CN116205394A - 一种基于无线电导航的森林资源调查监测方法及系统 - Google Patents

一种基于无线电导航的森林资源调查监测方法及系统 Download PDF

Info

Publication number
CN116205394A
CN116205394A CN202310496421.7A CN202310496421A CN116205394A CN 116205394 A CN116205394 A CN 116205394A CN 202310496421 A CN202310496421 A CN 202310496421A CN 116205394 A CN116205394 A CN 116205394A
Authority
CN
China
Prior art keywords
data
model
data set
coordinate
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310496421.7A
Other languages
English (en)
Other versions
CN116205394B (zh
Inventor
毛朝明
丁敏
胡传久
蒋灵华
李新星
潘建林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Maoyuan Forestry Engineering Co ltd
Zhejiang Academy of Forestry
Original Assignee
Zhejiang Maoyuan Forestry Engineering Co ltd
Zhejiang Academy of Forestry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Maoyuan Forestry Engineering Co ltd, Zhejiang Academy of Forestry filed Critical Zhejiang Maoyuan Forestry Engineering Co ltd
Priority to CN202310496421.7A priority Critical patent/CN116205394B/zh
Publication of CN116205394A publication Critical patent/CN116205394A/zh
Application granted granted Critical
Publication of CN116205394B publication Critical patent/CN116205394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)

Abstract

本发明涉及无线电导航监测技术领域，尤其涉及一种基于无线电导航的森林资源调查监测方法及系统。所述方法包括以下步骤：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，基于多维图像数据集构建林业数字高程模型；基于林业数字高程模型以及遥感数据集进行模型数据碎片化处理，生成精准碎片数据集；获取无人机巡检起始坐标数据，基于精准碎片数据集以及无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据；利用高空作业权重数据进行多维高低空博弈数据计算，生成多维高低空博弈数据。本发明能够提高森林资源调查监测效率。

