CN108734375B - 打捞工程对湖泊水生植被类群变化的贡献率估算方法 - Google Patents

打捞工程对湖泊水生植被类群变化的贡献率估算方法 Download PDF

Info

Publication number
CN108734375B
CN108734375B CN201810287820.1A CN201810287820A CN108734375B CN 108734375 B CN108734375 B CN 108734375B CN 201810287820 A CN201810287820 A CN 201810287820A CN 108734375 B CN108734375 B CN 108734375B
Authority
CN
China
Prior art keywords
vegetation
floating
submerged
engineering
salvage
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.)
Active
Application number
CN201810287820.1A
Other languages
English (en)
Other versions
CN108734375A (zh
Inventor
罗菊花
马荣华
段洪涛
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 Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
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 Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN201810287820.1A priority Critical patent/CN108734375B/zh
Publication of CN108734375A publication Critical patent/CN108734375A/zh
Application granted granted Critical
Publication of CN108734375B publication Critical patent/CN108734375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Hydroponics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种打捞工程对湖泊水生植被类群变化的贡献率估算方法，获取遥感影像中未实施水生植被打捞工程期和工程实施期间的遥感影像中沉水植被和浮叶类植被的监测面积，将未实施水生植被打捞工程时期的沉水和浮叶类植被监测面积与生境因子进行相关性分析，筛选沉水和浮叶类植被的控制因子；以筛选出的控制因子为自变量，遥感监测面积为因变量，构建植被的面积预测模型；将收割工程实施期的生境因子分别代入面积预测模型获取预测面积；基于预测面积和遥感影像监测结果进行打捞工程对两种植被类群变化的贡献率定量估算。本发明的方法能够定量估算打捞工程对湖泊浮叶类和沉水植被变化影响，为湖泊水生植被的有效管理和科学修复提供了依据和指导。

