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

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

自然資源部成立2018年3月，按照《國務院機構(gòu)改革方案》要求，成立了自然資源部，負責統(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

基于深度學習的變化信息提取技術(shù)流程三調(diào)遙感影像模型訓練影像分割樣本數(shù)據(jù)集深度學習模型訓練和優(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

基于深度學習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

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

基于深度學習的變化信息提取基于訓練好的模型，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

基于深度學習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

基于深度學習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”的國圖地理智能引擎系統(tǒng)，以更好地支撐應用。P173森林資源調(diào)查中的應用實踐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查清查(一類)P193.2

森林資源調(diào)查主要指標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準樣地，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地理智慧新方法應用基于遙感的機器學習分類優(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志板栗解譯標志判讀標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志松樹解譯標志判讀標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習模型選擇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習模型選擇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，以滿足其應用需要應用需