CN109142679A - 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 - Google Patents
基于人工神经网络克里金插值的森林土壤养分的空间预测方法 Download PDFInfo
- Publication number
- CN109142679A CN109142679A CN201810916677.8A CN201810916677A CN109142679A CN 109142679 A CN109142679 A CN 109142679A CN 201810916677 A CN201810916677 A CN 201810916677A CN 109142679 A CN109142679 A CN 109142679A
- Authority
- CN
- China
- Prior art keywords
- neural network
- forest soil
- prediction
- nutrient
- soil nutrient
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法,包括以下步骤:获取环境因子栅格数据;计算得到基于多层感知器神经网络的森林土壤养分空间分布图;进行实测养分值与预测值之间的残差计算;对神经网络预测残差进行分析和检验;进行残差的半方差计算及半方差函数定的模型模拟,得到各模型类型及参数;得到的半方差模型参数,对残差进行普通克里金插值,得到神经网络预测残差的空间分布;将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。本发明所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。
Description
技术领域
本发明涉及土壤养分空间预测技术领域,特别涉及一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法。
背景技术
森林是陆地生态系统的主体,其土壤养分的空间分布对植物群落空间格局形成与演替有重要作用,直接关系着生态系统生产力。因此,开展森林土壤养分空间预测的研究是实现森林可持续利用与全球变化研究的重要支撑。近年来,国内外专家学者已对耕地、林地、湿地等各类生态系统的土壤养分进行了空间预测方法的研究,而由于森林土壤的高度空间相关性和异质性,其养分的空间分布受各类地形、植被等环境因子影响较大,对于不同研究尺度和区域,最适宜和精确的插值方法各不相同,其空间预测精度有待进一步提高。
基于传统统计学、空间统计学和机器学习的方法是目前较为成熟且广泛应用的土壤养分空间插值方法。传统统计模型基于相关环境因子与土壤养分的整体样本的相关性,利用各类全局回归方法预测空间分布。由于土壤养分样点数据无法满足独立同分布和大样本的前提,使模型稳定性差且预测结果不能较好反应局部变化特征。空间统计模型主要包括地理加权回归模型和地统计模型:前者是传统线性回归模型的扩展,其考虑了土壤养分的空间结构即将回归系数变成土壤样点地理位置的函数来进行局部参数估计,以此来解决这种空间非平稳性问题;地统计模型以区域化变量为基础,借助半方差函数进行最优无偏估计。空间统计模型是已被大量应用和验证的土壤养分空间预测的有效方法之一,但因地理加权回归残差的空间自相关性与地统计学的二级平稳假设前提及其估计误差和误差方差未知性,其在实践中很难达到理想目标。机器学习模型利用人工神经网络、支持向量机、随机森林等来表达土壤养分与环境变量的复杂关系,并根据这种关系推测土壤属性空间分布,能够更有效地解决土壤与环境因子之间的非线性及环境因子的多元共线问题,且已有较多研究证明基于机器学习的土壤养分预测结果较前两者精度高。但与地理加权回归相似,其每个预测单元由节点土壤养分预测值代表,仅考虑了本节点处环境因子的影响,未考虑残差空间自相关性,因此导致生成的土壤养分图不是一个平滑的连续面,且在节点较少的情况下,会导致与现实不符的土壤养分突变现象。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法。所述技术方案如下:
一方面,一种基于人工神经网络克里金插值的森林土壤养分的空间预测方法,包括以下步骤:
获取环境因子栅格数据;
将所述环境因子(自变量)栅格数据的坐标系统一为等面积的投影坐标系,并用重采样方法统一所有所述环境因子栅格数据的空间分辨率;
对森林土壤预测的养分属性的实测值进行分析;
提取森林土壤养分实测样点的环境因子栅格的属性;
对森林土壤预测的养分和环境因子属性进行分析和计算;
基于人工神经网络函数进行编程,利用一定学习算法训练多层感知器神经网络,根据均方根误差最小原则,得到最优网络结构与参数值;
利用人工神经网络函数,得到最优神经网络结构和参数,进行未知节点土壤养分预测;
进行空间制图,得到基于多层感知器神经网络的森林土壤养分空间分布图;
进行实测养分值与预测值之间的残差计算;
对神经网络预测残差进行分析和检验;
进行残差的半方差计算及半方差函数定的模型模拟,得到各模型类型及参数;
得到的半方差模型参数,对残差进行普通克里金插值,得到神经网络预测残差的空间分布;
将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。
进一步的,所述获取环境因子栅格数据,具体包括:
对森林土壤属性(非预测对象)的实测数据如容重、酸碱度、非预测养分值等,进行反距离权重插值得到连续面;
对气象站点数据进行反距离权重插值得到连续面;
对DEM数据进行地形因子提取;
对遥感影像进行大气校正等预处理并提取各类植被指数、波段反射率、主成分变换分量等光谱特征指数。
进一步的,对森林土壤预测的养分属性的实测值进行分析,具体为:
对森林土壤预测的养分属性的实测值进行描述性分析,包括均值、标准差、变异系数、偏度、峰值、最大值、最小值。
进一步的,所述对森林土壤预测的养分和环境因子属性进行分析和计算,具体包括:
对森林土壤预测的养分和各环境因子属性进行皮尔森积矩相关分析和膨胀因子计算;
将环境因子间相关系数大于0.8及膨胀因子大于10的环境因子剔除,得到参与土样养分空间预测的环境因子;
对环境因子进行Z-score标准化去量纲化影响。
进一步的,所述对神经网络预测残差进行分析和检验,具体包括:
对神经网络预测残差进行描述性分析和正态分布检验,包括偏度、峰值、和K-S检验;
若不符合正态分布,则对残差数据进行变换使其符合正态分布。
本发明实施例提供的技术方案带来的有益效果是:本发明的基于人工神经网络克里金插值的森林土壤养分的空间预测方法,基于森林土壤属性实测样点、气候气象、遥感影像(Landsat8OLI)及地形数据(DEM),将地统计学和机器学习的方法应用于森林土壤养分的空间预测中,空间插值过程中不仅考虑土壤属性、气象、光谱、地形等特征环境因子影响,还考虑到土壤养分的空间自相关性,进而通过获取最优神经网络结构和参数及最优的半方差模型与参数,建立最优多层感知器神经网络模型和残差的半方差模型进行空间预测,得到森林土壤养分的空间分布信息。所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。本发明克服了以往模型较为严格的使用前提(土样养分数值分布与样本量)而出现模型稳定性差和实践中很难达到理想目标的问题,同时也解决了未考虑空间自相关性而导致的与现实不符的土壤养分突变现象。本发明对地统计学和机器学习相结合快速精准科学预测森林土壤养分空间分布具有实践意义。
附图说明
为了更清楚地说明本发明施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明实施例1中基于人工神经网络克里金插值(ANNK)的森林土壤有机碳空间分布专题地图。
图2是本发明实施例1中基于多层感知器神经网络(ANN)的森林土壤有机碳空间分布专题地图。
图3是本发明实施例1中基于普通克里金插值(OK)的森林土壤有机碳空间分布专题地图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例
基于森林土壤表层(0-20厘米)有机碳含量和容重实测值、气象站点观测(降水量、温度和湿度)、Landsat8OLI遥感影像及30米DEM地形数据,结合多层感知器神经网络模型和普通克里金插值的混合,对森林表层土壤有机碳含量空间进行预测,具体方法如下:
步骤一:利用ArcGIS软件的Geostatistical Analyst模块对森林土壤容重(BD)的实测数据进行反距离权重插值得到1个连续面。
步骤二:利用ArcGIS软件的Geostatistical Analyst模块对气象站点的降水量(P)、温度(T)和湿度(H)数据进行反距离权重插值得到3个连续面。
步骤三:利用ArcGIS软件的Spatial Analyst Tools中的Surface模块、Hydrology模块和Raster Calculator工具对DEM数据进行高程(H)、坡度(β)、坡向(α)、曲率(C)、坡面曲率(Cv)、平面曲率(Ch)、坡度变率(SOS)、坡向变率(SOA)、地形起伏度(RLD)、坡向正弦(sinα)、坡向余弦(cosα)、地面粗糙度(M)、地形湿度指数(TWI)和水流动力指数(SPI)等14个地形因子提取。
步骤四:利用ENVI软件的FLAASH模块对遥感影像进行大气校正等预处理,利用ENVI软件的Basic Tools中Band Math模块和Transform工具条等提取增强型植被指数(EVI)、归一化植被指数(NDVI)、改良土壤调整植被指数(MSAVI)和OLI 2-7波段反射率值等9个光谱特征指数栅格。
步骤五:利用ArcGIS软件的Data Management Tools中Projections andTransformations模块将上述环境因子(自变量)栅格数据的坐标系统一为WGS84阿尔伯斯等面积圆锥投影,并采用Raster Processing模块中Resample工具用重采样方法将所有栅格数据的空间分辨率统一为30米。
步骤六:利用SPSS软件对森林土壤有机碳含量实测值进行描述性分析,包括均值、标准差、变异系数、偏度、峰值、最大值、最小值等,得到土壤有机碳含量实测值符合正态分布。
步骤七:利用ArcGIS软件的Spatial Analyst Tools中的Extraction模块的Extract Multi Values to Points工具将森林土壤有机碳实测样点处的27个环境因子栅格的属性提取出来。
步骤八:利用SPSS软件对森林土壤有机碳含量和各环境因子属性进行皮尔森积矩相关分析和膨胀因子计算。由于坡面曲率、平面曲率、地面粗糙度、波段4、波段6、波段7反射率值等6个环境因子间相关系数大于0.8及膨胀因子大于10,存在共线与信息冗余需剔除,得到参与土样养分空间预测的21个环境因子。并对21个环境因子进行Z-score标准化去量纲化影响。