Description

打捞工程对湖泊水生植被类群变化的贡献率估算方法
技术领域
本发明属于遥感应用领域，具体涉及打捞工程对沉水和浮叶类植被变化的贡献率估算方法。
背景技术
水生植物在维持湖泊生态系统平衡、物质循环和水质方面发挥着重要的作用。浅水湖泊水生植物类群(浮叶类和沉水植物)的时空分布信息是水质修复和水生植物重建的重要依据，也是湖泊稳态研究和评价的关键和基础。太湖的水生植被主要分布在东太湖，东太湖水生植被类群多样，包括浮叶植被、浮游植被、挺水植被和沉水植被，且各类群具有多个优势种群。
据报道，2011年左右，浮叶植被(如荇菜)在东太湖的迅速蔓延，一方面严重影响到太湖的旅游景观，且给渔业和湖上交通带来困扰，另一方面浮叶植被叶片浮在水面之上，使得较少的光进入水体，使得水下的沉水植被由于缺光而死亡或不能萌芽生长，最终会加速水体的富营养化。因此，2012年开始，太湖开展了大规模的水生植被集中清除和常态化打捞活动，包括人工打捞和机器打捞。据野外观测和相关报道，近几年太湖的水生植被快速锐减，甚至在原来水生植被丰茂的区域已不再有水生植被。因此，浮叶类植被和沉水植被的时空变化和其驱动力引起了人们的广泛关注，打捞活动到底是不是水生植被类群锐减的主要驱动力，其贡献率有多大？搞清水生植被各类群的时空变化和其驱动力，并估算2012年后的打捞活动对各类群锐减的贡献率，为太湖水生植被的有效管理和科学修复提供了依据和指导。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种打捞工程对湖泊水生植被类群变化的贡献率估算方法。
本发明的上述技术目的通过如下技术方案实现：
一种打捞工程对湖泊植被变化的贡献的定量估算方法，包括如下步骤：
步骤一、分别下载湖泊未实施水生植被打捞工程时期的遥感影像A1和工程实施期的遥感影像A2，进行预处理；
步骤二、基于水生植被决策树分类模型提取遥感影像A1和A2中沉水植被和浮叶类植被像元，获取监测结果；
步骤三、将遥感影像A1中沉水植被和浮叶类植被的监测面积与未实施水生植被打捞工程时期的生境因子进行相关性分析，利用p-value<0.01为条件，分别筛选沉水和浮叶类植被的控制因子；
其中，所述生境因子包括气象因子和水环境因子；所述气象因子，包括年平均气温T、降水P和风速W；水环境因子包括总氮TN和水体透明度SDD；
步骤四、基于多元回归建模，以筛选出的沉水植被和浮叶类植被的控制因子为自变量，沉水植被和浮叶类植被的遥感监测面积为因变量，构建浮叶类植被和沉水植被的面积预测模型；
步骤五、将收割工程实施期的生境因子分别代入浮叶类植被和沉水植被的面积预测模型，获取预测面积；
步骤六、基于步骤六获取的预测面积和步骤二获取的遥感影像A1监测结果，进行打捞工程对沉水植被和浮叶类植被变化的贡献率估算。
进一步的，所述步骤一中，遥感影像选择6月-10月水生植被生长旺盛期的影像。
进一步的，所述步骤一中，选用Landsat TM/ETM遥感影像，并利用ENVI软件进行预处理；其中，影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
进一步的，所述步骤二中，水生植被决策树分类模型如下：
条件1、当研究区像元的FVSI<a时，则被判别为浮叶类植被；
条件2、在不满足条件1的像元中，当SVSI<b时，则被判别为沉水植被，其他的像元均为水体。
其中，a和b可通过样点和影像训练获取；浮叶敏感光谱指数(FVSI)和沉水敏感光谱指数(SVSI)的计算公式如下：
FVSI＝PC2；SVSI＝BI-GVI
PC2为研究区影像主成分变换后的第二主成分；BI为亮度指数，为缨帽变换后的第一分量；GVI为绿度指数，为缨帽变换后的第二分量。
进一步的，所述步骤三中，相关性分析采用皮尔逊(Pearson)相关分析，利用SPSS软件分析，得到浮叶类和沉水植被与每个因子的相关性系数(R)和对应的检验值P(p-value)。
进一步的，所述步骤四中，多元回归建模采用线性多元回归方法，在SPSS中建模。
进一步的，所述步骤五中，工程实施期打捞活动与生境因子引起的浮叶类或沉水植被的变化面积计算公式分别为：
x＝h+n (1)
x＝MAi-MAi-1 (2)
n＝PAi-PAi-1 (3)
h＝x-n＝(MAi-MAi-1)-(PAi-PAi-1) (4)
Q＝MAy2-MAy1 (5)
Figure GDA0002990346320000031
Figure GDA0002990346320000032
x是在工程实施期，第i年与i-1年遥感监测的浮叶类植被或沉水植被的变化面积；h和n分别是打捞活动与生境因子引起的浮叶类植被或沉水植被的变化面积；MAi和MAi-1分别是第i年与i-1年遥感影像监测获取的浮叶类植被或沉水植被面积；PAi和PAi-1分别是预测模型估算的浮叶类制备或沉水植被面积；Q为工程实施期浮叶类植被或沉水植被变化的总面积；np和hp分别为打捞活动与生境因子对浮叶类或沉水植被变化的贡献率。
本发明的方法能够定量估算打捞工程对湖泊浮叶类和沉水植被变化的贡献率，为湖泊水生植被的有效管理和湖泊生态修复提供了科学的依据和指导。
附图说明
图1为本发明方法的流程图；
图2为本发明遥感监测水生植被类群的决策树示意图；
图3为本发明遥感监测的1984-2016年太湖浮叶类和沉水植被的面积变化；
图4为本发明打捞工程实施前(1984-2011年)太湖浮叶类植被面积与年平均风速、气温的相关关系图；
图5为本发明打捞工程实施前(1984-2011年)太湖沉水植被面积与水体总氮浓度、水体透明度的相关关系图；
图6为本发明构建的浮叶类植被和沉水植被遥感监测面积与模型预测面积之间的相关关系。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。
太湖(119.55-120.34E，30.55-31.32N)是我国第三大淡水湖(2,338km2)，也是典型的富营养化浅水湖泊(最大深度2.6m；平均深度1.9m)。经调研和资料显示，太湖东部分布有大面积的水生植物，主要为以下四大类：挺水植物、浮叶植物、漂浮植被和沉水植物。考虑到沉水和浮叶植被为太湖的优势类群，因此，我们把太湖的水生植被类群分为两大类：叶片在水面之上的植被归类为浮叶类植被(漂浮植被、浮叶植被和挺水植被)和叶片在水面以下的沉水植被。采用本发明的方法定量估算打捞工程对湖泊植被变化的贡献，如图1所示，具体实例分析如下：
