CN109190572A - 基于卫星遥感数据的渗坑识别方法 - Google Patents
基于卫星遥感数据的渗坑识别方法 Download PDFInfo
- Publication number
- CN109190572A CN109190572A CN201811059953.XA CN201811059953A CN109190572A CN 109190572 A CN109190572 A CN 109190572A CN 201811059953 A CN201811059953 A CN 201811059953A CN 109190572 A CN109190572 A CN 109190572A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image data
- prediction result
- sensing image
- seepage pit
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 claims 1
- 238000001764 infiltration Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000011799 hole material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及一种基于卫星遥感数据的渗坑识别方法,方法包括：服务器获取卫星遥感数据；对卫星遥感数据进行预处理，得到遥感影像数据；服务器根据第一运算模型对遥感影像数据进行解析，得到第一预测结果；并且，服务器根据第二运算模型对遥感影像数据进行解析，得到第二预测结果；确定第一预测结果和第二预测结果中是否存在任一预测结果为确定存在渗坑的预设结果；当第一预测结果和第二预测结果中是存在任一预测结果为确定存在渗坑的预设结果时，生成并输出报警信息。本发明实施例提供的基于卫星遥感数据的渗坑识别方法，提高了发现监测区域，尤其是一些荒无人烟的区域渗坑污染行为的几率，有利于保护生态环境和人类安全。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种基于卫星遥感数据的渗坑识别方法。
背景技术
所谓渗坑是指挖在庭院、地面下,用来渗漏污水或积水。挖在庭院地面之下用以排除地面积水或管道污水的坑。坑壁用砖或石块堆砌，坑顶加盖，水流入坑内，逐渐渗入地层。也叫渗井。由于渗坑、渗井是通过透水性良好的本石层向地下排放污水,但透水性良好的土石层却往往也是地下水的良好含水层或它的顶部,所以渗坑排污一也就造成了宝贵的地下水资源的污染。尤其是废井排污更是直接把有害物质灌溉进含水层里，污染了地下水。
渗坑、渗井的危害是它把有毒有害的物质直接送进含水层,使宝贵的地下水受到了污染，如一些小企业在偏远地方找个坑，把未经处理的污水往里一排，通过下渗和蒸发来“解决”污染问题，对环境造成巨大危害，而且治理难度大，治理成本很高，渗坑污染不但治理难度大，寻找污染主体、估算损失等也是个难题。
如今发现渗坑的主要来源是通过监督、举报、公益诉讼等方法进行对工业污染源进行监督。工业污染最大的受害者是周边的居民，他们对污染源肯定比环保部门看得更紧。或者发现渗坑的主要来源还可以是通过卫星影像人眼观看是否有渗坑，但是，以上监管方式存在不确定性，且周期较长，一般只能等到周边居民有所察觉，这时渗坑污染已经很严重，这样导致发现问题不及时，发现时已经造成污染，后续治理也将浪费大量人力、物理、财力，目前没有一个明确有效的监管方法，可以精准、快速的识别环境中是否存在渗坑。
发明内容
本发明的目的是针对现有技术的缺陷，通过卫星遥感技术获取卫星遥感图像，并对卫星遥感图像进行自动化的解析，确定监测区域内是否存在渗坑，提高了发现监测区域，尤其是一些荒无人烟的区域渗坑污染行为的几率，并通过发现渗坑后即可报警的监管机制通知监管人员，有利于提高渗坑监管效率，保护生态环境和人类安全。
为实现上述目的，本发明提供了一种基于卫星遥感数据的渗坑识别方法，包括：
服务器获取卫星遥感数据；
对所述卫星遥感数据进行预处理，得到遥感影像数据；
所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到第一预测结果；
并且，所述服务器根据第二运算模型对所述遥感影像数据进行解析，得到第二预测结果；
确定所述第一预测结果和所述第二预测结果中是否存在任一预测结果为确定存在渗坑的预设结果；
当所述第一预测结果和所述第二预测结果中是存在任一预测结果为所述确定存在渗坑的预设结果时，生成并输出报警信息。
优选的，所述服务器获取卫星遥感数据具体为：
所述服务器根据预设获取时间参数获取卫星遥感数据。
优选的，所述卫星遥感数据包括：陆地卫星遥感数据和高分卫星遥感数据。
优选的，所述对所述卫星遥感数据进行预处理，得到遥感影像数据具体为：
所述服务器对所述卫星遥感数据进行辐射定标、大气校正、正射校正和几何校正处理，得到遥感影像数据。
优选的，所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到第一预测结果具体为：
所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到遥感影像数据的影像特征数据；
对比遥感影像数据的影像特征数据与目标影像特征数据，根据对比结果得到第一预测结果。
进一步优选的，在所述对比遥感影像数据的影像特征数据与目标影像特征数据之前，所述方法还包括：
根据历史遥感影像数据和历史预测结果训练所述第一运算模型，根据训练结果得到所述目标影像特征数据。
优选的，所述第二运算模型为约束能量最小化算法。
进一步优选的，所述服务器根据第二运算模型对所述遥感影像数据进行解析具体为：
所述服务器根据所述第二运算模型和历史遥感影像数据得到遥感影像数据的算子；
根据所述遥感影像数据的算子得到线性滤波器的输出值；
根据所述线性滤波器的输出值得到第二预测结果。
本发明实施例提供的基于卫星遥感数据的渗坑识别方法，通过卫星遥感技术获取卫星遥感图像，并对卫星遥感图像进行自动化的解析，确定监测区域内是否存在渗坑，提高了发现监测区域，尤其是一些荒无人烟的区域渗坑污染行为的几率，并通过发现渗坑后即可报警的监管机制通知监管人员，有利于提高渗坑监管效率，保护生态环境和人类安全。
附图说明
图1为本发明实施例提供的一种基于卫星遥感数据的渗坑识别方法的流程图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明实施例首先提供了一种基于卫星遥感数据的渗坑识别方法，其方法流程图如图1所示，包括如下步骤：