步骤九:利用MATLAB R2017a软件,基于feedforwardnet函数进行编程,利用Levenberg-Marquardt学习算法及unipolar sigmoid转换函数训练多层感知器神经网络,根据均方根误差最小原则,得到最优网络结构为21个输入节点、3个隐藏层节点、1个输出节点,最优学习速率和训练时间为0.01和13。
步骤十:利用Weka软件中Classification模块的MultilayerPerceptron函数,输入得到了最优神经网络结构和参数进行未知节点森林土壤有机碳预测。
步骤十一:利用ArcGIS软件进行空间制图,得到基于多层感知器神经网络的森林土壤有机碳空间分布图(图2)。
步骤十二:利用ArcGIS软件的Field Calculator工具进行实测森林土壤有机碳含量值与预测值之间的残差计算。
步骤十三:利用SPSS软件对神经网络预测残差进行描述性分析和正态分布检验,包括偏度、峰值、和K-S检验,得到预测残差符合正态分布。
步骤十四:利用GS+软件进行残差的半方差计算及半方差函数定的模型模拟,得到最优指数模型,其中变程为0.05千米、块金值为23.5、基台效应值(块金值/基台值)为0.23、可决系数(R2)为0.97、拟合的残差平方和(RSS)为0.99。
步骤十五:利用ArcGIS软件的Geostatistical Analyst模块,输入得到的半方差模型参数,对残差进行普通克里金插值,得到神经网络预测残差的空间分布。
步骤十六:利用ArcGIS软件的Spatial Analyst Tools中的Raster Calculator工具,将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到本发明的基于人工神经网络克里金插值的森林土壤养分空间分布图(图1)。
采用普通克里金插值(OK),对上述森林表层土壤有机碳含量空间进行预测,方法如下:
利用GS+软件进行土壤有机碳含量实测值的半方差计算及半方差函数定的模型模拟,得到最优指数模型,其中变程为0.09千米、块金值为32.3基台效应值(块金值/基台值)为0.30、可决系数(R2)为0.92、拟合的残差平方和(RSS)为8.60。
利用ArcGIS软件的Geostatistical Analyst模块,输入得到的半方差模型参数,对土壤有机碳含量实测值进行普通克里金插值,得到基于普通克里金插值的森林土壤有机碳空间分布图(图3)。
利用基于多层感知器神经网络(ANN)、普通克里金插值(OK)和人工神经网络克里金插值(ANNK)的森林土壤有机碳空间分布,三种方法得到的预测结果的平均误差(ME)、均方根误差(RMSE)和可决系数(R2)见表1,可以看出较仅使用多层感知器神经网络模型或普通克里金插值的方法,本发明的基于人工神经网络克里金插值的森林土壤养分的空间预测方法各项精度均有显著提高。
表1三种方法得到的预测结果的平均误差(ME)、均方根误差(RMSE)和可决系数(R2)
ANN | OK | ANNK | |
平均误差(ME) | -0.59 | -0.71 | -0.38 |
均方根误差(RMSE) | 9.47 | 9.81 | 8.89 |
可决系数(R2) | 0.48 | 0.32 | 0.60 |
本发明基于森林土壤属性实测样点、气候气象、遥感影像(Landsat8OLI)及地形数据(DEM),将地统计学和机器学习的方法应用于森林土壤养分的空间预测中,空间插值过程中不仅考虑土壤属性、气象、光谱、地形等特征环境因子影响,还考虑到土壤养分的空间自相关性,进而通过获取最优神经网络结构和参数及最优的半方差模型与参数,建立最优多层感知器神经网络模型和残差的半方差模型进行空间预测,得到森林土壤养分的空间分布信息。所得预测精度较仅使用多层感知器神经网络模型或普通克里金插值方法的精度均有显著提高。本发明克服了以往模型较为严格的使用前提(土样养分数值分布与样本量)而出现模型稳定性差和实践中很难达到理想目标的问题,同时也解决了未考虑空间自相关性而导致的与现实不符的土壤养分突变现象。本发明对地统计学和机器学习相结合快速精准科学预测森林土壤养分空间分布具有实践意义。
本发明既考虑各环境因子对森林土壤养分的复杂影响又考虑森林土壤养分的空间自相关性,结合多层感知器神经网络模型和普通克里金插值,利用ArcGIS、SPSS、MATLABR2017a、Weka等软件的便捷工具,从而实现快速精准科学的混合的土壤养分空间预测。
本发明还可有其它多种实施例,涉及多源环境因子和遥感影像,如雷达数据提取的后向散射系数等,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (5)
1.基于人工神经网络克里金插值的森林土壤养分的空间预测方法,其特征在于,包括以下步骤:
获取环境因子栅格数据;
将所述环境因子栅格数据的坐标系统一为投影坐标系,并统一所有所述环境因子栅格数据的空间分辨率;
对森林土壤预测的养分属性的实测值进行分析;
提取森林土壤养分实测样点的环境因子栅格的属性;
对森林土壤预测的养分和环境因子属性进行分析和计算;
基于人工神经网络函数,训练多层感知器神经网络,得到网络结构与参数值;
利用人工神经网络函数,得到神经网络结构和参数,进行未知节点土壤养分预测;
进行空间制图,得到基于多层感知器神经网络的森林土壤养分空间分布图;
进行实测养分值与预测值之间的残差计算;
对神经网络预测残差进行分析和检验;
