CN110596008A - 基于地块的中国洪积平原农业区土壤养分数字制图方法 - Google Patents

基于地块的中国洪积平原农业区土壤养分数字制图方法 Download PDF

Info

Publication number
CN110596008A
CN110596008A CN201910840865.1A CN201910840865A CN110596008A CN 110596008 A CN110596008 A CN 110596008A CN 201910840865 A CN201910840865 A CN 201910840865A CN 110596008 A CN110596008 A CN 110596008A
Authority
CN
China
Prior art keywords
soil
plot
covariates
data
chinese
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
Application number
CN201910840865.1A
Other languages
English (en)
Other versions
CN110596008B (zh
Inventor
董文
骆剑承
孙营伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201910840865.1A priority Critical patent/CN110596008B/zh
Publication of CN110596008A publication Critical patent/CN110596008A/zh
Application granted granted Critical
Publication of CN110596008B publication Critical patent/CN110596008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Agronomy & Crop Science (AREA)
  • Analytical Chemistry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Immunology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于地块的中国洪积平原农业区土壤养分数字制图方法，包括以下步骤：利用遥感监测技术获取数据，然后自动提取地块的边界、进行空间分解和典型点生成、建立基于地块的土壤养分含量与景观之间的关系，建立和实施预测模型以及对预测模型的预测精度进行评价；本发明通过利用遥感监测技术、GPS以及GIS技术可以实现更精细的土壤养分数据获取，基于地块的土壤养分数字制图可以有效地减少复杂农业区域的制图单元，从而将预测算法效率提高约4倍，并且在细节层面上也能获得更好的效果，基于地块壤养分数字制图具有良好的预测精度、计算效率，能绘制精细分辨率的表层土壤养分细节。

