CN109063873A - 一种土壤恢复动态预警方法 - Google Patents
一种土壤恢复动态预警方法 Download PDFInfo
- Publication number
- CN109063873A CN109063873A CN201810874300.0A CN201810874300A CN109063873A CN 109063873 A CN109063873 A CN 109063873A CN 201810874300 A CN201810874300 A CN 201810874300A CN 109063873 A CN109063873 A CN 109063873A
- Authority
- CN
- China
- Prior art keywords
- moment
- video information
- soil
- information
- high frequency
- 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.)
- Withdrawn
Links
- 239000002689 soil Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005067 remediation Methods 0.000 claims description 5
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000009434 installation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000001179 sorption measurement Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000003802 soil pollutant Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
为了避免传感器自身要求固定方式安装的特性对排污监测可能造成的盲区，本发明提供了一种土壤恢复动态预警方法，用于对林场或牧场遭受化学品污染的土壤的修复状态进行预警，包括：(1)采用无人机方式拍摄待检测土壤区域的植被的图像信息，得到视频信息；(2)根据视频信息进行土壤的修复状态的预警。本发明能够通过无人机等设备进行航拍并利用机器学习方式，获得植被的颜色等生长特征和状态，进而对土壤在遭受污染后的恢复情况进行简单、快速的判断。
Description
技术领域
本发明涉及环境监控技术领域，更具体地，涉及一种土壤恢复动态预警方法。
背景技术
土壤污染是个日趋严重的环境问题，直接威胁人类食品健康的安全和土壤生态功能的可持续发展。关于污染土壤的毒性和和风险评价已经引起广泛的关注，但是只有结合化学和生物学的方法才可以有效地检测土壤污染物与生物体之间的相互作用。
目前，土壤检测仪分包括以下几种：1)用于土壤前处理的土壤取样器、土壤振筛仪、环刀、土壤筛、土壤溶液取样器等；2)用于土壤养分检测的土壤EC计、土壤养分速测仪、台式近红外土壤养分速测仪、手持式土壤养分速测仪、尼龙筛、定氮仪、离子计、PH计、原子吸收分光光度计、铭空心阴极灯、乙块钢瓶、原子吸收光谱仪、原子荧光光度计、测汞仪、滴定仪、气相色谱仪、分光光度计、电导率仪、土壤盐分测定仪等；3)用于土壤水分检测的便携式土壤水分速测仪、土壤水分速测仪、便携式土壤墒情测定仪、土壤水分温度速测仪、烘干法红外水分测试仪、土壤水分温度速测仪等；4)用于土壤硬度检测的数字式土壤硬度计、指针式土壤硬度计、土壤紧实度测定仪等；5)用于土壤酸碱度检测的土壤PH计、指针式土壤酸度计、数字式土壤酸度计等。
现有技术中，申请号为CN201410220674.2的中国发明专利申请公开了一种基于物联网的企业雨水排放口监控系统，包括现场信息采集装置、物联网监控中心和应急处理装置，所述现场信息采集装置包括监控器、水质检测仪、一体化水泵；所述物联网监控中心包括中央处理器、控制器、显示器、应急报警装置、3G预警模块；所述应急处理装置包括回流水泵、若干电动阀门、应急池，所述现场信息采集装置、显示器、控制器和通信系统均与中央处理器连接，各个电动阀门均与控制器连接，所述应急报警装置和3G预警模块通过有线或无线方式与通信系统相连，所述监控器和水质检测仪安装在一体化泵站的进水口。然而，包括这种方式在内的现有技术都需要设置诸多土壤检测设备到现场，而这些设备的采购成本较高、安装成本较高，维护成本更高。
此外，时刻监控这些设备或者定期监控这些设备得到的数据，难以准确反映其是否出现了土壤二次污染的问题。尤其是针对当前的土壤而言，污染和修复过程一般都是较为缓慢的。上述土壤检测设备不适于固定地安装到这些现场，否则效率极低。而人为现场检测的成本也较高，检测活动受到环境、地理位置等诸多因素制约，从而人为现场检测得到的数据准确性存疑。
发明内容
为了提高土壤修复检测和污染监控的效率，降低监控成本，本发明提供了一种土壤恢复动态预警方法，用于对林场或牧场遭受化学品污染的土壤的修复状态进行预警，包括：
(1)采用无人机方式拍摄待检测土壤区域的植被的图像信息，得到视频信息；
(2)根据视频信息进行土壤的修复状态的预警。
进一步地，所述步骤(1)包括：
(10)获得各个时刻的经纬度信息；
(20)确定土壤修复状态。