进行残差的半方差计算及半方差函数定的模型模拟,得到各模型类型及参数;
得到的半方差模型参数,对残差进行普通克里金插值,得到神经网络预测残差的空间分布;
将基于多层感知器神经网络的森林土壤养分栅格与预测残差的栅格相加得到基于人工神经网络克里金插值的森林土壤养分空间分布图。
2.如权利要求1所述的基于人工神经网络克里金插值的森林土壤养分的空间预测方法,其特征在于,所述获取环境因子栅格数据,具体包括:
对森林土壤属性的实测数据进行反距离权重插值得到连续面;
对气象站点数据进行反距离权重插值得到连续面;
对DEM数据进行地形因子提取;
对遥感影像进行预处理并提取光谱特征指数。
3.如权利要求1所述的基于人工神经网络克里金插值的森林土壤养分的空间预测方法,其特征在于,对森林土壤预测的养分属性的实测值进行分析,具体为:
对森林土壤预测的养分属性的实测值进行描述性分析,包括均值、标准差、变异系数、偏度、峰值、最大值、最小值。
4.如权利要求1所述的基于人工神经网络克里金插值的森林土壤养分的空间预测方法,其特征在于,所述对森林土壤预测的养分和环境因子属性进行分析和计算,具体包括:
对森林土壤预测的养分和环境因子属性进行皮尔森积矩相关分析和膨胀因子计算;
将环境因子间相关系数大于0.8及膨胀因子大于10的环境因子剔除,得到参与土样养分空间预测的环境因子;
对环境因子进行Z-score标准化去量纲化影响。
5.如权利要求1所述的基于人工神经网络克里金插值的森林土壤养分的空间预测方法,其特征在于,所述对神经网络预测残差进行分析和检验,具体包括:
对神经网络预测残差进行描述性分析和正态分布检验,包括偏度、峰值、和K-S检验;
若不符合正态分布,则对残差数据进行变换使其符合正态分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916677.8A CN109142679B (zh) | 2018-08-13 | 2018-08-13 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916677.8A CN109142679B (zh) | 2018-08-13 | 2018-08-13 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109142679A true CN109142679A (zh) | 2019-01-04 |
CN109142679B CN109142679B (zh) | 2021-10-26 |
Family
ID=64792698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810916677.8A Active CN109142679B (zh) | 2018-08-13 | 2018-08-13 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142679B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861222A (zh) * | 2019-03-29 | 2019-06-07 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN109919990A (zh) * | 2019-02-19 | 2019-06-21 | 北京工业大学 | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN112084280A (zh) * | 2020-09-04 | 2020-12-15 | 广州南方智能技术有限公司 | 一种多尺度地形的裁剪及拼接方法 |
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 |
CN112784493A (zh) * | 2021-01-27 | 2021-05-11 | 武汉轻工大学 | 基于自适应深度q网络的地理空间预测方法及系统 |
CN112816658A (zh) * | 2021-01-05 | 2021-05-18 | 四川大学 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
CN112925870A (zh) * | 2021-03-15 | 2021-06-08 | 北京师范大学 | 一种人口空间化方法及系统 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114139819A (zh) * | 2021-12-07 | 2022-03-04 | 成都理工大学 | 基于地统计加权随机森林的地球化学变量空间预测方法 |
CN114568077A (zh) * | 2022-02-28 | 2022-06-03 | 中国农业大学 | 一种基于动态处方图的变量播种控制系统及方法 |
CN114925152A (zh) * | 2022-05-19 | 2022-08-19 | 河北大学 | 基于反距离加权法和克里金法的土壤养分空间插值方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106347A (zh) * | 2013-02-27 | 2013-05-15 | 北京师范大学 | 一种基于土壤属性空间分布的农业面源磷污染估算方法 |
