CN111504425A - 一种估算干旱平原地区生态地下水位的方法及装置 - Google Patents
一种估算干旱平原地区生态地下水位的方法及装置 Download PDFInfo
- Publication number
- CN111504425A CN111504425A CN202010331364.3A CN202010331364A CN111504425A CN 111504425 A CN111504425 A CN 111504425A CN 202010331364 A CN202010331364 A CN 202010331364A CN 111504425 A CN111504425 A CN 111504425A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- vegetation
- arid
- coverage
- vegetation coverage
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000003673 groundwater Substances 0.000 claims abstract description 79
- 238000009933 burial Methods 0.000 claims abstract description 54
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000002689 soil Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 241000196324 Embryophyta Species 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 241000894007 species Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
- G01F23/2921—Light, e.g. infrared or ultraviolet for discrete levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Fluid Mechanics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种估算干旱平原地区生态地下水位的方法及装置，包括：对待研究干旱平原地区进行典型样方划分并获取环境要素；依据待研究干旱平原地区的历史时期卫星遥感图像数据及环境要素，构建地表植被覆盖度遥感定量反演模型；提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。可以提高干旱平原地区生态地下水位的估算精度。
Description
技术领域
本发明涉及生态水文学中地下水生态功能和资源功能相协调的技术领域，具体而言，涉及一种估算干旱平原地区生态地下水位的方法及装置。
背景技术
我国的干旱地区分布十分广泛，降雨量稀少，对于干旱地区来说，这些地区的天然植被对地下水依存度很高，地下水位的高低控制着该地区植被种群的分布格局、植被覆盖度。对于这些地区的植被种群来说，每一植被种群都有其相对应的地下水位(地下水埋深)，以维系该植被种群的生长和繁衍，该地下水埋深被称之为该植被种群的生态地下水位。
地下水不仅为干旱地区的生态环境提供水资源，也为社会经济的发展提供水资源，社会经济发展所需的水资源与生态环境所需的水资源之间形成竞争关系。因而，干旱地区的生态地下水位是实现干旱地区水资源开发利用与生态环境保护协调的核心，是水资源可持续利用的关键数据之一，也是干旱地区水资源管理面临的现实难题之一。
由于我国绝大部分的干旱地区没有设置观测植被以及地下水位的生态观测站，因而，对于这些干旱平原地区的生态地下水位估算，采用其他设置有生态观测站的干旱平原地区的观测数据，依据经验值法进行估算。但由于生态地下水位受到气候、土壤、地下水、生物群落等因素的影响，不同地区的生态地下水位往往差距较大，采用其它地区的经验值往往会造成较大误差，使得干旱平原地区的生态地下水位估算精度低，严重影响了生态地下水位的科学性，阻碍了生态地下水位的实际应用。
发明内容
有鉴于此，本发明的目的在于提供估算干旱平原地区生态地下水位的方法及装置，以提高干旱平原地区生态地下水位的估算精度。该方法适用于地下水位下降较大的干旱平原地区。
第一方面，本发明实施例提供了估算干旱平原地区生态地下水位的方法，包括：
依据待研究干旱平原地区内的自然植物分布、植被覆盖度、地下水位分布、降水量、蒸发量、河流水系、土壤条件，确定研究干旱平原地区确定典型样方数量和位置。对典型样方进行现场勘察，获取其植被物种类型、优势物种、植被覆盖度、物种丰度、生物量、地下水埋深和水位、表层土壤含盐量和含水量。
依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，包括：
以地下水埋深为坐标系的横坐标，以植被覆盖度为坐标系的纵坐标，将各历史时期的地下水埋深以及对应的反演得到的植被覆盖度作为坐标点标注在坐标系中；
利用拟合算法连接各坐标点，得到关系曲线。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述依据建立的关系确定该目标点的生态地下水位，包括：
获取关系曲线在坐标系中的最高点，定位该最高点的横坐标对应的地下水埋深值，计算该地下水埋深值与预定值的和值，得到生态地下水位的上限值，计算该地下水埋深值与预定值的差值，得到生态地下水位的下限值。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述获取典型样方的环境要素，包括：
按照预先设置的时间轴，观测典型样方的环境要素并记录。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述对待研究干旱平原地区进行典型样方划分，包括：
依据待研究干旱平原地区内的植被覆盖度、河流水系、土壤条件，对待研究干旱平原地区进行典型样方划分。
结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型，包括：
对获取的典型样方的环境要素进行数据清洗以及归一化处理，得到典型样方的归一化环境要素；
从待研究干旱平原地区的历史时期卫星遥感图像数据中，获取典型样方的卫星遥感图像数据，对典型样方的卫星遥感图像数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到归一化植被指数；
针对每一典型样方，依据该典型样方的归一化环境要素的观测时间，获取与观测时间相一致的该典型样方的归一化植被指数，构建该典型样方的归一化环境要素与归一化植被指数的映射关系；
基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型，包括：
以归一化植被指数作为地表植被覆盖度遥感定量反演模型的输入，以映射的归一化环境要素作为地表植被覆盖度遥感定量反演模型的输出，对地表植被覆盖度遥感定量反演模型进行多轮训练，得到训练好的地表植被覆盖度遥感定量反演模型。
第二方面，本发明实施例还提供了一种估算干旱平原地区生态地下水位的装置，包括：
环境要素获取模块，用于对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；
反演模型构建模块，用于依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
植被覆盖度反演获取模块，用于提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
生态地下水位确定模块，用于收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的估算干旱平原地区生态地下水位的方法及装置，通过对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。这样，利用目标点的历史时期卫星遥感图像数据进行植被覆盖度反演，并依据目标点同一历史时期的地下水埋深，构建目标点的植被覆盖度和地下水埋深的关系，依据构建的关系确定目标点的生态地下水位，能够有效提高干旱平原地区生态地下水位的估算精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的估算干旱平原地区生态地下水位的方法流程示意图；
图2示出了本发明实施例所提供的估算干旱平原地区生态地下水位的装置结构示意图；
图3示出了本发明实施例所提供的植被覆盖度与地下水埋深的关系，生态地下水位典型示意图；
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
由于我国的干旱地区分布广泛，绝大部分的干旱平原地区没有设置生态观测站，无法直接获取这些干旱平原地区的地下水位情况以及植被覆盖度情况，也就无法确定这些干旱平原地区的生态地下水位，而采用设置有生态观测站的其他干旱平原地区的观测数据，依据经验值法进行估算确定的生态地下水位，由于不同地区的气候、土壤、生物群落不同，使得采用其它地区的经验值估算的生态地下水位误差较大，生态地下水位的估算精度低，不能有效实现干旱平原地区水资源开发利用与生态环境的协调保护。本发明实施例中，利用目标点的历史时期卫星遥感图像数据，进行历史时期植被覆盖度定量遥感反演，获取目标点的植被覆盖度，并依据收集的该目标点同一历史时期的地下水埋深，构建目标点的植被覆盖度和地下水埋深的关系，依据构建的关系确定目标点的生态地下水位，从而采取相应措施保障植被种群的适宜生态环境，实现生态系统和社会经济系统的持续性发展。
本发明实施例提供了一种估算干旱平原地区生态地下水位的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的估算干旱平原地区生态地下水位的方法流程示意图。如图1所示，该方法包括：
步骤101，对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；
本发明实施例中，对需要研究的干旱平原地区(待研究干旱平原地区)，选取典型样方进行观测，以获取典型样方内的环境要素，并依据获取的环境要素，结合典型样方的各历史时期的卫星遥感图像数据，利用机器学习算法进行地表植被覆盖度遥感定量反演模型构建，从而可以依据构建的地表植被覆盖度遥感定量反演模型以及该待研究干旱平原地区中的目标点各历史时期的卫星遥感图像数据，进行目标点对应历史时期的植被覆盖度的确定。
本发明实施例中，依据待研究干旱平原地区内的自然植物分布、植被覆盖度、地下水位分布、降水量、蒸发量、河流水系、土壤条件，确定研究干旱平原地区确定典型样方数量和位置。对典型样方进行现场勘察，获取其植被物种类型、优势物种、植被覆盖度、物种丰度、生物量、地下水埋深和水位、表层土壤含盐量和含水量。
本发明实施例中，作为一可选实施例，对待研究干旱平原地区进行典型样方划分，包括：
依据待研究干旱平原地区内的植被覆盖度、河流水系、土壤条件，对待研究干旱平原地区进行典型样方划分。
本发明实施例中，从待研究干旱平原地区中，选取多个典型样方进行样方观测。例如，依据待研究干旱平原地区内的植株大小、密度、河流水系、土壤条件，确定典型样方的位置和大小(面积)，使得在确定的典型样方的区域内，生长有植被种群的大多数植物物种。
本发明实施例中，作为一可选实施例，对于不同的植被种群，对应划分的典型样方的大小也不同，例如，草本植被种群、灌木植被种群、乔木植被种群对应划分的典型样方的大小不同，且草本植被种群的典型样方的大小小于灌木植被种群的典型样方的大小，灌木植被种群的典型样方的大小小于乔木植被种群的典型样方的大小。
本发明实施例中，作为一可选实施例，环境要素包括植被覆盖度，进一步地，还可以包括：植被物种名称、多度、地下水埋深、土壤类型、土壤含盐量、土壤含水量、地下水水质。
本发明实施例中，作为一可选实施例，获取典型样方的环境要素，包括：
按照预先设置的时间轴，观测典型样方的环境要素并记录。
本发明实施例中，预先设置的时间轴可以是每月一次、每月两次、每季度一次或多次等。这样，记录的典型样方的环境要素中，包含有各历史时期的环境要素。
