-
公开(公告)号：CN120032721A
公开(公告)日：2025-05-23
申请号：CN202510114312.3
申请日：2025-01-24
Applicant: 中国林业科学研究院资源信息研究所
IPC: G16B40/00 , G06V20/13 , G06V20/10 , G06Q50/02 , G06Q50/26 , G06N5/01 , G06N20/00 , G06N20/20 , G01N21/25
Abstract: 本发明提供杉木地上生物量遥感估测的不确定性分析方法，属于模型构建领域，本申请以广东省野外调查数据、Landsat 8OLI遥感影像为数据源，从遥感影像中提取光谱波段因子、植被指数和纹理因子，分别构建了K最近邻回归(KNN)、梯度提升回归树(GBRT)、随机森林(RF)三种地上生物量估测模型，并使用误差方程对样地尺度和遥感模型尺度的不确定性进行度量，分析不同尺度不确定性对AGB估测的影响。相较于样地尺度，遥感模型尺度的不确定性仍然是主要的不确定性来源。而在遥感尺度中，RF是估测效果最好的模型。本申请从样地尺度和遥感模型尺度两种方面来分析对杉木地上生物量估测的影响，可为更准确地估测地上生物量提供一定的参考和思路。
-
公开(公告)号：CN119418210A
公开(公告)日：2025-02-11
申请号：CN202411522025.8
申请日：2024-10-29
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明公开一种基于高光谱影像数据的杨树叶片氮含量反演方法和系统，所述方法包括：S1、获取杨树种植区无人机高光谱影像数据和叶片样本氮含量数据；S2、对所述高光谱影像数据进行预处理，根据叶片样本位置和预处理后的高光谱影像数据提取对应的波段反射率数据，构建数据集，所述数据集包括叶片样本氮含量和对应的波段反射率数据，并划分训练集和验证集；S3、使用深度神经网络DNN结合SHAP算法，确定杨树叶片氮含量反演的初始波段集合；S4、使用序列浮动后向选择算法，确定杨树叶片氮含量反演的最优波段集合，并进而确定最终的杨树叶片氮含量反演模型。采用本发明，对不同氮含量的叶片样本均可以实现较高精度的反演。
-
公开(公告)号：CN110740427A
公开(公告)日：2020-01-31
申请号：CN201911018783.5
申请日：2019-10-24
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本公开的实施例公开了生成短报文信息的方法、装置和电子设备。该方法的一具体实施方式包括：检测到用户在目标设备上发送的通信申请信息，获取上述用户发送的通信信息和协议信息；对于上述通信信息和上述协议信息进行解码，得到解码后的通信信息和解码后的协议信息；根据上述解码后的通信信息和解码后的协议信息，生成编码指令；根据上述编码指令，生成短报文信息。该实施方式实现了生成短报文信息的方法，提高了信息传输的效率。
-
公开(公告)号：CN117763321A
公开(公告)日：2024-03-26
申请号：CN202311773658.1
申请日：2023-12-21
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F18/2113 , G06F18/243 , G06F18/27 , G06N3/0499 , G06Q50/26
Abstract: 本发明公开一种森林地上碳储量估测方法、系统、设备及介质，属于森林碳储量领域。该方法采用逐步回归分析方法、随机森林递归消除法和Boruta算法进行特征选择，并针对每个最优特征集，构建多元线性回归模型、BP神经网络模型、随机森林回归模型和XGBoost模型，从中选择森林地上碳储量估测效果最优的模型作为最优碳储量估测模型，同时确定了最优特征值选择方法，进而利用最优特征值选择方法和最优碳储量估测模型精准估测森林地上碳储量。
-
公开(公告)号：CN113111504B
公开(公告)日：2023-09-01
申请号：CN202110376198.3
申请日：2021-04-08
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F30/20 , G06Q10/0639 , G06Q10/0637 , G06Q50/02 , G06F111/10
Abstract: 一种基于目标树经营间伐木智能选择算法，具体步骤为：步骤一：判断每个样地的空间分布，确定需要抚育择伐的样地；步骤二：判断树种的空间分布，确定需要抚育的树种；步骤三：判断空间结构单元，确定采伐单元；步骤四：空间单元单株竞争力分析，确定间伐木。采用空间结构参数对每棵树的空间结构进行量化。在此基础上，使用角度标度为间伐木选择了的主要指标，设计了样地择伐选择、树种择伐选择、空间结构单元择伐选择、单株择伐选择的流程和算法，并实现了相应功能。在基于角度尺度的基础上进行间伐木的选择，分别使用三个不同的竞争因子(CI,CII and ZCI)进行间伐木选择，并比较和分析了间伐木的选择结果。
-
Patent Agency Ranking
公开(公告)号：CN120032723A
公开(公告)日：2025-05-23
申请号：CN202510114372.5
申请日：2025-01-24
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明提供基于无人机激光雷达特征变量的杉木林分生物量模型估测方法，属于模型构建领域，本发明基于广东省154块样地数据，通过变量筛选分别建立一元、多元基础回归模型，以及加入龄组作为变量的混合效应、哑变量生物量回归模型，应用确定系数R2、均方根误差RMSE、残差、总体相对误差TRE等指标评价模型精度。筛选出相关性较高的机载激光雷达变量共41个，最终进入模型的自变量2个。树叶生物量拟合效果最好的是对数混合效应模型，其他林分分项生物量拟合效果最好的是幂函数混合效应模型，使用机器学习模型后模型拟合效果提升(RMSE＝1.080～9.902；R2＝0.855～0.937；TRE＝0.066～0.081)。将检验样本的数据分别代入到训练好的模型检验模型精度，整体具有较好的拟合效果。
-
公开(公告)号：CN120032722A
公开(公告)日：2025-05-23
申请号：CN202510114334.X
申请日：2025-01-24
Applicant: 中国林业科学研究院资源信息研究所
Abstract: 本发明提供杉木全周期冠幅模型研建方法，属于模型构建领域，本申请构建了单木全生长周期冠幅预测模型。系统分析了冠幅生长的动态特征及其多尺度影响机制。以胸径和树高为核心变量的基础模型较好地反映了树木生长规律，龄组哑变量有效捕捉了冠幅在不同生长阶段的动态变化特征，而混合效应模型的引入显著提升了模型的精度与适用性(R2＝0.717，RMSE＝0.502)，量化了区组和样地效应对冠幅生长的宏观与微观影响。表明环境异质性和随机效应的综合考虑是全生长周期建模的关键，为森林资源的可持续管理和生态系统动态监测提供了重要科学依据。本发明方法和框架适用于其他树种或生态系统，为优化冠幅预测、揭示环境因子作用及提升碳汇评估精度提供了新思路。
-
公开(公告)号：CN113111504A
公开(公告)日：2021-07-13
申请号：CN202110376198.3
申请日：2021-04-08
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F30/20 , G06Q10/06 , G06Q50/02 , G06F111/10
Abstract: 一种基于目标树经营间伐木智能选择算法，具体步骤为：步骤一：判断每个样地的空间分布，确定需要抚育择伐的样地；步骤二：判断树种的空间分布，确定需要抚育的树种；步骤三：判断空间结构单元，确定采伐单元；步骤四：空间单元单株竞争力分析，确定间伐木。采用空间结构参数对每棵树的空间结构进行量化。在此基础上，使用角度标度为间伐木选择了的主要指标，设计了样地择伐选择、树种择伐选择、空间结构单元择伐选择、单株择伐选择的流程和算法，并实现了相应功能。在基于角度尺度的基础上进行间伐木的选择，分别使用三个不同的竞争因子(CI,CII and ZCI)进行间伐木选择，并比较和分析了间伐木的选择结果。
-
公开(公告)号：CN117708468B
公开(公告)日：2024-09-17
申请号：CN202410019674.X
申请日：2024-01-05
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F17/10
Abstract: 一种构建含竞争指标的广义可加混合树高模型的方法，具体步骤如下：一：数据整理，包括不同样地数据合并，异常值剔除，以林木分级作为分类变量，计算Hegyi竞争指数与BAL指数；二：数据集划分，按照比例随机划分建模数据集和验证数据集；三：构建广义可加性混合模型；四：模型评价，模型评价指标包括决定系数、相对均方根误差和赤池信息量。本发明所有广义可加混合模型在模型估计精度上均优于非线性混合模型，R2平均提高0.005，RMSE％，AIC值以及Bias分别平均降低0.5％，59.88以及12～13个数量级。在广义可加混合树高模型中，以BAL为辅助变量，考虑唯一全局平滑函数并在具有相同扭曲程度的分组水平平滑函数添加随机效应能够获得相对最优的模型估计精度及预测能力。
-
公开(公告)号：CN117708468A
公开(公告)日：2024-03-15
申请号：CN202410019674.X
申请日：2024-01-05
Applicant: 中国林业科学研究院资源信息研究所
IPC: G06F17/10
Abstract: 一种含竞争指标的广义可加混合树高模型，具体步骤如下：一：数据整理，包括不同样地数据合并，异常值剔除，分类变量林木分级无顺序因子化，计算Hegyi指数与BAL指数；二：数据集划分，按照比例随机划分建模数据集和验证数据集；三：构建广义可加性混合模型；四：模型评价，模型评价指标包括决定系数、相对均方根误差和赤池信息量。本发明所有广义可加混合模型在模型估计精度上均优于非线性混合模型，R2平均提高0.005，RMSE％，AIC值以及Bias分别平均降低0.5％，59.88以及12～13个数量级。在广义可加混合树高模型中，以BAL为辅助变量，考虑唯一全局平滑函数并在具有相同扭曲程度的分组水平平滑函数添加随机效应能够获得相对最优的模型估计精度及预测能力。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.026 seconds)
