CN111488910B - 一种农田土壤有机碳时空数据获取方法 - Google Patents

一种农田土壤有机碳时空数据获取方法 Download PDF

Info

Publication number
CN111488910B
CN111488910B CN202010170074.5A CN202010170074A CN111488910B CN 111488910 B CN111488910 B CN 111488910B CN 202010170074 A CN202010170074 A CN 202010170074A CN 111488910 B CN111488910 B CN 111488910B
Authority
CN
China
Prior art keywords
organic carbon
carbon density
soil
target area
point position
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
CN202010170074.5A
Other languages
English (en)
Other versions
CN111488910A (zh
Inventor
赵占辉
杨锋
张宏敏
鲁春阳
李军杰
杨甲
李会杰
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.)
Henan University of Urban Construction
Original Assignee
Henan University of Urban Construction
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 Henan University of Urban Construction filed Critical Henan University of Urban Construction
Priority to CN202010170074.5A priority Critical patent/CN111488910B/zh
Publication of CN111488910A publication Critical patent/CN111488910A/zh
Application granted granted Critical
Publication of CN111488910B publication Critical patent/CN111488910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Abstract

本发明涉及一种农田土壤有机碳时空数据获取方法，采用少量样本数据进行插值、重采样分析后，获得更多的空间样点数据，能够快速、大幅提升空间分辨率；而且通过对高空间分辨率样点数据进行时间维度模拟分析，时间分辨率远高于传统采样调查获取的空间样点数据，可以快速得到时空尺度高分辨率样点数据；整个设计方法能够大幅提升获取数据工作效率，传统调查方法需要投入大量人力进行野外采样调查、室内化验分析，时间成本较高，本发明能够利用单一时期少量样本数据进行时空尺度拓展，获得时空分辨率更高的土壤样点数据，为数字农业大数据分析提供了数据支撑，填补了当前数据获取困难的技术空白。

