CN117593670A - 用于森林资源智能调查和监测的方法及系统 - Google Patents
用于森林资源智能调查和监测的方法及系统 Download PDFInfo
- Publication number
- CN117593670A CN117593670A CN202311572156.2A CN202311572156A CN117593670A CN 117593670 A CN117593670 A CN 117593670A CN 202311572156 A CN202311572156 A CN 202311572156A CN 117593670 A CN117593670 A CN 117593670A
- Authority
- CN
- China
- Prior art keywords
- resource
- channel
- monitoring
- forest
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 224
- 238000011835 investigation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 182
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 45
- 230000008447 perception Effects 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Botany (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Wood Science & Technology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了用于森林资源智能调查和监测的方法及系统，涉及智能监测技术领域，所述方法包括：基于无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合，再将所述无人机节点监测数据流集合分别与部署的资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合，进而基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合，以此将其中的各资源特征信息进行融合，确定森林资源调查信息结果。达到实现无人机智能化全面资源监测，提高森林资源监测全面性和监测效率，且实现数据多通道同步处理，提高监测数据处理准确性和处理及时性的技术效果。
Description
技术领域
本发明涉及智能监测技术领域，尤其涉及用于森林资源智能调查和监测的方法及系统。
背景技术
森林资源是林地及其所生长的森林有机体的总称，以林木资源为主，还包括林中和林下植物、野生动物、土壤微生物及其他自然环境因子等资源。通过对森林资源的调查监测，可及时发现森林资源的破坏、过度开采等问题，为有效的资源保护措施提供依据，有助于保护和恢复森林生态系统的平衡，从而保障生态安全。然而，现有森林资源调查监测主要依赖人工实地勘察，工作量大，效率低，且由于环境复杂，存在数据不准确、不及时的问题。
发明内容
本申请通过提供用于森林资源智能调查和监测的方法及系统，解决了现有技术森林资源调查监测效率低，且数据不准确、不及时的技术问题，达到实现无人机智能化全面资源监测，提高森林资源监测全面性和监测效率，且实现数据多通道同步处理，提高监测数据处理准确性和处理及时性的技术效果。
鉴于上述问题，本发明提供了用于森林资源智能调查和监测的方法及系统。
第一方面，本申请提供了用于森林资源智能调查和监测的方法，所述方法包括：获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
另一方面，本申请还提供了用于森林资源智能调查和监测的系统，所述系统包括：无人机监测设备获取模块，用于获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；监测阵列布设模块，用于依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；森林区域资源监测模块，用于基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；多通道映射匹配模块，用于部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；资源数据处理模块，用于基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；资源调查信息结果确定模块，用于将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了依据森林分布区域对无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；将所述无人机节点监测数据流集合分别与部署的资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合，进而基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，将处理所得的森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果的技术方案。进而达到实现无人机智能化全面资源监测，提高森林资源监测全面性和监测效率，且实现数据多通道同步处理，提高监测数据处理准确性和处理及时性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请用于森林资源智能调查和监测的方法的流程示意图；
图2为本申请用于森林资源智能调查和监测的方法中部署资源数据处理多通道的流程示意图；