Description

基于地块的中国洪积平原农业区土壤养分数字制图方法
技术领域
本发明涉及农业技术领域，尤其涉及基于地块的中国洪积平原农业区土壤养分数字制图方法。
背景技术
土壤养分是最重要的土壤成分，直接影响植物生长和人类生活的原材料供应，精准农业(PA)旨在通过跨时空变化对种植环境进行精确管理，并为施用化学品和化肥提供有效指导，帮助实施者降低生产成本和土壤污染，大面积的土壤养分精细化制图在精准农业的决策过程中至关重要，数字土壤测绘(DSM)是一种相对有效的方法，当无法快速、廉价地获得土壤特征时，可以获得PA所需的细尺度土壤信息。
现有的基于网格或非基于网格的数字土壤制图(DSM)存在着输入信息单元混合的问题，使得制图结果不适合直接用于指导精准农业的实施，地块是农业生产活动的基本经营单位，对农业应用具有现实的地理意义，因此，本发明提出基于地块的中国洪积平原农业区土壤养分数字制图方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明提出基于地块的中国洪积平原农业区土壤养分数字制图方法，通过利用遥感监测技术、GPS以及GIS技术可以实现更精细的土壤养分数据获取，基于地块的土壤养分数字制图可以有效地减少复杂农业区域的制图单元，从而将预测算法效率提高约4 倍，并且在细节层面上也能获得更好的效果，基于地块壤养分数字制图具有良好的预测精度、计算效率，能绘制精细分辨率的表层土壤养分细节。
本发明提出基于地块的中国洪积平原农业区土壤养分数字制图方法，包括以下步骤：
步骤一：利用遥感监测技术在研究区域内获取监测时间内的中高分辨率卫星影像数据，作为判别地块数据属性的依据，再对获取的中高分辨率卫星影像数据进行融合，然后从融合数据中利用CNN方法进行自动提取研究区域内各个地块的边界；
步骤二：获取环境协变量以及利用GPS接收机进行土壤样本数据的采集，并进行室内养分测试，得到采样点养分含量，再将GPS点位信息数据导入GIS软件中，建立土壤养分数据库，利用GIS技术进行空间分解和典型点生成，对环境协变量数据进行内插，再将环境协变量数据分配给提取的地块；
步骤三：建立基于地块的土壤养分含量与景观之间的关系，利用部分土壤样本数据建立预测模型，并在地块级别重新校准环境协变量，然后在研究区域实施预测模型；
步骤四：利用土壤采样数据建立测试集，对预测模型的预测精度进行评价。
进一步改进在于：所述步骤一中具体过程为：首先通过在研究区域叠加道路和河流地图，建立区域划分网络图，再将研究区域的融合图像分割成多个子区域图像，然后利用VGG16网络提取每个子区域的边缘概率图，最后对边缘概率图进行Canny边缘检测引导下的矢量化处理。
进一步改进在于：所述步骤二中获取环境协变量时，通过计算该地块中一个或多个典型点的预测属性值或环境协变量值，将地块作为制图单元插值。
进一步改进在于：所述步骤二中空间分解时，考虑到土壤性质的空间变异性和土壤景观关系，利用典型的点生成方法，根据公式(1) 得出一个阈值，土壤养分的空间半变异函数用f(x)表示；
当空间距离较小时，可以假定土壤养分值与空间距离呈线性关系，阈值公式如公式(2)所示：
Lmax＝α×(Pmax-Pmin)/k (2)
其中，Pmax是土壤养分的最大值，Pmin是土壤养分的最小值，α是可接受的最大偏差比，k是一个常数，表示属性值和空间距离之间的关系，为了简化计算，可以将k设置为从变差函数模拟中选择的近似斜率。
进一步改进在于：所述步骤二中典型点生成时，通过比较地块最长边与阈值，将地块分为两类，将多边形的中心点作为最长边低于阈值的地块的典型点，通过空间分解将最长边在阈值以上的地块划分为若干次多边形，并以次多边形的中心点作为典型点。
进一步改进在于：所述步骤二中空间分解时，从环境协变量中选择土壤母质、地貌类型和灌溉指数作为空间分解的主要辅助因子，典型点生成时，为了提高计算效率，不使用小于一定面积的子多边形生成典型点。
进一步改进在于：所述步骤三中在地块级别重新校准环境协变量时，对于网格格式环境协变量，需要计算位于分解多边形边界内的像素；对于分类环境协变量，需要将像素最多的类别定义为该多边形的类别、对于定量环境协变量，需要将所有像素的平均值计算为该多边形的值；对于矢量格式环境协变量，需要计算与分解多边形边界相交的多边形；对于分类变量，将相交面积最大的多边形的类别定义为该分解多边形的类别、对于定量变量，根据相交面积的大小计算加权平均值作为该分解多边形的值。
进一步改进在于：所述步骤四中利用土壤采样数据对其预测精度进行评价时，将土壤采样数据样本按照7:3的比例分为训练集和测试集，然后利用训练集分析空间变异性或建立交叉验证模型的土壤养分性质与环境协变量之间的关系，利用测试集独立验证模型，最后选取三个常用指标对模型的性能进行比较。
本发明的有益效果为：通过利用遥感监测技术、GPS以及GIS技术可以实现更精细的土壤养分数据获取，基于地块的土壤养分数字制图可以有效地减少复杂农业区域的制图单元，从而将预测算法效率提高约4倍，并且在细节层面上也能获得更好的效果，基于地块壤养分数字制图具有良好的预测精度、计算效率，能绘制精细分辨率的表层土壤养分细节。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
本实施例提出基于地块的中国洪积平原农业区土壤养分数字制图方法，包括以下步骤：
步骤一：利用遥感监测技术在研究区域内获取监测时间内的中高分辨率卫星影像数据，作为判别地块数据属性的依据，再对获取的中高分辨率卫星影像数据进行融合，然后从融合数据中利用CNN方法进行自动提取研究区域内各个地块的边界，首先通过在研究区域叠加道路和河流地图，建立区域划分网络图，再将研究区域的融合图像分割成多个子区域图像，然后利用VGG16网络提取每个子区域的边缘概率图，最后对边缘概率图进行Canny边缘检测引导下的矢量化处理；
步骤二：获取环境协变量以及利用GPS接收机进行土壤样本数据的采集，并进行室内养分测试，得到采样点养分含量，再将GPS点位信息数据导入GIS软件中，建立土壤养分数据库，利用GIS技术进行空间分解和典型点生成，对环境协变量数据进行内插，再将环境协变量数据分配给提取的地块，获取环境协变量时，通过计算该地块中多个典型点的环境协变量值，将地块作为制图单元插值，空间分解时，考虑到土壤性质的空间变异性和土壤景观关系，利用典型的点生成方法，根据公式(1)得出一个阈值，土壤养分的空间半变异函数用f(x)表示；
当空间距离较小时，可以假定土壤养分值与空间距离呈线性关系，阈值公式如公式(2)所示：
Lmax＝α×(Pmax-Pmin)/k (2)
其中，Pmax是土壤养分的最大值，Pmin是土壤养分的最小值，α是可接受的最大偏差比，k是一个常数，表示属性值和空间距离之间的关系，为了简化计算，可以将k设置为从变差函数模拟中选择的近似斜率；空间分解时，从环境协变量中选择土壤母质、地貌类型和灌溉指数作为空间分解的主要辅助因子，典型点生成时，为了提高计算效率，不使用小于一定面积的子多边形生成典型点；
典型点生成时，通过比较地块最长边与阈值，将地块分为两类，将多边形的中心点作为最长边低于阈值的地块的典型点，通过空间分解将最长边在阈值以上的地块划分为若干次多边形，并以次多边形的中心点作为典型点；
步骤三：建立基于地块的土壤养分含量与景观之间的关系，利用部分土壤样本数据建立预测模型，并在地块级别重新校准环境协变量，然后在研究区域实施预测模型，在地块级别重新校准环境协变量时，对于网格格式环境协变量，需要计算位于分解多边形边界内的像素；对于分类环境协变量，需要将像素最多的类别定义为该多边形的类别、对于定量环境协变量，需要将所有像素的平均值计算为该多边形的值；对于矢量格式环境协变量，需要计算与分解多边形边界相交的多边形；对于分类变量，将相交面积最大的多边形的类别定义为该分解多边形的类别、对于定量变量，根据相交面积的大小计算加权平均值作为该分解多边形的值；
步骤四：利用土壤采样数据建立测试集，对预测模型的预测精度进行评价，用土壤采样数据对其预测精度进行评价时，将土壤采样数据样本按照7:3的比例分为训练集和测试集，然后利用训练集分析空间变异性或建立交叉验证模型的土壤养分性质与环境协变量之间的关系，利用测试集独立验证模型，最后选取三个常用指标对模型的性能进行比较。
通过利用遥感监测技术、GPS以及GIS技术可以实现更精细的土壤养分数据获取，基于地块的土壤养分数字制图可以有效地减少复杂农业区域的制图单元，从而将预测算法效率提高约4倍，并且在细节层面上也能获得更好的效果，基于地块壤养分数字制图具有良好的预测精度、计算效率，能绘制精细分辨率的表层土壤养分细节。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于，包括以下步骤：
步骤一：利用遥感监测技术在研究区域内获取监测时间内的中高分辨率卫星影像数据，作为判别地块数据属性的依据，再对获取的中高分辨率卫星影像数据进行融合，然后从融合数据中利用CNN方法进行自动提取研究区域内各个地块的边界；
步骤二：获取环境协变量以及利用GPS接收机进行土壤样本数据的采集，并进行室内养分测试，得到采样点养分含量，再将GPS点位信息数据导入GIS软件中，建立土壤养分数据库，利用GIS技术进行空间分解和典型点生成，对环境协变量数据进行内插，再将环境协变量数据分配给提取的地块；
步骤三：建立基于地块的土壤养分含量与景观之间的关系，利用部分土壤样本数据建立预测模型，并在地块级别重新校准环境协变量，然后在研究区域实施预测模型；
步骤四：利用土壤采样数据建立测试集，对预测模型的预测精度进行评价。
2.根据权利要求1所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤一中具体过程为：首先通过在研究区域叠加道路和河流地图，建立区域划分网络图，再将研究区域的融合图像分割成多个子区域图像，然后利用VGG16网络提取每个子区域的边缘概率图，最后对边缘概率图进行Canny边缘检测引导下的矢量化处理。
3.根据权利要求1所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤二中获取环境协变量时，通过计算该地块中一个或多个典型点的预测属性值或环境协变量值，将地块作为制图单元插值。
4.根据权利要求1所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤二中空间分解时，考虑到土壤性质的空间变异性和土壤景观关系，利用典型的点生成方法，根据公式(1)得出一个阈值，土壤养分的空间半变异函数用f(x)表示；
当空间距离较小时，可以假定土壤养分值与空间距离呈线性关系，阈值公式如公式(2)所示：
Lmax＝α×(Pmax-Pmin)/k (2)
其中，Pmax是土壤养分的最大值，Pmin是土壤养分的最小值，α是可接受的最大偏差比，k是一个常数，表示属性值和空间距离之间的关系，为了简化计算，可以将k设置为从变差函数模拟中选择的近似斜率。
5.根据权利要求4所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤二中典型点生成时，通过比较地块最长边与阈值，将地块分为两类，将多边形的中心点作为最长边低于阈值的地块的典型点，通过空间分解将最长边在阈值以上的地块划分为若干次多边形，并以次多边形的中心点作为典型点。
6.根据权利要求4所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤二中空间分解时，从环境协变量中选择土壤母质、地貌类型和灌溉指数作为空间分解的主要辅助因子，典型点生成时，为了提高计算效率，不使用小于一定面积的子多边形生成典型点。
7.根据权利要求1所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤三中在地块级别重新校准环境协变量时，对于网格格式环境协变量，需要计算位于分解多边形边界内的像素；对于分类环境协变量，需要将像素最多的类别定义为该多边形的类别、对于定量环境协变量，需要将所有像素的平均值计算为该多边形的值；对于矢量格式环境协变量，需要计算与分解多边形边界相交的多边形；对于分类变量，将相交面积最大的多边形的类别定义为该分解多边形的类别、对于定量变量，根据相交面积的大小计算加权平均值作为该分解多边形的值。
8.根据权利要求1所述的基于地块的中国洪积平原农业区土壤养分数字制图方法，其特征在于：所述步骤四中利用土壤采样数据对其预测精度进行评价时，将土壤采样数据样本按照7:3的比例分为训练集和测试集，然后利用训练集分析空间变异性或建立交叉验证模型的土壤养分性质与环境协变量之间的关系，利用测试集独立验证模型，最后选取三个常用指标对模型的性能进行比较。
CN201910840865.1A 2019-09-06 2019-09-06 基于地块的中国洪积平原农业区土壤养分数字制图方法 Active CN110596008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910840865.1A CN110596008B (zh) 2019-09-06 2019-09-06 基于地块的中国洪积平原农业区土壤养分数字制图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910840865.1A CN110596008B (zh) 2019-09-06 2019-09-06 基于地块的中国洪积平原农业区土壤养分数字制图方法

Publications (2)

Publication Number Publication Date
CN110596008A true CN110596008A (zh) 2019-12-20
CN110596008B CN110596008B (zh) 2020-10-23

Family

ID=68857936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910840865.1A Active CN110596008B (zh) 2019-09-06 2019-09-06 基于地块的中国洪积平原农业区土壤养分数字制图方法

Country Status (1)

Country Link
CN (1) CN110596008B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652932A (zh) * 2020-04-20 2020-09-11 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像地理定位的矢量验证方法、装置及设备
CN111738119A (zh) * 2020-06-12 2020-10-02 云南电网有限责任公司电力科学研究院 一种基于modis卫星监测的森林山火面积估算方法及装置
CN112686995A (zh) * 2020-12-25 2021-04-20 浙江弄潮儿智慧科技有限公司 一种红树林智能监管系统
WO2022173383A1 (en) * 2021-02-11 2022-08-18 Saengprachatanarug Khwantri Method for determining height of crop covered soil surface from sea level through use of aerial photographs
CN116206011A (zh) * 2023-05-05 2023-06-02 江西有色地质矿产勘查开发院 基于多源数据的数字土壤制图方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984353A (zh) * 2010-10-26 2011-03-09 南京信息工程大学 一种生态林土壤有机碳储量估算方法
CN102841081A (zh) * 2012-08-30 2012-12-26 湖南科技大学 有色金属矿区土-水界面污染流中各重金属分布预测方法
CN103559506A (zh) * 2013-11-19 2014-02-05 中国科学院地理科学与资源研究所 一种基于矢量边界的亚像元制图方法
CN105911037A (zh) * 2016-04-19 2016-08-31 湖南科技大学 锰矿区土水界面污染流中锰及伴生重金属分布预测方法
CN108959661A (zh) * 2018-08-20 2018-12-07 安徽大学 一种基于3s技术的土壤养分等级分类图生成方法及其精度评价方法
CN109829589A (zh) * 2019-02-14 2019-05-31 中科赛诺（北京）科技有限公司 制作土壤施肥处方图的方法、土壤精准施肥处方图及应用
CN110115142A (zh) * 2019-04-25 2019-08-13 中科赛诺（北京）科技有限公司 一种基于遥感数据的农田变量施肥方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984353A (zh) * 2010-10-26 2011-03-09 南京信息工程大学 一种生态林土壤有机碳储量估算方法
CN102841081A (zh) * 2012-08-30 2012-12-26 湖南科技大学 有色金属矿区土-水界面污染流中各重金属分布预测方法
CN103559506A (zh) * 2013-11-19 2014-02-05 中国科学院地理科学与资源研究所 一种基于矢量边界的亚像元制图方法
CN105911037A (zh) * 2016-04-19 2016-08-31 湖南科技大学 锰矿区土水界面污染流中锰及伴生重金属分布预测方法
CN108959661A (zh) * 2018-08-20 2018-12-07 安徽大学 一种基于3s技术的土壤养分等级分类图生成方法及其精度评价方法
CN109829589A (zh) * 2019-02-14 2019-05-31 中科赛诺（北京）科技有限公司 制作土壤施肥处方图的方法、土壤精准施肥处方图及应用
CN110115142A (zh) * 2019-04-25 2019-08-13 中科赛诺（北京）科技有限公司 一种基于遥感数据的农田变量施肥方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘鹏飞: "《中国优秀硕士学位论文全文数据库 基础科学辑》", 15 April 2012 *
骆剑承等: "地理时空大数据协同计算技术", 《地球信息科学》 *
骆剑承等: "遥感影像生理认知概念模型和方法体系", 《遥感技术与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652932A (zh) * 2020-04-20 2020-09-11 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像地理定位的矢量验证方法、装置及设备
CN111652932B (zh) * 2020-04-20 2023-05-02 国家卫星气象中心(国家空间天气监测预警中心) 一种遥感图像地理定位的矢量验证方法、装置及设备
CN111738119A (zh) * 2020-06-12 2020-10-02 云南电网有限责任公司电力科学研究院 一种基于modis卫星监测的森林山火面积估算方法及装置
CN111738119B (zh) * 2020-06-12 2024-02-09 云南电网有限责任公司电力科学研究院 一种基于modis卫星监测的森林山火面积估算方法及装置
CN112686995A (zh) * 2020-12-25 2021-04-20 浙江弄潮儿智慧科技有限公司 一种红树林智能监管系统
CN112686995B (zh) * 2020-12-25 2023-09-12 浙江弄潮儿智慧科技有限公司 一种红树林智能监管系统
WO2022173383A1 (en) * 2021-02-11 2022-08-18 Saengprachatanarug Khwantri Method for determining height of crop covered soil surface from sea level through use of aerial photographs
CN116206011A (zh) * 2023-05-05 2023-06-02 江西有色地质矿产勘查开发院 基于多源数据的数字土壤制图方法及系统

Also Published As

Publication number Publication date
CN110596008B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN110596008B (zh) 基于地块的中国洪积平原农业区土壤养分数字制图方法
CN108846832B (zh) 一种基于多时相遥感影像与gis数据的变化检测方法及系统
Pindozzi et al. Using historical maps to analyze two hundred years of land cover changes: case study of Sorrento peninsula (south Italy)
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN102521624A (zh) 一种土地利用类型分类的方法和系统
CN111222536A (zh) 一种基于决策树分类的城市绿色空间信息提取方法
Inamov et al. Application of GIS technologies in quality management of land accounting in Uzbekistan
CN113011993A (zh) 基于标准数据的农业污染源入水体负荷量测算方法
CN113158807A (zh) 一种遥感影像的模型自训练和优化系统
CN110032939A (zh) 一种基于高斯混合模型的遥感时序数据拟合方法
CN115468917A (zh) 基于高分辨率遥感提取农田地块作物信息的方法及系统
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
CN114187532A (zh) 一种遥感影像时空样本生成与智能迭代分类方法及系统
Ergashev et al. Use of geographical information systems in determining and maping of land with soil erosion and damaged meliorative status
CN107063210A (zh) 一种土地规划整治项目的测绘方法
CN115271343A (zh) 一种缺水区作物种植结构监测和调整决策的方法及系统
Jurišić et al. Methodology of development of purpose maps in GIS environment–resource management
CN114970934A (zh) 一种基于特征集成学习的土壤厚度类型预测方法
CN114255247A (zh) 基于改进Unet++网络模型的丘陵地块深度分割与提取方法
Nandi et al. Geographical Information System (GIS) in water resources engineering
Liu et al. Design of precision fertilization management information system on GPS and GIS technologies
LU500929B1 (en) Method of measuring and calculating load of agricultural pollution source entering water body based on standard data
CN111353666A (zh) 一种基于野外环境监测站点的生态风险预警方法
Hamzat et al. Impact of Weather Variability on Yam Yield in South Western Nigeria

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200916

Address after: 100101 Beijing city Chaoyang District Datun Road No. 20 North

Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences

Address before: 100094, No. 9 Deng Nan Road, Beijing, Haidian District

Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences

GR01 Patent grant
GR01 Patent grant