CN111738561A - 一种基于深度学习的区域水土流失动态监测方法 - Google Patents
一种基于深度学习的区域水土流失动态监测方法 Download PDFInfo
- Publication number
- CN111738561A CN111738561A CN202010471474.XA CN202010471474A CN111738561A CN 111738561 A CN111738561 A CN 111738561A CN 202010471474 A CN202010471474 A CN 202010471474A CN 111738561 A CN111738561 A CN 111738561A
- Authority
- CN
- China
- Prior art keywords
- land
- model
- remote sensing
- land utilization
- data
- 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 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002689 soil Substances 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000004162 soil erosion Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于深度学习的区域水土流失动态监测方法。所述方法包括：对不同时相、不同区域的遥感影像进行土地利用标记，把标记数据分为训练集、验证集和测试集，利用训练集和验证集对HRNet模型进行训练，用测试集评价模型精度，得到训练好的土地利用分类模型，然后将待监测区域的遥感影像输入训练好的模型，提取土地利用数据，基于DEM数据计算坡度、基于遥感影像计算植被覆盖度，最后利用土壤侵蚀强度判定模型，评估土壤侵蚀强度，完成区域水土流失动态监测。本发明适用于水力侵蚀中的面蚀情形，能够对区域水土流失进行自动化动态监测，不需要人工勾绘土地利用、逐步计算植被覆盖、坡度，减少人力成本和时间成本，具有及时性和有效性优点。
Description
技术领域
本发明涉及水土流失监测技术领域，适用于水力侵蚀中的面蚀情形，特别是一种基于遥感数据的区域水土流失监测的方法。
背景技术
水土流失是世界上各国普遍关注的问题，水土流失及其导致的土地退化和泥沙等问题不仅给当地生态、环境、人类生存和社会经济发展等带来严重影响，而且也给相邻地区带来严重危害。水土流失监测可摸清水土流失类型、强度与分布特征、动态变化趋势，对水土流失综合治理和生态环境建设宏观决策以及科学、合理、系统地布设水土保持各项措施具有重要意义。
基于深度学习的区域水土流失监测的自动化主要是解决土壤侵蚀影响因子中的土地利用类型自动的提取。土地利用分类方法经历了目视解译、人机交互解译、多种技术结合的半自动解译再到基于人工智能和机器学习的全自动解译的发展过程。近年来，卷积神经网络成为基于机器学习图像分类的标准结构。这类网络的特点是学到的表征在空间分辨率上逐渐变小，在对空间精度敏感的分类任务上很难取得准确的预测结果，因此卷积神经网络并不适合直接用于区域层次和像素层次的分类问题。为了弥补空间精度的损失，部分研究者在分类卷积神经网络结构的基础上，通过引入上采样操作和/或组合空洞卷积减少降采样次数来提升表征的分辨率；部分研究者认为不应该局限于从分类卷积神经网络生成的低分辨率表征来恢复高分辨率表征这一路线，而应该为高分辨率表征学习建立新的网络结构。前者采用的改进后的卷积模型中高分辨表征由于只经过了少量的卷积操作，其本身只能提供低层次的语义表达，最终输出的高分辨率表征所具有的空间敏感度并不高。后者采用的改进后的卷积模型中，以高分辨率深度神经网络 (High-Resolution Network，HRNet)为例，在网络整个过程中始终保持高分辨率表征，同时多次在高低分辨率表征之间进行信息交换，从而学到足够丰富的高分辨率表征。然而该方法目前仅应用于人的姿态捕捉，未在土地利用分类中进行尝试。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于深度学习的区域水土流失动态监测方法，该方法基于深度学习技术，通过自动获取遥感影像的土地利用、植被覆盖以实现区域水土流失的动态监测。为此，本发明采用以下技术方案：
一种基于深度学习的区域水土流失动态监测方法，其特征在于，包括以下步骤：
S1)、获取对不同区域、不同时相的多期同一传感器卫星的遥感影像，获取区域的DEM数据；
S2)、对遥感影像中的每个像元进行土地利用标记，将土地利用标记数据集分割为训练、验证、测试三个数据集；
S3)、利用步骤2)中的土地利用标记数据集训练HRNet模型并评价精度，得到满足精度要求的土地利用分类模型，模型的输入参数为遥感影像，输出数据即为土地利用数据；
S4)、利用步骤3)中的土地利用分类模型，基于待监测区域遥感影像，获取待监测区域土地利用数据；
S5)、基于待监测区域DEM数据，利用坡度计算模型，自动提取待监测区域坡度，划分坡度等级；
S6)、基于待监测区域遥感影像的红光波段和近红外波段，利用植被覆盖度计算模型，自动提取区域植被覆盖度，划分植被覆盖度等级；
S7)、新增扰动用地地类的土壤侵蚀强度判定以优化土壤侵蚀强度判定，采用包括扰动用地地类的土壤侵蚀强度判定的土壤侵蚀强度判定模型，基于区域土地利用数据、坡度、植被覆盖度，评估待监测区域土壤侵蚀强度。
进一步的，步骤S1)中，所述的获取的遥感影像为国产高分一号(GF-1)、高分六号(GF-6)和资源三号(ZY-3)卫星数据。
进一步的，步骤S2)中，对遥感影像进行土地利用标记中，利用ArcGIS软件，使用矢量边界勾绘土地利用图斑，并将赋予图斑土地利用类别属性以及地理坐标信息。
进一步的，步骤S2)中，根据土地利用类别标准进行土地利用标记，并且，在《土地利用现状分类》GB/T 21010--2007的基础上，根据土壤侵蚀特点，增加扰动用地新的一级类别，因此土地利用类型共分为9类，包括耕地、园地、林地、草地、建设用地、交通运输用地、水域、其它土地和扰动用地。
进一步的，步骤S3)中，在训练HRNet模型时，将训练和验证集数据输入HRNet模型进行训练、验证，不断对HRNet模型参数进行调整，直至模型达到收敛状态，利用测试集评价模型精度，集合A为人工标记结果；集合B为预测结果，若
则模型满足土地利用分类需求，保存土地利用分类模型。
进一步的，步骤S5)中，坡度等级划分标准是按照《土壤侵蚀分类分级标准》进行划分，共分为0～5°、5°～8°、8°～15°、15°～25°、25°～35°、＞35°等共6个等级。
进一步的，步骤S6)中，所述采用的植被覆盖度计算模型，具体为：模型将遥感影像进行预处理，去除遥感影像白边和黑边，然后计算NDVI，对计算结果取5％置信区间再进行FVC计算并分级，分级标准为0～0.3、0.3～0.45、0.45～0.6、 0.6～0.75、＞0.75共5个等级。
本发明以高分辨率遥感数据为主要数据源制作土地利用样本，训练HRNet模型，构建土地利用自动化分类模型，同时通过优化土壤侵蚀强度判定模型，实现遥感水利侵蚀动态监测的自动化。遥感水力侵蚀动态监测的自动化实现可使全国各级水行政主管部门对水土流失情况及时精准的掌控，为水土流失动态公告的发布提供有力的数据支撑。
本发明的有益效果为：本发明适用于水力侵蚀中的面蚀情形，能够对区域水土流失进行自动化动态监测，不需要人工勾绘土地利用、逐步计算植被覆盖、坡度数据，减少人力成本和时间成本，具有及时性和有效性优点。
附图说明
图1为本发明的流程示意图；
图2为本发明构建的土壤侵蚀强度判定模型示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。下面结合附图对本发明的具体实施方式作进一步说明：
请见图1，本发明提供的一种基于深度学习的区域水土流失动态监测方法，包括以下步骤：
S1)、获取对不同区域、不同时相的多期同一传感器卫星的遥感影像，获取区域的DEM数据；
S2)、采用ArcGIS软件对遥感影像中的每个像元根据土地利用类别标准进行进行土地利用标记，使用矢量边界勾绘土地利用图斑，并赋予图斑类别属性以及地理坐标信息，将标记数据集按照3：1：1的比例随机分割为训练、验证、测试三个数据集；土地利用类别标准在《土地利用现状分类》GB/T 21010--2007的基础上，根据土壤侵蚀特点，增加生产建设活动扰动用地新的一级类别，因此土地利用类型共分为9类，包括耕地、园地、林地、草地、建设用地、交通运输用地、水域、其它土地和扰动用地。
S3)、将步骤2)中的训练和验证集数据输入HRNet模型进行训练、验证，不断对其参数进行调整，直至卷积神经网络模型达到收敛状态，利用测试集评价模型精度，集合A为人工标记结果；集合B为预测结果，若
则模型满足土地利用分类需求，保存训练好的土地利用分类模型；
S4)、利用步骤3)中的模型，基于待监测区域遥感影像，获取待监测区域土地利用数据；
S5)、基于待监测区域DEM数据，利用坡度计算模型，自动提取区域坡度，划分坡度等级；
S6)、基于待监测区域遥感影像的红光波段和近红外波段，利用植被覆盖度计算模型，自动提取区域植被覆盖度，划分植被覆盖度等级；所述植被覆盖度计算模型具体为：模型将遥感影像进行预处理，去除遥感影像白边和黑边，然后计算NDVI，对计算结果取5％置信区间再进行FVC计算并分级，分级标准为0～0.3、 0.3～0.45、0.45～0.6、0.6～0.75、＞0.75共5个等级。
S7)、基于区域土地利用数据、坡度、植被覆盖度，构建土壤侵蚀强度判定模型，判定模型参见图2。叠加土地利用、坡度、植被覆盖度三个图层，遍历叠加图层中像元，利用判定模型，逐像元的判定各像元的土壤侵蚀强度，完成评估区域土壤侵蚀强度。例如，当像元土地利用为林地，坡度处于5°～8°，植被覆盖度处于0.45～0.6时，土壤侵蚀强度判定为轻度；当像元土地利用为扰动用地，坡度处于25°～35°时，土壤侵蚀强度判定为极强烈；当像元土地利用为交通运输用地时，土壤侵蚀强度判定为微度。
上述实施例和说明书中描述的只是本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于深度学习的区域水土流失动态监测方法，其特征在于，包括以下步骤：
S1)、获取对不同区域、不同时相的多期同一传感器卫星的遥感影像，获取区域的DEM数据；
S2)、对遥感影像中的每个像元进行土地利用标记，将土地利用标记数据集分割为训练、验证、测试三个数据集；
