【技术实现步骤摘要】
【国外来华专利技术】预测和修正植被状态
技术介绍
[0001]本申请总体上涉及植被的维护，尤其涉及预测和标识植被将会过度生长并可能损坏有用区域并且需要被去除的区域。
[0002]虽然卫星图像可以提供对例如公用事业，交通运输基础设施和农业的当前植被侵害的准确二维成像，但是难以预测这些植被在恶劣天气期间将如何影响这些使用。因此，植被管理可能是劳动密集型的过程，其中检查员亲自视察相关资产，以检查植被的类型和状态并且标识需要被去除的植被。
技术实现思路
[0003]一种用于管理植被的方法，包括基于在天气事件之前的训练数据区域的图像、在天气事件之后的训练数据区域的图像以及关于天气事件的信息，来训练机器学习模型。基于第二区域的图像和第二区域的预测天气信息，使用已经训练的机器学习模型，生成第二区域的风险得分。该风险得分用于指示第二区域中的高风险植被。执行修正动作，以降低第二区域中植被的风险。
[0004]一种用于管理植被的方法，包括基于在天气事件之前的训练数据区域的图像、在天气事件之后的训练数据区域的图像和关于天气事件的信息，来训练机器学习模型，关于天...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于管理植被的方法，包括：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型；基于第二区域的图像和针对所述第二区域的预测天气信息，使用经训练的所述机器学习模型，生成针对所述第二区域的风险得分；确定所述风险得分指示所述第二区域中的高风险植被；以及执行修正动作以降低所述第二区域中植被的风险。2.根据权利要求1所述的方法，其中训练所述机器学习模型包括：确定所述天气事件之前的所述训练数据区域的所述图像与所述天气事件之后的所述训练数据区域的所述图像之间的差异。3.根据权利要求2所述的方法，其中训练所述机器学习模型还包括：将所述训练数据区域的已改变部分标识为第一类型样本，并且将所述训练数据区域的未改变部分标识为第二类型样本，以用作训练期间的标签。4.根据权利要求1所述的方法，其中训练所述机器学习模型还包括：标识所述天气事件之前的所述训练数据区域的所述图像中和所述天气事件之后的所述训练数据区域的所述图像中的植被。5.根据权利要求4所述的方法，其中，标识图像中的植被包括：比较光探测和测距(LIDAR)信息的局部极小值模型和局部极大值模型。6.根据权利要求5所述的方法，其中，标识图像中的植被还包括：确定植被存在于所述图像的、其中所述局部极小值模型与所述局部极大值模型之间的差异超过阈值的部分中。7.根据权利要求1所述的方法，其中训练所述机器学习模型还包括：标识所述训练数据区域中的人造结构。8.根据权利要求7所述的方法，其中，标识图像中的人造结构包括：将局部极小值模型和局部极大值模型与高程模型相比较。9.根据权利要求8所述的方法，其中，标识图像中的人造结构还包括：确定人造结构存在于所述训练数据区域的、其中所述局部极小值模型和所述局部极大值模型重合但两者都不同于所述高程模型的部分中。10.根据权利要求1所述的方法，其中所述修正动作包括：生成用于植被去除的建议以最小化植被对人造建筑物损坏的风险。11.根据权利要求10所述的方法，其中所述建议包括：在植被去除已经被执行之后，重复所述生成，以验证所述高风险植被已经被去除。12.一种用于管理植被的方法，包括：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型，所述关于天气事件的信息包括所述天气事件之前的所述训练数据区域的图像中和所述天气事件之后的所述训练数据区域的所述图像中示出的植被之间的差异；基于第二区域的图像和针对所述第二区域的预测天气信息，使用经训练的所述机器学习模型，生成针对所述第二区域的风险得分；确定所述风险得分指示所述第二区域中的高风险植被；以及
执行修正动作以降低所述第二区域中植被的风险。13.一种用于管理植被的非暂态计算机可读存储介质，包括计算机可读程序，其中当所述计算机可读程序在计算机上被执行时，使得所述计算机执行以下步骤：基于天气事件之前的训练数据区域的图像、所述天气事件之后的所述训练数据区域的图像、以及关于所述天气事件的信息来训练机器学习模型；基于第二区域的图像和针对所述第二区域的预测天气信息，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。