-
Patent Agency Ranking
公开(公告)号：CN112560585B
公开(公告)日：2024-04-16
申请号：CN202011360235.3
申请日：2020-11-27
Applicant: 中国科学院东北地理与农业生态研究所
IPC: G06V20/13 , G06V20/40 , G06V10/764
Abstract: 本发明公开了一种基于AWEInsh与MNDWI指数相结合的养殖池塘信息提取方法，一、对数据进行正射纠正和几何精纠正；二、对Landsat的OLI影像进行多层多尺度分割；三、计算AWEInsh(自动化水体提取指数)和MNDWI(改进的归一化水体指数)；四、去除非水体对象；五、提取养殖池塘对象；六、导出养殖池塘对象，生成养殖池塘矢量；七、在ArcGIS软件中制作养殖池塘专题地图。准确提取养殖池塘空间分布信息；通过设定阈值逐层提取养殖池塘对象，制作养殖池塘专题地图。所得分类结果精度高，且为沿海原生湿地的萎缩或消失、自然栖息地的破坏、生物多样性的丧失、海岸带脆弱性的增加等问题提供技术借鉴。本发明对遥感影像与各种水体指数相结合快速自动提取养殖池塘信息具有实践意义。
-
公开(公告)号：CN109142679B
公开(公告)日：2021-10-26
申请号：CN201810916677.8
申请日：2018-08-13
Applicant: 中国科学院东北地理与农业生态研究所
IPC: G01N33/24
Abstract: 本发明公开了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法，包括以下步骤：获取环境因子栅格数据；计算得到基于多层感知器神经网络的森林土壤养分空间分布图；进行实测养分值与预测值之间的残差计算；对神经网络预测残差进行分析和检验；进行残差的半方差计算及半方差函数定的模型模拟，得到各模型类型及参数；得到的半方差模型参数，对残差进行普通克里金插值，得到神经网络预测残差的空间分布；将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。本发明所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。
-
公开(公告)号：CN112649372A
公开(公告)日：2021-04-13
申请号：CN202011360244.2
申请日：2020-11-27
Applicant: 中国科学院东北地理与农业生态研究所
Abstract: 本发明公开了一种基于机器学习的遥感反演森林郁闭度的方法，本发明涉及基于机器学习遥感反演森林郁闭度的方法。本发明是要解决当前无法低成本、高效率且大面积估计森林郁闭度的问题，而提出了一种以遥感影像为基础，运用机器学习高精度反演森林郁闭度的方法。
-
公开(公告)号：CN112560585A
公开(公告)日：2021-03-26
申请号：CN202011360235.3
申请日：2020-11-27
Applicant: 中国科学院东北地理与农业生态研究所
Abstract: 本发明公开了一种基于AWEInsh与MNDWI指数相结合的养殖池塘信息提取方法，一、对数据进行正射纠正和几何精纠正；二、对Landsat的OLI影像进行多层多尺度分割；三、计算AWEInsh(自动化水体提取指数)和MNDWI(改进的归一化水体指数)；四、去除非水体对象；五、提取养殖池塘对象；六、导出养殖池塘对象，生成养殖池塘矢量；七、在ArcGIS软件中制作养殖池塘专题地图。准确提取养殖池塘空间分布信息；通过设定阈值逐层提取养殖池塘对象，制作养殖池塘专题地图。所得分类结果精度高，且为沿海原生湿地的萎缩或消失、自然栖息地的破坏、生物多样性的丧失、海岸带脆弱性的增加等问题提供技术借鉴。本发明对遥感影像与各种水体指数相结合快速自动提取养殖池塘信息具有实践意义。
-
公开(公告)号：CN109142679A
公开(公告)日：2019-01-04
申请号：CN201810916677.8
申请日：2018-08-13
Applicant: 中国科学院东北地理与农业生态研究所
IPC: G01N33/24
CPC classification number: G01N33/24
Abstract: 本发明公开了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法，包括以下步骤：获取环境因子栅格数据；计算得到基于多层感知器神经网络的森林土壤养分空间分布图；进行实测养分值与预测值之间的残差计算；对神经网络预测残差进行分析和检验；进行残差的半方差计算及半方差函数定的模型模拟，得到各模型类型及参数；得到的半方差模型参数，对残差进行普通克里金插值，得到神经网络预测残差的空间分布；将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。本发明所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。
-
-
-
-
Search Results
5
records
(took 0.031 seconds)
