CN107229919A - 一种用于复杂生态海岸带的生态要素处理方法及系统 - Google Patents
一种用于复杂生态海岸带的生态要素处理方法及系统 Download PDFInfo
- Publication number
- CN107229919A CN107229919A CN201710417622.8A CN201710417622A CN107229919A CN 107229919 A CN107229919 A CN 107229919A CN 201710417622 A CN201710417622 A CN 201710417622A CN 107229919 A CN107229919 A CN 107229919A
- Authority
- CN
- China
- Prior art keywords
- ecological
- key element
- mrow
- coastline
- littoral zone
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Revetment (AREA)
Abstract
本申请涉及一种用于复杂生态海岸带的生态要素处理方法和系统，通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理，接着按不同类型海岸进行分类提取海岸线，分别提取包括植被、河流和人工海岸表面的各覆被；最后，根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。本申请利用生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，能够充分完善现有海岸带生态环境研究中要素分类体系对人工干预程度差异，有助于更客观的分析海岸带变化特征。
Description
技术领域
本申请涉及生态领域，具体是涉及一种用于复杂生态海岸带的生态要素处理方法及系统。
背景技术
海岸带生态环境问题一直是人们关注的热点之一，其生态要素分类体系是海岸带生态问题研究的基础，国内外学者主要基于三种角度开展生态要素研究：(1)土地利用/覆盖角度。以土地利用类型作为基本要素研究其时空格局变化，充分考虑了土地属性，但对土地类型的生态价值体现不足；(2)景观格局角度。以景观生态为视角，研究了海岸带景观组成单元的类型、数目以及空间配置，针对不同海岸类型有不同的景观分类体系，对具有多元性的区域海岸带整体研究适应较弱；(3)典型生态表征因子角度。这类方法以代表性生态要素(如湿地)或实测土壤有机质、近海水质、植物叶绿素等因子的变化为基础，间接揭示海岸带整体生态环境的变化特征，对海岸带区域整体的代表性不足。
换而言之，现有海岸带生态要素分类方法，多直接基于土地利用类型要素进行生态要素划分或以景观格局要素、实测生态指标作为生态要素的表征，对多类型海岸带融合的深圳滨海城市海岸带生态系统结构特征揭示不足，对生态要素的生态服务价值和人类活动干预程度考虑不足。尤其是针对一些复杂生态系统，无法形成完善、客观的，适合海岸带的多开发类型特征、多种人工干预强度的海岸带生态系统等等的特征的生态要素处理方法。
因此，本技术领域亟需一种新的海岸带的生态要素处理方法。
发明内容
基于此，有必要针对上述问题，提供一种用于复杂生态海岸带的生态要素处理方法和系统，本申请能够充分考虑海岸带的多开发类型特征、多种人工干预强度的海岸带生态系统等等的特征，完善现有海岸带生态环境研究中要素分类体系对人工干预程度差异的考虑，有助于更客观的分析海岸带变化特征。
一种用于复杂生态海岸带的生态要素处理方法，所述生态要素处理方法：
通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理；
对经过处理的影像数据按不同类型海岸进行分类提取海岸线；
从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被；
根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
一种用于复杂生态海岸带的生态要素处理系统，所述生态要素处理系统包括：
多源遥感，用于获取目标复杂生态海岸带的影像数据并进行处理；
处理器，用于对经过处理的影像数据按不同类型海岸进行分类提取海岸线；
所述处理器，还用于从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被；
所述处理器，还用于根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
上述用于复杂生态海岸带的生态要素处理方法和系统，通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理，接着按不同类型海岸进行分类提取海岸线，分别提取包括植被、河流和人工海岸表面的各覆被；最好，根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。本申请利用生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，能够充分考虑海岸带的多开发类型特征、多种人工干预强度的海岸带生态系统等等的特征，完善现有海岸带生态环境研究中要素分类体系对人工干预程度差异，有助于更客观的分析海岸带变化特征。
附图说明
图1为一实施例中用于复杂生态海岸带的生态要素处理方法的流程图；
图2为一实施例中用于复杂生态海岸带的生态要素处理系统的模块示意图。
具体实施方式
在一个实施例中，如图1所示，提供一种用于复杂生态海岸带的生态要素处理方法，所述生态要素处理方法包括但不限于如下步骤。
S101，通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理。
在S101中，本实施例多源遥感的方式，可以使用多个传感器获得的同一目标复杂生态海岸带的影像数据或使用同一传感器在不同时刻获得的同一目标复杂生态海岸带的影像数据，通过这种方式或者组合，本申请可以实现多源信息融合能富集同一目标复杂生态海岸带的不同数据源的互补信息，降低其不精确性，减少模糊度，使分类更加精确、可靠，以形成对目标复杂生态海岸带的完整一致的信息描述。
需要说明的是，所述通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理，具体可以包括：获取目标复杂生态海岸带的30米分辨率的三期美国陆地卫星TM和国产HJ的卫星影像数据，并对影像数据进行几何校正，消除系统偏差，提取影像数据中最早年份的海岸线，并以此为基准计算其10公里缓冲区范围，并选取三期数据各自的缓冲区覆盖范围。
S102，对经过处理的影像数据按不同类型海岸进行分类提取海岸线。
需要特别说明的是，所述复杂生态海岸带包括深圳人工海岸，所述对经过处理的影像数据按不同类型海岸进行分类提取海岸线，具体可以包括：分别针对较高反射率的基岩和人工海岸提取水陆分界线作为海岸线；通过计算植被覆盖指数NDVI区分红树林与人造沿海景观林提取海岸线，其中，定义红树林按靠陆地一侧为岸线，人造景观林为靠水面一侧为岸线，砂质海岸按滩脊痕迹线上限；在规则集构建基础上自动提取初分类结果，并进行修正。
S103，从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被。
在本实施例S103中，所述从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被，具体可以包括：利用归一化植被指数构建植被提取模型以从提取的海岸线中提取植被，利用高斯归一化水体指数从提取的海岸线中提取河流，利用不透水指数NDISI、归一化建筑指数NDBI和/或归一化水体指数MNDWI构建不透水提取模型以从提取的海岸线中提取人工海岸表面。
其中，所述利用归一化植被指数构建植被提取模型以从提取的海岸线中提取植被，包括但不限于，采用植被覆盖指数NDVI、归一化水指数NDWI提取海岸线中的植被。
具体而言，所述采用植被覆盖指数NDVI、归一化水指数NDWI提取植被，包括：选择林地、草地、湿地和耕地的样本点，建立最大似然函数，依次迭代提取出准确的要素；利用谷歌地图Google Earth纹理信息提取人工林，并对所有提取结果进行修正；经过现场调查辅以人工目视解译的方式进行抽样调查验证，分别计算误差矩阵和Kappa系数，进行结果精度验证，其中，Kappa系数为计算分类精度的方法。
S104，根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
如S102所述，本实施例可以针对深圳人工海岸，而海岸带作为海洋生态系统与陆地生态系统交互作用的特殊地带，其生态环境的演变受自然条件和人为活动共同影响，加上由于深圳海岸带西部与东部地质构造差异较大，西海岸经济发展迅速，罕见原生海岸带生态系统，伴随海岸线日益向海推进，开发利用模式经历了由“以养殖为主的单一开发模式冶逐步向”养殖、工业、旅游等多元一体开发模式冶转变的发展过程；东海岸以低山丘陵为主，自然林地、草地资源丰富，是城市的生态缓冲区。此外，深圳人工海岸其东、西差异充分体现了不同人类活动强度对土地利用程度的差异，加之滨海城市海岸带主要用作城市建设扩张用地，人工生态系统特征明显，随着海岸线向海逐渐推进，不同生态环境构成要素的生态系统服务价值也随之变化。
针对上述可能存在的技术情况，本申请以城市生态系统土地利用分类体系为基础，结合从生态角度提出的土地利用程度分级与各覆被类型生态系统服务变差贡献率，构建海岸带生态要素分类体系。其中，所述各覆被类型生态系统服务变差贡献率，各土地利用类型生态服务价值变化所占比例计算公式包括：
其中，ESVcc为各土地利用类型生态服务价值变化所占比例，n为土地利用类型总数，i为第i类，ESVi为第i类土地利用类型的生态系统服务价值，a、b价分别为研究初期和末期。
不难理解的是，本实施例定义正生态要素为具有正生态贡献且生态服务价值为正的要素，负生态要素为具有负生态贡献的且生态服务价值为负的要素。要素生态贡献的正或负，由前、后两个时期的ESV变差贡献率与ESV变化量变化趋势的正、反情况判定(变化趋势相反为正，反之为负)，基于此划分一级类。由于人类活动强度进一步影响生态服务价值,根据土地利用程度等级强弱，划分二级类，等级为2的为自然主导要素，等级为3的为人工主导因素，等级为4的人工表面和等级为1开发条件较差的裸土，为负生态要素，等等。
具体而言，本实施例的所述构建海岸带生态要素分类体系，具体可以通过下述表格划分构建：
其中，在以人工海岸为具体实例时，充分考虑了深圳等滨海城市海岸带的多开发类型特征和多种人工干预强度的海岸带生态系统特征，完善了现有海岸带生态环境研究中要素分类体系对人工干预程度差异，有助于更客观的分析海岸带变化特征。
综上所述，本申请利用生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，能够充分考虑海岸带的多开发类型特征、多种人工干预强度的海岸带生态系统等等的特征，完善现有海岸带生态环境研究中要素分类体系对人工干预程度差异，有助于更客观的分析海岸带变化特征。
请继续参阅图2，图2是用于复杂生态海岸带的生态要素处理系统的模块示意图，在本实施例中，一种用于复杂生态海岸带的生态要素处理系统，所述生态要素处理系统包括但不限于多源遥感21和处理器22。
多源遥感21，用于获取目标复杂生态海岸带的影像数据并进行处理；
所述处理器22，用于对经过处理的影像数据按不同类型海岸进行分类提取海岸线；
所述处理器22，还用于从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被；
所述处理器22，还用于根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
需要说明的是，本实施例用于复杂生态海岸带的生态要素处理系统优选地与前面任一实施例所述的生态要素处理方法相对应，换而言之，所述处理器还用于执行程序数据，以实现前面任一实施例所述的生态要素处理方法，在本技术领域人员容易结合理解的范围内，不再赘述。
其中，所述程序数据，可以存储于外接或内接的存储器中，处理器可以直接读取所述程序数据。
本申请利用生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，能够充分考虑海岸带的多开发类型特征、多种人工干预强度的海岸带生态系统等等的特征，完善现有海岸带生态环境研究中要素分类体系对人工干预程度差异，有助于更客观的分析海岸带变化特征。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种用于复杂生态海岸带的生态要素处理方法，其特征在于，所述生态要素处理方法：
通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理；
对经过处理的影像数据按不同类型海岸进行分类提取海岸线；
从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被；
根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
2.根据权利要求1所述的生态要素处理方法，其特征在于，所述各覆被类型生态系统服务变差贡献率，各土地利用类型生态服务价值变化所占比例计算公式包括：
<mrow>
<msub>
<mi>FSV</mi>
<mrow>
<mi>c</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>FSV</mi>
<mrow>
<mi>i</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>FSV</mi>
<mrow>
<mi>i</mi>
<mi>a</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>FSV</mi>
<mrow>
<mi>i</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>FSV</mi>
<mrow>
<mi>i</mi>
<mi>a</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，ESVcc为各土地利用类型生态服务价值变化所占比例，n为土地利用类型总数，i为第i类，ESVi为第i类土地利用类型的生态系统服务价值，a、b价分别为研究初期和末期。
3.根据权利要求2所述的生态要素处理方法，其特征在于，所述构建海岸带生态要素分类体系，具体通过下述表格划分构建：
4.根据权利要求1所述的生态要素处理方法，其特征在于，所述从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被，具体包括：
利用归一化植被指数构建植被提取模型以从提取的海岸线中提取植被，利用高斯归一化水体指数从提取的海岸线中提取河流，利用不透水指数NDISI、归一化建筑指数NDBI和/或归一化水体指数MNDWI构建不透水提取模型以从提取的海岸线中提取人工海岸表面。
5.根据权利要求4所述的生态要素处理方法，其特征在于，所述利用归一化植被指数构建植被提取模型以从提取的海岸线中提取植被，包括：
采用植被覆盖指数NDVI、归一化水指数NDWI提取海岸线中的植被。
6.根据权利要求5所述的生态要素处理方法，其特征在于，所述采用植被覆盖指数NDVI、归一化水指数NDWI提取植被，包括：
选择林地、草地、湿地和耕地的样本点，建立最大似然函数，依次迭代提取出准确的要素；利用谷歌地图Google Earth纹理信息提取人工林，并对所有提取结果进行修正；经过现场调查辅以人工目视解译的方式进行抽样调查验证，分别计算误差矩阵和Kappa系数，进行结果精度验证，其中，Kappa系数为计算分类精度的方法。
7.根据权利要求1所述的生态要素处理方法，其特征在于，所述通过多源遥感获取目标复杂生态海岸带的影像数据并进行处理，具体包括：
获取目标复杂生态海岸带的30米分辨率的三期美国陆地卫星TM和国产HJ卫星影像数据，并对影像数据进行几何校正，消除系统偏差，提取影像数据中最早年份的海岸线，并以此为基准计算其10公里缓冲区范围，并选取三期数据各自的缓冲区覆盖范围。
8.根据权利要求1所述的生态要素处理方法，其特征在于，所述复杂生态海岸带包括深圳人工海岸，所述对经过处理的影像数据按不同类型海岸进行分类提取海岸线，具体包括：
分别针对较高反射率的基岩和人工海岸提取水陆分界线作为海岸线；通过计算植被覆盖指数NDVI区分红树林与人造沿海景观林提取海岸线，其中，定义红树林按靠陆地一侧为岸线，人造景观林为靠水面一侧为岸线，砂质海岸按滩脊痕迹线上限；在规则集构建基础上自动提取初分类结果，并进行修正。
9.一种用于复杂生态海岸带的生态要素处理系统，其特征在于，所述生态要素处理系统包括：
多源遥感，用于获取目标复杂生态海岸带的影像数据并进行处理；
处理器，用于对经过处理的影像数据按不同类型海岸进行分类提取海岸线；
所述处理器，还用于从提取的海岸线中分别提取包括植被、河流和人工海岸表面的各覆被；
所述处理器，还用于根据基于生态角度的土地利用程度分级与各覆被类型生态系统服务变差贡献率，并定义具有正生态贡献且生态服务价值为正的要素为正生态要素，定义具有负生态贡献的且生态服务价值为负的要素为负生态要素，以构建海岸带生态要素分类体系。
10.根据权利要求9所述的生态要素处理系统，其特征在于，所述处理器还用于执行程序数据，以实现权利要求2-8任一项所述的生态要素处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710417622.8A CN107229919A (zh) | 2017-06-05 | 2017-06-05 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710417622.8A CN107229919A (zh) | 2017-06-05 | 2017-06-05 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107229919A true CN107229919A (zh) | 2017-10-03 |
Family
ID=59934817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710417622.8A Pending CN107229919A (zh) | 2017-06-05 | 2017-06-05 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107229919A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108476648A (zh) * | 2018-02-26 | 2018-09-04 | 福建省林业科学研究院（福建省林业技术发展研究中心、福建省林业生产力促进中心、中国林业科学研究院海西分院） | 一种岩质海岸困难立地植被恢复的方法及系统 |
| CN109191450A (zh) * | 2018-09-11 | 2019-01-11 | 宁波大学 | 一种遥感图像融合质量评价方法 |
| CN110059553A (zh) * | 2019-03-13 | 2019-07-26 | 中国科学院遥感与数字地球研究所 | 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 |
| CN110826209A (zh) * | 2019-10-30 | 2020-02-21 | 北京师范大学 | 一种对植被覆盖度的影响因子贡献率估算方法及系统 |
| CN111369169A (zh) * | 2020-03-18 | 2020-07-03 | 自然资源部第一海洋研究所 | 海岸线开发对海岛陆地生态系统影响的定量化评估方法 |
| CN112418506A (zh) * | 2020-11-18 | 2021-02-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
| CN112579688A (zh) * | 2020-12-11 | 2021-03-30 | 山东科技大学 | 空间关联规则的挖掘方法、装置、设备及介质 |
| CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
| CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
| CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
-
2017
- 2017-06-05 CN CN201710417622.8A patent/CN107229919A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
| CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 易琳等: "海滨城市海岸带区域生态环境时空变化特征研究——以深圳市为例", 《海洋环境科学》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108476648A (zh) * | 2018-02-26 | 2018-09-04 | 福建省林业科学研究院（福建省林业技术发展研究中心、福建省林业生产力促进中心、中国林业科学研究院海西分院） | 一种岩质海岸困难立地植被恢复的方法及系统 |
| CN109191450B (zh) * | 2018-09-11 | 2021-06-15 | 宁波大学 | 一种遥感图像融合质量评价方法 |
| CN109191450A (zh) * | 2018-09-11 | 2019-01-11 | 宁波大学 | 一种遥感图像融合质量评价方法 |
| CN110059553A (zh) * | 2019-03-13 | 2019-07-26 | 中国科学院遥感与数字地球研究所 | 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 |
| CN110826209B (zh) * | 2019-10-30 | 2021-08-06 | 北京师范大学 | 一种对植被覆盖度的影响因子贡献率估算方法及系统 |
| CN110826209A (zh) * | 2019-10-30 | 2020-02-21 | 北京师范大学 | 一种对植被覆盖度的影响因子贡献率估算方法及系统 |
| CN111369169A (zh) * | 2020-03-18 | 2020-07-03 | 自然资源部第一海洋研究所 | 海岸线开发对海岛陆地生态系统影响的定量化评估方法 |
| CN111369169B (zh) * | 2020-03-18 | 2023-02-03 | 自然资源部第一海洋研究所 | 海岸线开发对海岛陆地生态系统影响的定量化评估方法 |
| CN112418506A (zh) * | 2020-11-18 | 2021-02-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
| CN112418506B (zh) * | 2020-11-18 | 2022-07-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
| CN112579688A (zh) * | 2020-12-11 | 2021-03-30 | 山东科技大学 | 空间关联规则的挖掘方法、装置、设备及介质 |
| CN112579688B (zh) * | 2020-12-11 | 2022-10-18 | 山东科技大学 | 空间关联规则的挖掘方法、装置、设备及介质 |
| CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
| CN112861719B (zh) * | 2021-02-08 | 2022-10-21 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
| CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107229919A (zh) | 一种用于复杂生态海岸带的生态要素处理方法及系统 | |
| Schaefer et al. | Evaluation of land cover change and agricultural protection sites: a GIS and remote sensing approach for Ho Chi Minh City, Vietnam | |
| Bakr et al. | Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data | |
| Gong et al. | Land suitability evaluation for development using a matter-element model: a case study in Zengcheng, Guangzhou, China | |
| Zhang et al. | GWL_FCS30: global 30 m wetland map with fine classification system using multi-sourced and time-series remote sensing imagery in 2020 | |
| Li et al. | Spatial–temporal evolution of soil erosion in a typical mountainous karst basin in SW China, based on GIS and RUSLE | |
| Yue et al. | A new accuracy evaluation method for water body extraction | |
| CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
| Xiang et al. | Mapping potential wetlands by a new framework method using random forest algorithm and big Earth data: A case study in China's Yangtze River Basin | |
| Xu et al. | What drive regional changes in the number and surface area of lakes across the Yangtze River basin during 2000–2019: human or climatic factors? | |
| Li et al. | Evaluating rural sustainable land use from a system perspective based on the ecosystem service value | |
| Yang et al. | The spatial distribution and expansion of subsided wetlands induced by underground coal mining in eastern China | |
| Wang et al. | Extraction of palaeochannel information from remote sensing imagery in the east of Chaohu Lake, China | |
| CN103294902A (zh) | 一种基于遥感影像与gis空间分析确定自然湿地恢复方案的方法 | |
| Elhag et al. | Forest cover assessment using remote-sensing techniques in Crete Island, Greece | |
| CN106203891A (zh) | 基于多源遥感影像数据的国土开发密度三维综合评价方法 | |
| Raju et al. | Land use/land cover change detection analysis using supervised classification, remote sensing and GIS in Mandavi River Basin, YSR Kadapa District, Andhra Pradesh, India | |
| Lu et al. | Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution | |
| Stančič et al. | Fluvial gravel bar mapping with spectral signal mixture analysis | |
| Thien et al. | Detection of Land Use and Land Cover Change Using Remote Sensing and GIS in Ba Ria-Vung Tau Province, Vietnam | |
| Nisa et al. | Recognition of Agricultural Land-Use Change with Machine Learning-Based for Regional Food Security Assessment in Kulon Progo Plains Area | |
| Somnath et al. | Monitoring Land Use/Land Cover Changes Using Remote Sensing And Gis: A Case Study On Kanchrapara Municipality And Its Adjoining Area, West Bengal, India | |
| Yin et al. | A suitable method for alpine wetland delineation: An example for the headwater area of the yellow river, Tibetan Plateau | |
| Sui et al. | Soil salinity estimation over coastal wetlands based on random Forest algorithm and hydrological connectivity metric | |
| Pandi et al. | Analyzing spatiotemporal variation of land use and land cover 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: 20171003 |