CN110390276A - 基于遥感大数据的大棚房识别方法及系统 - Google Patents
基于遥感大数据的大棚房识别方法及系统 Download PDFInfo
- Publication number
- CN110390276A CN110390276A CN201910599444.4A CN201910599444A CN110390276A CN 110390276 A CN110390276 A CN 110390276A CN 201910599444 A CN201910599444 A CN 201910599444A CN 110390276 A CN110390276 A CN 110390276A
- Authority
- CN
- China
- Prior art keywords
- green house
- index
- area
- land
- pixel
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Abstract
本发明实施例提供了一种基于遥感大数据的大棚房识别方法及系统,首先结合目标区域的土地利用信息图、交通信息和行政区图,确定出监测大棚房的重要区域;然后基于历史遥感影像确定出可能出现大棚房的重要区域的类别,利用确定出类别的重要区域对土地利用信息图进行更新,并将生成的格网叠加至更新后的土地利用信息图中;最后判断格网中是否存在上覆膜的大棚房区域,进而确定出整个目标区域内上覆膜的大棚房的空间分布信息。本发明实施例中充分考虑了大棚房的分布特征、发展时间,又考虑大棚和大棚房的时间序列的变化特征差异,使得最终得到的上覆膜的大棚房的空间分布信息具有较高的准确性。
Description
技术领域
本发明涉及遥感和地理信息技术领域,更具体地,涉及大棚房遥感识别方法及系统。
背景技术
大棚房是以农业大棚为名进行非农业建设,属于违法建设,承租方建蔬菜大棚时,在旁边和内部建设“配套用房”,俗称大棚别墅或大棚房。
大棚房主要有以下几种类型:第一种是指直接占用耕地或改变土地性质建设的私家庄园、别墅、度假酒店、经营性住宅以及餐饮、住宿、娱乐、会议等设施;第二种是指在农业大棚内违法违规占用耕地进行非农业建设,包括住宅、餐饮、娱乐、会议、交易市场、工业仓储等非农设施;第三种是指农业大棚看护性占用耕地,建设严重超标准以及违法违规改变性质和用途进行住宅类经营性开发和建设餐饮设施等。
由于大棚房分布范围比较广而且隐蔽,所以进行大规模的人工普查具有很大的难度,而且信息核对周期比较长,难以取得较好的监察效果。现有的监察大棚房的方法中多采用单一时相,通过视觉判读的方法,而且需要高分辨率的遥感数据才能完成,以像元为单元进行分析评估,而中等分辨率的遥感数据,会受到大棚周围的地物影响,而且存在大量的混合像元,存在明显的不确定性,具有较大的局限性。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种基于遥感大数据的大棚房识别方法及系统。
第一方面,本发明实施例提供了一种基于遥感大数据的大棚房识别方法,包括:
获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
获取所述重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述网格为所述大棚房区域对应的网格;
其中,上覆膜的大棚房像元为初步确定的所述大棚房区域对应的像元。
优选地,还包括:
若判断获知所述网格中存在道路像元、空地像元和其他地物像元,则确定所述网格为所述其他地物区域对应的网格;
其中,所述其他地物像元为初步确定的所述其他地物区域对应的像元。
优选地,所述基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域,具体包括:
将所述交通信息和所述行政区图叠加至所述土地利用信息图中,并将所述土地利用信息图分为多个子目标区域,计算每个子目标区域的特征指数,所述特征指数包括区位指数、交通便利指数、下垫面复杂性指数和人口经济聚集指数;
将每个子目标区域的特征指数分别进行归一化处理,确定每个子目标区域的综合特征指标,若判断所述综合特征指数大于等于第一预设阈值,则所述综合特征指数对应的子目标区域为所述重要区域。
优选地,所述下垫面复杂性指数具体包括:坡度指数和景观破碎度指数。
优选地,所述坡度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域中每个土地利用斑块的面积以及坡度,并基于每个土地利用斑块的面积以及坡度,计算所述子目标区域内的坡度指数。
优选地,所述景观破碎度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,并基于所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,计算所述子目标区域内的坡度指数。
优选地,所述基于所述遥感影像初步确定所述重要区域的类别,具体包括:
基于所述遥感影像,计算所述遥感影像内每一像元对应的历史多年相同作物生长期的第一农田动态指数、所述地物的第一动态指数、第一归一化植被指数均值、第一大棚指数均值;
若判断获知所述第一农田动态指数大于等于第二预设阈值、所述第一归一化植被指数均值小于等于第三预设阈值、所述第一动态指数大于等于第四预设阈值且所述第一大棚指数均值小于等于第五预设阈值,则确定对应的像元为改变耕地属性的像元;
对于改变耕地属性的每一像元,基于所述遥感影像,计算所述像元对应的相同作物生长期内的第二农田动态指数、所述地物的第二动态指数、第二归一化植被指数均值、第二大棚指数均值;若判断获知所述第二农田动态指数大于等于第六预设阈值、所述第二归一化植被指数均值小于等于第七预设阈值、所述第二动态指数大于等于第八预设阈值且所述大棚指数均值小于等于第九预设阈值,则确定所述像元为所述大棚房区域对应的像元;否则,所述像元为所述其他地物区域对应的像元。