Description

一种基于无线电导航的森林资源调查监测方法及系统
技术领域
本发明涉及无线电导航监测技术领域，尤其是涉及一种基于无线电导航的森林资源调查监测方法及系统。
背景技术
无线电导航系统是利用了无线电波传播的基本原理：无线电信号在自由空间中用直线方式以光速传播，只要确定了无线电波从发射机到接收机之间的传播时间，便可以确定收发机间的距离为光速与传播时间之积。通常，导航应由导航系统完成，包括装在运载体上的导航设备以及装在其他地方与导航设备配合使用的导航台。凡导航台与移动载体间用无线电方式为媒介来实现导航的，称为无线电导航。从导航台的所在位置来判定导航的性质，主要有陆基导航系统和星基导航系统。陆基导航系统导航台位于陆地上，导航台与导航设备之间用无线电波联系，如甚高频全向信标（VOR）、微波着陆系统、罗兰、欧米伽导航系统。星基导航系统导航台设在人造卫星上，覆盖范围大大扩大，如美国的GPS（全球定位系统）和俄罗斯的GLONASS等卫星导航系统。森林资源调查检测技术是利用无人机对森林资源通过无线电导航进行实时检测、调查和评估的技术表称，以便及时发现和解决森林资源管理中的问题，国内森林资源调查检测方法主要依靠人工巡视和手工测量，传统的资源调查检测方法虽然可以解决对森林资源的实时检测与调查，然而这种方法效率低下、成本高昂且精度不高，导致森林资源调查检测数据往往难以具有时效性，其中，利用无人机的森林资源调查监测方法是一种比较新兴的技术，在众多影响因素下，如何开发一种具有时效性的基于无线电的森林资源调查方法及系统成为亟待解决的问题。
发明内容
本发明提供一种基于无线电导航的森林资源调查监测方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于无线电导航的森林资源调查监测方法及系统，所述方法包括以下步骤：
步骤S1：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，基于多维图像数据集构建林业数字高程模型；
步骤S2：基于林业数字高程模型以及遥感数据集进行模型数据碎片化处理，生成精准碎片数据集；
步骤S3：获取无人机巡检起始坐标数据，基于精准碎片数据集以及无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据；
步骤S4：利用高空作业权重数据进行多维高低空博弈数据计算，生成多维高低空博弈数据，根据多维高低空博弈数据进行路径巡检，从而实现森林资源调查。
本发明提供了一种基于多维图像数据采集和处理的森林资源调查方法。该方法利用遥感数据集、林业资源市场数据和无人机进行多维图像数据采集，生成多维图像数据集，并基于该数据集构建林业数字高程模型，从而实现对森林资源的精准监测，通过将林业数字高程模型与遥感数据集进行碎片化处理，生成精准碎片数据集，再结合无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据，基于该数据，本发明可进行多维高低空博弈数据计算，并根据该数据进行路径巡检，从而实现对森林资源的高效调查，相比传统调查方法，本发明具有调查精度高、调查效率高、成本低等有益效果，通过将采集到的林业资源数据模型化，从模型数据角度在高空作业以及低空作业形成以高空作业带动低空作业协同进行森林资源调查与监测，通过预设的低空作业极值，在多维复杂情况下以较优效率进行森林资源调查与监测。
优选地，步骤S1包括以下步骤：
步骤S11：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据；
步骤S12：基于林业遥感技术进行森林资源调查，生成遥感数据集，遥感数据集包括林分结构数据以及生长状态数据；
步骤S13：利用无人机进行多维图像数据采集，生成多维图像数据集；
步骤S14：根据多维图像数据集进行林业数字高程模型构建，生成林业数字高程模型。
本发明通过林业遥感技术进行森林资源调查，基于调查获取的遥感数据集通过无人机进行多维图像数据采集，通过后续步骤将无线电导航、无线电测距技术搭建于无人机上，将定位数据转换，形成准确、全面的多维图像数据集，根据多维图像数据集进行林业数字高程模型构建，将收集的多维数据集转换为坐标数据，将多维图像数据集所负载的特征数据充分转化在数字高程模型上，为后续步骤提供基础数据。
优选地，步骤S13的具体步骤为：
步骤S131：利用无人机进行林场测绘航拍，生成测绘图像集；
步骤S132：对测绘图像集进行图片去噪处理，生成标准测绘图像集；
步骤S133：根据标准测绘图像集进行特征提取处理，生成测绘图像特征数据；
步骤S134：基于无线电测距利用无人机进行航测数据收集处理，生成航测数据集；
步骤S135：基于无线电导航利用无人机进行飞行导航数据获取，生成飞行导航数据集；
步骤S136：根据测绘图像特征数据、航测数据集、飞行导航数据集进行数据绑定处理，生成多维图像数据集。
本发明通过对无人机搭载无线电导航、无线电测距功能，并以无人机航拍图像数据为基础进行测绘图像集建立，为后续数据处理提供准确、全面的数据支持，通过对测绘图像集进行图片去噪以及特征提取处理，提高测绘数据的采集效率和准确度，通过将基于无线电导航、无线电测距获取的飞行导航数据集以及航测数据集对测绘图像特征数据进行数据绑定处理，生成多维图像数据集，提供数据的综合利用效率，为林场管理规划提供更加全面、准确的数据支持。
优选地，步骤S2的具体步骤为：
步骤S21：基于林业数字高程模型进行模型多方位图像采样处理，生成模型图像集；
步骤S22：根据模型图像集进行坐标参数获取处理，生成图像坐标集；
步骤S23：根据图像坐标集以及模型图像集进行模型数据集生成处理，生成模型数据集；
步骤S24：根据模型数据集进行模型图像数据拆分处理，生成碎片化模型图像数据集；
步骤S25：利用多态样地相似度分类计算公式对碎片化模型图像数据集、遥感数据集以及林业资源市场数据进行多态样地相似度分类计算处理，生成多类碎片相似度；
步骤S26：利用预设的多态样地相似度阈值对多类碎片相似度进行阈值比对处理，当多类碎片相似度大于多态样地相似度阈值时，标记为相似碎片数据集，当碎片化相似度小于多态样地相似度阈值时，标记为废弃碎片数据集；
步骤S27：基于非极大抑制法对相似碎片数据集进行重叠比对择取处理，生成无重叠碎片数据集；
步骤S28：基于回归算法对无重叠碎片数据集进行数据精准化处理，生成精准碎片数据集。
本发明中基于林业数字高程模型进行模型多方位图像采样处理，通过将林场模型化，从模型角度进行图像采集，提高采集图像的采集效率以及所采集图像的模型特征准确性，从模型角度对林场数据进行数据处理，通过将模型图像数据进行数据拆分处理，生成碎片化模型图像集，通过将图像数据碎片化，将数据细化至坐标维度，通过坐标数据进行数据分析，提高数据分析准度，为后续阈值比对处理提高数据筛选效率，基于回归算法对无重叠碎片数据集进行数据精准化处理，剔除碎片图像影响数据，减小数据处理误差。
在本说明书的一个实施例中，步骤S25中的多态样地相似度分类计算公式具体为：
Figure SMS_1
；
T为多类碎片相似度，其中，多类碎片相似度T为一个由林分结构相似度
Figure SMS_2
以及模型地形相似度/>
Figure SMS_3
组成的多种类的相似度值的数据集，n为碎片化模型图像数据集大小，/>
Figure SMS_4
为碎片化模型图像数据集中以左上坐标点为原点的图像横坐标数据中的林分结构数据，/>
Figure SMS_5
为碎片化模型图像数据集中以左上坐标点为原点的图像纵坐标数据中的林分结构数据，k为遥感数据集中的生长状态数据，m为地形相似度调整系数，/>
Figure SMS_6
为所选取碎片化模型图像数据坐标数据的林分结构数据所对应的林业资源市场数据中的树种市场需求度，
Figure SMS_7
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的横坐标数据，/>
Figure SMS_8
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的纵坐标数据。
