CN110837911B - 一种大尺度地表节肢动物空间分布模拟方法 - Google Patents
一种大尺度地表节肢动物空间分布模拟方法 Download PDFInfo
- Publication number
- CN110837911B CN110837911B CN201910841804.7A CN201910841804A CN110837911B CN 110837911 B CN110837911 B CN 110837911B CN 201910841804 A CN201910841804 A CN 201910841804A CN 110837911 B CN110837911 B CN 110837911B
- Authority
- CN
- China
- Prior art keywords
- arthropods
- scale
- prediction
- arthropod
- sampling point
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09C—RECLAMATION OF CONTAMINATED SOIL
- B09C1/00—Reclamation of contaminated soil
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
Abstract
本发明提供一种大尺度地表节肢动物空间分布模拟方法,所述模拟方法,首先,获取各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量;然后,根据每个采样点的地表节肢动物数量和多源环境变量,建立大尺度地表节肢动物空间分布模拟模型;最后,采集待模拟区域的大尺度多源环境变量;并将待模拟区域的大尺度多源环境变量输入所述大尺度地表节肢动物空间分布模拟模型,模拟待模拟区域的大尺度地表节肢动物空间分布情况。实现了地表节肢动物空间分布的大尺度模拟,利用大尺度上矿区地表节肢动物空间分布模拟结果能够为矿区生态修复设计和管理决策等提供更好的依据,是矿区范围内山水林田湖草综合治理效果评估的必要手段。
Description
技术领域
本发明涉及矿区生态修复效果评估技术领域,特别是涉及一种大尺度地表节肢动物空间分布模拟方法。
背景技术
丰富的生物多样性为矿区生态修复后的生态系统提供了诸多生态功能和服务。地表节肢动物是生物多样性的重要组成部分,其物种数量多、密度大、分布广、生命周期短,是生态系统中生物多样性的指示物种。现有评估手段选用样方法采集地表节肢动物,调查矿区生态修复区的生物多样性,评估生态修复效果,分析矿区生态恢复的演变规律。
由于地表节肢动物采样的困难性,存在耗时长、人力和财力投入大等问题。目前的样方法仅能应用在小尺度上,其结果仅反映地块尺度或局域范围矿区地表节肢动物多样性,不能评估和反映大尺度矿区生态修复整体效果。
发明内容
本发明的目的是提供一种大尺度地表节肢动物空间分布模拟方法,以实现地表节肢动物空间分布的大尺度模拟,进而实现大尺度矿区生态修复整体效果的反映。
为实现上述目的,本发明提供了如下方案:
一种大尺度地表节肢动物空间分布模拟方法,所述模拟方法包括如下步骤:
获取各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量;
根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型;
采集待模拟区域的大尺度多源环境变量;
将待模拟区域的大尺度多源环境变量输入所述大尺度地表节肢动物空间分布模拟模型,模拟待模拟区域的大尺度地表节肢动物空间分布情况。
可选的,所述根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型,具体包括:
利用randomForest函数建立以地表节肢动物数量为被解释变量,以多源环境变量为解释变量的随机森林模型;
将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果;
根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差;所述预测误差包括每个采样点的地表节肢动物数量与预测结果的平均预测误差、均方差、相关系数和林氏一致性相关系数;
判断随机森林模型的预测误差是否满足预测条件,得到第一判断结果;
若所述第一判断结果为预测误差满足预测条件,则输出所述随机森林模型,得到大尺度地表节肢动物空间分布模拟模型;
若所述第一判断结果为所述预测误差不满足预测条件,则更新所述随机森林模型的参数,返回步骤“将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果”。
可选的,所述根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差,具体包括:
式中,xi和yi分别为第i个采样点的多源环境变量的预测结果和第i个采样点的地表节肢动物数量;n表示采样点的个数;和分别是n个采样点的预测结果和地表节肢动物数量的平均值;和分别是n个采样点的预测结果和地表节肢动物数量的方差,是n个采样点的预测结果与地标节肢动物数量的协方差,r是预测结果和地表节肢动物数量之间的皮尔逊相关系数。
可选的,所述判断随机森林模型的预测误差是否小于预设阈值,得到第一判断结果,具体包括:
判断公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4是否成立,得到第二判断结果;
