CN107247809A - 一种人工林森林年龄空间制图的新方法 - Google Patents

一种人工林森林年龄空间制图的新方法 Download PDF

Info

Publication number
CN107247809A
CN107247809A CN201710592204.2A CN201710592204A CN107247809A CN 107247809 A CN107247809 A CN 107247809A CN 201710592204 A CN201710592204 A CN 201710592204A CN 107247809 A CN107247809 A CN 107247809A
Authority
CN
China
Prior art keywords
forest
data
age
interference
different age
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.)
Granted
Application number
CN201710592204.2A
Other languages
English (en)
Other versions
CN107247809B (zh
Inventor
李明诗
刁娇娇
王璟睿
王姮
陈倩
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201710592204.2A priority Critical patent/CN107247809B/zh
Publication of CN107247809A publication Critical patent/CN107247809A/zh
Application granted granted Critical
Publication of CN107247809B publication Critical patent/CN107247809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种人工林森林年龄空间制图的新方法，具有以下优点：(1)基于森林干扰和恢复产品，提出了基于三层结构的森林年龄和森林生物量估算理论和方法体系，(2)针对导致当前大多数碳计量模型估计值变动不一的两大误差源：森林干扰和恢复历史的信息不全和缺乏生物量密度数据，本发明给出了完整解决方案，这使得本发明的结果相对于现存的区域尺度的研究结果而言，其森林年龄和森林生物量产品在时空分辨率上有明显进步，市场前景广阔。

