CN116645612A - 一种森林资源资产确定方法及*** - Google Patents
一种森林资源资产确定方法及*** Download PDFInfo
- Publication number
- CN116645612A CN116645612A CN202310649599.0A CN202310649599A CN116645612A CN 116645612 A CN116645612 A CN 116645612A CN 202310649599 A CN202310649599 A CN 202310649599A CN 116645612 A CN116645612 A CN 116645612A
- Authority
- CN
- China
- Prior art keywords
- resource
- remote sensing
- target
- sensing image
- forest
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种森林资源资产确定方法及***，本发明技术方案通过对目标森林区域范围进行分段式遥感图像采集，在计算出每个资源特征对应的资源值之后，对依次排列的所有目标遥感图像进行依次融合，从而精准地计算出目标森林区域范围的森林资源资产总值；以解决现有技术中由于图像采集和长连续图像之间测算的不准确性，导致在利用大数据对部分森林区间进行测算的策略仅仅可以在小范围内测算，面对区域大、地域广阔的森林范围则无法做到精准测算的技术问题；而针对区域大、地域广阔的森林范围，能够实现有效地、快速地、准确地确定森林资源资产的实际情况，为生态环境保护提供有力的数据支撑。
Description
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种森林资源资产确定方法及***。
背景技术
森林资源资产的确定，对于生态环境保护提供有力的数据支撑。而传统的探测森林资源资产的方式，往往是通过人工实地探测、绘制图纸、资源存量估算等人力估算进行测算，无法有效地、快速地、准确地确定森林资源资产的实际情况。
随着生态改善的呼声越来越强烈，对于生态环境保护的步伐越来越紧密，如何摆脱传统的人工测算森林资源资产的方式，利用大数据技术对森林资源资产进行有效地、快速地、准确地确定，成为了目前市面上亟需解决的技术问题。
虽然市面上出现了利用大数据对部分森林区间进行资源测算的策略，但由于图像采集和长连续图像之间测算的不准确性，现有技术利用大数据对部分森林区间进行测算的策略仅仅可以在小范围内测算，面对区域大、地域广阔的森林范围则无法做到精准测算。
发明内容
本发明提供了一种森林资源资产确定方法及***，针对区域大、地域广阔的森林范围，能够实现有效地、快速地、准确地确定森林资源资产的实际情况，为生态环境保护提供有力的数据支撑。
为了解决上述技术问题，本发明提供了一种森林资源资产确定方法，包括：
获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像；
分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征；
分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值；
根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像；
对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
作为优选方案，所述通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像的步骤中，具体包括：
根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；
控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；
对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；
根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
作为优选方案，所述分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征的步骤中，具体包括：
分别将每一段所述目标遥感图像作为输入图像传输到预设的资源特征识别模型中进行资源特征识别，得到输出图像，其中，所述输出图像中对所述目标遥感图像中的资源特征进行标记；
其中，所述预设的资源特征识别模型用于对输入图像中的资源特征进行识别并确定资源类型，输出标记了资源特征及其对应资源类型的输出图像。
作为优选方案，所述预设的资源特征识别模型的构建过程，具体包括：
获取历史遥感图像，对所述历史遥感图像中的森林资源特征进行标记，生成第一标记信息；
根据标记的森林资源特征确定对应的资源类型，生成第二标记信息，并将所述第一标记信息和所述第二标记信息进行相关联后标记在所述历史遥感图像中，生成最终遥感图像；
通过神经网络算法构建初始识别模型，将所述最终遥感图像输入到所述初始识别模型进行训练，直到训练次数达到次数阈值后，得到训练识别模型；