若所述第二判断结果表示公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4成立,则所述第一判断结果为预测误差满足预测条件;
若所述第二判断结果表示公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4不成立,则所述第一判断结果为预测误差不满足预测条件;
式中,a1、a2、a3和a4分别表示第一预设阈值、第二预设阈值、第三预设阈值和第四预设阈值。
可选的,所述将每个采样点的多源环境变量输入所述随机森林模型,获得预测结果,之前还包括:
对所有采样点的多源环境变量进行多重共线性检验,剔除所有采样点的多源环境变量中存在多重共线性的环境变量,得到检验后的多重环境变量;
可选的,所述采集待模拟区域的大尺度多源环境变量,之后还包括:
对所述待模拟区域的大尺度多源环境变量的栅格图进行掩膜处理,使所述待模拟区域的大尺度多源环境变量的栅格图的每个栅格数据的行列式相同,获得掩膜处理后的大尺度多源环境变量的栅格图。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种大尺度地表节肢动物空间分布模拟方法,所述模拟方法,首先,获取各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量;然后,根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型;最后,采集待模拟区域的大尺度多源环境变量;并将待模拟区域的大尺度多源环境变量输入所述大尺度地表节肢动物空间分布模拟模型,模拟待模拟区域的大尺度地表节肢动物空间分布情况。实现了地表节肢动物空间分布的大尺度模拟,利用大尺度上矿区地表节肢动物空间分布模拟结果能够为矿区生态修复设计和管理决策等提供更好的依据,是矿区范围内山水林田湖草综合治理效果评估的必要手段。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据本发明提供的附图获得其他的附图。
图1为本发明提供的一种大尺度地表节肢动物空间分布模拟方法的流程图;
图2为本发明提供的一种大尺度地表节肢动物空间分布模拟方法的原理图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种大尺度地表节肢动物空间分布模拟方法,以实现地表节肢动物空间分布的大尺度模拟,进而实现大尺度矿区生态修复整体效果的反映。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供一种大尺度地表节肢动物空间分布模拟方法,所述模拟方法包括如下步骤:
步骤101,获取各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量。
(1)各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量数据的采集:
本发明的多源环境变量包括矿区范围的气候条件(温度、降雨等)、地形条件(坡度、高程、地形湿度等)、景观格局条件(景观多样性指数、景观分离度、景观均匀性等指数)和耕地条件因素等。
利用陷阱法对地表节肢动物进行采集,具体的,在每个采样点布设3个陷阱,以3个陷阱中地表节肢动物的平均值作为该采样点的地表节肢动物数量,避免采样误差。陷阱间距大于10m,陷阱瓶使用底部直径为6cm,顶部直径为10cm,高为13cm的pp塑料杯,将pp塑料杯埋入地里,杯口与地表相平齐,在杯中放入150-200ml乙二醇溶液(20%)和一滴洗涤剂,并将杯盖用三根铁丝固定好,将铁丝插入到pp塑料杯周围的土壤中,起到防雨水的作用。陷阱在野外放置6d后取回,将陷阱瓶里的地表节肢动物放到预先编好编号的内含浓度为75%酒精的PE瓶里保存。统计地表节肢动物数量和种类。
(2)对各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,进行预处理:
将每个采样点的地表节肢动物数量与多源环境变量的值形成一一对应的关系。
对所有采样点的多源环境变量进行多重共线性检验,剔除所有采样点的多源环境变量中存在多重共线性的环境变量,得到检验后的多重环境变量。根据方差膨胀因子的值检验环境变量之间是否存在多重共线性,若存在多重共线性的情况则利用逐步回归对环境变量进行剔除。若不存在可用于模型构建。
步骤102,根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型。
具体包括:
利用randomForest函数建立以地表节肢动物数量为被解释变量,以多源环境变量为解释变量的随机森林模型。
将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果。
根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差。
判断随机森林模型的预测误差是否满足预测条件,得到第一判断结果。
若所述第一判断结果为预测误差满足预测条件,则输出所述随机森林模型,得到大尺度地表节肢动物空间分布模拟模型。
