CN107092798A - 滑坡预测模型的稳定性评价方法及装置 - Google Patents

滑坡预测模型的稳定性评价方法及装置 Download PDF

Info

Publication number
CN107092798A
CN107092798A CN201710292793.2A CN201710292793A CN107092798A CN 107092798 A CN107092798 A CN 107092798A CN 201710292793 A CN201710292793 A CN 201710292793A CN 107092798 A CN107092798 A CN 107092798A
Authority
CN
China
Prior art keywords
landslide
stability
predictive model
factor
combination
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
Application number
CN201710292793.2A
Other languages
English (en)
Inventor
刘瑞
陈显华
李龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201710292793.2A priority Critical patent/CN107092798A/zh
Publication of CN107092798A publication Critical patent/CN107092798A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明涉及一种滑坡预测模型的稳定性评价方法及装置，所述方法包括：因子选取步骤，组合生成步骤，选稳定性评价步骤：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测模型的稳定性。使用本发明方法及装置进行滑坡预测模型稳定性评价，使用稳定性较高的模型进行滑坡预测，可以提高滑坡预测的准确度，任何地区的滑坡预测模型都可以通过这种方法来得出稳定性较高的模型。

Description

滑坡预测模型的稳定性评价方法及装置
技术领域
本发明涉及自然灾害的监测领域，尤其是关于山体滑坡风险的监测，尤其是一种滑坡预测模型的稳定性评价方法及装置。
背景技术
地震是一种危险的自然灾害，而且它发生的次数每年都在增加。Keefer(1984)指出许多滑坡都是由大于Ms4.0的地震引发的。这些由地震诱发的滑坡危害不仅在很大程度上威胁着人们的正常生活，而且同样严重影响了城市的经济发展。因此这类危害的准确预测变得尤为重要。
在这个领域，滑坡易发性制图作为一个很有效的手段能帮助人们理解和描绘未来的滑坡危害。许多算法(比如：逻辑回归，人工神经网络，决策树，层次分析法，支持向量机和随机森林)都常常被作为工具来参与制图。不幸的是，目前为止人们还没能找到一个万能的可以准确预测所有滑坡类型的算法，这主要是因为大量的因素(比如说因子的组合)可能造成模型精度的改变。事实上，要想完美地解决以上的问题是不可能的，于是人们往往追求在特定的地方寻找到一个比较理想的算法模型。
最常用的方法就是在同一个地方用相同的一组因子带入多个模型得到滑坡易发性图，然后比较每种模型的ROC曲线从而得到最高准确度的模型，但是这个模型往往无法移植到其他类似地方。
发明内容
本发明的一个目的在于提供一种滑坡预测模型的稳定性评价方法，所述方法包括以下步骤：
因子选取步骤：选取用于滑坡预测的多个因子，选取的多个因子中包含可变因子，所述可变因子为属性可转化的因子；
组合生成步骤：根据选取的因子，生成至少两个相同的组合，通过改变可变因子的属性使得组合之间至少有一个因子的属性不同；