步骤一：从网站(http://glovis.usgs.gov)上下载1984-2011年(未实施大规模的水生植被打捞工程期)和2012-2016年(实施大规模打捞工程期)6月-10月(水生植被生长旺盛期)的覆盖太湖的Landsa TM/ETM遥感影像，并进行利用ENVI软件预处理；
其中，影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
步骤二：利用水生植被决策树分类模型，分别获取太湖未实施大规模的水生植被打捞工程期(1984-2011年)和实施大规模打捞工程期(2012-2016年)水生植被类群(沉水和浮叶类植被)的监测结果；
其中，水生植被决策树分类构建条件如下：
条件1、当研究区像元的FVSI2<a时，则被判别为浮叶类植被；
条件2、在不满足条件1的像元中，当SVSI2<b时，则被判别为沉水植被，其他的像元均为水体。决策树的示意图如图2。其中决策树种的a和b通过样点训练获取。
其中，FVSI计算公式如下：
FVSI＝PC2；SVSI＝BI-GVI
PC2为研究区影像主成分变换后的第二主成分；BI为亮度指数，为缨帽变换后的第一分量；GVI为绿度指数，为缨帽变换后的第二分量。
1984-2016年浮叶类和沉水植被的面积随时间变化如图3。可见，浮叶类和沉水植被在1984-2016年均为经历了先增加后减少的变化，其中浮叶类植被在1984-2011年显著增加，2011-2016年快速锐减；而沉水植被的高峰期处于2002年左右。
步骤三：利用1984-2011年的沉水和浮叶类植被的监测面积与气象和水环境因子进行相关性分析，利用p-value>0.01为条件，分别筛选沉水和浮叶类植被的控制因子；
其中，气象因子，包括年平均气温(T)、降水(P)和风速(W)；水环境因子包括总氮(TN)和透明度(SDD)。
其中，相关性分析采用皮尔逊(Pearson)相关分析，利用SPSS软件分析，得到浮叶类和沉水植被与每个因子的相关性系数(R)和对应的检验值P(p-value)。
结果显示，浮叶类植被的控制因子为气温(R2＝0.60；p-value＝0.003)与风速(R2＝0.67；p-value＝0.002)(图4)；沉水植被的控制因子为水环境因子总氮TN(R2＝0.78；p-value<0.001)和水体透明度SDD(R2＝0.86；p-value<0.001)(图5)；而降水虽与浮叶类和沉水植被相关，均不满足p-value<0.01，故未被选为控制因子。步骤四：基于多元回归建模方法，分别基于筛选出的沉水和浮叶类的控制因子为自变量，以浮叶类和沉水植被的遥感监测面积为因变量，构建浮叶类和沉水植被的面积预测模型；
其中，多元回归建模采用线性多元回归方法，在SPSS中建模，构建的模型如下：
浮叶类植被预测模型为：
Y1＝-84.786MWS+14.752MT+116.375 (1)
其中，Y1为浮叶植被的面积，MWS为年平均风速，MT为年平均温度。
沉水植被预测模型为：
Y2＝-11.004TN+172.034SDD+2.226 (2)
其中，Y2为沉水植被的面积，TN为水体总氮浓度，SDD为水体透明度。
浮叶类植被和沉水植被的模型精度利用预测和监测面积的线性拟合R2和RMSE验证(图5)，可见两个模型均通过检验，可以用于预测浮叶类和沉水植被在仅受生境因子(气象和水环境因子)的影响下的面积。
步骤五、将收割工程实施期的生境因子分别代入浮叶类植被和沉水植被的面积预测模型，获取预测面积；
步骤六：结合2012-2016年浮叶类和沉水植被的遥感监测面积与模型预测面积以及其变化面积，建立控制因子和打捞工程对水生植被的贡献率计算方法，计算打捞工程对太湖沉水和浮叶类植被变化的贡献定量估算方法。
其中，在打捞工程执行期间，打捞工程与生境因子(气象和水环境因子)引起的浮叶类或沉水植被的变化面积和其对变化面积的贡献率计算公式分别为：
x＝h+n (3)
x＝MAi-MAi-1 (4)
n＝PAi-PAi-1 (5)
h＝x-n＝(MAi-MAi-1)-(PAi-PAi-1) (6)
Q＝MAy2-MAy1 (7)
Figure GDA0002990346320000061
Figure GDA0002990346320000062
其中，x是在打捞工程执行期间(2012-2016)，第i年与i-1年遥感监测的浮叶类或沉水植被面积差值(i＝2012,2013,2014,2015,2016)；h和n分别是打捞工程与生境因子(气象和水环境因子)引起的浮叶类或沉水植被的变化面积；MAi和MAi-1分别是第i年与i-1年遥感影像监测获取的浮叶类或沉水植被面积；PAi和PAi-1分别是预测模型估算的浮叶类或沉水植被面积；Q为打捞工程实施期间，浮叶类或沉水植被变化的总面积，本实施例中即为2016年和2011年的湖泊浮叶类或沉水植被变化的总面积；np和hp分别为生境因子(气象和水环境因子)与打捞工程对浮叶类或沉水植被变化的贡献率。
根据公式(3)～(9)，计算得到的2012-2016年打捞活动对浮叶类植被和沉水植被的变化的年度贡献率和总贡献率如下表1和表2所示。
表1 2012-2016年生境因子(np)与打捞活动(hp)对浮叶类植被变化的贡献率
Figure GDA0002990346320000063
表2 2012-2016年生境因子(np)与打捞活动(hp)对沉水植被变化的贡献率
Figure GDA0002990346320000064
表中x％为打捞工程执行期间(2012-2016)，第i年与i-1年遥感监测的浮叶类或沉水植被面积差值x(i＝2012,2013,2014,2015,2016)占打捞工程执行期总的面积变化量的比值。
从表中可见，2011-2016年，打捞工程的实施是浮叶类植被锐减的主要原因，其贡献率累计为121.63％，其中2014年打捞强度最大，对浮叶类植被的影响也最大，贡献率为55.81；同时，气象因素对浮叶类植被是正效应，有利于浮叶类植被的生长。而对沉水植被而言，水环境恶化，水体富营养化是其锐减的主要诱因，其累计贡献率为101.57％，而打捞活动对沉水植被的减少不但无影响且有正效应，累计贡献率为-1.57％，其中2013年打捞活动对沉水植被的正效应最明显，为-52.33％。

Claims (6)

1.一种打捞工程对湖泊水生植被类群变化的贡献率估算方法，其特征在于，包括如下步骤：
步骤一、分别下载湖泊未实施水生植被打捞工程时期的遥感影像A1和工程实施期的遥感影像A2，进行预处理；
步骤二、基于水生植被决策树分类模型提取遥感影像A1和A2中沉水植被和浮叶类植被像元，获取监测结果；
步骤三、将遥感影像A1中沉水植被和浮叶类植被的监测面积与未实施水生植被打捞工程时期的生境因子进行相关性分析，利用p-value<0.01为条件，分别筛选沉水和浮叶类植被的控制因子；
其中，所述生境因子包括气象因子和水环境因子；所述气象因子，包括年平均气温T、降水P和风速W；水环境因子包括总氮TN和水体透明度SDD；
步骤四、基于多元回归建模，以筛选出的沉水植被和浮叶类植被的控制因子为自变量，沉水植被和浮叶类植被的遥感监测面积为因变量，构建浮叶类植被和沉水植被的面积预测模型；
步骤五、将收割工程实施期的生境因子分别代入浮叶类植被和沉水植被的面积预测模型，获取预测面积；
工程实施期打捞活动与生境因子引起的浮叶类或沉水植被的变化面积计算公式分别为：
x＝h+n (1)
x＝MAi-MAi-1 (2)
n＝PAi-PAi-1 (3)
h＝x-n＝(MAi-MAi-1)-(PAi-PAi-1) (4)
Q＝MAy2-MAy1 (5)
Figure FDA0002990346310000011
Figure FDA0002990346310000012
x是在打捞工程实施期，第i年与i-1年遥感监测的浮叶类植被或沉水植被的变化面积；h和n分别是打捞活动与生境因子引起的浮叶类植被或沉水植被的变化面积；MAi和MAi-1分别是第i年与i-1年遥感影像监测获取的浮叶类植被或沉水植被面积；PAi和PAi-1分别是预测模型估算的浮叶类植被或沉水植被面积；Q为工程实施期浮叶类植被或沉水植被变化的总面积；np和hp分别为打捞活动与生境因子对浮叶类或沉水植被变化的贡献率；
步骤六、基于步骤五获取的预测面积和步骤二获取的遥感影像A1监测结果，进行打捞工程对沉水植被和浮叶类植被变化的贡献率定量估算。
2.根据权利要求1所述的方法，其特征在于，所述步骤一中，遥感影像选择6月-10月水生植被生长旺盛期的影像。
3.根据权利要求1所述的方法，其特征在于，所述步骤一中，选用Landsat TM/ETM遥感影像，并利用ENVI软件进行预处理；影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
4.根据权利要求1所述的方法，其特征在于，所述步骤二中，水生植被决策树分类模型为：
条件1、当像元满足浮叶敏感光谱指数FVSI<a时，则被判别为浮叶类植被；
条件2、在不满足条件1的像元中，当沉水敏感光谱指数SVSI<b时，则被判别为沉水植被，其他的像元均为水体；
其中，a和b通过样点和影像训练获取；FVSI和SVSI的计算公式如下：
FVSI＝PC2；SVSI＝BI-GVI；
PC2为影像主成分变换后的第二主成分；BI为亮度指数，为缨帽变换后的第一分量；GVI为绿度指数，为缨帽变换后的第二分量。
5.根据权利要求1所述的方法，其特征在于，所述步骤三中，相关性分析采用皮尔逊、相关分析，利用SPSS软件分析获取浮叶类和沉水植被与每个因子的相关性系数R和对应的检验值P，即p-value。
6.根据权利要求1所述的方法，其特征在于，所述步骤四中，多元回归建模采用线性多元回归方法，在SPSS中建模。
CN201810287820.1A 2018-04-03 2018-04-03 打捞工程对湖泊水生植被类群变化的贡献率估算方法 Active CN108734375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810287820.1A CN108734375B (zh) 2018-04-03 2018-04-03 打捞工程对湖泊水生植被类群变化的贡献率估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810287820.1A CN108734375B (zh) 2018-04-03 2018-04-03 打捞工程对湖泊水生植被类群变化的贡献率估算方法

Publications (2)

Publication Number Publication Date
CN108734375A CN108734375A (zh) 2018-11-02
CN108734375B true CN108734375B (zh) 2021-06-25

Family

ID=63941111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810287820.1A Active CN108734375B (zh) 2018-04-03 2018-04-03 打捞工程对湖泊水生植被类群变化的贡献率估算方法

Country Status (1)

Country Link
CN (1) CN108734375B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615215B (zh) * 2018-12-06 2022-11-29 西安理工大学 一种区域植被恢复的特征分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103641223A (zh) * 2013-12-12 2014-03-19 中国科学院南京地理与湖泊研究所 一种湖泊水生植物腐烂引发水体黑臭的修复方法
US20150133754A1 (en) * 2005-04-04 2015-05-14 Hypermed Imaging, Inc. Hyperspectral technology for assessing and treating diabetic foot and tissue disease

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150133754A1 (en) * 2005-04-04 2015-05-14 Hypermed Imaging, Inc. Hyperspectral technology for assessing and treating diabetic foot and tissue disease
CN103641223A (zh) * 2013-12-12 2014-03-19 中国科学院南京地理与湖泊研究所 一种湖泊水生植物腐烂引发水体黑臭的修复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake, China;Juhua Luo等;《Ecological Indicators》;20150728;第503-513页 *

Also Published As

Publication number Publication date
CN108734375A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN107480775B (zh) 一种基于数据修复的池塘溶解氧预测方法
Tabari et al. Temporal pattern of aridity index in Iran with considering precipitation and evapotranspiration trends
Rassweiler et al. Improved estimates of net primary production, growth, and standing crop of Macrocystis pyrifera in Southern California.
CN107341577A (zh) 一种农作物产量预测方法及系统
CN106295833B (zh) 一种太平洋褶柔鱼资源补充量预测方法及其应用
CN109558467B (zh) 用电用户类别识别方法及系统
CN109754120B (zh) 一种考虑荧光效应的干旱预警方法
CN115829420B (zh) 浅水湖泊稳态转换阈值的判定方法
CN112903606B (zh) 一种基于无人机高光谱的红树林生态恢复力评估方法
Virtanen et al. Temporal variation in community–environment relationships and stream classifications in benthic diatoms: Implications for bioassessment
CN112763429A (zh) 一种蓝藻水华的立体监测方法
CN111222748B (zh) 一种金枪鱼栖息地量化评估方法
CN113705937A (zh) 联合机器视觉与作物模型的作物估产方法
CN108734375B (zh) 打捞工程对湖泊水生植被类群变化的贡献率估算方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
Hacking et al. Vineyard yield estimation using 2-D proximal sensing: A multitemporal approach
CN111027436A (zh) 一种基于深度学习的东北黑木耳病虫害图像识别系统
CN116882850B (zh) 一种基于大数据的园林数据智能管理方法以及系统
CN115994692B (zh) 基于5g和大数据的智慧河湖管理平台
CN117390580A (zh) 一种综合多特征的海洋热浪遥感识别方法
CN112528726A (zh) 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统
CN116090859B (zh) 一种近海岛礁渔业水域生态健康评价方法及系统
CN111291621A (zh) 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法
CN116310771A (zh) 一种耦合遥感的面源污染源识别方法
Fleituch Evaluation of the water quality of future tributaries to the planned Dobczyce reservoir (Poland) using macroinvertebrates

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