基于贵州省大样地调查的图斑区划判读与群团样地判读对比分析

基于贵州省森林资源宏观监测大样地调查方法,对比分析大样地图斑区划判读和群团样地判读两种方案的监测结果,以及与2015年度森林资源连续清查结果相比较,结果表明:群团样地判读方案森林面积估计结果更接近于连续清查结果;就森林资源现状监测而言,群团样地判读方案优于图斑区划判读方案。

宁夏森林资源宏观监测群团判读与图斑区划调查方法对比分析

为缩短森林资源数据产出周期,宁夏于2015年开展了森林资源宏观监测,全区采用群团样地判读和图斑区划判读两种方案,对比分析两种调查方法的结果,并且与2015年度森林资源连续清查结果比较,为探索宏观监测方法提供依据。

图斑区划在草原资源调查中的应用

新时期草原调查监测体系的构建紧迫而必要,其中开展与林地图斑对接融合的草原草班、小班区划是构建草原调查监测体系的基础性工作。通过借鉴森林资源调查中图斑区划技术,结合草原的特点,初步探索适用于草原资源调查的图斑区划方法。相较于传统的草原调查,图斑区划技术的应用可进一步增加调查成果的科学性及合理性,以及资源管理的便捷性,同时也有力促进林业草原融合发展。

91卫图助手软件在林业工作中的应用

91卫图助手软件界面清爽、操作简单、方便易用,具有支持全球高清卫星影像下载、支持全球高精度高程数据下载、强大的标注、勾绘功能以及可直接加载矢量图层等功能,用于在线图斑勾绘,其勾绘的图斑与ArcGIS软件交融性较好。文章阐述该款软件在林地变更判读图斑区划中的应用方法、该软件与ArcGIS软件交融性以及与手机版的奥维互动地图软件相结合的操作步骤,并就该软件在野外作业与内业作业的协同性、数据的同步性、影像的时相性等问题进行了讨论。

基于改进YOLOv8的无人机遥感影像树种识别方法

为利用周围环境信息识别不同树种,建立松树(Pinus spp.)、杉木(Cunninghamia lanceolata)、桉树(Eucalyptus spp.)和其他阔叶树的高分辨率无人机影像数据集,验证YOLOv8-LSK算法的识别效果;通过公共数据集,验证YOLOv8-LSK算法的泛化能力;为验证YOLOv8-LSK算法的精确率,将YOLOv8-LSK算法与5种算法进行对比;通过消融试验,验证YOLOv8-LSK算法的有效性。为验证空间注意力效果,采用YOLOv8算法作为基线,将LSK模块与不同轻量级模块进行比较。结果表明,与R3Det、CFA、AOPG和RVSA算法相比,YOLOv8-LSK算法mAP最高(81.23%),泛化能力较高。与TridentNet、RT-DETR、ReDet、Faster-RCNN和RTMDet算法相比,YOLOv8-LSK算法mAP最高(78.61%),精确率较高。消融试验结果表明,与YOLOv8、YOLOv7和YOLOv6算法相比,YOLOv8-LSK算法mAP显著提升。与CBAM、SKNet和ConvNext模块相比,YOLOv8-LSK算法mAP最高(78.61%)。YOLOv8-LSK算法识别的树种图斑边界均较明显,感受野更大。