稳定性评价步骤：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测模型的稳定性。
根据本发明实施例，所述稳定性评价步骤，包括：
运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线得到每个组合的预测精度，根据不同组合对应的预测精度评价该滑坡预测模型的稳定性。
根据本发明实施例，进一步地，所述稳定性评价步骤中，统计所有的组合对应的预测精度的平均数或中位数或方差，以平均数或中位数或方差评价该模型的稳定性。
本发明的一个目的在于提供一种滑坡预测模型的稳定性评价装置，该装置包括：
因子选取模块：用于选取用于滑坡预测的多个因子，选取的多个因子中包含可变因子，所述可变因子为属性可转化的因子；
组合生成模块：用于根据选取的因子，生成至少两个相同的组合，通过改变因子的属性使得组合之间至少有一个因子的属性不同；
稳定性评价模块：用于运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测的稳定性。
与现有技术相比，本发明的有益效果：本发明方法及装置考虑了因子本身属性对模型的影响，通过本发明所述方法及装置对滑坡预测模型的稳定性进行评价，选取稳定性较高的预测模型进行滑坡预测，可以提高滑坡预测的准确性，而且任何地区的滑坡预测模型都可以通过这种方法来得出稳定性较高的模型。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的滑坡预测模型的稳定性评价方法的流程图。
图2为ROC曲线示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例提供的一种滑坡预测模型的稳定性评价方法，包括：
步骤一：选取用于滑坡预测的多个因子，选取的多个因子中包含可变因子，所述可变因子是指属性可转化的因子，例如因子的属性能够在定性和定量之间转化。
常用的因子有斜率、岩性、土地利用类型、方位、土壤深度、植被覆盖度、海拔、地形湿度指数、斜面长度、河流距离、道路距离、排水距离、平面曲率、剖面曲率、每英寸吃水吨数和起伏度等，根据预测地区的地理特性，可以根据经验选取因子，以鲁甸地区为例，可以选取岩性、地形湿度指数、土地利用类型、河流距离、道路距离、断层距离、高程、坡角、坡向、起伏度、植被覆盖度、地震峰值加速度这12个因子，如表1所示，这12个因子中就包括岩性、地形湿度指数、土地利用类型、河流距离、道路距离、断层距离这6个可变因子。
表1：
如表2所示，展示了部分(5个)可变因子，对可变因子进行分类，并进行编号。
表2，5个可变因子信息
步骤二：根据选取的因子，生成N(N≥2)个包含相同因子的组合，通过改变因子的属性使得组合之间至少有一个因子的属性不同。例如，生成的三个组合中，每个组合包含五个因子，组合一与组合二之间，第三个因子的属性不同，组合一与组合三之间，第一个因子和第二个因子的属性不同，组合二与组合三之间，第一、第二、第三个因子的属性不同。再例如，两个组合中，第一个组合中的道路距离因子用数字(定量属性)400(米)表示，那么在另一个组合中，在其他因子完全一样的情况下，道路距离因子用定性属性第二类(参考表2)表示。
步骤三：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测的稳定性。
测试数据的获取，可以通过遥感数据，谷歌地球，实地采集，高程图和地质图等方式搜集所需要的数据，测试数据包括因子的参数数据和是否滑坡数据。如表1所示，对于定量因子有平均数，定性因子有众数，基于统计分析，计算出每个定量因子的平均数，每个定性因子的众数。
将测试数据按照一定比例分为训练集和测试集时，训练集所占比例可以设置得较大，例如针对于测试数据较少的情况，可以按照8:2的比例分配训练集和测试集。测试数据分配后，分析训练集和测试集，分别找出存在缺失的数据，用众数或平均数进行补充。比如在测试集中发现缺少湖泊这种土地类型，则在测试集中补入湖泊的众数。
