CN108629818B - 一种大范围不透水面百分比变化量快速制图技术 - Google Patents
一种大范围不透水面百分比变化量快速制图技术 Download PDFInfo
- Publication number
- CN108629818B CN108629818B CN201810391296.2A CN201810391296A CN108629818B CN 108629818 B CN108629818 B CN 108629818B CN 201810391296 A CN201810391296 A CN 201810391296A CN 108629818 B CN108629818 B CN 108629818B
- Authority
- CN
- China
- Prior art keywords
- index
- impervious surface
- remote sensing
- sen
- impervious
- 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.)
- Expired - Fee Related
Links
- 230000008859 change Effects 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 239000002689 soil Substances 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- -1 OSAVI _ SenSlope Chemical class 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Revetment (AREA)
Abstract
本发明公开了一种大范围不透水面百分比变化量快速制图技术。该方法利用植被指数、不透水面指数、裸土指数、水体指数、夜间灯光指数变化趋势的方向，确定不透水面增加区域，进而依据多种遥感指数变化趋势的Sen氏斜率并结合训练数据，利用随机森林方法，获得不透水面百分比变化量，最终获取不透水百分比变化量空间分布图。该方法通过综合地表覆盖变化的类型来源及其去向两方面，提取刻画不透水面百分比变化量的特征参数，所建立的技术方法，不依赖人工干预设置阈值，具有快速自动的优点，能很好地适用于大范围信息获取，并且具有很好的可解释性及其地理学意义。
Description
技术领域
本发明涉及一种大范围不透水面百分比变化量快速制图技术。
背景技术
随着城市化进程加速，不透水面遥感监测备受关注。利用遥感技术快速监测不透水面，已取得了很好的研究进展。针对不透水面在不同波段呈现的遥感影像特征，提出了多种不透水面指数，如：如BCI(Biophysical Composition Index)、IBI(Index-based Built-up Index)、NDISI(Normalized Difference Impervious Surface Index)等。这些遥感指数能有效地凸显不透水面分布，在不透水面遥感监测中发挥重要作用。
利用高分辨率遥感影像数据，开展不透水面制图方面，已经取得了比较理想的精度。但鉴于高分辨率遥感数据价格相对昂贵并且计算量大，研究成果集中在大中城市，难以实现大范围时空连续覆盖。所形成的研究成果通常不连续，特别是对于小城镇或农村不透水面的研究成果偏少。难以支撑我国城乡一体化管理的迫切需求。
考虑到价格成本以及时效性等各方面因素，利用中低分辨率遥感数据快速提取大范围长时间序列不透水面变化，同样具有重要意义。但利用中低分辨率遥感数据获取不透水面分布，无法回避较粗的空间分辨率带来的混合像元问题。因此，利用中低分辨率遥感数据提取不透水面百分比信息，不失为一种有效途径。
在不透水面遥感监测相关研究中，仍以侧重研究不同年份不透水面百分比遥感分类为主，鲜见直接自动获取多年不透水面百分比变化量的技术方法。
发明内容
有鉴于此，本发明的目的在于提供一种大范围不透水面百分比变化量快速制图技术，通过挖掘不透水面百分比变化所引起的多种遥感指数变化趋势特征，利用机器学习方法，建立快速提取大范围不透水面百分比变化量的技术方法。
为实现上述目的，本发明采用如下技术方案：
一种大范围不透水面百分比变化量快速制图技术，其特征在于:步骤S1：从研究区域地表覆盖变化的类型来源及其去向两方面，依次选取植被指数、不透水面指数、裸土指数、水体指数和夜间灯光指数五种遥感指数，建立遥感指数历年时序数据集；
步骤S2：根据遥感指数历年时序数据集，采用Sen氏斜率方法，计算五种遥感指数变化趋势；
步骤S3：根据遥感指数变化趋势，提取不透水面增加区域；
步骤S4：在研究区域随机选取若干参考点位，通过高分辨率遥感影像数据获得的不透水面百分比变化量，作为训练数据集；
步骤S5：将植被指数、不透水面指数、裸土指数和水体指数四种遥感指数变化趋势Sen氏斜率，作为提取不透水面百分比变化量的特征参数；
步骤S6：基于训练数据集，运用所提取的特征参数，采用随机森林方法，创建不透水面百分比变化量提取技术；
步骤S7：通过不透水面百分比变化量提取技术，得到研究区域不透水百分比变化量，结合步骤S03提取的不透水面增加区域，从而获得研究区不透水面百分比变化量空间分布图。
进一步的，所述步骤S2采用Sen氏斜率方法，计算五种遥感指数变化趋势,具体为：