本发明提供一种多态样地相似度分类计算公式，该公式从林分结构、树种市场需求度、无线电导航数据、无线电测距数据角度，获取碎片数据集中碎片数据的多类碎片相似度，公式利用碎片化模型图像数据集中以左上坐标点为原点的图像横坐标数据中的林分结构数据
Figure SMS_10
、碎片化模型图像数据集中以左上坐标点为原点的图像纵坐标数据中的林分结构数据/>
Figure SMS_14
，根据碎片数据模型图像数据集中坐标数据中的林分结构数据以及遥感数据集中的生长状态数据k，通过对函数关系/>
Figure SMS_17
在碎片化模型图像数据集大小n范围内求和并进行开根，形成函数关系
Figure SMS_11
，从而获取林分结构相似度/>
Figure SMS_12
，通过地形相似度调整系数m、所选取碎片化模型图像数据坐标数据的林分结构数据所对应的林业资源市场数据中的树种市场需求度/>
Figure SMS_15
、所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的横坐标数据/>
Figure SMS_18
、所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的纵坐标数据/>
Figure SMS_9
之间的指数关系，形成函数关系/>
Figure SMS_13
，从而获取模型地形相似度/>
Figure SMS_16
。
优选地，步骤S3包括以下步骤：
步骤S31：根据精准碎片数据集进行样地坐标数据提取，生成样地坐标数据；
步骤S32：获取无人机巡检起始坐标数据，基于无人机巡检起始坐标数据以及林业数字高程模型进行模型巡检起始点定位，生成模型检测起始坐标数据；
步骤S33：基于多维图像集、模型检测起始坐标数据以及样地坐标数据进行巡检坐标点部署，生成三维巡检测量数据；
步骤S34：获取巡检指标数据，基于巡检指标数据以及三维巡检测量数据利用指标权重计算公式进行区域高空无人机权重数据计算，生成高空作业权重数据。
本发明通过对精准碎片数据集样地坐标数据提取，通过对包含样地种类数据的样地坐标数据联结林业数字高程模型，通过对样地种类数据以及林业数字高程模型进行关系深挖，从而有效提取、处理和应用精准碎片数据集，生成准确的绘图坐标数据以及模型检测起始坐标数据，进而部署检查坐标点并计算检查测量，提高检测效率，通过利用指标权重计算公式进行区域高空无人机权重数据计算，获取高空作业权重数据，获取作为高空作业路线规划基础数据的高空作业权重数据，通过以权重数据指代路线特征数据。
优选地，步骤S34中的指标权重计算公式具体为：
Figure SMS_19
；
其中，N为高空权重数据，
Figure SMS_21
为样地坐标数据中的样地种类系数，f为三维巡检测量数据中的样地坐标数据中坐标集数量，/>
Figure SMS_23
为三维巡检测量数据中样地坐标数据的横坐标，/>
Figure SMS_26
为三维巡检测量数据中样地坐标数据中的纵坐标，/>
Figure SMS_22
为三维巡检测量数据中样地坐标数据中的垂直坐标，/>
Figure SMS_24
为三维巡检测量数据中模型起始坐标数据的横坐标，/>
Figure SMS_27
为三维巡检测量数据中模型起始坐标数据中的纵坐标，/>
Figure SMS_28
为三维巡检测量数据中模型起始坐标数据中的垂直坐标，exp为自然指数函数，/>
Figure SMS_20
为选取样地坐标数据中坐标对应多维图像集中飞行导航数据集误差指数，/>
Figure SMS_25
为飞行导航误差调整值。
本发明提供了一种指标权重计算公式，该公式基于数据坐标以及坐标所附带的特征数据通过样地种类数据深挖，从样地种类数据中收集的无人机导航、测距数据进行数据计算，获取高空权重数据，公式根据样地坐标数据中的样地种类系数
Figure SMS_29
通过所获取的坐标数据所对应的样地种类利用相关数据，通过自然指数函数exp利用三维巡检测量数据中的样地坐标数据中坐标集数量f，通过获取三维巡检测量数据中样地坐标数据中的垂直坐标/>
Figure SMS_35
、三维巡检测量数据中模型起始坐标数据的横坐标/>
Figure SMS_37
、三维巡检测量数据中样地坐标数据中的纵坐标/>
Figure SMS_31
以及三维巡检测量数据中模型起始坐标数据中的纵坐标/>
Figure SMS_34
的乘积，形成函数关系/>
Figure SMS_38
，根据三维巡检测量数据中模型起始坐标数据中的垂直坐标/>
Figure SMS_40
以及三维巡检测量数据中样地坐标数据中的垂直坐标/>
Figure SMS_30
进行坐标特征数据运算联结/>
Figure SMS_33
形成函数关系/>
Figure SMS_36
，通过选取样地坐标数据中坐标对应多维图像集中飞行导航数据集误差指数/>
Figure SMS_39
利用飞行导航误差调整值/>
Figure SMS_32
进行误差调整，实现对指标权属数据的计算。
优选地，步骤S4的具体步骤为：
步骤S41：基于三维巡检测量数据以及高空作业权重数据进行巡检输入数据模型构建，生成巡检输入数据模型；
步骤S42：获取巡检指标权重数据，利用巡检指标权重数据以及三维巡检测量数据进行模型连接权重数据建立，生成模型连接权重数据；
步骤S43：获取预设的协同低空无人机极值，基于巡检输入数据模型、模型连接权重数据以及协同低空无人机极值利用高低空协同博弈公式进行多维高低空博弈数据计算，生成多维高低空博弈数据；
步骤S44：基于多维高低空博弈数据利用普里姆算法构建高低空作业最小生成树，生成高低空作业最小生成树；
步骤S45：根据高低空作业最小生成树进行最优节点路径数据提取处理，生成最优巡检数据；
步骤S46：根据最优巡检数据利用高空作业无人机及低空作业无人机进行路径巡检，从而实现森林资源调查。
本发明利用三维巡检测量数据以及高空作业权重数据构建巡检输入数据模型，通过将巡检输入数据模型在巡检指标权重数据指导下联结三维巡检测量数据进行模型联结权重数据建立，通过权重数据实现高空作业数据权重分配，通过多维高低空博弈数据有效优化巡检作业规划调度，提高作业效率及质量，利用普里姆算法构建高空作业最小生成树，合理性规划无人机路径，并将高低空作业关联关系进行有效联结，实现低空作业以及高空作业的有效适配，提高巡检效率。
优选地，步骤S43中的高低空协同博弈公式具体为：
Figure SMS_41
；
Figure SMS_42
；/>
其中，W为多维高低空博弈数据，
Figure SMS_43
为协同低空无人机极值，f(x)为高低空作业关系函数，/>
Figure SMS_44
为巡检输入数据模型中坐标数据集选取坐标的横坐标，/>
Figure SMS_45
为巡检输入数据模型中坐标数据集选取坐标的纵坐标，/>
Figure SMS_46
为横纵坐标连接所形成的连接线对应模型连接权重数据，/>
Figure SMS_47
为低空协同作业系数。
本发明提供一种高低空协同博弈公式，该公式在预设的协同低空无人机极值范围内，利用数据协同关系通过循环数据探取操作，获取多维高低空博弈数据，该公式通过max极大值函数对范围内的高低空作业关系函数f(x)进行求取极大值，通过巡检输入数据模型中坐标数据集选取坐标的横坐标
Figure SMS_48
、巡检输入数据模型中坐标数据集选取坐标的纵坐标/>
Figure SMS_49
、横纵坐标连接所形成的连接线对应模型连接权重数据/>
Figure SMS_50
联结低空协同作业系数
Figure SMS_51
形成函数关系/>
Figure SMS_52
构建高低空作业关系函数f(x)，从而实现对多维高低空博弈数据的计算。
在本说明书的一个实施例中，提供一种基于无线电导航的森林资源调查监测系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项的基于无线电导航的森林资源调查监测方法。
