CN104268657A - 基于遥感的流域水生态风险预警和判别方法 - Google Patents
基于遥感的流域水生态风险预警和判别方法 Download PDFInfo
- Publication number
- CN104268657A CN104268657A CN201410520624.6A CN201410520624A CN104268657A CN 104268657 A CN104268657 A CN 104268657A CN 201410520624 A CN201410520624 A CN 201410520624A CN 104268657 A CN104268657 A CN 104268657A
- Authority
- CN
- China
- Prior art keywords
- risk
- water ecological
- ecological
- basin
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 239000003643 water by type Substances 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于遥感的流域水生态风险预警和判别方法，涉及水生态安全领域。包括如下步骤：利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态安全遥感评价模型和水生态风险评价模型；根据所述水生态安全遥感评价模型识别流域水生态潜在风险区；在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区；在所述风险预警区判别主导风险指标。本发明的技术方案，考虑了流域水生态的综合安全指标及其实时变化，因此，可以准确而有效的找到水生态风险预警区和主导风险因子，准确而有效的评价水生态系统的风险，从而适应我国复杂的流域水生态系统的改善和生态恢复的管理需求。
Description
技术领域
本发明涉及水生态安全领域，尤其涉及基于遥感的流域水生态风险预警和判别方法。
背景技术
随着人类活动的干扰，很多流域水生态系统受到了极大的破坏。目前，对于流域水生态系统的治理和保护的研究越来越多，大多数是基于对单一污染物带来的流域水生态系统的研究，而由于流域水生态系统由多种不同流域类型的服务功能共同相互作用构成，且各流域类型的作用会随时间、代表其结构、状态及功能的指标的变化而变化。所以流域水生态系统是一个复杂系统。依靠单一污染物研究不足以提供全面风险信息，无法适应我国复杂的流域水生态系统的改善和生态恢复的管理需求。
发明内容
本发明的目的在于提供一种基于遥感的流域水生态风险预警和判别方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于遥感的流域水生态风险预警方法，包括如下步骤：
S1，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态安全遥感评价模型；
S2，根据所述水生态安全遥感评价模型识别流域水生态潜在风险区；
S3，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态风险评价模型；
S4，在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区。
具体地，所述流域包括，陆域、岸边带和水域中的至少一种。
进一步地，步骤S1之前还包括，
获取所述流域水生态遥感数据；
利用遥感定量反演模型，从所述遥感数据反演得到所述水生态遥感数据对应的水生态安全指标反演参数。
具体地，步骤S1为，
S11，利用流域水生态遥感数据建立遥感定量模型；
S12，利用所述遥感数据对应的水生态安全指标反演参数建立水生态安全遥感模型；
S13，利用所述遥感定量模型和所述水生态安全遥感模型建立水生态安全遥感评价模型。
更具体地，步骤S11为，
S111，根据所述流域水生态遥感数据识别流域类型；
S112，获取所述流域类型的影像象元数和象元面积；
S113，根据所述流域类型的所述影像象元数和所述象元面积建立所述流域类型的遥感定量模型。
更具体地，步骤S12为，
S121，根据所述水生态安全指标反演参数获取水生态安全指标；
S122，根据所述水生态安全指标识别流域类型；
S123，根据所述流域类型对应的所述水生态安全指标，建立所述流域类型的水生态安全遥感模型。
具体地，步骤S3中，所述水生态风险评价模型包括水生态风险概率模型和水生态破坏经济损失的模型。
进一步地，步骤S4中，所述在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区之前还包括，在所述潜在风险区中划分风险等级及设置预警阈值。
一种基于遥感的流域水生态风险判别方法，包括上述基于遥感的流域水生态风险预警方法，且步骤S4之后，还包括
S5，在所述风险预警区判别主导风险指标。
具体地，步骤S5为，
S51，在所述风险预警区识别水生态风险类型；
S52，根据所述水生态风险类型判别主导水生态风险的指标。
本发明的有益效果是：本发明通过将水生态遥感数据与水生态风险评价模型相结合，识别流域水生态风险预警区，实现了对流域水生态风险的预警和评价。由于本发明对流域水生态风险的预警和评价是基于流域水生态遥感数据的，而流域水生态遥感数据是针对整个水生态系统的数据，而且是实时更新的，所以利用本发明的技术方案对流域水生态风险进行预警和评价，考虑了流域水生态的综合安全指标及其实时变化，因此，可以准确而有效的找到水生态风险预警区和主导风险因子，准确而有效的评价水生态系统的风险，从而适应我国复杂的流域水生态系统的改善和生态恢复的管理需求。
附图说明
图1是本发明实施例提供的流域水生态风险预警方法流程图；
图2是本发明实施例提供的流域水生态风险判别方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于遥感的流域水生态风险预警方法，该方法包括如下步骤：
