-
公开(公告)号：CN117708468B
公开(公告)日：2024-09-17
申请号：CN202410019674.X
申请日：2024-01-05
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F17/10
Abstract: 一种构建含竞争指标的广义可加混合树高模型的方法，具体步骤如下：一：数据整理，包括不同样地数据合并，异常值剔除，以林木分级作为分类变量，计算Hegyi竞争指数与BAL指数；二：数据集划分，按照比例随机划分建模数据集和验证数据集；三：构建广义可加性混合模型；四：模型评价，模型评价指标包括决定系数、相对均方根误差和赤池信息量。本发明所有广义可加混合模型在模型估计精度上均优于非线性混合模型，R2平均提高0.005，RMSE％，AIC值以及Bias分别平均降低0.5％，59.88以及12～13个数量级。在广义可加混合树高模型中，以BAL为辅助变量，考虑唯一全局平滑函数并在具有相同扭曲程度的分组水平平滑函数添加随机效应能够获得相对最优的模型估计精度及预测能力。
-
公开(公告)号：CN117708468A
公开(公告)日：2024-03-15
申请号：CN202410019674.X
申请日：2024-01-05
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F17/10
Abstract: 一种含竞争指标的广义可加混合树高模型，具体步骤如下：一：数据整理，包括不同样地数据合并，异常值剔除，分类变量林木分级无顺序因子化，计算Hegyi指数与BAL指数；二：数据集划分，按照比例随机划分建模数据集和验证数据集；三：构建广义可加性混合模型；四：模型评价，模型评价指标包括决定系数、相对均方根误差和赤池信息量。本发明所有广义可加混合模型在模型估计精度上均优于非线性混合模型，R2平均提高0.005，RMSE％，AIC值以及Bias分别平均降低0.5％，59.88以及12～13个数量级。在广义可加混合树高模型中，以BAL为辅助变量，考虑唯一全局平滑函数并在具有相同扭曲程度的分组水平平滑函数添加随机效应能够获得相对最优的模型估计精度及预测能力。
-
公开(公告)号：CN113045139A
公开(公告)日：2021-06-29
申请号：CN202110340483.X
申请日：2021-03-30
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明针对泸沽湖大草海的现有问题，提供一种泸沽湖大草海退化湿地的生态修复方法。包括：在湿地边缘构建景观生态护岸带；在大草海的中北部水生植物生长密集或板结的区域架构大草海水生植物景观斑块；针对大草海湿地进行水体循环设计。本方案根据山水林田湖草综合治理，对恢复泸沽湖草海湿地的生态环境具有显著效果。
-
公开(公告)号：CN111679288A
公开(公告)日：2020-09-18
申请号：CN202010567544.1
申请日：2020-06-19
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明提供了一种点云数据的空间分布度量方法，用以解决现有技术中点云数据空间分布无法量化的问题。所述点云数据空间分布度量方法，通过度量因子对点云数据的空间分布进行定量描述，度量因子包括有效格率、点云分布均匀度和冗余度，有效格率反映了点云数据的覆盖情况，点云分布均匀度和冗余度分别反映了点云分布的均匀性和冗余性。本发明实施例的点云数据空间分布度量方法，定量地描述了点云数据质量，高质量点云数据具有高有效格率、高点云分布均匀度和低点云分布冗余度，低质量点云数据具有低有效格率、低点云分布均匀度和高点云分布冗余度，通过点云空间分布度量因子来约束数据采集方式，可有效指导激光雷达和摄影测量数据采集工作。
-
公开(公告)号：CN108664451A
公开(公告)日：2018-10-16
申请号：CN201810314718.6
申请日：2018-04-10
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F17/18
Abstract: 本发明公开了一种非线性混合效应模型统一标准形式及应用，该模型是在样本的N个观测值中，研究的问题涉及到m个分类变量，分别是V1,…,Vm，每个分类变量的等级个数记为c1,…,cm，对分类变量取值完全相同的观测点归为一类，称为一个对象，全部对象用集合Θ表示，Θ中总对象个数为M，设第i个对象对应的分类变量的值为向量ζi(ξi∈Θ)，例如ξi＝(v1,…,vm)，并且设第i个对象所含的观测点记为ni，每个观测点的下标是i,j(j＝1,…,ni)，用Ω记产生随机效应的变量(随机构造变量)集合，它的元素是变量(产生主效应)或变量乘积(产生交互作用或相嵌效应)，例如，Ω＝(V1,V2,V1*V2)，设某个随机构造变量为E(E∈Ω)，它的等级数等于E所涉及的分类变量等级个数的乘积，记为ME， 表示构造变量E在第i个对象上附加的随机效应。
-
Patent Agency Ranking
公开(公告)号：CN120032723A
公开(公告)日：2025-05-23
申请号：CN202510114372.5
申请日：2025-01-24
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明提供基于无人机激光雷达特征变量的杉木林分生物量模型估测方法，属于模型构建领域，本发明基于广东省154块样地数据，通过变量筛选分别建立一元、多元基础回归模型，以及加入龄组作为变量的混合效应、哑变量生物量回归模型，应用确定系数R2、均方根误差RMSE、残差、总体相对误差TRE等指标评价模型精度。筛选出相关性较高的机载激光雷达变量共41个，最终进入模型的自变量2个。树叶生物量拟合效果最好的是对数混合效应模型，其他林分分项生物量拟合效果最好的是幂函数混合效应模型，使用机器学习模型后模型拟合效果提升(RMSE＝1.080～9.902；R2＝0.855～0.937；TRE＝0.066～0.081)。将检验样本的数据分别代入到训练好的模型检验模型精度，整体具有较好的拟合效果。
-
公开(公告)号：CN120032722A
公开(公告)日：2025-05-23
申请号：CN202510114334.X
申请日：2025-01-24
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明提供杉木全周期冠幅模型研建方法，属于模型构建领域，本申请构建了单木全生长周期冠幅预测模型。系统分析了冠幅生长的动态特征及其多尺度影响机制。以胸径和树高为核心变量的基础模型较好地反映了树木生长规律，龄组哑变量有效捕捉了冠幅在不同生长阶段的动态变化特征，而混合效应模型的引入显著提升了模型的精度与适用性(R2＝0.717，RMSE＝0.502)，量化了区组和样地效应对冠幅生长的宏观与微观影响。表明环境异质性和随机效应的综合考虑是全生长周期建模的关键，为森林资源的可持续管理和生态系统动态监测提供了重要科学依据。本发明方法和框架适用于其他树种或生态系统，为优化冠幅预测、揭示环境因子作用及提升碳汇评估精度提供了新思路。
-
公开(公告)号：CN118887441A
公开(公告)日：2024-11-01
申请号：CN202410821479.9
申请日：2024-06-24
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06V10/764 , G06V20/17 , G06V20/10 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/045
Abstract: 本申请提供基于融合注意力机制和无人机可见光影像的单木树冠检测方法，包括以下步骤：第一步：无人机影像获取无人机正射影像数据；第二步：数据预处理无人机正射影像数据；第三步：优化模型Att‑Mask R‑CNN的主干网络构建；第四步：优化模型Att‑Mask R‑CNN的区域候选网络构建；第五步：优化模型Att‑Mask R‑CNN的多分支网络构建；第六步：单木树冠垂直投影面积估计；第七步：优化模型Att‑Mask R‑CNN的精度验证。该方法是通过优化现有深度学习方法，构建苗景兼用林的单木树冠分割模型并研究其林分结构，为智慧林业以及科学经营提供理论依据。本申请基于高分辨率无人机遥感影像，探究了优化模型Att‑Mask R‑CNN(Attention‑based Mask R‑CNN，基于注意力机制的Mask R‑CNN模型)林区内识别每个树冠和树冠垂直投影面积估测的能力。
-
公开(公告)号：CN118840546A
公开(公告)日：2024-10-25
申请号：CN202410821577.2
申请日：2024-06-24
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06V10/26 , G06V20/17 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本申请提供一种基于改进Mask Scoring R‑CNN的林火检测与分割方法，包括以下步骤：(1)森林火灾模拟：对森林可燃物在规定区域进行森面火灾模拟，并且使用干草、落叶对其助燃；(2)无人机航拍影像采集：使用多旋翼无人机搭载一台可见光相机对林火进行影像采集；(3)林火数据标注：为保证林火分割的质量，将帧间隔数设置为10，采用交互式多边形工具Labelme软件对每个林火目标提取精确的标签区域，包括被遮挡或者是存在于图像边缘的林火目标，同时，为了减少对模型的计算需求，所有图像统一缩放至1280×720分辨率，并以JPEG格式保存；(4)构建改进模型MaskSU R‑CNN：MaskSU R‑CNN主要由特征提取网络、区域候选网络、边界框分类回归和掩膜生成网络组成。
-
公开(公告)号：CN118736256A
公开(公告)日：2024-10-01
申请号：CN202410821552.2
申请日：2024-06-24
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06V10/762 , G06V10/764 , G06V10/26
Abstract: 本申请提供一种基于超像素的森林火灾实时检测方法，涉及机器学习技术领域，包括：(1)图像超像素分割：对林火图像先进行SLIC超像素分割，将位置邻近和颜色相似的像素划分为若干个超像素；(2)代表点选择：鉴于超像素良好的目标边界一致性，将超像素等效为像素，从像素中选择或构造代表点；(3)引入监督信息：将代表点与引入的监督信息进行比对，从而完成火焰检测。本发明分别以超像素的均值、中值和均值与中值的组合构造代表点，在多种场景的12张林火图像上进行了实验验证，相比于向量和矩阵块模式表示方法，该文方法在10张图像上的林火识别率均达到了最高，平均识别率在98.2％以上。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.039 seconds)