若所述第一判断结果为所述预测误差不满足预测条件,则更新所述随机森林模型的参数(需要设置以下3个参数:确定优化随机森林分类模型的决策树的数量(ntree),决策树内部每个节点处随机选择的特征个数(mtry)和叶节点包含最少样本的个数(nodesize)。在R软件中nodesize一般选择其默认值,以plot函数来选取初始的ntree,mtry选取值以1为起点(初始值),1为步长依次递增进行调参过程。采用plot函数更新ntree,mtry的数值增加1),返回步骤“将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果”。
其中,所述根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差,所述预测误差包括每个采样点的地表节肢动物数量与预测结果的平均预测误差、均方差、相关系数和林氏一致性相关系数;所述根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差,具体包括:利用公式计算地表节肢动物数量和预测结果的平均预测误差MAE;利用公式计算地表节肢动物数量和预测结果的均方差RMSE;利用公式计算地表节肢动物数量和预测结果的相关系数R2;利用公式计算地表节肢动物数量和预测结果的林氏一致性相关系数LUCC;式中,xi和yi分别为第i个采样点的多源环境变量的预测结果和第i个采样点的地表节肢动物数量;n表示采样点的个数;和分别是n个采样点的预测结果和地表节肢动物数量的平均值;和分别是n个采样点的预测结果和地表节肢动物数量的方差,是n个采样点的预测结果与地标节肢动物数量的协方差,r是预测结果和地表节肢动物数量之间的皮尔逊相关系数。
所述判断随机森林模型的预测误差是否满足预测条件,得到第一判断结果,具体包括:判断公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4是否成立,得到第二判断结果;若所述第二判断结果表示公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4成立,则所述第一判断结果为预测误差满足预测条件;若所述第二判断结果表示公式MAE<a1&&RMSE<a2&&R2>a3&&LUCC>a4不成立,则所述第一判断结果为预测误差不满足预测条件;式中,a1、a2、a3和a4分别表示第一预设阈值、第二预设阈值、第三预设阈值和第四预设阈值。
即本发明根据四个验证指标分别为平均预测误差(MAE)、均方误差(RMSE)、相关系数(R2)和林氏一致性相关系数(LUCC)进行验证。若模型精度较差重复调参过程,若模型精度较好则完成随机森林的训练。
步骤103,采集待模拟区域的大尺度多源环境变量。
对所述待模拟区域的大尺度多源环境变量的栅格图进行掩膜处理,使所述待模拟区域的大尺度多源环境变量的栅格图的每个栅格数据的行列式相同,获得掩膜处理后的大尺度多源环境变量的栅格图。
具体的,在ArcGIS中利用掩膜提取工具对其中两个环境变量进行相互的掩膜提取,随后再根据制作好的掩膜对其他环境变量进行掩膜提取。以确保所有环境变量栅格图的行列式完全相同。在R软件中,将行列式相同的大尺度多源环境变量对应的坐标和数据值形成数据框;并利用R软件中的raster包对栅格数据框进行读取。
步骤104,将待模拟区域的大尺度多源环境变量输入所述大尺度地表节肢动物空间分布模拟模型,模拟待模拟区域的大尺度地表节肢动物空间分布情况。利用R软件中的writeRaster函数输出地表节肢动物空间分布图,完成大尺度矿区生态修复中地表节肢动物空间分布模拟。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的建模过程不需要预留验证集进行验证而是采用十字交叉验证的方式进行。以少量的实测数据结合对应的多源环境变量对大尺度矿区生态修复中地表节肢动物空间分布进行模拟,可以从生物多样性的角度反映矿区生态修复的能力和潜力,为矿区生态修复提供依据。
以上所述仅为本发明较佳的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应该涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的装置及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种大尺度地表节肢动物空间分布模拟方法,其特征在于,所述模拟方法包括如下步骤:
获取各个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量;
根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型;
采集待模拟区域的大尺度多源环境变量;
将待模拟区域的大尺度多源环境变量输入所述大尺度地表节肢动物空间分布模拟模型,模拟待模拟区域的大尺度地表节肢动物空间分布情况;
所述根据每个采样点的地表节肢动物数量和影响节肢动物分布的多源环境变量,建立大尺度地表节肢动物空间分布模拟模型,具体包括:
利用randomForest函数建立以地表节肢动物数量为被解释变量,以多源环境变量为解释变量的随机森林模型;
将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果;
根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差;所述预测误差包括每个采样点的地表节肢动物数量与预测结果的平均预测误差、均方差、相关系数和林氏一致性相关系数;
判断随机森林模型的预测误差是否满足预测条件,得到第一判断结果;
若所述第一判断结果为预测误差满足预测条件,则输出所述随机森林模型,得到大尺度地表节肢动物空间分布模拟模型;