先将训练集代入待评价的算法中进行建模，再将测试集代入建好的模型中，求取待评价的滑坡预测模型对于不同组合的ROC曲线。
常用算法有逻辑回归，人工神经网络，决策树，层次分析法，支持向量机和随机森林等，此处仅以人工神经网络算法进行简要说明。
1.人工神经网络模型的建立
假定有N个因子组合，每个因子组合有i个因子。
a)根据神经网络的特性，首先将对i个因子an随机产生i个权重bn(如果选取的范围为-1～1(也可能是其他范围)，那么初始权重bn就是此范围内随机生成的一个数，比如说0.352或-0.943)；
b)然后利用公式来得出一个结果(即后文公式中的算法输出值)；
c)将上一步的结果和真实结果(可以用0表示非滑坡区，1表示滑坡区)进行比较，如果没有满足算法本身的要求(循环次数达到设定要求(比如要求最多运行100000次再建模)，或者预测值(即算法输出值)与真实值的方差小于一个给定值)，则通过下面公式改变每个bn的值来进行下次运算；
bn＝bn+(真实值-算法输出值)×算法输出值×(1-算法输出值)×对应的因子
d)一直重复上面两个步骤(步骤b)、步骤c))直到满足该算法本身要求。此时基于人工神经网络的模型就建立好了。
2.求取人工神经网络模型对于不同组合的ROC曲线
将测试集中的m(为正整数)组数据代入建立好的人工神经网络模型中得出m个预测值。
将m个预测值进行从小到大排序，组成一个数列，该数列中，第一个预测值为最小预测值，第二个预测值为第二大预测值，以此类推，最后一个预测值为最大预测值。
选取最小预测值为阀值，将小于阀值的归为一类，大于阀值的归为另一类，来确定预测的滑坡状态，然后将该预测的状态和真实的状态(对应的测试数据中包含该真实的状态)进行比较，得到一个假正率(在所有实际为非滑坡区域的测试数据中，被错误地判断成滑坡区域的概率)和一个真正率(在所有实际为滑坡区域的测试数据中，被准确地判断成滑坡区域的概率)。
对于ROC曲线(图2)来说，x轴就是假正率，而y轴代表真正率，通过不断地选取第二个，第三个…最后一个预测值作为阀值(若有相同的预测值则跳过，选取下一个)就能在ROC图中获得最多m个点，然后再加上两个端点(0,0)和(1，1)(分别表示选取最小预测值为阀值，当将小于阀值的归为一类，大于或等于阀值的归为另一类；和选取最大预测值为阀值，当将小于或等于阀值的归为一类，大于阀值的归为另一类)，将这些点连接起来就成了ROC曲线，这样就建立了一个组合对应的人工神经网络模型的ROC曲线，如图2所示。
上述ROC曲线获得方法同样可以适用于其他滑坡预测模型。
针对于N个组合，可以得到N条ROC曲线。比较该N条ROC曲线，评价该滑坡预测模型的稳定性。
作为一种可实施例方式的举例，可以根据ROC曲线得到每个组合的预测精度，根据不同组合对应的预测精度评价该滑坡预测模型的稳定性。实施时，可以将ROC曲线下方面积AUC(也可以理解为ROC曲线对x轴积分)作为预测精度，即ROC曲线与坐标轴形成的面积作为预测精度。当计算得到的所有的点(FPR，TPR)组成的曲线不能与坐标轴形成封闭区域时，ROC曲线还包括(0,0)、(1,1)这两个点。针对N个组合，可以得到N个预测精度值。
在通过不同组合的预测精度评价滑坡预测模型的稳定性时，可以以最大(最小)预测精度为评价依据，也可以以最大预测精度与最小预测精度之间的差值作为评价依据，还可以以所有的组合对应的预测精度的平均数或中位数或方差评价该滑坡预测模型的稳定性。
本方法引入了因子本身对模型的影响，利用预测模型的ROC曲线来评价模型的稳定性，实践证明，在鲁甸地区采用这种方法对多种预测模型的稳定性进行评价，选取稳定性最高的C50决策树模型进行滑坡预测，预测结果的准确性更高。本方法可以适用于任何地区在进行滑坡预测前对滑坡预测模型的选取，通过本方法可以选取出稳定性最好的模型进行滑坡预测，提高预测的准确性。