植被指数变化Sen氏指数为：
不透水面指数Sen氏指数为：
裸土指数Sen氏指数为：
水体指数Sen氏指数为：
夜间灯光指数Sen氏指数为：
其中i和j分别表示第i年和第j年；
和
分别表示第i年对应的植被指数年均值、不透水面指数年均值、裸土指数年均值、水体指数年均值和夜间灯光指数年均值；
和
分别表示第j年对应的植被指数年均值、不透水面指数年均值、裸土指数年均值、水体指数年均值和夜间灯光指数年均值；当Sen氏指数大于0时表示上升趋势，反之，小于0表示呈现下降趋势。
进一步的，将同时满足植被指数下降、裸土指数上升、水体指数下降、不透水面指数上升并且夜间灯光指数上升的区域，判别为不透水面增加区域。
进一步的，所述步骤S5随机森林方法具体为：
S51:将训练数据集作为随机森林方法的训练数据；
S52:将植被指数、不透水面指数、裸土指数和水体指数四种遥感指数变化趋势Sen氏斜率作为随机森林方法的输入参数；
S53:设置随机森林的决策树的数量为500棵，属性个数为2，最小样本数为50。
本发明与现有技术相比具有以下有益效果：
1、本发明综合利用多年时序遥感数据的总体变化趋势及其幅度，有利于消除少数年份数据噪声的干扰，获得更为稳定可靠的结果；
2、本发明综合多种遥感指数变化趋势及其变化幅度，建立不透水面百分比变化量提取流程方法。不仅能直接获取研究时段内不透水面是否发生变化区域，而且能同时获得不透水百分比变化量；
3、本发明结合地表覆盖变化的类型来源及其去向两方面，提取刻画不透水面百分比变化的特征参数，依托地理学学科背景，具有很好的可解释性；
4、本发明所建立的技术方法，能适用于大范围不透水面百分比变化量自动提取，方法简便快速，实用性强。
附图说明
图1是本发明一实施例的流程图
图2是本发明一实施例的五种遥感指数的时序曲线图
图3是本发明一实施例五种遥感指数的Sen氏斜率分布图
图4是本发明一实施例研究区域不透水面增加区域分布图
图5是本发明一实施例植被指数变化Sen氏斜率和不透水面百分比变化量散点图
图6是本发明一实施例研究区域不透水面百分比变化量空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种大范围不透水面百分比变化量快速制图技术，其特征在于:
步骤S1：从研究区域地表覆盖变化的类型来源及其去向两方面，依次选取植被指数OSAVI、不透水面指数BCI、裸土指数RIBS、水体指数LSWI和夜间灯光指数DMSP/OLS五种遥感指数，建立遥感指数历年时序数据集；
步骤S2：根据遥感指数历年时序数据集，采用Sen氏斜率方法，计算五种遥感指数变化趋势；
步骤S3：根据遥感指数变化趋势，提取不透水面增加区域；
步骤S4：在研究区域随机选取若干参考点位，通过高分辨率遥感影像数据获得的不透水面百分比变化量，作为训练数据集；
步骤S5：将植被指数、不透水面指数、裸土指数和水体指数四种遥感指数变化趋势Sen氏斜率，作为提取不透水面百分比变化量的特征参数；
步骤S6：基于训练数据集，运用所提取的特征参数，采用随机森林方法，创建不透水面百分比变化量提取技术；
步骤S7：通过不透水面百分比变化量提取技术，得到研究区域不透水百分比变化量，结合步骤S03提取的不透水面增加区域，从而获得研究区不透水面百分比变化量空间分布图。
为了让一般技术人员更好的理解本发明的技术方案，以下结合附图对本发明进行详细介绍。
植被指数：植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI、EVI和OSAVI。NDVI为归一化植被指数，全称为Normalized DifferenceVegetation Index。EVI为增强型植被指数，全称为Enhanced Vegetation Index。OSAVI为土壤调节植被指数，全称为Optimized Soil Adjusted Vegetation Index。其计算公式为：
其中Red,NIR分别为红光和近红外波段。
水体指数：水体指数是表征地表含水量或湿润状况的指数。常用的水体指数LandSurface Water Index(LSWI)的计算公式为：
其中NIR,SWIR1分别表示近红外波段和第一短波红外波段的反射率。
不透水面指数：不透水面指数表征城镇化程度的指数。常用的不透水面指数有生物物理成分指数(Biophysical Composition Index,BCI)，计算公式为：
其中TC1、TC2、TC3分别为缨帽变换后的第一、第二、第三主成分。
裸土指数：归一化土壤指数(Ratio Index for Bright Soil，RIBS)，计算公式为：
其中
上述公式中，TC1为缨帽变换的第一主成分，NDSI为归一化雪体指数(NormalizedDifference Snow Index)，Green和SWIR1分别为MODIS影像的绿光波段和第一短波红外波段，NDSImax,NDSImin分别为NDSI的最大值和最小值，TC1max，TC1min分别为TC1的最大值和最小值。
夜间灯光指数：夜间灯光指数数据，是由美国的国防气象卫星(DefenseMeteorological Satellite Program,DMSP)携带的业务型线扫描传感器(OperationalLine scan System,OLS)探测夜间地表红外辐射获得的，称为DMSP/OLS夜间灯光指数影像数据集。数据的空间分辨率1Km，灰度值范围为0～63。夜间灯光指数表示地表的平均灯光强度，其数值越大，表示夜间灯光越强。其中无灯光区域灰度值为0，饱和值为63。
