CN112348086A - 一种基于多源数据的物种生境质量模拟方法 - Google Patents

一种基于多源数据的物种生境质量模拟方法 Download PDF

Info

Publication number
CN112348086A
CN112348086A CN202011235382.8A CN202011235382A CN112348086A CN 112348086 A CN112348086 A CN 112348086A CN 202011235382 A CN202011235382 A CN 202011235382A CN 112348086 A CN112348086 A CN 112348086A
Authority
CN
China
Prior art keywords
species
image
soil
distribution
database
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
CN202011235382.8A
Other languages
English (en)
Other versions
CN112348086B (zh
Inventor
王宏伟
祁元
张金龙
杨瑞
马晓芳
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.)
Northwest Institute of Eco Environment and Resources of CAS
Original Assignee
Northwest Institute of Eco Environment and Resources of CAS
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 Northwest Institute of Eco Environment and Resources of CAS filed Critical Northwest Institute of Eco Environment and Resources of CAS
Priority to CN202011235382.8A priority Critical patent/CN112348086B/zh
Publication of CN112348086A publication Critical patent/CN112348086A/zh
Application granted granted Critical
Publication of CN112348086B publication Critical patent/CN112348086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Abstract

本申请公开了一种基于多源数据的物种生境质量模拟方法，其包括：对卫星遥感影像进行预处理，并根据物种分布的地形地貌和影像特征等，建立适用于卫星遥感影像特点的物种解译标志，再进行样本信息的提取及验证；建立物种分布模拟的环境因子数据库，并进行数据的标准化处理及环境因子共线性检验；基于卫星遥感影像解译的物种分布点以及标准化和共线性检验的环境因子数据库，筛选出影响物种分布的主导环境因子，再以此模拟物种适宜的生境分布。本申请提供的结合高分辨率卫星遥感数据以及标准化的环境因子数据库的物种适宜生境分布模拟方法可以为区域生态保护与修复、发展特色产业等提供科学指导，对物种的引种栽培和规模化种植具有重要意义。