步骤110，服务器获取卫星遥感数据；
具体的，服务器根据预设获取时间参数获取卫星遥感数据。卫星遥感数据包括但不限于：通过陆地卫星获取的陆地卫星遥感数据和通过高分卫星获取的高分卫星遥感数据。
步骤120，对卫星遥感数据进行预处理，得到遥感影像数据；
具体的，服务器对卫星遥感数据进行的预处理包括但不限于：辐射定标、大气校正、正射校正和几何校正处理。其中，辐射定标可以通过计算卫星遥感数据中地物的光谱反射率或光谱辐射亮度时，或者通过对不同时间、不同卫星获取的卫星遥感数据进行比较，将卫星遥感数据中图像的亮度灰度值转换为绝对的辐射亮度的方式来实现。大气校正的方法可以通过波普影响函数消除由大气影响所造成的辐射误差，反演地物真实的表面反射率实现。正射校正可以通过在卫星遥感数据中图像上选取一些地面控制点，并利用数字高程模型，对卫星遥感数据中的图像同时进行倾斜改正和投影差改正，成为正射影像来实现。几何校正可以通过将多个正射影像拼接镶嵌在一起，进行色彩平衡处理后，按照一定范围内裁切的方式来实现。
服务器对卫星遥感数据进行的预处理后，得到可以用户进一步数据分析的遥感影像数据。
步骤130，服务器根据运算模型对遥感影像数据进行解析，得到预测结果；
具体的，运算模型包括第一运算模型和第二运算模型，服务器根据第一运算模型对遥感影像数据进行解析后所得到预测结果为第一预测结果，相对的，服务器根据第二运算模型对遥感影像数据进行解析后所得到预测结果为第二预测结果。
进一步具体的，第一运算模型可以理解为包括但不限于神经网络模型(NeuralNetwork，NN)和支持向量机模型(Support Vector Machine，SVM)的计算机学习模型。顾名思义，计算机学习模型是需要学习和训练的。因此，在第一运算模型对当前遥感影像数据进行解析前，已经根据历史遥感影像数据和历史预测结果训练进行了训练，并根据训练结果得到目标影像特征数据。目标影像特征数据可以理解为存在渗坑的影像特征数据。服务器根据第一运算模型对遥感影像数据进行解析后可以得到遥感影像数据的影像特征数据。然后对比遥感影像数据的影像特征数据与目标影像特征数据，确定当前遥感影像数据与目标影像特征数据是否相符，最后根据对比结果得到第一预测结果。
第二运算模型可以理解为约束能量最小化算法(Constrained EnergyMinimization，CEM)模型。CEM算法的目的就是设计一个线性滤波器FIR(Finite ImpulseResponse)，使得在满足式1条件下滤波输出能量最小：
S＝{r1,r2,...,rN}为所有观测样本集合，也就是历史遥感影像数据，ri＝(ri1,ri2,...,riL)，w＝(w1,w2,...,wL)T代表了线性滤波器，T为任一样本像元向量(i＝1,2,...,N)，N为像元的个数，L为图像的波段数，d表示渗坑目标。
当输入为ri时，记探测统计量yi为经过滤波算法的输出：
于是，所有观测样本经过滤波器w的平均输出能量为:
这里是样本集合S的样本自相关矩阵。这样，滤波器w的设计可以归结为如下最小值问题，即:
对于条件极值问题，用拉格朗日乘数法求的公式的解即为CEM算子，也就是遥感影像数据的算子:
将CEM算子作用于图像中的每个像元，将得到目标d，即渗坑区域在图像中的分布情况，实现对目标d的探测，线性滤波器w的输出为:
δcem(r)为最终输出结果，表征渗坑分布的值，也就是第二预测结果。
步骤140，确定第一预测结果和第二预测结果中是否存在任一预测结果为确定存在渗坑的预设结果；
具体的，服务器通过上述两个运算模型分别得到了两个预测结果，即根据第一运算模型得到的第一预测结果和根据第一运算模型得到的第二预测结果。由于这两个预测结果是经不同运算模型计算解析得到的，因此第一预测结果和第二预测结果可能是一样的，也可能是不一样的。但如果第一预测结果和第二预测结果中任意一个预测结果为确定存在渗坑的预设结果，那么当前卫星遥感数据所代表的环境中就有可能是存在渗坑的，则执行下述步骤150。而若第一预测结果和第二预测结果均不为确定存在渗坑的预设结果，那么当前卫星遥感数据所代表的环境中是不存在渗坑的，则本流程结束。
步骤150，当第一预测结果和第二预测结果中是存在任一预测结果为确定存在渗坑的预设结果时，服务器生成并输出报警信息；
具体的，报警信息包括但不限于包括卫星遥感数据的图像信息以及位置信息。服务器生成并输出报警的方式包括但不限于监测平台文字推送报警和声音推送报警。
本发明实施例提供的基于卫星遥感数据的渗坑识别方法，通过卫星遥感技术获取卫星遥感图像，并对卫星遥感图像进行自动化的解析，确定监测区域内是否存在渗坑，提高了发现监测区域，尤其是一些荒无人烟的区域渗坑污染行为的几率，并通过发现渗坑后即可报警的监管机制通知监管人员，有利于提高渗坑监管效率，保护生态环境和人类安全。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于卫星遥感数据的渗坑识别方法，其特征在于，所述方法包括：
服务器获取卫星遥感数据；
对所述卫星遥感数据进行预处理，得到遥感影像数据；
所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到第一预测结果；
并且，所述服务器根据第二运算模型对所述遥感影像数据进行解析，得到第二预测结果；
确定所述第一预测结果和所述第二预测结果中是否存在任一预测结果为确定存在渗坑的预设结果；
当所述第一预测结果和所述第二预测结果中是存在任一预测结果为所述确定存在渗坑的预设结果时，生成并输出报警信息。
2.根据权利要求1所述的渗坑识别方法，其特征在于，所述服务器获取卫星遥感数据具体为：
所述服务器根据预设获取时间参数获取卫星遥感数据。
3.根据权利要求1所述的渗坑识别方法，其特征在于，所述卫星遥感数据包括：陆地卫星遥感数据和高分卫星遥感数据。
4.根据权利要求1所述的渗坑识别方法，其特征在于，所述对所述卫星遥感数据进行预处理，得到遥感影像数据具体为：
所述服务器对所述卫星遥感数据进行辐射定标、大气校正、正射校正和几何校正处理，得到遥感影像数据。
5.根据权利要求1所述的渗坑识别方法，其特征在于，所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到第一预测结果具体为：
所述服务器根据第一运算模型对所述遥感影像数据进行解析，得到遥感影像数据的影像特征数据；
对比遥感影像数据的影像特征数据与目标影像特征数据，根据对比结果得到第一预测结果。
6.根据权利要求5所述的渗坑识别方法，其特征在于，在所述对比遥感影像数据的影像特征数据与目标影像特征数据之前，所述方法还包括：
