买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州方圆生态科技有限公司

摘要：本申请实施例提供一种基于人工智能的森林蓄积量检测方法及系统，依据候选激光点云数据与各连通激光点云数据之间的树种区域分布信息、树种指标分布信息，以及候选激光点云数据与各连通激光点云数据之间的目标树种的森林蓄积量扩散信息对调查样地热力空间进行生成，然后提取该调查样地热力空间的热力空间矢量数据，并挖掘候选激光点云数据对应的激光点云扩散数据，以及候选激光点云数据和各连通激光点云数据分别对应的森林蓄积量中的全域知识变量数据，汇聚全域知识变量数据和热力空间矢量数据来估计候选激光点云数据在未来候选时域下目标树种对应的目标森林蓄积量，无需获得目标树种的准确区域信息，提高森林蓄积量检测的可靠性。

主权项：1.一种基于人工智能的森林蓄积量检测方法，其特征在于，所述方法包括：获取目标森林调查样地的候选激光点云数据对应的激光点云扩散数据，所述激光点云扩散数据用于反映所述候选激光点云数据与各连通激光点云数据之间的连通关系特征，所述连通激光点云数据为与所述候选激光点云数据连通的激光点云数据；获取所述候选激光点云数据与各所述连通激光点云数据分别在调查时域范围内的森林蓄积量；基于所述森林蓄积量生成调查样地热力空间，所述调查样地热力空间用于反映所述候选激光点云数据与各所述连通激光点云数据之间的树种热力分布信息，以及所述候选激光点云数据与各所述连通激光点云数据之间的森林蓄积量扩散信息，所述树种热力分布信息包括树种指标分布信息和树种区域分布信息；对所述森林蓄积量与所述激光点云扩散数据进行全域知识变量数据挖掘，生成全域知识变量数据；对所述调查样地热力空间进行热力空间矢量挖掘，生成热力空间矢量数据；对所述全域知识变量数据和所述热力空间矢量数据进行汇聚，生成汇聚变量数据；对所述汇聚变量数据进行森林蓄积量估计，生成所述候选激光点云数据在未来候选时域下目标树种对应的目标森林蓄积量，所述未来候选时域为所述调查时域范围之后的时域范围；获取候选激光点云数据对应的调查样地热力空间，包括：基于所述候选激光点云数据与各所述连通激光点云数据分别对应的调查样地分区信息，确定所述候选激光点云数据与各所述连通激光点云数据分别对应的样地参考点以及分别对应的样木指标；基于所述分别对应的样木指标与预置关联规则确定所述候选激光点云数据与各所述连通激光点云数据分别对应的空间映射值，所述预置关联规则用于反映样木指标与空间映射值的映射向量；基于各所述空间映射值对所述候选激光点云数据和各所述连通激光点云数据进行空间映射构建，生成单位映射空间；在所述单位映射空间中各样地参考点处生成对应的热力单元，生成所述调查样地热力空间，所述样地参考点对应的热力单元的样木指标与所述样地参考点对应的单位样木检测数据的森林蓄积量正向关联，所述单位样木检测数据为所述候选激光点云数据或所述连通激光点云数；所述基于各所述空间映射值对所述候选激光点云数据和各所述连通激光点云数据进行空间映射构建，生成单位映射空间，包括：对所述候选激光点云数据和各所述连通激光点云数据使用第一映射规则映射，生成所述单位映射空间；所述在所述单位映射空间中各样地参考点处生成对应的热力单元，生成所述调查样地热力空间，包括：对各样地参考点处对应的热力单元使用第二映射规则映射，生成所述调查样地热力空间，所述第二映射规则与所述第一映射规则不同；所述调查时域范围包括一个或多个单位时域范围，各个所述单位时域范围包括多个时域子范围，所述森林蓄积量包括各个所述时域子范围各个单位样木检测数据中目标树种的森林蓄积量，所述单位样木检测数据为所述候选激光点云数据或所述连通激光点云数据，所述对所述森林蓄积量与所述激光点云扩散数据进行全域知识变量数据挖掘，生成全域知识变量数据，包括：基于所述激光点云扩散数据生成顶点间关系二维数组，所述顶点间关系二维数组用于反映各所述单位样木检测数据的关联信息以及关联度；基于所述森林蓄积量，生成各个所述单位样木检测数据在各个所述单位时域范围对应的单位时域森林蓄积量信息；对于各个单位时域，对所述顶点间关系二维数组和对应的所述单位时域森林蓄积量信息进行编码，生成第一编码矢量；基于所述第一编码矢量和所述顶点间关系二维数组进行编码，生成第二编码矢量；汇聚所述单位时域对应的所述单位时域森林蓄积量信息、所述第一编码矢量和所述第二编码矢量，生成所述单位时域下的全域知识变量数据；所述对所述调查样地热力空间进行热力空间矢量挖掘，生成热力空间矢量数据，包括：对所述调查样地热力空间进行拆分，生成多个调查样地热力子空间；对各所述调查样地热力子空间进行启发式特征搜索，生成多个启发式搜索特征；对各所述启发式搜索特征进行显著性特征矢量挖掘，生成所述热力空间矢量数据；所述方法通过调度目标森林蓄积量估计网络执行，所述目标森林蓄积量估计网络包括第一网络功能参数层、第二网络功能参数层和第三网络功能参数层，所述目标森林蓄积量估计网络的训练步骤，包括：获取模板激光点云数据和所述模板激光点云数据在模板调查时域节点对应的森林蓄积量；基于所述模板调查时域节点确定模板调查时域范围；获取所述模板激光点云数据对应的模板激光点云扩散数据；获取所述模板激光点云数据与各模板连通激光点云数据各自在模板调查时域范围内的模板森林蓄积量；基于所述模板森林蓄积量生成模板调查样地热力空间；依据所述第一网络功能参数层对所述模板森林蓄积量与所述模板激光点云扩散数据进行全域知识变量数据挖掘，生成模板全域知识变量数据；依据所述第二网络功能参数层对所述模板调查样地热力空间进行热力空间矢量挖掘，生成模板热力空间矢量数据；依据所述第三网络功能参数层对所述模板全域知识变量数据和所述模板热力空间矢量数据进行汇聚，生成模板汇聚变量数据；以及对所述模板汇聚变量数据进行森林蓄积量估计，生成所述模板激光点云数据在模板调查时域节点对应的估计森林蓄积量；基于所述估计森林蓄积量和所述模板调查时域节点对应的森林蓄积量之间的交叉熵损失函数值，更新所述第一网络功能参数层、所述第二网络功能参数层和所述第三网络功能参数层的权重信息，生成所述目标森林蓄积量估计网络；所述第一网络功能参数层包括级联的第一编码器、以及第二编码器，所述第三网络功能参数层包括级联的多个特征融合子网络、分类器和映射子网络，所述依据所述第一网络功能参数层对所述模板森林蓄积量与所述模板激光点云扩散数据进行全域知识变量数据挖掘，生成模板全域知识变量数据，包括：依据所述第一编码器对所述模板森林蓄积量与所述模板激光点云扩散数据进行编码，生成树种热力特征；依据所述第二编码器对所述树种热力特征进行编码，生成所述模板全域知识变量数据；所述依据所述第三网络功能参数层对所述模板全域知识变量数据和所述模板热力空间矢量数据进行汇聚，生成模板汇聚变量数据，包括：将所述模板全域知识变量数据和所述模板热力空间矢量数据输入级联的所述多个特征融合子网络，生成所述模板汇聚变量数据；所述对所述模板汇聚变量数据进行森林蓄积量估计，生成所述模板激光点云数据在模板调查时域节点对应的估计森林蓄积量，包括：将所述模板汇聚变量数据输入级联的所述分类器和所述映射子网络，生成所述模板激光点云数据在模板调查时域节点对应的估计森林蓄积量；所述方法还包括：获取森林资源统计规则模板，所述森林资源统计规则模板包括多个森林保护评分，以及各个所述森林保护评分对应的权重范围；基于估计的所述目标森林蓄积量和所述候选激光点云数据的样木指标，确定所述候选激光点云数据对应的估计权重；在所述森林资源统计规则模板中确定所述估计权重所在的权重范围；将所述估计权重所在的权重范围所映射的森林保护评分，输出为所述候选激光点云数据的森林保护评分。

全文数据：

权利要求：

百度查询： 广州方圆生态科技有限公司 基于人工智能的森林蓄积量检测方法及系统