CN111985421B - 基于地理加权回归模型的耕地田坎系数估算方法及装置 - Google Patents

基于地理加权回归模型的耕地田坎系数估算方法及装置 Download PDF

Info

Publication number
CN111985421B
CN111985421B CN202010864786.7A CN202010864786A CN111985421B CN 111985421 B CN111985421 B CN 111985421B CN 202010864786 A CN202010864786 A CN 202010864786A CN 111985421 B CN111985421 B CN 111985421B
Authority
CN
China
Prior art keywords
coefficient
data
field
regression
estimated
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
Application number
CN202010864786.7A
Other languages
English (en)
Other versions
CN111985421A (zh
Inventor
王桂钢
李雪梅
金江磊
王世杰
别强
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.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou Jiaotong University
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 Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN202010864786.7A priority Critical patent/CN111985421B/zh
Publication of CN111985421A publication Critical patent/CN111985421A/zh
Application granted granted Critical
Publication of CN111985421B publication Critical patent/CN111985421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Operations Research (AREA)
  • Mining & Mineral Resources (AREA)
  • Astronomy & Astrophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及基于地理加权回归模型的耕地田坎系数估算方法及装置，属于耕地资源调查技术领域，其方法包括，基于待估算区的光学卫星影像，依据样方分布图计算得到待估算区内每一样方的田坎系数；基于每一样方的田坎系数和每一样方的坡度数据，采用地理加权回归方法，构建各局部耕地田坎系数估算模型；根据各局部耕地田坎系数估算模型的回归系数、常数项、回归残差进行空间插值计算，对应得到回归系数空间分布数据、常数项空间分布数据以及回归残差空间分布数据；基于上述分布数据、待估算区的坡度数据进行带入计算并进行裁切处理，以得到耕地田坎系数估算值。本申请能够快速获取待估算区耕地田坎系数，其可准确表征出田坎系数的空间分布异质性。