相应地，本实施例中还提供了一种滑坡预测模型的稳定性评价装置，包括：
因子选取模块：用于选取用于滑坡预测的多个因子，选取的多个因子中包含属性可转化的因子；
组合生成模块：用于根据选取的因子，生成至少两个相同的组合，通过改变因子的属性使得组合之间至少有一个因子的属性不同；
稳定性评价模块：用于运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测的稳定性。
在一种实施方案中，稳定性评价模块具体用于：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线得到每个组合的预测精度，根据不同组合对应的预测精度评价该滑坡预测模型的稳定性。
对于该装置中各模块执行操作可以参见前述方法中的相关描述，为避免冗余，此处不再细述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种滑坡预测模型的稳定性评价方法，其特征在于，包括以下步骤：
因子选取步骤：选取用于滑坡预测的多个因子，选取的多个因子中包含可变因子，所述可变因子为属性可转化的因子；
组合生成步骤：根据选取的因子，生成至少两个包含相同因子的组合，通过改变可变因子的属性使得组合之间至少有一个因子的属性不同；
稳定性评价步骤：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测模型的稳定性。
2.根据权利要求1所述的滑坡预测模型的稳定性评价方法，其特征在于，所述稳定性评价步骤，包括：
运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线得到每个组合的预测精度，根据不同组合对应的预测精度评价该滑坡预测模型的稳定性。
3.根据权利要求2所述的滑坡预测模型的稳定性评价方法，其特征在于，所述稳定性评价步骤中，统计所有的组合对应的预测精度的平均数或中位数或方差，以平均数或中位数或方差评价该模型的稳定性。
4.一种滑坡预测模型的稳定性评价装置，其特征在于，包括：
因子选取模块：用于选取用于滑坡预测的多个因子，选取的多个因子中包含可变因子，所述可变因子为属性可转化的因子；
组合生成模块：用于根据选取的因子，生成至少两个包含相同因子的组合，通过改变可变因子的属性使得组合之间至少有一个因子的属性不同；
稳定性评价模块：用于运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线评价该滑坡预测的稳定性。
5.根据权利要求4所述的滑坡预测模型的稳定性评价装置，其特征在于，所述稳定性评价模块，具体用于：运用测试数据求取滑坡预测模型基于不同组合的ROC曲线，根据ROC曲线得到每个组合的预测精度，根据不同组合对应的预测精度评价该滑坡预测模型的稳定性。
6.根据权利要求5所述的滑坡预测模型的稳定性评价装置，其特征在于，所述稳定性评价模块，统计所有的组合对应的预测精度的平均数或中位数或方差，以平均数或中位数或方差评价该滑坡预测模型的稳定性。
CN201710292793.2A 2017-04-28 2017-04-28 滑坡预测模型的稳定性评价方法及装置 Pending CN107092798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710292793.2A CN107092798A (zh) 2017-04-28 2017-04-28 滑坡预测模型的稳定性评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710292793.2A CN107092798A (zh) 2017-04-28 2017-04-28 滑坡预测模型的稳定性评价方法及装置

Publications (1)

Publication Number Publication Date
CN107092798A true CN107092798A (zh) 2017-08-25

Family

ID=59638023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710292793.2A Pending CN107092798A (zh) 2017-04-28 2017-04-28 滑坡预测模型的稳定性评价方法及装置

Country Status (1)

Country Link
CN (1) CN107092798A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
CN109783967A (zh) * 2019-01-25 2019-05-21 深圳大学 一种滑坡预测方法及系统
CN110569554A (zh) * 2019-08-13 2019-12-13 成都垣景科技有限公司 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法
CN112700104A (zh) * 2020-12-25 2021-04-23 中南大学 一种基于多模态分类的震区滑坡易发性评价方法
CN113554213A (zh) * 2021-06-11 2021-10-26 国网内蒙古东部电力有限公司电力科学研究院 一种天然气需求预测方法、系统、存储介质及设备
CN113343563B (zh) * 2021-05-27 2022-05-03 中交第二公路勘察设计研究院有限公司 基于样本自动选择与地表形变速率的滑坡易发性评价方法
CN116108758A (zh) * 2023-04-10 2023-05-12 中南大学 滑坡易发性评价方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364830A (zh) * 2013-07-24 2013-10-23 北京师范大学 一种基于多因子的地震后发生崩滑灾害位置的预测方法
CN103399344A (zh) * 2013-07-24 2013-11-20 北京师范大学 一种地震后发生崩滑灾害位置的预测方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364830A (zh) * 2013-07-24 2013-10-23 北京师范大学 一种基于多因子的地震后发生崩滑灾害位置的预测方法
CN103399344A (zh) * 2013-07-24 2013-11-20 北京师范大学 一种地震后发生崩滑灾害位置的预测方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯策等: "基于Logistic回归模型的芦山震后滑坡易发性评价", 《成都理工大学学报(自然科学版)》 *
邱海军等: "基于三种不同模型的区域滑坡灾害敏感性评价及结果检验研究", 《地理科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
CN109783967A (zh) * 2019-01-25 2019-05-21 深圳大学 一种滑坡预测方法及系统
CN109783967B (zh) * 2019-01-25 2020-02-21 深圳大学 基于随机森林模型的滑坡预测方法、装置及存储介质
CN110569554A (zh) * 2019-08-13 2019-12-13 成都垣景科技有限公司 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法
CN110569554B (zh) * 2019-08-13 2020-11-10 成都垣景科技有限公司 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法
CN112700104A (zh) * 2020-12-25 2021-04-23 中南大学 一种基于多模态分类的震区滑坡易发性评价方法
CN112700104B (zh) * 2020-12-25 2022-09-09 中南大学 一种基于多模态分类的震区滑坡易发性评价方法
CN113343563B (zh) * 2021-05-27 2022-05-03 中交第二公路勘察设计研究院有限公司 基于样本自动选择与地表形变速率的滑坡易发性评价方法
CN113554213A (zh) * 2021-06-11 2021-10-26 国网内蒙古东部电力有限公司电力科学研究院 一种天然气需求预测方法、系统、存储介质及设备
CN116108758A (zh) * 2023-04-10 2023-05-12 中南大学 滑坡易发性评价方法

Similar Documents

Publication Publication Date Title
CN107092798A (zh) 滑坡预测模型的稳定性评价方法及装置
CN113642849B (zh) 考虑空间分布特征的地质灾害危险性综合评价方法及装置
KR101675778B1 (ko) 화산재해 대응 의사결정 지원 시스템
Packalén et al. Dynamic treatment units in eucalyptus plantation
CN112001415A (zh) 一种基于对抗网络的位置差分隐私保护方法
CN110097529A (zh) 一种基于语义规则的农田定级单元划分方法及系统
CN110335352A (zh) 一种机载激光雷达点云的双基元多分辨率层次滤波方法
CN106982414A (zh) 一种定位更新方法、装置和移动终端
Tombolini et al. Lost in convergence, found in vulnerability: A spatially-dynamic model for desertification risk assessment in Mediterranean agro-forest districts
Nguyen Multi-objective automatic calibration of hydrodynamic models-development of the concept and an application in the Mekong Delta
Räty et al. Comparing nearest neighbor configurations in the prediction of species-specific diameter distributions
Rosa The observed landscape: map of visible landscape values in the province of Enna (Italy)
CN107818338A (zh) 一种面向地图综合的建筑物群组模式识别的方法及系统
CN117312812A (zh) 滑坡易发性评价模型建立方法、装置、设备及存储介质
Triantakonstantis et al. Autologistic regression and multicriteria evaluation models for the prediction of forest expansion
CN115841042A (zh) 一种基于韧性理论构建的城市生态韧性三维评价方法
CN116882731A (zh) 一种基于斜坡单元的地质灾害危险性评估方法及系统
CN110808863A (zh) 基于区域毁伤的基础设施网络抗毁性评估方法和模型
Antonarakis et al. Retrieval of vegetative fluid resistance terms for rigid stems using airborne lidar
Buchanan et al. Evaluating topographic wetness indices across central New York agricultural landscapes.
Dumedah et al. Pareto-optimality and a search for robustness: choosing solutions with desired properties in objective space and parameter space
CN115861793A (zh) 一种基于最小累积阻力模型的区域生态安全格局构建方法
Wang et al. Upscaling With Conditional Cosimulation for Mapping Above‐Ground Forest Carbon
Sims Principles of National Forest Inventory Methods
Bjelanovic Predicting forest productivity using Wet Areas Mapping and other remote sensed environmental data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20170825