如图2所示，在本发明一实施例中，利用Whittaker Smoother平滑方法，对原始8天最大化合成OSAVI、BCI、RIBS、LSWI多年时序数据平滑处理，从而获得研究区平滑2001-2017年OSAVI、BCI、RIBS、LSWI系列遥感指数的8天最大化合成多年时序数据集。在此基础上，计算2001-2017年OSAVI、BCI、RIBS、LSWI系列遥感指数的历年年均值，生成2001-2017年OSAVI、BCI、RIBS、LSWI系列遥感指数历年时序数据集。进一步建立2001-2017年DMSP/OLS历年时序数据集，作为提取不透水面变化信息的基础。如植被转变为不透水面，所形成的2001-2017年OSAVI、BCI、RIBS、LSWI、DMSP/OLS遥感指数时序曲线图。
参考图3，在本发明一实施例中，利用Sen氏斜率方法，逐像元依次计算2001-2017年OSAVI、BCI、RIBS、LSWI、DMSP/OLS系列遥感指数的变化趋势。当Sen氏斜率为正时，表示该遥感指数呈一定的上升趋势；当Sen氏斜率为负时，表示该遥感指数具有一定的下降趋势。将研究区每个像元对应的2001-2017年OSAVI、BCI、RIBS、LSWI、DMSP/OLS系列遥感指数变化趋势的Sen氏斜率，依次保存到数据库中。五种遥感指数变化趋势的Sen氏斜率，所对应的空间分布图依次见图3。
参考图4，在本发明一实施例中，植被变为不透水面后，随着植被覆盖度迅速降低，将直接导致植被指数呈下降趋势。随着地表被不透水面覆盖，地表裸露程度降低，含水量下降。并且随着人口聚集，夜间灯光指数呈现上升。因此，将满足植被指数下降、裸土指数上升、水体指数下降、不透水面指数上升并且夜间灯光指数上升的区域，判别为不透水面增加区域。即将同时满足：OSAVI_SenSlope＜0&BCI_SenSlope＞0&RIBS_SenSlope＞0&LSWI_SenSlope＜0&DMSP_SenSlope＞0的区域，判断为不透水面增加区域；所获得的研究区不透水面增加区域分布图见图4。
参考图5，在本发明实施例中，研究时段内(2001-2017年)，如果不透水面百分比发生变化，将引起OSAVI、BCI、RIBS、LSWI、DMSP/OLS系列遥感指数发生变化。OSAVI、BCI、RIBS、LSWI、DMSP/OLS系列遥感指数变化趋势的Sen氏斜率，即OSAVI_SenSlope、BCI_SenSlope、RIBS_SenSlope、LSWI_SenSlope以及DMSP_SenSlope，将能有效地指示其变化方向与变化幅度。如不透水面百分比的变化量越大(如植被完全转变为不透水面)，所引起的系列遥感指数变化趋势的Sen氏斜率的绝对值也将越大。
通过OSAVI_SenSlope、BCI_SenSlope、RIBS_SenSlope、LSWI_SenSlope以及DMSP_SenSlope与不透水面百分比变化量的散点图(见图5)，进一步分析探索系列遥感指数变化趋势的Sen氏斜率与不透水面百分比变化量的关联性。结果表明：研究时段内(2001-2017年)，不透水面百分比变化量与OSAVI_SenSlope、BCI_SenSlope、RIBS_SenSlope、LSWI_SenSlope存在较强的线性相关性。比如：不透水面百分比变化量与OSAVI_SenSlope的线性回归模型的决定系数(R2)达到0.9。不透水面百分比变化量与DMSP_SenSlope也存在一定的相关性，但相关性相对较弱。因此，将OSAVI、BCI、RIBS、LSWI四种遥感指数变化趋势的Sen氏斜率，即OSAVI_SenSlope、BCI_SenSlope、RIBS_SenSlope、LSWI_SenSlope，作为提取不透水面百分比变化量的特征参数。
参考图6，在本发明一实施例中，首先通过提取不透水面增加区域，然后建立不透水面百分比变化量训练数据集以及特征参数，在不透水面增加区域内，最后利用随机森林方法，提取研究时段内(2001-2017年)研究区不透水面百分比变化量。以中国浙江省为例，所获得的2001-2017年研究区不透水面百分比变化量空间分布图见图6。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (3)
1.一种大范围不透水面百分比变化量快速制图方法，其特征在于:
步骤S1：从研究区域地表覆盖变化的类型来源及其去向两方面，依次选取植被指数、不透水面指数、裸土指数、水体指数和夜间灯光指数五种遥感指数，建立遥感指数历年时序数据集；
步骤S2：根据遥感指数历年时序数据集，采用Sen氏斜率方法，计算五种遥感指数变化趋势；
步骤S3：根据遥感指数变化趋势的方向，提取不透水面增加区域；
步骤S4：在研究区域随机选取若干参考点位，通过高分辨率遥感影像数据获得的不透水面百分比变化量，作为训练数据集；
步骤S5：将植被指数、不透水面指数、裸土指数和水体指数四种遥感指数变化趋势Sen氏斜率，作为提取不透水面百分比变化量的特征参数；
步骤S6：基于训练数据集，运用所提取的特征参数，采用随机森林方法，创建不透水面百分比变化量提取技术；
步骤S7：通过不透水面百分比变化量提取技术，得到研究区域不透水百分比变化量，结合步骤S3提取的不透水面增加区域，从而获得研究区不透水面百分比变化量空间分布图；所述步骤S2采用Sen氏斜率方法，计算五种遥感指数变化趋势,具体为：
