CN111222720A - 牧区雪灾对畜牧业损害度预测方法 - Google Patents

牧区雪灾对畜牧业损害度预测方法 Download PDF

Info

Publication number
CN111222720A
CN111222720A CN202010145528.3A CN202010145528A CN111222720A CN 111222720 A CN111222720 A CN 111222720A CN 202010145528 A CN202010145528 A CN 202010145528A CN 111222720 A CN111222720 A CN 111222720A
Authority
CN
China
Prior art keywords
snow
damage
disaster
area
animal husbandry
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.)
Pending
Application number
CN202010145528.3A
Other languages
English (en)
Inventor
刘宥延
刘兴元
冯琦胜
梁天刚
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.)
Lanzhou University
Original Assignee
Lanzhou University
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 Lanzhou University filed Critical Lanzhou University
Priority to CN202010145528.3A priority Critical patent/CN111222720A/zh
Publication of CN111222720A publication Critical patent/CN111222720A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Engineering & Computer Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Ecology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Housing For Livestock And Birds (AREA)

Abstract

本发明涉及一种牧区雪灾对畜牧业损害度预测方法。首先根据雪灾对畜牧业损害的空间分布，设计牧区雪灾损害发生要素，以冬春季（雪灾期）饲草的供需关系建立雪灾损害发生的诊断模型，对牧区雪灾对畜牧业损害度进行预测，并按照损害度预测模型与分级标准，然后根据应对灾害的饲草储备估算模型估算出雪灾期牧草储备量，有针对性地采取防范措施，本发明可极大地降低牧区雪灾对畜牧业的损失和预防成本，雪灾实现牧区雪灾对畜牧业生产损害度的空间可视化，为指导牧区减少损害提供科学依据。该方法极大地减少了预测工作量，提高了预测精度，实用性强。

