CN109447028A - 一种农田沟渠网络自动提取方法 - Google Patents
一种农田沟渠网络自动提取方法 Download PDFInfo
- Publication number
- CN109447028A CN109447028A CN201811338624.9A CN201811338624A CN109447028A CN 109447028 A CN109447028 A CN 109447028A CN 201811338624 A CN201811338624 A CN 201811338624A CN 109447028 A CN109447028 A CN 109447028A
- Authority
- CN
- China
- Prior art keywords
- ditches
- value
- irrigation canals
- network
- region
- 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
- 238000000605 extraction Methods 0.000 title claims description 27
- 230000002262 irrigation Effects 0.000 claims abstract description 67
- 238000003973 irrigation Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种农田沟渠网络提取方法，实现了从高精度DEM中自动提取沟渠区域并建立了点‑线沟渠网络。该方法通过DEM衍生的5个地形特征（坡度、曲率、粗糙度、坡向、坡向纹理）进行全区域的最大熵模型学习，通过统计学习模型对全区域进行分类得到沟渠概率栅格；对概率栅格二值化后剔除噪声，得到沟渠栅格区域；将沟渠栅格矢量化后提取中心线，得到线状沟渠并建立点‑线沟渠网络；根据沟渠网络节点的高程信息，建立同时具有拓扑结构和上下游关系的渠道网络。该方法从高精度DEM中自动快速提取了沟渠网络并对网络增加了上下游流域属性，不需复杂的人工干预，可用于后续的水文分析应用，使得农田沟渠的监测管理更加自动便捷。
Description
技术领域
本发明涉及高精度DEM自动提取农田沟渠网络的方法。
背景技术
我国作为农业大国，农业是推动经济发展的重要力量。在现代农业发展的进程中，农田水利发挥着至关重要的作用。农田水利设施不仅可用于农业灌溉与供水，还可以抵抗洪水等自然灾害的侵害。只有建设好农田水利设施，才能实现农业经济发展并保障国家的粮食安全。
由沟渠组成的水利网络是农田水利设施的重要组成部分。农田沟渠网络能够调节农田生态系统水分平衡，改变流域水文情势，在防洪治涝、保障农业生产等方面起着重要的作用。同时，作为农业生态系统的组成部分，沟渠网络对于维持农业生态系统平衡和流域生态系统健康有着重要作用。
然而现阶段我国农田水利存在较多问题。农田水利设施建成较早，使用至今已经损坏严重，且不能适应现代农业生产需求。以此同时，新修建的农田水利设施由于缺乏技术知识，没有进行良好的专业维护和管理。农田水利设施未发挥其应有的作用与功能。
随着现代化农业的发展，农田水利也需向标准化和自动化推进。利用新兴的科学技术辅助水利建设管理，动态合理配置资源并提高作物产量，用以加速我国现代化农业的发展进程。
沟渠网络的自动化提取可以支持管理者对农田水利情况进行及时可靠的监督与管理。遥感技术可以快速获取大范围的对地观测数据，为农田监测管理提供了重要数据支持。目前，遥感图像已应用于农田提取、洪水淹没区提取、农田灌溉设施的提取等。但大多数农田要素提取都是依靠遥感图像的光谱信息，而要素间的细节差异信息表达不完全。农田的高精度DEM数据在详细表达农田高程信息的同时，也涵盖了田块间的田坎、沟渠等细节信息，可以作为农田沟渠网络提取的数据支持。现有研究的提取对象多为大面积面块状的农田、淹没区等，对线状沟渠的提取研究较少。此外，对灌排沟渠的提取仅停留在要素获取层面，对提取后的沟渠未进行水文分析，无法掌控其水文特性与支持水文预测管理。
发明内容
本发明要解决的技术问题是：克服现有技术的上述不足，提供一种利用高精度DEM进行农田沟渠网络提取的方法，利用最大熵模型预测沟渠区域，降噪后矢量化为线状沟渠，并进行沟渠网络的生成及水文分析。
为了解决以上技术问题，本发明提供的农田沟渠网络自动提取方法，包括以下步骤：
第一步：地形特征提取——从原始DEM数据中提取以下5个地形特征：坡度、曲率、粗糙度、坡向值、坡向纹理值；所述坡向值表示像元拟合平面的朝向，为当前像元与八邻域像元拟合平面的朝向角度值；坡向纹理值表示指定大小的区域内坡向变化程度，将坡向值均分为8个方向：正北、东北、正东、东南、正南、西南、正西和西北，水平平面单独为一类，坡向纹理值取指定大小的区域内坡向在纵向和横向方向上的变化次数之和；
第二步：模型学习——目视选取沟渠样本点，根据原始DEM高程数据加上5个地形特征，合计6个特征进行最大熵模型学习，得到概率分布模型；
第三步：模型分类——根据学习得的模型对全区域栅格进行分类，得到沟渠概率栅格；
第四步：剔除噪声——对概率栅格二值化后剔除噪声，得到沟渠栅格区域；
第五步：建立沟渠网络——将沟渠栅格矢量化后提取中心线，得到线状沟渠并建立点-线沟渠网络；