S1，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态安全遥感评价模型；
S2，根据所述水生态安全遥感评价模型识别流域水生态潜在风险区；
S3，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态风险评价模型；
S4，在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区。
其中，所述流域包括，陆域、岸边带和水域中的至少一种。
在本发明实施例中，为了能够对水生态系统进行更加准确的预警，本发明实施例中，综合使用了流域陆域、岸边带和/或水域等多方面的遥感数据。由于流域水生态系统由水生态系统陆域、岸边带和/或水域等多方面的服务功能共同相互作用构成，所以，本发明的实施例中的水生态指标能够反映流域水生态的真实情况，以多方面的水生态安全评价指标建立的水生态安全遥感综合评价模型，也是包括以上多个尺度的，因此可以真实的反应水生态安全标准；而将该多尺度的水生态安全遥感综合评价模型与水生态风险评价模型向耦合，则可以比较准确的找到风险预警区及其等级，进而准确的找到导致水生态系统遭到破坏的主导因子，进而进行有效的治理和预防。
步骤S1之前还包括，
获取所述流域水生态遥感数据；
利用遥感定量反演模型，从所述遥感数据反演得到所述水生态遥感数据对应的水生态安全指标反演参数。
本发明实施例中，水生态遥感数据存储在水生态遥感数据库中，从该数据库中提取流域水生态遥感数据。
遥感定量反演模型可以使用非线性最优法、主成分分析法或人工神经网络法等。
水生态安全指标反演参数可以存储到水生态安全指标反演参数数据库中。
步骤S1具体为，
S11，利用流域水生态遥感数据建立遥感定量模型；
S12，利用所述遥感数据对应的水生态安全指标反演参数建立水生态安全遥感模型；
S13，利用所述遥感定量模型和所述水生态安全遥感模型建立水生态安全遥感评价模型。
步骤S11具体为，
S111，根据所述流域水生态遥感数据识别流域类型；
S112，获取所述流域类型的影像象元数和象元面积；
S113，根据所述流域类型的所述影像象元数和所述象元面积建立所述流域类型的遥感定量模型。
步骤S12具体为，
S121，根据所述水生态安全指标反演参数获取水生态安全指标；
S122，根据所述水生态安全指标识别流域类型；
S123，根据所述流域类型对应的所述水生态安全指标，建立所述流域类型的水生态安全遥感模型。
步骤S2中，根据所述水生态安全遥感评价模型识别流域水生态潜在风险区。
S3，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态风险评价模型；
其中，所述水生态风险评价模型包括水生态风险概率模型和水生态破坏经济损失的模型。
本发明实施例中，在多年遥感影像资料的基础上，识别像元信息并解译(像元数量、面积、形状特征等)，得到能够表征风险源、风险场(生境)和风险受体(水资源、水环境、水生生物等)的指标，建立水生态风险概率模型、水生态破坏经济损失的模型。
S4，在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区。
步骤S4中，所述在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区之前还包括，在所述潜在风险区中划分风险等级及设置预警阈值。
本发明实施例中，通过在潜在风险区中划分风险等级及设置预警阈值，可以针对不同风险等级的潜在风险区识别预警区。
本发明实施例中，涉及到的各种模型均为本领域常用的模型形式，建立模型采用的算法均为本领域常用的算法。
本发明实施例的核心思想是：通过获得多尺度的流域类型的多种遥感数据和安全指标，利用这些多尺度的流域类型的多种遥感数据和安全指标建立遥感安全综合评价模型，再将该遥感安全综合评价模型与水生态风险评价模型相结合，识别水生态风险区。由于流域水生态系统由多种不同流域类型的服务功能共同相互作用构成，且各流域类型的作用会随时间、代表其结构、状态及功能的指标的变化而变化，使得流域水生态系统是一个复杂系统。所以，本发明实施例提供的水生态风险预警的方法综合考虑了其安全指标构成和变化的复杂性，在流域水生态安全遥感评价的基础上，识别流域陆域、岸边带和水域的潜在风险区域，并综合考虑地理位置、行政区划、风险源边界、不同生境区块来划分陆域、岸边带和水域三种类型区域的风险预警区。从而准确而有效的找到水生态风险预警区，准确而有效的评价水生态系统的风险区的风险，进而适应了我国复杂的流域水生态系统的改善和生态恢复的管理需求。
本发明实施例还提供了一种基于遥感的流域水生态风险判别方法，该判别方法基于遥感的流域水生态风险预警方法，且步骤S4之后，还包括：
S5，在所述风险预警区判别主导风险指标。
本发明式实施例中，可以结合风险预警区的流域属性特征，以流域水生态指标国家标准值作为参照标准，采用GIS技术，结合流域指标现状值，在风险预警区域识别出流域水生态风险的主导风险指标，进而对水生态风险预警区域进行预防或治理。
同时，还可以通过图层叠加和流域属性计算的方法形成风险预警区域分布图。
步骤S5具体为，
S51，在所述风险预警区识别水生态风险类型；
S52，根据所述水生态风险类型判别主导水生态风险的指标。
如本领域技术人员可以理解的，其中，水生态风险类型包括很多种，如农业污染，生活污染，工业污染等；而各种类型的水生态风险，也包括多种风险指标，如农业污染中的化肥的使用，农药的使用等。
采用上述方法，可以通过分析风险预警区中水生态风险类型，对风险预警区的风险原因进行细分，再从细分类型中分析导致这种风险类型的主要的因子。这样，可以准确而有效的快速的找到风险预警区的主导风险指标，进而对水生态系统进行综合评价和治理。
本发明实施例中，涉及到的各种模型均为本领域常用的模型形式，建立模型采用的算法均为本领域常用的算法。