根据历史遥感影像数据和历史预测结果训练所述第一运算模型，根据训练结果得到所述目标影像特征数据。
7.根据权利要求1所述的渗坑识别方法，其特征在于，所述第二运算模型为约束能量最小化算法。
8.根据权利要求7所述的渗坑识别方法，其特征在于，所述服务器根据第二运算模型对所述遥感影像数据进行解析具体为：
所述服务器根据所述第二运算模型和历史遥感影像数据得到遥感影像数据的算子；
根据所述遥感影像数据的算子得到线性滤波器的输出值；
根据所述线性滤波器的输出值得到第二预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059953.XA CN109190572A (zh) | 2018-09-12 | 2018-09-12 | 基于卫星遥感数据的渗坑识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059953.XA CN109190572A (zh) | 2018-09-12 | 2018-09-12 | 基于卫星遥感数据的渗坑识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190572A true CN109190572A (zh) | 2019-01-11 |
Family
ID=64910335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811059953.XA Pending CN109190572A (zh) | 2018-09-12 | 2018-09-12 | 基于卫星遥感数据的渗坑识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190572A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798124A (zh) * | 2020-06-30 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的任务管理方法、装置、电子设备及介质 |
| CN112382043A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于卫星监测的灾害预警方法、设备、存储介质及装置 |
| CN117893017A (zh) * | 2024-01-17 | 2024-04-16 | 应急管理部大数据中心 | 基于卫星遥感图像的尾矿库事故风险预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
| WO2018137103A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳企管加企业服务有限公司 | 一种基于多源遥感数据的流域污染检测方法及系统 |
-
2018
- 2018-09-12 CN CN201811059953.XA patent/CN109190572A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
| WO2018137103A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳企管加企业服务有限公司 | 一种基于多源遥感数据的流域污染检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张玉娟等: "ENVI遥感图像处理方法 第2版", 哈尔滨工程大学出版社, pages: 177 - 178 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798124A (zh) * | 2020-06-30 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的任务管理方法、装置、电子设备及介质 |
| CN112382043A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于卫星监测的灾害预警方法、设备、存储介质及装置 |
| CN117893017A (zh) * | 2024-01-17 | 2024-04-16 | 应急管理部大数据中心 | 基于卫星遥感图像的尾矿库事故风险预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Obura et al. | Coral reef monitoring, reef assessment technologies, and ecosystem-based management | |
| Trier et al. | Using deep neural networks on airborne laser scanning data: Results from a case study of semi‐automatic mapping of archaeological topography on Arran, Scotland | |
| Pearson et al. | A Bayesian‐based system to assess wave‐driven flooding hazards on coral reef‐lined coasts | |
| Singh et al. | Modelling of impact of water quality on infiltration rate of soil by random forest regression | |
| Wu et al. | Analysis and simulations of fragmentation patterns in the Everglades | |
| Crase et al. | Hydroperiod is the main driver of the spatial pattern of dominance in mangrove communities | |
| van Maanen et al. | On the ecogeomorphological feedbacks that control tidal channel network evolution in a sandy mangrove setting | |