进一步地，所述步骤(10)包括：获得待检测土壤区域的植被的视频信息进行校正，并得到校正后的视频信息对应的经纬度信息，根据校正后的视频信息图像-经纬度信息包。
进一步地，所述步骤(20)包括：根据校正后的视频信息图像-经纬度信息包进行土壤修复状态的确定。
进一步地，所述图像-经纬度信息包是的通过如下方式得到的：
假设T0时刻、T1时刻、T2时刻、……、Tn时刻是所述视频信息中对应的n+1个连续时刻，其中n为大于4的自然数；
(101)对视频信息进行分帧，分别将T0和T1时刻的视频信息转换为图像信息Img0和Img1，并获得低频子带信号的校正系数和高频子带信号的校正系数；
(102)根据低频子带信号的校正系数和高频子带信号的校正系数，对T2时刻、……、Tn时刻的视频信息进行校正；
(103)对经过校正的T0时刻、T1时刻、T2时刻、……、Tn时刻的视频信息进行排序；
(104)生成视频信息图像-经纬度信息包。
进一步地，所述步骤(101)包括：
(1011)对Img0和Img1分别进行小波变换，得到依次对应于T0时刻和T1时刻的低频子带信号L0、高频子带信号L1、和高频子带信号H0、高频子带信号H1；
(1012)计算低频子带信号的校正系数C(x,y)L：
其中，该x和y分别表示T0时刻的帧图像中某个像素点的横坐标和纵坐标,βm表示修正矩阵的均值，ηm表示修正矩阵的方差，该修正矩阵为以为方差、为均值的2阶对角阵B；
(1013)对高频子带信号通过高斯滤波器，得到H’0和H’1：
(1014)对于T0时刻的帧图像，计算位于(x，y)位置的像素的高频子带信号的校正系数C(x,y)H：
其中Sδ表示以(x，y)为中心、为半径的圆域的面积，D表示矩阵A的模值的上整数，A表示以下矩阵：
其中i为矩阵A的模值的下整数。
进一步地，所述步骤(102)包括：
(1021)对T2时刻、……、Tn时刻的视频信息进行小波变换，分别得到与这些视频信息一一对应的高频子带信号和低频子带信号；
(1022)对这些高频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)H相减；
(1023)对这些低频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)L相减；
(1024)将上述经过相减的高频子带信号和低频子带信号根据其对应的时刻，分别进行小波逆变换，得到与经过校正的T2时刻、……、Tn时刻的视频信息。
进一步地，上述步骤(103)包括：
(1031)记录上述校正过程中，经过校正的各个高频子带信号；
(1032)将各个高频子带信号按照时间先后顺序，进行两两卷积；
(1033)计算卷积值的中位数；
(1034)确定与该中位数之差的绝对值最小的卷积值；
(1035)确定与该绝对值最小的卷积值相对应的、按照时间顺序排在后面的视频信息，作为T0时刻、T1时刻、T2时刻、……、Tn时刻这n+1个时刻中的参考视频信息。
进一步地，步骤(104)包括：
(1041)将该参考视频信息与其在视频信息中对应的经纬度信息进行封装；
(1042)将该封装后的信息进行传输。
进一步地，所述步骤(20)包括：
(201)接收封装后的信息并解开，获得参考视频信息以及与之相匹配的经纬度信息；
(202)利用机器学习方式对参考视频信息进行植被识别；
(203)对识别出的植被进行生长特征识别；
(204)根据识别出的生长特征与参考生长特征进行比较，当低于阈值或者高于阈值时，确定为土壤恢复异常，当异常时以与该出现异常的信息的参考视频信息相匹配的经纬度信息为内容，发出警告。
进一步地，所述生长特征包括：叶片颜色、植株主干、主干直径。
本发明的有益效果包括：能够通过无人机等设备进行航拍并利用机器学习方式，获得植被的颜色等生长特征和状态，进而对土壤在遭受污染后的恢复情况进行简单、快速的判断。由于这种恢复过程非常缓慢，经申请人在位于内蒙古境内的多处林地进行小规模试验，无人机的监测频率可以为一个月一次甚至两个月一次，不但从能耗上极大地降低了监测需求，而且从设备采购和维护成本上也极大地降低了监测成本。
附图说明
图1示出了本发明方法的流程图。
具体实施方式
如图1所示，根据本发明的优选实施例，本发明提供了一种土壤恢复动态预警方法，用于对林场或牧场遭受化学品污染的土壤的修复状态进行预警，包括：
(1)采用无人机方式拍摄待检测土壤区域的植被的图像信息，得到视频信息；
(2)根据视频信息进行土壤的修复状态的预警。
优选地，所述步骤(1)包括：
(10)获得各个时刻的经纬度信息；
(20)确定土壤修复状态。
优选地，所述步骤(10)包括：获得待检测土壤区域的植被的视频信息进行校正，并得到校正后的视频信息对应的经纬度信息，根据校正后的视频信息图像-经纬度信息包。
优选地，所述步骤(20)包括：根据校正后的视频信息图像-经纬度信息包进行土壤修复状态的确定。
优选地，所述图像-经纬度信息包是的通过如下方式得到的：
假设T0时刻、T1时刻、T2时刻、……、Tn时刻是所述视频信息中对应的n+1个连续时刻，其中n为大于4的自然数；
(101)对视频信息进行分帧，分别将T0和T1时刻的视频信息转换为图像信息Img0和Img1，并获得低频子带信号的校正系数和高频子带信号的校正系数；
(102)根据低频子带信号的校正系数和高频子带信号的校正系数，对T2时刻、……、Tn时刻的视频信息进行校正；
(103)对经过校正的T0时刻、T1时刻、T2时刻、……、Tn时刻的视频信息进行排序；