Description

牧区雪灾对畜牧业损害度预测方法
技术领域
本发明涉及一种牧区雪灾对畜牧业损害度预测方法。
背景技术
牧区雪灾频发，对于依赖于天然草地放牧的牧区，在冬春季节积雪掩埋草场达到一定的厚度时，满山遍野，大雪茫茫，家畜觅食困难，无法放牧，加之气温骤降，交通通讯中断，外部饲草无法及时运达受灾地区，饲草供给不足, 导致大批家畜因饥饿而伤残或死亡，给牧区畜牧业生产和牧民生命财产造成巨大的损失。本发明通过科学的方法对牧区雪灾造成畜牧业损害程度进行预测，提前做出减损避灾的应对措施，对降低牧区畜牧业经济损失具有重要的应用价值。
发明内容
本发明的目的是提供一种牧区雪灾对畜牧业损害度预测方法。
本发明通过遥感、无人机、地面监测、统计资料，结合中长期天气预报资料，从牧区抗灾力、降雪致灾力和家畜承载体（“二力一体”）方面，构建牧区雪灾对畜牧业损害发生的诊断模型、损害度预测模型、损害度分级标准及应对灾害的饲草料储备量估算模型，对牧区雪灾造成畜牧业的损害程度进行预测和饲草储备，利用地理信息系统和全球定位系统，可实现雪灾对畜牧业损害度分布的整体空间化，为制定科学地防灾策略提供依据。本发明通过雪灾区域与时间确定和雪灾损害是否发生的初步诊断，经2个步骤的简化，应用“二力一体”原理进行雪灾损害度预测，极大地减少了预测工作量，降低了评估成本，提高了预测精度。
本发明的目的是通过以下技术方案来实现：
一种牧区雪灾对畜牧业损害度预测方法，包括如下步骤：
1）确定牧区雪灾损害发生的区域与时间：利用ArcGIS软件将草场类型图和季节放牧利用图与行政区域图叠加，确定牧区冬春季（雪灾期）放牧草场的空间分布区域；根据牧草的季节性生产特征和气候特征，从牧草停止生产开始到牧草返青结束的时间确定为预期雪灾发生的时间。
2）收集数据与分析：通过遥感监测、无人机监测、地面仪器监测、天气预报和文献及统计资料，收集牧区冬春季草地牧草产量、积雪的深度、积雪覆盖率、家畜承载力、饲草储备量、家畜存栏量、家畜棚圈和气象预报资料，建立数据库，并对收集数据进行分析。
3）牧区雪灾损害发生诊断：根据冬春季饲草的供需关系建立雪灾损害发生的诊断模型，雪灾对畜牧业的损害是否发生进行初步诊断。饲草供给是根据牧草留存和饲草储备量确定，饲草的需求是根据存栏家畜数量和家畜膘情，结合历史上发展雪灾的频率确定，如果牧区饲草的供给小于存栏家畜的需求，则会发生畜牧业雪灾损害，但如果牧区饲草的供给大于存栏家畜的需求，则不发生畜牧业雪灾损害，无需进行损害预测评估。
牧区雪灾损害发生诊断模型
Figure 972805DEST_PATH_IMAGE001
（1）
当SDij>0时，无雪灾损害发生；当SDij≤0时，有雪灾损害发生。
式中，SD ij 为牧区雪灾损害发生诊断指数；y ij 为冬春季草场留存牧草产量；s ij 为冬春季饲草料储备量；c ij 为一个羊单位家畜在冬春季一天的饲草料需求量， t ij 为冬春季天数；N ij 为冬春季家畜存栏羊单位数量；f ij 为历史时期雪灾发生平均频率；
4）牧区雪灾对畜牧业损害度预测：在确定雪灾损害发生的前提下，基于牧区抗灾力、积雪致灾力和家畜承载体，建立牧区雪灾对畜牧业损害度预测指标体系和损害度预测模型，对牧区雪灾对畜牧业损害程度进行预测并进行验证。
雪灾损害度预测模型
Figure 827629DEST_PATH_IMAGE002
（2）
Figure 607366DEST_PATH_IMAGE003
（3）
Figure 937329DEST_PATH_IMAGE004
（4）
Figure 751701DEST_PATH_IMAGE005
（5）
Figure 511846DEST_PATH_IMAGE006
（6）
式中：S ij 为牧区抗灾力指数；A ij 为家畜承载体指数；R ij 为积雪致灾力指数；X ij 为牧区抗灾力单项指标量化值；W ij 为牧区抗灾力单项项指标权重；R ij 为积雪致灾力单项指标量化值；w ij 为积雪致灾力单项指标权重；Z ij 为家畜承载体单项指标量化值；U ij 为家畜承载体单项指标权重；SW ij 为理论损害度指数；SH ij 为实际损害度指数；D ij 为家畜死亡率; C ij 为家畜伤残率；p ij 为中期天气预报的灾害降雪概率。
5）牧区雪灾对畜牧业损害度分级标准
参考国家质量监督检验检疫总局和国家标准化管理委员会发布的《牧区雪灾等级国家标准》（2006），根据3）和4）得出牧区雪灾对畜牧业损害度预测，制定出牧区雪灾对畜牧业损害度的分级标准。
牧区雪灾对畜牧业损害度分级标准
等级 轻度损害 中度损害 严重损害 特大损害
雪灾损害度(<i>SH</i>) <0.25 0.25-0.44 0.45-0.59 >0.6
根据雪灾对畜牧业损害度预测结果与标准对照后，确定牧区雪灾对畜牧业生产的损害程度的等级。
6）空间制图
利用Arc G IS Server 平台的组成、结构、功能和运行方法，使多源信息集成预测区域雪灾损害度在分布式环境下实现地理数据管理、制图和空间分析。
根据确定的牧区雪灾对畜牧业损害等级，利用Arc G IS Server 软件，制作牧区雪灾对畜牧业损害度的空间分布图。
7）构建雪灾发生期应对灾害的饲草储备量估算模型，根据预测的不同损害度受灾面积和家畜存栏数量，制定出应对相应等级的减少家畜数量、增加储备饲草数量及增加保温棚圈面积等防灾减灾对策。
Figure RE-DEST_PATH_IMAGE007
式中:FR min 为应对灾害的饲草储备量；G a 为实际家畜存栏量；G t 为理论家畜存栏量；I为雪灾期1个羊单位家畜1天的采食量；D为雪灾期的天数。
本发明的优点：
该方法利用遥感和无人机监测技术，结合地面监测和统计资料与中长期天气预报，根据牧区抗灾力、积雪致灾力和家畜承灾体三者之间的相互作用关系及其变化分析。构建了基于“二力一体”构建了牧区雪灾对畜牧业损害诊断模型和损害度预测模型与分级标准。首先根据雪灾对畜牧业损害的空间分布，诊断牧区雪灾损害的发生，以冬春季饲草料的供需关系建立雪灾损害发生的诊断模型，对牧区雪灾对畜牧业损害度进行预测，并按照损害度评估模型与分级标准，然后根据应对灾害的饲草料储备量估算模型估算出雪灾期饲草储备量，有针对性地采取减少存栏家畜、增加饲草料储备和保温等措施，本发明可极大地降低牧区雪灾对畜牧业的损失和预防成本，实现牧区雪灾对畜牧业生产损害度的空间可视化，该方法极大地减少了预测工作量，提高了预测精度。实用性强。该方法原理独特，思路新颖，模型经过了在牧区多次雪灾案例的验证，预测精度高，方便快捷，可为抗灾救灾提供科学依据。
附图说明
图1牧区雪灾对畜牧业损害度预测原理
图2牧区雪灾对畜牧业损害度预测流程
图3牧区雪灾对畜牧业损害度预测指标体系
图4 甘南牧区雪灾发生区域空间分布图
图5 甘南牧区雪灾期草地放牧面积
图6 甘南牧区雪灾期（11月-4月）平均温度与降水
图7 甘南牧区雪灾期草地可食牧草产量
图8 甘南牧区雪灾期放牧草地载畜量
图9 甘南牧区雪灾期各县饲草亏欠量
图10 甘南牧区雪灾损害度空间分布图
具体实施方式
结合以下附图1、2、3，用实例对本发明的原理和特征进行描述，所例举只用于解释本发明，并非用于限定本发明的范围。
实施例：本发明以甘肃省甘南牧区为实例，说明一种牧区雪灾对畜牧业损害度预测方法，包括如下步骤：
第1步：利用ArcGIS软件将甘南牧区的草场类型图和季节放牧利用图与行政区域图叠加，制作2015年甘南牧区冬季放牧草场的空间分布图，确定甘南牧区雪灾发生区域空间分布见图4。降雪期甘南牧区放牧草场的面积为665744 hm2。甘南牧区的牧草在11月初开始停止生产，到次年4月末开始返青，确定预期雪灾发生时间约为181天。
第2步：通过Terra/Aqua、环境减灾、风云卫星和卫星MODIS资料和无人机监测获取甘南牧区2015年冬季放牧草场的积雪深度、积雪覆盖率、牧草覆盖度、牧草产量、草地和牧草可利用率及交通通行状况数据；利用无人机和人工仪器监测方式在26个地面牧户监测点收集温度、风力、低温持续天数、牧草高度、牧草产量、家畜结构与数量、家畜膘情、家畜大小的分圈、家畜死亡率和伤残率、草料与精饲料储备、家畜棚圈和牧民经济收入状况等数据。然后把遥感监测数据与地面监测数据汇总进行标准化处理，建立数据库。对积雪致灾力、牧区抗灾力和牲畜承载体情况分别进行分析（图5-图9）。
第3步：根据2015年甘南牧区冬季牧场牧草留存量、饲草料储备量、雪灾预期发生时间和存栏家畜需求量，结合家畜膘情历史雪灾发生频率等指标，利用雪灾损害发生诊断模型（1），初步诊断雪灾对畜牧业的损害是否发生。模型计算结果为SD ij =-16790吨. SD<0,故诊断甘南牧区2015年在玛曲县、碌曲县、夏河县和合作市有畜牧业雪灾损害发生，临潭县、卓尼县、舟曲县和迭部县由于处于半农半牧区，没有冬春季放牧草场，且农区饲草料丰富，能满足家畜的饲草料需求，没有雪灾损失发生。
第4步：根据构建的雪灾对畜牧业损害度预测指标体系（图3），对预测指标进行标准化处理。 标准化结果为：
积雪致灾力（R）：积雪深度R1为4cm、积雪覆盖率R2为85%、牧草掩埋指数R3为0.27、低温持续天数R 4 为5天、历史雪灾发生平均频次2.5次。
牲畜承载体(A)：载畜量A1为591.9万羊单位、畜群结构（大家畜占小家畜比例）A2为42.6%、家畜膘情A3为79.8%、家畜死亡率A4为20%、家畜伤残率A5为31.2%；
牧区抗灾力(S)：草地留存产量S1为403955万kg、草地可利用率S2为80%、牧草可利用率度S3为75%、牧草储备量S4为干草80791万kg、棚圈设施S5为78%、牧民经济状况S6为65%。
利用雪灾损害度预测模型（2）-（6）对甘南牧区雪灾对畜牧业损害进行预测。评估结果为：牧区抗灾力指数S ij =0.875；家畜承载体指数A ij =1.000；积雪致灾力指数R ij =0.483；理论损害度预测指数SW ij =0.392；实际损害度预测指数SH ij =0.152-0.547。
