CN116481600B - 一种高原林业生态监测预警***及方法 - Google Patents
一种高原林业生态监测预警***及方法 Download PDFInfo
- Publication number
- CN116481600B CN116481600B CN202310752306.1A CN202310752306A CN116481600B CN 116481600 B CN116481600 B CN 116481600B CN 202310752306 A CN202310752306 A CN 202310752306A CN 116481600 B CN116481600 B CN 116481600B
- Authority
- CN
- China
- Prior art keywords
- ecological
- transition zone
- early warning
- plateau
- forestry
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007704 transition Effects 0.000 claims abstract description 143
- 230000008859 change Effects 0.000 claims abstract description 75
- 238000012806 monitoring device Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000005855 radiation Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 239000012530 fluid Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000245165 Rhododendron ponticum Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请提供了一种高原林业生态监测预警***及方法，涉及林业生态监测技术领域，其中，高原林业生态监测预警方法包括标记初始植被过渡带、绘制终值植被过渡带标记、标记变化识别、生态信号识别和位置预警步骤；高原林业生态监测预警***包括生态监测装置、获取模块和处理模块。本申请的方法通过对比初始遥感图像中的植被过渡带与终值遥感图像中的的植被过渡带的位置变化情况，并结合植被过渡带处的生态环境的变化，来实现对于高原林业生态***的监测和预警，能够有助于相关人员在高原林业生态***早期及时地识别，并能够为高原林业生态***失衡提供气候变化方面的原因的探索基础，从而也就有利于针对性地制定该目标区域内的高原林业保护措施。
Description
技术领域
本申请涉及林业生态监测技术领域，具体涉及一种高原林业生态监测预警***及方法。
背景技术
我国幅员辽阔，气候多样，具有十分丰富的生物资源，其中，在高原山区，随着山峦海拔的变化，各类植物次第分布，从茂密的森林过渡到低矮的灌丛，再到稀疏的草甸，由于高原林业生态十分脆弱，如何形成一种有效地监测、评估和变化预警机制成为了目前的研究重点。
在高原山区的林业生态***中，植被过渡带具有十分重要的研究价值，植被过渡带代表该区域内的植被生态***在自然环境条件下达到了一种稳态和平衡。通过研究植被过渡带的变化情况，就可以更好地认识该地区的植被生存和发展情况，能够有利于识别高原林业早期生态***失衡信号、探索失衡原因，也就有利于针对性地制定高原林业保护措施。
发明内容
为了解决相关技术中的技术问题，针对于如何对高原林业生态形成有效地监测、评估和变化预警机制，本申请提供了一种高原林业生态监测预警***及方法。
为了达到上述目的，本申请采用的技术方案包括：
根据本申请的第一方面，提供了一种高原林业生态监测预警方法，包括：
标记初始植被过渡带，在目标区域内的植被过渡带的边界处设置多个生态监测装置，控制单元接收多个生态监测装置的位置信号并在初始遥感图像中绘制针对于目标区域的线状的初始植被过渡带标记；
绘制终值植被过渡带标记，控制单元在获取该目标区域的初始遥感图像获取之后，间隔预设时间获取该目标区域的终值遥感图像，处理终值遥感图像得到针对于目标区域的线状的终值植被过渡带标记；
标记变化识别，将初始植被过渡带标记与终值植被过渡带标记进行对比，得到目标区域内的植被过渡带的位置变化情况；
生态信号识别，根据生态监测装置采集到的生态信号，将初始遥感图像对应的初始生态信号与终值遥感图像对应的终值生态信号进行对比，得到该目标区域内的植被过渡带的生态信号变化情况，其中，生态信号包括：大气温度、大气湿度、土壤温度、土壤湿度、降水量和太阳辐射；
位置预警，根据植被过渡带的位置变化情况和/或生态信号变化情况判断该目标区域内林业生态状况，并生成相应的预警信息。
可选地，所述高原林业生态监测预警方法还包括：
在所述预设时间内，获取多个中值遥感图像，并将多个中值遥感图像和针对于每个中值遥感图像的中值植被过渡带标记作为样本数据集，训练语义分割深度卷积神经网络；
将终值遥感图像输入训练好的语义分割深度卷积神经网络，对语义分割深度卷积神经网络结果进行二值化处理，并对该二值化处理的结果进行闭运算，以得到终值遥感图像对应的终值植被过渡带标记。
可选地，所述高原林业生态监测预警方法还包括：
将初始遥感图像输入训练好的语义分割深度卷积神经网络，以得到对应于该初始遥感图像的植被过渡带标记，并将得到的植被过渡带标记与初始植被过渡带标记进行对比，根据对比结果矫正语义分割深度卷积神经网络。
可选地，所述植被过渡带的边界包括：乔木区域和灌木区域的边界、灌木区域和草甸区域的边界。
可选地，所述标记变化识别具体为：
以初始遥感图像或终值遥感图像为基准建立坐标系，将所述初始植被过渡带标记和所述终值植被过渡带标记对应生成在所述坐标系内，并分别计算所述初始植被过渡带标记和所述终值植被过渡带标记中对应的生态监测装置的位置数据差值，依次计算每相邻两个所述位置数据差值的斜率差异的绝对值，若某一斜率差异的绝对值大于第一阈值，则将该斜率差异对应的生态监测装置视为植被过渡带的位置突变点。
