CN111652195B - 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 PDFInfo
- Publication number
- CN111652195B CN111652195B CN202010675250.0A CN202010675250A CN111652195B CN 111652195 B CN111652195 B CN 111652195B CN 202010675250 A CN202010675250 A CN 202010675250A CN 111652195 B CN111652195 B CN 111652195B
- Authority
- CN
- China
- Prior art keywords
- land
- remote sensing
- sensing image
- model
- change
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000001939 inductive effect Effects 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
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 (7)
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;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;
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;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;
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。
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。
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: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。
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。
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。
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。
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 CN111652195A (zh) | 2020-09-11 |
CN111652195B true 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) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN115829420B (zh) * | 2023-02-14 | 2023-05-02 | 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 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (4)
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 |
US10949762B2 (en) * | 2015-09-30 | 2021-03-16 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden Markov Model based land change prediction |
CN106021751B (zh) * | 2016-05-26 | 2019-04-05 | 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 |
CN111325184B (zh) * | 2020-03-20 | 2023-04-18 | 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 |
-
2020
- 2020-07-14 CN CN202010675250.0A patent/CN111652195B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (2)
Title |
---|
CA-Markov模型的清江土地利用变化研究;黄鹏;袁艳斌;董恒;;测绘科学(第10期);全文 * |
基于MCE-Markov-CA的郑州市土地利用时空变化模拟研究;徐睿择;孙建国;韩惠;周亮;杨维涛;;地理与地理信息科学(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652195A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652195B (zh) | 一种土地利用变化分析预测方法 | |
Li et al. | SinoLC-1: the first 1-meter resolution national-scale land-cover map of China created with the deep learning framework and open-access data | |
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 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
US11676375B2 (en) | System and process for integrative computational soil mapping | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Tariq et al. | A series of spatio-temporal analyses and predicting modeling of land use and land cover changes using an integrated Markov chain and cellular automata models | |
US20100036793A1 (en) | Method and System for Geospatial Forecasting of Events Incorporating Data Error and Uncertainty | |
Braun | More accurate less meaningful? A critical physical geographer’s reflection on interpreting remote sensing land-use analyses | |
Dangulla et al. | Spatio-temporal analysis of land use/land cover dynamics in Sokoto Metropolis using multi-temporal satellite data and Land Change Modeller | |
Oehmcke et al. | Deep point cloud regression for above-ground forest biomass estimation from airborne LiDAR | |
Zahraie et al. | Exploring spatiotemporal meteorological correlations for basin scale meteorological drought forecasting using data mining methods | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
CN117708551A (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 | |
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 | |
CN116665046A (zh) | 一种植被物候变化趋势评价方法、系统、设备及介质 | |
Abbas et al. | Multilayer perceptron and Markov Chain analysis based hybrid-approach for predicting land use land cover change dynamics with Sentinel-2 imagery | |
CN115291229A (zh) | 湖泊中挺水植被的识别方法、装置、设备及存储介质 | |
Lv et al. | A novel spatial–spectral extraction method for subpixel surface water | |
Patrignani et al. | Optimizing the spatial configuration of mesoscale environmental monitoring networks using a geometric approach | |
Mohammadi | A Review on GIS in Irrigation and Water Management | |
Hein et al. | Evaluation of a NoSQL Database for Storing Big Geospatial Raster Data | |
Ashfaq et al. | Accurate Wheat Yield Prediction Using Machine Learning and Climate-NDVI Data Fusion | |
Parveen et al. | Land use land cover mapping with change detection: A spatio-temporal analysis of NCT of Delhi from 1981 to 2015 | |
CN117312476B (zh) | 一种基于gis的国土空间规划方法及系统 |
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 |