植被指数变化Sen氏指数为：
不透水面指数Sen氏指数为：
裸土指数Sen氏指数为：
水体指数Sen氏指数为：
夜间灯光指数Sen氏指数为：
其中i和j分别表示第i年和第j年；
分别表示第i年对应的植被指数年均值、不透水面指数年均值、裸土指数年均值、水体指数年均值和夜间灯光指数年均值；
分别表示第j年对应的植被指数年均值、不透水面指数年均值、裸土指数年均值、水体指数年均值和夜间灯光指数年均值；当Sen氏指数大于0时表示上升趋势，反之，小于0表示呈现下降趋势。
2.根据权利要求1所述的一种大范围不透水面百分比变化量快速制图方法，其特征在于：将同时满足植被指数下降、裸土指数上升、水体指数下降、不透水面指数上升并且夜间灯光指数上升的区域，判别为不透水面增加区域。
3.根据权利要求1所述的一种大范围不透水面百分比变化量快速制图方法，其特征在于：所述步骤S6随机森林方法具体为：
S61:将训练数据集作为随机森林方法的训练数据;
S62:将植被指数、不透水面指数、裸土指数和水体指数四种遥感指数变化趋势Sen氏斜率作为随机森林方法的输入参数；
S63:设置随机森林的决策树的数量为500棵，属性个数为2，最小样本数为50。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810391296.2A CN108629818B (zh) | 2018-04-27 | 2018-04-27 | 一种大范围不透水面百分比变化量快速制图技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810391296.2A CN108629818B (zh) | 2018-04-27 | 2018-04-27 | 一种大范围不透水面百分比变化量快速制图技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108629818A CN108629818A (zh) | 2018-10-09 |
| CN108629818B true CN108629818B (zh) | 2022-07-22 |
Family
ID=63694770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810391296.2A Expired - Fee Related CN108629818B (zh) | 2018-04-27 | 2018-04-27 | 一种大范围不透水面百分比变化量快速制图技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629818B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144340A (zh) * | 2019-12-30 | 2020-05-12 | 中山大学 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
| CN112560873B (zh) * | 2020-12-17 | 2021-08-06 | 昆明理工大学 | 一种城市不透水面提取方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914755A (zh) * | 2014-03-18 | 2014-07-09 | 北京农业信息技术研究中心 | 一种确定田间调查及田间管理的空间尺度的方法及系统 |
| CN105095888A (zh) * | 2015-09-18 | 2015-11-25 | 中国科学院遥感与数字地球研究所 | 一种基于不透水面聚集密度的城市主要建成区遥感提取方法 |
| CN105701483B (zh) * | 2016-02-29 | 2018-10-26 | 中南大学 | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 |
-
2018
- 2018-04-27 CN CN201810391296.2A patent/CN108629818B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| Mapping paddy rice areas based on vegetation phenology and surface moisture conditions;Qiu Bingwen等;《Ecological Indicators》;20150930;第56卷;79-86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108629818A (zh) | 2018-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raynolds et al. | A raster version of the Circumpolar Arctic Vegetation Map (CAVM) | |
| Jiang et al. | Estimating the aboveground biomass of coniferous forest in Northeast China using spectral variables, land surface temperature and soil moisture | |