第二方面,本发明实施例提供了一种大棚房遥感信息识别系统,包括:重要区域获取模块、重要区域类别确定模块、土地利用信息图更新模块和大棚房区域确定模块。其中,
重要区域获取模块用于获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
重要区域类别确定模块用于获取所述重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
土地利用信息图更新模块用于用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
大棚房区域确定模块用于生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述网格为所述大棚房区域对应的网格;
其中,上覆膜的大棚房像元为初步确定的所述大棚房区域对应的像元。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行第一方面提供的大棚房遥感信息识别方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的大棚房遥感信息识别方法。
本发明实施例提供的一种大棚房遥感信息识别方法及系统,首先结合目标区域的土地利用信息图、交通信息和行政区图,确定出监测大棚房的重要区域;然后基于历史遥感影响确定出重要区域的类别,利用确定出类别的重要区域对土地利用信息图进行更新,并将生成的格网叠加至更新后的土地利用信息图中;最后判断格网中是否存在上覆膜的大棚房区域,进而确定出整个目标区域内上覆膜的大棚房的空间分布信息。本发明实施例中充分考虑了大棚房的分布特征、发展时间,又考虑大棚和大棚房的时间序列的变化特征差异,使得最终得到的上覆膜的大棚房的空间分布信息具有较高的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种大棚房遥感信息识别方法的结构示意图;
图2为本发明实施例提供的一种大棚房遥感信息识别系统的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
如图1所示,本发明实施例提供了一种大棚房遥感信息识别方法,包括:
S1,获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
S2,获取所述重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
S3,用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
S4,生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述网格为所述大棚房区域对应的网格;
其中,上覆膜的大棚房像元为初步确定的所述大棚房区域对应的像元。
具体地,本发明实施例中提供的大棚房遥感信息识别方法,旨在在目标区域内准确确定出是否存在大棚房以及存在大棚房的具体位置。
首先,执行步骤S1,即获取目标区域的土地利用信息图、交通信息和行政区图,并基于土地利用信息图、交通信息和行政区图,确定监测大棚房的重要区域。其中,土地利用信息图中包含的是目标区域内的土地利用信息,土地利用是指人类有目的地开发利用土地资源的一切活动,土地利用信息可包括目标区域内的房屋的位置及面积、植被的位置及面积、裸土的位置及面积等。目标区域内的交通信息具体可以是道路信息,包括道路数量、道路长度、宽度以及走向等。行政区图是指目标区域内各行政区的矢量表示。目标区域内可以包括多个等级的行政区,例如可以包括市级行政区、县级行政区、乡镇级行政区和村组级行政区。相同等级的行政区又可以有多个。
将土地利用信息图、交通信息和行政区图相结合,并结合目标区域内的人口、经济,从土地利用信息图中确定出监测大棚房的重要区域,即重要区域内存在疑似大棚房的地物,通过后续步骤进一步确定重要区域内是否确定具有大棚房。疑似大棚房的地物具体为普通的大棚房、上覆膜的大棚房或者上覆膜的大棚。步骤S1中确定的重要区域可以理解为目标区域内大棚房可能存在的区域,确定重要区域可以缩小监测范围。
需要说明的是,由于目标区域内可能存在多个疑似大棚房的地物,因此在目标区域内可能确定出不止一个重要区域,即本发明实施例中确定出的重要区域的数量为:至少一个。
然后,执行步骤S2,即获取重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像。其中,疑似大棚房的地物产生前是指:疑似大棚房的地物在构建之前。历史多年具体的年数可以根据需要进行选取,本发明实施例中对此不作具体限定。例如,可以是历史10年,也可以是历史20年。相同作物生长期具体可以是每年中固定的作物生长时间段,因不同种类的作物、环境温度而不同,本发明实施例中对此不作具体限定。遥感影像具体可以是多光谱遥感影像。根据获取的遥感影像即可初步确定出重要区域的类别,即初步确定出重要区域是上覆膜的大棚房区域还是占用耕地的其他地物区域。其中,上覆膜的大棚房区域是指重要区域内存在上覆膜的大棚房,占用耕地的其他地物区域是指重要区域内存在占用耕地的其他地物,其他地物是指耕地商业用途或住宅用途的普通大棚房(即没有上覆膜的大棚房)。
然后执行步骤S3,即用初步确定出类别的重要区域替换土地利用信息图中相同位置处的地物,得到更新后的土地利用信息图。需要说明的是,本发明实施例中遥感影像的分辨率可以是中高分辨率,即可以是十米量级的分辨率,土地利用信息图的分辨率可以是高级分辨率,即可以是米量级的分辨率,本发明实施例中对此不作具体限定。步骤S3中采用重要区域对土地利用信息图进行更新,得到更新后的土地利用信息图。
最后执行步骤S4,即生成格网,并将格网叠加至更新后的土地利用信息图中。这里的格网是一个矢量化的格网,格网中每一网格的尺寸可以根据需要进行设定,将格网叠加至更新后的土地利用信息图中,则网格中的每一网格中均对应包括更新后的土地利用信息图中的多个像元。一般情况下,每一网格中可以包括多个像元。对于格网中的每一网格d(1≤d≤D,D为格网中网格的数量),若判断获知网格d中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定网格d为上覆膜的大棚房区域对应的网格。此处,道路像元是指土地利用信息图中对应于道路的像元,空地像元是指土地利用信息图中对应于空地的像元,上覆膜的大棚房像元是指土地利用信息图中对应于初步确定的上覆膜的大棚房区域的像元,即初步确定的上覆膜的大棚房区域对应的像元。
确定网格d为上覆膜的大棚房区域对应的网格的方式可以通过如下公式(1)表示。
Bwgdp=Ndl·Nkd·Ndp≥0 (1)
其中,Bwgdp为网格d的上覆膜的大棚房判定指数,Ndl为网格d中存在的道路像元的数量,Nkd为网格d中存在的空地像元的数量,Ndp为网格d中存在的上覆膜的大棚房像元的数量。当公式(1)中成立时,即Bwgdp≥0时,说明网格d中同时存在道路像元、空地像元和大棚房像元,网格d为上覆膜的大棚房区域对应的网格。
最后,确定出格网中所有上覆膜的大棚房区域对应的网格,即确定出了重要区域内上覆膜的大棚房的空间分布信息,若目标区域内包括多个重要区域,则确定出目标区域内所有重要区域内上覆膜的大棚房的空间分布信息,即得到目标区域内上覆膜的大棚房的空间分布信息。
本发明实施例中提供的大棚房遥感信息识别方法,首先结合目标区域的土地利用信息图、交通信息和行政区图,确定出监测大棚房的重要区域;然后基于历史遥感影响确定出重要区域的类别,利用确定出类别的重要区域对土地利用信息图进行更新,并将生成的格网叠加至更新后的土地利用信息图中;最后判断格网中是否存在上覆膜的大棚房区域,进而确定出整个目标区域内上覆膜的大棚房的空间分布信息。本发明实施例中充分考虑了大棚房的分布特征、发展时间,又考虑大棚和大棚房的时间序列的变化特征差异,使得最终得到的上覆膜的大棚房的空间分布信息具有较高的准确性。
在上述实施例的基础上,本发明实施例中提供的大棚房遥感信息识别方法,还包括:
若判断获知所述网格中存在道路像元、空地像元和其他地物像元,则确定所述网格为所述其他地物区域对应的网格;
其中,所述其他地物像元为初步确定的所述其他地物区域对应的像元。
具体地,本发明实施例中,对于网格中的每一网格d,如果网格d中同时存在道路像元、空地像元和其他地物像元,则确定网格d为其他地物区域对应的网格。此处,其他地物区域像元是指土地利用信息图中对应于初步确定的其他地物区域的像元,即初步确定的其他地物区域对应的像元。
确定网格d为其他地物区域对应的网格的方式可以通过如下公式(2)表示。
Bwgzy=Ndl·Nkd·Nzy≥0 (2)
其中,Bwgzy为网格d的其他地物判定指数,Ndl为网格d中存在的道路像元的数量,Nkd为网格d中存在的空地像元的数量,Nzy为网格d中存在的其他地物像元的数量。当公式(2)中成立时,即Bwgzy≥0时,说明网格d中同时存在道路像元、空地像元和其他地物像元,网格d为其他地物区域对应的网格。
确定出格网中所有其他地物区域对应的网格,即确定出了重要区域内占用耕地的其他地物的空间分布信息,若目标区域内包括多个重要区域,则确定出目标区域内所有重要区域内占用耕地的其他地物的空间分布信息,即得到目标区域内占用耕地的其他地物的空间分布信息。
本发明实施例中提供的大棚房遥感信息识别方法,可以准确确定出目标区域内耕地商业用途或住宅用途的大棚房的空间分布信息。
在上述实施例的基础上,本发明实施例中提供的大棚房遥感信息识别方法中,为避免格网的规格对上覆膜的大棚房的空间分布信息的确定产生影响,本发明实施例中还包括:
生成多个不同规格的格网,将每个格网分别叠加至更新后的所述土地利用信息图中,对于每个格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述网格为上覆膜的大棚房区域对应的网格。
最后将所有格网的确定结果进行叠加,最终确定重要区域以及目标区域内的上覆膜的大棚房的空间分布信息,可以避免漏掉对应于上覆膜的大棚房区域的位置,使结果更加准确。
相应地,对于每个格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和其他地物像元,则确定所述网格为其他地物区域对应的网格。
最后将所有格网的确定结果进行叠加,最终确定重要区域以及目标区域内的其他地物的空间分布信息,可以避免漏掉对应于其他地物区域的位置,使结果更加准确。
在上述实施例的基础上,本发明实施例中提供的大棚房遥感信息识别方法,所述基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域,具体包括:
将所述交通信息和所述行政区图叠加至所述土地利用信息图中,并将所述土地利用信息图分为多个子目标区域,计算每个子目标区域的特征指数,所述特征指数包括区位指数、交通便利指数、下垫面复杂性指数和人口经济聚集指数;
将每个子目标区域的特征指数分别进行归一化处理,确定每个子目标区域的综合特征指标,若判断所述综合特征指数大于等于第一预设阈值,则所述综合特征指数对应的子目标区域为所述重要区域。
具体地,本发明实施例中,将交通信息和行政区图叠加至土地利用信息图中,首先从土地利用信息图中提取出各行政区的核心区域,各行政区的核心区域为对应的行政区中的非农田区域;然后确定各行政区的农田区域,即各行政区的核心区域周围的区域。
并将土地利用信息图分为多个子目标区域,每个子目标区域内均包括多个土地利用斑块,土地利用斑块的划分标准可以根据需要进行设定,例如可以是按面积大小划分、可以是按土地利用类型划分、还可以是利用子目标区域内的水体划分、还可以是按子目标区域内的每一行政区划分等。
对于土地利用信息图中的每个子目标区域i(1≤i≤I,I为土地利用信息图中子目标区域的数量),计算子目标区域i的特征指数,特征指数包括子目标区域i内的区位指数、交通便利指数、下垫面复杂性指数和人口经济聚集指数。其中,子目标区域i内的区位指数用于表征子目标区域i内各行政区重要性的综合值;交通便利指数用于表征各行政区内公路的等效长度;子目标区域i内的下垫面复杂性指数用于表征子目标区域i内各土地利用斑块的下垫面复杂性;子目标区域i内的人口经济聚集指数用于表征子目标区域i内的人口经济聚集状况。
首先,确定出子目标区域i内包括的各行政区的核心区域指数,同一级别的行政区的核心区域指数相同,均用于表征行政区核心区的面积大小。子目标区域i内包括的各行政区的核心区域指数具体可通过如下公式(3)计算得到:
其中,CIi为子目标区域i内村组级行政区的核心区域指数,SCi为子目标区域i内村组级行政区的核心区域面积,SC0为村组级行政区的面积预设值;ZIi为子目标区域i内乡镇级行政区的核心区域指数,SZi为子目标区域i内乡镇级行政区的核心区域面积,SZ0为乡镇级行政区的面积预设值;XIi为子目标区域i内县级行政区的核心区域指数,SXi为子目标区域i内县级行政区的核心区域面积,SX0为县级行政区的面积预设值;SIi为子目标区域i内市级行政区的核心区域指数,SSi为子目标区域i内市级行政区的核心区域面积,SS0为市级行政区的面积预设值。SC0、SZ0、SX0、SS0均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
其中,CIi≥a1,ZIi≥a2,XIi≥a3,SIi≥a4。a1、a2、a3、a4均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
在此基础上,子目标区域i内的交通便利指数具体可通过如下公式(4)计算得到:
其中,JTIi为子目标区域i内的交通便利指数,Lj1为子目标区域i内第j1级道路的长度,1≤j1≤J1,J1为子目标区域i内道路的级别数量,kj1为子目标区域i内第j1级道路的权重系数,为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
子目标区域i内的区位指数具体可通过如下公式(5)计算得到:
其中,QIi为子目标区域i内的区位指数,b1、b2、b3、b4分别为村组级行政区、乡镇级行政区、县级行政区、市级行政区的重要性系数,均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。lj2为子目标区域i内第j2个村组级行政区到疑似大棚房的地物之间的距离,J2为子目标区域i内村组级行政区的数量,lj3为子目标区域i内第j3个乡镇级行政区到疑似大棚房的地物之间的距离,J3为子目标区域i内乡镇级行政区的数量,lj4为子目标区域i内第j4个县级行政区到疑似大棚房的地物之间的距离,J4为子目标区域i内县级行政区的数量,lj5为子目标区域i内第j5个市级行政区到疑似大棚房的地物之间的距离,J5为子目标区域i内市级行政区的数量。
子目标区域i内的下垫面复杂性指数具体包括:坡度指数和景观破碎度指数,坡度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域中每个土地利用斑块的面积以及坡度,并基于每个土地利用斑块的面积以及坡度,计算所述子目标区域内的坡度指数。
景观破碎度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,并基于所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,计算所述子目标区域内的坡度指数。
坡度指数具体可通过如下公式(6)计算得到,景观破碎度指数具体可通过如下公式(7)计算得到:
其中,SLIi为子目标区域i内的坡度指数,Sm为子目标区域i内第m个土地利用斑块的面积,SLm为子目标区域i内第m个土地利用斑块的坡度,M为子目标区域i内土地利用斑块的数量,FIi为子目标区域i内的景观破碎度指数,TAi为子目标区域i的总面积。
当SLIi≤a5,则子目标区域i被认为是高度影响区域。
子目标区域i内的人口经济聚集指数具体可通过如下公式(8)计算得到:
其中,PNIi为子目标区域i内的人口经济聚集指数,PNin为子目标区域i内的灯光遥感影像中适宜人口居住的区域单位灯光强度的第n个像元表示的人口数量,且有PNin=TPin·TPOPi/TDNi,TPin为第n个像元的灯光强度值,TPOPi为子目标区域i内的统计的人口数量,TDNi为子目标区域i内的灯光强度平均值,P0为预设人口数量值,为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
将子目标区域i的特征指数分别进行归一化处理,如公式(9)所示:
其中,X1、X2、X3、X4、X5分别为归一化后的子目标区域i内的交通便利指数、区位指数、坡度指数、景观破碎度指数、人口经济聚集指数,JTI0、QI0、SLI0、FI0、PN0分别为交通便利指数归一化阈值、区位指数归一化阈值、坡度指数归一化阈值、景观破碎度指数归一化阈值、人口经济聚集指数归一化阈值,均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
根据公式(9)进行归一化处理得到的归一化结果,确定子目标区域i的综合特征指标,如公式(10)所示:
其中,LESi为子目标区域i的综合特征指标,Wk为第k个归一化结果的权重,为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
当子目标区域i的综合特征指标LESi大于等于第一预设阈值a6,即LESi≥a6,则子目标区域i为所述重要区域,第一预设阈值a6为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
在上述实施例的基础上,本发明实施例中提供的大棚房遥感信息识别方法,所述基于所述第一类分辨率遥感影像和所述第二类分辨率遥感影像确定所述重要区域的类别,具体包括:
基于所述遥感影像,计算所述遥感影像内每一像元对应的历史多年相同作物生长期的第一农田动态指数、所述地物的第一动态指数、第一归一化植被指数均值、第一大棚指数均值;
若判断获知所述第一农田动态指数大于等于第二预设阈值、所述第一归一化植被指数均值小于等于第三预设阈值、所述第一动态指数大于等于第四预设阈值且所述大棚指数均值小于等于第五预设阈值,则确定对应的像元为改变耕地属性的像元;
对于改变耕地属性的每一像元,基于所述遥感影像,计算所述像元对应的相同作物生长期内的第二农田动态指数、所述地物的第二动态指数、第二归一化植被指数均值、第二大棚指数均值;若判断获知所述第二农田动态指数大于等于第六预设阈值、所述第二归一化植被指数均值小于等于第七预设阈值、所述第二动态指数大于等于第八预设阈值且所述大棚指数均值小于等于第九预设阈值,则确定所述像元为所述大棚房区域对应的像元;否则,所述像元为所述其他地物区域对应的像元。
具体地,本发明实施例中首先基于获取到的重要区域的遥感影像,计算遥感影像内每一像元对应的历史多年相同作物生长期的第一农田动态指数、疑似大棚房的地物的第一动态指数、第一归一化植被指数均值、第一大棚指数均值。
对于遥感影像中的每一像元b(1≤b≤B,B为遥感影像中像元的数量),像元b对应的历史Y年相同作物生长期的第一农田动态指数可通过如下公式(11)计算得到:
其中,ADIb为像元b对应的历史Y年相同作物生长期的第一农田动态指数,NDVIby为像元b对应的第y年的归一化植被指数(Normalized Difference Vegetation Index,NDVI),为像元b的第一归一化植被指数均值。
NDVIby可根据如下公式(12)计算得到:
其中,Rnir为近红外波段的反射率,Rr为红光波段的反射率。
即可通过公式(12)求解出像元b对应的所有NDVIby后求和取平均得到。
像元b对应的历史Y年相同作物生长期的疑似大棚房的地物的第一动态指数可通过如下公式(13)计算得到:
其中,DDIb为像元b对应的历史Y年相同作物生长期的疑似大棚房的地物的第一动态指数,DPIby为像元b对应的第y年的大棚指数,为像元b的第一大棚指数均值。
DPIby可根据如下公式(14)计算得到:
其中,Rc为覆膜敏感波段c的反射率,C为覆膜敏感波段的数量,Rr为红光波段的反射率。
即可通过公式(14)求解出像元b对应的所有大棚指数后求和取平均得到。
若判断获知像元b对应的历史Y年相同作物生长期的第一农田动态指数ADIb大于等于第二预设阈值a7、第一归一化植被指数均值小于等于第三预设阈值a8、像元b对应的历史Y年相同作物生长期的疑似大棚房的地物的第一动态指数DDIb大于等于第四预设阈值a9且第一大棚指数均值小于等于第五预设阈值a10,则确定对应的像元b为改变耕地属性的像元。其中,a7、a8、a9、a10均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
对于改变耕地属性的每一像元e(1≤e≤E,E为遥感影像中改变耕地属性的像元的数量),基于获取到的重要区域的遥感影像,计算像元e对应的相同作物生长期内的第二农田动态指数、疑似大棚房的地物的第二动态指数、第二归一化植被指数均值、第二大棚指数均值。
像元e对应的作物生长期的第二农田动态指数可通过如下公式(15)计算得到:
其中,SDIe为像元e对应的相同作物生长期内的第二农田动态指数,NDVIeq为像元e对应的相同作物生长期内时间节点q(1≤q≤Q,Q为作物生长期中时间节点的数量)的归一化植被指数(Normalized Difference Vegetation Index,NDVI),为像元e对应的相同作物生长期内的第二归一化植被指数均值。
NDVIeq也可根据公式(12)计算得到。即可求解出像元e对应的所有NDVIeq后求和取平均得到。
像元e对应的相同作物生长期内疑似大棚房的地物的第二动态指数可通过如下公式(16)计算得到:
其中,SDPIe为像元e对应的相同作物生长期内疑似大棚房的地物的第二动态指数,DPIeq为像元e对应的相同作物生长期内时间节点q的大棚指数,为像元e的第二大棚指数均值。
DPIeq可根据如下公式(14)计算得到,即可求解出像元e对应的所有DPIeq后求和取平均得到。
若判断获知像元e对应的相同作物生长期内的第二农田动态指数SDIe大于等于第六预设阈值a11、第二归一化植被指数均值小于等于第七预设阈值a12、像元e对应的相同作物生长期内疑似大棚房的地物的第二动态指数SDPIe大于等于第八预设阈值a13且第二大棚指数均值小于等于第九预设阈值a14,则确定对应的像元e为大棚房区域对应的像元;否则,像元e为其他地物区域对应的像元。其中,a11、a12、a13、a14均为常数,可以根据实验数据或者经验数据得到,本发明实施例中对此不作具体限定。
如图2所示,在上述实施例的基础上,本发明实施例中提供了一种大棚房遥感信息识别系统,包括:重要区域获取模块21、重要区域类别确定模块22、土地利用信息图更新模块23和大棚房区域确定模块24。其中,
重要区域获取模块21用于获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
重要区域类别确定模块22用于获取所述重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
土地利用信息图更新模块23用于用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
大棚房区域确定模块24用于生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和大棚房像元,则确定所述网格为所述大棚房区域对应的网格。
具体地,本发明实施例中提供的大棚房遥感信息识别系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,本发明实施例中在此不再赘述。
图3所示,在上述实施例的基础上,本发明实施例中提供了一种电子设备,包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和总线304;其中,
所述处理器301、存储器302、通信接口303通过总线304完成相互间的通信。所述存储器302存储有可被所述处理器301执行的程序指令,处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法。
存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,本发明实施例中提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于遥感大数据的大棚房识别方法,其特征在于,包括:
获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
获取所述重要区域内疑似大棚房产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一网格,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述网格为所述大棚房区域对应的网格;
其中,上覆膜的大棚房像元为初步确定的所述大棚房区域对应的像元。
2.根据权利要求1所述的基于遥感大数据的大棚房识别方法,其特征在于,还包括:
若判断获知所述网格中存在道路像元、空地像元和其他地物像元,则确定所述网格为所述其他地物区域对应的网格;
其中,所述其他地物像元为初步确定的所述其他地物区域对应的像元。
3.根据权利要求1所述的基于遥感的数据的大棚房识别方法,其特征在于,所述基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域,具体包括:
将所述交通信息和所述行政区图叠加至所述土地利用信息图中,并将所述土地利用信息图分为多个子目标区域,计算每个子目标区域的特征指数,所述特征指数包括区位指数、交通便利指数、下垫面复杂性指数和人口经济聚集指数;
将每个子目标区域的特征指数分别进行归一化处理,确定每个子目标区域的综合特征指标,若判断所述综合特征指数大于等于第一预设阈值,则所述综合特征指数对应的子目标区域为所述重要区域。
4.根据权利要求3所述的基于遥感大数据的大棚房识别方法,其特征在于,所述下垫面复杂性指数具体包括:坡度指数和景观破碎度指数。
5.根据权利要求4所述的基于遥感大数据的大棚房识别方法,其特征在于,所述坡度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域中每个土地利用斑块的面积以及坡度,并基于每个土地利用斑块的面积以及坡度,计算所述子目标区域内的坡度指数。
6.根据权利要求4所述的基于遥感大数据的大棚房识别方法,其特征在于,所述景观破碎度指数具体通过如下方法计算:
对于每个子目标区域,获取所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,并基于所述子目标区域的总面积以及所述子目标区域内土地利用斑块的数量,计算所述子目标区域内的坡度指数。
7.根据权利要求1-6中任一项所述的基于遥感大数据的大棚房识别方法,其特征在于,所述基于所述遥感影像初步确定所述重要区域的类别,具体包括:
基于所述遥感影像,计算所述遥感影像内每一像元对应的历史多年相同作物生长期的第一农田动态指数、所述地物的第一动态指数、第一归一化植被指数均值、第一大棚指数均值;
若判断获知所述第一农田动态指数大于等于第二预设阈值、所述第一归一化植被指数均值小于等于第三预设阈值、所述第一动态指数大于等于第四预设阈值且所述第一大棚指数均值小于等于第五预设阈值,则确定对应的像元为改变耕地属性的像元;
对于改变耕地属性的每一像元,基于所述遥感影像,计算所述像元对应的相同作物生长期内的第二农田动态指数、所述地物的第二动态指数、第二归一化植被指数均值、第二大棚指数均值;若判断获知所述第二农田动态指数大于等于第六预设阈值、所述第二归一化植被指数均值小于等于第七预设阈值、所述第二动态指数大于等于第八预设阈值且所述大棚指数均值小于等于第九预设阈值,则确定所述像元为所述大棚房区域对应的像元;否则,所述像元为所述其他地物区域对应的像元。
8.一种基于遥感大数据的大棚房识别系统,其特征在于,包括:
重要区域获取模块,用于获取目标区域的土地利用信息图、交通信息和行政区图,并基于所述土地利用信息图、所述交通信息和所述行政区图,确定监测大棚房的重要区域;
重要区域类别确定模块,用于获取所述重要区域内疑似大棚房的地物产生前历史多年相同作物生长期的遥感影像,并基于所述遥感影像初步确定所述重要区域的类别,所述重要区域的类别包括:上覆膜的大棚房区域或者占用耕地的其他地物区域;
土地利用信息图更新模块,用于用初步确定出类别的所述重要区域替换所述土地利用信息图中相同位置处的地物,得到更新后的所述土地利用信息图;
大棚房区域确定模块,用于生成格网,并将所述格网叠加至更新后的所述土地利用信息图中,对于所述格网中的每一格网,若判断获知所述网格中同时存在道路像元、空地像元和上覆膜的大棚房像元,则确定所述格网为所述大棚房区域对应的网格;
其中,上覆膜的大棚房像元为初步确定的所述大棚房区域对应的像元。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1-7中任一项所述的基于遥感大数据的大棚房识别方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的基于遥感大数据的大棚房识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599444.4A CN110390276B (zh) | 2019-07-04 | 2019-07-04 | 基于遥感大数据的大棚房识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599444.4A CN110390276B (zh) | 2019-07-04 | 2019-07-04 | 基于遥感大数据的大棚房识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390276A true CN110390276A (zh) | 2019-10-29 |
CN110390276B CN110390276B (zh) | 2021-06-22 |
Family
ID=68286246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910599444.4A Active CN110390276B (zh) | 2019-07-04 | 2019-07-04 | 基于遥感大数据的大棚房识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390276B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN105467100A (zh) * | 2015-12-29 | 2016-04-06 | 张豫 | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 |
CN106530170A (zh) * | 2016-09-21 | 2017-03-22 | 环境保护部南京环境科学研究所 | 一种区域生态保护红线的边界优化方法 |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN106909899A (zh) * | 2017-02-24 | 2017-06-30 | 中国农业大学 | 一种湿地景观演变过程的分析方法及分析系统 |
CN107239886A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的gdp密度分析系统 |
CN109165803A (zh) * | 2018-06-22 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种山地红线区生态监测方法及装置 |
-
2019
- 2019-07-04 CN CN201910599444.4A patent/CN110390276B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN105467100A (zh) * | 2015-12-29 | 2016-04-06 | 张豫 | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 |
CN106530170A (zh) * | 2016-09-21 | 2017-03-22 | 环境保护部南京环境科学研究所 | 一种区域生态保护红线的边界优化方法 |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN106909899A (zh) * | 2017-02-24 | 2017-06-30 | 中国农业大学 | 一种湿地景观演变过程的分析方法及分析系统 |
CN107239886A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的gdp密度分析系统 |
CN109165803A (zh) * | 2018-06-22 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种山地红线区生态监测方法及装置 |
Non-Patent Citations (3)
Title |
---|
WU CHAOFAN等: "Object-based classification approach for greenhouse mapping using Landsat-8 imagery", 《INTERNATIONAL JOURNAL OF AGRICULTURAL & BIOLOGICAL ENGINEERING》 * |
李静等: "TM影像中大棚菜地信息提取技术研究", 《水土保持学报》 * |
黄振国等: "基于HJ-1影像的大棚菜地遥感监测技术研究", 《中国农业资源与区划》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033914A (zh) * | 2020-09-01 | 2020-12-04 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