(104)生成视频信息图像-经纬度信息包。
优选地，所述步骤(101)包括：
(1011)对Img0和Img1分别进行小波变换，得到依次对应于T0时刻和T1时刻的低频子带信号L0、高频子带信号L1、和高频子带信号H0、高频子带信号H1；
(1012)计算低频子带信号的校正系数C(x,y)L：
其中，该x和y分别表示T0时刻的帧图像中某个像素点的横坐标和纵坐标,βm表示修正矩阵的均值，ηm表示修正矩阵的方差，该修正矩阵为以为方差、为均值的2阶对角阵B；
(1013)对高频子带信号通过高斯滤波器，得到H’0和H’1：
(1014)对于T0时刻的帧图像，计算位于(x，y)位置的像素的高频子带信号的校正系数C(x,y)H：
其中Sδ表示以(x，y)为中心、为半径的圆域的面积，D表示矩阵A的模值的上整数，A表示以下矩阵：
其中i为矩阵A的模值的下整数。
优选地，所述步骤(102)包括：
(1021)对T2时刻、……、Tn时刻的视频信息进行小波变换，分别得到与这些视频信息一一对应的高频子带信号和低频子带信号；
(1022)对这些高频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)H相减；
(1023)对这些低频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)L相减；
(1024)将上述经过相减的高频子带信号和低频子带信号根据其对应的时刻，分别进行小波逆变换，得到与经过校正的T2时刻、……、Tn时刻的视频信息。
优选地，上述步骤(103)包括：
(1031)记录上述校正过程中，经过校正的各个高频子带信号；
(1032)将各个高频子带信号按照时间先后顺序，进行两两卷积；
(1033)计算卷积值的中位数；
(1034)确定与该中位数之差的绝对值最小的卷积值；
(1035)确定与该绝对值最小的卷积值相对应的、按照时间顺序排在后面的视频信息，作为T0时刻、T1时刻、T2时刻、……、Tn时刻这n+1个时刻中的参考视频信息。
优选地，步骤(104)包括：
(1041)将该参考视频信息与其在视频信息中对应的经纬度信息进行封装；
(1042)将该封装后的信息进行传输。
优选地，所述步骤(20)包括：
(201)接收封装后的信息并解开，获得参考视频信息以及与之相匹配的经纬度信息；
(202)利用机器学习方式对参考视频信息进行植被识别；
(203)对识别出的植被进行生长特征识别；
(204)根据识别出的生长特征与参考生长特征进行比较，当低于阈值或者高于阈值时，确定为土壤恢复异常，当异常时以与该出现异常的信息的参考视频信息相匹配的经纬度信息为内容，发出警告。
优选地，所述生长特征包括：叶片颜色、植株主干、主干直径。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种土壤恢复动态预警方法，用于对林场或牧场遭受化学品污染的土壤的修复状态进行预警，包括：
(1)采用无人机方式拍摄待检测土壤区域的植被的图像信息，得到视频信息；
(2)根据视频信息进行土壤的修复状态的预警。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括：
(10)获得各个时刻的经纬度信息；
(20)确定土壤修复状态。
3.根据权利要求2所述的方法，其特征在于，所述步骤(10)包括：获得待检测土壤区域的植被的视频信息进行校正，并得到校正后的视频信息对应的经纬度信息，根据校正后的视频信息图像-经纬度信息包。
4.根据权利要求3所述的方法，其特征在于，所述步骤(20)包括：根据校正后的视频信息图像-经纬度信息包进行土壤修复状态的确定。
5.根据权利要求4所述的方法，其特征在于，所述图像-经纬度信息包是的通过如下方式得到的：
假设T0时刻、T1时刻、T2时刻、……、Tn时刻是所述视频信息中对应的n+1个连续时刻，其中n为大于4的自然数；
(101)对视频信息进行分帧，分别将T0和T1时刻的视频信息转换为图像信息Img0和Img1，并获得低频子带信号的校正系数和高频子带信号的校正系数；
(102)根据低频子带信号的校正系数和高频子带信号的校正系数，对T2时刻、……、Tn时刻的视频信息进行校正；
(103)对经过校正的T0时刻、T1时刻、T2时刻、……、Tn时刻的视频信息进行排序；
(104)生成视频信息图像-经纬度信息包。
6.根据权利要求5所述的方法，其特征在于，所述步骤(101)包括：
(1011)对Img0和Img1分别进行小波变换，得到依次对应于T0时刻和T1时刻的低频子带信号L0、高频子带信号L1、和高频子带信号H0、高频子带信号H1；
(1012)计算低频子带信号的校正系数C(x,y)L：
其中，该x和y分别表示T0时刻的帧图像中某个像素点的横坐标和纵坐标,βm表示修正矩阵的均值，ηm表示修正矩阵的方差，该修正矩阵为以为方差、为均值的2阶对角阵B；
(1013)对高频子带信号通过高斯滤波器，得到H’0和H’1：
(1014)对于T0时刻的帧图像，计算位于(x，y)位置的像素的高频子带信号的校正系数C(x,y)H：
其中Sδ表示以(x，y)为中心、为半径的圆域的面积，D表示矩阵A的模值的上整数，A表示以下矩阵：
其中i为矩阵A的模值的下整数。
7.根据权利要求6所述的方法，其特征在于，所述步骤(102)包括：
(1021)对T2时刻、……、Tn时刻的视频信息进行小波变换，分别得到与这些视频信息一一对应的高频子带信号和低频子带信号；