将所述历史遥感图像输入到所述训练识别模型中进行测试，直到测试成功率达到成功阈值时，生成资源特征识别模型。
作为优选方案，所述分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值的步骤中，具体包括：
分别确定每一个所述资源特征的中心点，以所述中心点为圆心，确定所述资源特征的外接圆，根据外接圆的面积确定所述资源特征所对应的面积值；
根据所述预设的资源特征识别模型输出标记了资源特征及其对应资源类型，确定所述外接圆所对应资源特征的目标资源类型；
根据所述目标资源类型确定预设权重值，计算所述面积值与所述预设权重值的乘积，作为所述资源特征对应的资源值。
作为优选方案，所述分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像的步骤中，具体包括：
分别在每一段所述目标遥感图像标记的资源特征中确定当前段的目标遥感图像的终点，作为第一融合点；
在相邻的下一段目标遥感图像中确定所述当前段的目标遥感图像的终点对应的资源边界，作为第二融合点；
将所述第一融合点和所述第二融合点作为基准资源特征点进行对齐处理，并将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
作为优选方案，所述森林资源资产总值的计算公式为：
其中，S0为森林资源资产总值；Si为第i个资源特征对应的资源值，ki为第i个资源特征的资源类型对应的预设类型阈值；i为资源特征，n为资源特征的总数。
相应地，本发明还提供了一种森林资源资产确定***，包括：图像采集模块、特征标记模块、面积确定模块、图像融合模块和总值计算模块；
所述图像采集模块，用于获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像；
所述特征标记模块，用于分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征；
所述面积确定模块，用于分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值；
所述图像融合模块，用于根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像；
所述总值计算模块，用于对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
作为优选方案，所述图像采集模块具体用于：根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
作为优选方案，所述特征标记模块具体用于：分别将每一段所述目标遥感图像作为输入图像传输到预设的资源特征识别模型中进行资源特征识别，得到输出图像，其中，所述输出图像中对所述目标遥感图像中的资源特征进行标记；其中，所述预设的资源特征识别模型用于对输入图像中的资源特征进行识别并确定资源类型，输出标记了资源特征及其对应资源类型的输出图像。
作为优选方案，所述预设的资源特征识别模型的构建过程，具体包括：获取历史遥感图像，对所述历史遥感图像中的森林资源特征进行标记，生成第一标记信息；根据标记的森林资源特征确定对应的资源类型，生成第二标记信息，并将所述第一标记信息和所述第二标记信息进行相关联后标记在所述历史遥感图像中，生成最终遥感图像；通过神经网络算法构建初始识别模型，将所述最终遥感图像输入到所述初始识别模型进行训练，直到训练次数达到次数阈值后，得到训练识别模型；将所述历史遥感图像输入到所述训练识别模型中进行测试，直到测试成功率达到成功阈值时，生成资源特征识别模型。
作为优选方案，所述面积确定模块具体用于：分别确定每一个所述资源特征的中心点，以所述中心点为圆心，确定所述资源特征的外接圆，根据外接圆的面积确定所述资源特征所对应的面积值；根据所述预设的资源特征识别模型输出标记了资源特征及其对应资源类型，确定所述外接圆所对应资源特征的目标资源类型；根据所述目标资源类型确定预设权重值，计算所述面积值与所述预设权重值的乘积，作为所述资源特征对应的资源值。
作为优选方案，所述图像融合模块具体用于：分别在每一段所述目标遥感图像标记的资源特征中确定当前段的目标遥感图像的终点，作为第一融合点；在相邻的下一段目标遥感图像中确定所述当前段的目标遥感图像的终点对应的资源边界，作为第二融合点；将所述第一融合点和所述第二融合点作为基准资源特征点进行对齐处理，并将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
作为优选方案，所述森林资源资产总值的计算公式为：
其中，S0为森林资源资产总值；Si为第i个资源特征对应的资源值，ki为第i个资源特征的资源类型对应的预设类型阈值；i为资源特征，n为资源特征的总数。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的森林资源资产确定方法。
本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的森林资源资产确定方法。
相比于现有技术，本发明具有如下有益效果：
本发明技术方案通过对目标森林区域范围进行分段式遥感图像采集，在计算出每个资源特征对应的资源值之后，对依次排列的所有目标遥感图像进行依次融合，从而精准地计算出目标森林区域范围的森林资源资产总值；以解决现有技术中由于图像采集和长连续图像之间测算的不准确性，导致在利用大数据对部分森林区间进行测算的策略仅仅可以在小范围内测算，面对区域大、地域广阔的森林范围则无法做到精准测算的技术问题；而针对区域大、地域广阔的森林范围，能够实现有效地、快速地、准确地确定森林资源资产的实际情况，为生态环境保护提供有力的数据支撑。
