CN110688990B - 一种水稻种植候选区确定方法 - Google Patents

一种水稻种植候选区确定方法 Download PDF

Info

Publication number
CN110688990B
CN110688990B CN201911058149.4A CN201911058149A CN110688990B CN 110688990 B CN110688990 B CN 110688990B CN 201911058149 A CN201911058149 A CN 201911058149A CN 110688990 B CN110688990 B CN 110688990B
Authority
CN
China
Prior art keywords
area
flooding
water body
index
candidate
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
Application number
CN201911058149.4A
Other languages
English (en)
Other versions
CN110688990A (zh
Inventor
肖寒
付东杰
苏奋振
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources 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 Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN201911058149.4A priority Critical patent/CN110688990B/zh
Publication of CN110688990A publication Critical patent/CN110688990A/zh
Application granted granted Critical
Publication of CN110688990B publication Critical patent/CN110688990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)

Abstract

一种水稻种植候选区确定方法，该方法包括：根据时间序列水体指数数据从水体分布图中提取出洪泛区范围；计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离；根据洪泛区高程计算洪泛区的坡度条件以及根据洪泛区的坡度条件，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。本发明提供的方法根据时间序列水体指数数据提取水体分布图中的洪泛区，充分利用了遥感大数据，可比较准确的提取洪泛区淹没特征同时在进行选区时考虑到了洪泛区淹没指数、灌溉便捷程度，可更科学确定洪泛区水稻的种植候选区。