可选地，所述生态信号识别步骤具体为：
分别计算所有生态监测装置在初始植被过渡带标记中的某一生态信号的数值与在终值植被过渡带标记中的对应的生态信号的数据的差值，并计算该差值的平均值，若某一差值与所述平均值之前的代数差大于第二阈值则该差值对应的生态监测装置视为植被过渡带的生态突变点。
可选地，所述位置预警具体为：
在所述植被过渡带的位置变化情况异常时，生成第一预警信息；
在所述植被过渡带的生态信号变化异常时，生成第二预警信息；
在所述植被过渡带的位置变化情况和生态信号变化同时异常时，生成第三预警信息；
所述第三预警信息优先于所述第一预警信息，所述第一预警信息优先于所述第二预警信息。
根据本申请的第二方面，提供了一种高原林业生态监测预警***，应用于第一方面中所述的高原林业生态监测预警方法，所述高原林业生态监测预警***包括：
生态监测装置，用于采集生态信号；
获取模块，用于获取目标区域的遥感图像、生态监测装置的位置信息、以及生态监测装置采集到的生态信号；
处理模块，用于对获取到的遥感图像进行处理，并用于处理生态监测装置的位置信号以及生态监测装置获取到的生态信号，并生成相应的预警信息。
可选地，所述高原林业生态监测预警***还包括预警模块，所述预警模块用于根据处理模块生成的预警信息输出对应的预警信息。
可选地，所述生态监测装置包括盖板、第一板体、第二板体、太阳辐射测量器和大气温度测量器，所述盖板、所述第一板体和所述第二板体沿竖直方向依次设置，所述第一板体和所述第二板体共同围合出导风腔，所述大气温度测量器设置于所述第一板体和所述第二板体之间且位于所述导风腔的中部，所述太阳辐射测量器设置在所述盖板的顶部；
其中，在竖直方向上，所述第一板体的投影落在所述盖板的投影之内，所述第一板体和所述第二板体同轴设置，且所述第一板体靠近所述第二板体的端面形成为弯曲方向朝上且能够产生康达效应的第一导风曲面，所述第二板体靠近所述第一板体的端面形成为弯曲方向朝上且能够产生康达效应的第二导风曲面，以使所述第一导风曲面和所述第二导风曲面能够共同围合出所述导风腔。
有益效果：
1、通过上述技术方案，本申请的方法通过对比初始遥感图像中的植被过渡带与终值遥感图像中的的植被过渡带的位置变化情况，并结合植被过渡带处的生态环境的变化，来实现对于高原林业生态***的监测和预警，能够有助于相关人员在高原林业生态***早期及时地识别，并能够为高原林业生态***失衡提供气候变化方面的原因的探索基础，从而也就有利于针对性地制定该目标区域内的高原林业保护措施。
2、本申请的其他有益效果或优势将在具体实施方式中结合具体结构进行详细描述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。此外，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1是本申请的一种示例性实施方式提供的高原林业生态监测预警方法的步骤示意图；
图2是本申请的一种示例性实施方式提供的高原林业生态监测预警***的结构示意图；
图3是本申请的一种示例性实施方式提供的生态监测装置的立体结构示意图；
图4是本申请的一种示例性实施方式提供的生态监测装置的结构***图；
图5是本申请的一种示例性实施方式提供的第一板体的立体结构示意图；
图6是本申请的一种示例性实施方式提供的生态监测装置的剖面结构示意图。
附图中标号说明：
1-生态监测装置；11-盖板；12-第一板体；121-第一导风曲面；13-第二板体；131-第二导风曲面；14-太阳辐射测量器；15-大气温度测量器；16-导风腔；171-支撑板；172-支撑杆；173-底座；2-获取模块；3-处理模块；4-预警模块；5-控制单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先，需要说明的是，在高原山区的林业生态***中，植被过渡带受到很多方面的影响，例如，受气候变暖的影响，高山树木的高温期延长，使得其生长季低温限制程度更小，高山树木将会具有更好的生长环境和更长的生长时期，进而也就会使得高山树线（即乔木区域和灌木区域的边界）向更高海拔的地方移动；再例如，不同物种之间的竞争关系也会影响植被过渡带的变化，在较为茂密的灌木区域（例如，杜鹃灌丛），茂密的灌木将会导致乔木的种子在落地之后无法获取到阳光，也就会抑制高山树线的“爬升”；在例如，人类活动也会影响到植被过渡带的变化，当出现较为频繁人类活动或过度放牧时，人类活动和牲畜运动将会导致林下或植被过渡带的土壤板结或幼苗死亡，进而抑制高山树线的“爬升”和灌木线的“下移”。
本申请的监测预警方法和***是以目标区域在不同时期中的植被过渡带的变化情况为基础，并结合植被过渡带处的生态环境（例如，大气温度、大气湿度、土壤温度、土壤湿度、降水量和太阳辐射）的变化，来实现对于高原林业生态***的监测和预警，能够有效地识别高原林业生态***失衡早期（植被过渡带位置发生一定程度的突变，可以视为生态***失衡的早期信号），并能够为高原林业生态***失衡提供气候变化方面的原因的探索基础，从而就有利于针对性地制定高原林业保护措施。
以下结合附图对本申请的技术方案进行详细表述。
实施例1
如图1所示，根据本申请的第一方面，提供了一种高原林业生态监测预警方法，该方法包括如下步骤：
步骤S1：标记初始植被过渡带，即是指在目标区域（保护区域）内的植被过渡带的边界处设置多个生态监测装置1，控制单元5接收多个生态监测装置1的位置信号并在初始遥感图像中绘制针对于目标区域的线状的初始植被过渡带标记。
在此实施方式中，控制单元5根据接收到的生态监测装置1的位置信号，将初始植被过渡带绘制到初始遥感图像中，有利于明确对比基础，即有利于明确该目标区域内的植被过渡带的初始位置。
此外，可以理解的是，生态监测装置1可以直接设置在植被过渡带的边界上，也可以间隔该边界一定距离设置，只要能够实现对于植被过渡带的边界的标记即可，本申请对于生态监测装置1的设置具***置不作限定。此外，本申请的控制单元5即是指包括了获取模块2和处理模块3的集成单元，其能够从内存读取、分析和执行相关指令。
步骤S2：绘制终值植被过渡带标记，控制单元5在获取该目标区域的初始遥感图像获取之后，间隔预设时间获取该目标区域的终值遥感图像，处理终值遥感图像得到针对于目标区域的线状的终值植被过渡带标记。