图3为本申请用于森林资源智能调查和监测的系统的结构示意图；
图4为本申请示例性电子设备的结构示意图。
附图标记说明：无人机监测设备获取模块11，监测阵列布设模块12，森林区域资源监测模块13，多通道映射匹配模块14，资源数据处理模块15，资源调查信息结果确定模块16，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一：如图1所示，本申请提供了用于森林资源智能调查和监测的方法，所述方法包括：
步骤S1：获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；
步骤S2：依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；
具体的，为实现森林资源智能化调查监测，同时为适应森林资源监测复杂环境，采用无人机监测设备用于森林资源全面监测。为提高无人机的监测全面精确性和监测数据采集量，对所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器等多种传感器，以进行多类型监测数据采集。通过森林管理系统可获取待监测森林的分布区域信息，再依据森林分布区域对所述无人机监测设备进行监测阵列布设，即将森林分布区域按照面积、地形等因素划分为多个区域，并按照多个划分区域情况进行无人机监测阵列确定，无人机监测阵列包括无人机设备数量以及组成布局等参数。通过多个划分区域的无人机监测设备阵列集合组成得到无人机监测阵列端点网络，所述无人机监测阵列端点网络用于对森林资源进行数据监测采集，确保无人机监测全面覆盖整个森林区域。
步骤S3：基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；
具体的，基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取各无人机监测设备阵列采集得到的无人机节点监测数据流集合，所述无人机节点监测数据流集合包括森林资源图像数据流、资源红外热图像数据流以及雷达点云数据流等，提高森林资源监测数据类型以及监测数据量，进而提高资源数据监测全面性。
步骤S4：部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；
如图2所示，进一步而言，所述部署资源数据处理多通道，本申请步骤还包括：
设置资源数据处理因素，所述资源数据处理因素包括数据预处理因素和资源特征识别因素；
基于所述无人机监测阵列端点网络进行数据结构化分类，确定监测端点结构化数据属性信息和监测端点非结构化数据属性信息；
依据所述监测端点结构化数据属性信息和监测端点非结构化数据属性信息进行通道架构部署，得到多通道数据感知架构信息；
基于所述资源数据处理因素对所述多通道数据感知架构信息进行通道因素节点配置，得到所述资源数据处理多通道。
进一步而言，所述得到所述资源数据处理多通道，本申请步骤还包括：
根据所述多通道数据感知架构信息，确定结构化数据感知处理通道和非结构化数据感知处理通道；
基于所述资源数据处理因素对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行因素节点分析，生成结构化通道因素节点和非结构化通道因素节点；
依据所述结构化通道因素节点和所述非结构化通道因素节点对所述结构化数据感知处理通道和所述结构化数据感知处理通道依次进行通道节点配置，确定资源数据处理结构化通道和资源数据处理非结构化通道；
基于所述资源数据处理结构化通道和资源数据处理非结构化通道，组成所述资源数据处理多通道。
进一步而言，所述生成结构化通道因素节点和非结构化通道因素节点，本申请步骤还包括：
获取资源数据因素任务特征库，所述资源数据因素任务特征库包括资源数据预处理特征任务集和资源识别特征任务集；
对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行任务需求分析，获得结构化通道任务需求特征信息和非结构化通道任务需求特征信息；
将所述结构化通道任务需求特征信息和非结构化通道任务需求特征信息与所述资源数据因素任务特征库进行特征匹配，确定所述结构化通道因素节点和非结构化通道因素节点。
具体的，为提高监测数据处理效率，可设置资源数据处理并行多通道。多通道具体部署流程为首先设置资源数据处理因素，所述资源数据处理因素为无人机监测数据的处理流程类型，包括数据预处理因素，用于进行监测数据预处理；和资源特征识别因素，用于进行监测数据的资源种类、数量、分布等特征识别。基于所述无人机监测阵列端点网络进行数据结构化分类，确定结构化特征分类后的监测端点结构化数据属性信息，即具有固定格式和规则的数据，包括点云数据、信号数据等数值型数据；和监测端点非结构化数据属性信息，即无法用固定结构来逻辑表达实现的数据，包括可见光图像数据、红外图像数据等。依据所述监测端点结构化数据属性信息和监测端点非结构化数据属性信息进行通道架构部署，即按照数据结构化特征进行数据处理通道的基础架构部署，得到多通道数据感知架构信息，所述多通道数据感知架构信息包括结构化数据处理通道和非结构化数据处理通道，用于对不同结构化特征的监测数据进行并行处理。
基于所述资源数据处理因素对所述多通道数据感知架构信息进行通道因素节点配置，即依据数据处理流程类型进行通道具体处理节点设置。首先根据所述多通道数据感知架构信息，确定其基础架构包含的结构化数据感知处理通道和非结构化数据感知处理通道。再基于所述资源数据处理因素对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行因素节点分析，通过森林资源数据处理需求获取资源数据因素任务特征库，所述资源数据因素任务特征库为各森林资源数据处理特征类型的数据处理模型或算法，可通过历史森林资源数据进行模型学习训练或相关算法配置，包括资源数据预处理特征任务集，即资源监测结构化数据和资源监测非结构化数据的预处理步骤算法任务，例如结构化数据预处理步骤任务包括归一化、数据清洗等，非结构化数据预处理步骤任务包括图像去噪、均衡化等；和资源识别特征任务集，即监测数据的森林资源特征识别任务模型集合，例如资源类型特征、资源分布特征、资源数量特征等识别模型。
对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行任务需求分析，即按照资源监测数据采集类型对数据感知处理通道分别进行数据处理需求确定，以此获得结构化通道任务需求特征信息，例如雷达数据的任务需求包括资源距离、资源方向、森林气象等识别需求特征；和非结构化通道任务需求特征信息，例如红外可见光的任务需求包括资源类型、资源分布、资源尺寸等识别需求特征。将所述结构化通道任务需求特征信息和非结构化通道任务需求特征信息与所述资源数据因素任务特征库进行特征匹配，确定与数据处理特征相匹配的结构化通道因素节点，包括结构化数据预处理节点和结构化数据资源特征识别任务节点；和非结构化通道因素节点，包括非结构化数据预处理节点和非结构化数据资源特征识别任务节点。
依据所述结构化通道因素节点和所述非结构化通道因素节点对所述结构化数据感知处理通道和所述结构化数据感知处理通道依次进行通道节点配置，即依据通道因素节点对数据感知通道的数据处理流程节点进行细化配置，以此确定资源数据处理结构化通道和资源数据处理非结构化通道。并基于所述资源数据处理结构化通道和资源数据处理非结构化通道，组成资源数据处理多通道，以用于分别处理无人机传感器网络采集的结构化监测数据和非结构化监测数据。进而将监测采集的所述无人机节点监测数据流集合分别与部署的所述资源数据处理多通道进行映射匹配，即按照监测数据流的结构化类型与资源数据处理多通道进行匹配，再将数据流分别映射至与其相匹配的数据处理通道，以此确定数据流映射整合后的多通道目标监测数据流集合。实现资源监测数据的多通道并行处理和多通道处理节点需求配置，提高多通道数据处理精确性和数据处理效率。
步骤S5：基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；
进一步而言，所述获得森林资源特征信息集合，本申请步骤还包括：
根据所述多通道目标监测数据流集合，确定非结构化图像数据流、非结构化红外图像数据流和结构化雷达点云数据流；
基于所述资源数据处理多通道对所述结构化雷达点云数据流进行数据预处理、特征识别，获得森林雷达资源特征信息；
通过所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理、图像融合识别，确定森林图像资源特征信息；
基于所述森林雷达资源特征信息和所述森林图像资源特征信息，得到所述森林资源特征信息集合。
进一步而言，所述确定森林图像资源特征信息，本申请步骤还包括：
基于所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理，得到标准可见光图像数据流和标准红外图像数据流；
分别对所述标准可见光图像数据流和标准红外图像数据流进行多尺度分解，确定可见光小波变换系数和红外小波变换系数；
基于所述可见光小波变换系数和红外小波变换系数进行图像频域划分、频域融合，生成融合图像特征变换系数；
对所述融合图像特征变换系数进行多尺度变换，得到可见光红外融合图像数据流，基于所述可见光红外融合图像数据流进行资源特征识别，确定所述森林图像资源特征信息。
具体的，基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，首先根据所述多通道目标监测数据流集合，按照采集来源分类确定其中的非结构化图像数据流、非结构化红外图像数据流和结构化雷达点云数据流。再基于所述资源数据处理多通道中的资源数据处理结构化通道对所述结构化雷达点云数据流进行通道节点中的数据预处理和资源特征识别步骤，处理获得森林雷达资源特征信息，所述森林雷达资源特征信息包括资源距离、资源方向、森林气象等资源特征。同时通过所述资源数据处理多通道中的资源数据处理非结构化通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理，得到图像滤波去噪、均衡化等预处理后的标准可见光图像数据流和标准红外图像数据流。
可采用离散小波变换或多级小波变换对分别对所述标准可见光图像数据流和标准红外图像数据流进行多尺度分解，将图像分解到不同的尺度空间，分别确定可见光小波变换系数和红外小波变换系数，小波变换系数为不同分辨率下的图像特征，能够更全面地描述和表达图像的信息。基于所述可见光小波变换系数和红外小波变换系数进行图像频域划分，分别得到可见光图像和红外图像的低频部分小波系数和高频部分小波系数，低频部分反映了图像的基本特征，而高频部分则包含了图像的细节信息。进而对可见光和红外的小波系数进行频域融合，对于图像低频部分可采用平均的线性融合规则进行可见光和红外图像融合，对于高频部分可采用区域相关性方差的融合规则进行可见光和红外图像融合，以此生成小波系数融合后的融合图像特征变换系数。再通过离散小波逆变换等方式对所述融合图像特征变换系数进行多尺度逆变换，得到反向变换后的可见光红外融合图像数据流，所述可见光红外融合图像数据流为具有更高清晰度和信息量的可见光红外融合图像。
基于所述可见光红外融合图像数据流进行资源特征识别，通过资源数据处理非结构化通道识别处理确定森林图像资源特征信息，所述森林图像资源特征信息包括资源类型、资源分布、资源尺寸等。进而基于所述森林雷达资源特征信息和所述森林图像资源特征信息，组成得到森林资源特征信息集合，所述森林资源特征信息集合为无人机监测阵列端点网络采集监测数据的森林资源识别特征集合。实现无人机智能化全面资源监测，提高森林资源监测全面性和监测效率，且实现数据多通道同步处理，提高监测数据处理准确性和处理及时性。
步骤S6：将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
进一步而言，本申请步骤还包括：
按照预设采集频次对所述目标森林区域进行定期资源监测，获取森林资源时序调查信息集合；
基于所述森林资源调查信息结果和所述森林资源时序调查信息集合进行资源变化统计，得到森林资源变化趋势图；
基于所述森林资源变化趋势图进行巡检分析，确定森林资源巡检参数信息，并基于所述森林资源巡检参数信息进行资源动态监测管控。
具体的，将所述森林资源特征信息集合中的各资源特征信息进行融合，即将无人机监测阵列端点网络所监测采集的各区域森林资源特征进行拼接整合，组成确定森林资源调查信息结果，所述森林资源调查信息结果为整合后目标森林区域的所有资源特征调查信息集合，包括资源类型、资源分布、资源尺寸、分布位置等特征信息。
为确保森林资源全面管理控制，可依据森林资源分布特征经验设置信息采集频次，按照预设采集频次对所述目标森林区域进行定期资源监测，其监测方式与上述智能化森林资源监测步骤相同，通过数据多通道处理获取森林资源时序调查信息集合，所述森林资源时序调查信息集合为按照采集时段进行顺序排列的森林资源特征调查信息集合。基于所述森林资源调查信息结果和所述森林资源时序调查信息集合进行资源变化统计，可通过森林资源分布变化情况进行图表绘制，得到森林资源变化趋势图，所述森林资源变化趋势图为展现资源分布变化情况的可视化趋势图表。
进而基于所述森林资源变化趋势图进行巡检分析，通过森林资源监管专家经验确定森林资源巡检参数信息，所述森林资源巡检参数信息包括巡检频次、巡检重点区域等，对其中资源变化趋势较大的区域和资源进行加强巡检，并基于所述森林资源巡检参数信息进行资源动态监测管控。实现森林资源全面管理控制，加强森林资源巡检监管，进而提高森林资源把控精确性。
综上所述，本申请所提供的用于森林资源智能调查和监测的方法及系统具有如下技术效果：
由于采用了依据森林分布区域对无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；将所述无人机节点监测数据流集合分别与部署的资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合，进而基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，将处理所得的森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果的技术方案。进而达到实现无人机智能化全面资源监测，提高森林资源监测全面性和监测效率，且实现数据多通道同步处理，提高监测数据处理准确性和处理及时性的技术效果。
实施例二：基于与前述实施例中用于森林资源智能调查和监测的方法同样发明构思，本发明还提供了用于森林资源智能调查和监测的系统，如图3所示，所述系统包括：
无人机监测设备获取模块11，用于获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；
监测阵列布设模块12，用于依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；
森林区域资源监测模块13，用于基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；
多通道映射匹配模块14，用于部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；
资源数据处理模块15，用于基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；
资源调查信息结果确定模块16，用于将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
进一步的，所述系统还包括：
数据处理因素设置单元，用于设置资源数据处理因素，所述资源数据处理因素包括数据预处理因素和资源特征识别因素；
数据结构化分类单元，用于基于所述无人机监测阵列端点网络进行数据结构化分类，确定监测端点结构化数据属性信息和监测端点非结构化数据属性信息；
通道架构部署单元，用于依据所述监测端点结构化数据属性信息和监测端点非结构化数据属性信息进行通道架构部署，得到多通道数据感知架构信息；
因素节点配置单元，用于基于所述资源数据处理因素对所述多通道数据感知架构信息进行通道因素节点配置，得到所述资源数据处理多通道。
进一步的，所述系统还包括：
感知处理通道确定单元，用于根据所述多通道数据感知架构信息，确定结构化数据感知处理通道和非结构化数据感知处理通道；
因素节点分析单元，用于基于所述资源数据处理因素对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行因素节点分析，生成结构化通道因素节点和非结构化通道因素节点；
通道节点配置单元，用于依据所述结构化通道因素节点和所述非结构化通道因素节点对所述结构化数据感知处理通道和所述结构化数据感知处理通道依次进行通道节点配置，确定资源数据处理结构化通道和资源数据处理非结构化通道；
数据处理多通道组成单元，用于基于所述资源数据处理结构化通道和资源数据处理非结构化通道，组成所述资源数据处理多通道。
进一步的，所述系统还包括：
任务特征库获取单元，用于获取资源数据因素任务特征库，所述资源数据因素任务特征库包括资源数据预处理特征任务集和资源识别特征任务集；
任务需求分析单元，用于对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行任务需求分析，获得结构化通道任务需求特征信息和非结构化通道任务需求特征信息；
任务特征匹配单元，用于将所述结构化通道任务需求特征信息和非结构化通道任务需求特征信息与所述资源数据因素任务特征库进行特征匹配，确定所述结构化通道因素节点和非结构化通道因素节点。
进一步的，所述系统还包括：
数据流确定单元，用于根据所述多通道目标监测数据流集合，确定非结构化图像数据流、非结构化红外图像数据流和结构化雷达点云数据流；
雷达资源特征获得单元，用于基于所述资源数据处理多通道对所述结构化雷达点云数据流进行数据预处理、特征识别，获得森林雷达资源特征信息；
图像资源特征确定单元，用于通过所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理、图像融合识别，确定森林图像资源特征信息；
资源特征信息集合获得单元，用于基于所述森林雷达资源特征信息和所述森林图像资源特征信息，得到所述森林资源特征信息集合。
进一步的，所述系统还包括：
数据预处理单元，用于基于所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理，得到标准可见光图像数据流和标准红外图像数据流；
多尺度分解单元，用于分别对所述标准可见光图像数据流和标准红外图像数据流进行多尺度分解，确定可见光小波变换系数和红外小波变换系数；
特征变换系数生成单元，用于基于所述可见光小波变换系数和红外小波变换系数进行图像频域划分、频域融合，生成融合图像特征变换系数；
资源特征识别单元，用于对所述融合图像特征变换系数进行多尺度变换，得到可见光红外融合图像数据流，基于所述可见光红外融合图像数据流进行资源特征识别，确定所述森林图像资源特征信息。
进一步的，所述系统还包括：
定期资源监测单元，用于按照预设采集频次对所述目标森林区域进行定期资源监测，获取森林资源时序调查信息集合；
资源变化统计单元，用于基于所述森林资源调查信息结果和所述森林资源时序调查信息集合进行资源变化统计，得到森林资源变化趋势图；
资源动态监测管控单元，用于基于所述森林资源变化趋势图进行巡检分析，确定森林资源巡检参数信息，并基于所述森林资源巡检参数信息进行资源动态监测管控。
前述图1实施例一中的用于森林资源智能调查和监测的方法的各种变化方式和具体实例同样适用于本实施例的用于森林资源智能调查和监测的系统，通过前述对用于森林资源智能调查和监测的方法的详细描述，本领域技术人员可以清楚的知道本实施例中用于森林资源智能调查和监测的系统的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本申请还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图4所示，本申请还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本申请中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本申请不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本申请中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解，本申请中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.用于森林资源智能调查和监测的方法，其特征在于，所述方法包括：
获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；
依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；
基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；
部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；
基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；
将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
2.如权利要求1所述的方法，其特征在于，所述部署资源数据处理多通道，包括：
设置资源数据处理因素，所述资源数据处理因素包括数据预处理因素和资源特征识别因素；
基于所述无人机监测阵列端点网络进行数据结构化分类，确定监测端点结构化数据属性信息和监测端点非结构化数据属性信息；
依据所述监测端点结构化数据属性信息和监测端点非结构化数据属性信息进行通道架构部署，得到多通道数据感知架构信息；
基于所述资源数据处理因素对所述多通道数据感知架构信息进行通道因素节点配置，得到所述资源数据处理多通道。
3.如权利要求2所述的方法，其特征在于，所述得到所述资源数据处理多通道，包括：
根据所述多通道数据感知架构信息，确定结构化数据感知处理通道和非结构化数据感知处理通道；
基于所述资源数据处理因素对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行因素节点分析，生成结构化通道因素节点和非结构化通道因素节点；
依据所述结构化通道因素节点和所述非结构化通道因素节点对所述结构化数据感知处理通道和所述结构化数据感知处理通道依次进行通道节点配置，确定资源数据处理结构化通道和资源数据处理非结构化通道；
基于所述资源数据处理结构化通道和资源数据处理非结构化通道，组成所述资源数据处理多通道。
4.如权利要求3所述的方法，其特征在于，所述生成结构化通道因素节点和非结构化通道因素节点，包括：
获取资源数据因素任务特征库，所述资源数据因素任务特征库包括资源数据预处理特征任务集和资源识别特征任务集；
对所述结构化数据感知处理通道和所述非结构化数据感知处理通道分别进行任务需求分析，获得结构化通道任务需求特征信息和非结构化通道任务需求特征信息；
将所述结构化通道任务需求特征信息和非结构化通道任务需求特征信息与所述资源数据因素任务特征库进行特征匹配，确定所述结构化通道因素节点和非结构化通道因素节点。
5.如权利要求1所述的方法，其特征在于，所述获得森林资源特征信息集合，包括：
根据所述多通道目标监测数据流集合，确定非结构化图像数据流、非结构化红外图像数据流和结构化雷达点云数据流；
基于所述资源数据处理多通道对所述结构化雷达点云数据流进行数据预处理、特征识别，获得森林雷达资源特征信息；
通过所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理、图像融合识别，确定森林图像资源特征信息；
基于所述森林雷达资源特征信息和所述森林图像资源特征信息，得到所述森林资源特征信息集合。
6.如权利要求5所述的方法，其特征在于，所述确定森林图像资源特征信息，包括：
基于所述资源数据处理多通道对所述非结构化图像数据流、非结构化红外图像数据流进行数据预处理，得到标准可见光图像数据流和标准红外图像数据流；
分别对所述标准可见光图像数据流和标准红外图像数据流进行多尺度分解，确定可见光小波变换系数和红外小波变换系数；
基于所述可见光小波变换系数和红外小波变换系数进行图像频域划分、频域融合，生成融合图像特征变换系数；
对所述融合图像特征变换系数进行多尺度变换，得到可见光红外融合图像数据流，基于所述可见光红外融合图像数据流进行资源特征识别，确定所述森林图像资源特征信息。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
按照预设采集频次对所述目标森林区域进行定期资源监测，获取森林资源时序调查信息集合；
基于所述森林资源调查信息结果和所述森林资源时序调查信息集合进行资源变化统计，得到森林资源变化趋势图；
基于所述森林资源变化趋势图进行巡检分析，确定森林资源巡检参数信息，并基于所述森林资源巡检参数信息进行资源动态监测管控。
8.用于森林资源智能调查和监测的系统，其特征在于，所述系统包括：
无人机监测设备获取模块，用于获取无人机监测设备，所述无人机监测设备搭载CCD图像传感器、红外热像仪以及雷达传感器；
监测阵列布设模块，用于依据森林分布区域对所述无人机监测设备进行监测阵列布设，得到无人机监测阵列端点网络；
森林区域资源监测模块，用于基于所述无人机监测阵列端点网络对目标森林区域进行资源监测，获取无人机节点监测数据流集合；
多通道映射匹配模块，用于部署资源数据处理多通道，将所述无人机节点监测数据流集合分别与所述资源数据处理多通道进行映射匹配，确定多通道目标监测数据流集合；
资源数据处理模块，用于基于所述资源数据处理多通道对所述多通道目标监测数据流集合进行同步处理，获得森林资源特征信息集合；
资源调查信息结果确定模块，用于将所述森林资源特征信息集合中的各资源特征信息进行融合，确定森林资源调查信息结果。
9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的用于森林资源智能调查和监测的方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用于森林资源智能调查和监测的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311572156.2A CN117593670B (zh) | 2023-11-23 | 2023-11-23 | 用于森林资源智能调查和监测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311572156.2A CN117593670B (zh) | 2023-11-23 | 2023-11-23 | 用于森林资源智能调查和监测的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117593670A true CN117593670A (zh) | 2024-02-23 |
| CN117593670B CN117593670B (zh) | 2024-05-14 |
Family
ID=89921429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311572156.2A Active CN117593670B (zh) | 2023-11-23 | 2023-11-23 | 用于森林资源智能调查和监测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593670B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949657A (zh) * | 2021-03-09 | 2021-06-11 | 河南省现代农业大数据产业技术研究院有限公司 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
| CN113008843A (zh) * | 2019-12-22 | 2021-06-22 | 中国科学院遥感与数字地球研究所 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
| CN115290054A (zh) * | 2022-06-23 | 2022-11-04 | 河南农业大学 | 一种基于影像点云的林分蓄积量估算及预估方法 |
| CA3224594A1 (en) * | 2021-07-07 | 2023-01-12 | Kayrros | Method and system for the automatic monitoring of a liquid resource stored in a lake using satellite imagery |
| CN116429070A (zh) * | 2023-04-11 | 2023-07-14 | 平安煤炭开采工程技术研究院有限责任公司 | 采煤沉陷积水区水资源调查方法及系统 |
| CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
| CN116645612A (zh) * | 2023-06-02 | 2023-08-25 | 国家林业和草原局林草调查规划院 | 一种森林资源资产确定方法及系统 |
| CN116844061A (zh) * | 2023-03-30 | 2023-10-03 | 重庆市林业规划设计院 | 一种基于多源遥感数据计算植被地上生物量的方法 |
| CN117091706A (zh) * | 2023-08-28 | 2023-11-21 | 上海市园林科学规划研究院 | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 |
-
2023
- 2023-11-23 CN CN202311572156.2A patent/CN117593670B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113008843A (zh) * | 2019-12-22 | 2021-06-22 | 中国科学院遥感与数字地球研究所 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
| CN112949657A (zh) * | 2021-03-09 | 2021-06-11 | 河南省现代农业大数据产业技术研究院有限公司 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
| CA3224594A1 (en) * | 2021-07-07 | 2023-01-12 | Kayrros | Method and system for the automatic monitoring of a liquid resource stored in a lake using satellite imagery |
| CN115290054A (zh) * | 2022-06-23 | 2022-11-04 | 河南农业大学 | 一种基于影像点云的林分蓄积量估算及预估方法 |
| CN116844061A (zh) * | 2023-03-30 | 2023-10-03 | 重庆市林业规划设计院 | 一种基于多源遥感数据计算植被地上生物量的方法 |
| CN116429070A (zh) * | 2023-04-11 | 2023-07-14 | 平安煤炭开采工程技术研究院有限责任公司 | 采煤沉陷积水区水资源调查方法及系统 |
| CN116645612A (zh) * | 2023-06-02 | 2023-08-25 | 国家林业和草原局林草调查规划院 | 一种森林资源资产确定方法及系统 |
| CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
| CN117091706A (zh) * | 2023-08-28 | 2023-11-21 | 上海市园林科学规划研究院 | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117593670B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106716439A (zh) | 基于事件的下采样 | |
| CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
| CN111260037B (zh) | 图像数据的卷积运算方法、装置、电子设备及存储介质 | |
| CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
| CN112887329B (zh) | 隐藏服务溯源方法、装置及电子设备 | |
| CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
| CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
| CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
| CN113269168B (zh) | 障碍物数据处理方法、装置、电子设备和计算机可读介质 | |
| CN117593670B (zh) | 用于森林资源智能调查和监测的方法及系统 | |
| CN115242684B (zh) | 全链路压测方法、装置、计算机设备及存储介质 | |
| CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
| CN111881030B (zh) | 基于可理解特征变异的智能交通数据测试样本生成方法 | |
| CN115205546A (zh) | 模型训练方法和装置、电子设备、存储介质 | |
| CN115272853A (zh) | 基于人工智能技术与大数据的工业废弃地识别方法及产品 | |
| CN114373090A (zh) | 模型轻量化方法、装置、电子设备及计算机可读存储介质 | |
| CN117671303B (zh) | 基于孪生网络的立体测距隐患预警方法及系统 | |
| CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
| CN111815656B (zh) | 视频处理方法、装置、电子设备和计算机可读介质 | |
| WO2017054434A1 (zh) | 事件检测方法、装置和系统 | |
| CN111985565B (zh) | 图片分析方法和装置、存储介质及电子设备 | |
| CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
| CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
| CN117875719B (zh) | 基于目标三维立体测距的变电站安全预警方法 | |
| US11551061B2 (en) | System for generating synthetic digital data of multiple sources |
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 |