-
公开(公告)号：CN119992330A
公开(公告)日：2025-05-13
申请号：CN202510079654.6
申请日：2025-01-18
Applicant: 西南林业大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/084
Abstract: 本发明公开了一种动态上下文聚合的建筑物遥感影像变化检测方法，属于图像检测领域；所述方法包括：构建数据集并进行样本划分；构建DCA‑NET网络模型；对构建后的网络模型进行参数调整；将划分后的数据集输入模型进行检测，得到变化结果；对变化结果进行定量评估。本发明通过引入动态上下文注意力机制，模型能够更好地整合局部和全局信息，从而提高对目标变化区域的检测能力；相较于传统技术中未充分考虑邻域特征相互关系以及标准卷积运算局限于固定局部感受野的问题，本发明可以灵活调整卷积核的形状和尺寸，提高模型在大尺度全局结构与小尺度细节特征的捕捉能力。
-
公开(公告)号：CN118962673A
公开(公告)日：2024-11-15
申请号：CN202411422727.9
申请日：2024-10-12
Applicant: 西南林业大学
Abstract: 本发明涉及森林高度估计技术领域，公开了一种两阶段改进的森林高度估计方法，基于InSAR数据计算干涉相干幅度γ和垂直波数kz；以InSAR森林高度反演模型SINC模型为基础，分析SINC模型的系统误差来源并进行模拟测试；在SINC模型误差分析的基础上，求解SINC模型的系统误差校正系数改进SINC模型，完整第一阶段改进并验证有效性；使用改进的卡尔曼滤波算法同化SINC模型以减少SINC模型的非系统误差，实现第二阶段改进；利用两阶段改进的SINC模型估计森林高度。由此，本发明以InSAR数据和SINC模型为基础，基于系统误差校正和卡尔曼滤波两阶段改进SINC模型实现InSAR数据的森林高度精准估计，该方法能有效提高InSAR数据的森林高度估计精度。
-
公开(公告)号：CN117077547B
公开(公告)日：2023-12-26
申请号：CN202311331655.2
申请日：2023-10-16
Applicant: 西南林业大学
Abstract: 本发明涉及生物量估测技术领域，公开了一种森林地上生物量估计方法及系统，该方法包括：使用相干散射模型RVoG三阶段方法反演得到森林冠层高度和消光系数，计算复相干的相位中心高度和相干分离度；基于微波穿透深度理论计算体散射复相干的穿透深度，计算穿透补偿后的RVoG模型森林高度和穿透深度比；根据InSAR几何关系计算垂直波数、2π模糊高度、基线参数；采用交叉验证递归特征消除法降低自变量维度；使用全局最优粒子群算法优化支持向量机回归模型参数，基于交叉验证递归特征消除法选择自变量特征估计森林地上生物量。本发明通过集成PolInSAR多维度参数和优化的机器学习方法有效的提高了森林生物量估计精度。
-
Patent Agency Ranking
公开(公告)号：CN118962673B
公开(公告)日：2025-01-24
申请号：CN202411422727.9
申请日：2024-10-12
Applicant: 西南林业大学
Abstract: 本发明涉及森林高度估计技术领域，公开了一种两阶段改进的森林高度估计方法，基于InSAR数据计算干涉相干幅度γ和垂直波数kz；以InSAR森林高度反演模型SINC模型为基础，分析SINC模型的系统误差来源并进行模拟测试；在SINC模型误差分析的基础上，求解SINC模型的系统误差校正系数改进SINC模型，完整第一阶段改进并验证有效性；使用改进的卡尔曼滤波算法同化SINC模型以减少SINC模型的非系统误差，实现第二阶段改进；利用两阶段改进的SINC模型估计森林高度。由此，本发明以InSAR数据和SINC模型为基础，基于系统误差校正和卡尔曼滤波两阶段改进SINC模型实现InSAR数据的森林高度精准估计，该方法能有效提高InSAR数据的森林高度估计精度。
-
公开(公告)号：CN119273994A
公开(公告)日：2025-01-07
申请号：CN202411493850.X
申请日：2024-10-24
Applicant: 西南林业大学