Description

一种水稻种植候选区确定方法
技术领域
本发明涉及地理信息及遥感领域，具体涉及一种水稻种植候选区确定方法。
背景技术
水稻不同生育期皆具有对水分的要求，尤其是返青期稻田应保持一定水层，为秧苗创造一个温湿度较为稳定的环境，促进早发新根，加速返青。因水稻对水的依赖，水稻灌溉是决定水稻产量的决定性因素。大型湖泊作为重要的淡水资源，是除天然降雨外水稻灌溉种植的绝佳补给。因此在湖泊洪泛区及周边区域方便快捷地选取适合水稻生长、灌溉便捷的种植候选区技术是十分关键的。
传统的确定种植候选区是根据地形坡度来确定水稻候选区，较少考虑水源供给，且未考虑该地区长时间序列的被淹没概率。目前知网、万方等数据库并没有水稻种植候选区的相关论文和技术。因此本发明根据地形条件、水稻生长过程水源供给条件和淹没概率，开发了一种定量化的确定水稻种植候选区的技术方法。
随着遥感大数据的发展，结合长时间序列遥感数据，结合地形因素综合，对农作物种植选取进行科学选择成为可能。以柬埔寨洞里萨湖为例，柬埔寨洞里萨湖是东南亚最大的淡水水体，是湄公河系统的重要组成部分。该湖拥有极其富有生产力的生态系统，作为湄公河流域下游的天然洪水水库，提供防洪保护、三角洲的干燥季节调节、农作物灌溉的重要作用。
柬埔寨水稻种植大部分为一年一季到两季。其中洞里萨湖周边部分区域可以种植三季稻，因为该地区除每年雨季的自然降雨灌溉外，还可以引湖水灌溉。然而，洪泛区内种植水稻还应注意防止幼苗常被水淹，以及灌溉距离所产生的种植成本等因素。鉴于湖水灌溉的天然优势，本实验通过长时间序列水体指数的观察，提取1984年-2018年水面，可以提取30年间洞里萨湖洪泛区，计算洪泛区淹没次数、距离稳定水体距离，结合高程、坡度因素，得到便于利用湖水灌溉的水稻种植候选区。
发明内容
(一)要解决的技术问题
本发明的主要目的在于提出一种水稻种植候选区确定方法，根据时间序列遥感数据，结合地形因素综合，实现更加科学的对农作物种植候选区的选择。
(二)技术方案
本发明提出的基于洪泛区淹没指数和灌溉距离的水稻种植候选区确定方法，包括以下步骤：
根据时间序列水体指数数据从水体分布图中提取出洪泛区范围；
计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离；
根据洪泛区高程计算洪泛区的坡度条件；以及
根据洪泛区的坡度条件，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
上述方案中，根据时间序列水体指数数据从水体分布图中提取出洪泛区范围，包括：
基于时间序列水体指数数据对水体分布图中水体的阈值区间进行统计，得到水体的阈值区间，将归一化水指数数值大于0.42的像元视为水体区域；
将水体分布图中曾被水淹没区域定义为洪泛区，即提取湖周边淹没次数大于0或大于等于1的区域为洪泛区。
上述方案中，计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离的步骤中，像元的淹没指数是利用GEE平台的sum函数计算得到的，具体包括：
将洪泛区范围内像元的淹没次数的累加和，作为该像元的淹没指数。
上述方案中，计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离的步骤中，像元距离稳定水体距离通过以下方式得到：
提取洪泛区内稳定水体，将淹没指数大于380的像元区域视为稳定水体；
将稳定水体设为目标，计算周围像元距离目标的距离，即为像元距离稳定水体距离。
上述方案中，根据洪泛区高程计算洪泛区的坡度条件步骤中，是利用数字高程模型计算坡度条件，计算坡度工具为ArcGIS中的slope工具，具体包括：
以3×3个像元为单元，计算中心像元的水平和垂直方向上的变化率确定斜率，来表示坡度条件，采用公式如下：
Figure BDA0002255286100000031
其中，slope_degrees表示坡度条件，dz/dx表示中心像元的水平方向上的变化率，dz/dy表示垂直方向上的变化率。
上述方案中，根据洪泛区的坡度条件，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级，包括：
利用ArcGIS中的Weighted Overlay工具对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
(三)有益效果
本发明提供的水稻种植候选区确定方法基于时间序列的水体指数数据提取洪泛区，充分利用遥感大数据的大样本，可比较准确的提取该洪泛区淹没特征；
本发明提供的水稻种植候选区确定方法在进行选区时将多种因素考虑在内，考虑了洪泛区内淹没次数和灌溉距离对水稻种植的影响，同时还结合了水稻种植的地形条件，合理的进行了加权和叠置分析，从而可获得了更科学准确的洪泛区水稻种植候选区域。
附图说明
图1为依照本发明实施例的水稻种植候选区确定方法的流程图；
图2为依照本发明实施例的计算得到的洞里萨湖洪泛区空间分布图；
图3为依照本发明实施例的计算出的洞里萨湖洪泛区淹没指数图；
图4是依照本发明实施例的计算出的洞里萨湖距水距离图；
图5是依照本发明实施例的计算出的洞里萨湖高程图；
图6是依照本发明实施例的计算出的洞里萨湖坡度图；
图7是依照本发明实施例的加权规则和叠置分析条件选择；
