块，将基准监控子区域当前环境特征向量实时输入至对应的子决策树以获得第一风险类型判断结果，将各个监控子区域当前环境特征向量实时输入至对应的母决策树以获得的第二风险类型判断结果；

比较模块，基于包含基准监控子区域的所有监控母区域对应的第二风险类型判断结果与基准监控子区域对应的第一风险类型判断结果，确定基准监控子区域当前风险类型。

Images