Description

基于地理加权回归模型的耕地田坎系数估算方法及装置
技术领域
本申请属于耕地资源调查技术领域，具体涉及一种基于地理加权回归模型的耕地田坎系数估算方法及装置。
背景技术
耕地是人类赖以生存与发展的基础性自然资源，是一种不可替代的资源和农业生产要素。随着工业的不断发展、社会的不断进步，各行各业都急需用地，建设用地面积逐年增加，大量耕地被转作他用，耕地面积逐渐减少，耕地减少带来的最直接危害就是产生粮食危机。因此，注重保护耕地，促进人与耕地的和谐相处，对提高耕地管理和利用水平具有重要意义。
目前对耕地的调查主要采用遥感监测的方法。耕地中的非耕地是影响耕地面积遥感调查精度的主要因素。现实中存在于大块耕地图斑中的田坎等细小地物，影响着耕地面积调查的精度。在很多情况下直接基于遥感技术统计的耕地面积大多为耕地的毛面积而非净耕地面积。因此，在耕地面积遥感调查中，应对耕地图斑中田坎所占的比例进行测算，在统计汇总时依据田坎系数加以扣除，以便获取准确的耕地面积数据。
传统的耕地田坎系数测算方法包括地貌类型分区、分组、样方选定、田坎测量、田坎系数计算与汇总等步骤。大致流程为：首先将田坎系数待估算区按照地貌类型分为若干区，在各个分区内按照地形坡度和耕地类型进行分组。然后在各个地貌类型分区的每个分组的耕地上选取样方，通过外业实地测量，测算样方田坎系数。最后通过统计汇总分析方法，取其算术平均值作为该组样方的平均田坎系数。在耕地样方田坎系数测量时，传统测量方法是根据内业初步选择的样方，外业人员赴实地进行田坎量测。实地量取田坎宽度可采用皮尺量测，也可使用GNSS RTK技术进行测量。传统耕地田坎系数测算方法，需耗费大量的人力和物力，时间成本高，所获取的耕地田坎系数是按照分区、分组进行结果汇总，不能精确的反映出田坎系数在空间分布上的异质性。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供基于地理加权回归模型的耕地田坎系数估算方法和装置，在耕地田坎系数估算中应用地理加权回归模型，有助于高效地得到、准确的耕地田坎系数估算结果。
为实现以上目的，本申请采用如下技术方案：
第一方面，
本申请提供一种基于地理加权回归模型的耕地田坎系数估算方法，其包括：
获取待估算区的光学卫星影像；
基于所述光学卫星影像，依据预先确定的样方分布图计算得到待估算区内每一样方的田坎系数；
基于每一样方的田坎系数和每一样方的坡度数据，采用地理加权回归方法，构建各局部耕地田坎系数估算模型；
根据各局部耕地田坎系数估算模型的回归系数、常数项、回归残差进行空间插值计算，对应得到回归系数空间分布数据、常数项空间分布数据以及回归残差空间分布数据；
基于回归系数空间分布数据、常数项空间分布数据、回归残差空间分布数据、以及待估算区的坡度数据进行带入计算并对计算结果进行裁切处理，以得到耕地田坎系数估算值。
可选地，所述基于所述光学卫星影像，依据预先确定的样方分布图计算得到待估算区内每一样方的田坎系数，包括，
根据所述样方分布图，基于所述光学卫星影像，进行田坎、耕地及其他地物的采集；
基于采集的矢量图斑数据测算所述每一个样方的样方田坎总面积和样方耕地总面积，以如下表达式计算得到待估算区内每一样方的田坎系数，
田坎系数＝样方田坎总面积/(样方耕地总面积+样方田坎总面积)。
可选地，所述基于每一样方的田坎系数和每一样方的坡度数据，采用地理加权回归方法，构建各局部耕地田坎系数估算模型，包括，
获取待估算区的数字高程模型数据，将所述数字高程模型数据和所述样方分布图进行叠加及平均计算处理，以确定每一样方的坡度数据；
对每一样方的坡度数据进行面转点操作，得到待估算区的点状样方图层数据；
根据所述点状样方图层数据，以田坎系数为因变量，以坡度数据为解释变量，采用地理加权回归方法，确定各局部回归模型的回归系数、常数项及回归残差，进而构建各局部耕地田坎系数估算模型。
可选地，所述数字高程模型数据包括SRTM、GDEM数据。
可选地，所述数字高程模型数据的分辨率为30米。
可选地，所述空间插值的算法包括普通克吕格方法。
可选地，所述基于所述回归系数空间分布数据、常数项空间分布数据、回归残差空间分布数据、以及待估算区的坡度数据进行带入计算并对计算结果进行裁切处理，包括：
将回归系数空间分布数据与相应待估算区的坡度数据相乘，并相应加上常数项空间分布数据，得到地理加权回归模型的田坎系数预测数据；
将回归残差空间分布数据与所述田坎系数预测数据对应相加，得到待估算区的田坎系数潜在估算数据；
根据耕地空间分布对所述待估算区的田坎系数潜在估算数据进行裁切处理。
可选地，预先确定所述样方分布图的过程为，
基于待估算区的土地利用或地表覆盖分类数据，筛选确定出待估算区的耕地地块；
基于所述待估算区的耕地地块的分布范围，采用空间简单随机抽样方法随机生成一定数量的样本点；
将所述样本点周边区域范围选取为样方，以得到所述样方分布图。
可选地，所述光学卫星影像的分辨率优于0.8米。
第二方面，
本申请提供一种估算装置，其包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现上述所述方法的步骤。
本申请采用以上技术方案，至少具备以下有益效果：
本申请基于卫星影像，通过样方选取、测量、计算等一系列处理得到耕地样方田坎系数，进一步结合坡度数据，以田坎系数为因变量，坡度数据为解释变量，构建田坎系数估算的地理加权回归模型。对地理加权回归模型的回归系数项、常数项和回归残差进行插值，基于空间插值结果最终计算得到的待估算区田坎系数空间分布图。相比现有技术，运用此方法能够快速获取待估算区耕地田坎系数，并能够准确表征出田坎系数在空间分布上的异质性。
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的基于地理加权回归模型的耕地田坎系数估算方法的流程示意图；
图2为本申请一个实施例中待估算区的范围图；
图3为本申请一个实施例中待估算区的样方分布图；
图4为本申请一个实施例中待估算区的坡度图；
图5为本申请一个实施例中GWR模型坡度变量局部回归系数空间分布图；
图6为本申请一个实施例中GWR模型坡度变量局部常数项空间分布图；
图7为本申请一个实施例中GWR模型残差数据空间插值结果分布图；
图8为本申请一个实施例中耕地田坎系数潜在估算值空间分布图；
图9为本申请一个实施例中估算装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
根据对大量实践经验的总结，申请人发现，耕地田坎系数与耕地所处的地形坡度等密切相关，可通过建立田坎系数与地形坡度间的局地回归关系对耕地田坎系数进行估算。常见的回归分析大多采用基于最小二乘的全局线性回归方法。全局线性回归模型假定因变量和各解释变量之间的关系在空间上具有同质性，各解释变量的回归系数在全区域是恒定的常数。该种回归分析方法忽略了变量之间关系的空间非稳定性和区域差异特性，其分析结果的准确性往往受到一定的限制。
而地理加权回归模型更强调因变量和解释变量之间关系的局部区域特性，利用地理加权回归模型可以提高拟合优度，得到更为准确、精细的拟合结果，特别是在进行大区域空间关系分析与建模时具有优势。在地理加权回归模型中，解释变量的回归系数不再是常数，而是与空间位置相关的函数。
基于此，本申请提出一种基于地理加权回归模型的耕地田坎系数估算方法。如图1所示，在一实施例中，该估算方法包括：
步骤S110，获取待估算区的光学卫星影像；
这里的光学卫星影像为高分辨率的卫星影像，在该实施例中，光学卫星影像的分辨率优于0.8米，影像可从google earth上下载得到，也可利用高分二号、高分二号、Worldview等卫星数据经处理得到；如图2所示，为该实施例中待估算区的范围示意图。
之后进行步骤S120，基于获取的光学卫星影像，依据预先确定的样方分布图计算得到待估算区内每一样方的田坎系数；
具体的，步骤S120中，根据样方分布图，基于光学卫星影像，进行田坎、耕地及其他地物的采集；
基于采集的矢量图斑数据测算每一个样方的样方田坎总面积和样方耕地总面积，以如下表达式计算得到待估算区内每一样方的田坎系数，
田坎系数＝样方田坎总面积/(样方耕地总面积+样方田坎总面积)。
需要说明的是，该实施例中，预先确定样方分布图的过程为，
基于待估算区的土地利用或地表覆盖分类数据，筛选确定出待估算区的耕地地块；
基于待估算区的耕地地块的分布范围，为避免人为因素的影响，采用空间简单随机抽样方法随机生成一定数量的样本点；
将样本点周边区域范围选取为样方，以得到样方分布图，如图3所示，为该实施例中的样方分布图。
回到图1，继续进行步骤S130，基于每一样方的田坎系数和每一样方的坡度数据，采用地理加权回归方法，构建各局部耕地田坎系数估算模型；
步骤S130中，涉及到每一样方的田坎系数(步骤S120中得到)以及每一样方的坡度数据，为得到每一样方的坡度数据，
该步骤中，需获取待估算区的数字高程模型数据，将数字高程模型数据和样方分布图进行叠加及平均计算处理，以确定每一样方的坡度数据，
换言之，在如图4所示的待估算区坡度图通过叠加选取各样方的范围，将每一样方范围内的坡度数据在本样方内进行平均计算，将得到平均坡度值作为相应样方的坡度数据；举例而言，这里数字高程模型数据包括SRTM、GDEM数据等，数字高程模型数据的分辨率为30米；
步骤S130中，之后对每一样方的坡度数据进行面转点操作(本实施例中，通过取样方的几何中心点的方式进行面转点操作)，得到待估算区的点状样方图层数据(其包括各样方的地理位置信息、坡度信息、田坎系数信息)，以便于进行后续的地理加权回归方法。
再之后，根据点状样方图层数据，以田坎系数为因变量，以坡度数据为解释变量，采用地理加权回归方法，确定各局部回归模型的回归系数、常数项及回归残差，进而构建各局部耕地田坎系数估算模型。
地理加权回归方法涉及的技术可见于相关公开资料，这里不进行详述，但需要说明的是，本申请中，每一局部耕地田坎系数估算模型的构建、需要相应地理局部几个点状样方的坡度数据及田坎系数数据进行回归。该实施例中，针对每个点状样方，以及其周边最近的五个点状样方及其自身的坡度数据、田坎系数数据来构建一局部耕地田坎系数估算模型。
步骤S130之后，进行步骤S140，根据各局部耕地田坎系数估算模型的回归系数、常数项、回归残差进行空间插值计算(举例而言，空间插值的算法可采用普通克吕格方法)，对应得到回归系数空间分布数据(如图5所示)、常数项空间分布数据(如图6所示)以及回归残差空间分布数据(如图7)；
最后进行步骤S150，基于回归系数空间分布数据、常数项空间分布数据、回归残差空间分布数据、以及待估算区的坡度数据进行带入计算并对计算结果进行裁切处理，以得到耕地田坎系数估算值。
具体的，步骤S150中，将回归系数空间分布数据与相应待估算区的坡度数据相乘，并相应加上常数项空间分布数据，得到地理加权回归模型的田坎系数预测数据；
将回归残差空间分布数据与所述田坎系数预测数据对应相加，得到待估算区的田坎系数潜在估算数据(如图8所示)；
根据耕地空间分布对待估算区的田坎系数潜在估算数据进行裁切处理，以得到相应耕地田坎系数估算值，即在图8所示的田坎系数潜在估算数据中，裁切选取耕地范围对应的田坎系数潜在估算数据作为相应田坎系数估算结果。