Description

一种农田土壤有机碳时空数据获取方法
技术领域
本发明涉及一种农田土壤有机碳时空数据获取方法，属于数字农业土壤质量监测技术领域。
背景技术
由于土壤形态和演化过程十分复杂，难以进行土壤形态与性质定量化描述，而且空间变异特征及空间相关性等定量化描述更加复杂，如何快速获取所需的土壤关键信息已经成为科研工作者面临的热点问题。
在土壤监测领域，目前大范围采样调查工序十分繁琐，需要前往样点具体位置采集样品，将样品带回实验室做进一步分析，需要耗费大量人力、时间，并随着调查范围、样点数量增加而大幅增加人力与时间成本，导致大尺度土壤质量调查工作通常间隔在10年或10年以上进行一次，完成大范围调查需要1-3年时间，数据获取效率十分低下，对样本采样和实验室分析具有强烈的依赖性，具有费时费力费钱的缺陷，因其工作效率低而限制了其实用性，难以满足当今快速发展的现代农业需求，特别是随着数字农业的发展，获取农业大数据能力严重不足，急需研发能够快速获取农业土壤属性数据的技术。
发明内容
本发明所要解决的技术问题是提供一种农田土壤有机碳时空数据获取方法，能够利用少量样本数据、快速获取时空尺度土壤有机碳密度，提高工作效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种农田土壤有机碳时空数据获取方法，用于获得目标区域中各位置土壤有机碳密度随时间序列的变化，包括如下步骤：
步骤A. 分别针对目标区域中预设数量、预设分布的各个样本点，获得样本点位置的土壤有机碳密度，然后进入步骤B；
步骤B. 针对土壤有机碳密度取值范围、按预设间隔进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔，并将各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值一一对应，然后进入步骤C；
步骤C. 根据目标区域中各样本点位置的土壤有机碳密度，针对目标区域进行土壤有机碳密度插值处理，并根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，针对目标区域图像中的各位置、分别采用相应图像灰度值进行填充，获得目标区域灰度图像，然后进入步骤D；
步骤D. 针对目标区域灰度图像阵列分布设置预设数量的采样点，且采样点的数量大于样本点的数量，以及各采样点整体分布区域覆盖全部目标区域；并获得各个采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，获得各个采样点位置的土壤有机碳密度，然后进入步骤E；
步骤E. 分别针对目标区域中的各个采样点位置，根据采样点位置的土壤有机碳密度、以及该采样点位置的预设各类型模拟参数，应用硝化-反硝化模型进行预设时间分辨率的模拟，获得该采样点位置土壤有机碳密度随时间序列的变化；进而获得目标区域中各位置土壤有机碳密度随时间序列的变化。
作为本发明的一种优选技术方案：所述步骤A中，分别针对各个样本点，以样本点的位置为圆心、预设距离为半径构建圆形区域，在该圆形区域中随机选取预设数量的样点位置，并分别获得该各个样点位置的土壤有机碳密度，以该各个样点位置土壤有机碳密度的平均值作为该样本点位置的土壤有机碳密度；进而获得目标区域中各个样本点位置的土壤有机碳密度。
作为本发明的一种优选技术方案：采集目标区域中各位置土壤表面至其下方20cm深度之间的土壤有机碳密度，作为目标区域中各位置的土壤有机碳密度。
作为本发明的一种优选技术方案：所述步骤B中，针对土壤有机碳密度取值范围，按预设间隔1 t C/ha进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔。
作为本发明的一种优选技术方案：所述步骤D中，分别针对目标区域中的各个采样点，获得采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，若该采样点位置的灰度值等于各有机碳密度等级间隔分别所对应图像灰度值中的任意一个，则选择相应图像灰度值所对应有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度；若该采样点位置的灰度值等于两有机碳密度等级间隔分别所对应图像灰度值之间的过渡值，则选择相应大有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度。
作为本发明的一种优选技术方案：所述步骤E中，所述采样点位置的预设各类型模拟参数，包括采样点位置的气候参数、土壤参数、耕作措施参数。
本发明所述一种农田土壤有机碳时空数据获取方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计农田土壤有机碳时空数据获取方法，采用少量样本数据进行插值、重采样分析后，获得更多的空间样点数据，能够快速、大幅提升空间分辨率；而且通过对高空间分辨率样点数据进行时间维度模拟分析，时间分辨率远高于传统采样调查获取的空间样点数据，可以快速得到时空尺度高分辨率样点数据；整个设计方法能够大幅提升获取数据工作效率，传统调查方法需要投入大量人力进行野外采样调查、室内化验分析，时间成本较高，本发明能够利用单一时期少量样本数据进行时空尺度拓展，获得时空分辨率更高的土壤样点数据，为数字农业大数据分析提供了数据支撑，填补了当前数据获取困难的技术空白。