附图说明
图1为本发明提供的一种森林资源资产确定方法的步骤流程图；
图2为本发明提供的一种森林资源资产确定***的结构示意图；
图3为本发明提供的终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种森林资源资产确定方法的步骤流程图，包括步骤101至步骤105，各步骤具体如下：
步骤101，获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像。
在本实施例中，所述步骤101具体包括：步骤1011，根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；步骤1012，控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；步骤1013，对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；步骤1014，根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
具体地，为了解决现有技术中由于图像采集和长连续图像之间测算的不准确性的问题，我们通过无人机对图像采集的过程中采用了分段式遥感图像采集的方式。而在实际操作中，通过目标经纬信息进行初步分段，但考虑到实际应用中由于同一分段中存在特征边界明显得到森林资源可能会被分割成相邻两段从而影响数据的准确性，我们在对分段图像进行分割过程中还需要考虑资源边界距离下一段的目标遥感图像之间的距离值，也就是说，当目前这一分段图像中的森林资源的边界与下一段图像之间距离已经“很短”了，那么此时针对目前分段就不再采集图像了，而是将当前的森林资源边界作为当前分段的终点。在接下来的森林资源特征采集中，作为下一段分割图像进行采集，直到所有的森林资源图像采集完毕。
步骤102，分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征。
在本实施例的第一方面中，所述步骤102具体包括：分别将每一段所述目标遥感图像作为输入图像传输到预设的资源特征识别模型中进行资源特征识别，得到输出图像，其中，所述输出图像中对所述目标遥感图像中的资源特征进行标记；其中，所述预设的资源特征识别模型用于对输入图像中的资源特征进行识别并确定资源类型，输出标记了资源特征及其对应资源类型的输出图像。
在本实施例的第二方面中，所述预设的资源特征识别模型的构建过程，具体包括：获取历史遥感图像，对所述历史遥感图像中的森林资源特征进行标记，生成第一标记信息；根据标记的森林资源特征确定对应的资源类型，生成第二标记信息，并将所述第一标记信息和所述第二标记信息进行相关联后标记在所述历史遥感图像中，生成最终遥感图像；通过神经网络算法构建初始识别模型，将所述最终遥感图像输入到所述初始识别模型进行训练，直到训练次数达到次数阈值后，得到训练识别模型；将所述历史遥感图像输入到所述训练识别模型中进行测试，直到测试成功率达到成功阈值时，生成资源特征识别模型。
具体地，为了精准地识别出目标遥感图像中的资源特征，包括其对应的资源类型。我们需要进行模型的构建和训练过程，利用历史遥感图像中对森林资源特征的标记，并确定对应的资源类型，相关联后标记到模型的输入图像中，可以精准地训练我们所需的识别模型。
步骤103，分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值。
在本实施例中，所述步骤103具体包括：步骤1031，分别确定每一个所述资源特征的中心点，以所述中心点为圆心，确定所述资源特征的外接圆，根据外接圆的面积确定所述资源特征所对应的面积值；步骤1032，根据所述预设的资源特征识别模型输出标记了资源特征及其对应资源类型，确定所述外接圆所对应资源特征的目标资源类型；步骤1033，根据所述目标资源类型确定预设权重值，计算所述面积值与所述预设权重值的乘积，作为所述资源特征对应的资源值。
具体地，为了准确地识别出每一个资源特征对应的资源值，我们采用外接圆的计算方式，并结合不同资源类型对应的预设权重值之间的乘积，可以准确地表达出不同类型的资源特征所在的资源值，以便于后续进行总值计算。
步骤104，根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像。
在本实施例中，所述步骤104具体包括：步骤1041，分别在每一段所述目标遥感图像标记的资源特征中确定当前段的目标遥感图像的终点，作为第一融合点；步骤1042，在相邻的下一段目标遥感图像中确定所述当前段的目标遥感图像的终点对应的资源边界，作为第二融合点；步骤1043，将所述第一融合点和所述第二融合点作为基准资源特征点进行对齐处理，并将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
具体地，为了实现长连续图像的计算，我们在对每一分段图像进行精准识别后，最重要一步就是将各个分段图像进行融合处理。在实际应用中，我们通过融合点的确定来对基准资源特征点进行对齐处理，将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