步骤102，依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
本发明实施例中，作为一可选实施例，依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型，包括：
A11，对获取的典型样方的环境要素进行数据清洗以及归一化处理，得到典型样方的归一化环境要素；
本发明实施例中，对环境要素进行数据清洗，以去除环境要素中包含的异常数据，而进行归一化处理，可以避免环境要素中的各参数的量纲不同，对模型构建的影响。
A12，从待研究干旱平原地区的历史时期卫星遥感图像数据中，获取典型样方的卫星遥感图像数据，对典型样方的卫星遥感图像数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到归一化植被指数；
本发明实施例中，卫星遥感图像数据包括但不限于：红外波段遥测数据、近红外波段遥测数据。辐射定标是在计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的卫星遥感图像数据进行比较时，将卫星遥感图像数据的亮度灰度值转换为绝对的辐射亮度。大气校正用于消除卫星遥感图像数据中由大气散射和吸收引起的辐射误差。
A13，针对每一典型样方，依据该典型样方的归一化环境要素的观测时间，获取与观测时间相一致的该典型样方的归一化植被指数，构建该典型样方的归一化环境要素与归一化植被指数的映射关系；
本发明实施例中，由于不同时期，例如，夏季和冬季，同一典型样方的环境要素的值是不同的，因而，需要将同一时期的环境要素与卫星遥感图像数据进行关联。作为一可选实施例，与观测时间相一致可以是与观测时间的时间差在预先设置的时间差阈值内，例如，两者的时间差在10天之内，就认为是与观测时间相一致。
A14，基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型。
本发明实施例中，作为一可选实施例，机器学习方法包括但不限于：朴素贝叶斯分类器算法、K均值聚类算法、支持向量机学习算法、线性回归机器学习算法、决策树机器学习算法、随机森林机器学习算法。
本发明实施例中，作为一可选实施例，可以采用以上各机器学习方法，分别构建地表植被覆盖度遥感定量反演模型，从构建的各地表植被覆盖度遥感定量反演模型中，选取精度最高的地表植被覆盖度遥感定量反演模型作为最终的地表植被覆盖度遥感定量反演模型。
本发明实施例中，作为一可选实施例，基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型，包括：
以归一化植被指数作为地表植被覆盖度遥感定量反演模型的输入，以映射的归一化环境要素作为地表植被覆盖度遥感定量反演模型的输出，对地表植被覆盖度遥感定量反演模型进行多轮训练，得到训练好的地表植被覆盖度遥感定量反演模型。
本发明实施例中，具体实现时，基于典型样方的站点观测植被覆盖度以及进行辐射定标的站点的红、近红外波段遥测数据，得到植被覆盖度的误差，基于该误差调整地表植被覆盖度遥感定量反演模型，例如，随机森林模型的参数，直到地表植被覆盖度遥感定量反演模型的损失函数满足预设的阈值，得到训练好的地表植被覆盖度遥感定量反演模型。对于环境要素还包括除植被覆盖度之外的参数的情形，以归一化植被指数以及该归一化植被指数映射的归一化环境要素中除植被覆盖度之外的其他归一化环境要素，作为地表植被覆盖度遥感定量反演模型的输入，以映射的植被覆盖度作为地表植被覆盖度遥感定量反演模型的输出。
本发明实施例中，通过获取待研究干旱平原地区(典型样方)的多个历史时期卫星遥感图像数据，卫星遥感图像数据的拍摄时间与环境要素的观测时间相一致，根据对应典型样方点位处Landsat遥感影像特征波段的光谱信息，在星地协同观测的基础上使用机器学习方法构建地表植被覆盖度遥感定量反演模型，从而可以反演多个历史时期地表植被覆盖度。
步骤103，提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
本发明实施例中，从卫星遥感图像数据中，获取目标点各历史时期的红、近红外波段遥测数据，针对每一历史时期的红、近红外波段遥测数据，对目标点的红、近红外波段遥测数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到该历史时期目标点的归一化植被指数，将目标点的归一化植被指数输入训练好的地表植被覆盖度遥感定量反演模型，得到该历史时期反演的该目标点的植被覆盖度。
步骤104，收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
本发明实施例中，根据水资源、生态研究和管理需要，选取多个目标点(地理位置)。对于每一目标点，依据该目标点的多个历史时期的植被覆盖度反演结果获取植被覆盖度数据，同时，收集该目标点在对应历史时期下的地下水埋深历史资料，建立该目标点的植被覆盖度与地下水埋深关系。根据此关系，确定生态地下水位。作为一可选实施例，生态地下水位包括最适生态地下水位、适宜生态地下水位等。
本发明实施例中，作为一可选实施例，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位，包括：
A21，以地下水埋深为坐标系的横坐标，以植被覆盖度为坐标系的纵坐标，将各历史时期的地下水埋深以及对应的反演得到的植被覆盖度作为坐标点标注在坐标系中；
A22，利用拟合算法连接各坐标点，得到关系曲线；
A23，获取关系曲线在坐标系中覆盖度最高点，定位该最高点的横坐标对应的地下水埋深值相应水位，就是最适宜生态地下水位，计算该地下水埋深值减去植物种的忍耐度，得到生态地下水位的下限值，计算该地下水埋深值加上植物种的忍耐度，得到生态地下水位的上限值。
本发明实施例中，作为一可选实施例，定位得到的地下水埋深值相应水位为最适生态地下水位，地下水埋深值和植物种的忍耐度构成的范围为生态地下水位的上下限值。
图2示出了本发明实施例所提供的估算干旱平原地区生态地下水位的装置结构示意图。如图2所示，该装置包括：
环境要素获取模块201，用于对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；
本发明实施例中，作为一可选实施例，环境要素获取模块201包括：
样方划分单元(图中未示出)，用于依据待研究干旱平原地区内的植被覆盖度、河流水系、土壤条件，对待研究干旱平原地区进行典型样方划分；
环境要素获取单元，用于按照预先设置的时间轴，观测典型样方的环境要素并记录。
本发明实施例中，不同植被种群对应的典型样方的大小不同，作为一可选实施例，草本植被种群的典型样方的大小小于灌木植被种群的典型样方的大小，灌木植被种群的典型样方的大小小于乔木植被种群的典型样方的大小。
本发明实施例中，作为一可选实施例，环境要素包括植被覆盖度，进一步地，还可以包括：植被物种名称、多度、地下水埋深、土壤类型、土壤含盐量、土壤含水量、地下水水质。
反演模型构建模块202，用于依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
本发明实施例中，作为一可选实施例，反演模型构建模块202包括：
环境要素归一化单元(图中未示出)，用于对获取的典型样方的环境要素进行数据清洗以及归一化处理，得到典型样方的归一化环境要素；
植被指数归一化单元，用于从待研究干旱平原地区的历史时期卫星遥感图像数据中，获取典型样方的卫星遥感图像数据，对典型样方的卫星遥感图像数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到归一化植被指数；
映射关系构建单元，用于针对每一典型样方，依据该典型样方的归一化环境要素的观测时间，获取与观测时间相一致的该典型样方的归一化植被指数，构建该典型样方的归一化环境要素与归一化植被指数的映射关系；
反演模型构建单元，用于基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型。
本发明实施例中，作为一可选实施例，机器学习方法包括：朴素贝叶斯分类器算法、K均值聚类算法、支持向量机学习算法、线性回归机器学习算法、决策树机器学习算法、随机森林机器学习算法。采用以上各机器学习方法，分别构建地表植被覆盖度遥感定量反演模型，从构建的各地表植被覆盖度遥感定量反演模型中，选取精度最高的地表植被覆盖度遥感定量反演模型作为最终的地表植被覆盖度遥感定量反演模型。
本发明实施例中，作为一可选实施例，基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型，包括：
以归一化植被指数作为地表植被覆盖度遥感定量反演模型的输入，以映射的归一化环境要素作为地表植被覆盖度遥感定量反演模型的输出，对地表植被覆盖度遥感定量反演模型进行多轮训练，得到训练好的地表植被覆盖度遥感定量反演模型。
植被覆盖度反演获取模块203，用于提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
本发明实施例中，获取目标点各历史时期的红、近红外波段遥测数据，对目标点的红、近红外波段遥测数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到该历史时期目标点的归一化植被指数，将目标点的归一化植被指数输入训练好的地表植被覆盖度遥感定量反演模型，得到该历史时期反演的该目标点的植被覆盖度。
生态地下水位确定模块204，用于收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
本发明实施例中，作为一可选实施例，生态地下水位确定模块204包括：
数据收集单元(图中未示出)，用于收集目标点对应历史时期的地下水埋深；
标注单元，用于以地下水埋深为坐标系的横坐标，以植被覆盖度为坐标系的纵坐标，将各历史时期的地下水埋深以及对应的反演得到的植被覆盖度作为坐标点标注在坐标系中；
拟合单元，用于利用拟合算法连接各坐标点，得到关系曲线；
生态地下水位确定单元，用于依据建立的关系确定目标点的生态地下水位。
本发明实施例中，作为一可选实施例，生态地下水位确定单元具体用于：
获取关系曲线在坐标系中覆盖度最高点，定位该最高点的横坐标对应的地下水埋深值相应水位，就是最适宜生态地下水位，计算该地下水埋深值减去植物种的忍耐度，得到生态地下水位的下限值，计算该地下水埋深值加上植物种的忍耐度，得到生态地下水位的上限值。
图3示出了本发明实施例所提供的植被覆盖度与地下水埋深的关系，生态地下水位典型示意图。如图3所示，关系曲线在坐标系中覆盖度最高点的横坐标对应的地下水埋深值相应水位是最适宜生态地下水位，适宜生态地下水位具有一范围。
如图4所示，本申请一实施例提供了一种计算机设备400，用于执行图1中的估算干旱平原地区生态地下水位的方法，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述估算干旱平原地区生态地下水位的方法的步骤。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述估算干旱平原地区生态地下水位的方法。
对应于图1中的估算干旱平原地区生态地下水位的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述估算干旱平原地区生态地下水位的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述估算干旱平原地区生态地下水位的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种估算干旱平原地区生态地下水位的方法，其特征在于，包括：
对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；
依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
2.根据权利要求1所述的方法，其特征在于，所述依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，包括：
以地下水埋深为坐标系的横坐标，以植被覆盖度为坐标系的纵坐标，将各历史时期的地下水埋深以及对应的反演得到的植被覆盖度作为坐标点标注在坐标系中；
利用拟合算法连接各坐标点，得到关系曲线。
3.根据权利要求2所述的方法，其特征在于，所述依据建立的关系确定该目标点的生态地下水位，包括：
获取关系曲线在坐标系中覆盖度最高点，定位该最高点的横坐标对应的地下水埋深值相应水位，就是最适宜生态地下水位，计算该地下水埋深值减去植物种的忍耐度，得到生态地下水位的下限值，计算该地下水埋深值加上植物种的忍耐度，得到生态地下水位的上限值。
4.根据权利要求1所述的方法，其特征在于，所述获取典型样方的环境要素，包括：
按照预先设置的时间轴，观测典型样方的环境要素并记录。
5.根据权利要求1所述的方法，其特征在于，所述对待研究干旱平原地区进行典型样方划分，包括：
依据待研究干旱平原地区内的自然植物分布、植被覆盖度、地下水位分布、降水量、蒸发量、河流水系、土壤条件，确定研究干旱平原地区典型样方数量和位置。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型，包括：
对获取的典型样方的环境要素进行数据清洗以及归一化处理，得到典型样方的归一化环境要素；
从待研究干旱平原地区的历史时期卫星遥感图像数据中，获取典型样方的卫星遥感图像数据，对典型样方的卫星遥感图像数据进行辐射定标以及大气校正，对大气校正得到的数据进行归一化处理，得到归一化植被指数；
针对每一典型样方，依据该典型样方的归一化环境要素的观测时间，获取与观测时间相一致的该典型样方的归一化植被指数，构建该典型样方的归一化环境要素与归一化植被指数的映射关系；
基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型。
7.根据权利要求6所述的方法，其特征在于，所述基于归一化植被指数以及该归一化植被指数映射的归一化环境要素，利用机器学习方法，构建地表植被覆盖度遥感定量反演模型，包括：
以归一化植被指数作为地表植被覆盖度遥感定量反演模型的输入，以映射的归一化环境要素作为地表植被覆盖度遥感定量反演模型的输出，对地表植被覆盖度遥感定量反演模型进行多轮训练，得到训练好的地表植被覆盖度遥感定量反演模型。
8.一种估算干旱平原地区生态地下水位的装置，其特征在于，包括：
环境要素获取模块，用于对待研究干旱平原地区进行典型样方划分，获取典型样方的环境要素；
反演模型构建模块，用于依据待研究干旱平原地区的历史时期卫星遥感图像数据以及获取的典型样方的环境要素，构建地表植被覆盖度遥感定量反演模型；
植被覆盖度反演获取模块，用于提取待研究干旱平原地区内目标点的各历史时期卫星遥感图像数据，利用构建的地表植被覆盖度遥感定量反演模型进行植被覆盖度反演，得到目标点对应历史时期的植被覆盖度；
生态地下水位确定模块，用于收集目标点对应历史时期的地下水埋深，依据同一历史时期的地下水埋深以及反演得到的植被覆盖度，建立该目标点的植被覆盖度和地下水埋深的关系，依据建立的关系确定该目标点的生态地下水位。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的估算干旱平原地区生态地下水位的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的估算干旱平原地区生态地下水位的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010331364.3A CN111504425B (zh) | 2020-04-24 | 2020-04-24 | 一种估算干旱平原地区生态地下水位的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010331364.3A CN111504425B (zh) | 2020-04-24 | 2020-04-24 | 一种估算干旱平原地区生态地下水位的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111504425A true CN111504425A (zh) | 2020-08-07 |
| CN111504425B CN111504425B (zh) | 2021-03-23 |
Family
ID=71870240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010331364.3A Active CN111504425B (zh) | 2020-04-24 | 2020-04-24 | 一种估算干旱平原地区生态地下水位的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111504425B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113029290A (zh) * | 2021-02-26 | 2021-06-25 | 澜途集思生态科技集团有限公司 | 一种水生植物适宜水位的测定方法 |
| CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
| CN113591033A (zh) * | 2021-05-28 | 2021-11-02 | 河海大学 | 基于联合概率分布的干旱区地下水生态埋深分析方法 |
| CN114414491A (zh) * | 2021-12-30 | 2022-04-29 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
| CN114557269A (zh) * | 2022-03-21 | 2022-05-31 | 中国科学院新疆生态与地理研究所 | 基于汊渗轮灌调整荒漠河岸系统的方法 |
| CN117633539A (zh) * | 2024-01-25 | 2024-03-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种面向不均匀站点分布的地下水干旱识别方法及装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004061220A (ja) * | 2002-07-26 | 2004-02-26 | Gosei:Kk | 地下水の探査方法 |
| US20110139695A1 (en) * | 2007-05-04 | 2011-06-16 | Solutions-Ies, Inc. | In situ ph adjustment for solid and groundwater remediation |
| CN102819047A (zh) * | 2012-08-03 | 2012-12-12 | 中国地质大学（武汉） | 获得地下水与天然植被系统的关系的方法及系统 |
| CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
| CN203224269U (zh) * | 2013-04-03 | 2013-10-02 | 中国环境科学研究院 | 一种中型实验生态系地下水位观测、控制与循环装置 |
| CN103530530A (zh) * | 2013-11-01 | 2014-01-22 | 中国水利水电科学研究院 | 一种干旱区湖泊湿地生态需水的定量计算方法 |
| CN203572543U (zh) * | 2013-10-23 | 2014-04-30 | 中国地质调查局西安地质调查中心 | 一种地下水补给影响试验测量装置 |
| CN104142142A (zh) * | 2014-07-01 | 2014-11-12 | 北京师范大学 | 全球植被覆盖度估算方法 |
| CN104482989A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用遥感图像监测水位的方法 |
| CN106777968A (zh) * | 2016-12-14 | 2017-05-31 | 中国水利水电科学研究院 | 一种大深埋条件下地表水补给地下水的计算方法及装置 |
| CN106770928A (zh) * | 2016-11-11 | 2017-05-31 | 陕西省地质环境监测总站 | 生态脆弱矿区植被约束下地下水位变化阈限的测定方法 |
| CN107893445A (zh) * | 2017-11-14 | 2018-04-10 | 青海省水文地质工程地质环境地质调查院 | 一种干旱地区地下水可开采资源量评价方法 |
| CN108549986A (zh) * | 2018-04-17 | 2018-09-18 | 北京师范大学 | 基于水位梯度的退化湿地生态需水量的测量方法 |
| CN108876022A (zh) * | 2018-05-31 | 2018-11-23 | 北京东方园林环境股份有限公司 | 一种用于确定天然湿地恢复生态环境需水量的计算方法 |
| CN110132373A (zh) * | 2019-05-10 | 2019-08-16 | 宁波市测绘设计研究院 | 一种基于卫星测高数据的大型内陆湖泊和湿地水位反演方法 |
| CN110222656A (zh) * | 2019-06-11 | 2019-09-10 | 成都理工大学 | 基于遥感技术的地上植被生态水定量反演方法 |
-
2020
- 2020-04-24 CN CN202010331364.3A patent/CN111504425B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004061220A (ja) * | 2002-07-26 | 2004-02-26 | Gosei:Kk | 地下水の探査方法 |
| US20110139695A1 (en) * | 2007-05-04 | 2011-06-16 | Solutions-Ies, Inc. | In situ ph adjustment for solid and groundwater remediation |
| CN102819047A (zh) * | 2012-08-03 | 2012-12-12 | 中国地质大学（武汉） | 获得地下水与天然植被系统的关系的方法及系统 |
| CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
| CN203224269U (zh) * | 2013-04-03 | 2013-10-02 | 中国环境科学研究院 | 一种中型实验生态系地下水位观测、控制与循环装置 |
| CN203572543U (zh) * | 2013-10-23 | 2014-04-30 | 中国地质调查局西安地质调查中心 | 一种地下水补给影响试验测量装置 |
| CN103530530A (zh) * | 2013-11-01 | 2014-01-22 | 中国水利水电科学研究院 | 一种干旱区湖泊湿地生态需水的定量计算方法 |
| CN104142142A (zh) * | 2014-07-01 | 2014-11-12 | 北京师范大学 | 全球植被覆盖度估算方法 |
| CN104482989A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用遥感图像监测水位的方法 |
| CN106770928A (zh) * | 2016-11-11 | 2017-05-31 | 陕西省地质环境监测总站 | 生态脆弱矿区植被约束下地下水位变化阈限的测定方法 |
| CN106777968A (zh) * | 2016-12-14 | 2017-05-31 | 中国水利水电科学研究院 | 一种大深埋条件下地表水补给地下水的计算方法及装置 |
| CN107893445A (zh) * | 2017-11-14 | 2018-04-10 | 青海省水文地质工程地质环境地质调查院 | 一种干旱地区地下水可开采资源量评价方法 |
| CN108549986A (zh) * | 2018-04-17 | 2018-09-18 | 北京师范大学 | 基于水位梯度的退化湿地生态需水量的测量方法 |
| CN108876022A (zh) * | 2018-05-31 | 2018-11-23 | 北京东方园林环境股份有限公司 | 一种用于确定天然湿地恢复生态环境需水量的计算方法 |
| CN110132373A (zh) * | 2019-05-10 | 2019-08-16 | 宁波市测绘设计研究院 | 一种基于卫星测高数据的大型内陆湖泊和湿地水位反演方法 |
| CN110222656A (zh) * | 2019-06-11 | 2019-09-10 | 成都理工大学 | 基于遥感技术的地上植被生态水定量反演方法 |
Non-Patent Citations (6)
| Title |
|---|
| 吕京京: "海流兔河流域地下水对植被指数分布的影响研究", 《中国博士学位论文全文数据库基础科学辑》 * |
| 李龙: "基于遥感技术的蒸散发与地下水之间的关系研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
| 郭娇: "黄河三角洲植被—土壤水分—地下水位遥感监测研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
| 郭巧玲 等: "黑河分水后额济纳绿洲天然植被覆盖变化遥感监测", 《水资源与水工程学报》 * |
| 陈志云: "基于RS/GIS的西辽河平原地下水位埋深变化与植被生态的响应研究", 《中国博士学位论文全文数据库基础科学辑》 * |
| 高振东: "西辽河流域植被覆盖度时空演变规律及其影响因素研究", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113029290A (zh) * | 2021-02-26 | 2021-06-25 | 澜途集思生态科技集团有限公司 | 一种水生植物适宜水位的测定方法 |
| CN113591033A (zh) * | 2021-05-28 | 2021-11-02 | 河海大学 | 基于联合概率分布的干旱区地下水生态埋深分析方法 |
| CN113591033B (zh) * | 2021-05-28 | 2022-03-25 | 河海大学 | 基于联合概率分布的干旱区地下水生态埋深分析方法 |
| CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
| CN113553549B (zh) * | 2021-07-26 | 2023-04-14 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
| CN114414491A (zh) * | 2021-12-30 | 2022-04-29 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
| CN114414491B (zh) * | 2021-12-30 | 2023-10-27 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
| CN114557269A (zh) * | 2022-03-21 | 2022-05-31 | 中国科学院新疆生态与地理研究所 | 基于汊渗轮灌调整荒漠河岸系统的方法 |
| CN117633539A (zh) * | 2024-01-25 | 2024-03-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种面向不均匀站点分布的地下水干旱识别方法及装置 |
| CN117633539B (zh) * | 2024-01-25 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种面向不均匀站点分布的地下水干旱识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111504425B (zh) | 2021-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111504425B (zh) | 一种估算干旱平原地区生态地下水位的方法及装置 | |
| Dong et al. | Early-season mapping of winter wheat in China based on Landsat and Sentinel images | |
| Padrón et al. | Large‐scale controls of the surface water balance over land: Insights from a systematic review and meta‐analysis | |
| Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
| Chen et al. | Global land cover mapping at 30 m resolution: A POK-based operational approach | |
| Albergel et al. | LDAS-Monde sequential assimilation of satellite derived observations applied to the contiguous US: An ERA-5 driven reanalysis of the land surface variables | |
| Alqurashi et al. | An assessment of the impact of urbanization and land use changes in the fast-growing cities of Saudi Arabia | |
| Pan et al. | Detailed and automated classification of land use/land cover using machine learning algorithms in Google Earth Engine | |
| Tendaupenyu et al. | Changes in landuse/landcover patterns and human population growth in the Lake Chivero catchment, Zimbabwe | |
| Thessler et al. | Mapping gradual landscape‐scale floristic changes in Amazonian primary rain forests by combining ordination and remote sensing | |
| Kiptala et al. | Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa | |
| Li et al. | Acquisition probability differences in cloud coverage of the available Landsat observations over mainland Southeast Asia from 1986 to 2015 | |
| Malahlela | Inland waterbody mapping: Towards improving discrimination and extraction of inland surface water features | |
| Cho et al. | Hyperspectral predictors for monitoring biomass production in Mediterranean mountain grasslands: Majella National Park, Italy | |
| Li et al. | Mapping karst rocky desertification using Landsat 8 images | |
| CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| Ranjan et al. | Predicting paddy yield at spatial scale using optical and Synthetic Aperture Radar (SAR) based satellite data in conjunction with field-based Crop Cutting Experiment (CCE) data | |
| Parplies et al. | Phenomapping of rangelands in South Africa using time series of RapidEye data | |
| Hashim et al. | Satellite-based run-off model for monitoring drought in Peninsular Malaysia | |
| Markogianni et al. | Landuse and NDVI change analysis of Sperchios river basin (Greece) with different spatial resolution sensor data by Landsat/MSS/TM and OLI | |
| Yang et al. | Estimating evapotranspiration from terrestrial groundwater-dependent ecosystems using Landsat images | |
| Pan et al. | A long-term passive microwave snowoff record for the alaska region 1988–2016 | |
| d’Andrimont et al. | Monitoring African water bodies from twice-daily MODIS observation | |
| Yue et al. | Estimating fractional coverage of crop, crop residue, and bare soil using shortwave infrared angle index and Sentinel-2 MSI | |
| Cui et al. | Extraction of information on the flooding extent of agricultural land in Henan Province based on multi-source remote sensing images and Google Earth Engine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Zhixia Inventor after: Ma Sichao Inventor after: Wang Wenting Inventor after: Zhao Hui Inventor after: Xu Weiwei Inventor after: Guo Yifei Inventor after: Liang Ke Inventor after: Lu Ran Inventor after: Chu Min Inventor after: Zhang Jinfeng Inventor before: Xu Zhixia Inventor before: Wang Wenting Inventor before: Zhao Hui Inventor before: Xu Weiwei Inventor before: Guo Yifei Inventor before: Liang Ke Inventor before: Chu Min Inventor before: Zhang Jinfeng Inventor before: Ma Sichao |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |