-
Patent Agency Ranking
公开(公告)号：CN118333231A
公开(公告)日：2024-07-12
申请号：CN202410589324.7
申请日：2024-05-13
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 , G06Q10/067 , G06Q50/02 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 一种松材线虫病害传播预测方法、电子设备及存储介质，属于松材线虫病害预测技术领域。为提高松材线虫病害预测的准确性，本发明包括数据收集，包括疫木分布地区的历史病害发生数据和疫木分布地区的气象数据和地理信息数据；进行预处理，然后构建训练集、验证集和测试集；构建基于Kalman‑LSTM‑NGO组合的松材线虫病害传播预测模型，利用得到的训练集进行模型训练，利用验证集对模型进行验证调优和测试，利用测试集对模型进行预测，得到松材线虫病害传播预测结果进行可视化处理，用于帮助决策者根据可视化处理结果分析施肥、疏伐、采伐方面的措施，提出包括松树疫情监测、控制手段和资源分配的优化建议。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。
-
公开(公告)号：CN118333231B
公开(公告)日：2025-02-14
申请号：CN202410589324.7
申请日：2024-05-13
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 , G06Q10/067 , G06Q50/02 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 一种松材线虫病害传播预测方法、电子设备及存储介质，属于松材线虫病害预测技术领域。为提高松材线虫病害预测的准确性，本发明包括数据收集，包括疫木分布地区的历史病害发生数据和疫木分布地区的气象数据和地理信息数据；进行预处理，然后构建训练集、验证集和测试集；构建基于Kalman‑LSTM‑NGO组合的松材线虫病害传播预测模型，利用得到的训练集进行模型训练，利用验证集对模型进行验证调优和测试，利用测试集对模型进行预测，得到松材线虫病害传播预测结果进行可视化处理，用于帮助决策者根据可视化处理结果分析施肥、疏伐、采伐方面的措施，提出包括松树疫情监测、控制手段和资源分配的优化建议。本发明预测准确。
-
公开(公告)号：CN119274098A
公开(公告)日：2025-01-07
申请号：CN202411810036.6
申请日：2024-12-10
Applicant: 国家林业和草原局生物灾害防控中心
Abstract: 本申请提供了基于无人机可见光遥感的松材线虫病疫木感病阶段监测识别方法，具体涉及影像数据的读取和识别以用于松材线虫病变色识别技术领域，包括以下步骤：基于获取的无人机可见光遥感数据进行几何配准、裁剪等预处理；基于可见光三波段计算植被指数：可见光波段差异植被指数（visible‑band difference vegetation index，VDVI）、超绿指数（excess green index，ExG）；将可见光影像及对应的植被指数图像转为灰度图像，对其进行多阈值分割；依据最佳阈值提取变色立木，对提取结果进行后处理实现单株变色立木识别，进一步提升了基于可见光无人机遥感影像识别松材线虫病变色木的效率与精度。
-
-
-
-
Search Results
5
records
(took 0.033 seconds)