Description

一种人工林森林年龄空间制图的新方法
技术领域
本发明涉及人工林森林年龄空间制图领域，特别涉及一种人工林森林年龄空间制图的新方法。
背景技术
联合国2013年发布的第五次《气候变化评估报告决策者摘要》再次确认了气候变暖的事实，并预测到本世纪末地表温度可能比1850年至1900年增长1.5至2摄氏度。联合国政府间气候变化委员会(IPCC)第五次评估报告更进一步警示世人气候变化的严重性和气候治理的紧迫性。在应对气候变化的研究中，生态系统碳储量和碳循环模式被认为对气候变化具有决定性影响，从而成为各国政府和学术界重点关注的最紧迫的环境问题。生态系统中积聚的碳储量的消长分别对应着大气中CO2的浓度高低变化，这直接影响全球气温变化的速率和幅度。地球上碳库存在的5大生态系统(森林、湿地、灌木林/草地、农田和水生生态系统)中，森林是陆地生态系统中最大的碳库，其单位面积的碳储量是农田的20至100倍。现今，发展可靠的方法来充分理解森林干扰及恢复模式变化对碳蓄积能力、循环模式及气候变化的影响已成为众多科学计划的优先领域，并且这些计划的长期目标是降低全球和区域尺度碳核算的不确定性以及改进对大气碳源、碳汇动态特征的理解。
然而由于森林结构参数、森林干扰模式和强度存在广泛的时空异质性，以及估算模型和方法内在的缺陷，当今的森林碳估算面临诸多挑战和不确定性。利用森林清查数据记录的森林种植或干扰时间或年轮数据可推算林龄，而取森林清查数据或者年轮数据通常较为困难，费时费力，其对于天然林更为困难。
发明内容
本发明所要解决的技术问题是提供一种人工林森林年龄空间制图的新方法，以解决现有技术中导致的上述多项缺陷。
为实现上述目的，本发明提供以下的技术方案：一种人工林森林年龄空间制图的新方法，包括如下步骤：
(1)遥感数据源选择
Landsat影像按照下载地址http://glovis.usgs.gov/提示安装JAVA，然后输入目标地的经纬度坐标或者条带号，并按年份逐步筛选影像，选择 PRODUCT LEVEL1下载数据；
(2)数据标准化处理方法
接着将LEDAPS数据预处理的运行环境设置为Linux Ubuntu，按照数据标准化处理方法将数据分为LEDAPS可用的标准数据处理和非标准数据格式处理；
(3)LEDAPS大气校正方法
然后对LEDAPS进行校正，所述LEDAPS校正方法含四个具体操作命令，分别为：lndpm、lndcal、lndcsm和lndsr；
(4)高程数据
目标地的DEM文件，下载地址：
ftp://ftp.glcf.umd.edu/glcf/SRTM/ft/ft0012.Filled_Finished- 03sec-WRS2-Global/GLCF.TSM.B4-004.00.Filled_Finished-03sec-WRS2 -Global/WRS2_Tiles/p000/SRTM_ff03_p000r000/，并在ENVI软件中保存为ENVI标准文件格式，并命名为dem000000_utm。(000需替换为目标地条带号)；
(5)土地覆盖数据
建立目标地的土地覆盖数据(Land cover)文件，从下载的源影像中挑选近期且质量较好的一幅影像进行有监分类，分类方法选择SVM方法，分类类别为4大类：城市、农田、森林、水体；将分类好的影像在ERDAS 或ArcGIS软件中修改类码，类码修改参照土地覆盖分类标准，城市类码调整为21，农田调整为82，森林为41，水体为11，将调整好类码的影像重命名为landcover01000000_utm(01，代表土地覆盖数据库的发展年份；前三个000为pathnumber，后三个000为row number，其余保持不变)；
(6)森林变化制图
将统一命名后的LEDAPS所得地表反射率图像，DEM数据，landcover 数据在基于单一影像掩膜与归一化、时间序列分析和森林干扰产品测算原理的基础上编译形成VCT自动化模型，得到的森林干扰年份和干扰量结果产品，建立森林干扰和恢复数据集。根据已建立的森林干扰和恢复数据集，依据不同年龄森林的生物量累积模式或特征差异，将森林划分为3个龄组：幼龄林、中龄林和成熟龄，最后将每年的成熟林、中龄林和幼龄林合并得到林龄分布图；
(7)基于光谱波段以及第一主成分波段的相关性分析
然后通过对辐射定标、大气校正以及地形校正后的遥感影像(特别是森林样方位置上Landsat地表反射率时间序列值)进行相应波段以及特征值的提取从而进行相关性分析获得其与由地面清查数据得到的森林年龄值之间的关联性；
(8)森林年龄建模
首先，通过随机抽样的方法将样本中70％的数据作为训练样本采用随机森林算法进行森林年龄估算建模，利用剩下30％的样本进行模型的精度验证，通过建模可以获得森林年龄与各因子之间的定量化关联，然后将构建的模型应用于完整的研究区域完成研究区的森林年龄制图。
优选的，所述步骤(2)中Linux Ubuntu运行环境设置包括：
a)Ubuntu系统home下工作空间设置；
b)Ubuntu下设置环境变量，gcc，gfortran编译器安装，配置源163.com，4.6.3，4.6，以找到模型编译所需下载站点；
c)安装LEDAPS校正模型。
优选的，所述步骤(6)中单一影像掩膜与归一化的原理为在Landsat 时间序列堆栈中的影像需要进行水体、云、云阴影掩膜来识别森林类别，识别的森林类别被用于计算类似森林的光谱指数。
优选的，所述步骤(6)中时间序列分析的原理为基于森林指数和掩膜结果形成时间序列轨迹用于生成森林变化产品，主要的两个步骤概述为时间序列中的每个影像用于创建掩膜并计算森林光谱指数，获得的掩膜结果和指数用于时间序列的干扰制图。
优选的，所述步骤(6)中森林干扰产品测算为每个监测到的干扰计算两个要素，即森林干扰年份和干扰量。