本发明实施例中，在风险源识别、环境效应评估以及风险表征等研究基础上，建立基于源-暴露-受体响应过程的、流域社会经济-资源利用-污染排放及迁移转化-水环境质量耦合的水生态安全遥感综合模型体系，分别构建适用于不同类型流域特征的业务化模型技术，而基于遥感定量反演的生态安全评价指标体系是一个独立的生态指标数据集，与遥感综合模型中的评价过程综合起来，实现反演指标和评价模型的自动更新耦合。
本发明实施例提供的一种基于遥感的流域水生态风险预警和判别方法，具有如下特点：
(1)不同类型流域水生态风险安全遥感模型的构建；
本发明实施例以水生态安全和水生态风险预警、判别为目标，从表征压力、状态和响应的系统层、基于遥感反演得到的涵盖流域(湖泊)陆域、岸边带和水域三个尺度的全面表征水生态特征的指标层，这两个层次建立水生态安全遥感评价模型。
(2)流域水生态安全遥感评价模型的构建；
综合考虑水生态系统陆域、岸边带和水域三方面的功能特点及尺度提出单尺度水生态安全评价因子并分别建立基于遥感反演指标的水生态安全遥感评价模型。以水生态安全评价单元建立多尺度水生态安全遥感评价模型。
(3)不同类型流域水生态风险预警区的识别：
在评价目标流域内根据其生态目标与评价目的，选取表征水生态系统的指标或其组合，通过水生态安全遥感评价模型以及水生态风险评价模型识别流域(湖泊)陆域、岸边带和水域三个尺度上的水生态安全等级的分布，并识别未来风险的预警阈值。
(4)遥感定量技术与水生态风险评价模型的融合方法；
基于遥感的定量评估模型，反演流域、陆域和岸边带三个尺度上的水生态指标值，与水生态风险评估模型模拟的指标值进行耦合，并查找相关水生态与水环境的国家标准值，设立风险阈值，识别风险主控因子，绘制风险分布图，实现遥感反演与模型模拟的综合同步评价。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明通过将水生态遥感数据与水生态风险评价模型相结合，识别流域水生态风险预警区，实现了对流域水生态风险的预警和评价。由于本发明对流域水生态风险的预警和评价是基于流域水生态遥感数据的，而流域水生态遥感数据是针对整个水生态系统的数据，而且是实时更新的，所以利用本发明的技术方案对流域水生态风险进行预警和评价，考虑了流域水生态的综合安全指标及其实时变化，因此，可以准确而有效的找到水生态风险预警区和主导风险因子，准确而有效的评价水生态系统的风险区的风险，从而适应我国复杂的流域水生态系统的改善和生态恢复的管理需求。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域人员应该理解的是，上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整，也可根据实际情况并发进行。
上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，例如：个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，例如：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种基于遥感的流域水生态风险预警方法，其特征在于，包括如下步骤：
S1，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态安全遥感评价模型；
S2，根据所述水生态安全遥感评价模型识别流域水生态潜在风险区；
S3，利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数，建立水生态风险评价模型；
S4，在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区。
2.根据权利要求1所述的流域水生态风险预警方法，其特征在于，所述流域包括，陆域、岸边带和水域中的至少一种。
3.根据权利要求1所述的流域水生态风险预警方法，其特征在于，步骤S1之前还包括，
获取所述流域水生态遥感数据；
利用遥感定量反演模型，从所述遥感数据反演得到所述水生态遥感数据对应的水生态安全指标反演参数。
4.根据权利要求1所述的流域水生态风险预警方法，其特征在于，步骤S1具体为，
S11，利用流域水生态遥感数据建立遥感定量模型；
S12，利用所述遥感数据对应的水生态安全指标反演参数建立水生态安全遥感模型；
S13，利用所述遥感定量模型和所述水生态安全遥感模型建立水生态安全遥感评价模型。
5.根据权利要求4所述的流域水生态风险预警方法，其特征在于，步骤S11具体为，
S111，根据所述流域水生态遥感数据识别流域类型；
S112，获取所述流域类型的影像象元数和象元面积；
S113，根据所述流域类型的所述影像象元数和所述象元面积建立所述流域类型的遥感定量模型。
6.根据权利要求4所述的流域水生态风险预警方法，其特征在于，步骤S12具体为，
S121，根据所述水生态安全指标反演参数获取水生态安全指标；
S122，根据所述水生态安全指标识别流域类型；
S123，根据所述流域类型对应的所述水生态安全指标，建立所述流域类型的水生态安全遥感模型。
7.根据权利要求1所述的流域水生态风险预警方法，其特征在于，步骤S3中，所述水生态风险评价模型包括水生态风险概率模型和水生态破坏经济损失的模型。
8.根据权利要求1所述的流域水生态风险预警方法，其特征在于，步骤S4中，所述在所述潜在风险区中，利用水生态风险评价模型识别流域风险预警区之前还包括，在所述潜在风险区中划分风险等级及设置预警阈值。
9.一种基于遥感的流域水生态风险判别方法，其特征在于，包括权利要求1-8任一项所述的基于遥感的流域水生态风险预警方法，且步骤S4之后，还包括：
S5，在所述风险预警区判别主导风险指标。
10.根据权利要求9所述的流域水生态风险判别的方法，其特征在于，步骤S5具体为，
S51，在所述风险预警区识别水生态风险类型；