Description

一种基于多源数据的物种生境质量模拟方法
技术领域
本申请涉及一种物种生境质量模拟方法，具体涉及一种基于多源数据的物种生境质量模拟方法。
背景技术
地理环境因素是生物物种分布的制约因素，如何通过物种分布特征与地理环境因素，模拟物种的适宜生境，对区域生态保护与修复、合理指导物种引种栽培和扩大种植规模具有重要的实际意义。目前，人们对于大多数特定物种适宜生境分布区域不明确，导致盲目的引种栽培，造成资源浪费。同时，当前对于物种适宜生境分布也模拟缺乏统一的环境因子数据库。
有鉴于此，业界亟待发展出一种有效的物种适宜生境分布模拟方法，从而能够为区域发展生态保护与修复、特色产业发展等提供科学指导。
发明内容
本申请的目的在于提供一种基于多源数据的物种生境质量模拟方法，以克服现有技术中的不足。
为实现上述目的，本申请提供如下技术方案：
本申请的一些实施例提供了一种基于多源数据的物种生境质量模拟方法，其包括：
(1)对卫星遥感影像进行预处理，生成研究区包含蓝光、绿光、红光和近红外波段的标准正射影像，在物种信息的提取中采用近红外、红光、绿光波段合成的假彩色模式；
(2)根据物种分布的地形地貌和影像特征，建立适用于卫星遥感影像特点的物种解译分类体系；
(3)根据建立的卫星遥感影像特点的物种解译标志，采用面向对象技术与人工目视解译技术相结合的方法提取物种均匀分布的样本点，并基于文献资料和/或实地调查的物种分布数据与卫星遥感影像解译的物种分布数据建立误差矩阵，检验提取的所述样本点的精度是否精确；
(4)建立物种分布模拟的环境因子数据库，所述数据库覆盖影响物种分布的环境因子数据；
(5)利用ArcGIS对所述环境因子数据库进行标准化处理，再通过方差膨胀因子(VIF)检验环境因子之间的共线性，即：
Figure BDA0002764834730000021
其中，R2为基于多元回归模型建立的每个指标与其余各项指标之间的线性回归系数，通过VIF的取值判断环境因子之间的共线性，构建各环境因子之间不存在共线性的环境因子数据库；
(6)基于卫星遥感影像解译的物种分布点以及步骤(5)构建的环境因子数据库进行建模运算，从所述物种分布点中随机选取指定比例的点作为模型训练集，剩余的点作为测试集，通过迭代算法计算各个环境因子对预测结果的贡献率，进而筛选出影响物种分布的主导环境因子，之后基于所述主导环境因子模拟物种的适宜生境分布。
在一些实施方式中，步骤(1)中对卫星遥感影像进行预处理的方法包括：
i)基于已知的卫星外场绝对辐射定标系数对多光谱进行辐射定标，将卫星遥感影像的DN值转换为辐亮度图像；
ii)基于已知的FLAASH模块对经步骤i)定标后的影像进行大气校正；
iii)基于已知的高精度数字高程模型数据对经步骤ii)校正后的影像进行正射校正；
iv)以研究区内已经过精校正的高分辨率影像为基准影像，对经步骤iii)校正后的影像进行几何精校正；
v)基于图像融合算法对多光谱和全色影像数据进行影像融合；
vi)利用研究区边界对经步骤v)融合后的影像进行影像裁剪。
进一步的，前述步骤v中，每景高分二号原始数据包括1m空间分辨率的全色影像数据和4m空间分辨率的多光谱影像数据。
在一些实施方式中，所述卫星遥感影像为中国高分二号卫星获取的遥感影像。
在一些实施方式中，所述卫星外场绝对辐射定标系数为中国高分二号卫星的外场绝对辐射定标系数。
在一些实施方式中，步骤(3)还包括：基于总体精度和Kappa系数评价所述样本点提取的精度。
在一些实施方式中，步骤(4)中所述物种分布模拟的环境因子数据库包括地形数据库、气象数据库、土壤数据库和水文地质数据库。