步骤105，对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
在本实施例中，所述森林资源资产总值的计算公式为：
其中，S0为森林资源资产总值；Si为第i个资源特征对应的资源值，ki为第i个资源特征的资源类型对应的预设类型阈值；i为资源特征，n为资源特征的总数。
具体地，在实际计算过程中，通过上述公式可以客观地、准确地对其目标森林区域范围的森林资源资产总值进行确定。
本发明技术方案通过对目标森林区域范围进行分段式遥感图像采集，在计算出每个资源特征对应的资源值之后，对依次排列的所有目标遥感图像进行依次融合，从而精准地计算出目标森林区域范围的森林资源资产总值；以解决现有技术中由于图像采集和长连续图像之间测算的不准确性，导致在利用大数据对部分森林区间进行测算的策略仅仅可以在小范围内测算，面对区域大、地域广阔的森林范围则无法做到精准测算的技术问题；而针对区域大、地域广阔的森林范围，能够实现有效地、快速地、准确地确定森林资源资产的实际情况，为生态环境保护提供有力的数据支撑。
实施例二
请参照图2，为本发明另一实施例提供的一种森林资源资产确定***的结构示意图，包括：图像采集模块、特征标记模块、面积确定模块、图像融合模块和总值计算模块。
所述图像采集模块，用于获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像。
在本实施例中，所述图像采集模块具体用于：根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
所述特征标记模块，用于分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征。
在本实施例的第一方面中，所述特征标记模块具体用于：分别将每一段所述目标遥感图像作为输入图像传输到预设的资源特征识别模型中进行资源特征识别，得到输出图像，其中，所述输出图像中对所述目标遥感图像中的资源特征进行标记；其中，所述预设的资源特征识别模型用于对输入图像中的资源特征进行识别并确定资源类型，输出标记了资源特征及其对应资源类型的输出图像。
在本实施例的第二方面中，所述预设的资源特征识别模型的构建过程，具体包括：获取历史遥感图像，对所述历史遥感图像中的森林资源特征进行标记，生成第一标记信息；根据标记的森林资源特征确定对应的资源类型，生成第二标记信息，并将所述第一标记信息和所述第二标记信息进行相关联后标记在所述历史遥感图像中，生成最终遥感图像；通过神经网络算法构建初始识别模型，将所述最终遥感图像输入到所述初始识别模型进行训练，直到训练次数达到次数阈值后，得到训练识别模型；将所述历史遥感图像输入到所述训练识别模型中进行测试，直到测试成功率达到成功阈值时，生成资源特征识别模型。
所述面积确定模块，用于分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值。
在本实施例中，所述面积确定模块具体用于：分别确定每一个所述资源特征的中心点，以所述中心点为圆心，确定所述资源特征的外接圆，根据外接圆的面积确定所述资源特征所对应的面积值；根据所述预设的资源特征识别模型输出标记了资源特征及其对应资源类型，确定所述外接圆所对应资源特征的目标资源类型；根据所述目标资源类型确定预设权重值，计算所述面积值与所述预设权重值的乘积，作为所述资源特征对应的资源值。
所述图像融合模块，用于根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像。
在本实施例中，所述图像融合模块具体用于：分别在每一段所述目标遥感图像标记的资源特征中确定当前段的目标遥感图像的终点，作为第一融合点；在相邻的下一段目标遥感图像中确定所述当前段的目标遥感图像的终点对应的资源边界，作为第二融合点；将所述第一融合点和所述第二融合点作为基准资源特征点进行对齐处理，并将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
所述总值计算模块，用于对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
在本实施例中，所述森林资源资产总值的计算公式为：
其中，S0为森林资源资产总值；Si为第i个资源特征对应的资源值，ki为第i个资源特征的资源类型对应的预设类型阈值；i为资源特征，n为资源特征的总数。
实施例三
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的森林资源资产确定方法。
实施例四
请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的森林资源资产确定方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作***、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种森林资源资产确定方法，其特征在于，包括：
获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像；
分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征；