图8是依照本发明实施例的ArcGIS软件加权分析界面图；
图9是依照本发明实施例的基于洪泛区淹没指数和灌溉距离的水稻种植候选区确定方法确定的洪泛区水稻候选区分布图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
如图1所示，图1为依照本发明实施例的水稻种植候选区确定方法的流程图，具体方法如下：
(1)根据时间序列水体指数数据从水体分布图中提取出洪泛区范围；
首先，基于时间序列水体指数数据对水体分布图中水体的阈值区间进行统计，在本发明实施例中采用1984年到2018年水体指数数据进行统计。利用Google Earth Engine云平台，筛选数据质量较好的影像，筛选指标为保留为当期云量面积小于30％的图像，得到共418景NDWI(归一化水指数)影像，根据这418景影像的NDWI数值的中值，对水体进行采样，得到水体的阈值区间，设置NDWI数值在0.42以上的像元为水体，并将水体赋值为1。
将水体分布图中曾被水淹没区域定义为洪泛区，即提取湖周边淹没次数大于0或大于等于1的区域为洪泛区；
(2)计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离；
计算洪泛区范围内像元的淹没次数，将淹没次数的累加和，作为该像元的淹没指数，在计算淹没指数时可利用GEE平台的sum函数实现，淹没指数阈值范围为1至418。
提取洪泛区内稳定水体，根据研究区情况，确定淹没指数大于380的像元为稳定水体；将稳定水体设为目标Mask，计算周围像元距离目标Mask的距离，用距离稳定水体距离表征湖水灌溉的难易程度，距离稳定水体的距离可简称为距水距离。可利用GEE平台实现上述计算过程，采用GEE的distance函数计算距水距离，距水距离计算方法采用KernelDistance方法，设置最大输出距离为5公里，
(3)根据洪泛区高程计算洪泛区的坡度条件；
高程是指某一点相对于基准面的高度，可利用数字高程模型(SRTM DigitalElevation Data 30m)实现洪泛区高程和坡度的计算。
(4)根据洪泛区的坡度条件，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
利用ArcGIS中的Weighted Overlay工具对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
为了对本发明的具体步骤进行详细说明，本发明以柬埔寨洞里萨湖为具体实施例进行分析，图2为洞里萨湖洪泛区空间分布图，选取洞里萨湖周围约50km范围内的地区作为研究区，图3为计算出的洞里萨湖洪泛区淹没指数图，图中灰色表示研究区范围。
(1)根据时间序列水体指数数据从水体分布图中提取出洪泛区范围；
利用1984年到2018年水体指数提取洞里萨湖洪泛区，结果如图2所示。利用GoogleEarth Engine云平台，筛选数据质量较好的影像，保留当期云量面积小于整个图像面积30％的图像，得到共418景NDWI(归一化水指数)影像，根据这418景影像的NDWI数值的中值，对水体进行采样，得到水体的阈值区间，设置NDWI数值在0.42以上的像元为水体，并将水体赋值为1。
将水体分布图中曾被水淹没区域定义为洪泛区，即提取湖周边淹没次数大于0或大于等于1的区域为洪泛区；
(2)计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离；
利用GEE平台的sum函数计算泛区内像元的淹没次数的累加和，作为该像元的淹没指数，并对其进行分级，图3是计算出的洞里萨湖洪泛区淹没指数图，淹没指数阈值范围为1至418，定义淹没指数大于380的为稳定水体；
提取洪泛区内稳定水体，根据研究区情况，确定淹没指数大于380的像元为稳定水体；采用GEE的distance函数计算距水距离，设置最大输出距离为5公里，计算除稳定水体外其他像元距最近稳定水体像元的距离，获得每个像元的距水距离值，并将该值赋给该像元。用距水距离指数表征湖水灌溉的难易程度，图4为计算出的洞里萨湖距水距离图；
(3)根据洪泛区高程计算坡度；
利用数字高程模型计算坡度，计算坡度工具为ArcGIS中的slope工具，图5为计算出的洞里萨湖高程图，图6计算出的洞里萨湖坡度图。
Slope工具的具体计算过程为，以3×3个像元为单元，计算中心像元的水平和垂直方向上的变化率确定斜率，来表示坡度条件，采用公式如下：
Figure BDA0002255286100000061
其中，slope_degrees表示坡度条件，dz/dx表示中心像元的水平方向上的变化率，dz/dy表示垂直方向上的变化率。
(4)根据洪泛区的坡度条件，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
根据各地区水稻生长具体水量要求确定加权规则根据加权规则如图7所示，利用ArcGIS中的Weighted Overlay工具对淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
根据当地水稻种植的地形条件，设置坡度和高程条件，图7为设置的加权规则和叠置分析条件选择；
水稻不能常被水淹，也不可缺少湖水灌溉，综合考虑淹没次数和灌溉距离因素，对两个指标进行评级，评级阈值相等，赋值区间为1-5，重新赋值后即为这两个指数的加权规则，加权规则如图7所示。根据图7的加权规则，对淹没指数和距水距离进行乘法加权计算，计算工具为Arcgis的Raster Calculator工具，计算工具界面如图8，计算公式如下：Con((slope＜3)&(dem＜15)，1，0)*watersum_weighted*distance_weighted。其中slope为坡度指数、dem为高程指数、watersum_weighted为加权规则下的淹没指数、distance_weighted为加权规则下的距水距离指数。最终得到洪泛区水稻种植候选区和候选分级，候选区结果如图9所示，数值越大代表越适合种植水稻，即越适合作为可利用湖水灌溉的水稻种植候选区，图中红圈区域为几个可利用湖水灌溉的水稻种植最优区域。
本实验方案结合水体指数数据，提取洪泛区淹没指数和距水距离，结合水稻种植的坡度条件，得到洞里萨湖周边适合湖水灌溉的水稻种植候选区。相比于现有的农作物种植候选区方案，本方法所用的遥感大数据详实，采用了时序最长的Landsat数据作为确定洪泛区和淹没指数的基础数据，是遥感大数据利用于生产实践中的范例。
另外本实验综合考虑灌溉便捷程度和地形条件，得出了较为科学准确的水稻候选区。该方法适用于不同农作物的种植区选取，仅需根据农作物生长条件变更候选区筛选条件即可。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种水稻种植候选区确定方法，其特征在于，该方法包括：
根据时间序列水体指数数据从水体分布图中提取出洪泛区范围，其中，将水体分布图中曾被水淹没区域定义为洪泛区；
计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离，其中，将洪泛区范围内像元的淹没次数的累加和，作为该像元的淹没指数，将淹没指数大于380的像元区域视为稳定水体；
根据洪泛区高程计算洪泛区的坡度；以及
根据洪泛区的坡度，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
2.根据权利要求1所述的水稻种植候选区确定方法，其特征在于，所述根据时间序列水体指数数据从水体分布图中提取出洪泛区范围，包括：
基于时间序列水体指数数据对水体分布图中水体的阈值区间进行统计，得到水体的阈值区间，将归一化水指数数值大于0.42的像元视为水体区域；提取湖周边淹没次数大于等于1的区域为洪泛区。
3.根据权利要求1所述的水稻种植候选区确定方法，其特征在于，所述计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离的步骤中，像元的淹没指数是利用GEE平台的sum函数计算得到的。
4.根据权利要求3所述的水稻种植候选区确定方法，其特征在于，所述像元的淹没指数的范围为1至418。
5.根据权利要求1所述的水稻种植候选区确定方法，其特征在于，所述计算洪泛区范围内像元的淹没指数和像元距离稳定水体距离的步骤中，像元距离稳定水体距离通过以下方式得到：
提取洪泛区内稳定水体；
将稳定水体设为目标，计算周围像元距离目标的距离，即为像元距离稳定水体距离。
6.根据权利要求5所述的水稻种植候选区确定方法，其特征在于，所述像元距离稳定水体距离为0至5km。
7.根据权利要求1所述的水稻种植候选区确定方法，其特征在于，所述根据洪泛区高程计算洪泛区的坡度步骤中，是利用数字高程模型计算坡度，计算坡度工具为ArcGIS中的slope工具，具体包括：
以3×3个像元为单元，计算中心像元的水平和垂直方向上的变化率确定斜率，来表示坡度，采用公式如下：
Figure FDA0003602130310000021
其中，slope_degrees表示坡度，dz/dx表示中心像元的水平方向上的变化率，dz/dy表示垂直方向上的变化率，ATAN表示反正切函数。
8.根据权利要求1所述的水稻种植候选区确定方法，其特征在于，所述根据洪泛区的坡度，对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级，包括：
利用ArcGIS中的Weighted Overlay工具对像元的淹没指数和距离稳定水体距离进行乘法加权计算，得到洪泛区水稻种植候选区和候选分级。
9.根据权利要求8所述的水稻种植候选区确定方法，其特征在于，所述利用ArcGIS中的Weighted Overlay工具对像元的淹没指数和距离稳定水体距离进行乘法加权计算，包括：
对像元的淹没指数和距离稳定水体距离进行评级，评级阈值相等，赋值区间为1至5，通过加权计算对这两个指数进行重新赋值。
CN201911058149.4A 2019-10-31 2019-10-31 一种水稻种植候选区确定方法 Active CN110688990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911058149.4A CN110688990B (zh) 2019-10-31 2019-10-31 一种水稻种植候选区确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911058149.4A CN110688990B (zh) 2019-10-31 2019-10-31 一种水稻种植候选区确定方法