第六步：上下游分析——针对沟渠网络，依据网络弧段的起始点和终止点的高程判断其上下游关系，建立同时具有拓扑结构和上下游关系的渠道网络。
发明的创新点在于，独创性地使用高精度DEM提取沟渠网络。利用DEM遥感数据实现农田沟渠的自动提取，弥补了光谱遥感图像目标提取细节不足的缺点；用多个地形特征结合最大熵模型实现有限样本点下的大区域目标提取；通过沟渠提取结果建立了沟渠网络，结合高程信息判断上下游关系，用以辅助后续的水文应用。
附图说明
下面结合附图对本发明的高精度DEM农田沟渠网络提取方法作进一步的说明。
图1是原始EDM转为5个地形特征示意图。
图2是最大熵模型分类示意图。
图3是模型分类得到的初始沟渠栅格。
图4是形态学处理后的沟渠栅格。
图5是提取得的矢量线状沟渠。
图6是建立的点线沟渠网络。
图7是提取结果与影像对比图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本实施例农田沟渠网络自动提取方法，包括以下步骤：
第一步、地形特征提取如图1所示，利用原始高精度DEM提取5个地形特征：坡度、曲率、粗糙度、坡向值、坡向纹理值。
各地形特征的计算方式分别如下：
坡度表示地表单元陡缓的程度，是每个像元值在从该像元到与其相邻的八个像元方向上的最大变化率。
曲率表示每个像元的表面曲率，将该像元与八个相邻像元进行表面拟合，拟合表面的中心像元处的二阶导数即为该象元的曲率。
粗糙度表示地表区域内的地形起伏变化大小，指在一个特定的区域内，地表面积与其投影面积之比，本实施例中，以3×3区域内地表面积与其投影面积之比计算得到中心像元的粗糙度。
坡向值表示像元拟合平面的朝向，以当前像元与八个相邻像元拟合平面的朝向角度值表示，取值范围为0°-360°和-1°，沿顺时针方向，0°表示正北，-1°表示平面水平朝上。
坡向纹理值表示区域内坡向变化程度，将0°-360°的坡向值均分为8个方向(正北、东北、正东、东南、正南、西南、正西和西北)，水平平面单独为一类，统计5×5区域内坡向在x方向和y方向的变化次数得到中心像元的坡向纹理值。
第二步、模型学习。通过目视选取N个沟渠训练样本点，每个样本点的输入变量由5个地形特征和原始DEM高程数据组成，输入变量记为xi，这N个沟渠样本点的输出变量yi＝1。在模型学习过程中，根据已知的训练数据集(x1,y1),(x2,y2),…,(xN,yN)利用最大熵方法学习到一个分类模型。最大熵模型学习的准则是最大熵原理：在学习概率模型时，在所有可能的概率模型中，熵最大的模型是最好的模型。通过已有约束条件可以确定满足条件的概率模型的集合，最大熵原理则为在满足约束条件的模型集合中选取熵最大的模型。图2所示，是最大熵模型分类示意图，包括第二步模型学习及第三步模型分类。
第三步、模型分类。在分类过程中，利用上一步学习到的分类模型对新的输入实例xN+1进行分类，即预测其的是否为沟渠的概率yN+1。用模型分类得到的像元值为当前像元是沟渠的概率，得到沟渠概率栅格图，此时栅格取值为0-1。选择合适阈值，将概率栅格图划分为取值为0或1的二值栅格图。本例中，阈值取0.1，栅格值小于0.1的栅格赋0值，为非沟渠区域，以白色显示；栅格值大于等于0.1的栅格赋1值，为沟渠区域，以黑色显示。得到二值结果示意如图3所示。实践表明，该阈值较为理想的取值范围在0.07-0.13。
第四步、剔除噪声。由图3可知，分类结果中仍有较多错误分类的噪声需要剔除，同时沟渠间也有一些细小的断裂需要连接。这一过程通过形态学处理实现。(1)删除错分区域：对于二值图像，将八方向上相邻且值相同的区域定义为联通区域，统计每块连通区域包含的像元个数。将像元个数少于40(一般取值范围为[30,45])的连通区域视为错分噪声区域，将错分区域栅格值转换。(2)连接断裂沟渠：将沟渠区域向外膨胀，即将值为1的沟渠联通区域向外八方向扩张3个像元单位。将扩张后的沟渠联通区域向内腐蚀3个像元单位，原先断裂处的非1值区域转化为1值的沟渠区域。图4为噪声处理结果示意图。
第五步、建立沟渠网络。将沟渠栅格矢量化为面状矢量文件，并提取沟渠中心线，提取结果如图5所示。将线状沟渠进行网络分析，将有交叉沟渠线在交点处定义节点并打断，建立点-线沟渠网络如图6所示。如图7所示为提取结果与影像对比图。
第六步、上下游分析。针对已有的沟渠网络，依据网络弧段的起始点和终止点的高程，判断沟渠弧段水流流向，建立同时具有拓扑结构和上下游关系的渠道网络。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种农田沟渠网络自动提取方法，包括以下步骤：
第一步：地形特征提取——从原始DEM数据中提取以下5个地形特征：坡度、曲率、粗糙度、坡向值、坡向纹理值；所述坡向值表示像元拟合平面的朝向，为当前像元与八邻域像元拟合平面的朝向角度值；坡向纹理值表示指定大小的区域内坡向变化程度，将坡向值均分为8个方向：正北、东北、正东、东南、正南、西南、正西和西北，水平平面单独为一类，坡向纹理值取指定大小的区域内坡向在纵向和横向方向上的变化次数之和；
第二步：模型学习——目视选取沟渠样本点，根据原始DEM高程数据加上5个地形特征，合计6个特征进行最大熵模型学习，得到概率分布模型；
第三步：模型分类——根据学习得的模型对全区域栅格进行分类，得到沟渠概率栅格；
第四步：剔除噪声——对概率栅格二值化后剔除噪声，得到沟渠栅格区域；
第五步：建立沟渠网络——将沟渠栅格矢量化后提取中心线，得到线状沟渠并建立点-线沟渠网络；
第六步：上下游分析——针对沟渠网络，依据网络弧段的起始点和终止点的高程判断其上下游关系，建立同时具有拓扑结构和上下游关系的渠道网络。
2.根据权利要求1所述的农田沟渠网络自动提取方法，其特征在于：第一步中，坡度表示地表单元陡缓的程度，是每个像元值在从该像元到与其相邻的八个像元方向上的最大变化率；曲率表示每个像元的表面曲率，将该像元与八个相邻像元进行表面拟合，拟合表面的中心像元处的二阶导数即为该象元的曲率；粗糙度表示地表区域内的地形起伏变化大小，指在一个特定的区域内，地表面积与其投影面积之比。
3.根据权利要求2所述的农田沟渠网络自动提取方法，其特征在于：第一步中，以3×3区域内地表面积与其投影面积之比计算得到中心像元的粗糙度。
4.根据权利要求3所述的农田沟渠网络自动提取方法，其特征在于：第一步中，统计5×5区域内坡向在纵向和横向方向上的变化次数之和得到中心像元的坡向纹理值。
5.根据权利要求1所述的农田沟渠网络自动提取方法，其特征在于：第三步中，栅格值小于阈值α的栅格赋0值，为非沟渠区域；栅格值大于等于阈值α的栅格赋1值，为沟渠区域，阈值α的取值范围为[0.07，0.13]。
6.根据权利要求5所述的农田沟渠网络自动提取方法，其特征在于：第三步中，阈值α＝0.1。
7.根据权利要求5所述的农田沟渠网络自动提取方法，其特征在于：第四步中，剔除噪声的方法是：将八个方向上相邻且栅格值相同的区域定义为联通区域，统计每块连通区域包含的像元个数；将像元个数少于N的连通区域视为错分噪声区域，将错分区域的栅格值改为0。
8.根据权利要求7所述的农田沟渠网络自动提取方法，其特征在于：第四步中，N的取值范围为[30,45]。
9.根据权利要求7所述的农田沟渠网络自动提取方法，其特征在于：第四步中，N＝40。
10.根据权利要求7所述的农田沟渠网络自动提取方法，其特征在于：第四步提出噪声完成后，连接断裂沟渠：将沟渠区域向外膨胀，即将值为1的沟渠联通区域向外八方向扩张3个像元单位，将扩张后的沟渠联通区域向内腐蚀3个像元单位，原先断裂处的非1值区域转化为1值的沟渠区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811338624.9A CN109447028A (zh) | 2018-11-12 | 2018-11-12 | 一种农田沟渠网络自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811338624.9A CN109447028A (zh) | 2018-11-12 | 2018-11-12 | 一种农田沟渠网络自动提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447028A true CN109447028A (zh) | 2019-03-08 |
Family
ID=65551252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811338624.9A Pending CN109447028A (zh) | 2018-11-12 | 2018-11-12 | 一种农田沟渠网络自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447028A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
| CN111476182A (zh) * | 2020-04-13 | 2020-07-31 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
| CN112861669A (zh) * | 2021-01-26 | 2021-05-28 | 中国科学院沈阳应用生态研究所 | 地表坡向约束的高分辨率dem地形特征增强提取方法 |
| CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722909A (zh) * | 2012-05-28 | 2012-10-10 | 武汉大学 | 一种基于自适应尺度dem的流水线拓扑网络动态模拟方法 |
| CN105466445A (zh) * | 2016-01-05 | 2016-04-06 | 武汉大学 | 一种基于地形语义的路径规划方法 |
| CN108171375A (zh) * | 2017-12-25 | 2018-06-15 | 广州地理研究所 | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
-
2018
- 2018-11-12 CN CN201811338624.9A patent/CN109447028A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722909A (zh) * | 2012-05-28 | 2012-10-10 | 武汉大学 | 一种基于自适应尺度dem的流水线拓扑网络动态模拟方法 |
| CN105466445A (zh) * | 2016-01-05 | 2016-04-06 | 武汉大学 | 一种基于地形语义的路径规划方法 |