若所述第一判断结果为所述预测误差不满足预测条件,则更新所述随机森林模型的参数,返回步骤“将每个采样点的多源环境变量输入所述随机森林模型,获得每个采样点的预测结果”。
2.根据权利要求1所述的大尺度地表节肢动物空间分布模拟方法,其特征在于,所述根据每个采样点的地表节肢动物数量和每个采样点的预测结果,计算随机森林模型的预测误差,具体包括:
3.根据权利要求2所述的大尺度地表节肢动物空间分布模拟方法,其特征在于,所述判断随机森林模型的预测误差是否满足预测条件,得到第一判断结果,具体包括:
判断公式(MAE<a1)&&(RMSE<a2)&&(R2>a3)&&(LUCC>a4)是否成立,得到第二判断结果;
若所述第二判断结果表示公式(MAE<a1)&&(RMSE<a2)&&(R2>a3)&&(LUCC>a4)成立,则所述第一判断结果为预测误差满足预测条件;
若所述第二判断结果表示公式(MAE<a1)&&(RMSE<a2)&&(R2>a3)&&(LUCC>a4)不成立,则所述第一判断结果为预测误差不满足预测条件;
式中,a1、a2、a3和a4分别表示第一预设阈值、第二预设阈值、第三预设阈值和第四预设阈值。
4.根据权利要求1所述的大尺度地表节肢动物空间分布模拟方法,其特征在于,所述将每个采样点的多源环境变量输入所述随机森林模型,获得预测结果,之前还包括:
对所有采样点的多源环境变量进行多重共线性检验,剔除所有采样点的多源环境变量中存在多重共线性的环境变量,得到检验后的多重环境变量。
5.根据权利要求1所述的大尺度地表节肢动物空间分布模拟方法,其特征在于,所述采集待模拟区域的大尺度多源环境变量,之后还包括:
对所述待模拟区域的大尺度多源环境变量的栅格图进行掩膜处理,使所述待模拟区域的大尺度多源环境变量的栅格图的每个栅格数据的行列式相同,获得掩膜处理后的大尺度多源环境变量的栅格图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841804.7A CN110837911B (zh) | 2019-09-06 | 2019-09-06 | 一种大尺度地表节肢动物空间分布模拟方法 |
CH01439/19A CH716601A8 (de) | 2019-09-06 | 2019-11-13 | Verfahren zur Simulation der grossräumigen Verteilung für bodenbewohnende Arthropoden. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841804.7A CN110837911B (zh) | 2019-09-06 | 2019-09-06 | 一种大尺度地表节肢动物空间分布模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837911A CN110837911A (zh) | 2020-02-25 |
CN110837911B true CN110837911B (zh) | 2021-02-05 |
Family
ID=69574557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910841804.7A Active CN110837911B (zh) | 2019-09-06 | 2019-09-06 | 一种大尺度地表节肢动物空间分布模拟方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110837911B (zh) |
CH (1) | CH716601A8 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114487284B (zh) * | 2021-12-31 | 2023-09-08 | 武汉怡特环保科技有限公司 | 一种测量空气中重金属浓度的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631526A (zh) * | 2014-10-31 | 2016-06-01 | 航天恒星科技有限公司 | 森林病虫害爆发风险预测的方法及装置 |
CN108984995A (zh) * | 2018-09-28 | 2018-12-11 | 同济大学 | 一种计算数值模拟的生态园林景观设计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2434225A (en) * | 2006-01-13 | 2007-07-18 | Cytokinetics Inc | Random forest modelling of cellular phenotypes |
CN104572786A (zh) * | 2013-10-29 | 2015-04-29 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
CN107292186B (zh) * | 2016-03-31 | 2021-01-12 | 阿里巴巴集团控股有限公司 | 一种基于随机森林的模型训练方法和装置 |
CN106611079B (zh) * | 2016-11-07 | 2020-01-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于个体模式的鱼类运动与空间分布模拟方法及系统 |
CN106980750B (zh) * | 2017-02-23 | 2019-10-29 | 中国科学院南京土壤研究所 | 一种基于典型对应分析的土壤氮储量估算方法 |
CN108388566B (zh) * | 2017-06-15 | 2021-07-27 | 中国科学院地理科学与资源研究所 | 一种植物物种丰富度分布的空间模拟方法 |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2019
- 2019-09-06 CN CN201910841804.7A patent/CN110837911B/zh active Active
- 2019-11-13 CH CH01439/19A patent/CH716601A8/de not_active Application Discontinuation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631526A (zh) * | 2014-10-31 | 2016-06-01 | 航天恒星科技有限公司 | 森林病虫害爆发风险预测的方法及装置 |
CN108984995A (zh) * | 2018-09-28 | 2018-12-11 | 同济大学 | 一种计算数值模拟的生态园林景观设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CH716601A2 (de) | 2021-03-15 |
CH716601A8 (de) | 2021-05-14 |
CN110837911A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
Roy et al. | Predicting land cover change in a Mediterranean catchment at different time scales | |
He et al. | Alternative future analysis for assessing the potential impact of climate change on urban landscape dynamics | |
CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
Kamimura et al. | Mechanistic and statistical approaches to predicting wind damage to individual maritime pine (Pinus pinaster) trees in forests | |
Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
CN113505510B (zh) | 融合景观指数和随机游走模型的生态安全格局识别方法 | |
CN113468803A (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
Mustafa et al. | Measuring the effect of stochastic perturbation component in cellular automata urban growth model | |
CN108632832B (zh) | 网络覆盖分析方法及系统 | |
Trivedi et al. | A case study of rainfall runoff modelling for Shipra River Basin | |
CN112287294A (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
KR100920529B1 (ko) | 염해 오손 예측 방법 | |
CN106874602A (zh) | 气象数据处理方法和装置 | |
CN110837911B (zh) | 一种大尺度地表节肢动物空间分布模拟方法 | |
CN112560633B (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
Lin et al. | Identifying the spatial mixture distribution of bird diversity across urban and suburban areas in the metropolis: A case study in Taipei Basin of Taiwan | |
Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
Harman et al. | Darwinian hydrology: can the methodology Charles Darwin pioneered help hydrologic science | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN115861793A (zh) | 一种基于最小累积阻力模型的区域生态安全格局构建方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 |
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 |