本发明提供一种基于无线电导航的森林资源调查监测系统，该系统能够实现本发明所述任意一种基于无线电导航的森林资源调查监测方法，实现数据的获取、运算、生成，通过对森林资源的图文信息获取，并对其中的图文信息按照已设计的指令顺序进行操作，生成林业数字高程模型，再通过数字分析技术将分析获取数据进行碎片化采集，将生成的碎片化数据进行数据，生成森林资源巡检数据，系统内部遵循设定的指令集完成方法运行步骤，推动完成基于无线电导航的森林资源调查监测方法。
本发明结合多学科多类型模型，提出一种基于无线电导航的森林资源调查监测方法，解决森林资源调查检测过程中数据反馈效率低、调查效率低的问题，实现基于数据分析的森林资源调查与监测，从森林资源样地种类划分角度入手进行数据处理，有效调查检测森林资源数据。
附图说明
图1为本发明一种基于无线电导航的森林资源调查监测方法的步骤流程示意图；
图2为步骤S13的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于无线电导航的森林资源调查监测方法及系统。所述森林资源调查监测方法及系统的执行主体包括但不限于搭载该系统的：机械设备、信息处理平台、云服务器节点、网络传输设备等可看作本申请的通用计算节点。所述信息处理平台包括但不限于：音频管理系统、图像管理系统、信息管理系统至少一种。
请参阅图1至图3，本发明提供了一种基于无线电导航的森林资源调查监测方法，所述方法包括以下步骤：
步骤S1：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，基于多维图像数据集构建林业数字高程模型；
步骤S2：基于林业数字高程模型以及遥感数据集进行模型数据碎片化处理，生成精准碎片数据集；
步骤S3：获取无人机巡检起始坐标数据，基于精准碎片数据集以及无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据；
步骤S4：利用高空作业权重数据进行多维高低空博弈数据计算，生成多维高低空博弈数据，根据多维高低空博弈数据进行路径巡检，从而实现森林资源调查。
本发明提供了一种基于无线电的森林资源调查方法，该方法利用遥感数据集、林业资源市场数据和无人机进行多维图像数据采集，生成多维图像数据集，并基于该数据集构建林业数字高程模型，从而实现对森林资源的精准监测，通过将林业数字高程模型与遥感数据集进行碎片化处理，生成精准碎片数据集，再结合无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据，基于该数据，本发明可进行多维高低空博弈数据计算，并根据该数据进行路径巡检，从而实现对森林资源的高效调查，相比传统调查方法，本发明具有调查精度高、调查效率高、成本低等有益效果，通过将采集到的林业资源数据模型化，从模型数据角度在高空作业以及低空作业形成以高空作业带动低空作业协同进行森林资源调查与监测，通过预设的低空作业极值，在多维复杂情况下以较优效率进行森林资源调查与监测。
本发明实施例中，参考图1所述，为本发明一种基于无线电导航的森林资源调查监测方法及系统的步骤流程示意图，在本实例中，所述基于无线电导航的森林资源调查监测方法的步骤包括：
步骤S1：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，基于多维图像数据集构建林业数字高程模型；
本发明实施例中，例如获取森林资源数据集，其中森林资源数据集包括遥感数据集和林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，包括视觉图像、红外图像、无线电测距数据、无线电导航数据；并基于多维图像数据集构建林业数字高程模型，得到森林地形的三维数字化表示。
步骤S2：基于林业数字高程模型以及遥感数据集进行模型数据碎片化处理，生成精准碎片数据集；
本发明实施例中，例如获取林业数字高程模型以及遥感数据集，将林业数字高程模型和遥感数据集进行融合，以得到整体的林地资源分布状况，对整体的林地资源分布状况进行分类、标注，确定多种类林地资源的坐标及大小信息，根据确定的多种类林地样地信息，利用计算机视觉技术对其进行精准检测，并将其切割成小块作为碎片数据集；
步骤S3：获取无人机巡检起始坐标数据，基于精准碎片数据集以及无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据；
本发明实施例中，例如获取无人机巡检起始坐标数据，基于无人机巡检起始坐标数据，将无人机巡检起始坐标数据利用模型数据分析技术进行模型巡检起始点定位，对区域内的高空无人机进行权重数据获取处理，将获取到的高空无人机权重数据与精准碎片数据集进行综合分析，生成高空作业权重数据，通过基于无人机巡检起始坐标数据和精准碎片数据集进行区域高空无人机权重数据获取处理。
步骤S4：利用高空作业权重数据进行多维高低空博弈数据计算，生成多维高低空博弈数据，根据多维高低空博弈数据进行路径巡检，从而实现森林资源调查。
本发明实施例中，例如在获得高空作业权重数据后，通过获取预设的协同低空无人机极值，通过基于循环处理数据原理的多维高低空博弈公式，通过在协同低空无人机极值内循环对协同低空无人机进行取值，直至取至极值，通过获取多种数值状态下的高低空协同作业数据，进行多维高低空博弈数据计算，得到在多种类样地间基于样地特征数据的最佳巡检路线数据，根据最佳巡检路线数据实现森林资源调查监测。
在本说明书的一个实施例中，步骤S1的具体步骤为：
步骤S11：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据；
步骤S12：基于林业遥感技术进行森林资源调查，生成遥感数据集，遥感数据集包括林分结构数据以及生长状态数据；
步骤S13：利用无人机进行多维图像数据采集，生成多维图像数据集；
步骤S14：根据多维图像数据集进行林业数字高程模型构建，生成林业数字高程模型。
本发明通过林业遥感技术进行森林资源调查，基于调查获取的遥感数据集通过无人机进行多维图像数据采集，通过后续步骤将无线电导航、无线电测距技术搭建于无人机上，将定位数据转换，形成准确、全面的多维图像数据集，根据多维图像数据集进行林业数字高程模型构建，将收集的多维数据集转换为坐标数据，将多维图像数据集所负载的特征数据充分转化在数字高程模型上，为后续步骤提供基础数据。
本发明实施例中，例如获取林场森林资源数据集，所述遥感数据集和林业资源市场数据集分别指通过遥感技术获取的森立覆盖、植被类型、生长状态、林分结构、森林地形以及图例利用类型等数据以及林场树种相关市场信息数据，选取高空无人机并对无人机进行装备配置，使其实现无线电测距以及无线电导航，按照规定路线进行多维图像数据采集，生成多维图像数据集，根据多维图像数据集中的测距数据以及导航定位数据进行数字高程模型的搭建，从而生成林业数字高程模型。
本发明实施例中，参考图2所述，为步骤S13的详细实施步骤流程示意图，在本说明书的一个实施例中，所述步骤S13的详细实施步骤包括：
步骤S131：利用无人机进行林场测绘航拍，生成测绘图像集；
步骤S132：对测绘图像集进行图片去噪处理，生成标准测绘图像集；
步骤S133：根据标准测绘图像集进行特征提取处理，生成测绘图像特征数据；
步骤S134：基于无线电测距利用无人机进行航测数据收集处理，生成航测数据集；
步骤S135：基于无线电导航利用无人机进行飞行导航数据获取，生成飞行导航数据集；
步骤S136：根据测绘图像特征数据、航测数据集、飞行导航数据集进行数据绑定处理，生成多维图像数据集。
本发明通过对无人机搭载无线电导航、无线电测距功能，并以无人机航拍图像数据为基础进行测绘图像集建立，为后续数据处理提供准确、全面的数据支持，通过对测绘图像集进行图片去噪以及特征提取处理，提高测绘数据的采集效率和准确度，通过将基于无线电导航、无线电测距获取的飞行导航数据集以及航测数据集对测绘图像特征数据进行数据绑定处理，生成多维图像数据集，提供数据的综合利用效率，为林场管理规划提供更加全面、准确的数据支持。
本发明实施例中，例如利用无人机在预设的飞行区域内，搭载相机设备进行航拍任务，利用相机设备对飞行区域进行连续拍摄，获取图像数据集，将所得的图像数据集采用图像处理算法进行图像去噪处理，对处理后的图像进行质量评估和筛选，生成符合需求的标准测绘图像集，采用特征提取算法对标准测绘图像集进行特征提取，通过对比分析特征值，筛选出具有代表性的特征数据，根据筛选结果生成测绘图像特征数据集，对航测数据和飞行导航数据进行时间戳对其，确保数据之间的对应关系，利用测绘图像特征数据中提取的特征点与相应航测数据集中的地面特征进行匹配，建立特征点在地面坐标系中的位置关系，利用飞行导航数据集中的无人机位置信息以及航测数据集中的地面高度信息，计算出无人机相对于地面的位置信息，将上述处理结果整合，生成多维图像数据集。
本发明实施例中，参考图2所述，为步骤S2的详细实施步骤流程示意图，在本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：基于林业数字高程模型进行模型多方位图像采样处理，生成模型图像集；
步骤S22：根据模型图像集进行坐标参数获取处理，生成图像坐标集；
步骤S23：根据图像坐标集以及模型图像集进行模型数据集生成处理，生成模型数据集；
步骤S24：根据模型数据集进行模型图像数据拆分处理，生成碎片化模型图像数据集；
步骤S25：利用多态样地相似度分类计算公式对碎片化模型图像数据集、遥感数据集以及林业资源市场数据进行多态样地相似度分类计算处理，生成多类碎片相似度；
步骤S26：利用预设的多态样地相似度阈值对多类碎片相似度进行阈值比对处理，当多类碎片相似度大于多态样地相似度阈值时，标记为相似碎片数据集，当碎片化相似度小于多态样地相似度阈值时，标记为废弃碎片数据集；
步骤S27：基于非极大抑制法对相似碎片数据集进行重叠比对择取处理，生成无重叠碎片数据集；
步骤S28：基于回归算法对无重叠碎片数据集进行数据精准化处理，生成精准碎片数据集。
本发明中基于林业数字高程模型进行模型多方位图像采样处理，通过将林场模型化，从模型角度进行图像采集，提高采集图像的采集效率以及所采集图像的模型特征准确性，从模型角度对林场数据进行数据处理，通过将模型图像数据进行数据拆分处理，生成碎片化模型图像集，通过将图像数据碎片化，将数据细化至坐标维度，通过坐标数据进行数据分析，提高数据分析准度，为后续阈值比对处理提高数据筛选效率，基于回归算法对无重叠碎片数据集进行数据精准化处理，剔除碎片图像影响数据，减小数据处理误差。
本发明实施例中，例如利用图像采样技术进行多方位图像采样处理，生成包含多个角度和视角的具有模型特征的模型图像集，根据模型图像集进行坐标参数获取处理，利用定位定位设备获取各个视角下的图像坐标信息，并结合数字高程模型计算出每个像素点的三维坐标信息，从而生成图像坐标集，基于图像坐标集以及模型图像集，采用图像处理、计算机视觉技术，对林冠结构、植被覆盖率、地形起伏等信息进行提取和分析，进而生成完整的模型数据集，根据模型数据集，采用碎片化处理技术对模型图像数据进行拆分，生成包含多个小块的碎片化模型图像数据集，以便于后续的处理和应用，根据多态样地相似度分类计算公式，对碎片化模型图像数据集、遥感数据集以及林业资源市场数据进行多态样地相似度分类计算处理，具体地，首先将数据集转换为特征向量表示，然后计算不同数据样本之间的相似度，得到每个数据样本的多类碎片相似度，利用预设的多态样地相似度阈值，对多类碎片相似度进行比对处理。若某一数据样本的多类碎片相似度大于等于多态样地相似度阈值，则将该数据样本标记为相似碎片数据集；否则将其标记为废弃碎片数据集。最终输出标记后的相似碎片数据集和废弃碎片数据集。其中，多态样地相似度阈值的取值可根据实际需求进行设置，以达到最优分类效果，基于非极大抑制法对相似碎片数据集进行重叠比对择取处理，生成无重叠碎片数据集，基于回归算法对无重叠碎片数据集进行数据精准化处理，生成精准碎片数据集。
在本说明书的一个实施例中，步骤S25中的多态样地相似度分类计算公式具体为：
Figure SMS_53
；
T为多类碎片相似度，其中，多类碎片相似度T为一个由林分结构相似度
Figure SMS_54
以及模型地形相似度/>
Figure SMS_55
组成的多种类的相似度值的数据集，n为碎片化模型图像数据集大小，/>
Figure SMS_56
为碎片化模型图像数据集中以左上坐标点为原点的图像横坐标数据中的林分结构数据，/>
Figure SMS_57
为碎片化模型图像数据集中以左上坐标点为原点的图像纵坐标数据中的林分结构数据，k为遥感数据集中的生长状态数据，m为地形相似度调整系数，/>
Figure SMS_58
为所选取碎片化模型图像数据坐标数据的林分结构数据所对应的林业资源市场数据中的树种市场需求度，/>
Figure SMS_59
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的横坐标数据，/>
Figure SMS_60
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的纵坐标数据。
本发明提供一种多态样地相似度分类计算公式，该公式从林分结构、树种市场需求度、无线电导航数据、无线电测距数据角度，获取碎片数据集中碎片数据的多类碎片相似度，公式利用碎片化模型图像数据集中以左上坐标点为原点的图像横坐标数据中的林分结构数据
Figure SMS_62
、碎片化模型图像数据集中以左上坐标点为原点的图像纵坐标数据中的林分结构数据/>
Figure SMS_64
，根据碎片数据模型图像数据集中坐标数据中的林分结构数据以及遥感数据集中的生长状态数据k，通过对函数关系/>
Figure SMS_67
在碎片化模型图像数据集大小n范围内求和并进行开根，形成函数关系
Figure SMS_63
，从而获取林分结构相似度
Figure SMS_66
，通过地形相似度调整系数m、所选取碎片化模型图像数据坐标数据的林分结构数据所对应的林业资源市场数据中的树种市场需求度/>
Figure SMS_69
、所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的横坐标数据/>
Figure SMS_70
、所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的纵坐标数据/>
Figure SMS_61
之间的指数关系，形成函数关系/>
Figure SMS_65
，从而获取模型地形相似度/>
Figure SMS_68
。
在本说明书的一个实施例中，步骤S3的具体步骤为：
步骤S31：根据精准碎片数据集进行样地坐标数据提取，生成样地坐标数据；
步骤S32：获取无人机巡检起始坐标数据，基于无人机巡检起始坐标数据以及林业数字高程模型进行模型巡检起始点定位，生成模型检测起始坐标数据；
步骤S33：基于多维图像集、模型检测起始坐标数据以及样地坐标数据进行巡检坐标点部署，生成三维巡检测量数据；
步骤S34：获取巡检指标数据，基于巡检指标数据以及三维巡检测量数据利用指标权重计算公式进行区域高空无人机权重数据计算，生成高空作业权重数据。
本发明通过对精准碎片数据集样地坐标数据提取，通过对包含样地种类数据的样地坐标数据联结林业数字高程模型，通过对样地种类数据以及林业数字高程模型进行关系深挖，从而有效提取、处理和应用精准碎片数据集，生成准确的绘图坐标数据以及模型检测起始坐标数据，进而部署检查坐标点并计算检查测量，提高检测效率，通过利用指标权重计算公式进行区域高空无人机权重数据计算，获取高空作业权重数据，获取作为高空作业路线规划基础数据的高空作业权重数据，通过以权重数据指代路线特征数据。
本发明实施例中，例如根据精准碎片数据集，通过提取样地坐标数据，生成与森林区域相关的样地坐标数据，获取无人机巡检起始坐标数据，并基于林业数字高程模型进行模型巡检起始点定位，生成相应的模型检测起始坐标数据，根据多维图像集、模型检测起始坐标数据和样地坐标数据，进行巡检坐标点部署，从而生成所需的三维巡检测量数据，该部署过程包括但不限于：将样地坐标数据与模型检测起始坐标数据进行对比分析，确定最佳的巡检路径，将多维图像集与巡检路径进行匹配，确定巡检坐标点，在巡检坐标点处进行相应的测量和记录，生成三维巡检测量数据，获取巡检指标数据，基于巡检指标数据以及三维巡检测量数据利用指标权重计算公式进行区域高空无人机权重数据计算，生成高空作业权重数据。
