-
公开(公告)号：CN118246596A
公开(公告)日：2024-06-25
申请号：CN202410334837.3
申请日：2024-03-22
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
Abstract: 本发明提出一种松材线虫病扩散蔓延预测方法，属于森林保护学技术领域。包括以下步骤：S1.收集松材线虫病历史发生数据，并存储为栅格数据，再将栅格数据转换为矢量数据；S2.获取松材线虫病的影响因子历史发生数据并对影响因子的相关性进行分析；S3建构基于松材线虫病的传染病动力学模型；S4.建构PGNN物理引导神经网络混合模型；S5.将松材线虫病历史发生数据和相关度强的影响因子数据输入至PGNN物理引导神经网络混合模型中，输出松材线虫病扩散蔓延情况。S6.基于遗传优化算法对PGNN物理引导神经网络模型参数进行优化，返回至S5；解决现有技术中存在的缺乏高效、准确的预测方法的技术问题。
-
公开(公告)号：CN113051314A
公开(公告)日：2021-06-29
申请号：CN202110320130.3
申请日：2021-03-25
Applicant: 东北林业大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08 , G06Q50/26
Abstract: 本发明属于松材线虫传播因子技术领域，具体涉及基于数据采集分析的松材线虫传播因子确定装置及其方法，通过设置松材线虫病的传播是多重因素互相作用的结果，采用数据收集分析，阐明可能引起松材线虫发生的传播因子，以期引起林业管理部门的重视，为研究有效的检疫防控方法提供理论参考，为制定科学的防治对策提供新思路。综合以上优点，松材线虫传播因子确定方法可以推断病虫害传播的动态规律，是做好防治工作的前提，根据各传播因子影响比重建立模型，基于模型对松材线虫传播的潜在规律进行探索，能够帮助人们在未来提前预知病虫害传播途径，从而在松材线虫的预防和治理工作中，做到快速和提前发现灾害，节省人力和成本，减少经济损失。
-
公开(公告)号：CN118211733B
公开(公告)日：2025-02-11
申请号：CN202410462665.8
申请日：2024-04-17
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
IPC: G06Q10/04 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 一种松材线虫病发生预测方法、电子设备及存储介质，属于森林病虫害大数据预测与控制技术领域。为提高松材线虫病发生预测的准确性，本发明建立松材线虫病多源影响因子数据集；进行时间和空间的划分，然后进行数据清洗、数据整合、数据转换和归一化处理，划分为对应的训练集和预测集；构建用于松材线虫病的细胞自动机模型；构建用于松材线虫病的时间卷积网络模型；利用处理后的松材线虫病多源影响因子数据集的预测集，输入到训练好的松材线虫病的细胞自动机模型、用于松材线虫病的时间卷积网络模型中，对松材线虫病发生进行预测；将松材线虫病发生预测结果，基于ArcGIS的可视化地理信息系统生成集成图层。本发明预测准确。
-
公开(公告)号：CN118246594B
公开(公告)日：2024-11-22
申请号：CN202410334831.6
申请日：2024-03-22
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
Abstract: 一种基于ArcGIS的落叶松枯梢病传播预测及其防治方法，属于落叶松枯梢病的预防技术领域。为解决解决落叶松枯梢病传播扩散的监测、预测以及防治方法比较缺乏的问题，本发明采集落叶松枯梢病历史发生数据构建落叶松枯梢病数据集，进行研究区域的提取，然后对落叶松枯梢病数据集进行划分处理，划分为多个训练集和评估集；利用最大熵原理构建MaxENT生态位模型，利用ArcGIS中的空间分析工具和统计学方法构建基于历史数据的统计学落叶松枯梢病预测模型，通过最小二乘拟合后得到基于ArcGIS的落叶松枯梢病的预测模型，对落叶松枯梢病的高风险发生地区进行预测。本发明提高了病害预测的准确性及稳定性，为防治决策提供科学依据。
-
公开(公告)号：CN118246594A
公开(公告)日：2024-06-25
申请号：CN202410334831.6
申请日：2024-03-22
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
Abstract: 一种基于ArcGIS的落叶松枯梢病传播预测及其防治方法，属于落叶松枯梢病的预防技术领域。为解决解决落叶松枯梢病传播扩散的监测、预测以及防治方法比较缺乏的问题，本发明采集落叶松枯梢病历史发生数据构建落叶松枯梢病数据集，进行研究区域的提取，然后对落叶松枯梢病数据集进行划分处理，划分为多个训练集和评估集；利用最大熵原理构建MaxENT生态位模型，利用ArcGIS中的空间分析工具和统计学方法构建基于历史数据的统计学落叶松枯梢病预测模型，通过最小二乘拟合后得到基于ArcGIS的落叶松枯梢病的预测模型，对落叶松枯梢病的高风险发生地区进行预测。本发明提高了病害预测的准确性及稳定性，为防治决策提供科学依据。
-
Patent Agency Ranking
公开(公告)号：CN113011355B
公开(公告)日：2022-10-11
申请号：CN202110321019.6
申请日：2021-03-25
Applicant: 东北林业大学
IPC: G06V20/10 , G06V10/30 , G06V10/56 , G06V10/774 , G06V10/147
Abstract: 本发明属于松材线虫病图像识别检测技术领域，具体涉及一种松材线虫病图像识别检测方法及装置，通过设置采用深度学习的目标检测技术对松材线虫病进行检测，能有效提高受病木的识别效率且具有较高的检测精度；采用图像智能识别定位方法采用统一的判别标准，有效提高了识别结果的覆盖率，泛化能力强。综合上述优点，松材线虫病图像识别检测方法能及时发现染病松树并确定其分布情况，有效监测松材线虫病疫情的发展动态，为松林管理人员和森林防护人员提供及时准确的信息。
-
公开(公告)号：CN118246596B
公开(公告)日：2025-03-28
申请号：CN202410334837.3
申请日：2024-03-22
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
Abstract: 本发明提出一种松材线虫病扩散蔓延预测方法，属于森林保护学技术领域。包括以下步骤：S1.收集松材线虫病历史发生数据，并存储为栅格数据，再将栅格数据转换为矢量数据；S2.获取松材线虫病的影响因子历史发生数据并对影响因子的相关性进行分析；S3建构基于松材线虫病的传染病动力学模型；S4.建构PGNN物理引导神经网络混合模型；S5.将松材线虫病历史发生数据和相关度强的影响因子数据输入至PGNN物理引导神经网络混合模型中，输出松材线虫病扩散蔓延情况。S6.基于遗传优化算法对PGNN物理引导神经网络模型参数进行优化，返回至S5；解决现有技术中存在的缺乏高效、准确的预测方法的技术问题。
-
公开(公告)号：CN112861812A
公开(公告)日：2021-05-28
申请号：CN202110320985.6
申请日：2021-03-25
Applicant: 东北林业大学
Abstract: 本发明公开了一种基于深度学习的松材线虫病灾害预测预报方法及装置，通过设置采用数据预处理，保证数据的可用性和纯净性；采用数据扩增，同时通过数据扩增器尽可能多地增加训练样本规模，数据补充和数据转换数据扩增技术被提出，应用最多的数据扩增技术有图像随机旋转、剪裁、平移、水平和垂直翻转方法，以向模型提供不同环境的数据，再通过优化器更新深度学习模型的参数，并将训练集输出结果，深度学习仍能学习到较好的稳定的分类特征，避免了传统特征提取方法的不足采用深度学习构建模型，通过对松材线虫病灾害预测预报可有效降低松材线虫病灾害程度，进而进行有效的预防。
-
公开(公告)号：CN118211733A
公开(公告)日：2024-06-18
申请号：CN202410462665.8
申请日：2024-04-17
Applicant: 东北林业大学 , 国家林业和草原局生物灾害防控中心
IPC: G06Q10/04 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 一种松材线虫病发生预测方法、电子设备及存储介质，属于森林病虫害大数据预测与控制技术领域。为提高松材线虫病发生预测的准确性，本发明建立松材线虫病多源影响因子数据集；进行时间和空间的划分，然后进行数据清洗、数据整合、数据转换和归一化处理，划分为对应的训练集和预测集；构建用于松材线虫病的细胞自动机模型；构建用于松材线虫病的时间卷积网络模型；利用处理后的松材线虫病多源影响因子数据集的预测集，输入到训练好的松材线虫病的细胞自动机模型、用于松材线虫病的时间卷积网络模型中，对松材线虫病发生进行预测；将松材线虫病发生预测结果，基于ArcGIS的可视化地理信息系统生成集成图层。本发明预测准确。
-
公开(公告)号：CN113011355A
公开(公告)日：2021-06-22
申请号：CN202110321019.6
申请日：2021-03-25
Applicant: 东北林业大学
Abstract: 本发明属于松材线虫病图像识别检测技术领域，具体涉及一种松材线虫病图像识别检测方法及装置，通过设置采用深度学习的目标检测技术对松材线虫病进行检测，能有效提高受病木的识别效率且具有较高的检测精度；采用图像智能识别定位方法采用统一的判别标准，有效提高了识别结果的覆盖率，泛化能力强。综合上述优点，松材线虫病图像识别检测方法能及时发现染病松树并确定其分布情况，有效监测松材线虫病疫情的发展动态，为松林管理人员和森林防护人员提供及时准确的信息。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.033 seconds)