S52，根据所述水生态风险类型判别主导水生态风险的指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410520624.6A CN104268657A (zh) | 2014-09-30 | 2014-09-30 | 基于遥感的流域水生态风险预警和判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410520624.6A CN104268657A (zh) | 2014-09-30 | 2014-09-30 | 基于遥感的流域水生态风险预警和判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104268657A true CN104268657A (zh) | 2015-01-07 |
Family
ID=52160177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410520624.6A Pending CN104268657A (zh) | 2014-09-30 | 2014-09-30 | 基于遥感的流域水生态风险预警和判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104268657A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108064392A (zh) * | 2017-11-09 | 2018-05-22 | 苏州迪维勒普信息科技有限公司 | 一种水源地水质监测方法 |
| CN108364129A (zh) * | 2018-02-08 | 2018-08-03 | 广州地理研究所 | 一种基于遥感大数据的区域生态安全预警预报方法 |
| CN109255373A (zh) * | 2018-08-24 | 2019-01-22 | 山东省环境规划研究院 | 一种分类数据数字化的数据处理方法 |
| CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥（上海）信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
| CN111274663A (zh) * | 2018-12-04 | 2020-06-12 | 河北工程大学 | 一种基于岸边带的农业非点源污染防治技术 |
| CN113777256A (zh) * | 2021-08-09 | 2021-12-10 | 力合科技（湖南）股份有限公司 | 环境监测点位的自动化布点方法及系统、设备、存储介质 |
| CN117315491A (zh) * | 2023-11-28 | 2023-12-29 | 泰安市绿威园林有限公司 | 一种面向林业工程建设的生态红线预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565294A (zh) * | 2011-02-01 | 2012-07-11 | 环境保护部卫星环境应用中心 | 水源地监测评价方法 |
| CN102750589A (zh) * | 2012-06-30 | 2012-10-24 | 北京师范大学 | 水环境与水生态安全保障管理系统 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
-
2014
- 2014-09-30 CN CN201410520624.6A patent/CN104268657A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565294A (zh) * | 2011-02-01 | 2012-07-11 | 环境保护部卫星环境应用中心 | 水源地监测评价方法 |
| CN102750589A (zh) * | 2012-06-30 | 2012-10-24 | 北京师范大学 | 水环境与水生态安全保障管理系统 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108064392A (zh) * | 2017-11-09 | 2018-05-22 | 苏州迪维勒普信息科技有限公司 | 一种水源地水质监测方法 |
| WO2019090554A1 (zh) * | 2017-11-09 | 2019-05-16 | 苏州迪维勒普信息科技有限公司 | 一种水源地水质监测方法 |
| CN108364129A (zh) * | 2018-02-08 | 2018-08-03 | 广州地理研究所 | 一种基于遥感大数据的区域生态安全预警预报方法 |
| CN109255373A (zh) * | 2018-08-24 | 2019-01-22 | 山东省环境规划研究院 | 一种分类数据数字化的数据处理方法 |
| CN111274663A (zh) * | 2018-12-04 | 2020-06-12 | 河北工程大学 | 一种基于岸边带的农业非点源污染防治技术 |
| CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥（上海）信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
| CN113777256A (zh) * | 2021-08-09 | 2021-12-10 | 力合科技（湖南）股份有限公司 | 环境监测点位的自动化布点方法及系统、设备、存储介质 |
| CN117315491A (zh) * | 2023-11-28 | 2023-12-29 | 泰安市绿威园林有限公司 | 一种面向林业工程建设的生态红线预警方法 |
| CN117315491B (zh) * | 2023-11-28 | 2024-02-20 | 泰安市绿威园林有限公司 | 一种面向林业工程建设的生态红线预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model | |
| Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
| CN104268657A (zh) | 基于遥感的流域水生态风险预警和判别方法 | |
| White et al. | Cellular automata and fractal urban form: a cellular modelling approach to the evolution of urban land-use patterns | |
| Clarke et al. | A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area | |
| Yang et al. | Simulating intraurban land use dynamics under multiple scenarios based on fuzzy cellular automata: a case study of Jinzhou district, Dalian | |
| Cullum et al. | Landscape archetypes for ecological classification and mapping: the virtue of vagueness | |
| Chalh et al. | Big data open platform for water resources management | |
| Kankanamge et al. | Public perceptions on artificial intelligence driven disaster management: Evidence from Sydney, Melbourne and Brisbane | |
| CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
| Jadidi et al. | Using geospatial business intelligence paradigm to design a multidimensional conceptual model for efficient coastal erosion risk assessment | |
| Qiu et al. | Disaggregating population data for assessing progress of SDGs: methods and applications | |
| Swetnam et al. | Discriminating disturbance from natural variation with LiDAR in semi‐arid forests in the southwestern USA | |
| Tohidi et al. | A review of the machine learning in gis for megacities application | |
| CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
| Assarkhaniki et al. | Using open data to detect the structure and pattern of informal settlements: an outset to support inclusive SDGs’ achievement | |
| Raihan | A comprehensive review of the recent advancement in integrating deep learning with geographic information systems | |
| Oshan et al. | A scoping review on the multiplicity of scale in spatial analysis | |
| Mohan et al. | A brief review of recent developments in the integration of deep learning with GIS | |
| Xu et al. | Building function classification in Nanjing, China, using deep learning | |
| Yadav et al. | Computational model for urban growth using socioeconomic latent parameters | |
| Musa | The impact of smart city initiatives on cities’ local economic development | |
| Scuderi et al. | Automated neural network identification of cirques | |
| Karmshahi et al. | Application of an integrated CA-Markov model in simulating spatiotemporal changes in forest cover: a case study of Malekshahi county forests, Ilam province | |
| Lang | Urban green valuation integrating biophysical and qualitative aspects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150107 |