在本说明书的一个实施例中，步骤S34中的指标权重计算公式具体为：
Figure SMS_71
；
其中，N为高空权重数据，
Figure SMS_72
为样地坐标数据中的样地种类系数，f为三维巡检测量数据中的样地坐标数据中坐标集数量，/>
Figure SMS_77
为三维巡检测量数据中样地坐标数据的横坐标，/>
Figure SMS_78
为三维巡检测量数据中样地坐标数据中的纵坐标，/>
Figure SMS_74
为三维巡检测量数据中样地坐标数据中的垂直坐标，/>
Figure SMS_75
为三维巡检测量数据中模型起始坐标数据的横坐标，/>
Figure SMS_79
为三维巡检测量数据中模型起始坐标数据中的纵坐标，/>
Figure SMS_80
为三维巡检测量数据中模型起始坐标数据中的垂直坐标，exp为自然指数函数，/>
Figure SMS_73
为选取样地坐标数据中坐标对应多维图像集中飞行导航数据集误差指数，/>
Figure SMS_76
为飞行导航误差调整值。
本发明提供了一种指标权重计算公式，该公式基于数据坐标以及坐标所附带的特征数据通过样地种类数据深挖，从样地种类数据中收集的无人机导航、测距数据进行数据计算，获取高空权重数据，公式根据样地坐标数据中的样地种类系数
Figure SMS_81
通过所获取的坐标数据所对应的样地种类利用相关数据，通过自然指数函数exp利用三维巡检测量数据中的样地坐标数据中坐标集数量f，通过获取三维巡检测量数据中样地坐标数据中的垂直坐标/>
Figure SMS_86
、三维巡检测量数据中模型起始坐标数据的横坐标/>
Figure SMS_88
、三维巡检测量数据中样地坐标数据中的纵坐标/>
Figure SMS_83
以及三维巡检测量数据中模型起始坐标数据中的纵坐标/>
Figure SMS_87
的乘积，形成函数关系/>
Figure SMS_89
，根据三维巡检测量数据中模型起始坐标数据中的垂直坐标/>
Figure SMS_91
以及三维巡检测量数据中样地坐标数据中的垂直坐标/>
Figure SMS_82
进行坐标特征数据运算联结/>
Figure SMS_85
形成函数关系/>
Figure SMS_90
，通过选取样地坐标数据中坐标对应多维图像集中飞行导航数据集误差指数/>
Figure SMS_92
利用飞行导航误差调整值/>
Figure SMS_84
进行误差调整，实现对指标权属数据的计算。
在本说明书的一个实施例中，步骤S4的具体步骤为：
步骤S41：基于三维巡检测量数据以及高空作业权重数据进行巡检输入数据模型构建，生成巡检输入数据模型；
步骤S42：获取巡检指标权重数据，利用巡检指标权重数据以及三维巡检测量数据进行模型连接权重数据建立，生成模型连接权重数据；
步骤S43：获取预设的协同低空无人机极值，基于巡检输入数据模型、模型连接权重数据以及协同低空无人机极值利用高低空协同博弈公式进行多维高低空博弈数据计算，生成多维高低空博弈数据；
步骤S44：基于多维高低空博弈数据利用普里姆算法构建高低空作业最小生成树，生成高低空作业最小生成树；
步骤S45：根据高低空作业最小生成树进行最优节点路径数据提取处理，生成最优巡检数据；
步骤S46：根据最优巡检数据利用高空作业无人机及低空作业无人机进行路径巡检，从而实现森林资源调查。
本发明利用三维巡检测量数据以及高空作业权重数据构建巡检输入数据模型，通过将巡检输入数据模型在巡检指标权重数据指导下联结三维巡检测量数据进行模型联结权重数据建立，通过权重数据实现高空作业数据权重分配，通过多维高低空博弈数据有效优化巡检作业规划调度，提高作业效率及质量，利用普里姆算法构建高空作业最小生成树，合理性规划无人机路径，并将高低空作业关联关系进行有效联结，实现低空作业以及高空作业的有效适配，提高巡检效率。
本发明实施例中，例如利用计算机处理系统对三维巡检测量数据和高空作业权重数据进行处理，构建巡检输入数据模型，所述计算机处理系统包括处理器、内存、输入设备和输出设备等组件，并且可以使用相关软件（例如MATLAB、Python等）来实现数据处理操作，获取巡检指标权重数据，利用巡检指标权重数据以及三维巡检测量数据进行模型连接权重数据建立，生成模型连接权重数据，获取预设的协同低空无人机极值，该极值用于多维高低空博弈数据计算。根据巡检输入数据模型和模型连接权重数据，以及协同低空无人机极值，运用高低空协同博弈公式进行多维高低空博弈数据计算，得到多维高低空博弈数据，利用普里姆算法基于多维高低空博弈数据构建高低空作业最小生成树，首先选择一个起始节点，然后依次加入其他节点并选择构成最小生成树的边，直至所有节点都被加入，即构建出高低空作业最小生成树，根据高低空作业最小生成树进行最优节点路径数据提取处理，生成最优巡检数据。根据高低空作业最小生成树的构建结果，从起始节点开始沿着最小生成树中的边遍历每个节点，形成最优的巡检路径，并提取相关的巡检数据。
在本说明书的一个实施例中，步骤S43中的高低空协同博弈公式具体为：
Figure SMS_93
；
Figure SMS_94
；
其中，W为多维高低空博弈数据，
Figure SMS_95
为协同低空无人机极值，f(x)为高低空作业关系函数，/>
Figure SMS_96
为巡检输入数据模型中坐标数据集选取坐标的横坐标，/>
Figure SMS_97
为巡检输入数据模型中坐标数据集选取坐标的纵坐标，/>
Figure SMS_98
为横纵坐标连接所形成的连接线对应模型连接权重数据，/>
Figure SMS_99
为低空协同作业系数。
本发明提供一种高低空协同博弈公式，该公式在预设的协同低空无人机极值范围内，利用数据协同关系通过循环数据探取操作，获取多维高低空博弈数据，该公式通过max极大值函数对范围内的高低空作业关系函数f(x)进行求取极大值，通过巡检输入数据模型中坐标数据集选取坐标的横坐标
Figure SMS_100
、巡检输入数据模型中坐标数据集选取坐标的纵坐标
Figure SMS_101
、横纵坐标连接所形成的连接线对应模型连接权重数据/>
Figure SMS_102
联结低空协同作业系数
Figure SMS_103
形成函数关系/>
Figure SMS_104
构建高低空作业关系函数f(x)，从而实现对多维高低空博弈数据的计算。
在本说明书的一个实施例中还提供了一种基于无线电导航的森林资源调查监测系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于无线电导航的森林资源调查监测方法。
本发明还提供一种基于无线电导航的森林资源调查监测系统，该系统能够实现本发明所述任意一种基于无线电导航的森林资源调查监测方法，实现数据的获取、运算、生成，通过对森林资源的图文信息获取，并对其中的图文信息按照已设计的指令顺序进行操作，生成林业数字高程模型，再通过数字分析技术将分析获取数据进行碎片化采集，将生成的碎片化数据进行数据，生成森林资源巡检数据，系统内部遵循设定的指令集完成方法运行步骤，推动完成基于无线电导航的森林资源调查监测方法。
本发明结合多学科多类型模型，提出一种基于无线电导航的森林资源调查监测方法，解决森林资源调查检测过程中数据反馈效率低、调查效率低的问题，实现基于数据分析的森林资源调查与监测，从森林资源样地种类划分角度入手进行数据处理，有效调查检测森林资源数据。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于无线电导航的森林资源调查监测方法，其特征在于，包括以下步骤：
步骤S1：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据，利用无人机进行多维图像数据采集，生成多维图像数据集，基于多维图像数据集构建林业数字高程模型；
步骤S2：基于林业数字高程模型以及遥感数据集进行模型数据碎片化处理，生成精准碎片数据集；
