CN111949752A - 基于数字高程模型的特定生物种群高程获取方法 - Google Patents
基于数字高程模型的特定生物种群高程获取方法 Download PDFInfo
- Publication number
- CN111949752A CN111949752A CN202010774984.4A CN202010774984A CN111949752A CN 111949752 A CN111949752 A CN 111949752A CN 202010774984 A CN202010774984 A CN 202010774984A CN 111949752 A CN111949752 A CN 111949752A
- Authority
- CN
- China
- Prior art keywords
- elevation
- monitored
- dem
- area
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 241000607479 Yersinia pestis Species 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 241000565675 Oncomelania Species 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000009395 breeding Methods 0.000 description 8
- 230000001488 breeding effect Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 241000237858 Gastropoda Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000242678 Schistosoma Species 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 240000009087 Crescentia cujete Species 0.000 description 1
- 235000005983 Crescentia cujete Nutrition 0.000 description 1
- 235000009797 Lagenaria vulgaris Nutrition 0.000 description 1
- 241000565674 Oncomelania hupensis Species 0.000 description 1
- 241000510091 Quadrula quadrula Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于数字高程模型DEM的特定生物种群高程获取方法，用以解决现有技术中生物种群高程数据精度不高的问题。所述高程获取方法确定待监测种群及区域后，构建地理坐标系和投影坐标系，并划分矢量网格，选择满足预设条件的待监测网格，以待监测网格的任一侧框线为起点布设调查点，从GE中提取与调查点对应的GE高程数据集；再调用NFGIS数据库，采集DEM高程数据集；根据GE和DEM高程数据集构建高程回归模型，获取DEM校正高程值。本发明基于DEM采集实时生物学高程数据，并通过GE对DEM数据进行校正，准确监测特定生物种群高程分布变化，为生态环境的病虫害防治、环境评价、环保策略的制定提供准确、可靠的数据源。
Description
技术领域
本发明属生态环境状态监测及信息处理领域，具体涉及一种基于数字高程模型的特定生物种群高程获取方法。
背景技术
通常情况下，生态环境是一个相对稳定的整体，在一段时期内，其生态学分布会基于处于稳定的状态，尤其对于环境内不同高程上，会稳定地垂直分布不同的生物学种群，同时，对应的植物种群也会对应相应的动物种群。例如，非洲的乞力马扎罗山，垂直方向上的植物学分布为热带雨林带、热带草原带、常绿树叶林带、落叶枫叶林带、高寒草甸带、高寒荒漠带和积雪冰川带，相应的植物生物带上分布着对应的动物生物带。分布的稳定性，决定着生态环境的稳定性。随着外界环境的改变，生态环境中的生物分布正在发生剧烈的变化，尤其动物分布，由于人对环境的影响，动物开始被迫改变自己的生存空间，不仅体现在水平分布上的变化，也包括在垂直分布上的变化，并反作用于自然界，影响生态和人类的生活。
动物在水平分布上的变化比较容易被人们感知到，而垂直分布上的变化，只有到了不可挽回的地步的时候，才会被人们感知到。例如，作为血吸虫唯一中间宿主的钉螺，目前已呈现出向低高程扩散的趋势，必将影响到低高程的生态环境。因此，对生态环境中生物学高程状态变化的监测尤其重要。
现在技术中，一般通过传统大比例尺地面测绘、高分辨率遥感、雷达技术、以及基于谷歌地球(Google Earth，GE)的点位高程等方法获取生态环境中生物学垂直分布状态；其中，传统大比例尺地面测绘方法虽然精度高，但在大规模应用时成本较高，时效较低，且专门针对某些特定生态环境的大比例尺和高分辨率测绘成果并不丰富。高分遥感和雷达技术可以快速高效地获取生态环境中某种特定生物种群的高程状态信息，但仍然无法获取到精确的高程数据；GE数据精度较高且在不断更新，但原始数据显示的高程数值为世界大地测量系统1984 (World Geodetic System 1984Coordinate System，WGS-84)，而不是中国通常使用的1985黄海高程系统。例如，采用基于GE方法和直接基于SRTM3数据插值方法获取点位高程，结果显示两种方法所获取的高程点位整体偏高。
发明内容
为了及时获取生态环境中生物学高程状态，提高生物学高程状态监测精度同时降低监测成本，本发明实施例提供了一种基于数字高程模型(Digital Elevation Model，DEM)的特定生物种群高程获取方法；结合谷歌地球(Google Earth，GE)，建立高程回归模型，通过GE中提取的高程数据对DEM中的高程值进行校正，得到更加合理、精确的生物种群生存空间高程数据，利用有限的观测资料校正通过DEM提取的高程值，为生态环境的病害防治、环境监测和治理提供可靠的数据源。
为了实现上述目的，本发明实施例所采用的技术方案如下：
一种基于数字高程模型DEM的特定生物种群高程获取方法，所述方法包括如下步骤：
步骤S1，确定生态环境中的待监测种群及待监测区域；
步骤S2，根据待监测区域的地理坐标系构建投影坐标系，并将所述待监测区域在投影坐标系上划分矢量网格；
步骤S3，在所述矢量网格中选择所有满足预设条件的待监测网格，以待监测网格的任一侧框线为调查起点线，对待监测网格区域内按预设线距和点距进行布设调查点，并使用手持GPS定位仪采集每个调查点的空间信息；
步骤S4，以所述调查点的空间信息为依据，从GE中提取与所述调查点对应的高程数据形成GE高程数据集；
步骤S5，调用国家基础地理信息系统(National fundamental geographicinformation system，NFGIS)数据库，采集待监测区域的DEM高程数据集；
步骤S6，根据所述GE高程数据集和DEM高程数据集构建高程回归模型，所述高程回归模型以DEM高程值和GE高程值为自变量，DEM校正高程值为因变量。
作为本发明的一个优选实施例，所述步骤S2中，所述地理坐标系，采用 WGS-84坐标系；所述投影坐标系，采用横轴墨卡托投影。
作为本发明的一个优选实施例，按预设比例将待监测区域在投影坐标系上划分为矢量网格。
作为本发明的一个优选实施例，所述待监测网络需要满足的预设条件，为网格所占的待监测区域的实际面积大于预定面积。
作为本发明的一个优选实施例，所述预设线距和点距，根据划分矢量网格所采用的预设比例，选择预设长度的二分之一到十分之一，选择调查点。
作为本发明的一个优选实施例，所述步骤S3中的空间信息指所述调查点的经纬度信息。
作为本发明的一个优选实施例，所述从GE中提取GE高程数据集，运用 Delphi工具，采用批量获取特征点高程的DEMTools Pro(2015)软件，通过API 接口与GE系统关联进行数据提取。
作为本发明的一个优选实施例，所述采集监测区域内的DEM高程数据集，将预设幅数、预设比例尺的待监测区域内地形图扫描成数字图像，并转换为矢量数据；从所述地形的矢量数据中提取高程小于预设值的等高线和高程点，进行数据处理得到地形高程数据集；再运用ArcGIS三维空间分析工具，由地形高程数据集生成待监测区域DEM，再从所述待监测区域DEM中获取与调查点对应的DEM高程数据集。
作为本发明的一个优选实施例，所述数据处理，包括数据格式转换、坐标系变换、数据编辑、数据拼接等，得到地形高程数据集。
作为本发明的一个优选实施例，所述步骤S6还包括：采用平均绝对误差、均方根误差和拟合系数三项指标，对所述高程回归模型进行评估。
本发明具有如下有益效果：
本发明实施例的基于数字高程模型(Digital Elevation Model，DEM)的特定生物种群高程获取方法，基于DEM采集实时生物学高程状态数据，并通过谷歌地球(GoogleEarth，GE)的环境高程对DEM高程数据进行校正，准确地监测生态环境中的生物学高程状态变化，实时反映某一生物种群在高程上的分布变化，为生态环境的病虫害防治、环境评价、环保策略的制定提供准确、可靠的数据源。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例基于数字高程模型的特定生物种群高程获取方法流程示意图；
图2为本发明实施例中鄱阳湖地区地理空间位置示意图。
具体实施方式
下面通过参考示范性实施例，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
本发明实施例提出了一种基于数字高程模型(Digital Elevation Model，DEM)的特定生物种群高程获取方法，基于DEM实时采集特定生态环境中的生物学信息，并通过GE中的高程数据对DEM高程数据进行对比及校正，实时监测某一生物种群在高程上的分布变化，从而提高所监测的高程数据的精度、准确性及合理性，同时降低监测成本，为生态环境的病虫害防治、环境评价、环保策略的制定提供准确、可靠的数据源。
数字高程模型(Digital Elevation Model，DEM)是国家基础地理信息系统(National fundamental geographic information system，NFGIS)数据库中重要的空间信息资料，也是进行空间地形分析的核心组成部分。谷歌地图(Google Earth， GE)是一款Google公司开发的虚拟地球仪软件，含有高分辨率卫星影像数据，其卫星影像的分辨率达到亚米级，且数据在不断更新。此外，GE同时共享经纬度和高程信息，并提供了二次开发应用程序编程接口(API)，用户可以利用二次开发的程序与API对接，快速地从GE中提取任意地区的高程数据。
图1为本发明实施例基于数字高程模型的特定生物种群高程获取方法流程示意图。如图1所示，所述基于DEM的基于数字高程模型的特定生物种群高程获取方法，包括如下步骤：
步骤S1，确定生态环境中的待监测种群及待监测区域。
本步骤中待监测种群，可以根据实际需要进行确定。当需要进行生物学病虫害防治时，确定虫害生物种群为待监测种群，并对待监测种群所在的某一区域为待监测区域。如，要监测血吸虫的唯一中间宿主钉螺孳生环境的高程分布情况，则将钉螺确定为待监测种群，而钉螺孳生的环境范围为待监测区域。这里就以钉螺为例，在中国的鄱阳湖就有大量的钉螺孳生。
图2所示为鄱阳湖地区地理空间位置示意图。如图2所示，鄱阳湖是中国最大的淡水湖泊，位于28°11′N～29°51′N，115°49′E～116°46′E，处于长江中下游交界处的南岸，江西省的北部，承纳赣江、抚河、信江、饶河、修水五大河及博阳河等支流来水，经调蓄后由湖口注入长江，是一个过水型、吞吐型、季节性湖泊，具有“高水是湖，低水似河”的水文特征，1985国家黄海高程基准数据资料显示：年内水位变化在7.1-19.0m。鄱阳湖区整个地势，由外及里，自南向北，渐次向鄱阳湖倾斜，构成一个向北开口的巨大盆地。
鄱阳湖地区有大量钉螺孳生，且其孳生环境的高程呈现出逐渐降低的趋势，需要对钉螺的孳生环境的高程变化进行及时监测，以制定应对策略，以免对周围的生态环境或人民生活造成不可挽回的影响。
步骤S2，根据待监测区域的地理坐标系构建投影坐标系，并将所述待监测区域在投影坐标系上划分矢量网格。
优选地，本步骤中，所述地理坐标系，采用WGS-84坐标系；所述投影坐标系，采用横轴墨卡托(Transverse Mercator)投影。投影完成后，在所述投影坐标系上按预设比例将所述监测区域划分为矢量网格。所述预设比例，按所监测区域的大小进行设定，例如，按地理坐标系中200m×200m或100m×100m的长度进行网格划分。以鄱阳湖为例，是一个葫芦状向北开口的盆地，水位最高时长约170公里，最宽处约74公里，用基于ArcGIS建立的鄱阳湖区有螺洲滩空间地图，在ArcGIS软件中通过Hawth′s Tools扩展插件的Create Vector Grid，对钉螺孳生环境按200m×200m创造矢量网格，共获得62340个网格。
步骤S3，在所述矢量网格中选择所有满足预设条件的待监测网格，以待监测网格的任一侧框线为调查起点线，对待监测网格区域内按预设线距和点距布设调查点，并使用手持GPS定位仪采集每个调查点的空间信息。
本步骤中，所述预设条件，根据所述待监测种群的具体情况进行设定。以钉螺为例，其所分布的鄱阳湖地区，是不规则的葫芦状，因此，对矢量网格以面积为选择标准，将实际占踞鄱阳湖面积大于预定面积的网格，选定为待监测网格。例如，预定面积为24000m2，以鄱阳湖为例，选择其网格面积≥24000m2的网格，作为有效样本，共计37754待监测网格。也可按矢量网格中的待监测种群的生物密度进行选择，根据实际需要进行选择。
所述预设线距和点距，根据划分矢量网格所采用的预设比例进行选择，通常可采用预设长度的二分之一到十分之一，选择调查点。以钉螺孳生的鄱阳湖为例，采用50m的线距和点距，布设待监测网格中的调查点。
所述空间信息指所述调查点的经纬度信息。
步骤S4，以所述调查点的空间信息为依据，从GE中提取与所述调查点对应的高程数据形成GE高程数据集。
本步骤中，所述从GE中提取GE高程数据集，运用Delphi工具，采用批量获取特征点高程的DEMTools Pro(2015)软件，通过API接口与GE系统关联进行数据提取。
步骤S5，调用国家基础地理信息系统(National fundamental geographicinformation system，NFGIS)数据库，采集待监测区域的DEM高程数据集。
本步骤中，所述采集监测区域内的DEM高程数据集，将预设幅数、预设比例尺的待监测区域内地形图扫描成数字图像，并转换为矢量数据；从所述地形的矢量数据中提取高程小于预设值的等高线和高程点，进行数据处理，包括数据格式转换、坐标系变换、数据编辑、数据拼接等，得到地形高程数据集；再运用ArcGIS三维空间分析工具，由地形高程数据集生成待监测区域DEM，再从所述待监测区域DEM中获取与调查点对应的DEM高程数据集。
所述转换为矢量数据，用专业地图数据化软件自动和半自动化进行转换。以鄱阳湖为例，采用240～300幅比例尺为1：10000的地形图，进行扫描获得数字图像。
步骤S6，根据所述GE高程数据集和DEM高程数据集构建高程回归模型，所述高程回归模型以DEM高程值和GE高程值为自变量，DEM校正高程值为因变量。
优选地，所述步骤S6中，根据所述GE样本高程数据和DEM样本高程数据构建高程回归模型，将提取了GE高程值和DEM高程值的样本点随机选择70％，用于建立高程回归模型，而剩余的样本点将用于评估高程回归模型。高程回归模型采用基于由最小二乘法确定的二元线性回归方程对DEM高程数据进行校正。模型表述如下：y＝ax1+bx2+c，其中GE和DEM样本高程值为自变量，DEM校正高程值为因变量，a和b为总体回归系数，c为总体回归方程的常数项，所述DEM校正高程值为所获取的特定生物种群的生存环境高程值。所述作为自变量的GE和DEM样本高程数据，本身是网格样本集的函数。当要获取特定生物种群的生存环境高程值时，通过所监测区域内的样本点数据映射出 GE中的GE样本高程值，结合所采集的DEM样本高程值，再通过高程回归模型对DEM高程值进行校正，得到DEM校正高程值。
进一步地，所述步骤S6构建高程回归模型，还包括：对所述高程回归模型的评估。为了评估高程模型的精度，分别采用平均绝对误差(MAE)、均方根误差 (RMSE)和拟合系数(IOA)三项指标进行比较评估。MAE和RMSE的值越小，其所对校正后和高程精度越高，MAE可以反映估算值可能的误差范围在，RMSE 可以反映模型的反演灵敏度和极值效应；IOA可以反映高程校正模型的拟合效果，其值越大，效果就越好。各评估值的表达式如下：
其中，Pi表示第i个验证点高程的实际值，表示第i个验证点高程的估测值 /DEM或GE高程值，n表示验证点的数量，
表示n个验证点实际高程的平均值，
表示n个验证点估测高程的平均值。
所述高程回归模型的拟合程度为R2，是统计值。R2→1，表示回归方程拟合的越好，反之则越差。本发明实施例采用线性回归方法比较DEM高程值与GE 高程值之间的关系，发现两者之间存在显著的相关性，其相关系数r值高达 0.917，并以这2个变量值建立校正回归方程式，其回归估计的拟合度高。
以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于数字高程模型DEM的特定生物种群高程获取方法，其特征在于，所述方法包括如下步骤：
步骤S1，确定生态环境中的待监测种群及待监测区域；
步骤S2，根据待监测区域的地理坐标系构建投影坐标系，并将所述待监测区域在投影坐标系上划分矢量网格；
步骤S3，在所述矢量网格中选择所有满足预设条件的待监测网格，以待监测网格的任一侧框线为调查起点线，对待监测网格区域内按预设线距和点距进行布设调查点，并使用手持GPS定位仪采集每个调查点的空间信息；
步骤S4，以所述调查点的空间信息为依据，从GE中提取与所述调查点对应的高程数据形成GE高程数据集；
步骤S5，调用国家基础地理信息系统(National fundamental geographicinformation system，NFGIS)数据库，采集待监测区域的DEM高程数据集；
步骤S6，根据所述GE高程数据集和DEM高程数据集构建高程回归模型，所述高程回归模型以DEM高程值和GE高程值为自变量，DEM校正高程值为因变量。
2.根据权利要求1所述的特定生物种群高程获取方法，其特征在于，所述步骤S2中，所述地理坐标系，采用WGS-84坐标系；所述投影坐标系，采用横轴墨卡托投影。
3.根据权利要求2所述的特定生物种群高程获取方法，其特征在于，按预设比例将待监测区域在投影坐标系上划分为矢量网格。
4.根据权利要求1所述的特定生物种群高程获取方法，其特征在于，所述待监测网络需要满足的预设条件，为网格所占的待监测区域的实际面积大于预定面积。
5.根据权利要求4所述的特定生物种群高程获取方法，其特征在于，所述预设线距和点距，根据划分矢量网格所采用的预设比例，选择预设长度的二分之一到十分之一，选择调查点。
6.根据权利要求1所述的特定生物种群高程获取方法，其特征在于，所述步骤S3中的空间信息指所述调查点的经纬度信息。
7.根据权利要求1所述的特定生物种群高程获取方法，其特征在于，所述从GE中提取GE高程数据集，运用Delphi工具，采用批量获取特征点高程的DEMTools Pro(2015)软件，通过API接口与GE系统关联进行数据提取。
8.根据权利要求1所述的特定生物种群高程获取方法，其特征在于，所述采集监测区域内的DEM高程数据集，将预设幅数、预设比例尺的待监测区域内地形图扫描成数字图像，并转换为矢量数据；从所述地形的矢量数据中提取高程小于预设值的等高线和高程点，进行数据处理得到地形高程数据集；再运用ArcGIS三维空间分析工具，由地形高程数据集生成待监测区域DEM，再从所述待监测区域DEM中获取与调查点对应的DEM高程数据集。
9.根据权利要求8所述的特定生物种群高程获取方法，其特征在于，所述数据处理，包括数据格式转换、坐标系变换、数据编辑、数据拼接，得到地形高程数据集。
10.根据权利要求8所述的特定生物种群高程获取方法，其特征在于，所述步骤S6还包括：采用平均绝对误差、均方根误差和拟合系数三项指标，对所述高程回归模型进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774984.4A CN111949752B (zh) | 2020-08-05 | 基于数字高程模型的特定生物种群高程获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774984.4A CN111949752B (zh) | 2020-08-05 | 基于数字高程模型的特定生物种群高程获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111949752A true CN111949752A (zh) | 2020-11-17 |
| CN111949752B CN111949752B (zh) | 2024-05-31 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112325861A (zh) * | 2020-11-10 | 2021-02-05 | 厦门点云数据科技有限公司 | 一种积水监测和计算方法及终端 |
| CN113032513A (zh) * | 2021-05-21 | 2021-06-25 | 北京数字政通科技股份有限公司 | 一种针对空间地理数据的切片方法及渲染方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013121340A1 (en) * | 2012-02-13 | 2013-08-22 | Stellenbosch University | Digital elevation model |
| US20140267250A1 (en) * | 2013-03-15 | 2014-09-18 | Intermap Technologies, Inc. | Method and apparatus for digital elevation model systematic error correction and fusion |
| CN109145376A (zh) * | 2018-07-19 | 2019-01-04 | 华北电力大学 | 一种基于cad地形图的水库淹没范围确定方法 |
| CN109782282A (zh) * | 2019-03-13 | 2019-05-21 | 武汉大学 | 一种集成对流层大气延迟改正的时间序列InSAR分析方法 |
| CN110930649A (zh) * | 2019-11-05 | 2020-03-27 | 清华大学 | 冰川物质平衡量获取方法、装置、计算机设备及存储介质 |
| CN111145351A (zh) * | 2019-12-27 | 2020-05-12 | 河南大学 | 考虑地物类型的Minnaert地形校正模型优化方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013121340A1 (en) * | 2012-02-13 | 2013-08-22 | Stellenbosch University | Digital elevation model |
| US20140267250A1 (en) * | 2013-03-15 | 2014-09-18 | Intermap Technologies, Inc. | Method and apparatus for digital elevation model systematic error correction and fusion |
| CN109145376A (zh) * | 2018-07-19 | 2019-01-04 | 华北电力大学 | 一种基于cad地形图的水库淹没范围确定方法 |
| CN109782282A (zh) * | 2019-03-13 | 2019-05-21 | 武汉大学 | 一种集成对流层大气延迟改正的时间序列InSAR分析方法 |
| CN110930649A (zh) * | 2019-11-05 | 2020-03-27 | 清华大学 | 冰川物质平衡量获取方法、装置、计算机设备及存储介质 |
| CN111145351A (zh) * | 2019-12-27 | 2020-05-12 | 河南大学 | 考虑地物类型的Minnaert地形校正模型优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郑家文: "白颈长尾雉空间生态学研究", 《中国博士学位论文全文数据库 (基础科学辑)》, vol. 2007, no. 05, 15 November 2007 (2007-11-15), pages 24 - 31 * |
| 黄琪;张宗毅;: "基于Google软件的农地区高程获取及精度评价", 测绘通报, no. 02, 25 February 2015 (2015-02-25) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112325861A (zh) * | 2020-11-10 | 2021-02-05 | 厦门点云数据科技有限公司 | 一种积水监测和计算方法及终端 |
| CN112325861B (zh) * | 2020-11-10 | 2022-05-13 | 厦门点云数据科技有限公司 | 一种积水监测和计算方法及终端 |
| CN113032513A (zh) * | 2021-05-21 | 2021-06-25 | 北京数字政通科技股份有限公司 | 一种针对空间地理数据的切片方法及渲染方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peper et al. | Comparison of five methods for estimating leaf area index of open-grown deciduous trees | |
| CN105677890A (zh) | 一种城市绿量数字地图制作及显示方法 | |
| CN104794336B (zh) | 一种农田秸秆资源空间分布估算方法 | |
| Meyer et al. | Canopy height explains species richness in the largest clade of Neotropical lianas | |
| Greenberg et al. | Using LiDAR Data Analysis to Estimate Changes in Insolation Under Large‐Scale Riparian Deforestation 1 | |
| CN111896481A (zh) | 河湖水环境自动建模及水质参数自动识别系统及运行方法 | |
| CN104021308A (zh) | 基于ERA-Interim和ERA40预测海浪有效波高的方法 | |
| Noordermeer et al. | Economic utility of 3D remote sensing data for estimation of site index in Nordic commercial forest inventories: a comparison of airborne laser scanning, digital aerial photogrammetry and conventional practices | |
| CN111489063B (zh) | 一种评估风力发电机对周边环境影响的方法及系统 | |
| CN111949752A (zh) | 基于数字高程模型的特定生物种群高程获取方法 | |
| CN111949752B (zh) | 基于数字高程模型的特定生物种群高程获取方法 | |
| CN110717252A (zh) | 一种基于wrf和sedris的虚拟大气环境数据生成方法及系统 | |
| Hernández-Lambraño et al. | Making the most of scarce data: Mapping distribution range and variation in population abundance of a threatened narrow-range endemic plant | |
| CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
| Nandi et al. | Geographical Information System (GIS) in water resources engineering | |
| Bin et al. | Characteristics and Carbon Storage of a Typical Mangrove Island Ecosystem in Beibu Gulf, South China Sea | |
| Li et al. | A GIS-based approach for estimating spatial distribution of seasonal temperature in Zhejiang Province, China | |
| CN115620171B (zh) | 树林蓄积量评估方法、装置、设备及存储介质 | |
| Prasanna et al. | Variability of the Sounding Datums Around Sri Lankan Coastline | |
| CN117114194B (zh) | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 | |
| CN112686995B (zh) | 一种红树林智能监管系统 | |
| Scarmana et al. | Assessing the relationship between tree dimensions in an urban environment | |
| Kuo et al. | Delve into the Impact of Object’s Location Intelligence on the Species Distribution Modeling via Deep Learning | |
| CN117576324B (zh) | 基于数字孪生的城市三维空间模型构建方法及系统 | |
| Tatsuhara et al. | Predicting the spatial distribution of major species composition in secondary hardwood forests on Mt. Gozu, central Japan, based on environmental factors |
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 |