CN107315914A - 一种多尺度嵌套的空间统计单元构建方法 - Google Patents
一种多尺度嵌套的空间统计单元构建方法 Download PDFInfo
- Publication number
- CN107315914A CN107315914A CN201710493603.3A CN201710493603A CN107315914A CN 107315914 A CN107315914 A CN 107315914A CN 201710493603 A CN201710493603 A CN 201710493603A CN 107315914 A CN107315914 A CN 107315914A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- math
- msup
- block
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010921 in-depth analysis Methods 0.000 abstract 1
- 238000007619 statistical method Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感数据的时空分析领域,尤其是公开了一种多尺度嵌套的空间统计单元构建方法。本发明采用的技术方案为:一种多尺度嵌套的空间统计单元构建方法,步骤1:确定格网局部均质阈值,即变异系数阈值 ;步骤2:构建第n阶尺度正方形格网;步骤3,构建n‑1阶尺度正方形格网单元;步骤4,构建(n‑2),(n‑3),......,2,1在不降低原始时空遥感大数据精度和不丢失有用信息的前提下,一种多尺度嵌套的空间统计单元构建方法,为进一步深入分析打下坚实基础,也为顺利将众多复杂、科学、优良的时空分析技术顺利引入时空遥感大数据分析领域创造有利条件。
Description
技术领域
本发明属于遥感数据的时空分析领域,尤其是公开了一种多尺度嵌套的空间统计单元构建方法。
背景技术
在大数据时代,数据挖掘和数据分析愈来愈显得至关重要,特别是在地学领域,随着对地观测技术的迅猛发展,积累了海量的时空数据。目前全球共发射了320颗对地观测卫星,包括陆地、大气和海洋等各个领域。通过对地观测卫星所携带的各类传感器,可以对大气和地球表面的各类物理和化学参数进行监测。经过50多年的发展,采集积累了大量的卫星遥感时空观测数据,但目前对于遥感数据的分析处理能力还需要进一步加强,特别是对于时空大数据的挖掘分析。尽管目前计算机硬件技术快速发展,但也难以追赶数据量的几何级增长。对于时空大数据的统计分析,若简单以最小观测单元(如像元)为统计单元,则无疑会带来巨大的计算负担,同时也存在信息冗余的问题,换句话说,并不是统计单元越小越合理,目前人们在对时空遥感数据统计分析时,大都惯以像元为空间统计单元,这样做不但难以将复杂的时空分析方法引入时空大数据分析领域,而且在理论上也难以站住脚。
对于遥感数据的时空分析问题,一般都以固定的像元尺度进行时空统计分析,通常以3*3像元的一阶空间邻接考虑空间相关性,而这样并不能反映时空过程中的多尺度耦合效应,其对时空格局的探测和研究结果可能存在偏差。
现有空间统计单元选取或构建技术的一个共同缺点是:拟通过固定尺度的空间统计单元来测度多尺度耦合的时空变化过程,显然有失合理性和科学性。再者,若以原始像元为空间统计单元,不但在存在上述理论缺陷,而且还会带来巨大的冗余计算负担,致使很多时空分析方法无法实施;而若以固定的较大尺度格网单元为空间统计单元,也同样会存在上述理论缺陷,且会降低原始数据的精度,丢失很多有用的信息。
发明内容
本发明克服现有技术存在的不足,提供一种在不降低原始时空遥感大数据精度和不丢失有用信息的前提下,一种多尺度嵌套的空间统计单元构建方法,为进一步深入分析打下坚实基础,也为顺利将众多复杂、科学、优良的时空分析技术顺利引入时空遥感大数据分析领域创造有利条件。
为了解决上述技术问题,本发明采用的技术方案为:
一种多尺度嵌套的空间统计单元构建方法,其特征在于,包括以下步骤:
步骤1:确定格网局部均质阈值,即变异系数阈值;先计算原始遥感数据的变异系数,根据原始遥感数据变异系数确定格网局部均质阈值;
步骤2:构建第n阶尺度正方形格网;假设原来像元尺度为,则n阶尺度正方形格网的尺度为;
步骤3,构建(n-1)阶尺度正方形格网单元;计算每一个n阶尺度正方形格网包含像元属性值的变异系数,记第个n阶尺度正方形格网对应的变异系数为,若,则对第个n阶尺度正方形格网进行四叉树剖分,若,则保持n阶尺度正方形格网;
按照上述过程遍历完所有的n阶尺度正方形格网后,则已经构建出n阶和(n-1)阶两个尺度嵌套的空间统计单元,前者尺度为,后者为,经过此步骤后,所有没被剖分的n阶尺度正方形格网所包含像素的变异系数都小于;
步骤4,构建(n-2),(n-3),......,2,1阶尺度正方形格网单元;在步骤3的基础上,计算每一个(n-1)阶尺度正方形格网包含像元属性值的变异系数,若其包含像元属性值的变异系数大于,则对其进行四叉树剖分,形成(n-2)阶尺度正方形格网,对应尺度为,若其包含像元属性值的变异系数,则保持(n-1)阶尺度正方形格网;重复上述过程,直至所有的正方形格网包含的像元属性值的变异系数均小于,最低阶尺度可能剖分至原始数据中的单个像元单元,即为1阶尺度正方形格网。
优选的,所述步骤1中计算原始遥感数据的变异系数的公示为:
变异系数=平均值/标准差。
优选的,所述步骤1中确定格网局部均质阈值的参考表如下表1:
表1 不同原始数据变异系数条件下的格网局部均质阈值选取参考表
优选的,所述步骤2中n的取值为4-6。
优选的,所述步骤2中的正方形格网需要满足两个条件:
第一,正方形格网边界须与像素边界齐整,即须恰好包含个像素单元;
第二,所有正方形格网包含的像素属性值计算的变异系数不能都大于格网局部均质阈值,否则需减少n取值。
本发明与现有技术相比有以下有益效果:
现有技术中以像元为统计单元进行时空统计分析,不仅难以描述多尺度耦合的时间过程,同时巨大的计算负担也使得很多时空分析方法难以实施,而按照本发明的多尺度嵌套的空间统计单元构建后,空间统计单元数缩减少,同时嵌套的多尺度空间统计格网的统计性质与原始数据基本一致,也就是并不影响时空变化规律的探测与挖掘。其次,根据本发明构建的多尺度嵌套的空间统计单元则巧妙地解决了以上问题,有效过滤了冗余信息,在提高计算效率的同时,突破了原来以固定尺度统计分析时空现象,既保证了理论的合理性和科学性,也使得一些复杂和优良的时空分析方法(如贝叶斯时空交互模型)顺利应用到遥感大数据的分析领域中。
附图说明
图1展示了一个包含4阶尺度剖分的格网示例;
图2是根据2014年亚洲PM2.5年均浓度遥感反演数据情况进行的多尺度嵌套的空间统计格网单元构建结果;