步骤S3：获取无人机巡检起始坐标数据，基于精准碎片数据集以及无人机巡检起始坐标数据进行区域高空无人机权重数据获取处理，生成高空作业权重数据；
步骤S4：利用高空作业权重数据进行多维高低空博弈数据计算，生成多维高低空博弈数据，根据多维高低空博弈数据进行路径巡检，从而实现森林资源调查。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取森林资源数据集，其中森林资源数据集包括遥感数据集、林业资源市场数据；
步骤S12：基于林业遥感技术进行森林资源调查，生成遥感数据集，遥感数据集包括林分结构数据以及生长状态数据；
步骤S13：利用无人机进行多维图像数据采集，生成多维图像数据集；
步骤S14：根据多维图像数据集进行林业数字高程模型构建，生成林业数字高程模型。
3.根据权利要求2所述的方法，其特征在于，步骤S13的具体步骤为：
步骤S131：利用无人机进行林场测绘航拍，生成测绘图像集；
步骤S132：对测绘图像集进行图片去噪处理，生成标准测绘图像集；
步骤S133：对标准测绘图像集进行特征提取处理，生成测绘图像特征数据；
步骤S134：基于无线电测距原理，利用无人机进行航测数据收集处理，生成航测数据集；
步骤S135：基于无线电导航并利用无人机进行飞行导航数据获取，生成飞行导航数据集；
步骤S136：对测绘图像特征数据、航测数据集、飞行导航数据集进行数据绑定处理，生成多维图像数据集。
4.根据权利要求2所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：基于林业数字高程模型进行模型多方位图像采样处理，生成模型图像集；
步骤S22：根据模型图像集进行坐标参数获取处理，生成图像坐标集；
步骤S23：根据图像坐标集以及模型图像集进行模型数据集生成处理，生成模型数据集；
步骤S24：根据模型数据集进行模型图像数据拆分处理，生成碎片化模型图像数据集；
步骤S25：利用多态样地相似度分类计算公式对碎片化模型图像数据集、遥感数据集以及林业资源市场数据进行多态样地相似度分类计算处理，生成多类碎片相似度；
步骤S26：利用预设的多态样地相似度阈值对多类碎片相似度进行阈值比对处理，当多类碎片相似度大于多态样地相似度阈值时，标记为相似碎片数据集，当碎片化相似度小于多态样地相似度阈值时，标记为废弃碎片数据集；
步骤S27：基于非极大抑制法对相似碎片数据集进行重叠比对择取处理，生成无重叠碎片数据集；
步骤S28：基于回归算法对无重叠碎片数据集进行数据精准化处理，生成精准碎片数据集。
5.根据权利要求4所述的方法，其特征在于，步骤S25中的多态样地相似度分类计算公式具体为：
Figure QLYQS_1
；
T为多类碎片相似度，
Figure QLYQS_2
为林分结构相似度，/>
Figure QLYQS_3
为模型地形相似度，n为碎片化模型图像数据集大小，/>
Figure QLYQS_4
为碎片化模型图像数据集中以左上坐标点为原点的图像横坐标数据中的林分结构数据，/>
Figure QLYQS_5
为碎片化模型图像数据集中以左上坐标点为原点的图像纵坐标数据中的林分结构数据，k为遥感数据集中的生长状态数据，m为地形相似度调整系数，/>
Figure QLYQS_6
为所选取碎片化模型图像数据坐标数据的林分结构数据所对应的林业资源市场数据中的树种市场需求度，/>
Figure QLYQS_7
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的横坐标数据，/>
Figure QLYQS_8
为所选取碎片化模型图像数据集坐标数据对应遥感数据集中根据无线电测距以及无线电导航生成的纵坐标数据。
6.根据权利要求1所述的方法，其特征在于，步骤S3中的具体步骤为：
步骤S31：根据精准碎片数据集进行样地坐标数据提取，生成样地坐标数据；
步骤S32：获取无人机巡检起始坐标数据，基于无人机巡检起始坐标数据以及林业数字高程模型进行模型巡检起始点定位，生成模型检测起始坐标数据；
步骤S33：基于多维图像集、模型检测起始坐标数据以及样地坐标数据进行巡检坐标点部署，生成三维巡检测量数据；
步骤S34：获取巡检指标数据，基于巡检指标数据以及三维巡检测量数据利用指标权重计算公式进行区域高空无人机权重数据计算，生成高空作业权重数据。
7.根据权利要求6的方法，其特征在于，步骤S34中的指标权重计算公式具体为：
Figure QLYQS_9
；
其中，N为高空权重数据，
Figure QLYQS_11
为样地坐标数据中的样地种类系数，f为三维巡检测量数据中的样地坐标数据中坐标集数量，/>
Figure QLYQS_14
为三维巡检测量数据中样地坐标数据的横坐标，/>
Figure QLYQS_16
为三维巡检测量数据中样地坐标数据中的纵坐标，/>
Figure QLYQS_12
为三维巡检测量数据中样地坐标数据中的垂直坐标，/>
Figure QLYQS_15
为三维巡检测量数据中模型起始坐标数据的横坐标，/>
Figure QLYQS_17
为三维巡检测量数据中模型起始坐标数据中的纵坐标，/>
Figure QLYQS_18
为三维巡检测量数据中模型起始坐标数据中的垂直坐标，exp为自然指数函数，/>
Figure QLYQS_10
为选取样地坐标数据中坐标对应多维图像集中飞行导航数据集误差指数，/>
Figure QLYQS_13
为飞行导航误差调整值。
8.根据权利要求1的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：基于三维巡检测量数据以及高空作业权重数据进行巡检输入数据模型构建，生成巡检输入数据模型；
步骤S42：获取巡检指标权重数据，利用巡检指标权重数据以及三维巡检测量数据进行模型连接权重数据建立，生成模型连接权重数据；
步骤S43：获取预设的协同低空无人机极值，基于巡检输入数据模型、模型连接权重数据以及协同低空无人机极值利用高低空协同博弈公式进行多维高低空博弈数据计算，生成多维高低空博弈数据；
步骤S44：基于多维高低空博弈数据利用普里姆算法构建高低空作业最小生成树，生成高低空作业最小生成树；
步骤S45：根据高低空作业最小生成树进行最优节点路径数据提取处理，生成最优巡检数据；
步骤S46：根据最优巡检数据利用高空作业无人机及低空作业无人机进行路径巡检，从而实现森林资源调查。
9.根据权利要求8的方法，其特征在于，步骤S43中的高低空协同博弈公式具体为：
Figure QLYQS_19
；
Figure QLYQS_20
；
其中，W为多维高低空博弈数据，
Figure QLYQS_21
为协同低空无人机极值，f(x)为高低空作业关系函数，/>
Figure QLYQS_22
为巡检输入数据模型中坐标数据集选取坐标的横坐标，/>
Figure QLYQS_23
为巡检输入数据模型中坐标数据集选取坐标的纵坐标，/>
Figure QLYQS_24
为横纵坐标连接所形成的连接线对应模型连接权重数据，/>
Figure QLYQS_25
为低空协同作业系数。
10.一种基于无线电导航的森林资源调查监测系统，其特征在于，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1至9中任一项的基于无线电导航的森林资源调查监测方法。
CN202310496421.7A 2023-05-05 2023-05-05 一种基于无线电导航的森林资源调查监测方法及系统 Active CN116205394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310496421.7A CN116205394B (zh) 2023-05-05 2023-05-05 一种基于无线电导航的森林资源调查监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310496421.7A CN116205394B (zh) 2023-05-05 2023-05-05 一种基于无线电导航的森林资源调查监测方法及系统