在一些实施方式中，所述地形数据库涵盖的环境因子包括高程、高程变异系数、坡度、坡度变率、坡向、坡向变率、地形起伏度，但不限于此。
在一些实施方式中，所述气象数据库涵盖的环境因子包括0℃积温、10℃积温、年平均气温、等温性、平均日较差、温度年较差、最冷月最低气温、最热月最高气温、最湿季平均温度、最干季平均温度、最热季平均温度、最冷月平均温度、年平均降水量、降水量的季节性变化、最湿月降水量、最干月降水量、最干季降水量、最湿季降水量、最热季降水量、最干季降水量，但不限于此。
在一些实施方式中，所述土壤数据库涵盖的环境因子包括土壤类型、土层厚度、土壤饱和含水量、土壤碳酸盐含量、土壤硫酸盐含量、土壤酸碱度、表层土壤有机碳含量、土壤有机质含量、土壤总氮、土壤总磷、土壤有机碳含量、表土质地、表层土壤砾石含量、表层土壤砂含量、表层土壤粉土含量、表层土壤粘土含量，但不限于此。
在一些实施方式中，所述水文地质数据库涵盖的环境因子包括地质类型、地表土壤水分、平均蒸散发、平均地下水水位、生长季平均地下水水位、非生长季平均地下水水位、距离最近河流的距离，但不限于此。
在一些实施方式中，步骤(5)中所述标准化处理的内容包括数据类型、空间投影、空间分辨率、数据格式。
在一些实施方式中，步骤(6)包括：将卫星遥感影像解译的物种分布点以及步骤(5)构建的环境因子数据库导入Maxent软件进行建模运算，由此建立的最大熵预测模型为：
Figure BDA0002764834730000031
式中H(π)为熵值，X为环境变量，π(x)为环境变量X中x环境因子的概率值。
在一些实施方式中，步骤(6)还包括：将所述将主导环境因子导入Maxent软件以模拟物种适宜的生境分布。
与现有技术相比，本申请实施例提出基于多源数据的物种生境质量模拟方法不仅可以为物种适宜生境分布模拟提供统一的环境因子数据库，而且还可很好地模拟物种的适宜生境，对区域生态保护与修复、物种引种栽培和规划种植、区域特色产业发展等具有重要意义。
具体实施方案
下面将对本申请实施例中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获得的所有其他实施例，都属于本申请保护的范围。
如下以油橄榄物种为例，阐述本申请一实施例所提供的一种基于多源数据的物种生境质量模拟方法。该物种生境质量模拟方法具体包括如下步骤：
(1)影像数据来源及数据预处理。
物种分布识别对影像空间分辨率要求高，因此，利用我国国产高分二号(GF-2)卫星的遥感影像，具有高空间分辨率(1m全色和4m多光谱)，可以精确获取物种的分布。
其中，首先对GF-2卫星遥感影像进行预处理，其具体流程为：
i)基于中国资源卫星应用中心提供的GF-2卫星外场绝对辐射定标系数对多光谱进行辐射定标，将卫星图像的DN值转换为辐亮度图像；
ii)基于大气辐射传输模型FLAASH模块(参考Adler-Golden et al.，Atmosphericcorrection for short-wave spectralimagery based on MODTRAN 4[C].SPIEProceeding，Imaging Spectrometry.1999，3753：61-69)对经步骤i)定标后的影像进行大气校正；
iii)基于高精度数字高程模型数据对经步骤ii)校正后的影像进行正射校正；
iv)以研究区内已经过精校正的高分辨率影像为基准影像，对经步骤iii)校正后的影像进行几何精校正；
v)基于图像融合算法(NNDiffuse Pan Sharpening)对高分二号影像数据所包含的多光谱和全色影像数据进行影像融合；
vi)利用研究区边界对经步骤v)融合后的影像进行影像裁剪。
通过对GF-2卫星遥感影像进行预处理，生成研究区包含蓝光、绿光、红光和近红外(1、2、3、4)4个波段的标准正射影像，在物种信息提取中采用4、3、2波段合成的假彩色模式。
(2)物种解译标志的建立。根据物种分布的地形地貌和影像特征，建立适用于高分二号影像特点的油橄榄解译分类体系，其分类体系包括河谷川地及阶地油橄榄、梯田油橄榄、坡地油橄榄和条田油橄榄等。具体来说，其分类体系的解译标志如下：
河谷川地及阶地油橄榄色调在高分二号假彩色图像4、3、2波段上呈现深红色或红色，在高分二号真彩色图像1、2、3波段上色调呈现深绿色或绿色；纹理清晰，质地非常粗糙；形态多以片状、块状和条带状，地类形态相对规则；主要分布在河谷平原、河谷二级阶地和川内的耕地中。梯田油橄榄色调在高分二号假彩色图像4、3、2波段上呈现深红色或红色，在高分二号真彩色图像1、2、3波段上色调呈现深绿色或绿色；纹理清晰，质地非常粗糙；形态上斑块呈现弧形，多为条带状，形态各异，每棵树的冠幅在图像上表现为点状；此类大多数分布在坡面梯状耕地内部。坡地油橄榄色调在高分二号假彩色图像4、3、2波段上呈现深红色或红色，在高分二号真彩色图像1、2、3波段上色调呈现深绿色或绿色；纹理清晰，质地非常粗糙；形态上斑块呈现片形，多为片状，形态各异极不规则；此类大多数分布在山地缓坡阳坡面及卯之上，以片状居多。条田油橄榄色调在高分二号假彩色图像4、3、2波段上呈现深红色或红色，在高分二号真彩色图像1、2、3波段上色调呈现深绿色或绿色；纹理清晰，质地非常粗糙；形态上多数呈现为条状和线状；此类大多数分布在山地阳坡陡坡面，以窄梯状居多，沿等高线水平特征明显。
(3)样本信息提取及验证。
根据建立的高分辨率影像特点的油橄榄解译标志，通过面向对象技术和人工目视解译技术相结合的方法提取油橄榄均匀分布的样本点，基于文献资料、实地调查的油橄榄分布数据与高分二号影像解译的油橄榄分布数据建立误差矩阵，检验提取的样本点的精度是否精确，即检验人工目视解译的油橄榄样本点是否精确，并且基于总体精度和Kappa系数评价所述样本点提取的精度。
(4)建立物种分布模拟的环境因子数据库。
环境因子是构建物种生态位的关键，因子且存在共线性的因子造成信息的冗余，而缺少关键因子则造成模型模拟结果出现偏差。因此，建立标准的环境数据数据库至关重要。本实施例通过建立地形数据库、气象数据库、土壤数据库、水文地质数据库等，形成了覆盖影响物种分布的环境因子的数据库。
进一步的，地形数据库覆盖的环境因子包括但不限于高程、高程变异系数、坡度、坡度变率、坡向、坡向变率、地形起伏度。
进一步的，气象数据库覆盖的环境因子包括但不限于0℃积温、10℃积温、年平均气温、等温性、平均日较差、温度年较差、最冷月最低气温、最热月最高气温、最湿季平均温度、最干季平均温度、最热季平均温度、最冷月平均温度、年平均降水量、降水量的季节性变化、最湿月降水量、最干月降水量、最干季降水量、最湿季降水量、最热季降水量、最干季降水量。
进一步的，土壤数据库覆盖的环境因子包括但不限于土壤类型、土层厚度、土壤饱和含水量、土壤碳酸盐含量、土壤硫酸盐含量、土壤酸碱度、表层土壤有机碳含量、土壤有机质含量、土壤总氮、土壤总磷、土壤有机碳含量、表土质地、表层土壤砾石含量、表层土壤砂含量、表层土壤粉土含量、表层土壤粘土含量。
进一步的，水文地质数据库覆盖的环境因子包括但不限于地质类型、地表土壤水分、平均蒸散发、平均地下水水位、生长季平均地下水水位、非生长季平均地下水水位、距离最近河流的距离。
(5)数据的标准化处理及环境因子共线性检验。
利用ArcGIS对所有的环境因子数据库进行标准化处理，内容包括数据类型、空间投影、空间分辨率、数据格式等。在此基础上，通过方差膨胀因子(VIF)检验环境因子之间的共线性。即：
Figure BDA0002764834730000061
其中，R2为基于多元回归模型建立的每个指标与其余各项指标之间的线性回归系数。通过VIF的取值判断环境因子之间的共线性，构建各环境因子之间不存在共线性的环境因子数据库。
(6)基于高分二号解译的油橄榄物种分布点，以及标准化和共线性检验的地形数据库、气象数据库、土壤数据库和水文地质数据库构建的环境因子数据库，通过将油橄榄的地理分布数据和环境因子数据库导入Maxent软件，Maxent软件根据油橄榄分布点的地理坐标以及油橄榄分布地区的环境因子运算出预测模型，再利用预测模型模拟油橄榄在该地区的潜在分布情况。该预测模型采用最大熵模型，具体为：
Figure BDA0002764834730000062
式中H(π)为熵值，X为环境变量，π(x)为环境变量中x环境因子的概率值。
通过油橄榄分布点位和环境因子进行预测模型建模，具体为从油橄榄物种分布点中随机选取一定比例的点(如60％的油橄榄分布点)作为模型训练集，剩余的点(如40％的油橄榄分布点)作为测试集，通过迭代算法计算各个环境因子对预测结果的贡献率，进而筛选出影响油橄榄分布的主导环境因子，以上这些操作都可以按照本领域已知地方式实施。最后将主导的环境因子导入Maxent模拟油橄榄物种适宜的生境分布。
需要说明的是，在本文中，术语“包括”、“包含”或者其他任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括...”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方案，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种基于多源数据的物种生境质量模拟方法，其特征在于包括：
(1)对卫星遥感影像进行预处理，生成研究区包含蓝光、绿光、红光和近红外波段的标准正射影像，在物种信息的提取中采用近红外、红光、绿光波段合成的假彩色模式；
(2)根据物种分布的地形地貌和影像特征，建立适用于卫星遥感影像特点的物种解译分类体系；
(3)根据建立的卫星遥感影像特点的物种解译标志，采用面向对象技术与人工目视解译技术相结合的方法提取物种均匀分布的样本点，并基于文献资料和/或实地调查的物种分布数据与卫星遥感影像解译的物种分布数据建立误差矩阵，检验提取的所述样本点的精度是否精确；
(4)建立物种分布模拟的环境因子数据库，所述数据库覆盖影响物种分布的环境因子数据；
(5)利用ArcGIS对所述环境因子数据库进行标准化处理，再通过方差膨胀因子(VIF)检验环境因子之间的共线性，即：
Figure FDA0002764834720000011
其中，R2为基于多元回归模型建立的每个指标与其余各项指标之间的线性回归系数，通过VIF的取值判断环境因子之间的共线性，构建各环境因子之间不存在共线性的环境因子数据库；
(6)基于卫星遥感影像解译的物种分布点以及步骤(5)构建的环境因子数据库进行建模运算，从所述物种分布点中随机选取指定比例的点作为模型训练集，剩余的点作为测试集，通过迭代算法计算各个环境因子对预测结果的贡献率，进而筛选出影响物种分布的主导环境因子，之后基于所述主导环境因子模拟物种的适宜生境分布。
2.根据权利要求1所述的物种生境质量模拟方法，其特征在于，步骤(1)中对卫星遥感影像进行预处理的方法包括：
i)基于已知的卫星外场绝对辐射定标系数对多光谱进行辐射定标，将卫星遥感影像的DN值转换为辐亮度图像；