分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值；
根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像；
对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
2.如权利要求1所述的森林资源资产确定方法，其特征在于，所述通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像的步骤中，具体包括：
根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；
控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；
对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；
根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
3.如权利要求1所述的森林资源资产确定方法，其特征在于，所述分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征的步骤中，具体包括：
分别将每一段所述目标遥感图像作为输入图像传输到预设的资源特征识别模型中进行资源特征识别，得到输出图像，其中，所述输出图像中对所述目标遥感图像中的资源特征进行标记；
其中，所述预设的资源特征识别模型用于对输入图像中的资源特征进行识别并确定资源类型，输出标记了资源特征及其对应资源类型的输出图像。
4.如权利要求3所述的森林资源资产确定方法，其特征在于，所述预设的资源特征识别模型的构建过程，具体包括：
获取历史遥感图像，对所述历史遥感图像中的森林资源特征进行标记，生成第一标记信息；
根据标记的森林资源特征确定对应的资源类型，生成第二标记信息，并将所述第一标记信息和所述第二标记信息进行相关联后标记在所述历史遥感图像中，生成最终遥感图像；
通过神经网络算法构建初始识别模型，将所述最终遥感图像输入到所述初始识别模型进行训练，直到训练次数达到次数阈值后，得到训练识别模型；
将所述历史遥感图像输入到所述训练识别模型中进行测试，直到测试成功率达到成功阈值时，生成资源特征识别模型。
5.如权利要求3所述的森林资源资产确定方法，其特征在于，所述分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值的步骤中，具体包括：
分别确定每一个所述资源特征的中心点，以所述中心点为圆心，确定所述资源特征的外接圆，根据外接圆的面积确定所述资源特征所对应的面积值；
根据所述预设的资源特征识别模型输出标记了资源特征及其对应资源类型，确定所述外接圆所对应资源特征的目标资源类型；
根据所述目标资源类型确定预设权重值，计算所述面积值与所述预设权重值的乘积，作为所述资源特征对应的资源值。
6.如权利要求2所述的森林资源资产确定方法，其特征在于，所述分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像的步骤中，具体包括：
分别在每一段所述目标遥感图像标记的资源特征中确定当前段的目标遥感图像的终点，作为第一融合点；
在相邻的下一段目标遥感图像中确定所述当前段的目标遥感图像的终点对应的资源边界，作为第二融合点；
将所述第一融合点和所述第二融合点作为基准资源特征点进行对齐处理，并将当前段的目标遥感图像与相邻的下一段目标遥感图像进行融合，直到所有目标遥感图像依次融合完成，得到长连续遥感图像。
7.一种森林资源资产确定***，其特征在于，包括：图像采集模块、特征标记模块、面积确定模块、图像融合模块和总值计算模块；
所述图像采集模块，用于获取待探测森林资源资产的目标经纬度信息，通过无人机对所述目标经纬度信息内的目标森林区域范围进行分段式遥感图像采集，得到多段目标遥感图像；
所述特征标记模块，用于分别对每一段所述目标遥感图像进行特征识别，对所述目标遥感图像中的资源特征进行标记，在每一段所述目标遥感图像中得到对应的资源特征；
所述面积确定模块，用于分别计算每一个所述资源特征在其所在的目标遥感图像中所占的面积大小，得到面积值，并根据所述面积值计算出每一个所述资源特征对应的资源值；
所述图像融合模块，用于根据所述目标经纬度信息对所有的目标遥感图像按次序排列，同时，分别根据每一段所述目标遥感图像中标记的资源特征，确定基准资源特征点，根据所述基准资源特征点对依次排列的所有目标遥感图像进行依次融合，得到长连续遥感图像；
所述总值计算模块，用于对所述长连续遥感图像中每一个所述资源特征对应的资源值，计算出所述目标森林区域范围的森林资源资产总值。
8.如权利要求7所述的森林资源资产确定***，其特征在于，所述图像采集模块具体用于：根据所述无人机的型号确定最大采集范围，根据所述最大采集范围对所述目标经纬度信息分割成多段经纬度范围并依次排列；控制所述无人机按照排列的经纬度范围依次进行分段式遥感图像采集，并实时传送采集到的目标遥感图像；对实时传送回来的目标遥感图像进行资源边界特征识别，当判断识别到的资源边界距离下一段的目标遥感图像之间的距离值少于预设距离值时，将所述资源边界确定为当前段的目标遥感图像的终点；根据所述最大采集范围对剩余未进行图像采集的经纬度范围进行重新分割并依次排列，直到每一段的目标遥感图像的终点均进行确定。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-6中任一项所述的森林资源资产确定方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-6中任一项所述的森林资源资产确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310649599.0A CN116645612A (zh) | 2023-06-02 | 2023-06-02 | 一种森林资源资产确定方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310649599.0A CN116645612A (zh) | 2023-06-02 | 2023-06-02 | 一种森林资源资产确定方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116645612A true CN116645612A (zh) | 2023-08-25 |
Family
ID=87624423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310649599.0A Pending CN116645612A (zh) | 2023-06-02 | 2023-06-02 | 一种森林资源资产确定方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116645612A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593670A (zh) * | 2023-11-23 | 2024-02-23 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及*** |
-
2023
- 2023-06-02 CN CN202310649599.0A patent/CN116645612A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593670A (zh) * | 2023-11-23 | 2024-02-23 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及*** |
| CN117593670B (zh) * | 2023-11-23 | 2024-05-14 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
| CN108921925B (zh) | 基于激光雷达和视觉融合的语义点云生成方法和装置 | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
| CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
| CN109284355B (zh) | 一种批改试卷中口算题的方法及装置 | |
| CN111753757B (zh) | 一种图像识别处理方法及装置 | |
| CN109858476B (zh) | 标签的扩充方法和电子设备 | |
| US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
| CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
| US20190290493A1 (en) | Intelligent blind guide method and apparatus | |
| CN112200884A (zh) | 一种车道线的生成方法及装置 | |
| CN116645612A (zh) | 一种森林资源资产确定方法及*** | |
| CN113723652A (zh) | 业务数据处理方法、装置、电子设备和存储介质 | |
| CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
| CN114120071A (zh) | 一种带有对象标注框图像的检测方法 | |
| CN110320544B (zh) | 识别终端设备位置的方法、装置、设备及存储介质 | |
| CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
| CN111753625B (zh) | 一种行人检测方法、装置、设备及介质 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| CN113361341A (zh) | 行李再识别方法、装置、设备及可读存储介质 | |
| CN110517063B (zh) | 进店消费人次确定方法、装置及服务器 | |
| CN108805121A (zh) | 一种车牌检测定位方法、装置、设备及计算机可读介质 | |
| CN115035359A (zh) | 一种点云数据处理方法、训练数据处理方法及装置 |
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 |