Building a python framework for forestry data analysis: integration of the database with calculation models
Greitas miškų ūkio ir mokslinių tyrimų šioje srityje vystymasis bei sudėtingi reikalavimai reikalauja pažangių analizės galimybių tvariai miškotvarkai. Šiame bakalauro darbe nustatyta kritinė būtinybė sukurti Python aplinką, kuri leistų lengvai integruoti miškininkystės duomenų bazę su įvairiais skaičiavimo modeliais. Pagrindinė problema, kurią reikia spręsti, yra esamos miškininkystės duomenų bazės ir analizei bei duomenų vertinimui naudojamų skaičiavimo modelių fragmentiška struktūra. Python pagrindu sukurta biblioteka siekiama užtikrinti efektyvų duomenų apdorojimą, analizę ir valdymą, įgalinant šių dviejų svarbių komponentų integraciją. Metodika pagrįsta esamos miškininkystės duomenų bazės Lietuvoje supratimu, bendradarbiavimu su skaičiavimo modelių kūrėjais ir struktūrizuotos sistemos kūrimu, kuri palaiko sklandų duomenų integravimą ir manipuliavimą. Pagrindinės užduotys apima esamos duomenų bazės tikrinimą ir analizę, reikalavimų apibrėžimą ir modulinės bei keičiamo mastelio Python platformos architektūros kūrimą. Rezultatai parodo, kad sukurta aplinka ženkliai pagerina analizės galimybes, nes sukurta vieninga platforma supaprastina duomenų apdorojimą ir integraciją. Tai leidžia atlikti tikslesnę duomenų analizę, taip padedant priimti informuotus sprendimus ir tvarkyti miškus tvariai. Darbe daroma išvada, kad tokius iššūkius kaip duomenų suderinamumas ir sistemos pritaikymas galima veiksmingai valdyti strategiškai planuojant ir nuolat bendradarbiaujant su skaičiavimo modelių kūrėjais. Miškininkystės duomenų bazės integravimas su Python pagrindu sukurtais skaičiavimo modeliais, tikimasi, atneš ilgalaikę naudą miškininkystės duomenų analizei ir valdymui.
The fast development and complex requirements of forest management and research require advanced analytical capabilities in terms of sustainable processes and practices. This bachelor thesis identifies a critical need for a Python environment that can easily integrate forestry database with different computational models. The main problem to be addressed is the fragmented structure of existing forestry database and computational models used to analyse and evaluate the data. The proposed Python-based library aims to enable efficient data processing, analysis and operating by providing an integration between these two important components. The methodology is based on understanding existing forestry database in Lithuania, collaborating with computational model developers, and creating a structured framework that supports smooth data integration and manipulation. Main tasks cover validation and analysis of the existing forestry database, definition of the requirements, and developing a Python platform architecture, which employ modularity and scalability principles. Achieved results shows that the developed environment provides a single platform, improves analytical capabilities, and simplifies data processing and integration. Providing more accurate data analysis, the platform aids informed decision-making and sustainable forest management. The bachelor thesis concludes that challenges such as data compatibility and system adaptation, can be effectively managed via strategic planning and ongoing collaboration with computational model developers. This type of the integration between forestry database, and Python-based computational models offers significant long-term benefits, making this framework a valuable tool for analysing and managing forestry data.