ii)基于已知的FLAASH模块对经步骤i)定标后的影像进行大气校正；
iii)基于已知的高精度数字高程模型数据对经步骤ii)校正后的影像进行正射校正；
iv)以研究区内已经过精校正的高分辨率影像为基准影像，对经步骤iii)校正后的影像进行几何精校正；
v)基于图像融合算法对卫星遥感影像数据中的多光谱和全色影像数据进行影像融合；
vi)利用研究区边界对经步骤v)融合后的影像进行影像裁剪。
3.根据权利要求2所述的物种生境质量模拟方法，其特征在于：所述卫星遥感影像为中国高分二号卫星获取的遥感影像。
4.根据权利要求2所述的物种生境质量模拟方法，其特征在于：所述卫星外场绝对辐射定标系数为中国高分二号卫星的外场绝对辐射定标系数。
5.根据权利要求1所述的物种生境质量模拟方法，其特征在于，步骤(3)还包括：基于总体精度和Kappa系数评价所述样本点提取的精度。
6.根据权利要求1所述的物种生境质量模拟方法，其特征在于：步骤(4)中所述物种分布模拟的环境因子数据库包括地形数据库、气象数据库、土壤数据库和水文地质数据库。
7.根据权利要求6所述的物种生境质量模拟方法，其特征在于：
所述地形数据库涵盖的环境因子包括高程、高程变异系数、坡度、坡度变率、坡向、坡向变率、地形起伏度；
和/或，所述气象数据库涵盖的环境因子包括0℃积温、10℃积温、年平均气温、等温性、平均日较差、温度年较差、最冷月最低气温、最热月最高气温、最湿季平均温度、最干季平均温度、最热季平均温度、最冷月平均温度、年平均降水量、降水量的季节性变化、最湿月降水量、最干月降水量、最干季降水量、最湿季降水量、最热季降水量、最干季降水量；
和/或，所述土壤数据库涵盖的环境因子包括土壤类型、土层厚度、土壤饱和含水量、土壤碳酸盐含量、土壤硫酸盐含量、土壤酸碱度、表层土壤有机碳含量、土壤有机质含量、土壤总氮、土壤总磷、土壤有机碳含量、表土质地、表层土壤砾石含量、表层土壤砂含量、表层土壤粉土含量、表层土壤粘土含量；
和/或，所述水文地质数据库涵盖的环境因子包括地质类型、地表土壤水分、平均蒸散发、平均地下水水位、生长季平均地下水水位、非生长季平均地下水水位、距离最近河流的距离。
8.根据权利要求1所述的物种生境质量模拟方法，其特征在于：步骤(5)中所述标准化处理的内容包括数据类型、空间投影、空间分辨率、数据格式。
9.根据权利要求1所述的物种生境质量模拟方法，其特征在于，步骤(6)包括：将卫星遥感影像解译的物种分布点以及步骤(5)构建的环境因子数据库导入Maxent软件进行建模运算，由此建立的最大熵预测模型为：
Figure FDA0002764834720000031
式中H(π)为熵值，X为环境变量，π(x)为环境变量X中x环境因子的概率值。
10.根据权利要求1或9所述的物种生境质量模拟方法，其特征在于，步骤(6)还包括：将所述将主导环境因子导入Maxent软件以模拟物种适宜的生境分布。
CN202011235382.8A 2020-11-06 2020-11-06 一种基于多源数据的物种生境质量模拟方法 Active CN112348086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011235382.8A CN112348086B (zh) 2020-11-06 2020-11-06 一种基于多源数据的物种生境质量模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011235382.8A CN112348086B (zh) 2020-11-06 2020-11-06 一种基于多源数据的物种生境质量模拟方法

Publications (2)

Publication Number Publication Date
CN112348086A true CN112348086A (zh) 2021-02-09
CN112348086B CN112348086B (zh) 2021-09-03

Family

ID=74430182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011235382.8A Active CN112348086B (zh) 2020-11-06 2020-11-06 一种基于多源数据的物种生境质量模拟方法

Country Status (1)

Country Link
CN (1) CN112348086B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220810A (zh) * 2021-04-16 2021-08-06 昆明理工大学 一种多源物种分布数据处理方法及装置
CN116502912A (zh) * 2023-04-23 2023-07-28 甘肃省人民医院 药用植物潜在分布探测方法、装置、存储介质及电子设备
CN117409333A (zh) * 2023-12-15 2024-01-16 四川省生态环境科学研究院 基于遥感影像的生态脆弱区识别及生态修复方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208028A (zh) * 2013-04-11 2013-07-17 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的水禽栖息地适宜性评价方法
CN106815690A (zh) * 2017-01-25 2017-06-09 中国科学院遥感与数字地球研究所 基于遥感数据的生态环境质量评价系统与方法
CN109615238A (zh) * 2018-12-13 2019-04-12 水利部交通运输部国家能源局南京水利科学研究院 一种平原城市河网水力调控对河流生境影响的评价方法
CN109657866A (zh) * 2017-12-25 2019-04-19 广州地理研究所 基于最大熵模型的地质灾害生态安全评价模型的构建方法
CN110222832A (zh) * 2019-06-19 2019-09-10 中国水产科学研究院东海水产研究所 长江口盐沼湿地大型底栖动物栖息地模拟预测方法
CN110659838A (zh) * 2019-09-27 2020-01-07 佛山科学技术学院 基于遥感和gis生态环境质量评估方法
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
CN111738066A (zh) * 2020-05-11 2020-10-02 杭州电子科技大学 综合多源遥感信息的网格化水稻纹枯病生境评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208028A (zh) * 2013-04-11 2013-07-17 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的水禽栖息地适宜性评价方法
CN106815690A (zh) * 2017-01-25 2017-06-09 中国科学院遥感与数字地球研究所 基于遥感数据的生态环境质量评价系统与方法
CN109657866A (zh) * 2017-12-25 2019-04-19 广州地理研究所 基于最大熵模型的地质灾害生态安全评价模型的构建方法
CN109615238A (zh) * 2018-12-13 2019-04-12 水利部交通运输部国家能源局南京水利科学研究院 一种平原城市河网水力调控对河流生境影响的评价方法
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
CN110222832A (zh) * 2019-06-19 2019-09-10 中国水产科学研究院东海水产研究所 长江口盐沼湿地大型底栖动物栖息地模拟预测方法
CN110659838A (zh) * 2019-09-27 2020-01-07 佛山科学技术学院 基于遥感和gis生态环境质量评估方法
CN111738066A (zh) * 2020-05-11 2020-10-02 杭州电子科技大学 综合多源遥感信息的网格化水稻纹枯病生境评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHANGLIU WANG ET AL: "Habitat-GIS-based models for ground beetles (Coleoptera: Carabidae) distribution in agricultural landscape", 《2009 17TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 *
丁志芹: "基于多源数据卧龙自然保护区大熊猫生境评价研究", 《中国优秀硕士学位论文全文数据库（电子期刊）基础科学辑》 *
朱明畅等: "黄河三角洲自然保护区水禽生境适宜性模糊综合评价", 《华中师范大学学报（自然科学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220810A (zh) * 2021-04-16 2021-08-06 昆明理工大学 一种多源物种分布数据处理方法及装置
CN113220810B (zh) * 2021-04-16 2022-02-18 昆明理工大学 一种多源物种分布数据处理方法及装置
CN116502912A (zh) * 2023-04-23 2023-07-28 甘肃省人民医院 药用植物潜在分布探测方法、装置、存储介质及电子设备
CN116502912B (zh) * 2023-04-23 2024-01-30 甘肃省人民医院 药用植物潜在分布探测方法、装置、存储介质及电子设备
CN117409333A (zh) * 2023-12-15 2024-01-16 四川省生态环境科学研究院 基于遥感影像的生态脆弱区识别及生态修复方法
CN117409333B (zh) * 2023-12-15 2024-02-13 四川省生态环境科学研究院 基于遥感影像的生态脆弱区识别及生态修复方法

Also Published As

Publication number Publication date
CN112348086B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN112348086B (zh) 一种基于多源数据的物种生境质量模拟方法
CN109581372B (zh) 一种生态环境遥感监测方法
Omran Detection of land-use and surface temperature change at different resolutions
Lu et al. A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images
Lenney et al. The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM
Justice et al. Analysis of the phenology of global vegetation using meteorological satellite data
CN114076738B (zh) 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN109919083B (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN110674735B (zh) 基于精细分类的农业设施遥感提取方法和装置
Zhang et al. Object-based approach to national land cover mapping using HJ satellite imagery
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN112102312B (zh) 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法
CN105758806B (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
Mahal et al. Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques.
CN105678280B (zh) 基于纹理特征的地膜覆盖农田遥感监测方法
CN114241331A (zh) 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法
CN111192315B (zh) 一种基于多源信息的实际灌溉面积提取方法
CN105974091B (zh) 林下草本植被枯枝落叶层丰富度的遥感量化探测方法
Danoedoro et al. Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery
GASTELLU-ETCHEGORRY et al. Computer-assisted land cover mapping with SPOT in Indonesia
Nguyen-Van-Anh et al. The influence of satellite image spatial resolution on mapping land use/land cover: A case study of Ho Chi Minh City, Vietnam
Asmiwyati Impact of land use change on urban surface temperature and urban green space planning; Case Study of the Island of Bali, Indonesia

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