S3)、利用步骤2)中的土地利用标记数据集训练HRNet模型并评价精度，得到满足精度要求的土地利用分类模型，模型的输入参数为遥感影像，输出数据即为土地利用数据；
S4)、利用步骤3)中的土地利用分类模型，基于待监测区域遥感影像，获取待监测区域土地利用数据；
S5)、基于待监测区域DEM数据，利用坡度计算模型，自动提取待监测区域坡度，划分坡度等级；
S6)、基于待监测区域遥感影像的红光波段和近红外波段，利用植被覆盖度计算模型，自动提取区域植被覆盖度，划分植被覆盖度等级；
S7)、新增扰动用地地类的土壤侵蚀强度判定以优化土壤侵蚀强度判定，采用包括扰动用地地类的土壤侵蚀强度判定的土壤侵蚀强度判定模型，基于区域土地利用数据、坡度、植被覆盖度，评估待监测区域土壤侵蚀强度。
2.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：所述的获取的遥感影像为国产高分一号(GF-1)、国产高分六号(GF-6)和资源三号(ZY-3)卫星数据。
3.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：步骤S2)中，对遥感影像进行土地利用标记中，利用ArcGIS软件，使用矢量边界勾绘土地利用图斑，并将赋予图斑土地利用类别属性以及地理坐标信息。
4.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：步骤S2)中，根据土地利用类别标准进行土地利用标记，并且，在《土地利用现状分类》GB/T 21010--2007的基础上，根据土壤侵蚀特点，增加扰动用地新的一级类别，因此土地利用类型共分为9类，包括耕地、园地、林地、草地、建设用地、交通运输用地、水域、其它土地和扰动用地。
5.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：步骤S3)中，在训练HRNet模型时，将训练和验证集数据输入HRNet模型进行训练、验证，不断对HRNet模型参数进行调整，直至模型达到收敛状态，利用测试集评价模型精度，集合A为人工标记结果；集合B为预测结果，若
则模型满足土地利用分类需求，保存土地利用分类模型。
6.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：步骤S5)中，坡度等级划分标准是按照《土壤侵蚀分类分级标准》进行划分，共分为0～5°、5°～8°、8°～15°、15°～25°、25°～35°、＞35°共6个等级。
7.根据权利要求1所述的一种基于深度学习的区域水土流失动态监测方法，其特征在于：步骤S6)中，所述采用的植被覆盖度计算模型，具体为：模型将遥感影像进行预处理，去除遥感影像白边和黑边，然后计算NDVI，对计算结果取5％置信区间再进行FVC计算并分级，分级标准为0～0.3、0.3～0.45、0.45～0.6、0.6～0.75、＞0.75共5个等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471474.XA CN111738561B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的区域水土流失动态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471474.XA CN111738561B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的区域水土流失动态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738561A true CN111738561A (zh) | 2020-10-02 |
| CN111738561B CN111738561B (zh) | 2023-02-14 |
Family
ID=72646492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010471474.XA Active CN111738561B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的区域水土流失动态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738561B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380984A (zh) * | 2020-11-13 | 2021-02-19 | 华东师范大学 | 一种基于遥感的盐沼植被缓流能力空间评价方法 |
| CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
| CN112765770A (zh) * | 2020-12-23 | 2021-05-07 | 韶关市华源水电建设有限公司 | 一种水土流失遥感动态监测方法及系统 |
| CN112949420A (zh) * | 2021-02-07 | 2021-06-11 | 湖北君邦环境技术有限责任公司 | 一种水土保持监测方法、装置、系统和可读存储介质 |
| CN113111567A (zh) * | 2021-02-26 | 2021-07-13 | 中国科学院空天信息创新研究院 | 蒸散发成分分离方法、成分分离装置、设备及介质 |
| CN113207103A (zh) * | 2021-04-30 | 2021-08-03 | 深圳世源工程技术有限公司 | 一种水土流失监测方法及系统 |
| CN113887466A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 输电线路走廊水体隐患识别方法、装置、设备及介质 |
| CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
| CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
| CN114882380A (zh) * | 2022-07-08 | 2022-08-09 | 山东省国土测绘院 | 一种基于改进hrnet模型的湿地资源遥感识别算法 |
| CN115146209A (zh) * | 2022-05-16 | 2022-10-04 | 中国科学院地理科学与资源研究所 | 水土保持状况的监测方法、系统、存储介质和电子设备 |
| CN116452021A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581412A (zh) * | 2019-01-17 | 2019-04-05 | 合肥工业大学 | 一种快速进行水土流失动态变化遥感监测的方法 |
| CN110210438A (zh) * | 2019-06-10 | 2019-09-06 | 南京林业大学 | 北方土石山区水土流失监测土地利用/覆盖分类方法 |
-
2020
- 2020-05-29 CN CN202010471474.XA patent/CN111738561B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581412A (zh) * | 2019-01-17 | 2019-04-05 | 合肥工业大学 | 一种快速进行水土流失动态变化遥感监测的方法 |
| CN110210438A (zh) * | 2019-06-10 | 2019-09-06 | 南京林业大学 | 北方土石山区水土流失监测土地利用/覆盖分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄艳艳等: "MODIS数据在湖北水土保持动态监测中的应用", 《人民长江》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380984B (zh) * | 2020-11-13 | 2024-04-30 | 华东师范大学 | 一种基于遥感的盐沼植被缓流能力空间评价方法 |
| CN112380984A (zh) * | 2020-11-13 | 2021-02-19 | 华东师范大学 | 一种基于遥感的盐沼植被缓流能力空间评价方法 |
| CN112765770B (zh) * | 2020-12-23 | 2023-12-05 | 韶关市华源水电建设有限公司 | 一种水土流失遥感动态监测方法及系统 |
| CN112765770A (zh) * | 2020-12-23 | 2021-05-07 | 韶关市华源水电建设有限公司 | 一种水土流失遥感动态监测方法及系统 |
| CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
| CN112949420A (zh) * | 2021-02-07 | 2021-06-11 | 湖北君邦环境技术有限责任公司 | 一种水土保持监测方法、装置、系统和可读存储介质 |
| CN113111567A (zh) * | 2021-02-26 | 2021-07-13 | 中国科学院空天信息创新研究院 | 蒸散发成分分离方法、成分分离装置、设备及介质 |
| CN113207103A (zh) * | 2021-04-30 | 2021-08-03 | 深圳世源工程技术有限公司 | 一种水土流失监测方法及系统 |
| CN113207103B (zh) * | 2021-04-30 | 2021-11-26 | 深圳世源工程技术有限公司 | 一种水土流失监测方法及系统 |
| CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
| CN113887466A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 输电线路走廊水体隐患识别方法、装置、设备及介质 |
| CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
| CN115146209A (zh) * | 2022-05-16 | 2022-10-04 | 中国科学院地理科学与资源研究所 | 水土保持状况的监测方法、系统、存储介质和电子设备 |
| CN114882380A (zh) * | 2022-07-08 | 2022-08-09 | 山东省国土测绘院 | 一种基于改进hrnet模型的湿地资源遥感识别算法 |
| CN116452021A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
| CN116452021B (zh) * | 2023-06-19 | 2023-09-08 | 深圳市睿拓新科技有限公司 | 一种水土保持准实时精细化监管定量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738561B (zh) | 2023-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738561B (zh) | 一种基于深度学习的区域水土流失动态监测方法 | |
| Li et al. | A segment derived patch-based logistic cellular automata for urban growth modeling with heuristic rules | |
| CN103473463B (zh) | 一种定量确定湖泊流域水体氮磷背景浓度的方法 | |
| CN113327042B (zh) | 一种区域生态系统修复需求的快速划分方法 | |
| CN103514457B (zh) | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 | |
| Deng et al. | Do roads lead to grassland degradation or restoration? A case study in Inner Mongolia, China | |
| CN106909899B (zh) | 一种湿地景观演变过程的分析方法及分析系统 | |
| Chen et al. | A hybrid decision model and case study for comprehensive evaluation of green mine construction level | |
| CN111259955B (zh) | 一种地理国情监测成果可靠性质检方法及系统 | |
| CN106503798A (zh) | 基于粗糙集与bp神经网络的泵的故障诊断方法 | |
| CN102213593A (zh) | 一种异常用地快速获取方法 | |
| CN110991262A (zh) | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 | |
| CN104050323A (zh) | 一种高海拔山区模糊多准则风电场选址方法 | |
| Salata | Land use change analysis in the urban region of Milan | |
| CN105467100B (zh) | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 | |
| CN113360989A (zh) | 一种城市绿色屋顶规划方法 | |
| Williams et al. | Mapping urban slum settlements using very high-resolution imagery and land boundary data | |
| Guo et al. | A multilevel statistical technique to identify the dominant landscape metrics of greenspace for determining land surface temperature | |
| Puchol-Salort et al. | Water neutrality framework for systemic design of new urban developments | |
| Ke et al. | Spatio-temporal characteristics and typical patterns of eco-efficiency of cultivated land use in the Yangtze River Economic Belt, China | |
| Rashed | Remote sensing of within-class change in urban neighborhood structures | |
| CN109767046A (zh) | 一种土地空间优化配置方法及系统 | |
| CN116776403A (zh) | 一种国土空间规划三维仿真模拟系统、设备及终端 | |
| CN116524373A (zh) | 一种遥感影像样本标注一体机及方法 | |
| Liu et al. | Ecological source identification based on the PSR model framework and structural features: a case study in Tianjin, China |
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 |