附图说明
图1是本发明设计农田土壤有机碳时空数据获取方法的流程示意图；
图2是本发明设计应用实施例中样本点空间分布特征；
图3是本发明设计应用实施例中基于样本点所获目标区域灰度图像示意图；
图4是本发明设计应用实施例中采样点空间分布特征；
图5是本发明设计应用实施例中基于采样点所获目标区域灰度图像示意图；
图6a至图6h分别表示本发明设计应用实施例中目标区域各年土壤有机碳密度分布；
图7是本发明设计应用实施例基于30个样本点的土壤有机碳密度数据趋势面分析示意图；
图8是本发明设计应用实施例基于150个采样点的土壤有机碳密度数据趋势面分析示意图；
图9是本发明设计应用实施例基于30个采样点、150个采样点的各有机碳密度等级面积统计示意图；
图10是本发明设计应用实施例基于30个采样点、150个采样点的各有机碳密度等级碳储量统计示意图；
图11是本发明设计应用实施例基于30个采样点、150个采样点的面域土壤碳储总量估算对比示意图；
图12a、图12b分别是本发明设计应用实施例中两个模拟点位对应实测与硝化反硝化模拟数据对比分析示意图；
图13a、图13b分别是本发明设计应用实施例中两个模拟点位对应硝化反硝化模拟数据相对误差分析示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种农田土壤有机碳时空数据获取方法，用于获得目标区域中各位置土壤有机碳密度随时间序列的变化，如图1所示，包括如下步骤A至步骤E。
步骤A. 分别针对目标区域中预设数量、预设分布的各个样本点，获得样本点位置的土壤有机碳密度，然后进入步骤B。
由于样本点周边直径100米范围内土壤类型、耕作制度、土地利用类型、及气候特征与样本点属性信息保持一致，该样本点能代表周边土壤肥力特征；因此，实际应用当中，上述步骤A中，对于目标区域中预设数量、预设分布的各个样本点，分别针对各个样本点，以样本点的位置为圆心、100米半径构建圆形区域，在该圆形区域中随机选取预设数量的样点位置，并分别获得该各个样点位置的土壤有机碳密度，以该各个样点位置土壤有机碳密度的平均值作为该样本点位置的土壤有机碳密度；进而获得目标区域中各个样本点位置的土壤有机碳密度。
对于土壤有机碳密度的采集，实际应用中，采集目标区域中各位置土壤表面至其下方20cm深度之间的土壤有机碳密度，作为目标区域中各位置的土壤有机碳密度。
步骤B. 针对土壤有机碳密度取值范围、按预设间隔进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔，实际应用中，可以设计按预设间隔1 tC/ha进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔；并将各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值一一对应，然后进入步骤C。
实际应用中，诸如获得各个有机碳密度等级间隔如下：
0～1t C/ha，1～2t C/ha，2～3t C/ha，3～4t C/ha，4～5t C/ha，5～6t C/ha，6～7t C/ha，7～8t C/ha，8～9t C/ha，9～10t C/ha，10～11t C/ha，11～12t C/ha，12～13tC/ha，13～14t C/ha，14～15t C/ha，15～16t C/ha，16～17t C/ha，17～18t C/ha，18～19tC/ha，19～20t C/ha，20～21t C/ha，21～22t C/ha，22～23t C/ha，23～24t C/ha，24～25tC/ha，25～26t C/ha，26～27t C/ha，27～28t C/ha，28～29t C/ha，29～30t C/ha，30～31tC/ha，31～32t C/ha，32～33t C/ha，33～34t C/ha，34～35t C/ha，35～36t C/ha，36～37tC/ha，37～38t C/ha，38～39t C/ha，39～40t C/ha，40～41t C/ha，41～42t C/ha，42～43tC/ha，43～44t C/ha，44～45t C/ha，45～46t C/ha，46～47t C/ha，47～48t C/ha，48～49tC/ha，49～50t C/ha。
步骤C. 根据目标区域中各样本点位置的土壤有机碳密度，针对目标区域进行土壤有机碳密度插值处理，并根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，针对目标区域图像中的各位置、分别采用相应图像灰度值进行填充，获得目标区域灰度图像，然后进入步骤D。
