地理智慧助力自然資源調(diào)查更高效

地理智慧助力自然資源調(diào)查更高效匯

報

提

綱01

自然資源調(diào)查應(yīng)用需求森林資源調(diào)查中的應(yīng)用實踐總結(jié)與展望030402

國土變更調(diào)查中的應(yīng)用實踐P21自然資源調(diào)查應(yīng)用需求P31.1

自然資源部成立2018年3月，按照《國務(wù)院機構(gòu)改革方案》要求，成立了自然資源部，負(fù)責(zé)統(tǒng)一開展自然資源調(diào)查工作。水資源自然資源森林資源草原資源土地資源統(tǒng)一調(diào)查濕地資源…

…礦產(chǎn)資源P41.2

自然資源調(diào)查體系設(shè)計2020年1月，自然資源部印發(fā)了《自然資源調(diào)查監(jiān)測體系構(gòu)建總體方案》，方案明確了自然資源統(tǒng)一調(diào)查的調(diào)查內(nèi)容。自然資源調(diào)查專項調(diào)查基礎(chǔ)調(diào)查P51.3

自然資源調(diào)查技術(shù)需求空天地網(wǎng)智能化識別大數(shù)據(jù)挖掘二三維一體化P61.4

地理智慧相關(guān)技術(shù)發(fā)展隨著5G、云計算、大數(shù)據(jù)、邊緣計算、物聯(lián)網(wǎng)、人工智能等新技術(shù)的快速發(fā)展和創(chuàng)新，這些技術(shù)與地理信息技術(shù)的融合發(fā)展，帶動了地理智慧的快速發(fā)展。云GIS分布式GIS邊緣GIS人工智能GIS區(qū)塊鏈GIS大數(shù)據(jù)GIS三維GIS……P72國土變更調(diào)查中的應(yīng)用實踐P82.1

國土變更調(diào)查工作內(nèi)容變化信息提取工作底圖制作外業(yè)調(diào)查實地舉證逐級匯交核查數(shù)據(jù)庫更新P92.2

變化信息提取傳統(tǒng)方法疊加最新正射影像和最新的國土變更調(diào)查數(shù)據(jù)庫，逐圖斑逐網(wǎng)格進行地類的人工判讀，提取疑似變化圖斑的地類和范圍，費時費力，工作效率低。P102.3

基于深度學(xué)習(xí)的變化信息提取技術(shù)流程三調(diào)遙感影像模型訓(xùn)練影像分割樣本數(shù)據(jù)集深度學(xué)習(xí)模型訓(xùn)練和優(yōu)化模型文件三調(diào)圖斑數(shù)據(jù)最新遙感影像模型文件分地類識別地類識別結(jié)果圖斑提取變化圖斑提取最新國土調(diào)查數(shù)據(jù)庫P112.3

基于深度學(xué)習(xí)的變化信息提取利用全國多個地方的2018年、2019年三調(diào)遙感影像及對應(yīng)的地類圖斑數(shù)據(jù)，批量建立影像分割樣本數(shù)據(jù)集。P122.3

基于深度學(xué)習(xí)的變化信息提取利用影像分割樣本數(shù)據(jù)集，對深度學(xué)習(xí)模型進行模型訓(xùn)練與優(yōu)化。D-LinkNet神經(jīng)網(wǎng)絡(luò)模型開源框架P132.3

基于深度學(xué)習(xí)的變化信息提取基于訓(xùn)練好的模型，對調(diào)查區(qū)的最新遙感影像分地類進行自動解譯，形成分地類的解譯成果。P142.3

基于深度學(xué)習(xí)的變化信息提取針對輪廓模糊的分割結(jié)果邊界不規(guī)則問題，研究現(xiàn)有的解譯圖斑規(guī)則化方法，提出了一種基于特征邊重構(gòu)的建筑物化簡算法，以提高解譯圖斑邊界效果。識別圖斑結(jié)果計算主方向直角化規(guī)則特征邊編號規(guī)則化結(jié)果特征邊重構(gòu)特征邊分組P152.3

基于深度學(xué)習(xí)的變化信息提取疊加處理后的地類識別成果和最新國土調(diào)查成果，通過相交處理后提取地類不一致的圖斑作為變化圖斑。P162.4

國圖地理智能引擎系統(tǒng)研發(fā)基于多年實踐經(jīng)驗和數(shù)據(jù)積累，公司研發(fā)了“強樣本、強引擎、強業(yè)務(wù)”的國圖地理智能引擎系統(tǒng)，以更好地支撐應(yīng)用。P173森林資源調(diào)查中的應(yīng)用實踐P183.1

森林資源調(diào)查分類以國有林場、森林公園等森林經(jīng)營單位或縣級行政區(qū)域為調(diào)查單位，按照普查方式進行的森林資源調(diào)查森林資源規(guī)劃設(shè)計調(diào)查(二類)森林資源調(diào)查森林資源連續(xù)以省為單位，利用固定樣地為主進行的森林資源抽樣復(fù)查清查(一類)P193.2

森林資源調(diào)查主要指標(biāo)平均胸徑平均樹高優(yōu)勢樹種森林資源調(diào)查蓄積量公頃株數(shù)郁閉度P203.3

傳統(tǒng)調(diào)查方法基于林地小班選擇標(biāo)準(zhǔn)樣地，以樣地為單位進行因子抽樣調(diào)查。調(diào)查方式采用人工目視調(diào)查和人工測量方式，效率低，工作量大。樣地布設(shè)人工測量P213.4地理智慧新方法應(yīng)用基于遙感的機器學(xué)習(xí)分類優(yōu)勢樹種平均胸徑平均樹高公頃株數(shù)蓄積量LiDAR估測模型反演P223.5

基于遙感的優(yōu)勢樹種智能識別技術(shù)流程P233.5

基于遙感的優(yōu)勢樹種智能識別建立樹種分類體系解譯標(biāo)志板栗解譯標(biāo)志判讀標(biāo)志影像特征板栗樹冠寬大，大多經(jīng)過修剪且排列隨機，顏色較亮，光譜特征明顯，紋理精細(xì)均勻。麻櫟樹冠較板栗小，樹木排列緊密，影像上呈“破裂”狀。麻櫟P243.5

基于遙感的優(yōu)勢樹種智能識別解譯標(biāo)志松樹解譯標(biāo)志判讀標(biāo)志影像特征松樹是在真彩色圖像上，亮度較暗，與杉木一樣呈現(xiàn)深色。圖像紋理較其他植被類型粗糙。杉木一般樹冠小，略高大。影像上呈現(xiàn)棵棵分明，且一般以純林的形式出現(xiàn)。杉木竹林竹林顏色較暗，具有較平滑細(xì)密的紋理特征，特征明顯。P253.5

基于遙感的優(yōu)勢樹種智能識別植被區(qū)域提取選用面向?qū)ο?，基于閾值法提取植被與非植被區(qū)域植被與非植被提取P263.5

基于遙感的優(yōu)勢樹種智能識別機器學(xué)習(xí)模型選擇SegNet網(wǎng)絡(luò)結(jié)構(gòu)U-Net網(wǎng)絡(luò)結(jié)構(gòu)改進型的U-Net++網(wǎng)絡(luò)結(jié)構(gòu)P273.5

基于遙感的優(yōu)勢樹種智能識別機器學(xué)習(xí)模型選擇P283.5

基于遙感的優(yōu)勢樹種智能識別優(yōu)勢樹種分類P293.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查技術(shù)路程P303.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查激光雷達(dá)數(shù)據(jù)獲取P313.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查激光點云數(shù)據(jù)處理歸一化處理點云濾波、去噪、分類生成DSM、DTM、CHM單木分割P323.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查樣地數(shù)據(jù)采集P333.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查反演模型構(gòu)建樣地實測數(shù)據(jù)激光獲取數(shù)據(jù)P343.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查最優(yōu)模型選擇實測胸徑與估測冠幅方程實測胸徑與估測樹高自然對數(shù)方程P353.6

基于LiDAR數(shù)據(jù)的林木因子調(diào)查精度對比分析P364總結(jié)與展望P37總

結(jié)隨著自然資源調(diào)查工作的逐步推進，對地理智慧相關(guān)技術(shù)的應(yīng)用需求將越來越廣，同時也推動著地理智慧技術(shù)不斷向前發(fā)展，以滿足其應(yīng)用需要應(yīng)用需