(1022)对这些高频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)H相减；
(1023)对这些低频子带信号对于其对应的时刻的视频信息中的各个点，与C(x,y)L相减；
(1024)将上述经过相减的高频子带信号和低频子带信号根据其对应的时刻，分别进行小波逆变换，得到与经过校正的T2时刻、……、Tn时刻的视频信息。
8.根据权利要求7所述的方法，其特征在于，上述步骤(103)包括：
(1031)记录上述校正过程中，经过校正的各个高频子带信号；
(1032)将各个高频子带信号按照时间先后顺序，进行两两卷积；
(1033)计算卷积值的中位数；
(1034)确定与该中位数之差的绝对值最小的卷积值；
(1035)确定与该绝对值最小的卷积值相对应的、按照时间顺序排在后面的视频信息，作为T0时刻、T1时刻、T2时刻、……、Tn时刻这n+1个时刻中的参考视频信息。
9.根据权利要求8所述的方法，其特征在于，步骤(104)包括：
(1041)将该参考视频信息与其在视频信息中对应的经纬度信息进行封装；
(1042)将该封装后的信息进行传输。
10.根据权利要求9所述的方法，其特征在于，所述步骤(20)包括：
(201)接收封装后的信息并解开，获得参考视频信息以及与之相匹配的经纬度信息；
(202)利用机器学习方式对参考视频信息进行植被识别；
(203)对识别出的植被进行生长特征识别；
(204)根据识别出的生长特征与参考生长特征进行比较，当低于阈值或者高于阈值时，确定为土壤恢复异常，当异常时以与该出现异常的信息的参考视频信息相匹配的经纬度信息为内容，发出警告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810874300.0A CN109063873A (zh) | 2018-08-02 | 2018-08-02 | 一种土壤恢复动态预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810874300.0A CN109063873A (zh) | 2018-08-02 | 2018-08-02 | 一种土壤恢复动态预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109063873A true CN109063873A (zh) | 2018-12-21 |
Family
ID=64832910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810874300.0A Withdrawn CN109063873A (zh) | 2018-08-02 | 2018-08-02 | 一种土壤恢复动态预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063873A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306381A (zh) * | 2011-06-02 | 2012-01-04 | 西安电子科技大学 | 基于Beamlet与小波变换的图像融合方法 |
| US20130104455A1 (en) * | 2011-05-13 | 2013-05-02 | David P. Groeneveld | Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields |
| CN106210559A (zh) * | 2016-07-08 | 2016-12-07 | 北京邮电大学 | 一种多传感器视频融合与降噪的方法和装置 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
| CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及系统 |
-
2018
- 2018-08-02 CN CN201810874300.0A patent/CN109063873A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130104455A1 (en) * | 2011-05-13 | 2013-05-02 | David P. Groeneveld | Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields |
| CN102306381A (zh) * | 2011-06-02 | 2012-01-04 | 西安电子科技大学 | 基于Beamlet与小波变换的图像融合方法 |
| CN106210559A (zh) * | 2016-07-08 | 2016-12-07 | 北京邮电大学 | 一种多传感器视频融合与降噪的方法和装置 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
| CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 肖武 等: "无人机遥感在矿区监测与土地复垦中的应用前景", 《中国矿业》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109013677A (zh) | 一种土壤有机污染环境监控系统 | |
