CN111652195A - 一种土地利用变化分析预测方法 - Google Patents

一种土地利用变化分析预测方法 Download PDF

Info

Publication number
CN111652195A
CN111652195A CN202010675250.0A CN202010675250A CN111652195A CN 111652195 A CN111652195 A CN 111652195A CN 202010675250 A CN202010675250 A CN 202010675250A CN 111652195 A CN111652195 A CN 111652195A
Authority
CN
China
Prior art keywords
land
change
remote sensing
sensing image
model
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
Application number
CN202010675250.0A
Other languages
English (en)
Other versions
CN111652195B (zh
Inventor
孙鸿睿
崔树国
侯琴
马海涛
马朝晖
舒瑞
樊国堂
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.)
Ningxia Hui Autonomous Region Natural Resources Survey Institute
Original Assignee
Ningxia Hui Autonomous Region Natural Resources Survey Institute
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 Ningxia Hui Autonomous Region Natural Resources Survey Institute filed Critical Ningxia Hui Autonomous Region Natural Resources Survey Institute
Priority to CN202010675250.0A priority Critical patent/CN111652195B/zh
Publication of CN111652195A publication Critical patent/CN111652195A/zh
Application granted granted Critical
Publication of CN111652195B publication Critical patent/CN111652195B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种土地利用变化分析预测方法，包括如下步骤：S1、获取若干个历史年份的土地遥感影像数据；S2、按遥感影像数据的POS数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；S3、基于YOLT模型实现整体遥感影像图中各种土地类型区域的识别和标记；S4、实现各种土地类型区域形状的识别和尺寸的测量；S5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；S6、选取若干个驱动因子构建Markov‑CA预测模型等。本发明可以显著提高预测结果的精确度。

Description

一种土地利用变化分析预测方法
技术领域
本发明涉及土地利用变化分析技术领域，具体涉及一种土地利用变化分析预测方法。
背景技术
土地利用监测是利用遥感遥测技术，对一个国家或地区土地利用状况的动态变化进行定期或不定期的监视和测定。其目的在于为国家和地区有关部门提供准确的土地利用变化情况，便于及时进行土地利用数据更新与对比分析，以及编制土地利用变化图件等。它是开展土地利用动态变化预测，农作物产量预测，自然灾害防治及合理组织土地利用，加强土地管理与保护的一项不可缺少的基础性工作。
现有技术中，通常采用航天遥感技术对土地利用进行分析，航天遥感技术以其宏观性、周期性，地理信息系统以其对空间数据管理的有效性己在“小比例尺、低精度、大范围、调查性”的资源动态监测工作中得到了广泛应用。利用遥感影响，通过预测模型对土地利用进行分析预测，常见的模型包括CA模型、系统动力学模型、CLUE-S模型、Agent模型、Markov模型、空间Logistic模型、SLEUTH模型等。
但是，在以“大比例尺、高精度”为特点的工作中，预测模型中转换规则的设置具有一定的缺陷，导致预测精度较低。
发明内容
为解决上述问题，本发明提供了一种土地利用变化分析预测方法，可以显著提高预测结果的精确度。
为实现上述目的，本发明采取的技术方案为：
一种土地利用变化分析预测方法，包括如下步骤：
S1、获取若干个历史年份的土地遥感影像数据；
S2、按遥感影像数据的POS数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；
S3、基于YOLT模型实现整体遥感影像图中各种土地类型区域的识别和标记；
S4、实现各种土地类型区域形状的识别和尺寸的测量；
S5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
S6、选取若干个驱动因子构建Markov-CA预测模型；
S7、根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
进一步地，所述步骤S3中 , 在标记时，采用标注框携带地理位置信息超链接的方式进行标注，每一块土地类型区域均携带其对应的土地类型标记和地理位置信息超链接，地理位置信息超链接采用锁定模式。
进一步地，所述步骤S4中 , 采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，并基于连通分量外接矩形的长宽比进行各种土地类型区域形状的识别和尺寸的测量。
进一步地，步骤S5中，首先完成地理位置信息超链接的解锁操作，通过读取地理位置信息超链接信息实现每块土地类型区域所在地理信息的获取，然后根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化。
进一步地，所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
进一步地，所述土地类型至少包括农业用地、商业用地、建筑用地、旅游用地、居民住宅地和未开发土地，每种土地类型对应一个YOLT模型。
进一步地，所述驱动因子至少包括高程、坡度、坡向、距商业中心距离、距行政中心距离、最接近居民住宅地距离、相邻地块类型。
进一步地，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
进一步地，所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
本发明具有以下有益效果：
基于YOLT模型实现整体遥感影像图中各种土地类型区域的识别和标记，大大提高了土地类型区域识别的效率。
基于每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，同时每一块土地类型区域均携带其自身的地理信息，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律，大大提高了后续所构建模型的精确度。
引入针对不同地类的驱动因子构建Markov-CA预测模型，进一步提高了土地利用变化分析预测的精度。
附图说明
图1为本发明实施例1一种土地利用变化分析预测方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
一种土地利用变化分析预测方法，包括如下步骤：
S1、获取若干个历史年份的土地遥感影像数据；
S2、按遥感影像数据的POS数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；可以很好的避免由于土地遥感影像数据包含土地类型区域都不完整、重复等情况影响后续数据的准确性；
S3、基于YOLT模型实现整体遥感影像图中各种土地类型区域的识别和标记；所述土地类型至少包括农业用地（耕地、园地、林地、水域）、商业用地、建筑用地、旅游用地、居民住宅地和未开发土地，每种土地类型对应一个YOLT模型；基于Hadoop同时运行多个YOLT模型实现完成整体遥感影像图中的各种土地类型区域的识别和标记；
S4、实现各种土地类型区域形状的识别和尺寸的测量；具体的，采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，并基于连通分量外接矩形的长宽比进行各种土地类型区域形状的识别和尺寸的测量；测量结果以EXCL表格的形式汇总统计；
S5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
S6、选取若干个驱动因子构建Markov-CA预测模型；
S7、根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
本实施例中，所述步骤S3中 ,在标记时，采用标注框携带地理位置信息超链接的方式进行标注，每一块土地类型区域均携带其对应的土地类型标记和地理位置信息超链接，地理位置信息超链接采用锁定模式。
本实施例中，步骤S5中，首先完成地理位置信息超链接的解锁操作，通过读取地理位置信息超链接信息实现每块土地类型区域所在地理信息的获取，然后根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化。
本实施例中，所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
本实施例中，所述驱动因子至少包括高程、坡度、坡向、距商业中心距离、距行政中心距离、最接近居民住宅地距离、相邻地块类型。
本实施例中，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
本实施例中，所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种土地利用变化分析预测方法，其特征在于：包括如下步骤：
S1、获取若干个历史年份的土地遥感影像数据；
S2、按遥感影像数据的POS数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；
S3、基于YOLT模型实现整体遥感影像图中各种土地类型区域的识别和标记；
S4、实现各种土地类型区域形状的识别和尺寸的测量；
S5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
S6、选取若干个驱动因子构建Markov-CA预测模型；
S7、根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
2.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述步骤S3中 ,在标记时，采用标注框携带地理位置信息超链接的方式进行标注，每一块土地类型区域均携带其对应的土地类型标记和地理位置信息超链接，地理位置信息超链接采用锁定模式。
3.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述步骤S4中 ,采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，并基于连通分量外接矩形的长宽比进行各种土地类型区域形状的识别和尺寸的测量。
4.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：步骤S5中，首先完成地理位置信息超链接的解锁操作，通过读取地理位置信息超链接信息实现每块土地类型区域所在地理信息的获取，然后根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化。
5.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
6.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述土地类型至少包括农业用地、商业用地、建筑用地、旅游用地、居民住宅地和未开发土地，每种土地类型对应一个YOLT模型。
7.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述驱动因子至少包括高程、坡度、坡向、距商业中心距离、距行政中心距离、最接近居民住宅地距离、相邻地块类型。
8.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
9.如权利要求1所述的一种土地利用变化分析预测方法，其特征在于：所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
CN202010675250.0A 2020-07-14 2020-07-14 一种土地利用变化分析预测方法 Active CN111652195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010675250.0A CN111652195B (zh) 2020-07-14 2020-07-14 一种土地利用变化分析预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010675250.0A CN111652195B (zh) 2020-07-14 2020-07-14 一种土地利用变化分析预测方法

Publications (2)

Publication Number Publication Date
CN111652195A true CN111652195A (zh) 2020-09-11
CN111652195B CN111652195B (zh) 2023-06-09

Family

ID=72349049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010675250.0A Active CN111652195B (zh) 2020-07-14 2020-07-14 一种土地利用变化分析预测方法

Country Status (1)

Country Link
CN (1) CN111652195B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435268A (zh) * 2020-11-17 2021-03-02 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN114565178A (zh) * 2022-03-14 2022-05-31 江苏恒月地理信息技术有限公司 一种基于地理信息勘测系统的时态数据监测及管理方法
CN114580703A (zh) * 2021-12-31 2022-06-03 北控水务(中国)投资有限公司 基于用地遥感识别时空变化解析的水量预测方法及装置
CN115829420A (zh) * 2023-02-14 2023-03-21 清华四川能源互联网研究院 浅水湖泊稳态转换阈值的判定方法
CN116258019A (zh) * 2023-05-06 2023-06-13 北京师范大学 土地利用/覆被变化的模拟方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120287273A1 (en) * 2011-05-09 2012-11-15 Abengoa Bioenergia Nuevas Tecnologias, S.A. System for identifying sustainable geographical areas by remote sensing techniques and method thereof
CN106021751A (zh) * 2016-05-26 2016-10-12 上海海洋大学 基于ca和sar的海岸带土地利用变化模拟方法
US20170091641A1 (en) * 2015-09-30 2017-03-30 Tata Consultancy Services Limited Methods and systems for optimizing hidden markov model based land change prediction
CN110458371A (zh) * 2019-08-21 2019-11-15 中国地质大学（北京） 土地利用变化分析预测方法及装置
CN111325184A (zh) * 2020-03-20 2020-06-23 宁夏回族自治区自然资源勘测调查院 一种遥感影像智能解译与变化信息检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120287273A1 (en) * 2011-05-09 2012-11-15 Abengoa Bioenergia Nuevas Tecnologias, S.A. System for identifying sustainable geographical areas by remote sensing techniques and method thereof
US20170091641A1 (en) * 2015-09-30 2017-03-30 Tata Consultancy Services Limited Methods and systems for optimizing hidden markov model based land change prediction
CN106021751A (zh) * 2016-05-26 2016-10-12 上海海洋大学 基于ca和sar的海岸带土地利用变化模拟方法
CN110458371A (zh) * 2019-08-21 2019-11-15 中国地质大学（北京） 土地利用变化分析预测方法及装置
CN111325184A (zh) * 2020-03-20 2020-06-23 宁夏回族自治区自然资源勘测调查院 一种遥感影像智能解译与变化信息检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐睿择;孙建国;韩惠;周亮;杨维涛;: "基于MCE-Markov-CA的郑州市土地利用时空变化模拟研究", 地理与地理信息科学, no. 01 *
黄鹏;袁艳斌;董恒;: "CA-Markov模型的清江土地利用变化研究", 测绘科学, no. 10 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435268A (zh) * 2020-11-17 2021-03-02 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN112435268B (zh) * 2020-11-17 2023-12-26 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN114580703A (zh) * 2021-12-31 2022-06-03 北控水务(中国)投资有限公司 基于用地遥感识别时空变化解析的水量预测方法及装置
CN114565178A (zh) * 2022-03-14 2022-05-31 江苏恒月地理信息技术有限公司 一种基于地理信息勘测系统的时态数据监测及管理方法
CN114565178B (zh) * 2022-03-14 2024-06-04 江苏恒月地理信息技术有限公司 一种基于地理信息勘测系统的时态数据监测及管理方法
CN115829420A (zh) * 2023-02-14 2023-03-21 清华四川能源互联网研究院 浅水湖泊稳态转换阈值的判定方法
CN116258019A (zh) * 2023-05-06 2023-06-13 北京师范大学 土地利用/覆被变化的模拟方法、装置、设备及存储介质
CN116258019B (zh) * 2023-05-06 2023-08-22 北京师范大学 土地利用/覆被变化的模拟方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111652195B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111652195B (zh) 一种土地利用变化分析预测方法
Motlagh et al. Spatial modeling of land-use change in a rapidly urbanizing landscape in central Iran: Integration of remote sensing, CA-Markov, and landscape metrics
CN111814597A (zh) 一种耦合多标签分类网络和yolo的城市功能分区方法
BR112012031816A2 (pt) avaliação de inventário florestal que usa dados de teledetecção
US11676375B2 (en) System and process for integrative computational soil mapping
US20210223433A1 (en) Determination of location-specific weather information for agronomic decision support
CN113360587B (zh) 一种基于gis技术的土地测绘设备及测绘方法
US20100036793A1 (en) Method and System for Geospatial Forecasting of Events Incorporating Data Error and Uncertainty
CN115205481A (zh) 一种基于图神经网络的频谱地图构建方法及系统
CN117708551B (zh) 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统
Oehmcke et al. Deep point cloud regression for above-ground forest biomass estimation from airborne LiDAR
CN117171533A (zh) 一种地理测绘作业数据实时采集处理方法及系统
CN112241981A (zh) 一种验证农作物种植面积二类测量数据精度的方法及装置
CN116822980A (zh) 一种基矢量引导的典型地表要素智能监测方法及系统
Hurley et al. Assessing urban-heating impact on street tree growth in Berlin with open inventory and environmental data
CN113240340B (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
Mahoney et al. Filtering ground noise from LiDAR returns produces inferior models of forest aboveground biomass in heterogenous landscapes
Mohammadi A Review on GIS in Irrigation and Water Management
CN113239112B (zh) 基于gis系统的第三产业增长量可视化方法及装置
CN116805395B (zh) 农业保险标的物的核验方法、装置、系统和存储介质
Jiang et al. Eucalyptus carbon stock estimation in subtropical regions with the modeling strategy of sample plots–airborne LiDAR–Landsat time series data
Münzinger et al. Mapping the Urban Forest in Detail: From LiDAR Point Clouds to 3D Tree Models
Mienmany Analysis Land use and Land cover changes and the driving forces
Yazdi et al. TreeML-Data; a multidisciplinary and multilayer urban tree dataset
Chen et al. Forest age estimation using UAV-LiDAR and Sentinel-2 data with machine learning algorithms-a case study of Masson pine (Pinus massoniana)

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