图3是2014年全球PM2.5年均浓度遥感反演数据多尺度空间统计单元构建结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
一种多尺度嵌套的空间统计单元构建方法,其特征在于,包括以下步骤:
将对2014年全球PM2.5年均浓度遥感反演数据进行多尺度嵌套的空间统计单元积进行构建。原始数据空间分辨率为0.10.1,共有1,455,488个像元。
以下将按照本发明技术方案对其进行多尺度空间统计单元构建:
步骤1:确定格网局部均质阈值----变异系数阈值。根据公式变异系数=平均值/标准差,计算原始遥感数据的变异系数为0.7012,再根据参考表1,确定的格网剖分阈值为8.0%;
步骤2:将n值确定为5,即最高阶尺度格网为5阶尺度正方形格网,其空间尺度分辨率为1.6°´1.6°;
步骤3:构建4阶尺度正方形格网单元;计算每一个5阶尺度正方形格网包含像元属性值的变异系数,记第个5阶尺度正方形格网对应的变异系数为,若,则对第个5阶尺度正方形格网进行四叉树剖分,若,则保持5阶尺度正方形格网;按照上述过程遍历完所有的5阶尺度正方形格网后,则已经构建出5阶和4阶两个尺度嵌套的空间统计单元,前者尺度为1.6°´1.6°,后者为0.8°´0.8°,经过此步骤后,所有没被剖分的5阶尺度正方形格网所包含像素的变异系数都小于8.0%;
步骤4:构建3、2、1阶尺度正方形格网单元;在步骤3的基础上,计算每一个4阶尺度正方形格网包含像元属性值的变异系数,若其包含像元属性值的变异系数大于8.0%,则对其进行四叉树剖分,形成3阶尺度正方形格网,对应尺度为0.4°´0.4°,若其包含像元属性值的变异系数,则保持4阶尺度正方形格网;重复上述过程,直至所有的正方形格网包含的像元属性值的变异系数均小于8.0%;
对于本实例而言,到3阶尺度正方形格网剖分后,其所有的空间统计单元包含的像元属性值的变异系数都小于8.0%,因此,最小尺度的空间统计单元为3阶尺度正方形格网,尺度为0.4°´0.4°。最终,共构建了10314个多尺度空间统计单元格网,具体如图3所示,其中5阶尺度格网有5547个,4阶尺度格网有4131个,3阶尺度格网有636个,其中彩色图为原遥感数据。
图2显示的是根据2014年亚洲PM2.5年均浓度遥感反演数据情况进行的多尺度嵌套的空间统计格网单元构建结果,底图是2014年亚洲PM2.5年均浓度遥感反演原数据的平均值分布图。原始遥感数据的空间分辨率为0.1°´0.1°,具有70,656个像元单元,如果以像元为统计单元进行时空统计分析,不仅难以描述多尺度耦合的时间过程,同时巨大的计算负担也使得很多时空分析方法难以实施,而按照本发明的多尺度嵌套的空间统计单元构建后,空间统计单元数缩减为为4481个,其中1587个4阶尺度格网,2286个3阶尺度格网,608个2阶尺度格网,同时嵌套的多尺度空间统计格网的统计性质与原始数据基本一致,也就是并不影响时空变化规律的探测与挖掘。
若以原有像元单位为空间统计单元的话,由于巨大的计算负担,性质良好的贝叶斯时空交互模型统将难以进行实施,如若通过平均值池化到较大尺度格网后计算,则又损失了原始遥感数据的精度,也会丢失很多有用信息,而且计算出的结果也会存在一定的偏差。而根据本发明构建的多尺度嵌套的空间统计单元则巧妙地解决了以上问题,有效过滤了冗余信息,在提高计算效率的同时,突破了原来以固定尺度统计分析时空现象,既保证了理论的合理性和科学性,也使得一些复杂和优良的时空分析方法(如贝叶斯时空交互模型)顺利应用到遥感大数据的分析领域中。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种多尺度嵌套的空间统计单元构建方法,其特征在于,包括以下步骤:
步骤1:确定格网局部均质阈值,即变异系数阈值<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>;先计算原始遥感数据的变异系数Cv,根据原始遥感数据变异系数确定格网局部均质阈值<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>;
步骤2:构建第n阶尺度正方形格网;假设原来像元尺度为<math display = 'block'>
<mrow>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,则n尺度正方形格
网的尺度为<math display = 'block'>
<mrow>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mrow>
</math>;
步骤3,构建(n-1)形格网单元;计算每一个n阶尺度正方形格网包含像元属性值的变异
系数,记第<math display = 'block'>
<mrow>
<mi>j</mi>
</mrow>
</math>个n阶尺度正方形格网对应的变异系数为<math display = 'block'>
<mrow>
<msub>
<mi>cv</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</math>若<math display = 'block'>
<mrow>
<msub>
<mi>cv</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,则对第<math display = 'block'>
<mrow>
<mi>j</mi>
</mrow>
</math>个n
阶尺度正方形格网进行四叉树剖分,若<math display = 'block'>
<mrow>
<msub>
<mi>cv</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,则保持n阶尺度正方形格网;
按照上述过程遍历完所有的n阶尺度正方形格网后,则已经构建出n和(n-1)阶两个尺
度嵌套的空间统计单元,前者尺度为<math display = 'block'>
<mrow>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,后者为<math display = 'block'>
<mrow>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>2</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>2</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,
经过此步骤后,所有没被剖分的n阶尺度正方形格网所包含像素的变异系数都小于<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>;
步骤4,构建(n-2),(n-3),......,2,1阶尺度正方形格网单元;在步骤3的基础上,计算
每一个(n-1)阶尺度正方形格网包含像元属性值的变异系数,若其包含像元属性值的变异
系数大于<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,则对其进行四叉树剖分,形成(n-2)阶尺度正方形格网,对应尺度为<math display = 'block'>
<mrow>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>3</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>3</mn>
</mrow>
</msup>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,若其包含像元属性值的变异系数<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,则保持(n-1)阶尺度正方形
格网;重复上述过程,直至所有的正方形格网包含的像元属性值的变异系数均小于<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,最
低阶尺度可能剖分至原始数据中的单个像元单元,即为1阶尺度正方形格网。
2.如权利要求1所述的一种多尺度嵌套的空间统计单元构建方法,其特征在于:所述步骤1中计算原始遥感数据的变异系数的公示为:变异系数=平均值/标准差。
3.如权利要求1所述的一种多尺度嵌套的空间统计单元构建方法,其特征在于:所述步
骤1中确定格网局部均质阈值<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>的参考表如下表1:
表1 不同原始数据变异系数条件下的格网局部均质阈值选取参考表
如权利要求1所述的一种多尺度嵌套的空间统计单元构建方法,其特征在于:所述步骤2中n的取值为4-6。
4.如权利要求1所述的一种多尺度嵌套的空间统计单元构建方法,其特征在于:所述步
骤2中的正方形格网需要满足两个条件:第一,正方形格网边界须与像素边界齐整,即须恰
好包含<math display = 'block'>
<mrow>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&times;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&minus;</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</math>个像素单元;第二,所有正方形格网包含的像素属性值计算的变异系
数不能都大于格网局部均质阈值<math display = 'block'>
<mrow>
<msub>
<mi>&#x019B;</mi>
<mn>0</mn>
</msub>
</mrow>
</math>,否则需减少n取值。 1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710493603.3A CN107315914B (zh) | 2017-06-26 | 2017-06-26 | 一种多尺度嵌套的空间统计单元构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710493603.3A CN107315914B (zh) | 2017-06-26 | 2017-06-26 | 一种多尺度嵌套的空间统计单元构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107315914A true CN107315914A (zh) | 2017-11-03 |
CN107315914B CN107315914B (zh) | 2019-01-29 |
Family
ID=60180384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710493603.3A Expired - Fee Related CN107315914B (zh) | 2017-06-26 | 2017-06-26 | 一种多尺度嵌套的空间统计单元构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107315914B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006064438A1 (en) * | 2004-12-16 | 2006-06-22 | Koninklijke Philips Electronics N.V. | A method, an apparatus and a computer program for segmenting a structure in a multi-dimensional dataset |
CN104036499A (zh) * | 2014-05-30 | 2014-09-10 | 中国科学院遥感与数字地球研究所 | 一种多尺度叠加分割方法 |
CN106408563A (zh) * | 2016-09-30 | 2017-02-15 | 杭州电子科技大学 | 一种基于变异系数的雪花噪声检测方法 |
-
2017
- 2017-06-26 CN CN201710493603.3A patent/CN107315914B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006064438A1 (en) * | 2004-12-16 | 2006-06-22 | Koninklijke Philips Electronics N.V. | A method, an apparatus and a computer program for segmenting a structure in a multi-dimensional dataset |
CN104036499A (zh) * | 2014-05-30 | 2014-09-10 | 中国科学院遥感与数字地球研究所 | 一种多尺度叠加分割方法 |
CN106408563A (zh) * | 2016-09-30 | 2017-02-15 | 杭州电子科技大学 | 一种基于变异系数的雪花噪声检测方法 |
Non-Patent Citations (2)
Title |