步骤D. 针对目标区域灰度图像阵列分布设置预设数量的采样点，且采样点的数量大于样本点的数量，实际应用中可以设计采样点的数量为样本点数量的5倍，以及各采样点整体分布区域覆盖全部目标区域；并获得各个采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，获得各个采样点位置的土壤有机碳密度，然后进入步骤E。
实际应用当中，上述步骤D中，对于各个采样点位置土壤有机碳密度的获得，具体采用方法为：分别针对目标区域中的各个采样点，获得采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，若该采样点位置的灰度值等于各有机碳密度等级间隔分别所对应图像灰度值中的任意一个，则选择相应图像灰度值所对应有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度；若该采样点位置的灰度值等于两有机碳密度等级间隔分别所对应图像灰度值之间的过渡值，则选择相应大有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度。
步骤E. 分别针对目标区域中的各个采样点位置，根据采样点位置的土壤有机碳密度、以及该采样点位置的预设各类型模拟参数，诸如采样点位置的气候参数、土壤参数、耕作措施参数，模拟参数主要通过实测或从当地、气象、农业、科研院所等部门获取，由此应用硝化-反硝化模型进行预设时间分辨率的模拟，获得该采样点位置土壤有机碳密度随时间序列的变化；进而获得目标区域中各位置土壤有机碳密度随时间序列的变化。
将上述所设计农田土壤有机碳时空数据获取方法，应用于实际当中，选择我国某地区面积约220148ha的农业生产区作为研究对象，步骤A中，采集获得30个样本点的土壤有机碳密度，30个样本点空间分布特征如图2所示。
步骤B中，按预设间隔1 t C/ha，针对30个样本点的土壤有机碳密度取值范围18tC/ha至36t C/ha进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔如下：
 18～19t C/ha，19～20t C/ha，20～21t C/ha，21～22t C/ha，22～23t C/ha，23～24t C/ha，24～25t C/ha，25～26t C/ha，26～27t C/ha，27～28t C/ha，28～29t C/ha，29～30t C/ha，30～31t C/ha，31～32t C/ha，32～33t C/ha，33～34t C/ha，34～35t C/ha，35～36t C/ha。
并将各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值一一对应。
步骤C中，根据目标区域中各样本点位置的土壤有机碳密度，针对目标区域进行土壤有机碳密度插值处理，并根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，针对目标区域图像中的各位置、分别采用相应图像灰度值进行填充，获得目标区域灰度图像，如图3所示。
步骤D中，针对目标区域灰度图像阵列分布设置预设数量的采样点，且采样点的数量为样本点数量的5倍，以及各采样点整体分布区域覆盖全部目标区域，如图4所示；并获得各个采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，获得各个采样点位置的土壤有机碳密度，如图5所示。
步骤E中，分别针对目标区域中的各个采样点位置，根据采样点位置的土壤有机碳密度、以及该采样点位置的气候参数、土壤参数、耕作措施参数，应用硝化-反硝化模型进行预设时间分辨率的模拟，模型模拟时间分辨率为1年，通过模拟得到各个采样点在时间序列上土壤有机碳密度数据，将单一时期空间数据拓展成时空尺度数据，以重采样数据时间为第n年，本实例获取了7年时空数据，如图6a至图6h，获得目标区域中各位置土壤有机碳密度随时间序列的变化，即第n+1、n+2、n+3、n+4、n+5、n+6、n+7年目标区域中各位置土壤有机碳密度。
针对本发明所设计方法获取的数据进行可靠性分析，数据误差主要来源于两个方面，一是重采样数据误差，二是硝化反硝化数学模型模拟误差，因此，基于上述实施例针对上述误差进行如下分析：
（1）针对重采样数据误差，分别做了如下分析：基于30个样本点的土壤有机碳密度数据趋势面分析示意图如图7所示，以及150个采样点的土壤有机碳密度趋势面分析示意图如图8所示，基于30个样本点、150个采样点各有机碳密度等级面积统计图如图9所示，基于30个样本点、150个采样点各有机碳密度等级碳储量统计图如图10所示，基于30个样本点、150个采样点面域土壤碳储总量估算对比图如图11所示，上述分析结果显示，重采样采样点数据与样本点数据空间特征、各有机碳密度等级面积与碳储量、研究区域碳储总量估算均具有高度一致性，其中碳储总量估算相对误差为0.16%，由此可见，因重采样所引起的数据误差可以忽略不计。
（2）针对硝化-反硝化数学模型模拟误差，本研究通过样点与长期定位观测数据进行对比验证分析，设置两个模拟点位，每年采集点位土壤有机碳密度数据，与模拟数据进行对比分析，结果如图12a、图12b、图13a、图13b所示，分析结果显示模拟数据与观测数据十分接近，相对误差控制在20%以内。
综上分析，本发明所获取的土壤有机碳密度时空数据单点相对误差控制在20%以内，能满足对时空尺度农田土壤质量监测需求。
上述技术方案所设计农田土壤有机碳时空数据获取方法，采用少量样本数据进行插值、重采样分析后，获得更多的空间样点数据，能够快速、大幅提升空间分辨率；而且通过对高空间分辨率样点数据进行时间维度模拟分析，时间分辨率远高于传统采样调查获取的空间样点数据，可以快速得到时空尺度高分辨率样点数据；整个设计方法能够大幅提升获取数据工作效率，传统调查方法需要投入大量人力进行野外采样调查、室内化验分析，时间成本较高，本发明能够利用单一时期少量样本数据进行时空尺度拓展，获得时空分辨率更高的土壤样点数据，为数字农业大数据分析提供了数据支撑，填补了当前数据获取困难的技术空白。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种农田土壤有机碳时空数据获取方法，用于获得目标区域中各位置土壤有机碳密度随时间序列的变化，其特征在于，包括如下步骤：
步骤A. 分别针对目标区域中预设数量、预设分布的各个样本点，获得样本点位置的土壤有机碳密度，然后进入步骤B；
步骤B. 针对土壤有机碳密度取值范围、按预设间隔进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔，并将各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值一一对应，然后进入步骤C；
步骤C. 根据目标区域中各样本点位置的土壤有机碳密度，针对目标区域进行土壤有机碳密度插值处理，并根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，针对目标区域图像中的各位置、分别采用相应图像灰度值进行填充，获得目标区域灰度图像，然后进入步骤D；
步骤D. 针对目标区域灰度图像阵列分布设置预设数量的采样点，且采样点的数量大于样本点的数量，以及各采样点整体分布区域覆盖全部目标区域；并获得各个采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，获得各个采样点位置的土壤有机碳密度，然后进入步骤E；
步骤E. 分别针对目标区域中的各个采样点位置，根据采样点位置的土壤有机碳密度、以及该采样点位置的预设各类型模拟参数，应用硝化-反硝化模型进行预设时间分辨率的模拟，获得该采样点位置土壤有机碳密度随时间序列的变化；进而获得目标区域中各位置土壤有机碳密度随时间序列的变化。
2.根据权利要求1所述一种农田土壤有机碳时空数据获取方法，其特征在于：所述步骤A中，分别针对各个样本点，以样本点的位置为圆心、预设距离为半径构建圆形区域，在该圆形区域中随机选取预设数量的样点位置，并分别获得该各个样点位置的土壤有机碳密度，以该各个样点位置土壤有机碳密度的平均值作为该样本点位置的土壤有机碳密度；进而获得目标区域中各个样本点位置的土壤有机碳密度。
3.根据权利要求1或2所述一种农田土壤有机碳时空数据获取方法，其特征在于：采集目标区域中各位置土壤表面至其下方20cm深度之间的土壤有机碳密度，作为目标区域中各位置的土壤有机碳密度。
4. 根据权利要求1所述一种农田土壤有机碳时空数据获取方法，其特征在于：所述步骤B中，针对土壤有机碳密度取值范围，按预设间隔1 t C/ha进行等级划分，获得覆盖土壤有机碳密度取值范围的各个有机碳密度等级间隔。
5.根据权利要求1所述一种农田土壤有机碳时空数据获取方法，其特征在于：所述步骤D中，分别针对目标区域中的各个采样点，获得采样点位置的灰度值，根据各个有机碳密度等级间隔分别与预设各个彼此不同图像灰度值之间的一一对应关系，若该采样点位置的灰度值等于各有机碳密度等级间隔分别所对应图像灰度值中的任意一个，则选择相应图像灰度值所对应有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度；若该采样点位置的灰度值等于两有机碳密度等级间隔分别所对应图像灰度值之间的过渡值，则选择相应大有机碳密度等级间隔中最小值与最大值之间的平均值、作为该采样点位置的有机碳密度。
6.根据权利要求1所述一种农田土壤有机碳时空数据获取方法，其特征在于：所述步骤E中，所述采样点位置的预设各类型模拟参数，包括采样点位置的气候参数、土壤参数、耕作措施参数。
CN202010170074.5A 2020-03-12 2020-03-12 一种农田土壤有机碳时空数据获取方法 Active CN111488910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010170074.5A CN111488910B (zh) 2020-03-12 2020-03-12 一种农田土壤有机碳时空数据获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010170074.5A CN111488910B (zh) 2020-03-12 2020-03-12 一种农田土壤有机碳时空数据获取方法

Publications (2)

Publication Number Publication Date
CN111488910A CN111488910A (zh) 2020-08-04
CN111488910B true CN111488910B (zh) 2023-04-07

Family

ID=71811716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010170074.5A Active CN111488910B (zh) 2020-03-12 2020-03-12 一种农田土壤有机碳时空数据获取方法

Country Status (1)

Country Link
CN (1) CN111488910B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131370B (zh) * 2022-07-04 2023-04-18 东北林业大学 森林固碳、释氧能力及效益评估方法及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011150472A1 (en) * 2010-06-04 2011-12-08 The University Of Sydney A method of quantifying soil carbon
CN104408258A (zh) * 2014-12-01 2015-03-11 四川农业大学 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN110276160A (zh) * 2019-07-02 2019-09-24 四川农业大学 一种平原区土壤有机碳三维空间分布模拟方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10247717B2 (en) * 2017-07-14 2019-04-02 SafeNet International LLC Method of efficient acquisition of soil data using image mapping

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011150472A1 (en) * 2010-06-04 2011-12-08 The University Of Sydney A method of quantifying soil carbon
CN104408258A (zh) * 2014-12-01 2015-03-11 四川农业大学 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN110276160A (zh) * 2019-07-02 2019-09-24 四川农业大学 一种平原区土壤有机碳三维空间分布模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
河南封丘县域农田土壤固碳速率空间变异特征及其影响因素;赵占辉等;《应用生态学报》;20161231(第05期);全文 *
重庆市农田土壤有机碳时空变化与固碳潜力分析;周金霖等;《环境科学学报》;20151231(第11期);全文 *

Also Published As

Publication number Publication date
CN111488910A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN109800921B (zh) 基于遥感物候同化和粒子群优化的区域冬小麦估产方法
CN108510107B (zh) 一种农业种植指导方法、电子设备及存储介质
CN109711102B (zh) 一种作物灾害损失快速评估方法
CN108520267B (zh) 一种基于时空特征的水文遥测数据异常检测方法
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
CN104331639A (zh) 一种土壤含水率间接获取及快速评价方法
CN110457422A (zh) 土壤样品采集自动布点系统及方法
CN111488910B (zh) 一种农田土壤有机碳时空数据获取方法
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
CN114169161A (zh) 一种土壤有机碳时空变异和固碳潜力估计方法和系统
CN109725133B (zh) 土壤水分实时监测系统及其监测方法
CN101975058A (zh) 一种测井曲线数据的检索方法及装置
CN113570273A (zh) 一种灌溉耕地统计数据的空间化方法及系统
CN109710889A (zh) 一种基于树木年轮精确估计森林生产力的取样方法
CN116933034A (zh) 生态系统碳储量变化的确定方法、系统、电子设备及介质
CN116703639A (zh) 一种基于深度学习的土壤肥力评估与施肥建议系统及方法
CN114720665B (zh) 测土配方施肥土壤全氮异常值检测方法及装置
Cunningham et al. Generating spatially and statistically representative maps of environmental variables to test the efficiency of alternative sampling protocols
CN111398561B (zh) 一种基于多源数据辅助的农田土壤有机碳时空数据获取方法
WO2011123653A1 (en) Environmental monitoring
CN113156082B (zh) 一种识别作物根系活动层深度的方法及系统
CN111398562B (zh) 一种基于tm影像辅助的农田土壤有机碳含量数据获取方法
AU2017216507A1 (en) Environmental monitoring
CN112734119A (zh) 一种基于空间养分聚类分析的玉米产量预测方法
CN109033568B (zh) 一种草地产草量空间数据格网化重建方法

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