| Arabi et al. | Integration of in-situ and multi-sensor satellite observations for long-term water quality monitoring in coastal areas | |
| Xu et al. | Recent greening (1981–2013) in the Mu Us dune field, north‐central China, and its potential causes | |
| Csabai et al. | A ‘polarisation sun‐dial’dictates the optimal time of day for dispersal by flying aquatic insects | |
| Mao et al. | Coupled LAI assimilation and BEPS model for analyzing the spatiotemporal pattern and heterogeneity of carbon fluxes of the bamboo forest in Zhejiang Province, China | |
| Laing et al. | Factors influencing diatom distributions in circumpolar treeline lakes of northern Russia | |
| CN106442420A (zh) | 一种定性与定量结合的水质监测方法 | |
| Reavie et al. | Diatom-based weighted-averaging transfer functions for Great Lakes coastal water quality: relationships to watershed characteristics | |
| CN114974453B (zh) | 一种大气二氧化碳柱浓度高覆盖度重建方法 | |
| CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
| CN115524294A (zh) | 一种离水式实时智能遥感水质监测方法 | |
| Devlin et al. | Monitoring and mapping of flood plumes in the Great Barrier Reef based on in situ and remote sensing observations | |
| CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
| CN106873577B (zh) | 应用于南极大口径望远镜控制系统的故障诊断方法 | |
| Bater et al. | Design and installation of a camera network across an elevation gradient for habitat assessment | |
| CN108982521A (zh) | 可视化土壤健康水平检测设备 | |
| CN109063873A (zh) | 一种土壤恢复动态预警方法 | |
| CN109141365A (zh) | 土壤修复状态监控方法 | |
| CN109146862A (zh) | 土壤修复状态智能化检测设备 | |
| CN108917724A (zh) | 一种受污染土地的治理检测系统 | |
| CN110988286B (zh) | 一种智能水资源长期探测系统 | |
| Dörnhöfer et al. | Water colour analysis of Lake Kummerow using time series of remote sensing and in situ data | |
| Martins et al. | Mapping the coloured dissolved organic matter absorption coefficient in a eutrophic reservoir using remotely sensed images | |
| Lang et al. | Remote image and leaf reflectance analysis to evaluate the impact of environmental stress on grape canopy metabolism | |
| Petruk et al. | Multispectral Methods and Means of Water Pollution Monitoring by Using Macrophytes for Bioindication |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181221 |
|
| WW01 | Invention patent application withdrawn after publication |