优选的，所述步骤(6)中幼龄林、中龄林和成熟龄的划分方法为核查森林干扰产品和森林恢复产品，在Landsat数据覆盖的30年间，持续保持森林状态的Persisting forest类别所在空间像元位置被识别为本研究中“成熟林”；在30年间，被识别为“Disturbedforest”类别所在的空间像元位置被标定为本研究中的“幼龄林”；早于我们设定的30年间隔的起始年份发生干扰事件，若干年后恢复了其森林特征光谱的那些空间像元被识别为“中龄林”。
采用以上技术方案的有益效果是：本发明提供的一种人工林森林年龄空间制图的新方法，具有以下优点：(1)基于森林干扰和恢复产品，提出了基于三层结构的森林年龄和森林生物量估算理论和方法体系，(2) 针对导致当前大多数碳计量模型估计值变动不一的两大误差源：森林干扰和恢复历史的信息不全和缺乏生物量密度数据，本研究给出了完整解决方案，这使得本研究的结果相对于现存的区域尺度的研究结果而言，时空分辨率上有明显进步，市场前景广阔。
附图说明
图1是人工林龄组划分流程图；
图2是林龄划分原理图。
具体实施方式
下面详细说明本发明的优选实施方式。
实施例：
一种人工林森林年龄空间制图的新方法，包括如下步骤：
(1)遥感数据源选择
Landsat影像按照下载地址http://glovis.usgs.gov/提示安装JAVA，然后输入目标地的经纬度坐标或者条带号，并按年份逐步筛选影像，选择 PRODUCT LEVEL1下载数据；
(2)数据标准化处理方法
接着将LEDAPS数据预处理的运行环境设置为Linux Ubuntu，按照数据标准化处理方法将数据分为LEDAPS可用的标准数据处理和非标准数据格式处理，所述Linux Ubuntu运行环境设置包括：
a)Ubuntu系统home下工作空间设置；
b)Ubuntu下设置环境变量，gcc，gfortran编译器安装，配置源163.com，4.6.3，4.6，以找到模型编译所需下载站点；
c)安装LEDAPS校正模型；
(3)LEDAPS大气校正方法
然后对LEDAPS进行校正，所述LEDAPS校正方法含四个具体操作命令，分别为：lndpm、lndcal、lndcsm和lndsr；
(4)高程数据
目标地的DEM文件，下载地址：
ftp://ftp.glcf.umd.edu/glcf/SRTM/ft/ft0012.Filled_Finished- 03sec-WRS2-Global/GLCF.TSM.B4-004.00.Filled_Finished-03sec-WRS2 -Global/WRS2_Tiles/p000/SRTM_ff03_p000r000/，并在ENVI软件中保存为ENVI标准文件格式，并命名为dem000000_utm。(000需替换为目标地条带号)；
(5)土地覆盖数据
建立目标地的土地覆盖数据(Land cover)文件，从下载的源影像中挑选近期且质量较好的一幅影像进行有监分类，分类方法选择SVM方法，分类类别为4大类：城市、农田、森林、水体；将分类好的影像在ERDAS 或ArcGIS软件中修改类码，类码修改参照土地覆盖分类标准，城市类码调整为21，农田调整为82，森林为41，水体为11，将调整好类码的影像重命名为landcover01000000_utm(01，代表土地覆盖数据库的发展年份；前三个000为pathnumber，后三个000为row number，其余保持不变)；
(6)森林变化制图
将统一命名后的LEDAPS所得地表反射率图像，DEM数据，landcover 数据在基于单一影像掩膜与归一化、时间序列分析和森林干扰产品测算原理的基础上编译形成VCT自动化模型，得到的森林干扰年份和干扰量结果产品，建立森林干扰和恢复数据集。根据已建立的森林干扰和恢复数据集，依据不同年龄森林的生物量累积模式或特征差异，将森林划分为3个龄组：幼龄林、中龄林和成熟龄，最后将每年的成熟林、中龄林和幼龄林合并得到林龄分布图，所述单一影像掩膜与归一化的原理为在Landsat时间序列堆栈中的影像需要进行水体、云、云阴影掩膜来识别森林类别，识别的森林类别被用于计算类似森林的光谱指数，时间序列分析的原理为基于森林指数和掩膜结果形成时间序列轨迹用于生成森林变化产品，主要的两个步骤概述为时间序列中的每个影像用于创建掩膜并计算森林光谱指数，获得的掩膜结果和指数用于时间序列的干扰制图，所述森林干扰产品测算为每个监测到的干扰计算两个要素，即森林干扰年份和干扰量，所述幼龄林、中龄林和成熟龄的划分方法为核查森林干扰产品和森林恢复产品，在 Landsat数据覆盖的30年间，持续保持森林状态的Persisting forest 类别所在空间像元位置被识别为本研究中“成熟林”；在30年间，被识别为“Disturbed forest”类别所在的空间像元位置被标定为本研究中的“幼龄林”；早于我们设定的30年间隔的起始年份发生干扰事件，若干年后恢复了其森林特征光谱的那些空间像元被识别为“中龄林”；
(7)基于光谱波段以及第一主成分波段的相关性分析
然后通过对辐射定标、大气校正以及地形校正后的遥感影像(特别是森林样方位置上Landsat地表反射率时间序列值)进行相应波段以及特征值的提取从而进行相关性分析获得其与由地面清查数据得到的森林年龄值之间的关联性；
(8)森林年龄建模
首先，通过随机抽样的方法将样本中70％的数据作为训练样本采用随机森林算法进行森林年龄估算建模，利用剩下30％的样本进行模型的精度验证，通过建模可以获得森林年龄与各因子之间的定量化关联，然后将构建的模型应用于完整的研究区域完成研究区的森林年龄制图。
本发明提供了一种人工林森林年龄空间制图的新方法，具有以下优点：(1)基于森林干扰和恢复产品，提出了基于三层结构的森林年龄和森林生物量估算理论和方法体系，(2)针对导致当前大多数碳计量模型估计值变动不一的两大误差源：森林干扰和恢复历史的信息不全和缺乏生物量密度数据，本研究给出了完整解决方案，这使得本研究的结果相对于现存的区域尺度的研究结果而言，时空分辨率上有明显进步，市场前景广阔。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种人工林森林年龄空间制图的新方法，其特征在于，包括如下步骤：
(1)遥感数据源选择
Landsat影像按照下载地址http://glovis.usgs.gov/提示安装JAVA，然后输入目标地的经纬度坐标或者条带号，并按年份逐步筛选影像，选择PRODUCTLEVEL1下载数据；
(2)数据标准化处理方法
接着将LEDAPS数据预处理的运行环境设置为LinuxUbuntu，按照数据标准化处理方法将数据分为LEDAPS可用的标准数据处理和非标准数据格式处理；
(3)LEDAPS大气校正方法
然后对LEDAPS进行校正，所述LEDAPS校正方法含四个具体操作命令，分别为：lndpm、lndcal、lndcsm和lndsr；
(4)高程数据
目标地的DEM文件，下载地址：
ftp://ftp.glcf.umd.edu/glcf/SRTM/ft/ft0012.Filled_Finished-03sec-WRS2-Global/GLCF.TSM.B4-004.00.Filled_Finished-03sec-WRS2-Global/WRS2_Tiles/p000/SRTM_ff03_p000r000/，并在ENVI软件中保存为ENVI标准文件格式，并命名为dem000000_utm，(000需替换为目标地条带号)；
(5)土地覆盖数据
建立目标地的土地覆盖数据(Landcover)文件，从下载的源影像中挑选近期且质量较好的一幅影像进行有监分类，分类方法选择SVM方法，分类类别为4大类：城市、农田、森林、水体；将分类好的影像在ERDAS或ArcGIS软件中修改类码，类码修改参照土地覆盖分类标准，城市类码调整为21，农田调整为82，森林为41，水体为11，将调整好类码的影像重命名为landcover01000000_utm(01，代表土地覆盖数据库的发展年份；前三个000为pathnumber，后三个000为rownumber，其余保持不变)；
(6)森林变化制图
将统一命名后的LEDAPS所得地表反射率图像，DEM数据，landcover数据在基于单一影像掩膜与归一化、时间序列分析和森林干扰产品测算原理的基础上编译形成VCT自动化模型，得到的森林干扰年份和干扰量结果产品，建立森林干扰和恢复数据集。根据已建立的森林干扰和恢复数据集，依据不同年龄森林的生物量累积模式或特征差异，将森林划分为3个龄组：幼龄林、中龄林和成熟龄，最后将每年的成熟林、中龄林和幼龄林合并得到林龄分布图；
(7)基于光谱波段以及第一主成分波段的相关性分析
然后通过对辐射定标、大气校正以及地形校正后的遥感影像(特别是森林样方位置上Landsat地表反射率时间序列值)进行相应波段以及特征值的提取从而进行相关性分析获得其与由地面清查数据得到的森林年龄值之间的关联性；
(8)森林年龄建模
首先，通过随机抽样的方法将样本中70％的数据作为训练样本采用随机森林算法进行森林年龄估算建模，利用剩下30％的样本进行模型的精度验证，通过建模可以获得森林年龄与各因子之间的定量化关联，然后将构建的模型应用于完整的研究区域完成研究区的森林年龄制图。
2.根据权利要求1所述的一种人工林森林年龄空间制图的新方法，所述步骤(2)中LinuxUbuntu运行环境设置包括：
a)Ubuntu系统home下工作空间设置；
b)Ubuntu下设置环境变量，gcc，gfortran编译器安装，配置源163.com，4.6.3，4.6，以找到模型编译所需下载站点；
c)安装LEDAPS校正模型。
3.根据权利要求1所述的一种人工林森林年龄空间制图的新方法，所述步骤(6)中单一影像掩膜与归一化的原理为在Landsat时间序列堆栈中的影像需要进行水体、云、云阴影掩膜来识别森林类别，识别的森林类别被用于计算类似森林的光谱指数。
4.根据权利要求1所述的一种人工林森林年龄空间制图的新方法，所述步骤(6)中时间序列分析的原理为基于森林指数和掩膜结果形成时间序列轨迹用于生成森林变化产品，主要的两个步骤概述为时间序列中的每个影像用于创建掩膜并计算森林光谱指数，获得的掩膜结果和指数用于时间序列的干扰制图。
5.根据权利要求1所述的一种人工林森林年龄空间制图的新方法，所述步骤(6)中森林干扰产品测算为每个监测到的干扰计算两个要素，即森林干扰年份和干扰量。
6.根据权利要求1所述的一种人工林森林年龄空间制图的新方法，所述步骤(6)中幼龄林、中龄林和成熟龄的划分方法为核查森林干扰产品和森林恢复产品，在Landsat数据覆盖的30年间，持续保持森林状态的Persistingforest类别所在空间像元位置被识别为本研究中“成熟林”；在30年间，被识别为“Disturbedforest”类别所在的空间像元位置被标定为本研究中的“幼龄林”；早于我们设定的30年间隔的起始年份发生干扰事件，若干年后恢复了其森林特征光谱的那些空间像元被识别为“中龄林”。
CN201710592204.2A 2017-07-19 2017-07-19 一种人工林森林年龄空间制图的新方法 Active CN107247809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710592204.2A CN107247809B (zh) 2017-07-19 2017-07-19 一种人工林森林年龄空间制图的新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710592204.2A CN107247809B (zh) 2017-07-19 2017-07-19 一种人工林森林年龄空间制图的新方法

Publications (2)

Publication Number Publication Date
CN107247809A true CN107247809A (zh) 2017-10-13
CN107247809B CN107247809B (zh) 2020-05-26

Family

ID=60015387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710592204.2A Active CN107247809B (zh) 2017-07-19 2017-07-19 一种人工林森林年龄空间制图的新方法

Country Status (1)

Country Link
CN (1) CN107247809B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558474A (zh) * 2018-12-07 2019-04-02 董云 基于Arcgis建立林地及森林资源地理数据库的方法及系统
CN109614942A (zh) * 2018-12-14 2019-04-12 中国科学院遥感与数字地球研究所 一种基于云计算平台的森林扰动长时间序列监测方法
CN110570399A (zh) * 2019-08-16 2019-12-13 中国科学院地理科学与资源研究所 一种基于时间序列遥感数据的油棕树龄测算方法
CN112348812A (zh) * 2020-12-04 2021-02-09 南京大学 林分年龄信息测量方法及装置
CN112395808A (zh) * 2020-11-18 2021-02-23 南京林业大学 一种结合随机森林和协同克里金的生物量遥感制图方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158364A1 (en) * 2008-12-24 2010-06-24 Weyerhaeuser Company Automatic age classification of forest land
CN102306372A (zh) * 2011-07-12 2012-01-04 浙江大学 一种基于缨帽变换的遥感影像处理方法
CN104656098A (zh) * 2015-02-03 2015-05-27 南京林业大学 一种遥感森林生物量反演的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN105808963A (zh) * 2016-03-24 2016-07-27 北京林业大学 一种模型法测定林木年龄的方法
CN106384171A (zh) * 2016-09-29 2017-02-08 四川师范大学 一种适用于研究区当地的冷杉森林碳储量估测模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158364A1 (en) * 2008-12-24 2010-06-24 Weyerhaeuser Company Automatic age classification of forest land
CN102306372A (zh) * 2011-07-12 2012-01-04 浙江大学 一种基于缨帽变换的遥感影像处理方法
CN104656098A (zh) * 2015-02-03 2015-05-27 南京林业大学 一种遥感森林生物量反演的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN105808963A (zh) * 2016-03-24 2016-07-27 北京林业大学 一种模型法测定林木年龄的方法
CN106384171A (zh) * 2016-09-29 2017-02-08 四川师范大学 一种适用于研究区当地的冷杉森林碳储量估测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑光 等: ""结合树龄信息的遥感森林生态系统生物量制图"", 《遥感学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558474A (zh) * 2018-12-07 2019-04-02 董云 基于Arcgis建立林地及森林资源地理数据库的方法及系统
CN109614942A (zh) * 2018-12-14 2019-04-12 中国科学院遥感与数字地球研究所 一种基于云计算平台的森林扰动长时间序列监测方法
CN110570399A (zh) * 2019-08-16 2019-12-13 中国科学院地理科学与资源研究所 一种基于时间序列遥感数据的油棕树龄测算方法
CN112395808A (zh) * 2020-11-18 2021-02-23 南京林业大学 一种结合随机森林和协同克里金的生物量遥感制图方法
CN112348812A (zh) * 2020-12-04 2021-02-09 南京大学 林分年龄信息测量方法及装置
CN112348812B (zh) * 2020-12-04 2024-04-26 南京大学 林分年龄信息测量方法及装置

Also Published As

Publication number Publication date
CN107247809B (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN107247809A (zh) 一种人工林森林年龄空间制图的新方法
Liu et al. Net primary productivity mapped for Canada at 1‐km resolution
Baker et al. Evapotranspiration in the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis, and climate models
Chen et al. Characterizing spatial representativeness of flux tower eddy-covariance measurements across the Canadian Carbon Program Network using remote sensing and footprint analysis
Ito The regional carbon budget of East Asia simulated with a terrestrial ecosystem model and validated using AsiaFlux data
Mondal et al. On the basin‐scale detection and attribution of human‐induced climate change in monsoon precipitation and streamflow
Zhang et al. Evaluation and comparison of gross primary production estimates for the Northern Great Plains grasslands
Jiménez et al. Exploring the merging of the global land evaporation WACMOS-ET products based on local tower measurements
Pei et al. Exploring the response of net primary productivity variations to urban expansion and climate change: A scenario analysis for Guangdong Province in China
Peng et al. Scaling up spring phenology derived from remote sensing images
Mascorro et al. Attributing changes in land cover using independent disturbance datasets: a case study of the Yucatan Peninsula, Mexico
Lian et al. Sensitivity to the sources of uncertainties in the modeling of atmospheric CO 2 concentration within and in the vicinity of Paris
Wen et al. Applying an artificial neural network to simulate and predict Chinese fir (Cunninghamia lanceolata) plantation carbon flux in subtropical China
Adedeji et al. Spatial Pattern of Land Cover Change Using Remotely Sensed Imagery and GIS: A Case Study of Omo-Shasha-Oluwa Forest Reserve, SW Nigeria (1986-2002)
CN109946714A (zh) 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法
Hough et al. Gaussian Markov random fields improve ensemble predictions of daily 1 km PM2. 5 and PM10 across France
Kelly et al. Modelling and upscaling ecosystem respiration using thermal cameras and UAVs: Application to a peatland during and after a hot drought
Oddi et al. Modeling potential site productivity for Austrocedrus chilensis trees in northern Patagonia (Argentina)
Odebiri et al. Mapping soil organic carbon distribution across South Africa's major biomes using remote sensing-topo-climatic covariates and Concrete Autoencoder-Deep neural networks
Yu et al. A coupled surface subsurface modeling framework to assess the impact of climate change on freshwater wetlands
Vuille Current state and future challenges in stable isotope applications of the tropical hydrologic cycle (Invited Commentary).
Kambombe et al. Impact of climate variability and land use change on streamflow in lake Chilwa basin, Malawi
Niraj et al. Fate of agricultural areas of Kailali District of Nepal: A temporal land use land cover change (LUCC) analysis
Khan et al. Trends and projections of land use land cover and land surface temperature using an integrated weighted evidence-cellular automata (WE-CA) model
Rani Climate, Land-Use Change and Hydrology of the Beas River Basin, Western Himalayas

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20171013

Assignee: Nanjing soutian Data Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2020980003918

Denomination of invention: New method of artificial forest age space mapping

Granted publication date: 20200526

License type: Common License

Record date: 20200708

Application publication date: 20171013

Assignee: Nanjing veleida Intelligent Technology Co., Ltd

Assignor: NANJING FORESTRY University

Contract record no.: X2020980003953

Denomination of invention: New method of artificial forest age space mapping

Granted publication date: 20200526

License type: Common License

Record date: 20200709

Application publication date: 20171013

Assignee: Nanjing laida Agricultural Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2020980003977

Denomination of invention: New method of artificial forest age space mapping

Granted publication date: 20200526

License type: Common License

Record date: 20200710

EE01 Entry into force of recordation of patent licensing contract