Publications (2)

Publication Number Publication Date
CN110688990A CN110688990A (zh) 2020-01-14
CN110688990B true CN110688990B (zh) 2022-07-26

Family

ID=69115274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911058149.4A Active CN110688990B (zh) 2019-10-31 2019-10-31 一种水稻种植候选区确定方法

Country Status (1)

Country Link
CN (1) CN110688990B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985433B (zh) * 2020-08-28 2023-01-20 中国科学院地理科学与资源研究所 一种水稻遥感信息提取方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360458A (zh) * 2011-10-19 2012-02-22 浙江大学 一种移民安置区选择模糊评价方法
CN103955565A (zh) * 2014-04-08 2014-07-30 天津大学城市规划设计研究院 基于gis平台的城市水系构建规划方法
CN104652347A (zh) * 2014-12-18 2015-05-27 胡余忠 山区非静态水体水位与淹没影响人口关系评价方法
CN109858394A (zh) * 2019-01-11 2019-06-07 西安电子科技大学 一种基于显著性检测的遥感图像水体区域提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360458A (zh) * 2011-10-19 2012-02-22 浙江大学 一种移民安置区选择模糊评价方法
CN103955565A (zh) * 2014-04-08 2014-07-30 天津大学城市规划设计研究院 基于gis平台的城市水系构建规划方法
CN104652347A (zh) * 2014-12-18 2015-05-27 胡余忠 山区非静态水体水位与淹没影响人口关系评价方法
CN109858394A (zh) * 2019-01-11 2019-06-07 西安电子科技大学 一种基于显著性检测的遥感图像水体区域提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FLOODED AREA EXTRACTION OF RICE PADDY FIELD IN INDONESIA USING SENTINEL-1 SAR DATA;H. Wakabayashi et al.;《The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20190314;第73-76页 *
SUITABILITY EVALUATION OF SOILS OF LOWER RIVER OSHIN FLOODPLAIN, KWARA STATE, NIGERIA FOR RAIN-FED ARABLE CROPS CULTIVATION;Lawal et al.;《Journal of Soil and Environmental Research》;20121231;第71-78页 *
多时相Landsat影像结合地形和水文信息进行洪泛区分析;陈隽敏;《遥感信息》;20150630;第30卷(第3期);第74-79页 *

Also Published As

Publication number Publication date
CN110688990A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
Aher et al. Quantification of morphometric characterization and prioritization for management planning in semi-arid tropics of India: a remote sensing and GIS approach
Ottinger et al. Monitoring land cover dynamics in the Yellow River Delta from 1995 to 2010 based on Landsat 5 TM
CN111738144A (zh) 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
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
Samad et al. Sediment yield assessment and identification of check dam sites for Rawal Dam catchment
Li et al. Extracting check dam areas from high‐resolution imagery based on the integration of object‐based image analysis and deep learning
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
CN107194857B (zh) 基于高分卫星遥感数据的可利用土地资源分析系统
CN110569733B (zh) 基于遥感大数据平台的湖泊长时序连续水域变化重建方法
CN110688990B (zh) 一种水稻种植候选区确定方法
CN107437262B (zh) 作物种植面积预警方法和系统
Singh et al. Estimation of revised capacity in Gobind Sagar reservoir using Google earth engine and GIS
Gudeta et al. Identifying priority areas for conservation in mojo River watershed of Ethiopia using GIS-based erosion risk evaluation
Liu et al. Exacerbating water shortage induced by continuous expansion of surface artificial water bodies in the Yellow River Basin
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
CN112966657A (zh) 一种大尺度水体覆盖的遥感自动分类方法
Elshorbagy et al. Rice area inter annual variation through a remote sensing based mapping algorithm
Tulkunovna et al. Formation of databases on plant cover for map-making of degradation processes using remote sensing material processing
Denisova et al. Need for application of remote sensing technologies for development of agro-industrial complex
Huang et al. River bed identification for check‐dam engineering using SPOT‐5 image in the HongShiMao watershed of the Loess Plateau, China
Majumdar et al. Open Agent Based Runoff and Erosion Simulation (oares): a Generic Cross Platform Tool for Spatio-Temporal Watershed Monitoring Using Climate Forecast System Reanalysis Weather Data
Metha et al. Analysis of land use and land cover dynamics and forest disturbance in western ghats region of Maharashtra, India
Brahler et al. Delaware Ecological Forecasting: Assessing Land Cover and Soil to Identify Suitable Sites for Tidal Marsh Migration in Delaware
Wang et al. Characterizing Urban growth of Nanjing, China, by using multi-stage remote sensing images and landscape metrics
Kiran et al. Water resource management of simlapal micro-watershed using RSGIS based universal soil loss equation, Bankura district, WB, India

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