第5步：根据实际损害度预测指数SH ij 的数值，甘南牧区2015年雪灾对畜牧业损害情况为：轻度损害面积达307800hm2，占49.94%；中度损害面积达268175hm2，占43.50%；严重损害面积达40425hm2，占6.56%；无特大雪灾损害。其中，轻度损害：玛曲县166212 hm2，占54%，碌曲县64638 hm2，占21%，夏河县56019.6 hm2，占18.2%，合作市20930.4 hm2，占6.8%。中度损害：玛曲66507.4 hm2，占24.8%，碌曲县69189.2 hm2，占25.8%，夏河80452.5 hm2，占30%，合作市52026 hm2，占19.4%。严重损：害玛曲14431.7 hm2，占35.7%，碌曲县7236.1 hm2，占17.9%，夏河县13016.9 hm2，占32.2%，合作市5740.4 hm2，占14.2%。经2016年的验证调查，准确率达85%。
第6步：综合多源信息，利用Arc G IS Server 软件制作甘南牧区雪灾对畜牧业损害空间分布图，见图10。
第7步：估算2015年冬春季甘南牧区的理论存栏量为502.2万羊单位，实际家畜存栏量为591.9万羊单位，超载89.7万羊单位。其中，各县的超载量分别为：玛曲县24.4万羊单位、碌曲县14.1万羊单位、夏河县28.2万羊单位、合作市23万羊单位，临潭县、卓尼县、舟曲县和迭部县处于半农半牧区，草畜基本平衡。利用公式（7）估算出不减家畜数量条件下甘南牧区应对灾害的草料储备量为230684万kg，其中，玛曲县72174万kg、碌曲县46471万kg、夏河县80765万kg、合作市31274万kg。
具体的对策为：
方案1：:在入冬前将超载的家畜全部出栏销售，以减轻饲草料的供应压力。
方案2：在入冬前将膘情较差的家畜淘汰，如果把超载的50%家畜出栏出售，则最小储备饲草量为115342万kg，其中，玛曲县36087万kg，碌曲县23235.5万kg，夏河县40382.5万kg，合作市15637万kg，现有棚圈面积提高20%，即保障次年畜牧业生产的需求，又以预防轻度损害以上的雪灾。
方案3：根据市场饲草料的价格变化情况，调整畜群结构，在入冬前将膘情差、抵抗力弱的家畜淘汰，如果把超载的75%家畜出栏出售，则最小的饲草储备量为57671万kg，其中，玛曲县18043.5万kg，碌曲县11617.8万kg，夏河县20191.3万kg，合作市7818.5万kg，现有棚圈面积35%，以预防中度损害以上的雪灾。
本方法经过甘南牧区2016-2018年3年多次雪灾的验证，雪灾对畜牧业损害发生和损害度预测模型的平均精度达到了95%和78.5%。
以上所述仅为本发明的较佳实施案例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种牧区雪灾对畜牧业损害度预测方法，包括如下步骤：
1）确定牧区雪灾损害预测的区域与时间：利用ArcGIS软件将草场类型图和季节放牧利用图与行政区域图叠加，确定牧区冬春季放牧草场分布区域和雪灾发生的时间；
2）收集数据与分析：收集牧区冬春季草地牧草产量、积雪的深度、积雪覆盖率、家畜承载力、饲草储备量、家畜存栏量、家畜棚圈和气象预报资料，建立数据库，并对收集数据进行分析；
3）诊断牧区雪灾损害发生参数：根据冬春季饲草料的供需关系建立雪灾损害发生的诊断模型；
4）牧区雪灾对畜牧业损害度预测：在确定雪灾损害发生的前提下，基于牧区抗灾力、积雪致灾力和家畜承载体，建立牧区雪灾对畜牧业损害度预测指标体系和损害预测模型，对牧区雪灾对畜牧业损害程度进行预测并进行验证；
5）牧区雪灾对畜牧业损害分级标准
根据3）和4）得出牧区雪灾对畜牧业损害度预测，制定出牧区雪灾对畜牧业损害的分级标准；
6）空间制图
利用多源信息集成评估区域雪灾损害度在分布式环境下实现地理数据管理、制图和空间分析；
7）构建雪灾发生期应对灾害的饲草储备量估算模型，根据预测的不同损害度受灾面积和家畜存栏数量，制定出应对相应等级的减少家畜数量、增加储备饲草数量及增加保温棚圈面积防灾减灾措施。
CN202010145528.3A 2020-03-05 2020-03-05 牧区雪灾对畜牧业损害度预测方法 Pending CN111222720A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010145528.3A CN111222720A (zh) 2020-03-05 2020-03-05 牧区雪灾对畜牧业损害度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010145528.3A CN111222720A (zh) 2020-03-05 2020-03-05 牧区雪灾对畜牧业损害度预测方法

Publications (1)

Publication Number Publication Date
CN111222720A true CN111222720A (zh) 2020-06-02

Family

ID=70832584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010145528.3A Pending CN111222720A (zh) 2020-03-05 2020-03-05 牧区雪灾对畜牧业损害度预测方法

Country Status (1)

Country Link
CN (1) CN111222720A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642877A (zh) * 2021-08-05 2021-11-12 中国农业科学院草原研究所 一种基于牧户实际灾损的雪灾灾情评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646219A (zh) * 2012-02-27 2012-08-22 兰州大学 牧区雪灾的预警方法
CN103577719A (zh) * 2013-11-29 2014-02-12 民政部国家减灾中心 一种区域雪灾风险估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646219A (zh) * 2012-02-27 2012-08-22 兰州大学 牧区雪灾的预警方法
CN103577719A (zh) * 2013-11-29 2014-02-12 民政部国家减灾中心 一种区域雪灾风险估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘兴元;梁天刚;郭正刚;张学通;: "北疆牧区雪灾预警与风险评估方法", 应用生态学报, no. 01, pages 133 - 137 *
马晓芳: "青海牧区雪灾综合风险评估", 中国优秀硕士学位论文全文数据库 (农业科技辑), no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642877A (zh) * 2021-08-05 2021-11-12 中国农业科学院草原研究所 一种基于牧户实际灾损的雪灾灾情评估方法及系统

Similar Documents

Publication Publication Date Title
CN111737651B (zh) 基于多源数据的空间网格化干旱灾情风险评估方法及系统
Robinson et al. Rangeland degradation in Kazakhstan during the Soviet era: re-examining the evidence
Long et al. Using remote sensing and GIS technologies to estimate grass yield and livestock carrying capacity of alpine grasslands in Golog Prefecture, China
Herfindal et al. Environmental phenology and geographical gradients in moose body mass
Greenwood et al. Evaluation of mark-recapture for estimating striped skunk abundance
Swemmer et al. The ecology of drought-a workshop report
CAIN III et al. Responses of desert bighorn sheep to removal of water sources
Romera et al. Improving the McCall herbage growth model
Wang et al. Integrated risk assessment of snow disaster over the Qinghai-Tibet Plateau
CN112819227B (zh) 一种县级尺度冬小麦单产预测方法及系统
O'Connor Long-term response of an herbaceous sward to reduced grazing pressure and rainfall variability in a semi-arid South African savanna
CN111222720A (zh) 牧区雪灾对畜牧业损害度预测方法
Fadul Natural resources management for sustainable peace in Darfur
du Toit et al. Long-term influence of season of grazing and rainfall on vegetation in the eastern Karoo, South Africa
Guevara et al. Utilization of the rain-use efficiency factor for determining potential cattle production in the Mendoza plain, Argentina
Storm et al. A comparison of 2 techniques for estimating deer density
Smith et al. Factors affecting elephant distribution at Garamba National Park and surrounding reserves, Zaire, with a focus on human-elephant conflict
McKinney et al. Precipitation and desert bighorn sheep in the Mazatzal Mountains, Arizona
Said et al. Drought assessment and monitoring using some drought indicators in the semi-arid Puntland State of Somalia
Adane et al. Performance Assessment of Small-Scale Irrigation Schemes: A Case Study of Upper Blue Nile, East Dangila Woreda, Ethiopia
Donnelly et al. Using the GrassGro decision support tool to evaluate some objective criteria for the definition of exceptional drought
Amiri et al. Monitoring land suitability for mixed livestock grazing using Geographic Information System (GIS)
CN115420688A (zh) 一种基于物联网的农业灾害信息遥感提取损失评估方法
Igota et al. Seasonal migration of sika deer on Hokkaido Island, Japan
CN114358615A (zh) 一种动态草畜平衡监测方法

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