本技术涉及数据分析，具体而言，涉及一种基于人工智能的自然资源数据分析方法及系统。
背景技术：
1、目前，我国仍然面临着人均耕地少、耕地质量总体不高、耕地后备资源不足的基本国情，耕地流失与保护的矛盾和压力依然突出。不仅需要对资源进行识别和分析还需要对生态信息进行分析，现目前，在获得自然资源数据时，需要人工进行分析，这样需要浪费大量的时间和人力，随着科技的不断发展和进步，人工智能涉及的领域越来越广泛，发明人将人工智能和自然资源领域结合起来，但是如何保障人工智能对自然资源数据分析的准确性是现目前难以解决的一个技术问题。
技术实现思路
1、为改善相关技术中存在的技术问题，本技术提供了一种基于人工智能的自然资源数据分析方法及系统。
2、第一方面，提供一种基于人工智能的自然资源数据分析方法包括：
3、获得需要进行处理的自然资源数据集合；
4、基于所述需要进行处理的自然资源数据集合，采用通用人工智能线程对所述需要进行处理的自然资源数据集合进行实时资源特征识别，得到对应于第一自然资源描述内容的第一可能性分布，采用识别人工智能线程对所述需要进行处理的自然资源数据集合进行实时资源特征识别，得到对应于所述第一自然资源描述内容的第二可能性分布，所述第一自然资源描述内容包括若干个待定实时资源特征；
5、基于所述第一可能性分布和第二可能性分布，获得所述需要进行处理的自然资源数据集合中的目标实时资源特征；
6、基于所述需要进行处理的自然资源数据集合和目标实时资源特征，采用所述通用人工智能线程对所述目标实时资源特征进行分析，得到对应于第二自然资源描述内容的第三可能性分布，采用人工智能分析线程对所述目标实时资源特征进行分析，得到对应于所述第二自然资源描述内容的第四可能性分布，所述第二自然资源描述内容包括若干个待定种类；
7、基于所述第三可能性分布和第四可能性分布，获得所述目标实时资源特征的目标种类；
8、基于所述目标实时资源特征和目标实时资源特征的目标种类，得到所述需要进行处理的自然资源数据集合的分析结果。
9、在本技术中，所述识别人工智能线程是基于每一个第一范例的第一回归分析实时资源特征和当前目录之间的共享系数进行训练得到的；所述人工智能分析线程是基于每一个第二范例的第二回归分析种类和种类目录之间的共享系数进行训练得到的；所述通用人工智能线程是基于每一个第三范例的第三分析结果和范例目录之间的共享系数进行训练得到的，所述第三分析结果包括第三回归分析实时资源特征和第三种类，范例目录包括第三范例的当前目录和种类目录。
10、在本技术中，所述方法还包括：
11、基于所述需要进行处理的自然资源数据集合，采用人工智能分析线程对所述需要进行处理的自然资源数据集合进行实时资源特征识别，得到对应于第一自然资源描述内容的第五可能性分布；
12、基于所述需要进行处理的自然资源数据集合和目标实时资源特征，采用所述识别人工智能线程对所述目标实时资源特征进行分析，得到对应于第二自然资源描述内容的第六可能性分布；
13、其中，所述基于所述第一可能性分布和第二可能性分布，获得所述需要进行处理的自然资源数据集合中的目标实时资源特征，包括：
14、基于所述第一可能性分布、第二可能性分布和第五可能性分布，获得所述目标实时资源特征；
15、其中，所述基于所述第三可能性分布和第四可能性分布，获得所述目标实时资源特征的目标种类，包括：
16、基于所述第三可能性分布、第四可能性分布和第六可能性分布，获得所述目标实时资源特征对应的目标种类。
17、在本技术中，所述方法还包括：
18、获得挑选目录的提示自然资源数据集合；
19、其中，所述提示自然资源数据集合包括识别提示特征和分析提示特征，所述识别提示特征指示对需要进行处理的自然资源数据集合中目标领域的实时资源特征进行识别，所述分析提示特征指示对识别的实时资源特征进行分析。
20、在本技术中，所述第一可能性分布是基于需要进行处理的自然资源数据集合和识别提示特征、采用通用人工智能线程对需要进行处理的自然资源数据集合进行实时资源特征识别得到的；所述第二可能性分布是基于需要进行处理的自然资源数据集合和识别提示特征、采用识别人工智能线程对需要进行处理的自然资源数据集合进行实时资源特征识别得到的；
21、其中，所述第三可能性分布是基于需要进行处理的自然资源数据集合、目标实时资源特征和分析提示特征，采用通用人工智能线程对目标实时资源特征进行分析得到的；所述第四可能性分布是基于需要进行处理的自然资源数据集合、目标实时资源特征和分析提示特征，采用人工智能分析线程对目标实时资源特征进行分析得到的。
22、在本技术中，所述基于所述第一可能性分布和第二可能性分布，获得所述需要进行处理的自然资源数据集合中的目标实时资源特征，包括：
23、基于所述第一可能性分布和第二可能性分布之间的共享系数，确定所述第二可能性分布的第一识别差异；
24、基于所述第二可能性分布与第一识别差异之间的比较结果，确定针对所述第一可能性分布的第一调试可能性；
25、基于所述第一调试可能性对所述第一可能性分布进行调试，得到第一目标可能性分布；
26、基于所述第一目标可能性分布，获得所述目标实时资源特征。
27、在本技术中，所述基于所述第一可能性分布、第二可能性分布和第五可能性分布，获得所述目标实时资源特征，包括：
28、基于所述第一可能性分布和第二可能性分布之间的共享系数，确定所述第二可能性分布的第一识别差异；
29、基于所述第一可能性分布和第五可能性分布之间的共享系数，确定所述第五可能性分布的第二识别差异；
30、基于所述第二可能性分布与第一识别差异之间的比较结果，确定对第一可能性分布的第一调试可能性；
31、基于所述第一调试可能性对所述第一可能性分布进行调试；
32、基于调试后的第一可能性分布与所述第二识别差异之间的比较结果，确定第二目标可能性分布；
33、基于所述第二目标可能性分布，获得所述目标实时资源特征。
34、在本技术中，所述第一可能性分布和所述第二可能性分布是通过以下方式得到的：
35、基于所述需要进行处理的自然资源数据集合，采用通用人工智能线程对需要进行处理的自然资源数据集合进行实时资源特征识别，得到对应于第一自然资源描述内容的第一原始可能性分布，采用识别人工智能线程对所述需要进行处理的自然资源数据集合进行实时资源特征识别，得到对应于第一自然资源描述内容的第二原始可能性分布；
36、其中，第一原始可能性分布包括每一个待定实时资源特征的第一原始可能性，第二原始可能性包括每一个待定实时资源特征的第二原始可能性；
37、基于所述第一原始可能性分布和所述第二原始可能性分布，从所述每一个待定实时资源特征中确定出第一原始可能性和第二原始可能性均不低于目标指定值的目标待定层；
38、分别对第一原始可能性分布、第二原始可能性分布中的非目标待定层对应的可能性进行删除处理，得到所述第一可能性分布、第二可能性分布。
39、在本技术中，所述需要进行处理的自然资源数据集合包括若干个目标实时资源特征，所述分析结果包括若干个目标实时资源特征和目标实时资源特征的目标种类；所述分析结果是通过执行x次目录生成的，每次目录为一次识别目录或一次分析目录，每次目录的生成自然资源数据集合为目标实时资源特征或目标种类；其中，第a次目录的执行过程，包括：
40、基于第a-1次目录的生成自然资源数据集合，确定待生成自然资源数据集合的自然资源数据集合种类，所述自然资源数据集合种类为识别种类或分析种类，第1次目录对应的自然资源数据集合种类为识别种类；
41、基于所述需要进行处理的自然资源数据集合和前a-1次目录的生成自然资源数据集合，采用通用人工智能线程得到通用可能性分布，采用识别人工智能线程得到识别可能性分布，采用人工智能分析线程得到分析可能性分布；
42、其中，所述通用可能性分布为第一可能性分布或第三可能性分布，所述识别可能性分布为第二可能性分布或第六可能性分布，所述分析可能性分布为第四可能性分布或第五可能性分布；
43、基于所述通用可能性分布、识别可能性分布和分析可能性分布，生成所述第a次目录的生成自然资源数据集合。
44、在本技术中，所述识别人工智能线程是通过以下方式训练得到的：
45、获得第一训练集，所述第一训练集包括若干个具有范例目录的第一范例自然资源数据集合，每个第一范例的范例目录包括该第一范例的当前目录；
46、基于每个第一范例，采用待训练的识别人工智能线程对所述每个第一范例进行实时资源特征识别，得到每个第一范例的第一回归分析实时资源特征；
47、基于所述每个第一范例和第一回归分析实时资源特征，采用待训练的识别人工智能线程对所述第一回归分析实时资源特征进行分析，得到所述第一回归分析实时资源特征的第一回归分析种类，基于所述每个第一范例的第一回归分析实时资源特征和第一回归分析种类，得到所述每个第一范例的分析结果；
48、基于每一个第一范例的第一回归分析实时资源特征和当前目录之间的共享系数，确定第一训练评估指标，基于所述第一训练评估指标，对待训练的识别人工智能线程的线程系数进行优化。
49、在本技术中，所述人工智能分析线程是通过以下方式训练得到的：
50、获得第二训练集，所述第二训练集包括具有范例目录的若干个第二范例，每个第二范例的范例目录包括该第二范例的各当前目录的种类目录；
51、基于每个第二范例，采用待训练的人工智能分析线程对所述每个第二范例进行实时资源特征识别，得到每个第二范例的第二回归分析实时资源特征；