在此实施方式中，控制单元5根据获取到的终值遥感图像，通过处理该终值遥感图像，获得该遥感图像对应的终值植被过渡带标记，以便于将终值植被过渡带标记与初始植被过渡带标记进行比较，进而得出该目标区域内的植被过渡带的位置变化情况。
其中，可以理解的是，第一，可以采用多种处理方式来处理终值遥感图像，例如，可以采用基于查找一类的图像边缘检测方法（通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向），也可以采用基于零穿越的方法（通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点）。本申请对此不作具体限定。第二，预设时间可以根据实际需要进行选择，例如，预设时间可以是以小时计（例如，1h、8h或24h等），预设时间也可以是以天计（例如，1天、15天或30天等），预设时间也可以是以月计（例如，1月、2月或3月等），本申请对于预设时间的具体数值不作限定。
步骤S3：标记变化识别，将初始植被过渡带标记与终值植被过渡带标记进行对比，得到目标区域内的植被过渡带的位置变化情况。
在此实施方式中，根据初始植被过渡带标记与终值植被过渡带标记的变化情况，就可以直观地得到目标区域内的植被过渡带的位置变化情况。
步骤S4：生态信号识别，根据生态监测装置1采集到的生态信号，将初始遥感图像对应的初始生态信号与终值遥感图像对应的终值生态信号进行对比，得到该目标区域内的植被过渡带的生态信号变化情况，其中，生态信号包括：大气温度、大气湿度、土壤温度、土壤湿度、降水量和太阳辐射。
在此实施方式中，可以通过生态监测装置1实时采集目标区域内的植被过渡带处的生态信号变化情况，结合植被过渡带的位置变化情况，可以为研究植被过渡带变化原因提供气候变化方面的探索基础。
其中，可以理解的是，大气温度、大气湿度、土壤温度、土壤湿度、降水量和太阳辐射是对植被生长和发展具有重大影响的气候因数，可以为目标区域内的植被变化情况分析提供气候变化方面的原因参考，有利于相关人员在气候变化方面判断植被发生变化的原因。
此外，需要说明的是，在本实施方式中，上述步骤S3和步骤S4不具有优先度的区别，也就是说，可以先执行步骤S3，也可以先执行步骤S4，还可以同时执行步骤S3和步骤S4。
步骤S5：位置预警，根据植被过渡带的位置变化情况和/或生态信号变化情况判断该目标区域内林业生态状况，并生成相应的预警信息。
在此实施方式中，位置预警即是根据识别到的植被过渡带位置变化情况和/或生态信号变化情况，生成相应的位置变化预警信息，以便于相关人员掌握目标区域内的植被过渡带变化情况，从而有利于相关人员能够在高原林业生态***失衡的早期即可及时发现，有利于保护较为脆弱的高原林业生态***。
通过上述技术方案，本申请的方法通过对比初始遥感图像中的植被过渡带与终值遥感图像中的的植被过渡带的位置变化情况，并结合植被过渡带处的生态环境的变化，来实现对于高原林业生态***的监测和预警，能够有助于相关人员在高原林业生态***早期及时地识别，并能够为高原林业生态***失衡提供气候变化方面的原因的探索基础，从而也就有利于针对性地制定该目标区域内的高原林业保护措施。
在本申请的一种实施方式中，本申请的高原林业生态监测预警方法还可以包括：在预设时间内，获取多个中值遥感图像，并将多个中值遥感图像和针对于每个中值遥感图像的中值植被过渡带标记作为样本数据集，训练语义分割深度卷积神经网络；将终值遥感图像输入训练好的语义分割深度卷积神经网络，对语义分割深度卷积神经网络结果进行二值化处理，并对该二值化处理的结果进行闭运算，以得到终值遥感图像对应的终值植被过渡带标记。
在此实施方式中，获取多个中值遥感图像，即可得到多组样本标记结果，通过多个中值遥感图像和对应的中值植被过渡带标记进行卷积神经网络的训练。经典的深度卷积神经网络具有多种类型，例如，全卷积网络FCN、SegNet等，由于早停止方案已经广泛地应用于深度学习领域，本申请对于采用何种方案停止训练不作具体限定。在一种可行的实施方式中，可以在深度卷积神经网络的损失函数下降率低于阈值时即可停止训练。至此，即可得到训练好的深度卷积神经网络模型。同时，将终值遥感图像输入训练好的语义深度分割卷积神经网络模型，网络向前传播，然后对最终的分割结果进行二值化处理，并对二值化处理的结果进行闭运算，即可得到对应的终值植被过渡带标记。
其中，需要说明的是，在本申请中，对二值化的处理结果进行闭运算是为了抑制阈值化结果中的网格化问题（由于部分网络具有一定的烦卷积操作，故而得到的阈值化结果中可能存在网格化问题，网格化问题将会导致重复检测）。
此外，可以理解的是，多个中值遥感图像可以是在预设时间内间隔均匀时间获取的遥感图像，也可以是随机获取的遥感图像，本申请对此不作具体限定。
在本申请的一种实施方式中，本申请的高原林业生态监测预警方法还可以包括：将初始遥感图像输入训练好的语义分割深度卷积神经网络，以得到对应于该初始遥感图像的植被过渡带标记，并将得到的植被过渡带标记与初始植被过渡带标记进行对比，根据对比结果矫正语义分割深度卷积神经网络。
这样，先将初始遥感图像输入训练好的语义分割深度卷积神经网络，以得到在此时的深度卷积神经网络模型中的对应的植被过渡带标记，并将初始过渡带标记与得到的植被过渡带标记进行对比，实时调节神经网络参数，以矫正语义分割深度卷积神经网络。
具体地，可以采用Tensorboard、MLflow等可视化工具来观测并分析训练过程中的损失曲线，结合分析结果来调节损失曲线（例如，损失曲线接近线性，可能学习率较小，损失下降不够充分，可以调节损失曲线至一开始下降较快，后面逐渐趋缓；再例如，损失曲线波动过于剧烈，可能的原因是batch size太小。batch size较小时，每个batch计算的梯度方向没有那么精确，batch间的方差较大，反而容易逃离鞍点。batchsize可以作为一个超参数调节。经验上，我们可以将batch size可以为数据量的根号大小；也可以调节学习率或学习率衰减参数等等。
在本申请的一种实施方式中，本申请的植被过渡带的边界可以包括：乔木区域和灌木区域的边界、灌木区域和草甸区域的边界。这样，在一方面，此实施方式的植被过渡带被两条边界线确认，可以使得初始遥感图像对应的植被过渡带可以更准确地被记录（也就是说，在初始状态时，目标区域的植被过渡带可以更准确地被记录）；在另一方面，可以更加清楚的得到乔木区域、灌木区域和草甸区域的变化情况，也就是说，植被过渡带的变化情况可以更准确地反应。