-
2018
- 2018-08-13 CN CN201810916677.8A patent/CN109142679B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106347A (zh) * | 2013-02-27 | 2013-05-15 | 北京师范大学 | 一种基于土壤属性空间分布的农业面源磷污染估算方法 |
Non-Patent Citations (7)
Title |
---|
FUQIANG DAI等: "Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau", 《ECOLOGICAL INDICATORS》 * |
S.MIRZAEE等: "Spatial variability of soil organic matter using remote sensing data", 《CATENA》 * |
代富强等: "基于回归克里格和遥感的紫色土区土壤有机质含量空间预测", 《土壤通报》 * |
李启权等: "基于神经网络模型和地统计学方法的土壤养分空间分布预测", 《应用生态学报》 * |
郑家等: "两种模型对森林土壤中量元素空间分布预测", 《林业与环境科学》 * |
陈利娜等: "基于地统计学与GIS技术的森林土壤养分空间变异性研究", 《林业与环境科学》 * |
陈琳等: "基于克里金插值的耕地表层土壤有机质空间预测", 《干旱区研究》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919990A (zh) * | 2019-02-19 | 2019-06-21 | 北京工业大学 | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
CN109861222B (zh) * | 2019-03-29 | 2022-12-06 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN109861222A (zh) * | 2019-03-29 | 2019-06-07 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111727443B (zh) * | 2020-05-15 | 2023-10-31 | 安徽中科智能感知科技股份有限公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN112084280A (zh) * | 2020-09-04 | 2020-12-15 | 广州南方智能技术有限公司 | 一种多尺度地形的裁剪及拼接方法 |
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 |
CN112816658A (zh) * | 2021-01-05 | 2021-05-18 | 四川大学 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
CN112784493A (zh) * | 2021-01-27 | 2021-05-11 | 武汉轻工大学 | 基于自适应深度q网络的地理空间预测方法及系统 |
CN112925870A (zh) * | 2021-03-15 | 2021-06-08 | 北京师范大学 | 一种人口空间化方法及系统 |
CN112925870B (zh) * | 2021-03-15 | 2023-06-02 | 北京师范大学 | 一种人口空间化方法及系统 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114019139B (zh) * | 2021-10-26 | 2024-03-26 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114139819B (zh) * | 2021-12-07 | 2023-05-23 | 成都理工大学 | 基于地统计加权随机森林的地球化学变量空间预测方法 |
CN114139819A (zh) * | 2021-12-07 | 2022-03-04 | 成都理工大学 | 基于地统计加权随机森林的地球化学变量空间预测方法 |
CN114568077B (zh) * | 2022-02-28 | 2022-12-16 | 中国农业大学 | 一种基于动态处方图的变量播种控制系统及方法 |
CN114568077A (zh) * | 2022-02-28 | 2022-06-03 | 中国农业大学 | 一种基于动态处方图的变量播种控制系统及方法 |
CN114925152A (zh) * | 2022-05-19 | 2022-08-19 | 河北大学 | 基于反距离加权法和克里金法的土壤养分空间插值方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109142679B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142679A (zh) | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 | |
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
Camera et al. | Evaluation of interpolation techniques for the creation of gridded daily precipitation (1× 1 km2); Cyprus, 1980–2010 | |
Roemmich et al. | The 2004–2008 mean and annual cycle of temperature, salinity, and steric height in the global ocean from the Argo Program | |
Almeida et al. | Needs and opportunities for using a process-based productivity model as a practical tool in Eucalyptus plantations | |
Burrough | Matching spatial databases and quantitative models in land resource assessment | |
Bullard et al. | Morphometric analysis of aeolian bedforms in the Namib Sand Sea using ASTER data | |
CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
CN110276160A (zh) | 一种平原区土壤有机碳三维空间分布模拟方法 | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
Garbrecht et al. | Network and Subwatershed Parameters Extracted from Digital Elevation Models: The Bills Creek Experience 1 | |
Monestiez et al. | Spatial interpolation of air temperature using environmental context: Application to a crop model | |
Hebeler et al. | The influence of elevation uncertainty on derivation of topographic indices | |
CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
Nickless et al. | Estimates of CO 2 fluxes over the city of Cape Town, South Africa, through Bayesian inverse modelling | |
Liu et al. | A novel entropy-based method to quantify forest canopy structural complexity from multiplatform lidar point clouds | |
Sharma et al. | Vertical accuracy of digital elevation model from Shuttle Radar Topographic Mission–a case study | |
CN105528523B (zh) | 一种基于遥感数据的土壤厚度反演方法 | |
Hutchinson | Adding the Z-dimension | |
Prasannakumar et al. | Applicability of SRTM data for landform characterisation and geomorphometry: a comparison with contour-derived parameters | |
CN110458618A (zh) | 农地价值计算方法、装置、服务器及存储介质 | |
Tracz et al. | Identification of zones with high potential for biological diversity on dormant forested landslides | |
Wang et al. | Hybrid model for estimating forest canopy heights using fused multimodal spaceborne LiDAR data and optical imagery | |
Sanchez et al. | A 3-D lithospheric model of the Caribbean-South American plate boundary | |
Chen et al. | An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data |
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 |