52、基于所述每个第二范例和第二回归分析实时资源特征，采用待训练的人工智能分析线程对所述第二回归分析实时资源特征进行分析，得到所述第二回归分析实时资源特征的第二回归分析种类，基于所述每个第二范例的第二回归分析实时资源特征和第二回归分析种类，得到所述每个第二范例的分析结果；
53、基于每一个第二范例的第二回归分析种类和种类目录之间的共享系数，确定第二训练评估指标，基于所述第二训练评估指标对待训练的人工智能分析线程的线程系数进行优化。
54、在本技术中，所述通用人工智能线程是通过以下方式训练得到的：
55、获得第三训练集，所述第三训练集包括具有范例目录的若干个第三范例，每个第三范例的范例目录包括该第三范例的当前目录以及各当前目录的种类目录；
56、基于每个第三范例，采用待训练的通用人工智能线程对所述每个第三范例进行实时资源特征识别，得到每个第三范例的第三回归分析实时资源特征；
57、基于所述每个第三范例和第三回归分析实时资源特征，采用待训练的通用人工智能线程对所述第三回归分析实时资源特征进行分析，得到所述第三回归分析实时资源特征的第三回归分析种类，基于所述每个第三范例的第三回归分析实时资源特征和第三回归分析种类，得到所述每个第三范例的分析结果；
58、基于每一个第三范例的第三分析结果和范例目录之间的共享系数，确定第三训练评估指标，基于所述第三训练评估指标对待训练的通用人工智能线程的线程系数进行优化。
59、第二方面，提供一种基于人工智能的自然资源数据分析系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
60、本技术实施例所提供的一种基于人工智能的自然资源数据分析方法及系统，通过基于需要进行处理的自然资源数据集合，采用通用人工智能线程进行实时资源特征识别得到第一可能性分布，采用识别人工智能线程进行实时资源特征识别得到第二可能性分布，基于所述第一可能性分布和第二可能性分布，获得所述需要进行处理的自然资源数据集合中的目标实时资源特征；使得识别时，可利用识别人工智能线程的识别能力，降低通用人工智能线程的识别目录中由分析能力造成的错误，提高识别的准确性。并且，基于需要进行处理的自然资源数据集合和目标实时资源特征，采用通用人工智能线程对目标实时资源特征进行分析得到第三可能性分布，采用人工智能分析线程进行分析得到第四可能性分布，并基于第三可能性分布和第四可能性分布获得目标种类；从而分析时可进一步利用人工智能分析线程的分析能力，降低通用人工智能线程的分析目录中由识别能力造成的错误，提高分析的准确性。从而能够更加精确地获得自然资源数据。
1.一种基于人工智能的自然资源数据分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述识别人工智能线程是基于每一个第一范例的第一回归分析实时资源特征和当前目录之间的共享系数进行训练得到的；所述人工智能分析线程是基于每一个第二范例的第二回归分析种类和种类目录之间的共享系数进行训练得到的；所述通用人工智能线程是基于每一个第三范例的第三分析结果和范例目录之间的共享系数进行训练得到的，所述第三分析结果包括第三回归分析实时资源特征和第三种类，范例目录包括第三范例的当前目录和种类目录。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一可能性分布是基于需要进行处理的自然资源数据集合和识别提示特征、采用通用人工智能线程对需要进行处理的自然资源数据集合进行实时资源特征识别得到的；所述第二可能性分布是基于需要进行处理的自然资源数据集合和识别提示特征、采用识别人工智能线程对需要进行处理的自然资源数据集合进行实时资源特征识别得到的；
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一可能性分布和第二可能性分布，获得所述需要进行处理的自然资源数据集合中的目标实时资源特征，包括：
7.根据权利要求3所述的方法，其特征在于，所述基于所述第一可能性分布、第二可能性分布和第五可能性分布，获得所述目标实时资源特征，包括：
8.根据权利要求6所述的方法，其特征在于，所述第一可能性分布和所述第二可能性分布是通过以下方式得到的：
9.根据权利要求3所述的方法，其特征在于，所述需要进行处理的自然资源数据集合包括若干个目标实时资源特征，所述分析结果包括若干个目标实时资源特征和目标实时资源特征的目标种类；所述分析结果是通过执行x次目录生成的，每次目录为一次识别目录或一次分析目录，每次目录的生成自然资源数据集合为目标实时资源特征或目标种类；其中，第a次目录的执行过程，包括：
10.一种基于人工智能的自然资源数据分析系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-9任一项所述的方法。