| Myint et al. | A study of lacunarity-based texture analysis approaches to improve urban image classification | |
| Ramachandra et al. | Geographic Resources Decision Support System for land use, land cover dynamics analysis | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| Nuñez et al. | A multivariate clustering approach for characterization of the Montepulciano d’Abruzzo Colline Teramane area | |
| CN114821349B (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| Malone et al. | A model for the identification of terrons in the Lower Hunter Valley, Australia | |
| CN108629818B (zh) | 一种大范围不透水面百分比变化量快速制图技术 | |
| AbdelRahman et al. | A GIS Based Model for Land Evaluation Mapping: A Case Study North Delta Egypt. | |
| CN116359137A (zh) | 多水域城市生态环境遥感监测方法 | |
| Myint et al. | Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping | |
| Bayat et al. | Carbon stock of European beech forest; a case at M. Pizzalto, Italy | |
| CN116757357B (zh) | 一种耦合多源遥感信息的土地生态状况评估方法 | |
| Som-ard | Rice security assessment using geo-spatial analysis | |
| Han et al. | Selecting suitable sites for mountain ginseng (Panax ginseng) cultivation by using geographically weighted logistic regression | |
| Devendran et al. | Spatio-temporal land cover analysis and the impact of land cover variability indices on land surface temperature in Greater Accra, Ghana using multi-temporal Landsat data | |
| Mngadi et al. | Quantifying carbon stock variability of species within a reforested urban landscape using texture measures derived from remotely sensed imagery | |
| Lee et al. | Development of spatial scaling technique of forest health sample point information | |
| Maselli et al. | Automatic mapping of soil texture through the integration of ground, satellite and ancillary data | |
| Hou et al. | Soil types extraction based on MODIS image | |
| Ifeanyi et al. | Evaluation of eco-environmental vulnerability in Efon-Alaye using remote sensing and GIS techniques | |
| Gudmundsdottir | Detection of potential arable land with remote sensing and GIS: a case study for Kjósarhreppur |
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 |
Granted publication date: 20220722 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |