CN109872320A - 基于影像分析的边坡种植植被防护功能的检测系统及方法 - Google Patents
基于影像分析的边坡种植植被防护功能的检测系统及方法 Download PDFInfo
- Publication number
- CN109872320A CN109872320A CN201910139885.6A CN201910139885A CN109872320A CN 109872320 A CN109872320 A CN 109872320A CN 201910139885 A CN201910139885 A CN 201910139885A CN 109872320 A CN109872320 A CN 109872320A
- Authority
- CN
- China
- Prior art keywords
- area
- tested
- vegetation
- module
- data
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于影像分析的边坡种植植被防护功能的检测系统及方法,涉及边坡检测技术领域,解决了现有边坡绿化的防护性能检测的检测频率较低、浪费了大量的人力与物力以及检测效率较低的问题,其技术方案要点是:包括图像获取模块、种类分析模块、平面分布生成模块、空间分布生成模块、防护功能计算模块、防护数据输出模块和存储器,具有灵活的对各处的边坡绿化区域的防护性能进行检测,提高防护性能检测的工作效率以及准确性的效果。
Description
技术领域
本发明涉及边坡检测技术领域,更具体地说,它涉及基于影像分析的边坡种植植被防护功能的检测系统及方法。
背景技术
随着我国的经济发展以及城镇化进程的加快,相应交通、电力、矿山、水利等开发建设项目数量剧增,与此同时我国面积较大且地形复杂,因人为和自然等因素产生了大量的易侵蚀边坡和沟道。为了防止边坡和沟道出现滑坡、泥石流、崩塌、洪水等情况,一般采用边坡绿化对边坡和沟道进行防护。
目前,我国的边坡绿化分布范围较广,在对边坡种植植被的后期维护的过程中,一般采用人工定期检测边坡,通过人工检测边坡种植植被的防护性能存在以下问题:
1、人工检测的频率较低,难以满足现如今边坡绿化后期维护的需求;
2、由于边坡绿化分布范围较广,对各处的边坡种植植被进行检测浪费了大量的人力与物力;
3、人工检测的效率较低,受外界环境的实时变化,人工检测的数据与实际检测数据存在差异。
因此,如何设计一种基于影像分析的边坡种植植被防护功能的检测系统及方法是我们目前迫切需要解决的问题。
发明内容
本发明的目的是提供基于影像分析的边坡种植植被防护功能的检测系统,具有灵活的对各处的边坡绿化区域的防护性能进行检测,提高防护性能检测的工作效率以及准确性的效果。
本发明的上述技术目的是通过以下技术方案得以实现的:基于影像分析的边坡种植植被防护功能的检测系统,包括图像获取模块、种类分析模块、平面分布生成模块、空间分布生成模块、防护功能计算模块、防护数据输出模块和存储器;
所述图像获取模块,用于获取待检测区域的高光谱图像特征信息和坐标信息;
所述种类分析模块,用于根据高光谱图像技术对所述高光谱图像特征信息处理后得出所述待检测区域内的植被种类信息,并从所述存储器内获取与所述植被种类信息相匹配的防护性能数据;
所述平面分布生成模块,用于计算所述高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成所述待检测区域内的植被平面分布图像;
所述空间分布生成模块,用于根据所述坐标信息从存储器内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成所述待检测区域内的植被空间分布模型;
所述防护功能计算模块,用于根据植被空间分布模型和防护性能数据计算出所述待检测区域的防护功能数据;
所述防护数据输出模块,用于对防护功能数据整理成册后输出。
通过采用上述技术方案,利用高光谱遥感技术获取待检测区域的高光谱图像特征信息和坐标信息后,依次生成植被平面分布图像和植被空间分布模型,根据检测到的植被种类信息向植被空间分布模型内输入相应的防护性能数据,得到与当前待检测区域内的边坡绿化结构相似度较高模拟边坡,通过预设置算法计算出与待检测区域内的边坡绿化相匹配的防护性能数据,便于灵活的对各处的边坡绿化区域的防护性能进行检测,提高了防护性能检测的工作效率和准确性。
本发明进一步设置为:所述空间分布生成模块通信连接有边坡防护结构输入模块;所述防护结构输入模块将与待检测区域相匹配的边坡防护结构数据传送至空间分布生成模块后,空间分布生成模块将边坡防护结构数据和植被空间分布模型融合后生成完整的植被空间分布模型。
通过采用上述技术方案,将边坡防护结构数据与植被空间分布模型融合后形成相似度更高的模拟边坡,减少边坡防护结构施做工艺的不同而影响防护性能检测的准确性的情况发生。
本发明进一步设置为:所述防护功能计算模块设有用于输入影响所述防护功能数据的环境因素影响系数的环境因素输入模块。
通过采用上述技术方案,将影响防护功能数据的年限、气候、地质等环境因素影响系数输入防护功能计算模块,在对防护功能数据初步计算后,以环境因素影响系数为参考对初步计算的防护功能数据进行精确计算。
本发明进一步设置为:所述图像获取模块包括多个置于边坡种植区域内标定件;所述待检测区域为多边形区域,多边形区域的每个顶点对应一个标定件;所述坐标信息为划分相应所述待检测区域的所有标定件的位置信息的集合。
通过采用上述技术方案,利用标定件,便于灵活的获取不同的待检测区域,节约了待检测区域的高光谱图像特征信息获取的成本。
本发明进一步设置为:所述标定件的命名为字母与数字组合后的单序列,所述待检测区域的命名为划分相应所述待检测区域的所有标定件的单序列组合后的混合序列。
通过采用上述技术方案,便于识别不同的待检测区域。
本发明的另一目的是提供基于影像分析的边坡种植植被防护功能的检测方法,具有灵活的对各处的边坡绿化区域的防护性能进行检测,提高防护性能检测的工作效率以及准确性的效果。
本发明的上述技术目的是通过以下技术方案得以实现的:基于影像分析的边坡种植植被防护功能的检测方法,包括以下步骤:
S1:获取待检测区域的高光谱图像特征信息和坐标信息;
S2:根据高光谱图像技术对所述高光谱图像特征信息处理后得出所述待检测区域内的植被种类信息,并从所述存储器内获取与所述植被种类信息相匹配的防护性能数据;
S3:计算所述高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成所述待检测区域内的植被平面分布图像;
S4:根据所述坐标信息从存储器内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成所述待检测区域内的植被空间分布模型;
S5:根据植被空间分布模型和防护性能数据计算出所述待检测区域的防护功能数据;
S6:对防护功能数据整理成册后输出。
综上所述,本发明具有以下有益效果:利用高光谱遥感技术获取待检测区域的高光谱图像特征信息和坐标信息后,依次生成植被平面分布图像和植被空间分布模型,根据检测到的植被种类信息向植被空间分布模型内输入相应的防护性能数据,得到与当前待检测区域内的边坡绿化结构相似度较高模拟边坡,通过预设置算法计算出与待检测区域内的边坡绿化相匹配的防护性能数据,便于灵活的对各处的边坡绿化区域的防护性能进行检测,提高了防护性能检测的工作效率和准确性;将边坡防护结构数据与植被空间分布模型融合后形成相似度更高的模拟边坡,减少边坡防护结构施做工艺的不同而影响防护性能检测的准确性的情况发生;利用标定件,便于灵活的获取不同的待检测区域,节约了待检测区域的高光谱图像特征信息获取的成本。
附图说明
图1是本发明实施例1中的架构框图;
图2是本发明实施例1中标定件的布置图;
图3是本发明实施例2中的流程图。
图中:1、图像获取模块;11、种类分析模块;12、平面分布生成模块;13、空间分布生成模块;14、防护功能计算模块;15、防护数据输出模块;16、存储器;17、边坡防护结构输入模块;18、环境因素输入模块。
具体实施方式
以下结合附图1-3对本发明作进一步详细说明。
实施例1:基于影像分析的边坡种植植被防护功能的检测系统,如图1所示,包括图像获取模块1、种类分析模块11、平面分布生成模块12、空间分布生成模块13、防护功能计算模块14、防护数据输出模块15和存储器16。
图像获取模块1与种类分析模块11、平面分布生成模块12和空间分布生成模块13通信连接。图像获取模块1获取待检测区域的高光谱图像特征信息和坐标信息,并将高光谱图像特征信息传送至种类分析模块11和平面分布生成模块12,以及将坐标信息传送至空间分布生成模块13。
种类分析模块11与平面分布生成模块12、存储器16和防护功能计算模块14图像连接。种类分析模块11根据高光谱图像技术对高光谱图像特征信息处理后得出待检测区域内的植被种类信息,并从存储器16内获取与植被种类信息相匹配的防护性能数据。
平面分布生成模块12与空间分布生成模块13通信连接。平面分布生成模块12用于计算高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成待检测区域内的植被平面分布图像。
空间分布生成模块13与存储器16和防护功能计算模块14通信连接。空间分布生成模块13用于根据坐标信息从存储器16内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成待检测区域内的植被空间分布模型。
防护功能计算模块14与防护数据输出模块15通信连接。防护功能计算模块14用于根据植被空间分布模型和防护性能数据计算出待检测区域的防护功能数据。
防护数据输出模块15用于对防护功能数据整理成册后输出。利用高光谱遥感技术获取待检测区域的高光谱图像特征信息和坐标信息后,依次生成植被平面分布图像和植被空间分布模型,根据检测到的植被种类信息向植被空间分布模型内输入相应的防护性能数据,得到与当前待检测区域内的边坡绿化结构相似度较高模拟边坡,通过预设置算法计算出与待检测区域内的边坡绿化相匹配的防护性能数据,便于灵活的对各处的边坡绿化区域的防护性能进行检测,提高了防护性能检测的工作效率和准确性。
如图1所示,空间分布生成模块13通信连接有边坡防护结构输入模块17。防护结构输入模块将与待检测区域相匹配的边坡防护结构数据传送至空间分布生成模块13后,空间分布生成模块13将边坡防护结构数据和植被空间分布模型融合后生成完整的植被空间分布模型。将边坡防护结构数据与植被空间分布模型融合后形成相似度更高的模拟边坡,减少边坡防护结构施做工艺的不同而影响防护性能检测的准确性的情况发生。
如图1所示,防护功能计算模块14设有用于输入影响防护功能数据的环境因素影响系数的环境因素输入模块18。将影响防护功能数据的年限、气候、地质等环境因素影响系数输入防护功能计算模块14,在对防护功能数据初步计算后,以环境因素影响系数为参考对初步计算的防护功能数据进行精确计算。
如图1与图2所示,图像获取模块1包括多个置于边坡种植区域内标定件。待检测区域为多边形区域,多边形区域的每个顶点对应一个标定件。坐标信息为划分相应待检测区域的所有标定件的位置信息的集合。在本实施例中,多边形区域采用三角形区域。利用标定件,便于灵活的获取不同的待检测区域,节约了待检测区域的高光谱图像特征信息获取的成本。
如图1与图2所示,标定件的命名为字母与数字组合后的单序列,待检测区域的命名为划分相应待检测区域的所有标定件的单序列组合后的混合序列。在本实施例中的三角形待检测区域的三个标定件的命名分别为A1、B3和C2,则待检测区域的的命名为ABC132,便于识别不同的待检测区域。
实施例2:基于影像分析的边坡种植植被防护功能的检测方法,如图1与图3所示,包括以下步骤:
步骤一,获取待检测区域的高光谱图像特征信息和坐标信息。
步骤二,根据高光谱图像技术对高光谱图像特征信息处理后得出待检测区域内的植被种类信息,并从存储器16内获取与植被种类信息相匹配的防护性能数据。
步骤三,计算高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成待检测区域内的植被平面分布图像。
步骤四,根据坐标信息从存储器16内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成待检测区域内的植被空间分布模型。
步骤五,根据植被空间分布模型和防护性能数据计算出待检测区域的防护功能数据。
步骤六,对防护功能数据整理成册后输出。
工作原理:利用高光谱遥感技术获取待检测区域的高光谱图像特征信息和坐标信息后,依次生成植被平面分布图像和植被空间分布模型,根据检测到的植被种类信息向植被空间分布模型内输入相应的防护性能数据,得到与当前待检测区域内的边坡绿化结构相似度较高模拟边坡,通过预设置算法计算出与待检测区域内的边坡绿化相匹配的防护性能数据,便于灵活的对各处的边坡绿化区域的防护性能进行检测,提高了防护性能检测的工作效率和准确性。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (6)
1.基于影像分析的边坡种植植被防护功能的检测系统,其特征是:包括图像获取模块(1)、种类分析模块(11)、平面分布生成模块(12)、空间分布生成模块(13)、防护功能计算模块(14)、防护数据输出模块(15)和存储器(16);
所述图像获取模块(1),用于获取待检测区域的高光谱图像特征信息和坐标信息;
所述种类分析模块(11),用于根据高光谱图像技术对所述高光谱图像特征信息处理后得出所述待检测区域内的植被种类信息,并从所述存储器(16)内获取与所述植被种类信息相匹配的防护性能数据;
所述平面分布生成模块(12),用于计算所述高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成所述待检测区域内的植被平面分布图像;
所述空间分布生成模块(13),用于根据所述坐标信息从存储器(16)内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成所述待检测区域内的植被空间分布模型;
所述防护功能计算模块(14),用于根据植被空间分布模型和防护性能数据计算出所述待检测区域的防护功能数据;
所述防护数据输出模块(15),用于对防护功能数据整理成册后输出。
2.根据权利要求1所述的基于影像分析的边坡种植植被防护功能的检测系统,其特征是:所述空间分布生成模块(13)通信连接有边坡防护结构输入模块(17);所述防护结构输入模块将与待检测区域相匹配的边坡防护结构数据传送至空间分布生成模块(13)后,空间分布生成模块(13)将边坡防护结构数据和植被空间分布模型融合后生成完整的植被空间分布模型。
3.根据权利要求2所述的基于影像分析的边坡种植植被防护功能的检测系统,其特征是:所述防护功能计算模块(14)设有用于输入影响所述防护功能数据的环境因素影响系数的环境因素输入模块(18)。
4.根据权利要求1所述的基于影像分析的边坡种植植被防护功能的检测系统,其特征是:所述图像获取模块(1)包括多个置于边坡种植区域内标定件;所述待检测区域为多边形区域,多边形区域的每个顶点对应一个标定件;所述坐标信息为划分相应所述待检测区域的所有标定件的位置信息的集合。
5.根据权利要求4所述的基于影像分析的边坡种植植被防护功能的检测系统,其特征是:所述标定件的命名为字母与数字组合后的单序列,所述待检测区域的命名为划分相应所述待检测区域的所有标定件的单序列组合后的混合序列。
6.基于影像分析的边坡种植植被防护功能的检测方法,其特征是:该方法基于权利要求书1-5任意一项所述的基于影像分析的边坡种植植被防护功能的检测系统,包括以下步骤:
S1:获取待检测区域的高光谱图像特征信息和坐标信息;
S2:根据高光谱图像技术对所述高光谱图像特征信息处理后得出所述待检测区域内的植被种类信息,并从所述存储器(16)内获取与所述植被种类信息相匹配的防护性能数据;
S3:计算所述高光谱图像特征信息的NDVI和EVI两个植被指数,并结合植被种类信息生成所述待检测区域内的植被平面分布图像;
S4:根据所述坐标信息从存储器(16)内调取与待检测区域相匹配的土壤分布数据和地貌分布数据,并结合坐标信息、植被平面分布图像、土壤分布数据和地貌分布数据后生成所述待检测区域内的植被空间分布模型;
S5:根据植被空间分布模型和防护性能数据计算出所述待检测区域的防护功能数据;
S6:对防护功能数据整理成册后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139885.6A CN109872320B (zh) | 2019-02-26 | 2019-02-26 | 基于影像分析的边坡种植植被防护功能的检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139885.6A CN109872320B (zh) | 2019-02-26 | 2019-02-26 | 基于影像分析的边坡种植植被防护功能的检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872320A true CN109872320A (zh) | 2019-06-11 |
CN109872320B CN109872320B (zh) | 2022-05-10 |
Family
ID=66919191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139885.6A Active CN109872320B (zh) | 2019-02-26 | 2019-02-26 | 基于影像分析的边坡种植植被防护功能的检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872320B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117853938A (zh) * | 2024-03-08 | 2024-04-09 | 鲸服科技有限公司 | 基于图像识别的生态监测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101503692B1 (ko) * | 2014-12-17 | 2015-03-20 | 주식회사 동우기술단 | 토목구조물 및 건축물 안전진단시 광학렌즈 및 망원렌즈를 이용한 정밀안전진단 장비 |
CA2970038A1 (en) * | 2014-12-18 | 2016-06-23 | Groundprobe Pty Ltd | Geo-positioning |
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN106908415A (zh) * | 2017-02-24 | 2017-06-30 | 郑州大学 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
-
2019
- 2019-02-26 CN CN201910139885.6A patent/CN109872320B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101503692B1 (ko) * | 2014-12-17 | 2015-03-20 | 주식회사 동우기술단 | 토목구조물 및 건축물 안전진단시 광학렌즈 및 망원렌즈를 이용한 정밀안전진단 장비 |
CA2970038A1 (en) * | 2014-12-18 | 2016-06-23 | Groundprobe Pty Ltd | Geo-positioning |
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
CN106908415A (zh) * | 2017-02-24 | 2017-06-30 | 郑州大学 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
Non-Patent Citations (2)
Title |
---|
WEN-JIE NIU: "Earth slope safety factor enhance with zoology protective technologies", 《2011 SECOND INTERNATIONAL CONFERENCE ON MECHANIC AUTOMATION AND CONTROL ENGINEERING》 * |
罗珂 等: "毛坝至陕川界高速公路边坡生态防护技术及其应用研究", 《中国农业资源与区划》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111476182B (zh) * | 2020-04-13 | 2021-06-01 | 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 |
CN117853938A (zh) * | 2024-03-08 | 2024-04-09 | 鲸服科技有限公司 | 基于图像识别的生态监测系统及方法 |
CN117853938B (zh) * | 2024-03-08 | 2024-05-10 | 鲸服科技有限公司 | 基于图像识别的生态监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109872320B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lindberg et al. | Urban Multi-scale Environmental Predictor (UMEP): An integrated tool for city-based climate services | |
Chen et al. | Remote sensing and GIS-based integrated analysis of coastal changes and their environmental impacts in Lingding Bay, Pearl River Estuary, South China | |
CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
Small | Spatiotemporal dimensionality and Time-Space characterization of multitemporal imagery | |
CN102706876B (zh) | 固体污染源区域的监测方法和装置以及数据处理设备 | |
Sarkar | Accuracy assessment and analysis of land use land cover change using geoinformatics technique in Raniganj Coalfield Area, India | |
CN103903014A (zh) | 一种基于卫星遥感技术的荒漠化判释方法 | |
CN101964009A (zh) | 一种基于insar制作3d产品的系统及方法 | |
CN109872320A (zh) | 基于影像分析的边坡种植植被防护功能的检测系统及方法 | |
Mauro et al. | Mapping land use impact of photovoltaic farms via crowdsourcing in the Province of Lecce (Southeastern Italy) | |
Aquino et al. | Disentangling the effects of hydro-climatic factors and land use intensification on wetland vegetation dynamics in the Lower Delta of the Paraná River | |
CN106842136A (zh) | 结合地理环境对雷达探测结果进行融合处理的方法 | |
Virk et al. | Comparison of techniques for forest change mapping using Landsat data in Karnataka, India | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
Kargashin et al. | Data processing as a critical part of GIS based mapping of renewable energy perspectives | |
CN106203891A (zh) | 基于多源遥感影像数据的国土开发密度三维综合评价方法 | |
Tian et al. | A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region | |
Jande et al. | Land use/landcover change detection mapping of Apa local government area, Benue state, Nigeria | |
Deng et al. | Abandoned Farmland Extraction and Feature Analysis Based on Multi-Sensor Fused Normalized Difference Vegetation Index Time Series—A Case Study in Western Mianchi County | |
Erturk et al. | Determination of land-use dynamics in a lagoon watershed by remotely sensed data | |
Salmabai et al. | Areal fluctuations monitoring of Al-Azim/Al-Havizeh wetland during the 1986–2017 period, using time-series Landsat data | |
Ziwei et al. | Analysis of time–space dynamic simulation on urban expansion in mountainous area based on the weight-CA model | |
Clarke et al. | Spatial resolution and algorithm choice as modifiers of downslope flow computed from digital elevation models | |
CN104134158A (zh) | 一种核电厂景观干扰分析方法 | |
Guertin et al. | Emerging tools and technologies in watershed management |
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 |