本申请的技术方案，基于卫星影像，通过样方选取、测量、计算等一系列处理得到耕地样方田坎系数，进一步结合坡度数据，以田坎系数为因变量，坡度数据为解释变量，构建田坎系数估算的地理加权回归模型。对地理加权回归模型的回归系数项、常数项和回归残差进行插值，基于空间插值结果最终计算得到的待估算区田坎系数空间分布图。相比现有技术，运用此方法能够快速获取待估算区耕地田坎系数，并能够准确表征出田坎系数在空间分布上的异质性。
图9为本申请一个实施例提供的估算装置的结构示意图，如图9所示，该估算装置900包括：
存储器901，其上存储有可执行程序；
处理器902，用于执行存储器901中的可执行程序，以实现上述方法的步骤。
关于上述实施例中的电子设备900，其处理器902执行存储器901中的程序的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，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。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于地理加权回归模型的耕地田坎系数估算方法，其特征在于，包括：
获取待估算区的光学卫星影像；
基于所述光学卫星影像，依据预先确定的样方分布图计算得到待估算区内每一样方的田坎系数；
基于每一样方的田坎系数和每一样方的坡度数据，采用地理加权回归方法，构建各局部耕地田坎系数估算模型，包括：获取待估算区的数字高程模型数据，将所述数字高程模型数据和所述样方分布图进行叠加及平均计算处理，以确定每一样方的坡度数据；对每一样方的坡度数据进行面转点操作，得到待估算区的点状样方图层数据；根据所述点状样方图层数据，以田坎系数为因变量，以坡度数据为解释变量，采用地理加权回归方法，确定各局部回归模型的回归系数、常数项及回归残差，进而构建各局部耕地田坎系数估算模型；
根据各局部耕地田坎系数估算模型的回归系数、常数项、回归残差进行空间插值计算，对应得到回归系数空间分布数据、常数项空间分布数据以及回归残差空间分布数据；
基于回归系数空间分布数据、常数项空间分布数据、回归残差空间分布数据、以及待估算区的坡度数据进行带入计算并对计算结果进行裁切处理，以得到耕地田坎系数估算值。
2.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，所述基于所述光学卫星影像，依据预先确定的样方分布图计算得到待估算区内每一样方的田坎系数，包括，
根据所述样方分布图，基于所述光学卫星影像，进行田坎、耕地及其他地物的采集；
基于采集的矢量图斑数据测算所述每一个样方的样方田坎总面积和样方耕地总面积，以如下表达式计算得到待估算区内每一样方的田坎系数，
田坎系数＝样方田坎总面积/(样方耕地总面积+样方田坎总面积)。
3.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，所述数字高程模型数据包括SRTM、GDEM数据。
4.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，所述数字高程模型数据的分辨率为30米。
5.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，所述空间插值的算法包括普通克吕格方法。
6.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，所述基于所述回归系数空间分布数据、常数项空间分布数据、回归残差空间分布数据、以及待估算区的坡度数据进行带入计算并对计算结果进行裁切处理，包括：
将回归系数空间分布数据与相应待估算区的坡度数据相乘，并相应加上常数项空间分布数据，得到地理加权回归模型的田坎系数预测数据；
将回归残差空间分布数据与所述田坎系数预测数据对应相加，得到待估算区的田坎系数潜在估算数据；
根据耕地空间分布对所述待估算区的田坎系数潜在估算数据进行裁切处理。
7.根据权利要求1所述的耕地田坎系数估算方法，其特征在于，预先确定所述样方分布图的过程为，
基于待估算区的土地利用或地表覆盖分类数据，筛选确定出待估算区的耕地地块；
基于所述待估算区的耕地地块的分布范围，采用空间简单随机抽样方法随机生成一定数量的样本点；
将所述样本点周边区域范围选取为样方，以得到所述样方分布图。
8.根据权利要求1至7中任一项所述的耕地田坎系数估算方法，其特征在于，所述光学卫星影像的分辨率优于0.8米。
9.一种基于地理加权回归模型的耕地田坎系数估算装置，其特征在于，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202010864786.7A 2020-08-25 2020-08-25 基于地理加权回归模型的耕地田坎系数估算方法及装置 Active CN111985421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010864786.7A CN111985421B (zh) 2020-08-25 2020-08-25 基于地理加权回归模型的耕地田坎系数估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864786.7A CN111985421B (zh) 2020-08-25 2020-08-25 基于地理加权回归模型的耕地田坎系数估算方法及装置

Publications (2)

Publication Number Publication Date
CN111985421A CN111985421A (zh) 2020-11-24
CN111985421B true CN111985421B (zh) 2024-05-28

Family

ID=73443333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864786.7A Active CN111985421B (zh) 2020-08-25 2020-08-25 基于地理加权回归模型的耕地田坎系数估算方法及装置

Country Status (1)

Country Link
CN (1) CN111985421B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712276B (zh) * 2021-01-08 2021-09-28 中国地质大学（北京） 一种构建用于矿产勘查的地理加权回归模型的方法及装置
CN112836146B (zh) * 2021-03-09 2024-05-14 威创集团股份有限公司 一种基于网络消息的地理空间坐标信息获取方法及装置
CN115292933B (zh) * 2022-08-05 2023-02-17 中国地质科学院地质力学研究所 分析成矿元素相关性的地理加权回归模型创建方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846402A (zh) * 2018-05-25 2018-11-20 南京师范大学 基于多源数据的梯田田坎自动化提取方法
CN110178474A (zh) * 2019-07-09 2019-08-30 西南大学 山地丘陵区条田构造方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846402A (zh) * 2018-05-25 2018-11-20 南京师范大学 基于多源数据的梯田田坎自动化提取方法
CN110178474A (zh) * 2019-07-09 2019-08-30 西南大学 山地丘陵区条田构造方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
土地调查中田坎系数的测算;王挺;陈巍巍;;江西煤炭科技;20080215(第01期);全文 *

Also Published As

Publication number Publication date
CN111985421A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111985421B (zh) 基于地理加权回归模型的耕地田坎系数估算方法及装置
Scudiero et al. Comparative regional-scale soil salinity assessment with near-ground apparent electrical conductivity and remote sensing canopy reflectance
Wang et al. Validation and trend analysis of ECV soil moisture data on cropland in North China Plain during 1981–2010
McKenney et al. The development of 1901–2000 historical monthly climate models for Canada and the United States
Tripathi et al. Characterizing spatial variability of soil properties in salt affected coastal India using geostatistics and kriging
Jhorar et al. Inversely estimating soil hydraulic functions using evapotranspiration fluxes
Tola et al. Characterization of spatial variability of soil physicochemical properties and its impact on Rhodes grass productivity
Davidson et al. Joint statistical properties of RMS height and correlation length derived from multisite 1-m roughness measurements
Scudiero et al. Simplifying field-scale assessment of spatiotemporal changes of soil salinity
Sathyanadh et al. Evaluation of soil moisture data products over Indian region and analysis of spatio-temporal characteristics with respect to monsoon rainfall
Baik et al. Agricultural drought assessment based on multiple soil moisture products
Tian et al. Estimation of subsurface soil moisture from surface soil moisture in cold mountainous areas
Diodato et al. Reduced complexity model for assessing patterns of rainfall erosivity in Africa
CN114140591A (zh) 一种结合机器学习和地统计的土壤有机质遥感制图方法
CN117037076B (zh) 一种基于遥感技术的土壤墒情智能监测方法
Fan et al. A new multi-resolution based method for estimating local surface roughness from point clouds
Xiong et al. Projected changes in terrestrial water storage and associated flood potential across the Yangtze River basin
Salekin et al. Uncertainty in primary and secondary topographic attributes caused by digital elevation model spatial resolution
Stevens et al. Regional‐scale characterization of the geomorphic control of the spatial distribution of soil organic carbon in cropland
Cheng et al. ChinaCropSM1 km: a fine 1 km daily soil moisture dataset for dryland wheat and maize across China during 1993–2018
Li et al. Improving the application of UAV-LiDAR for erosion monitoring through accounting for uncertainty in DEM of difference
Diodato et al. Mapping soil erodibility from composed data set in Sele River Basin, Italy
Smith et al. The Cookie Cutter: a method for obtaining a quantitative 3D description of glacial bedforms
Yu et al. Spatiotemporal sampling strategy for characterization of hydraulic properties in heterogeneous soils
Ardakani et al. Monitoring of organic matter and soil salinity by using IRS-LissIII satellite data in the Harat plain, of Yazd province

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