CN112465204A - 一种基于空间异质特征的县域尺度森林病虫害预测方法 - Google Patents
一种基于空间异质特征的县域尺度森林病虫害预测方法 Download PDFInfo
- Publication number
- CN112465204A CN112465204A CN202011308994.5A CN202011308994A CN112465204A CN 112465204 A CN112465204 A CN 112465204A CN 202011308994 A CN202011308994 A CN 202011308994A CN 112465204 A CN112465204 A CN 112465204A
- Authority
- CN
- China
- Prior art keywords
- data
- county
- pest
- spatial
- forest pest
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 title claims description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000035790 physiological processes and functions Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 13
- 230000007547 defect Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 241001609695 Anoplophora glabripennis Species 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 241001481710 Cerambycidae Species 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000000877 Sex Attractant Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012353 t test Methods 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
- G06Q10/04—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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及空间数据分析处理和农学技术领域，公开了一种基于空间异质特征的县域尺度森林病虫害预测方法。本发明将县域尺度病虫害灾情数据、社会经济要素以及气候环境要素数据结合GWR模型综合运用于病虫害预测，从而克服传统病虫害预测模型忽略病虫害分布的区域差异与环境因子空间异质性的缺陷，为病虫害预测提供更精细准确的信息输出。
Description
一、技术领域
本发明涉及空间数据分析处理和农学技术领域，特别是涉及一种基于空间异质特征的县域尺度森林病虫害预测方法。
二、技术背景
森林病虫害是林业生产中的重要生物灾害，对森林有着毁灭性的破坏，也极易引起地区间的纠纷，严重威胁着受灾国家的林业生产、生态环境及经济发展。据国家林业局森林病虫害防治总站统计，1996-2001年间，全国森林病虫害导致我国每年损失约880亿元。森林病虫害防治是国家减灾工程的重要组成部分，为了减轻或控灭森林病虫害，有必要为森林病虫害预警和防控提供技术支撑。
目前对森林病虫害的预测主要通过：(1)传统的森林病虫害调查，利用性引诱剂实现，这种方法费时费力，大面积预测比较困难。(2)利用遥感方法进行监测，此方法仅利用植被的光谱反射值作为森林病虫害预测的输入变量，而忽视了其他社会经济因素的影响。(3)采用特定形式的非线性模型或局部模型来进行森林病虫害灾情的预测。这种预测方式通常忽略了病虫害分布的区域差异与环境因子的空间异质性，模型的估计参数则是整个研究区域内的平均值，不能准确反映不同区域内环境因子对虫害发生的不同影响，也暂未考虑到环境要素间相互作用对森林病虫害灾情发生的影响。
三、发明内容
(一)要解决的技术问题
本发明首先要解决的技术问题是：如何克服传统病虫害预测模型忽略病虫害分布的区域差异以及忽略环境因子空间异质性特征的缺陷，提供县域尺度上更为精确的预测结果。
(二)技术方案
为了解决上述技术问题，本发明提供一种基于空间异质特征的县域尺度森林病虫害预测方法，包括以下步骤：
S1、获取县域尺度森林病虫害监测统计数据，包括寄主树种面积、合计发生面积、监测面积等，然后对该数据进行预处理；
S2、获取反映植被生理状态的空间连续的卫星遥感数据、反映气象条件的气象数据和社会经济数据，并分别对卫星遥感数据、气象数据和社会经济数据进行预处理；
S3、从S2中所述卫星遥感数据中获取县域尺度的植被指数数据；
S4、构建预测模型；
S5、将不同时相的卫星遥感数据、气象数据、人口数、地区生产总值、第一产业中、第二产业值、区县行政区划面积，作为步骤S5中所述模型的输入数据，输出森林病虫害发生率预测结果。
优选地，步骤S1中，县域尺度单元森林病虫害的发生率由发生面积除以监测面积得到。
优选地，步骤S2中，对所属卫星遥感数据进行预处理，包括辐射定标、大气校正、几何校正和去云，对所属区域尺度气象数据进行预处理包括数据检查、异常值去除和空间插值。
优选地，步骤S2中，对符合正态分布检验的气象数据选用克里金方法进行空间插值，对于未通过正态分布检验的气象数据采用反距离加权方法进行空间插值。
优选地，步骤S2中，研究区域内社会经济数据的内容包括县域尺度人口数、地区生产总值、第一产业值、第二产业值、县域面积。
优选地，步骤S3中，利用区域统计方法获取县域尺度的植被指数。
优选地，步骤S4中选用地理加权回归模型(GWR)构建所述预测模型。先进行单因子GWR分析，检验其地理可变性，未通过检验的单因子回归系数为常数。随后应用剩余的因子进行多因子GWR回归分析，得到多个因子与发生率之间的多变量地理加权回归模型系数。
(三)有益效果
上述技术方案具有如下优点：本发明将县域尺度病虫害灾情数据、社会经济要素以及气候环境要素数据结合GWR模型综合运用于病虫害预测，从而克服传统病虫害预测模型忽略病虫害分布的区域差异与环境因子空间异质性的缺陷，为病虫害预测提供更精细的信息输出。
四、附图说明
图1为本发明的方法流程图。
图2为实验区地理位置示意图。
五、具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
目前，中分辨率遥感数据已经能够在较短的时间内重访并完整覆盖全球多数区域的陆地表面，并提供可见光、近红外、热红外波段的地表反射信息，为植被指数等参数的遥感反演提供数据保证。其次，林业信息化的发展为县域尺度的森林病虫害监测工作提供了技术支持，使得有了详尽完善的县域尺度病虫害灾情数据。最后，各地政府积极响应数据公开、数据共享政策，在网络上公布了《县市社会经济数据统计年鉴》、《城市统计年鉴》及《区域经济统计年鉴》等统计数据，社会经济数据较为完善。有鉴于此，本发明将县域尺度病虫害灾情数据、社会经济要素以及气候环境要素数据结合地理加权模型(GWR)综合运用于病虫害预测，从而克服传统病虫害预测模型忽略病虫害分布的区域差异与环境因子空间异质性的缺陷。
森林病虫害成因复杂，受社会经济、生态环境多种因素的影响。本发明的目的是提供一种能够综合考虑社会经济与生态环境因子空间异质性，在县域尺度上进行病害预测的方法。该方法在综合考虑多种影响因子的基础上，引入地理加权模型(GWR)，从而有可能考虑影响因子的空间异质性以及因子间相互作用而带来的复合影响和虫害之间的关系，输出更为精确的预测结果，为病害的防治和管理提供更精细的信息支持，方法流程见图1。
本实施例实验区位于中国北部及中部地区，处东经105.48°-122.70°，北纬29.68°-42.67°，包括北京、天津、河北、山东、山西、陕西、安徽及河南八个省市(图2)，地理空间尺度为区县级行政单元。根据气象部门、森防管理部门经验以及历年光肩星天牛病害发生情况，该地区属于光肩星天易发生地区。同时，该地区覆盖面积广，地形、气候等自然要素存在较大差异，适合于进行病害预测。
步骤S1：获取县域尺度森林病虫害监测统计数据并进行预处理；
病虫害预测模型的构建需要历年发生数据作为因变量。本实施例采用由中国国家林业局森防总站提供的2008年光肩星天牛发病数据，将光肩星天牛虫害的发生面积与监测面积之比记为发生率，计算结果中出现大量零值，采取一种贝叶斯分层模型进行调整，并将调整后的发生率作为因变量。
步骤S2：获取反映植被生理状态的空间连续的卫星遥感数据、反映气象条件的气象数据和社会经济数据，并分别进行预处理；
病虫害预测模型的构建需要获取一定应用区域内多时相的遥感、气象数据以及大量的社会经济数据。本实施例中，考虑到光肩星天牛森林病虫害受气候条件、植被状况、社会经济情况、人类活动等因素影响较大，而气候条件较为笼统，因此选取气温、降水等具体变量作为表征因子；植被状况则以植被覆盖情况为主，可用NDVI表现；结合国家统计数据，社会经济情况选用区域生产总值表征，再考虑到天牛与第一产业的紧密关系，第一产业产值也被纳入考量；而人类活动的不确定性使其难以量化，因此以人口密度代替。
气象数据通过Kriging插值法和分区统计方法，将来源于国家气象科学数据共享服务平台(data.cma.cn)的基准地面气象观测站点数据转化为各区县数据；NDVI数据由中国科学院数据云(www.csdb.cn)提供。
社会经济数据由中国《县市社会经济数据统计年鉴》、《城市统计年鉴》及《区域经济统计年鉴》等年鉴整理并相互补充而来。
步骤S3：从S2中所述卫星遥感数据中获取县域尺度的植被指数数据；
采用区域统计工具，输入经过预处理后的卫星遥感NDVI数据以及研究区域县域尺度矢量数据，获取计算出的各区县内NDVI统计信息。
步骤S4：构建预测模型；
本实施例选择9个可能对虫害发生率造成影响的代理变量作为自变量，包括气候方面的2008年平均气温、年平均气温距平、年积降水量、年平均风速，社会经济方面的区域生产总值、第一产业产值，表征人类活动的人口密度，以及表征植被覆盖状况的年平均归一化植被指数(NDVI)。此外，将光肩星天牛虫害的防治面积与发生面积之比记为防治率。与天牛的发生率类似，防治率也出现了大量空缺的零值，因此采用与发生率相似的调整方式，将调整后的防治率纳入自变量。
本实施例采用地理加权回归模型(GWR)分析光肩星天牛与环境因子的关系。GWR模型试图估计每一地理位置上变量间的实际关系，将数据的地理位置嵌入到回归参数中(4)。
式(4)中，yi是第i个区县的光肩星天牛发生率，xik是第i个区县的第k个自变量的值，即平均气温、防治率等自然及社会经济要素。(ui,vi)指示区县的空间位置，而βk(ui,vi)是第i个区县的第k个回归系数，与空间位置密切相关。因此，GWR模型引入空间权重矩阵表征区县间的空间关系。本实施例采用bi-square核类型函数来判断空间位置与权重值的关系，用自适应内核以确保内核中包含的区域数量不变，并选用交叉验证方法验证最佳带宽，确定空间权重矩阵中包含的附近区县数量。
当k＝1即自变量只有一个时，为单因子地理加权回归模型，可用来分析该因子对天牛发生率的单独作用。而在已有研究的基础上，基于多重共线性和AIC最小准则选取多个因子，拟合为多因子地理加权回归模型，以表征其共同作用下与天牛发生率的关系。
GWR模型的检核主要包括两方面：(1)通过方差分析(F检验)判断GWR模型是否显著优于普通线性回归模型；(2)通过pseudo t检验验证GWR模型中变量的回归参数是否显著，即判断在每一地理位置上自变量与因变量间是否显著存在线性关系。本实施例中，单因子GWR 模型与多因子GWR模型均需通过显著性水平为0.10的方差分析。在pseudo t检验中，本实施例则选取0.10与0.20两种显著性水平，对不同显著水平下天牛虫害的爆发与环境因素的效应进行对比分析。
各变量进行单因子分析结果显示：NDVI、气温距平及区域GDP的单因子地理加权回归模型未通过地理可变性检验，即认为该三项变量的GWR模型不显著优于线性回归模型，其回归系数应为常系数。而在置信水平p<0.10时，三项变量的常系数显著性检验亦未通过，表明三项变量回归系数为常数。除上述三项变量外，选取平均气温、平均风速、降水量及调整后防治率四个因子，研究其相互作用下与虫害发生率的关系。此时R2为0.15。通过方差分析，证明与线性回归方程具有极显著性不同，调整后发生率与各个自变量间存在显著的空间非平稳性，表明地理加权回归模型具有其独特意义。
步骤S5：将不同时相的卫星遥感数据、气象数据、人口数、地区生产总值、第一产业中、第二产业值、区县行政区划面积，作为步骤S4中所述模型的输入数据，输出森林病虫害发生率预测结果。
Claims (7)
1.一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：首先，获取县域尺度森林病虫害监测统计数据，包括寄主树种面积、合计发生面积、监测面积等，然后对该数据进行预处理；其次，获取反映植被生理状态的空间连续的卫星遥感数据、反映气象条件的气象数据和社会经济数据，并分别对卫星遥感数据、气象数据和社会经济数据进行预处理；然后，从卫星遥感数据中获取县域尺度的植被指数数据；再然后，构建预测模型；最终，将不同时相的卫星遥感数据、气象数据、人口数、地区生产总值、第一产业中、第二产业值、区县行政区划面积，作为模型的输入数据，输出森林病虫害发生率预测结果。
2.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：对县域尺度森林病虫害监测统计数据进行预处理中，县域尺度单元森林病虫害的发生率由发生面积除以监测面积得到。
3.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：对所属卫星遥感数据进行预处理，包括辐射定标、大气校正、几何校正和去云，对所属区域尺度气象数据进行预处理包括数据检查、异常值去除和空间插值。
4.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：对符合正态分布检验的气象数据选用克里金方法进行空间插值，对于未通过正态分布检验的气象数据采用反距离加权方法进行空间插值。
5.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：研究区域内社会经济数据的内容包括县域尺度人口数、地区生产总值、第一产业值、第二产业值、县域面积。
6.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：从卫星遥感数据中获取县域尺度的植被指数数据时，利用区域统计方法获取县域尺度的植被指数。
7.根据权利要求1一种基于空间异质特征的县域尺度森林病虫害预测方法，其特征是：选用地理加权回归方法构建预测模型，先进行单因子GWR分析，检验其地理可变性，未通过检验的单因子回归系数为常数；随后应用剩余的因子进行多因子GWR回归分析，得到多个因子与发生率之间的多变量地理加权回归模型系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011308994.5A CN112465204A (zh) | 2020-11-20 | 2020-11-20 | 一种基于空间异质特征的县域尺度森林病虫害预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011308994.5A CN112465204A (zh) | 2020-11-20 | 2020-11-20 | 一种基于空间异质特征的县域尺度森林病虫害预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465204A true CN112465204A (zh) | 2021-03-09 |
Family
ID=74836859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011308994.5A Pending CN112465204A (zh) | 2020-11-20 | 2020-11-20 | 一种基于空间异质特征的县域尺度森林病虫害预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465204A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841193A (zh) * | 2023-02-17 | 2023-03-24 | 航天宏图信息技术股份有限公司 | 一种林业有害生物的预测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020038307A1 (en) * | 2000-01-03 | 2002-03-28 | Zoran Obradovic | Systems and methods for knowledge discovery in spatial data |
| CN102496077A (zh) * | 2011-12-06 | 2012-06-13 | 北京林业大学 | 林业有害生物灾害预测系统和方法 |
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN111260148A (zh) * | 2020-02-10 | 2020-06-09 | 长江大学 | 一种基于生态位因子模型的松材线虫侵入风险预测方法 |
-
2020
- 2020-11-20 CN CN202011308994.5A patent/CN112465204A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020038307A1 (en) * | 2000-01-03 | 2002-03-28 | Zoran Obradovic | Systems and methods for knowledge discovery in spatial data |
| CN102496077A (zh) * | 2011-12-06 | 2012-06-13 | 北京林业大学 | 林业有害生物灾害预测系统和方法 |
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN111260148A (zh) * | 2020-02-10 | 2020-06-09 | 长江大学 | 一种基于生态位因子模型的松材线虫侵入风险预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴瑶: "不同类型红松林的空间分布格局及异质性研究", 《中国优秀硕士学位论文全文数据库》 * |
| 李吉江 等: "顾及空间异质性的自回归模型应用研究", 《测绘科学》 * |
| 路伟: "经济林生态适宜性评估决策支持系统的研究", 《中国优秀博硕士学位论文全文数据库（硕士）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841193A (zh) * | 2023-02-17 | 2023-03-24 | 航天宏图信息技术股份有限公司 | 一种林业有害生物的预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | The relationship between urban form and heat island intensity along the urban development gradients | |
| Thies et al. | Projecting land-use and land-cover changes in a tropical mountain forest of Southern Ecuador | |
| Serbin et al. | Spatiotemporal mapping of temperature and precipitation for the development of a multidecadal climatic dataset for Wisconsin | |
| Guerin et al. | Identifying centres of plant biodiversity in South Australia | |
| John et al. | Prediction of land use/cover change in the Bharathapuzha river basin, India using geospatial techniques | |
| Kotsuki et al. | On the properties of ensemble forecast sensitivity to observations | |
| Li et al. | A new mean-extreme vector for the trends of temperature and precipitation over China during 1960–2013 | |
| Randriamampianina et al. | Exploring the assimilation of IASI radiances in forecasting polar lows | |
| Kumar et al. | Geospatial mapping of soil organic carbon using regression kriging and remote sensing | |
| Makinde et al. | Geoinformatic assessment of urban heat island and land use/cover processes: a case study from Akure | |
| Alvares et al. | Modeling temporal and spatial variability of leaf wetness duration in Brazil | |
| Duan et al. | Spatial downscaling algorithm of TRMM precipitation based on multiple high-resolution satellite data for Inner Mongolia, China | |
| Rempel et al. | Object-based metrics for forecast verification of convective development with geostationary satellite data | |
| Salvacion et al. | Evaluation and spatial downscaling of CRU TS precipitation data in the Philippines | |
| Bartesaghi-Koc et al. | Innovative use of spatial regression models to predict the effects of green infrastructure on land surface temperatures | |
| Yu et al. | NPP estimation using random forest and impact feature variable importance analysis | |
| Yassin et al. | Hydrologic-Land Surface Modelling of a Complex System under Precipitation Uncertainty: A Case Study of the Saskatchewan River Basin, Canada | |
| Miettinen et al. | Demonstration of large area forest volume and primary production estimation approach based on Sentinel-2 imagery and process based ecosystem modelling | |
| Yagci et al. | Estimating evaporative fraction from readily obtainable variables in mangrove forests of the Everglades, USA | |
| Wei et al. | A new drought index and its application based on geographically weighted regression (GWR) model and multi-source remote sensing data | |
| Li et al. | Diverse cooling effects of green space on urban heat island in tropical megacities | |
| CN112465204A (zh) | 一种基于空间异质特征的县域尺度森林病虫害预测方法 | |
| Ijaz et al. | Assessing drought and its impacts on wheat yield using remotely sensed observations in rainfed Potohar region of Pakistan | |
| Horak et al. | Assessing the added value of the Intermediate Complexity Atmospheric Research (ICAR) model for precipitation in complex topography | |
| Zhang et al. | Estimating 1 km gridded daily air temperature using a spatially varying coefficient model with sign preservation |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210309 |