---|
LI JUNMING等: "Spatiotemporal Variability of Remotely Sensed PM2,5 Concentrations in China from 1998 to 2014 Based on a Bayesian Hierarchy Model", 《INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》 * |
明冬萍等: "基于谱空间统计特征的高分辨率影像分割尺度估计", 《地球信息科学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107315914B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
Huisman et al. | Principles of geographic information systems | |
Pham et al. | Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam | |
Youssef et al. | Integrated evaluation of urban development suitability based on remote sensing and GIS techniques: Contribution from the analytic hierarchy process. | |
Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
Chefaoui | Landscape metrics as indicators of coastal morphology: a multi-scale approach | |
Kidd et al. | Eighty-metre resolution 3D soil-attribute maps for Tasmania, Australia | |
Malik et al. | Geospatial modeling of the impact of sea level rise on coastal communities: application of Richmond, British Columbia, Canada | |
Kao et al. | Visualizing 2D probability distributions from EOS satellite image-derived data sets: A case study | |
Xue et al. | A spatiotemporal mining framework for abnormal association patterns in marine environments with a time series of remote sensing images | |
Martin et al. | Evaluation of gridded population models using 2001 Northern Ireland Census data | |
Desjardins et al. | A space–time parallel framework for fine-scale visualization of pollen levels across the Eastern United States | |
Mzuri et al. | Land degradation assessment using AHP and GIS-based modelling in Duhok District, Kurdistan Region, Iraq | |
Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
Balti et al. | Multidimensional architecture using a massive and heterogeneous data: Application to drought monitoring | |
CN107239506A (zh) | 一种地理事件时空自相关的评估方法 | |
Michalek et al. | Evaluation of CMIP6 HighResMIP for hydrologic modeling of annual maximum discharge in Iowa | |
Dobos et al. | Legacy soil data harmonization and database development | |
Xie et al. | Using contour lines to generate digital elevation models for steep slope areas: a case study of the Loess Plateau in North China | |
Wang et al. | A GIS and remote sensing-based analysis of land use change using the asymmetric relation analysis method: A case study from the City of Hangzhou, China | |
Hou et al. | Automatic Extraction of Drainage Networks from DEMs Base on Heuristic Search. | |
Uddameri et al. | Combining rough sets and GIS techniques to assess aquifer vulnerability characteristics in the semi-arid South Texas | |
CN107315914A (zh) | 一种多尺度嵌套的空间统计单元构建方法 | |
CN115859094A (zh) | 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法 | |
Yao | Application of GIS remote sensing information integration in eco-environmental quality monitoring |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 |