| CN108171375A (zh) * | 2017-12-25 | 2018-06-15 | 广州地理研究所 | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| JERRY等: ""A Hybrid Physical and Maximum-Entropy Landslide"", 《RESEARCHGATE》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
| CN110415265B (zh) * | 2019-08-08 | 2022-09-23 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
| CN111476182A (zh) * | 2020-04-13 | 2020-07-31 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
| CN112861669A (zh) * | 2021-01-26 | 2021-05-28 | 中国科学院沈阳应用生态研究所 | 地表坡向约束的高分辨率dem地形特征增强提取方法 |
| CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
| CN113221789B (zh) * | 2021-05-21 | 2022-05-10 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447028A (zh) | 一种农田沟渠网络自动提取方法 | |
| CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
| CN109597868B (zh) | 一种大范围淤地坝位置确定方法 | |
| CN111597949B (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
| CN110232737B (zh) | 一种城市汇水区划分方法 | |
| CN109543676A (zh) | 一种基于图像处理的字轮型水表数字字符识别方法 | |
| CN105787289A (zh) | 一种河流特征数据分类系统及其分类方法 | |
| JP2017194344A (ja) | 浸水リスク診断装置、浸水リスク診断方法、制御装置及びコンピュータプログラム | |
| CN102213593A (zh) | 一种异常用地快速获取方法 | |
| CN106126911B (zh) | 一种考虑潮河水位顶托影响的城市内涝风险评估方法 | |
| CN110348342A (zh) | 一种基于全卷积网络的管道病害图像分割方法 | |
| CN104182976B (zh) | 一种野外运动目标精细化提取方法 | |
| CN109190593B (zh) | 基于凹凸类别划分的山区道路沿线边坡稳定性初步判别方法 | |
| CN112330150A (zh) | 大区域泥石流灾害可发性的早期判识方法 | |
| CN114463564B (zh) | 一种结合形态特征和径流模拟的山脊线提取方法 | |
| CN115953687A (zh) | 基于遥感技术的小微水体受损等级划分方法和装置 | |
| Shaw et al. | A methodology for preserving channel flow networks and connectivity patterns in large‐scale distributed hydrological models | |
| Mahmoodzada et al. | Monitoring of riverbank erosion and shoreline movement at Amu River using remote sensing and GIS: a case study in Jowzjan, Afghanistan | |
| CN113989677A (zh) | 一种山区河流提取方法及系统 | |
| Scherler et al. | Identification and ordering of drainage divides in digital elevation models | |
| CN112070824B (zh) | 一种黄土高塬沟壑区的梯田减沙计算方法 | |
| Wang et al. | An improved fully convolutional network for learning rich building features | |
| CN109190216A (zh) | 一种基于dem的大洲入海河流自动排序编码方法 | |
| Li et al. | Regional assessment of extreme significant wave heights in the Bohai Sea and northern Yellow Sea | |
| Šamanović et al. | Influence of pit removal algorithms on surface runoff simulation |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |