CN110415265B - 基于无人机高精度dem数据的梯田自动提取方法 - Google Patents
基于无人机高精度dem数据的梯田自动提取方法 Download PDFInfo
- Publication number
- CN110415265B CN110415265B CN201910729929.0A CN201910729929A CN110415265B CN 110415265 B CN110415265 B CN 110415265B CN 201910729929 A CN201910729929 A CN 201910729929A CN 110415265 B CN110415265 B CN 110415265B
- Authority
- CN
- China
- Prior art keywords
- terrace
- gradient
- dem
- dem data
- extracting
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 7
- 239000002689 soil Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机高精度DEM数据的梯田自动提取方法，包括如下步骤：基于无人机航测技术获得DEM数据，在DEM数据基础上计算梯田坡度，所得到的坡度计算结果形成坡度数字地面模型；基于坡度数字地面模型对坡度极大值区进行提取，梯田线处于坡度的极大值区；获取梯田最终提取结果：将正地形从整个实验区域中提取出来，将提取结果作为掩膜层来提取坡度数字地面模型中的极大值，对极大值提取结果进行掩膜滤波，消除非梯田区域，得到最终梯田提取结果。本发明将基于无人机高精度DEM的坡度计算结果用于梯田微地形特征的提取，能够快速、准确的提取出完整和连续的梯田田坎特征，为水土保持、农业发展、生态环境治理等研究提供了可靠的重要依据。
Description
技术领域
本发明涉及梯田自动提取技术领域，具体涉及一种基于无人机高精度DEM数据的梯田自动提取方法。
背景技术
梯田是一种重要的人工地貌，历史悠久，据文字记载最早可追溯到秦汉时期。在人类的农耕文明历史上扮演着重要的角色。我国梯田现今主要分布在黄土高原地区和西南丘陵地区，都属于水土流失较为严重的地区。在这些区域内，大面积修建梯田可以改变地表形态，减缓坡度，缩短坡长，改变流水侵蚀的过程，从而有效地治理水土流失。同时可以有效的拦截、储蓄雨水，并加以充分应用，使得农业缺水问题得到一定程度的缓解。因此梯田的修筑深得政府和老百姓的重视，是国家推进水保工作的有效手段。此外梯田的修建还有着极大的社会效益。赵护兵等研究发现在黄土高原地区进行退耕还林以及坡改梯工程可以显著促进地区生态质量的提升。此外，可观的经济效益是梯田被广泛应用的又一重要因素。梯田的修建有效的降低了劳动成本，为实现精耕细作提供了条件，为实现山区水利化和山区高效农业的发展提供了重要的保障。通过调查研究发现，梯田能够有效的提高农作物产量，有的作物能实现增产50％～100％，果树能提高2倍左右。同时农民收入也有明显的提高。可见，梯田信息的提取，对于水土保持工作的展开，农业和生态环境的发展与治理有着重要的指引作用。
多年来，梯田信息的提取一直是相关学者关注的研究内容。早期，梯田主要依靠人工解译提取，并统计其相关信息，实现水保效应的估算。但是，该方法具有效率低下，成本较高，可重复性差等缺点。随着遥感影像和DEM数据获取手段的不断发展，前人对于梯田自动化提取的算法也展开了研究。根据其使用的数据不同，可以分为基于遥感影像的梯田自动化提取算法和基于DEM的梯田自动化提取算法。对于前者，前人提出的诸多梯田提取算法。例如，于浩等提出了基于傅立叶变换的梯田纹理特征提取。但是，受制于遥感地物分布复杂性的影响，该算法会受到如太阳倾角、地形变化及纹理不规则等因素的影响。赵汉青提出了基于面向对象的梯田提取方法研究，选用多种影像特征和地形因子对于梯田进行了准确的提取。但是，多影像和地形特征因子的参与增加了计算的复杂性，降低了结果的稳定性。对于后者，随着数字高程模型数据获取精度的不断提升，诸多学者开始基于DEM数据进行梯田的自动化提取。如代文等提出的基于DEM光照晕渲模拟的梯田自动提取，从光照晕渲模拟的角度对于梯田进行提取，提取精度高，但是提取的梯田系统性较差，梯田提取结果较为破碎。
梯田田坎线本质上是地表面的特征变换位置，也就是地形坡度转折处。因此，坡度特征是有效和准确的提取梯田的核心指标。而受制于以往DEM数据精度的限制，梯田田坎线往往难以表达在粗分辨率的DEM数据。因此，基于该DEM的坡度提取结果在以往的研究中难以用于提取梯田。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于无人机高精度DEM数据的梯田自动提取方法，其能够更为准确、快速的提取出完整和连续的梯田田坎特征，该梯田快速提取方法及结果可为水土保持、农业发展、生态环境治理等研究提供可靠的重要依据。
技术方案：为实现上述目的，本发明提供一种基于无人机高精度DEM数据的梯田自动提取方法，包括如下步骤：
S1：基于无人机航测技术获得DEM数据，在DEM数据基础上计算梯田坡度，所得到的坡度计算结果形成坡度数字地面模型；
S2：基于坡度数字地面模型对坡度极大值区进行提取，梯田线处于坡度的极大值区；
S3：获取梯田最终提取结果：将正地形从整个实验区域中提取出来，将提取结果作为掩膜层来提取坡度数字地面模型中的极大值，对极大值提取结果进行掩膜滤波，消除非梯田区域，得到最终梯田提取结果。
进一步的，目前，以数字高程模型为数据基础的坡度因子提取算法众多。其中，三阶反距离平方权差分算法由于其相对合理准确，本发明采用三阶反距离平方权差分算法对梯田坡度进行计算，其具体步骤如下：
a)使用移动的3x 3像元窗口来处理数据。如果处理像元为NoData，则该位置的输出将为NoData。
b)在每个窗口内部，基于三阶反距离权算子进行运算，算子公式如式(1)
其中，Z1～Z9代表对应的单元格的高程值，g是单元格分辨率。
c)移动窗口，直至遍历完所有的栅格单元。
进一步的，所述步骤S2中采用基于地形表面流水物理模拟分析原理的算法提取坡度极大值区，其具体步骤为：
S2-1：对基于DEM求取的坡度图像，进行填洼操作；
S2-2：计算DEM数据中每个栅格的流向和汇流累积量；
S2-3：设置汇流阈值，提取汇流累积量值大于汇流阈值的栅格作为栅格河网；
S2-4：将栅格河网转为矢量河网，此时的矢量河网，即为需要提取的坡度极大值区域。
进一步的，所述步骤S2中为了避免平行河网，对谷底平地进行修改，其具体的步骤如下：
A)将DEM数据记为INPUT_DEM，并进行流量分析；
B)设置不同的汇流阈值a1，a2，a3，a4，a5，a6，a7，a8……an，提取出河流的栅格数据，并附上非零值；
C)将原始的DEM数据减去河流的栅格数据，人为的改动了沟谷底部的高程，得到挖深后的DEM记为OUTPUT_DEM；
D)用OUTPUT_DEM替代INPUT_DEM选用更小的阈值，迭代以上的步骤，直到平行河网现象得到解决。
基于规则格网DEM提取山脊线的算法层出不穷，其中基于地形表面流水物理模拟分析原理的算法采用了DEM的整体追踪分析的思路与方法，分析结果系统性好。因此，本发明采用此算法提取极大值区。但是该算法受到DEM中沟底大量平地的影响，水流方向可能会呈现平行分布，所以在部分沟底会出现平行河网的现象。为了消除平行河网的问题，特引入上述迭代挖深算法，对于DEM沟底平地进行人为的改造。
进一步的，所述步骤S3中正地形的提取步骤如下：
S3-1：将坡度小于阈值S的区域提取出来；
S3-2：选用窗口对DEM数据进行领域分析；
S3-3：用原始的DEM数据和领域分析的结果做差，得到的结果中正地形区域象元值为正，负地形区域象元值为负，最终综合二者的结果，将正负地形分别提取出来。
所述步骤S3-3中正负地形如下式(2)表示：
所述步骤S3中也就是对梯田田坎线滤波的过程，考虑到梯田主要修建在位于正地形且坡度处于5°～25°的坡耕地上。要实现梯田的有效提取，避免负地形的干扰。需要将正地形且坡度处于5°～25°的地形从整个实验区域中提取出来。将提取结果作为掩膜层来提取的坡度数字地面模型中的极大值。掩膜运算结果可能会出现一些独立的碎线，这些碎线的长度一般远小于田坎长度，因此可以通过适当的长度阈值将其过滤。
随着无人机航测技术的不断成熟，DEM数据精度得到了快速提升，使得梯田微地形特征能够表达在高精度的DEM数据上。本发明将基于无人机高精度DEM的坡度计算结果用于梯田微地形特征的提取。首先分析了梯田在地表面的特征；其次，基于无人机航测手段获取高精度DEM数据；在此基础上，提取了高精度DEM数据下的坡度矩阵，并基于此坡度特征作为梯田提取与分割的指标，实现了梯田的准确提取。
有益效果：本发明与现有技术相比，将基于无人机高精度DEM的坡度计算结果用于梯田微地形特征的提取，能够快速、准确的提取出完整和连续的梯田田坎特征，提升了梯田提取的系统性和完整性，提高了梯田提取的呈现效果，为水土保持、农业发展、生态环境治理等研究提供了可靠的重要依据。
附图说明
图1为基于无人机高精度DEM数据的梯田自动提取方法的技术路线图；
图2为样区的DEM、DOM示意图；
图3为最终提取出的梯田结果展示图；
图4为传统算法提取下的梯田结果示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
DEM是数字高程模型的英文简称(Digital Elevation Model)，是研究分析地形、流域、地物识别的重要原始资料。DEM的原理是将流域划分为m行n列的四边形(栅格，CELL)，计算每个四边形的平均高程,然后以二维矩阵的方式存储高程。由于DEM数据能够反映一定分辨率的局部地形特征，因此通过DEM可提取大量的地表形态信息，这些信息包含流域网格单元的坡度、坡向以及单元格之间的关系等。
本实施例中通过本发明方法对梯田进行提取实验，本次实验的梯田的DEM数据以及正射影像数据(DOM)如图2所示。
如图1所示，本实施例中对于梯田进行提取的具体步骤如下：
S1：基于无人机航测技术获得1m分辨率的DEM数据，在DEM数据基础上采用三阶反距离平方权差分算法计算梯田坡度，所得到的坡度计算结果形成坡度数字地面模型：
三阶反距离平方权差分算法对梯田坡度进行计算，其具体步骤如下：
a)使用移动的3x3像元窗口来处理数据。如果处理像元为NoData，则该位置的输出将为NoData。
b)在每个窗口内部，基于三阶反距离权算子进行运算，算子公式如式(1)
其中，Z1～Z9代表对应的单元格的高程值，g是单元格分辨率。
c)移动窗口，直至遍历完所有的栅格单元。
S2：基于坡度数字地面模型对坡度极大值区进行提取，梯田线处于坡度的极大值区；
S3：获取梯田最终提取结果：将正地形从整个实验区域中提取出来，将提取结果作为掩膜层来提取坡度数字地面模型中的极大值，对极大值提取结果进行掩膜滤波，消除非梯田区域，得到最终梯田提取结果。
本实施例的步骤S2中采用基于地形表面流水物理模拟分析原理的算法提取坡度极大值区，其具体步骤为：
S2-1：对基于DEM求取的坡度图像，进行填洼操作；
S2-2：计算DEM数据中每个栅格的流向和汇流累积量；
S2-3：设置合适的汇流阈值，提取汇流累积量值大于汇流阈值的栅格作为栅格河网；
S2-4：将栅格河网转为矢量河网，此时的矢量河网，即为需要提取的坡度极大值区域。
本实施例的步骤S2中为了避免平行河网，对谷底平地进行修改，其具体的步骤如下：
A)将DEM数据记为INPUT_DEM，并进行流量分析；
B)设置不同的汇流阈值a1，a2，a3，a4，a5，a6，a7，a8……an，提取出河流的栅格数据，并附上非零值；
C)将原始的DEM数据减去河流的栅格数据，人为的改动了沟谷底部的高程，得到挖深后的DEM记为OUTPUT_DEM；
D)用OUTPUT_DEM替代INPUT_DEM选用更小的阈值，迭代以上的步骤，直到平行河网现象得到解决。
本实施例的步骤S3中正地形的提取步骤如下：
S3-1：将坡度小于一定阈值S的区域提取出来；
S3-2：选用窗口大小m*m的合适窗口对DEM数据进行领域分析；
S3-3：原来的正地形区域，因为其相对于四周的高程更高，所以领域分析后，高程会降低，同样，负地形高程应该会上升，因此用原始的DEM数据和领域分析的结果做差，得到的结果中正地形区域象元值为正，负地形区域象元值为负，其表达式如下式(2)，最终综合二者的结果，将正负地形分别提取出来。
本实施例中通过上述方法最终得到如图3所示的梯田结果展示图，图3分为三部分，分别为3a、3b和3c，其分别为梯田结果与山体阴影叠置示意图(3a)、梯田结果与DOM叠置示意图(3b)、梯田结果部分放大结果示意图(3c)。由3a、3b和3c可知，本次实施例实验提取的梯田结果具备很好的提取精度和清晰度。
为了对比验证本发明方法的效果，本实施例中采用传统算法下对图3中相同的梯田进行提取，具体提取的梯田结果如图4所示，通过图3和图4对比之下可以发现，本发明方法提取结果更加连续，精度更高。
Claims (5)
1.基于无人机高精度DEM数据的梯田自动提取方法，其特征在于：包括如下步骤：
S1：基于无人机航测技术获得DEM数据，在DEM数据基础上计算梯田坡度，所得到的坡度计算结果形成坡度数字地面模型；
S2：基于坡度数字地面模型对坡度极大值区进行提取，梯田线处于坡度的极大值区；
S3：获取梯田最终提取结果：将正地形从整个实验区域中提取出来，将提取结果作为掩膜层来提取坡度数字地面模型中的极大值，对极大值提取结果进行掩膜滤波，消除非梯田区域，得到最终梯田提取结果；
所述步骤S2中提取坡度极大值区的具体步骤为：
S2-1：对基于DEM求取的坡度图像，进行填洼操作；
S2-2：计算DEM数据中每个栅格的流向和汇流累积量；
S2-3：设置汇流阈值，提取汇流累积量值大于汇流阈值的栅格作为栅格河网；
S2-4：将栅格河网转为矢量河网，此时的矢量河网，即为需要提取的坡度极大值区域。
2.根据权利要求1所述的基于无人机高精度DEM数据的梯田自动提取方法，其特征在于：所述步骤S2中为了避免平行河网，对谷底平地进行修改，其具体的步骤如下：
A)将DEM数据记为INPUT_DEM，并进行流量分析；
B)设置不同的汇流阈值a1，a2，a3，a4，a5，a6，a7，a8……an，提取出河流的栅格数据，并附上非零值；
C)将原始的DEM数据减去河流的栅格数据，人为的改动了沟谷底部的高程，得到挖深后的DEM记为OUTPUT_DEM；
D)用OUTPUT_DEM替代INPUT_DEM选用更小的阈值，迭代以上的步骤，直到平行河网不再出现。
3.根据权利要求1所述的基于无人机高精度DEM数据的梯田自动提取方法，其特征在于：所述步骤S3中正地形的提取步骤如下：
S3-1：将坡度小于阈值S的区域提取出来；
S3-2：选用窗口对DEM数据进行邻域分析；
S3-3：用原始的DEM数据和邻域分析的结果做差，得到的结果中正地形区域象元值为正，负地形区域象元值为负，最终综合二者的结果，将正负地形分别提取出来；
所述步骤S3-3中正负地形如下式(1)表示：
4.根据权利要求1所述的基于无人机高精度DEM数据的梯田自动提取方法，其特征在于：所述步骤S3中正地形的坡度范围为5°～25°。
5.根据权利要求1所述的基于无人机高精度DEM数据的梯田自动提取方法，其特征在于：所述步骤S1中采用三阶反距离平方权差分算法对梯田坡度进行计算，其具体步骤如下：
a)使用移动的3x3像元窗口来处理数据，如果处理像元为NoData，则该位置的输出为NoData；