在本申请的一种实施方式中，本申请的标记变化识别可以具体为：以初始遥感图像或终值遥感图像为基准建立坐标系，将初始植被过渡带标记和终值植被过渡带标记对应生成在坐标系内，并分别计算初始植被过渡带标记和终值植被过渡带标记中对应的生态监测装置1的位置数据差值，依次计算每相邻两个位置数据差值的斜率差异的绝对值，若某一斜率差异的绝对值大于第一阈值，则将该斜率差异对应的生态监测装置1视为植被过渡带的位置突变点。
由于除初始植被过渡带标记是由生态监测装置1的位置信息得到的，后续其他的植被过渡带标记都是由神经网络模型生成的，可能会存在一些突变的值（可能是真实的数据，也可能是错误的数据或者异常的数据），再加之植被过渡带标记的坐标数据（即在坐标系中的位置数据）是线性分布的，故而，本实施方式通过计算每相邻相关位置数据之间的斜率差异来判断该位置数据是否为突变点。具体地，本实施方式的判断方法首先将两个时期的位置数据转化为一组线性变化的数据，然后通过计算每个数据点与前一个数据点之间的斜率差异，如果该斜率差异超过了第一阈值，则将该数据点对应的生态监测装置1视为植被过渡带的位置突变点。
例如，在以Python实现上述标记变化识别时，示例性的代码可以为：
def find_mutations(data,threshold):
mutations=[ ]
for i in range(1,len(data)):
slope_diff=abs((data[i]-data[i-1])/(i-(i-1)))
if slope_diff>threshold:
mutations.append((i,data[i]))
return mutations
其中，需要说明的是，在此示例性的代码中，data即是一组线性变化的数据（初始植被过渡带标记和终值植被过渡带标记中对应的生态监测装置1的位置数据差值），threshold即是定义的第一阈值，用以判断何处出现了突变。同时，在此示例中，判断为突变点的数据还会被记录在mutations列表中，最后，还会返回所有的突变点的索引和对应的数值。
这样，通过计算每相邻两个位置数据差值的斜率差异，可以较为快速地找到位置突变点，同时，上述实施方式仅需要较为简单的循环和运算逻辑，可以十分方便且快捷地找到对应的位置突变点。
此外，可以理解的是，在此实施方式中，第一阈值可以根据实际情况进行调整，以达到更适应于具体情况的效果，本申请对于第一阈值的数值不作具体限定。
在本申请的一种实施方式中，本申请的生态信号识别步骤可以具体为：分别计算所有生态监测装置1在初始植被过渡带标记中的某一生态信号的数值与在终值植被过渡带标记中的对应的生态信号的数据的差值，并计算该差值的平均值，若某一差值与平均值之前的代数差大于第二阈值则该差值对应的生态监测装置1视为植被过渡带的生态突变点。
这样，在针对于不同生态信号时，可以通过分析所有生态监测装置1该生态信号在不同时期（即初始植被过渡带标记时的数据与终值植被过渡带标记时的数据）的数据变化程度，来判断其相对差异程度是否较大，从而实现对生态突变点的确定。
具体地，在一种示例性的实施方式中，以太阳辐射为例，生态监测装置1设置为8个，在初始植被过渡带标记时对应的太阳辐射强度分别为：1300、1299、1300、1300、1301、1301、1300和1302（单位：）；在终值植被过渡带标记时对应的太阳辐射强度分别为：1301、1299、1301、1299、1303、1302、1301和1305（单位：/>）；此时，可以计算得出其对应的差值数据：1、0、1、-1、2、1、1和3（单位：/>）；计算出差值的平均值即为1（单位：），同时，可以设置第二阈值为1，此时，可以识别出的生态突变点为最后一个生态监测装置1（即在初始植被过渡带标记时测量的太阳辐射强度为1302/>的生态监测装置1），也就是说，最后一个生态监测装置1处的生态信号变化较为异常，需要重点监测，必要时可以实地进行调查。
此外，可以理解的是，对于某一呈周期性变化的生态数据而言，例如大气温度，对比所基于的不同时期应该是基于该周期性变化的同期数据，例如，初始植被过渡带标记是在1月初时确定的，那么，对应的终值植被过渡带标记就应该也在1月初（包括当年和其他年份）确定。
在本申请的一种实施方式中，本申请的位置预警可以具体为：在植被过渡带的位置变化情况异常时，生成第一预警信息；在植被过渡带的生态信号变化异常时，生成第二预警信息；在植被过渡带的位置变化情况和生态信号变化同时异常时，生成第三预警信息；第三预警信息优先于第一预警信息，第一预警信息优先于第二预警信息。
如此，第一预警信息可以针对于植被过渡带变化异常，有利于使得相关人员能够对植被过渡带变化异常的位置实时掌握，以能够在高原林业生态失衡早期及时发现生态失衡的趋势，有利于提前采取干预措施或防治措施，使得高原林业生态能够较为快速且及时的维护。第二预警信息可以针对于生态信号变化异常，这样，可以使得相关人员对未来高原林业生态的变化情况有根据且合理的预测，以便于采取针对性的措施，以提前避免高原林业生态失衡。第三预警信息可以针对于植被过渡带变化异常和生态信号变化异常同时出现的情况，不仅能够及时提醒高原林业生态失衡，并且还能够为相关人员研究高原林业生态失衡提供对应的气候变化因素的参考，以便于为相关人员制定类似于目标区域的高原林业生态的保护措施提供启发。
如图2至图6所示，根据本申请的第二方面，提供了一种高原林业生态监测预警***，应用于第一方面中的高原林业生态监测预警方法，高原林业生态监测预警***包括：生态监测装置1、获取模块2和处理模块3；其中，生态监测装置1用于采集生态信号；获取模块2用于获取目标区域的遥感图像、生态监测装置1的位置信息、以及生态监测装置1采集到的生态信号；处理模块3用于对获取到的遥感图像进行处理，并用于处理生态监测装置1的位置信号以及生态监测装置1获取到的生态信号，并生成相应的预警信息。
这样，通过本申请的高原林业生态监测预警***，能够实现对于高原林业生态***的监测和预警，能够有助于相关人员在高原林业生态***早期及时地识别，并能够为高原林业生态***失衡提供气候变化方面的原因的探索基础，从而也就有利于针对性地制定该目标区域内的高原林业保护措施。