CN112033914B (zh) * | 2020-09-01 | 2021-04-20 | 深圳市数字城市工程研究中心 | 一种基于遥感图像的彩钢瓦厂房提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110390276B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034910B (zh) | 基于多源信息的区域尺度病虫害预测方法 | |
Richardson et al. | Strengths and limitations of assessing forest density and spatial configuration with aerial LiDAR | |
CN103955606B (zh) | 一种基于遥感技术的草原蝗灾渐进式预测方法 | |
Bryan | Physical environmental modeling, visualization and query for supporting landscape planning decisions | |
Mirici et al. | Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perceptron and Markov chain (MLP-MC). | |
CN107256451A (zh) | 农业大数据基于gis的农业适宜性评价分析方法 | |
CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
Romo-Leon et al. | Using remote sensing tools to assess land use transitions in unsustainable arid agro-ecosystems | |
Ku et al. | A comparison of multiple methods for mapping local-scale mesquite tree aboveground biomass with remotely sensed data | |
Entwisle et al. | Population growth and its spatial distribution as factors in the deforestation of Nang Rong, Thailand | |
Blanco et al. | The Phil-LiDAR 2 program: National resource inventory of the Philippines using LiDAR and other remotely sensed data | |
CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
Debeljak et al. | Modelling forest growing stock from inventory data: A data mining approach | |
CN109858180A (zh) | 一种区域作物耗水空间格局优化设计方法 | |
Elhag | Remotely sensed vegetation indices and spatial decision support system for better water consumption Regime in Nile Delta. A case study for rice cultivation suitability map | |
CN110390276A (zh) | 基于遥感大数据的大棚房识别方法及系统 | |
Favre-Bac et al. | Connectivity drives the functional diversity of plant dispersal traits in agricultural landscapes: the example of ditch metacommunities | |
CN107194857A (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
CN110222656A (zh) | 基于遥感技术的地上植被生态水定量反演方法 | |
CN108596425A (zh) | 一种多中心城市发展边界划定方法 | |
Chidi et al. | Land use intensity dynamics in the Andhikhola watershed, middle hill of Nepal | |
Vacchiano et al. | Assessing the availability of forest biomass for bioenergy by publicly available satellite imagery | |
CN109559053A (zh) | 一种基于路径距离的植被可达性度量方法 | |
Jande et al. | Prediction of Land Use Change in Katsina-Ala through a Geospatial Approach | |
Chib | Drones for conservation: integrating UAVs with field methods to classify satellite imagery to map plant communities–A case study of Drentsche AA, The Netherlands |
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 |