| Opdal et al. | Centennial decline in North Sea water clarity causes strong delay in phytoplankton bloom timing | |
| Chang et al. | Better environmental data may reverse conclusions about niche‐and dispersal‐based processes in community assembly | |
| Fagundes et al. | Testing the efficiency of protected areas in the Amazon for conserving freshwater turtles | |
| Soille | Optimal removal of spurious pits in grid digital elevation models | |
| Keith et al. | Differential establishment potential of species predicts a shift in coral assemblage structure across a biogeographic barrier | |
| Amitrano et al. | A new framework for SAR multitemporal data RGB representation: Rationale and products | |
| CN109190572A (zh) | 基于卫星遥感数据的渗坑识别方法 | |
| Zemunik et al. | Soil drivers of local‐scale tree growth in a lowland tropical forest | |
| Walters et al. | High‐resolution ecological niche modelling of threatened freshwater mussels in east Texas, USA | |
| Udyawer et al. | Prioritising search effort to locate previously unknown populations of endangered marine reptiles | |
| Betancourt et al. | Global, high-resolution mapping of tropospheric ozone–explainable machine learning and impact of uncertainties | |
| Silva et al. | Species distribution models of rare tree species as an evaluation tool for synergistic human impacts in the Amazon rainforest | |
| Abolhasani et al. | A new conceptual framework for spatial predictive modelling of land degradation in a semiarid area | |
| Powell et al. | Pond excavation reduces coastal wetland carbon dioxide assimilation | |
| Elmore et al. | Spatial patterns of plant litter in a tidal freshwater marsh and implications for marsh persistence | |
| Sakti et al. | Identification of illegally dumped plastic waste in a highly polluted river in Indonesia using Sentinel-2 satellite imagery | |
| Janzen et al. | Community assembly in Lake Tanganyika cichlid fish: Quantifying the contributions of both niche‐based and neutral processes | |
| Quintero et al. | Scale‐dependent patterning of wetland depressions in a low‐relief karst landscape |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 1202, No. 18, Yumin Middle Road, Xicheng District, Beijing 100029 Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230410 Address after: Unit 02, 12th Floor, 501, Building 3, Yard 20, Jinhe East Road, Chaoyang District, Beijing, 100020 Applicant after: IBM (CHINA) INVESTMENT CO.,LTD. Address before: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant before: Beijing Yingshi Ruida Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231215 Address after: New York grams of Armand Applicant after: International Business Machines Corp. Address before: Unit 02, 12th Floor, 501, Building 3, Yard 20, Jinhe East Road, Chaoyang District, Beijing, 100020 Applicant before: IBM (CHINA) INVESTMENT CO.,LTD. |