在本申请的一种实施方式中，本申请的高原林业生态监测预警***还包括预警模块4，预警模块4用于根据处理模块3生成的预警信息输出对应的预警信息。
可以理解的是，本申请的高原林业生态监测预警***还可以包括用于展示预警信息的显示装置，以使得相关人员能够较为直观的查看预警信息，同时能够直观的观测高原林业生态失衡的位置。
在高原环境中，由于高原地区海拔高，空气稀薄，大气透明度高，大气对太阳辐射的削弱程度小，导致太阳辐射强度较高。此时，太阳辐射将会造成测量器升温（大气温度测量器15测得的温度高于周围空气的温度，即太阳辐射误差），现有的大气温度测量器15不能够准确地测量大气温度。而精确地测量大气温度才能有助于相关人员对高原林业的生态环境进行更准确的观测。
有鉴于此，在本申请的一种实施方式中，如图3至图6所示，本申请的生态监测装置1可以包括盖板11、第一板体12、第二板体13、太阳辐射测量器14和大气温度测量器15，盖板11、第一板体12和第二板体13沿竖直方向依次设置，第一板体12和第二板体13共同围合出导风腔16，大气温度测量器15设置于第一板体12和第二板体13之间且位于导风腔16的中部，太阳辐射测量器14设置在盖板11的顶部；其中，在竖直方向上，第一板体12的投影落在盖板11的投影之内，第一板体12和第二板体13同轴设置，且第一板体12靠近第二板体13的端面形成为弯曲方向朝上且能够产生康达效应的第一导风曲面121，第二板体13靠近第一板体12的端面形成为弯曲方向朝上且能够产生康达效应的第二导风曲面131，以使第一导风曲面121和第二导风曲面131能够共同围合出导风腔16。
首先，需要说明的是，康达效应(Coanda Effect)亦称附壁作用或柯恩达效应。是指流体由偏离原本流动方向，改为随着凸出的物体表面流动的倾向。当流体与它流过的物体表面之间存在表面摩擦时（即流体粘性），只要曲率不大，流体就会顺着该物体表面流动。
在此实施方式中，在一方面，本申请的第一板体12和第二板体13共同围合出的导风腔16能够较为顺畅地将大气流体（即流动的空气）导流至大气温度测量器15处，使得大气温度测量器15能够对大气的温度进行测量，并且，在此过程中，由于第一导风曲面121和第二导风曲面131的弯曲方向均是朝上的，加之第一板体12和第二板体13的遮蔽效果，能够有效地降低太阳辐射对于大气温度测量器15测量准确度的干扰（降低热污染）。在另一方面，由于第一板体12的投影落在盖板11的投影之内，本申请的盖板11能够有效地遮蔽第一板体12，降低太阳辐射对第一板体12的热污染，进而也就可以降低太阳辐射对位于第一板体12下方的大气温度测量器15的热污染，能够进一步降低太阳辐射对于大气温度测量器15的干扰。
此外，本申请的生态监测装置1还可以包括支撑板171、支撑杆172和底座173，其中，支撑板171设置在第一板体12和第二板体13之间，以维持第一板体12和第二板体13之间的间隔，进而包括大气流动的通畅性，有利于保证大气温度测量器15能够顺利地对大气温度进行测量；支撑杆172可以设置在第二板体13的底部和底座173之间，以支撑整个生态监测装置1，底座173可以用于安装在地面之下，以减少对于高原地区地面的生态环境的干扰（并且，还有利于布置下文中的土壤温度测量器和土壤湿度测量器）。
此外，可以理解的是，本申请的生态监测装置1还可以包括相应的大气湿度测量器、土壤温度测量器，土壤湿度测量器和降水量测量器。以对本申请上文中的生态信号进行测量。
根据本申请第三方面，还提供了一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项技术方案中所述的高原林业生态监测预警方法。
根据本申请第四方面，还提供了一种计算机可读存储介质，非易失性可读存储介质，其内存储有指令，当指令在终端上运行时，使得终端执行如第一方面和第一方面的任一种可能的实现方式中描述的高原林业生态监测预警的升级方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（Random Access Memory，RAM）、只读存储器(Read-OnlyMemory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路（ApplicationSpecific Integrated Circuit，ASIC）中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
在本申请所提供的实施方式中，应该理解到，所揭露的***、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
在本申请中，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
此外，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容，尽管已经采用特定方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (9)
1.一种高原林业生态监测预警方法，其特征在于，包括：
标记初始植被过渡带，在目标区域内的植被过渡带的边界处设置多个生态监测装置（1），控制单元（5）接收多个所述生态监测装置（1）的位置信号并在初始遥感图像中绘制针对于目标区域的线状的初始植被过渡带标记；
绘制终值植被过渡带标记，所述控制单元（5）在获取该目标区域的初始遥感图像获取之后，间隔预设时间获取该目标区域的终值遥感图像，处理终值遥感图像得到针对于目标区域的线状的终值植被过渡带标记；在所述预设时间内，获取多个中值遥感图像，并将多个中值遥感图像和针对于每个中值遥感图像的中值植被过渡带标记作为样本数据集，训练语义分割深度卷积神经网络；将终值遥感图像输入训练好的语义分割深度卷积神经网络，对语义分割深度卷积神经网络结果进行二值化处理，并对该二值化处理的结果进行闭运算，以得到终值遥感图像对应的终值植被过渡带标记；
标记变化识别，将初始植被过渡带标记与终值植被过渡带标记进行对比，得到目标区域内的植被过渡带的位置变化情况；
生态信号识别，根据所述生态监测装置（1）采集到的生态信号，将初始遥感图像对应的初始生态信号与终值遥感图像对应的终值生态信号进行对比，得到该目标区域内的植被过渡带的生态信号变化情况，其中，生态信号包括：大气温度、大气湿度、土壤温度、土壤湿度、降水量和太阳辐射；
位置预警，根据植被过渡带的位置变化情况和/或生态信号变化情况判断该目标区域内林业生态状况，并生成相应的预警信息。
2.根据权利要求1所述的高原林业生态监测预警方法，其特征在于，所述高原林业生态监测预警方法还包括：
将初始遥感图像输入训练好的语义分割深度卷积神经网络，以得到对应于该初始遥感图像的植被过渡带标记，并将得到的植被过渡带标记与初始植被过渡带标记进行对比，根据对比结果矫正语义分割深度卷积神经网络。
3.根据权利要求1所述的高原林业生态监测预警方法，其特征在于，所述植被过渡带的边界包括：乔木区域和灌木区域的边界、灌木区域和草甸区域的边界。
4.根据权利要求1所述的高原林业生态监测预警方法，其特征在于，
所述标记变化识别具体为：
以初始遥感图像或终值遥感图像为基准建立坐标系，将所述初始植被过渡带标记和所述终值植被过渡带标记对应生成在所述坐标系内，并分别计算所述初始植被过渡带标记和所述终值植被过渡带标记中对应的生态监测装置（1）的位置数据差值，依次计算每相邻两个所述位置数据差值的斜率差异的绝对值，若某一斜率差异的绝对值大于第一阈值，则将该斜率差异对应的生态监测装置（1）视为植被过渡带的位置突变点。
5.根据权利要求1所述的高原林业生态监测预警方法，其特征在于，
所述生态信号识别步骤具体为：
分别计算所有的所述生态监测装置（1）在初始植被过渡带标记中的某一生态信号的数值与在终值植被过渡带标记中的对应的生态信号的数据的差值，并计算该差值的平均值，若某一差值与所述平均值之前的代数差大于第二阈值则该差值对应的所述生态监测装置（1）视为植被过渡带的生态突变点。
6.根据权利要求1所述的高原林业生态监测预警方法，其特征在于，
所述位置预警具体为：
在所述植被过渡带的位置变化情况异常时，生成第一预警信息；
在所述植被过渡带的生态信号变化异常时，生成第二预警信息；
在所述植被过渡带的位置变化情况和生态信号变化同时异常时，生成第三预警信息；
所述第三预警信息优先于所述第一预警信息，所述第一预警信息优先于所述第二预警信息。
7.一种高原林业生态监测预警***，其特征在于，应用于根据权利要求1-6中任一项的高原林业生态监测预警方法，所述高原林业生态监测预警***包括：
生态监测装置（1），用于采集生态信号；
获取模块（2），用于获取目标区域的遥感图像、所述生态监测装置（1）的位置信息、以及所述生态监测装置（1）采集到的生态信号；
处理模块（3），用于对获取到的遥感图像进行处理，并用于处理所述生态监测装置（1）的位置信号以及所述生态监测装置（1）获取到的生态信号，并生成相应的预警信息。
8.根据权利要求7所述的高原林业生态监测预警***，其特征在于，所述高原林业生态监测预警***还包括预警模块（4），所述预警模块（4）用于根据所述处理模块（3）生成的预警信息输出对应的预警信息。
9.根据权利要求7或8所述的高原林业生态监测预警***，其特征在于，所述生态监测装置（1）包括盖板（11）、第一板体（12）、第二板体（13）、太阳辐射测量器（14）和大气温度测量器（15），所述盖板（11）、所述第一板体（12）和所述第二板体（13）沿竖直方向依次设置，所述第一板体（12）和所述第二板体（13）共同围合出导风腔（16），所述大气温度测量器（15）设置于所述第一板体（12）和所述第二板体（13）之间且位于所述导风腔（16）的中部，所述太阳辐射测量器（14）设置在所述盖板（11）的顶部；
其中，在竖直方向上，所述第一板体（12）的投影落在所述盖板（11）的投影之内，所述第一板体（12）和所述第二板体（13）同轴设置，且所述第一板体（12）靠近所述第二板体（13）的端面形成为弯曲方向朝上且能够产生康达效应的第一导风曲面（121），所述第二板体（13）靠近所述第一板体（12）的端面形成为弯曲方向朝上且能够产生康达效应的第二导风曲面（131），以使所述第一导风曲面（121）和所述第二导风曲面（131）能够共同围合出所述导风腔（16）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752306.1A CN116481600B (zh) | 2023-06-26 | 2023-06-26 | 一种高原林业生态监测预警***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752306.1A CN116481600B (zh) | 2023-06-26 | 2023-06-26 | 一种高原林业生态监测预警***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116481600A CN116481600A (zh) | 2023-07-25 |
| CN116481600B true CN116481600B (zh) | 2023-10-20 |
Family
ID=87223572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310752306.1A Active CN116481600B (zh) | 2023-06-26 | 2023-06-26 | 一种高原林业生态监测预警***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116481600B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664989B (zh) * | 2023-07-28 | 2023-09-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测***的数据分析方法及*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018081043A1 (en) * | 2016-10-24 | 2018-05-03 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及*** |
| CN111854851A (zh) * | 2020-08-25 | 2020-10-30 | 贵州师范大学 | 一种喀斯特洼地生态环境变化监测方法 |
| CN112381288A (zh) * | 2020-11-13 | 2021-02-19 | 西北民族大学 | 一种高寒地区草地生态管理*** |
| CN112906638A (zh) * | 2021-03-19 | 2021-06-04 | 中山大学 | 一种基于多层次监督和深度度量学习的遥感变化检测方法 |
| CN113077133A (zh) * | 2021-03-19 | 2021-07-06 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
| CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
| CN114022783A (zh) * | 2021-11-08 | 2022-02-08 | 刘冰 | 基于卫星图像的水土保持生态功能遥感监测方法和装置 |
| CN114359703A (zh) * | 2021-11-30 | 2022-04-15 | 山东师范大学 | 一种快速识别灌丛化草原灌丛分布范围的方法及*** |
| CN114511784A (zh) * | 2022-02-16 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 环境监测预警方法、装置、设备及存储介质 |
| CN114662526A (zh) * | 2022-02-08 | 2022-06-24 | 王悦文 | 一种基于遥感数据与多时相sar影像的林地生态监测方法 |
| CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
| CN115508357A (zh) * | 2022-10-31 | 2022-12-23 | 盐城师范学院 | 一种基于区域生态***多样性研究的监测*** |
| CN115620132A (zh) * | 2022-09-30 | 2023-01-17 | 中国科学院西安光学精密机械研究所 | 一种无监督的对比学习冰湖提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765941B (zh) * | 2019-10-23 | 2022-04-26 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
| CN112906822B (zh) * | 2021-03-25 | 2021-09-28 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动识别融合方法及*** |
-
2023
- 2023-06-26 CN CN202310752306.1A patent/CN116481600B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018081043A1 (en) * | 2016-10-24 | 2018-05-03 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及*** |
| CN111854851A (zh) * | 2020-08-25 | 2020-10-30 | 贵州师范大学 | 一种喀斯特洼地生态环境变化监测方法 |
| CN112381288A (zh) * | 2020-11-13 | 2021-02-19 | 西北民族大学 | 一种高寒地区草地生态管理*** |
| CN112906638A (zh) * | 2021-03-19 | 2021-06-04 | 中山大学 | 一种基于多层次监督和深度度量学习的遥感变化检测方法 |
| CN113077133A (zh) * | 2021-03-19 | 2021-07-06 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
| CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
| CN114022783A (zh) * | 2021-11-08 | 2022-02-08 | 刘冰 | 基于卫星图像的水土保持生态功能遥感监测方法和装置 |
| CN114359703A (zh) * | 2021-11-30 | 2022-04-15 | 山东师范大学 | 一种快速识别灌丛化草原灌丛分布范围的方法及*** |
| CN114662526A (zh) * | 2022-02-08 | 2022-06-24 | 王悦文 | 一种基于遥感数据与多时相sar影像的林地生态监测方法 |
| CN114511784A (zh) * | 2022-02-16 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 环境监测预警方法、装置、设备及存储介质 |
| CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
| CN115620132A (zh) * | 2022-09-30 | 2023-01-17 | 中国科学院西安光学精密机械研究所 | 一种无监督的对比学习冰湖提取方法 |
| CN115508357A (zh) * | 2022-10-31 | 2022-12-23 | 盐城师范学院 | 一种基于区域生态***多样性研究的监测*** |
Non-Patent Citations (2)
| Title |
|---|
| 利用高分辨率森林覆盖影像实现高山林线的自动提取;江鑫;遥感学报;第26卷(第3期);全文 * |