IPC: G06V10/764 , G06V20/10 , G06V10/42 , G06V10/44 , G06V10/58 , G06V10/77 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本申请公开了基于光谱深度提取卷积神经网络SDA‑CNN的树种分类方法及其系统，可以克服高光谱影像中的光谱信息的利用效率较低以及无法有效地提取每个光谱通道的有效特征，导致树种分类性能被限制的技术缺陷，最终提升树种分类性能以及分类准确性。树种分类方法包括：使用高光谱森林影像数据构建的深度学习样本集，对光谱深度提取卷积神经网络SDA‑CNN模型进行模型训练以及树种分类，在SDA‑CNN模型中采用包括二维卷积和逐深度卷积的混合神经网络模块，并新增设置有领域像素感知模块，使得二维卷积用于提取图像的全局空间信息以生成全局特征；逐深度卷积用于在每个光谱通道上独立执行卷积操作而不在各光谱通道间共享权重以提取各光谱通道间的相关性信息，领域像素感知模块用于提取邻近像素中包含的目标像素周围的环境信息。
-
公开(公告)号：CN118795471B
公开(公告)日：2024-11-15
申请号：CN202411290584.0
申请日：2024-09-14
Applicant: 西南林业大学
IPC: G01S13/88 , G01S13/86 , G01S17/86 , G06N3/044 , G06F18/213
Abstract: 本发明涉及山地森林冠层高度估测技术领域，公开了一种山地森林冠层高度精准估测方法及系统，该方法包括：获取多源遥感数据集；提取多源遥感数据集中不同类型多源遥感数据的数据特征，构建遥感数据特征集；采用循环神经网络捕捉序列数据的长期依赖关系，以马尔可夫计算序列数据状态之间的转移关系，构建深度马尔可夫模型；获取机载雷达的森林冠层高度模型，基于遥感数据特征集和深度马尔可夫模型，预测森林冠层高度。本发明基于Landsat8光学遥感数据、Alos‑2极化SAR数据、星载激光雷达GEDI数据，以地形坡度为哑变量，采用深度学习的马尔可夫回归DMR进行森林冠层高度估计，能有效提高山地条件下森林冠层高度估计精度。
-
公开(公告)号：CN118795471A
公开(公告)日：2024-10-18
申请号：CN202411290584.0
申请日：2024-09-14
Applicant: 西南林业大学
IPC: G01S13/88 , G01S13/86 , G01S17/86 , G06N3/044 , G06F18/213
Abstract: 本发明涉及山地森林冠层高度估测技术领域，公开了一种山地森林冠层高度精准估测方法及系统，该方法包括：获取多源遥感数据集；提取多源遥感数据集中不同类型多源遥感数据的数据特征，构建遥感数据特征集；采用循环神经网络捕捉序列数据的长期依赖关系，以马尔可夫计算序列数据状态之间的转移关系，构建深度马尔可夫模型；获取机载雷达的森林冠层高度模型，基于遥感数据特征集和深度马尔可夫模型，预测森林冠层高度。本发明基于Landsat8光学遥感数据、Alos‑2极化SAR数据、星载激光雷达GEDI数据，以地形坡度为哑变量，采用深度学习的马尔可夫回归DMR进行森林冠层高度估计，能有效提高山地条件下森林冠层高度估计精度。
-
公开(公告)号：CN118551153A
公开(公告)日：2024-08-27
申请号：CN202410924675.9
申请日：2024-07-11
Applicant: 西南林业大学
Abstract: 本发明涉及森林地上生物量估测技术领域，公开了一种基于多源遥感数据多尺度森林生物量抽样估测方法及系统，该方法包括：将抽样区内的森林进行林场、林分、样地的尺度划分，分别采用对应遥感数据描述各尺度下的森林信息；采用不同抽样方法进行林场尺度和林分尺度的森林生物量抽样估测，确定最佳抽样方案；采用二阶抽样对最佳抽样方案相结合，构成最终的多尺度森林生物量抽样估测方案以执行抽样区的森林生物量估测。本发明通过将抽样区内的森林分成林场、林分、样地三个尺度，然后采用不同抽样方法对各尺度的森林生物量进行抽样估测，优选出最佳抽样方案，最后采用二阶抽样来整合森林生物量，有效提高了森林地上生物量的抽样效率。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.052 seconds)