b)在每个窗口内部，基于三阶反距离权算子进行运算，算子公式如下
其中Z1～Z9代表对应的单元格的高程值，g是单元格分辨率；
c)移动窗口，直至遍历完所有的栅格单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729929.0A CN110415265B (zh) | 2019-08-08 | 2019-08-08 | 基于无人机高精度dem数据的梯田自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729929.0A CN110415265B (zh) | 2019-08-08 | 2019-08-08 | 基于无人机高精度dem数据的梯田自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110415265A CN110415265A (zh) | 2019-11-05 |
| CN110415265B true CN110415265B (zh) | 2022-09-23 |
Family
ID=68366593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910729929.0A Active CN110415265B (zh) | 2019-08-08 | 2019-08-08 | 基于无人机高精度dem数据的梯田自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415265B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111626996B (zh) * | 2020-05-21 | 2021-10-19 | 金陵科技学院 | 基于dem三维特征分布的滑动窗口检测方法 |
| CN111583359A (zh) * | 2020-06-01 | 2020-08-25 | 云南省地图院 | 一种农田面状图斑的坡度信息提取方法及装置 |
| CN111985422B (zh) * | 2020-08-25 | 2024-04-23 | 兰州交通大学 | 基于遥感的耕地田面坡度估算方法、估算装置 |
| CN113063375B (zh) * | 2021-03-16 | 2022-04-08 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
| CN113379828B (zh) * | 2021-06-04 | 2023-02-10 | 西北农林科技大学 | 一种融合地表形态特征的坡长提取方法 |
| CN114463564B (zh) * | 2022-04-12 | 2022-06-28 | 西南石油大学 | 一种结合形态特征和径流模拟的山脊线提取方法 |
| CN115544789B (zh) * | 2022-10-24 | 2023-06-20 | 南京师范大学 | 基于数字高程模型和坡度成本距离的河谷平原提取方法 |
| CN115839707B (zh) * | 2022-12-01 | 2024-05-14 | 河南科技大学 | 一种基于数字地形模型精准识别农田洼地特征的方法 |
| CN117291915B (zh) * | 2023-11-24 | 2024-05-10 | 云南大学 | 一种大尺度复杂地形山系范围的确定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN107844757A (zh) * | 2017-10-24 | 2018-03-27 | 河海大学 | 一种利用数字高程模型提取流域内河道宽度的方法 |
| CN109447028A (zh) * | 2018-11-12 | 2019-03-08 | 南京大学 | 一种农田沟渠网络自动提取方法 |
-
2019
- 2019-08-08 CN CN201910729929.0A patent/CN110415265B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN107844757A (zh) * | 2017-10-24 | 2018-03-27 | 河海大学 | 一种利用数字高程模型提取流域内河道宽度的方法 |
| CN109447028A (zh) * | 2018-11-12 | 2019-03-08 | 南京大学 | 一种农田沟渠网络自动提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于DEM光照晕渲模拟的梯田自动提取;代文等;《地球信息科学学报》;20170630;第756-761页 * |
| 面向无人机影像和坡度数据的梯田田块提取方法研究;胡勇;《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》;20190115;正文第9-11页，第21-22页及第35-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110415265A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415265B (zh) | 基于无人机高精度dem数据的梯田自动提取方法 | |
| Guan et al. | Monitoring long-term gully erosion and topographic thresholds in the marginal zone of the Chinese Loess Plateau | |
| Sun et al. | Assessing the effects of land use and topography on soil erosion on the Loess Plateau in China | |
| Fairfield et al. | Drainage networks from grid digital elevation models | |
| Martínez‐Casasnovas et al. | Effects of land‐use changes in vegetation cover and sidewall erosion in a gully head of the Penedès region (northeast Spain) | |
| CN110232737B (zh) | 一种城市汇水区划分方法 | |
| Fathizad et al. | The estimation of erosion and sediment by using the RUSLE model and RS and GIS techniques (Case study: Arid and semi-arid regions of Doviraj, Ilam province, Iran) | |
| CN109726698A (zh) | 基于遥感数据进行季度灌溉面积识别的方法 | |
| CN109597868B (zh) | 一种大范围淤地坝位置确定方法 | |
| CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
| CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
| CN116415318B (zh) | 一种基于数学形态学的内流区湖泊水文连通性建模方法 | |
| Zhang et al. | Quality of terrestrial data derived from UAV photogrammetry: A case study of Hetao irrigation district in northern China | |
| Yan et al. | Simulating the hydrological impacts of intensive soil and water conservation measures in the Yellow River basin using a distributed physically-based model | |
| CN114529814B (zh) | 基于多源数据的黄土高原淤地坝提取方法 | |
| CN113129318B (zh) | 一种利用sar影像计算蓄滞洪区蓄水量的方法 | |
| CN113379828B (zh) | 一种融合地表形态特征的坡长提取方法 | |
| CN110288645B (zh) | 一种基于坡向约束的地形表面面积计算方法 | |
| CN111178372B (zh) | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 | |
| CN114385959A (zh) | 一种近坝区子流域单元划分方法、装置及存储介质 | |
| CN108288284B (zh) | 一种基于地形模型阈值提取冲沟网络的方法 | |
| Almaaitah et al. | Spatial Distribution of Soil Erosion Risk using RUSLE, RS and GIS Techniques | |
| CN117409313B (zh) | 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法 | |
| Šamanović et al. | Influence of pit removal algorithms on surface runoff simulation | |
| Výleta et al. | Monitoring and assessment of water retention measures in agricultural land |
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 |