| 基于多时相遥感数据的海岸线自动提取方法;盛辉;海洋科学;第45卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116481600A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Friedli et al. | Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions | |
| CN116481600B (zh) | 一种高原林业生态监测预警***及方法 | |
| Sağlam et al. | Spatio-temporal analysis of forest fire risk and danger using LANDSAT imagery | |
| Zeshan et al. | Monitoring land use changes and their future prospects using GIS and ANN-CA for Perak River Basin, Malaysia | |
| US20180308229A1 (en) | Method and information system for detecting at least one plant planted on a field | |
| Confalonieri et al. | PocketPlant3D: Analysing canopy structure using a smartphone | |
| Li et al. | Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images | |
| Andalibi et al. | Leaf area index variations in ecoregions of Ardabil province, Iran | |
| Junttila et al. | Investigating bi-temporal hyperspectral LiDAR measurements from declined trees—Experiences from laboratory test | |
| Dai et al. | Vegetation carbon sequestration mapping in herbaceous wetlands by using a MODIS EVI time-series data set: a case in Poyang lake wetland, China | |
| CN109946714A (zh) | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 | |
| CN115294147A (zh) | 一种基于无人机激光雷达单木与森林地上生物量估算方法 | |
| Thi Phan et al. | Method for estimating rice plant height without ground surface detection using laser scanner measurement | |
| Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
| CN104236486B (zh) | 一种棉花叶面积指数快速无损测定方法 | |
| Mokroš et al. | Non-destructive monitoring of annual trunk increments by terrestrial structure from motion photogrammetry | |
| Alvites et al. | LiDAR as a tool for assessing timber assortments: A systematic literature review | |
| Liu et al. | Applicability of the crop water stress index based on canopy–air temperature differences for monitoring water status in a cork oak plantation, northern China | |
| Xie et al. | Estimation of leaf area index in a typical northern tropical secondary monsoon rainforest by different indirect methods | |
| Bottai et al. | Application of a single-tree identification algorithm to LiDAR data for the simulation of stem volume current annual increment | |
| Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
| CN106097372A (zh) | 基于图像处理的农作物植株水分胁迫表型检测方法 | |
| Beyaz et al. | Canopy analysis and thermographic abnormalities determination possibilities of olive trees by using data mining algorithms | |
| CN116911012A (zh) | 架空电力线路保护区隐患树种高度预测模型及其构建方法 | |
| Yang et al. | Variability in minimal-damage sap flow observations and whole-tree transpiration estimates in a coniferous forest |
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 |