Publications (2)

Publication Number Publication Date
CN116205394A true CN116205394A (zh) 2023-06-02
CN116205394B CN116205394B (zh) 2023-07-14

Family

ID=86517694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310496421.7A Active CN116205394B (zh) 2023-05-05 2023-05-05 一种基于无线电导航的森林资源调查监测方法及系统

Country Status (1)

Country Link
CN (1) CN116205394B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704037A (zh) * 2023-08-08 2023-09-05 南京遇简信息科技有限公司 一种基于图像处理技术的卫星失锁重定位方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808309A (zh) * 2014-03-04 2014-05-21 北京林业大学 一种无人机三维航空摄影测树方法
CN104867180A (zh) * 2015-05-28 2015-08-26 南京林业大学 一种集成uav与lidar的森林林分特征反演方法
CN107967714A (zh) * 2017-11-24 2018-04-27 南京林业大学 一种通过无人机数字高程模型自动提取森林郁闭度的方法
CN108052914A (zh) * 2017-12-21 2018-05-18 中国科学院遥感与数字地球研究所 一种基于slam和图像识别的森林林木资源调查方法
CN109029422A (zh) * 2018-07-10 2018-12-18 北京木业邦科技有限公司 一种多无人机协作构建三维调查地图的方法和装置
CN110991335A (zh) * 2019-11-29 2020-04-10 福州大学 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN111444774A (zh) * 2020-02-26 2020-07-24 山西林业职业技术学院 一种基于无人机航测技术的森林资源监测方法
CN111460064A (zh) * 2020-03-25 2020-07-28 深圳市百纳九洲科技有限公司 二三维gis服务平台
CN112949602A (zh) * 2021-04-12 2021-06-11 辽宁工程技术大学 无人机可见光影像森林类型分类方法
KR102303783B1 (ko) * 2021-01-26 2021-09-23 대한민국 드론을 활용한 사면붕괴를 포함한 재난사고 현장정보 취득 및 분석 방법과 시스템
US20210358206A1 (en) * 2020-05-14 2021-11-18 Star Institute Of Intelligent Systems Unmanned aerial vehicle navigation map construction system and method based on three-dimensional image reconstruction technology
CN114280649A (zh) * 2021-12-29 2022-04-05 西安蓝图地理科技股份有限公司 一种综合型地理信息数据处理系统
CN115577795A (zh) * 2022-09-22 2023-01-06 杭州浮云网络科技有限公司 策略模型优化方法、装置及存储介质
US11594015B1 (en) * 2022-07-26 2023-02-28 Finite Carbon Corporation Detecting changes in forest composition

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808309A (zh) * 2014-03-04 2014-05-21 北京林业大学 一种无人机三维航空摄影测树方法
CN104867180A (zh) * 2015-05-28 2015-08-26 南京林业大学 一种集成uav与lidar的森林林分特征反演方法
CN107967714A (zh) * 2017-11-24 2018-04-27 南京林业大学 一种通过无人机数字高程模型自动提取森林郁闭度的方法
CN108052914A (zh) * 2017-12-21 2018-05-18 中国科学院遥感与数字地球研究所 一种基于slam和图像识别的森林林木资源调查方法
CN109029422A (zh) * 2018-07-10 2018-12-18 北京木业邦科技有限公司 一种多无人机协作构建三维调查地图的方法和装置
CN110991335A (zh) * 2019-11-29 2020-04-10 福州大学 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN111444774A (zh) * 2020-02-26 2020-07-24 山西林业职业技术学院 一种基于无人机航测技术的森林资源监测方法
CN111460064A (zh) * 2020-03-25 2020-07-28 深圳市百纳九洲科技有限公司 二三维gis服务平台
US20210358206A1 (en) * 2020-05-14 2021-11-18 Star Institute Of Intelligent Systems Unmanned aerial vehicle navigation map construction system and method based on three-dimensional image reconstruction technology
KR102303783B1 (ko) * 2021-01-26 2021-09-23 대한민국 드론을 활용한 사면붕괴를 포함한 재난사고 현장정보 취득 및 분석 방법과 시스템
CN112949602A (zh) * 2021-04-12 2021-06-11 辽宁工程技术大学 无人机可见光影像森林类型分类方法
CN114280649A (zh) * 2021-12-29 2022-04-05 西安蓝图地理科技股份有限公司 一种综合型地理信息数据处理系统
US11594015B1 (en) * 2022-07-26 2023-02-28 Finite Carbon Corporation Detecting changes in forest composition
CN115577795A (zh) * 2022-09-22 2023-01-06 杭州浮云网络科技有限公司 策略模型优化方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛沂新;: "无人机遥感在林业调查领域的应用", 吉林林业科技, no. 03, pages 38 - 40 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704037A (zh) * 2023-08-08 2023-09-05 南京遇简信息科技有限公司 一种基于图像处理技术的卫星失锁重定位方法及系统
CN116704037B (zh) * 2023-08-08 2024-01-05 南京遇简信息科技有限公司 一种基于图像处理技术的卫星失锁重定位方法及系统

Also Published As

Publication number Publication date
CN116205394B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Chen et al. Applicability of personal laser scanning in forestry inventory
KR100884100B1 (ko) 항공 레이저 측량을 이용한 수목 캐노피 추출 시스템 및 방법
Liu et al. LiDAR-derived high quality ground control information and DEM for image orthorectification
Polat et al. An experimental analysis of digital elevation models generated with Lidar Data and UAV photogrammetry
JP7077961B2 (ja) 画像解析装置、画像解析方法及びプログラム
JP5542530B2 (ja) サンプリング位置決定装置
Zeybek Classification of UAV point clouds by random forest machine learning algorithm
CN116205394B (zh) 一种基于无线电导航的森林资源调查监测方法及系统
KR100948099B1 (ko) 항공 레이저 측량을 이용한 식생의 면적 산출 시스템 및 방법
CN114003981B (zh) 一种基于时空一体数字地球的电磁频谱可视化分析方法
CN112445241A (zh) 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质
CN114942013B (zh) 用于地形信息采集的遥感无人机
McGaughey et al. Direct measurement of individual tree characteristics from LIDAR data
CN117272191B (zh) 一种城市地下空间智能测绘方法及系统
Jing et al. Efficient point cloud corrections for mobile monitoring applications using road/rail-side infrastructure
Zhang et al. A tree detection method based on trunk point cloud section in dense plantation forest using drone LiDAR data
Calou et al. Estimation of maize biomass using unmanned aerial vehicles
James SfM-MVS PhotoScan image processing exercise
Mtui Tropical rainforest above ground biomass and carbon stock estimation for upper and lower canopies using terrestrial laser scanner and canopy height model from unmanned aerial vehicle (UAV) imagery in Ayer-Hitam, Malaysia
US20220172306A1 (en) Automated mobile field scouting sensor data and image classification devices
Tang et al. Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data
CN110617800A (zh) 基于民航客机的应急遥感监测方法、系统及存储介质
Hoffmann et al. From UAS Data Acquisition to Actionable Information–How an End-to-End Solution Helps Oil Palm Plantation Operators to Perform a More Sustainable Plantation Management
Caradonna et al. Geomatic techniques for disseminating processed remotely sensed open data in an interactive WebGIS
KR102384334B1 (ko) 재배지의 작물 정보 제공 장치 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant