CN110296942A - 一种植被覆盖管理因子的动态评估方法 - Google Patents
一种植被覆盖管理因子的动态评估方法 Download PDFInfo
- Publication number
- CN110296942A CN110296942A CN201910431621.8A CN201910431621A CN110296942A CN 110296942 A CN110296942 A CN 110296942A CN 201910431621 A CN201910431621 A CN 201910431621A CN 110296942 A CN110296942 A CN 110296942A
- Authority
- CN
- China
- Prior art keywords
- moon
- coverage
- monthly
- object element
- vegetation
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种植被覆盖管理因子的动态评估方法,涉及水土保持领域。一种植被覆盖管理因子的动态评估方法,主要包括以下步骤:S1多源遥感影像数据的收集、S2D2的预处理、S3计算D2的植被覆盖度、S4计算每幅D1的植被覆盖度、S5计算每幅D1的植被覆盖度差异、S6计算高精度月MODND1T数据的植被覆盖度、S7计算月降水量栅格数据、S8计算月降雨侵蚀力和年降雨侵蚀力、S9计算月降雨侵蚀力比、S10计算月土壤流失率、S11植被覆盖管理因子集的获取。本发明的一种植被覆盖管理因子的动态评估方法,实现了MODIS影像的产品数据与高分2号卫星影像数据融合,得到了具有高时空分辨率的植被覆盖管理因子集。
Description
技术领域
本发明涉及水土保持领域,尤其涉及一种植被覆盖管理因子的动态评估方法。
背景技术
在传统的土壤侵蚀模型,植被覆盖管理因子用来定量刻画植被在降雨侵蚀中的作用。目前,随着遥感技术的发展,利用遥感技术进行植被覆盖管理因子的评估可以达到快速、高效、高精度的效果。而我国高分系列卫星的发射,高空间分辨率的影像数据变得更易获得,MODIS影像又可以提供每日的影像数据,如何将这些多源的遥感数据进行时空融合,得到高时空分辨率的遥感数据集,并应用于植被覆盖管理与土壤侵蚀的评估中,是目前土壤学领域及遥感领域的一个热点及难点问题。且目前研究植被覆盖管理因子通常采用较高分辨的遥感影像,并利用影像求解归一化植被指数(NDVI),再利用NDVI与植被覆盖管理因子的特定关系式进行求解计算,这种方法往往会使得研究区林地的植被覆盖管理因子估算的结果偏高,与实际值存在较大偏差;
发明内容
有鉴于此,本发明提供了一种植被覆盖管理因子的动态评估方法,以解决上述问题。
本发明提供一种植被覆盖管理因子的动态评估方法,主要包括以下步骤:
S1、多源遥感影像数据的收集:下载研究区域目标研究年份中每月的MODND1T影像数据D1多幅以及高分2号卫星影像数据D2一幅;
S2、D2的预处理:采用ENVI软件对S1中的所述D2进行预处理;
S3、计算D2的植被覆盖度:采用ENVI软件中的MNF变换,提高S2中的 D2的信噪比,利用PPI法提取D2的纯净像元并获取典型地物光谱,利用LSU 计算地物中植被的丰度,得到D2的植被覆盖度;
S4、计算每幅D1的植被覆盖度:采用ENVI软件中的像元二分模型分别将 S1中的每幅所述D1中的NDVI转化为植被覆盖度,以分别得到每幅D1的植被覆盖度;
S5、计算每幅D1的植被覆盖度差异:利用ArcGIS软件中的栅格计算器工具箱将S4的多幅所述D1的植被覆盖度分别与S3中的所述D2的植被覆盖度进行做差运算,得到目标研究年份一年中每幅D1的植被覆盖度差异;
S6、计算高精度月MODND1T数据的植被覆盖度:将S5中的多幅D1的植被覆盖度差异分别与S3中的所述D2的植被覆盖度进行相加运算,即得到每月的高精度月MODND1T数据的植被覆盖度。
S7、计算月降水量栅格数据:下载研究区域目标研究年份中每月的月降水量数据,利用ArcGIS软件中的克里格插值法对研究区域目标研究年份中每月的月降水量数据进行空间插值,得到研究区域目标研究年份中每月的月降水量栅格数据;
S8、计算月降雨侵蚀力和年降雨侵蚀力:根据S7中所述月降水量栅格数据计算研究区域目标研究年份中每月的月降雨侵蚀力和年降雨侵蚀力,其公式为:
这式中,R年--年降雨侵蚀力,MJ·mm/·hm2·h;
0.0125Pt 1.6295--某月的月降雨侵蚀力,
Pt--某月降水总量,mm;
t--月份;
S9、计算月降雨侵蚀力比:根据S8中的所述月降雨侵蚀力和所述年降雨侵蚀力,计算研究区域目标研究年份中的每月的月降雨侵蚀力比,其计算方法为:月降雨侵蚀力比=每月降雨侵蚀力/年降雨侵蚀力;
S10、计算月土壤流失率:利用ArcGIS软件中的栅格计算器将S9中的每月的所述月降雨侵蚀力比与S6中得到的对应月份的所述高精度月MODND1T数据的植被覆盖度一一对应的进行加权运算,得到对应月份的月土壤流失率,其运算公式为Y=log(-0.043*X),
这式中,Y--月土壤流失率,%;
X--高精度月MODND1T数据的植被覆盖度
S11、植被覆盖管理因子集的获取:利用ArcGIS软件中的栅格计算器将S10 中的每月的所述月土壤流失率与S8中得到的对应月份的所述月降雨侵蚀力一一对应的进行加权运算,得到多个月植被覆盖管理因子,并将多个所述月植被覆盖管理因子进行整理,即可得到研究区域目标研究年份的植被覆盖管理因子集,其中,运算公式为C=SLR1*Ratio1+SLR2*Ratio2+SLRn*Ration+…+ SLR12*Ratio12,
这式中,C--植被覆盖管理因子;
n--月份,n=12;
SLRn--第n个月的土壤流失率,%;
Ration--第n个月的降雨侵蚀力比例,%。
进一步地,S1中所述D1的空间分辨率为500m,时间分辨率为10d。
进一步地,S1中所述D1的下载方式为:在研究区域目标研究年份的每个月下载三幅所述D1,并连续选取十二个月的所述D1进行下载,共得到三十六幅所述D1。
进一步地,S1中所述D2为研究区域目标研究年份中NDVI值最高日期对应的D2。
进一步地,S1中所述D2的预处理包括大气校正、几何纠正、拼接和裁剪。
进一步地,S6中计算高精度月MODND1T数据的植被覆盖度还包括一下步骤:
(1)将S3中的所述D2的植被覆盖度分别与S5得到的多幅所述D1的植被覆盖度差异一一进行相加运算,得到每幅D1的高时空分辨率植被覆盖度;
(2)对同月份中的多幅所述D1的高时空分辨率植被覆盖度取平均值,即可得到的每月的所述高精度月MODND1T数据的植被覆盖度。
进一步地,S6中所述月MODND1T数据的空间分辨率为4m、时间分辨率为每月。
进一步地,S11中所述月植被覆盖管理因子的空间分辨率为4m、时间分辨率为每月。
进一步地,S11中所述植被覆盖管理因子集的空间分辨率为4m、时间分辨率为每月。
本发明提供的技术方案带来的有益效果是:本发明所述的一种植被覆盖管理因子的动态评估方法,具有以下优点:(1)实现了MODIS影像的产品数据与高分2号卫星影像数据融合,得到了具有高时空分辨率的植被覆盖管理因子集;
(2)植被覆盖管理因子的空间分辨率达到4米,时间分辨率达到每月,相比于传统Landsat计算NDVI估算植被覆盖管理因子法得到的30米空间分辨率、年时间分辨率的植被覆盖管理因子,其空间分辨率与时间分辨率的精度显著提高;
(3)本发明的动态评估方法,其评估结果精准;
(4)本发明的动态评估方法可以动态评估目标研究区域的植被覆盖管理因子,对于省域、县域、流域尺度的土壤侵蚀监测及水土保持效果监测提供精细、便利的估算方法,可有效指导并识别出研究区域目标研究年份中潜在土壤侵蚀高风险时间段,便于流域管理者与农民采取相应的保护措施,以减少水土流失造成的危害与损失。
(5)本发明的动态评估方法动态评估植被覆盖管理因子,还可以监测研究区域不同月份不同季节的植被覆盖度的变化,以及监测管理措施的布设状况,可以根据其状况进行土壤侵蚀预警。同时,季节之间的因子差异,还可以作为指导农民针对不同农作物采用特定的管理与保护措施的重要理论依据。
附图说明
图1是本发明所述一种植被覆盖管理因子的动态评估方法的流程图。
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描述。
请参考图1,本发明的实施例提供了一种植被覆盖管理因子的动态评估方法,主要包括以下步骤:
S1、多源遥感影像数据的收集:从地理空间数据云网站下载研究区域目标研究年份时间序列的MODND1T影像数据D1,数据空间分辨率为500m,时间分辨率为10d,每个月3幅D1,总共下载得到36幅D1,以及从地理空间数据云获取GF-2数据得到研究区域目标研究年份中NDVI值最高日期对应的高分 2号卫星影像数据D2,数据空间分辨率为4m;
S2、D2的预处理:采用ENVI软件对S1中得到的所述D2进行预处理,其中,D2预处理包括大气校正、几何纠正、拼接和裁剪;
S3、计算D2的植被覆盖度:采用ENVI软件中的MNF变换,提高S2中得到的所述D2的信噪比,利用PPI法提取所述D2的纯净像元并获取典型地物光谱,利用LSU计算地物中植被的丰度,得到D2的植被覆盖度;
S4、计算每幅D1的植被覆盖度:采用ENVI软件中的像元二分模型分别将 S1中得到的每幅所述D1中的NDVI转化为植被覆盖度,以分别得到每幅D1的植被覆盖度;
S5、计算每幅D1的植被覆盖度差异:利用ArcGIS软件中的栅格计算器工具箱将S3中得到的所述D2的植被覆盖度与S4得到的36幅所述D1的植被覆盖度一一进行做差运算,得到目标研究年份一年中每幅D1的植被覆盖度差异;
S6、计算月MODND1T影像数据的高时空分辨率植被覆盖度:将S3中得到的所述D2的植被覆盖度分别与S5得到的36幅所述D1的植被覆盖度差异一一进行相加运算,得到每幅D1的高时空分辨率植被覆盖度,并对同月份中的3 幅所述D1的高时空分辨率植被覆盖度取平均值,即可得到空间分辨率为4m、时间分辨率为月的12幅月MODND1T影像数据的高时空分辨率植被覆盖度。
S7、计算月降水量栅格数据:在中国气象信息中心网站下载存储在位于该研究区域内的气象站中目标研究年份中每月的月降水量数据,利用ArcGIS软件中的克里格插值法对研究区域目标研究年份中每月的月降水量数据进行空间插值,得到研究区域目标研究年份中每月的月降水量栅格数据;
S8、计算月降雨侵蚀力和年降雨侵蚀力:根据S7中得到的每月的所述月降水量栅格数据计算研究区域目标研究年份中每月的月降雨侵蚀力和年降雨侵蚀力,其公式为:
这式中,R年--年降雨侵蚀力,MJ·mm/·hm2·h;
0.0125Pt 1.6295--某月的月降雨侵蚀力,MJ·mm/·hm2·h;
Pt--某月降水总量,mm;
t--月份;
S9、计算月降雨侵蚀力比:根据S8中得到的所述月降雨侵蚀力和所述年降雨侵蚀力,计算研究区域目标研究年份中的每月的月降雨侵蚀力比,其计算方法为:月降雨侵蚀力比=每月降雨侵蚀力/年降雨侵蚀力;
S10、计算月土壤流失率:利用ArcGIS软件中的栅格计算器将S9中得到的每月的所述月降雨侵蚀力比与S6中得到的对应月份的所述月MODND1T影像数据的高时空分辨率植被覆盖度一一对应的进行加权运算,得到对应月份的月土壤流失率,其运算公式为Y=log(-0.043*X),
这式中,Y--月土壤流失率,%;
X--月MODND1T影像数据的高时空分辨率植被覆盖度,%
S11、植被覆盖管理因子集的获取:利用ArcGIS软件中的栅格计算器将S10 中得到的每月的所述月土壤流失率与S8中得到的对应月份的所述月降雨侵蚀力一一对应的进行加权运算,得到12个具有4m空间分辨率、月时间分辨率的月植被覆盖管理因子,并将12个所述月植被覆盖管理因子进行整理,即可得到研究区域目标研究年份具有4m空间分辨率,月时间分布率植被覆盖管理因子集,其中,运算公式为C=SLR1*Ratio1+SLR2*Ratio2+…SLRn*Ration+…SLR12*Ratio12,
这式中,C--植被覆盖管理因子;
n--月份;
SLRn--第n个月的土壤流失率,%;
Ration--第n个月的降雨侵蚀力比例,%。
在本文中,所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
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 (9)
1.一种植被覆盖管理因子的动态评估方法,其特征在于,主要包括以下步骤:
S1、多源遥感影像数据的收集:下载研究区域目标研究年份中每月的MODND1T影像数据D1多幅以及高分2号卫星影像数据D2一幅;
S2、D2的预处理:采用ENVI软件对S1中的所述D2进行预处理;
S3、计算D2的植被覆盖度:采用ENVI软件中的MNF变换,提高S2中的D2的信噪比,利用PPI法提取D2的纯净像元并获取典型地物光谱,利用LSU计算地物中植被的丰度,得到D2的植被覆盖度;
S4、计算每幅D1的植被覆盖度:采用ENVI软件中的像元二分模型分别将S1中的每幅所述D1中的NDVI转化为植被覆盖度,以分别得到每幅D1的植被覆盖度;
S5、计算每幅D1的植被覆盖度差异:利用ArcGIS软件中的栅格计算器工具箱将S4的多幅所述D1的植被覆盖度分别与S3中的所述D2的植被覆盖度进行做差运算,得到目标研究年份一年中每幅D1的植被覆盖度差异;
S6、计算高精度月MODND1T数据的植被覆盖度:将S5中的多幅D1的植被覆盖度差异分别与S3中的所述D2的植被覆盖度进行相加运算,即得到每月的高精度月MODND1T数据的植被覆盖度。
S7、计算月降水量栅格数据:下载研究区域目标研究年份中每月的月降水量数据,利用ArcGIS软件中的克里格插值法对研究区域目标研究年份中每月的月降水量数据进行空间插值,得到研究区域目标研究年份中每月的月降水量栅格数据;
S8、计算月降雨侵蚀力和年降雨侵蚀力:根据S7中所述月降水量栅格数据计算研究区域目标研究年份中每月的月降雨侵蚀力和年降雨侵蚀力,其公式为:
这式中,R年--年降雨侵蚀力,MJ·mm/·hm2·h;
0.0125Pt 1.6295--某月的月降雨侵蚀力,MJ·mm/·hm2·h;
Pt--某月侵蚀性降水总量(≥12mm),mm;
t--月份;
S9、计算月降雨侵蚀力比:根据S8中的所述月降雨侵蚀力和所述年降雨侵蚀力,计算研究区域目标研究年份中的每月的月降雨侵蚀力比,其计算方法为:月降雨侵蚀力比=每月降雨侵蚀力/年降雨侵蚀力;
S10、计算月土壤流失率:利用ArcGIS软件中的栅格计算器将S9中的每月的所述月降雨侵蚀力比与S6中得到的对应月份的所述高精度月MODND1T数据的植被覆盖度一一对应的进行加权运算,得到对应月份的月土壤流失率,其运算公式为Y=log(-0.043*X),
这式中,Y--月土壤流失率,%;
X--高精度月MODND1T数据的植被覆盖度,%;
S11、植被覆盖管理因子集的获取:利用ArcGIS软件中的栅格计算器将S10中的每月的所述月土壤流失率与S8中得到的对应月份的所述月降雨侵蚀力一一对应的进行加权运算,得到多个月植被覆盖管理因子,并将多个所述月植被覆盖管理因子进行整理,即可得到研究区域目标研究年份的植被覆盖管理因子集,其中,运算公式为C=SLR1*Ratio1+SLR2*Ratio2+SLRn*Ration+…+SLR12*Ratio12,
这式中,C--植被覆盖管理因子;
n--月份;
SLRn--第n个月的土壤流失率,%;
Ration--第n个月的降雨侵蚀力比例,%。
2.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S1中所述D1的空间分辨率为500m,时间分辨率为10d。
3.根据权利要求2所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S1中所述D1的下载方式为:在研究区域目标研究年份的每个月下载三幅所述D1,并连续选取十二个月的所述D1进行下载,共得到三十六幅所述D1。
4.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S1中所述D2为研究区域目标研究年份中NDVI值最高日期对应的D2。
5.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S1中所述D2的预处理包括大气校正、几何纠正、拼接和裁剪。
6.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S6中计算高精度月MODND1T数据的植被覆盖度还包括一下步骤:(1)将S3中的所述D2的植被覆盖度分别与S5得到的多幅所述D1的植被覆盖度差异一一进行相加运算,得到每幅D1的高时空分辨率植被覆盖度;
(2)对同月份中的多幅所述D1的高时空分辨率植被覆盖度取平均值,即可得到的每月的所述高精度月MODND1T数据的植被覆盖度。
7.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S6中所述月MODND1T影像数据的空间分辨率为4m、时间分辨率为每月。
8.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S11中所述月植被覆盖管理因子的空间分辨率为4m、时间分辨率为每月。
9.根据权利要求1所述的一种植被覆盖管理因子的动态评估方法,其特征在于,S11中所述植被覆盖管理因子集的空间分辨率为4m、时间分辨率为每月。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431621.8A CN110296942B (zh) | 2019-05-21 | 2019-05-21 | 一种植被覆盖管理因子的动态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431621.8A CN110296942B (zh) | 2019-05-21 | 2019-05-21 | 一种植被覆盖管理因子的动态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110296942A true CN110296942A (zh) | 2019-10-01 |
CN110296942B CN110296942B (zh) | 2020-07-07 |
Family
ID=68026968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910431621.8A Active CN110296942B (zh) | 2019-05-21 | 2019-05-21 | 一种植被覆盖管理因子的动态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110296942B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN111199099A (zh) * | 2019-12-26 | 2020-05-26 | 兰州空间技术物理研究所 | 一种基于栅极腐蚀的离子推力器运行寿命评估方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN117312746A (zh) * | 2023-08-08 | 2023-12-29 | 中国科学院地理科学与资源研究所 | 一种基于卫星降水数据的降雨侵蚀力计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
CN105426568A (zh) * | 2015-10-23 | 2016-03-23 | 中国科学院地球化学研究所 | 一种估算喀斯特地区土壤流失量的方法 |
CN105866386A (zh) * | 2016-06-06 | 2016-08-17 | 中国科学院地球化学研究所 | 一种利用军事地图测算土壤流失量的方法 |
CN107239659A (zh) * | 2017-06-01 | 2017-10-10 | 中国科学院地球化学研究所 | 一种改进的k‑rusle模型与成土速率计算土壤侵蚀的方法 |
-
2019
- 2019-05-21 CN CN201910431621.8A patent/CN110296942B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
CN105426568A (zh) * | 2015-10-23 | 2016-03-23 | 中国科学院地球化学研究所 | 一种估算喀斯特地区土壤流失量的方法 |
CN105866386A (zh) * | 2016-06-06 | 2016-08-17 | 中国科学院地球化学研究所 | 一种利用军事地图测算土壤流失量的方法 |
CN107239659A (zh) * | 2017-06-01 | 2017-10-10 | 中国科学院地球化学研究所 | 一种改进的k‑rusle模型与成土速率计算土壤侵蚀的方法 |
Non-Patent Citations (2)
Title |
---|
冯强等: "USLE/RUSLE中植被覆盖与管理因子研究进展", 《生态学报》 * |
宋现锋等: "土壤侵蚀模型中植被管理因子的遥感估算", 《北京林业大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN110927120B (zh) * | 2019-11-30 | 2023-08-04 | 内蒙古小草数字生态产业股份有限公司 | 一种植被覆盖度预警方法 |
CN111199099A (zh) * | 2019-12-26 | 2020-05-26 | 兰州空间技术物理研究所 | 一种基于栅极腐蚀的离子推力器运行寿命评估方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111598019B (zh) * | 2020-05-19 | 2023-05-26 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN117312746A (zh) * | 2023-08-08 | 2023-12-29 | 中国科学院地理科学与资源研究所 | 一种基于卫星降水数据的降雨侵蚀力计算方法 |
CN117312746B (zh) * | 2023-08-08 | 2024-03-22 | 中国科学院地理科学与资源研究所 | 一种基于卫星降水数据的降雨侵蚀力计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110296942B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110296942A (zh) | 一种植被覆盖管理因子的动态评估方法 | |
Schmidt et al. | Mapping spatio-temporal dynamics of the cover and management factor (C-factor) for grasslands in Switzerland | |
Cooper et al. | Object-based correction of LiDAR DEMs using RTK-GPS data and machine learning modeling in the coastal Everglades | |
Shruthi et al. | Object-based gully feature extraction using high spatial resolution imagery | |
Moeser et al. | Canopy closure, LAI and radiation transfer from airborne LiDAR synthetic images | |
Tomppo et al. | A sampling design for a large area forest inventory: case Tanzania | |
Xiao et al. | Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance | |
Erdody et al. | Fusion of LiDAR and imagery for estimating forest canopy fuels | |
Meusburger et al. | Soil erosion modelled with USLE and PESERA using QuickBird derived vegetation parameters in an alpine catchment | |
Meusburger et al. | Estimating vegetation parameter for soil erosion assessment in an alpine catchment by means of QuickBird imagery | |
Baba et al. | Effect of digital elevation model resolution on the simulation of the snow cover evolution in the High Atlas | |
Ørka et al. | Subalpine zone delineation using LiDAR and Landsat imagery | |
Rogers et al. | Assessment of elevation uncertainty in salt marsh environments using discrete-return and full-waveform lidar | |
Baig et al. | Above ground biomass estimation of Dalbergia sissoo forest plantation from dual-polarized ALOS-2 PALSAR data | |
Van Soesbergen et al. | Uncertainty in data for hydrological ecosystem services modelling: Potential implications for estimating services and beneficiaries for the CAZ Madagascar | |
Yadav et al. | Assessment of red-edge vegetation descriptors in a modified water cloud model for forward modelling using Sentinel–1A and Sentinel–2 satellite data | |
Acharki et al. | Soil erosion assessment in Northwestern Morocco | |
Qazi et al. | Comparison of forest aboveground biomass estimates from passive and active remote sensing sensors over Kayar Khola watershed, Chitwan district, Nepal | |
Mauri et al. | Multi-temporal modeling of road-induced overland flow alterations in a terraced landscape characterized by shallow landslides | |
Guzinski et al. | Utility of copernicus-based inputs for actual evapotranspiration modeling in support of sustainable water use in agriculture | |
Muhadi et al. | Improvement of Digital Elevation Model (DEM) using data fusion technique for oil palm replanting phase | |
Ganie et al. | A comparative analysis of the vertical accuracy of multiple open-source digital elevation models for the mountainous terrain of the north-western Himalaya | |
Agarwal et al. | Development of machine learning based approach for computing optimal vegetation index with the use of sentinel-2 and drone data | |
de Barros et al. | Impact of data sources to DEM construction and application to runoff and sediment yield modelling using LISEM model | |
Kumar et al. | Modeling and monitoring soil erosion by water using remote sensing satellite data and GIS |
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 |