CN112800973B - 一种基于植被物候特征决策的互花米草提取方法 - Google Patents
一种基于植被物候特征决策的互花米草提取方法 Download PDFInfo
- Publication number
- CN112800973B CN112800973B CN202110128004.8A CN202110128004A CN112800973B CN 112800973 B CN112800973 B CN 112800973B CN 202110128004 A CN202110128004 A CN 202110128004A CN 112800973 B CN112800973 B CN 112800973B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- normalized
- index
- spartina alterniflora
- humidity
- 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
Links
Images
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
- G06V20/188—Vegetation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于植被物候特征决策的互花米草提取方法,包括步骤:获取影像;对影像进行矢量裁剪;获取训练样本点;构建变化曲线;构建决策树。本发明的有益效果是:通过归一化湿度指数提取互花米草可能生长的高湿度区域,缩小范围精确提取,分析高湿度区域植被的物候特征,比较高湿度区域内植被的物候差异,确定互花米草与其他植被的物候差异最优时相,建立决策树实现互花米草的精细提取;主要致力于遥感影像在植被提取中的应用。本发明提出通过物候特征差异时相数据构建决策树提取互花米草,获得较好的精度;本发明充分挖掘和利用了Landsat长时序数据,数据获取方便且流程容易实现,有利于精细检测互花米草的时空分布。
Description
技术领域
本发明属于基于遥感影像的滨海湿地植被提取技术领域,尤其涉及一种基于植被物候特征决策的互花米草提取方法。
背景技术
湿地植被能够天然地调节气候,在生态环境中发挥着重要的作用。其中互花米草作为典型的湿地植被,具有特殊的生长环境;互花米草分布于潮间带的小潮高潮位至平均高潮位;近年来,互花米草的引入在一定程度上减少了水土流失,但互花米草的大量生长也对其他生物产生抑制,而且不利于管控。
当前,遥感技术作为一种新手段,可以实现长时序、大尺度、精准的调查,利用遥感影像监测互花米草成为一大热点;多光谱影像的光谱信息和空间信息为植被监测提供支撑。互花米草不仅具有植被特征,同时具有水体特征,并且具有特殊的地理分布特征,为互花米草提取提供了一定的信息指导。传统的方法监督分类和非监督分类方法基于光谱特征提取互花米草,由于生长期的互花米草与其他湿地植被光谱类似,容易出现混分现象,导致提取精度较低。
尽管高分辨率卫星和无人机遥感技术已经普遍被用于湿地植被的动态监测,但受限于滨海湿地生态系统的复杂性,已有的遥感变化监测研究还存在不足,主要包括以下两个方面:一方面互花米草与其他植被存在异物同谱现象,依靠单景影像很难有效区分,需要采用时序物候特征的分类方法;另一方面由于互花米草生长的潮间带常为多云天气,遥感影像受云覆盖影响严重,可用的影像数量较少,很难构成有效的时间序列数据,需要一定的数据填补技术。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于植被物候特征决策的互花米草提取方法。
这种基于植被物候特征决策的互花米草提取方法,包括以下步骤:
步骤1、获取传感器采集的地表反射率一级产品影像,建立经大气校正的地表反射率一级产品影像的数据集;
步骤2、互花米草作为盐沼植被主要生长在潮间带区域,通过互花米草生长环境确定互花米草可能生长的范围,将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪,后续步骤在互花米草可能生长的范围区域内精确提取;
步骤3、在卫星地图获取的高分辨率影像上获取训练样本点,计算各个训练样本点的归一化水体指数(NDWI)、归一化湿度指数(NDMI)和归一化植被指数(NDVI);通过统计训练样本点归一化水体指数的均值得出归一化水体指数合适的阈值,同时分别设定归一化湿度指数的阈值和归一化植被指数的阈值来确保互花米草区域被完全覆盖,若待测点同时满足下式:
则待测点所在区域为高湿度区域,否则该区域为低湿度区域;
上式(1)中,t0表示最优时相,最优时相为植被生长季且云量较少的时期,为t0时的归一化水体指数,为t0时的归一化湿度指数,为t0时的归一化植被指数;Δ1为归一化水体指数对应最优时相的阈值,Δ2为归一化湿度指数对应最优时相的阈值,Δ3为归一化植被指数对应最优时相的阈值;
步骤4、若步骤3中待测点所在区域为高湿度区域,则采用相邻年份地物样本点的位置数据像元值来替补本年份缺失的数据,构建完整的NDVI时间序列变化曲线;通过各个地物的 NDVI时间序列变化曲线来确定互花米草与其他植被差异最大的点,差异最大点所在的影像为植被物候差异的最优时相的影像;
步骤5、通过植被物候差异的时相数据来构建决策树,区分出互花米草与其他植被:设互花米草返青期的归一化植被指数为互花米草生长枯萎期的归一化植被指数为和若则该高湿度区域为水田;若且则该高湿度区域为林地;若且则该高湿度区域为互花米草生长区域;若则该高湿度区域为旱地;其中Δ4为互花米草返青期的归一化植被指数对应最优时相的阈值,Δ5和Δ6均为互花米草生长枯萎期的归一化植被指数对应最优时相的阈值;将互花米草从湿地植被中准确提取出来。
作为优选,步骤1通过GEE平台获取Landsat8 OLI传感器采集的地表反射率一级产品影像。
作为优选,步骤3中卫星地图为Google Earth高清卫星地图。
作为优选,步骤3中各个训练样本点的归一化水体指数(NDWI)、归一化湿度指数(NDMI) 和归一化植被指数(NDVI)的计算公式如下:
上式中,NDWI为归一化水体指数,ρG为绿光波段的光谱反射率,ρNIR为近红外波段的光谱反射率;
上式中,NDMI为归一化湿度指数,ρNIR为近红外波段的光谱反射率,ρSWIR为短波红外波段的光谱反射率;
上式中,NDVI为归一化植被指数,ρNIR为近红外波段的光谱反射率,ρRED为红光波段的光谱反射率。
作为优选,步骤3中归一化水体指数用于区分水体和陆地,突出水体信息和植被冠层水分信息。
作为优选,步骤3中归一化湿度指数用于有效地提取植被冠层的水分含量,用于植被含水量的研究。
作为优选,步骤3中归一化植被指数用于植被相关信息的反演,能充分体现植被的生长状态。
本发明的有益效果是:本发明通过GEE平台对一年内所有可用Landsat影像进行指数计算,通过归一化湿度指数提取互花米草可能生长的高湿度区域,缩小范围精确提取,分析高湿度区域植被的物候特征,比较高湿度区域内植被的物候差异,确定互花米草与其他植被的物候差异最优时相,建立决策树实现互花米草的精细提取;主要致力于遥感影像在植被提取中的应用。本发明提出通过物候特征差异时相数据构建决策树提取互花米草,获得较好的精度。本发明充分挖掘和利用了Landsat长时序数据,数据获取方便且流程容易实现,有利于精细检测互花米草的时空分布。
附图说明
图1为矢量裁剪研究区区域图;
图2为互花米草提取方法的实施流程图;
图3为互花米草提取决策树;
图4为互花米草提取结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提出一种基于植被物候特征决策的互花米草提取方法,首先通过地学知识协同光谱知识确定互花米草生长的高湿度区域,对高湿度区域内植被构建NDVI时间序列曲线,最后比较互花米草与其他地物的物候特征差异建立决策树,结合每景影像的云量和成像时间确定合适的阈值,将互花米草从湿地植被中准确提取出来。
作为一种实施例,本实施例依托于GEE平台运行,如图2所示,互花米草提取的步骤为:
步骤1、根据时间、区域筛选所有可用的Landsat表面反射率数据;如图1所示,将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪,区域面积为2578km2;
步骤2、基于所选的Landsat表面反射率数据,计算NDWI、NDMI、NDVI三种光谱指数,计算公式如下:
上式中,NDWI为归一化水体指数,ρG为绿光波段的光谱反射率,ρNIR为近红外波段的光谱反射率;
上式中,NDMI为归一化湿度指数,ρNIR为近红外波段的光谱反射率,ρSWIR为短波红外波段的光谱反射率;
上式中,NDVI为归一化植被指数,ρNIR为近红外波段的光谱反射率,ρRED为红光波段的光谱反射率;
本步骤的目的在于获取提取互花米草所需的光谱指数。
步骤3、由于互花米草生长位置特殊,同时具有水体和植被的特征,利用NDWI和NDVI 来抑制其他地物的干扰,通过影像云量筛选选取了生长期的影像,NDWI小于0可以抑制水体的干扰,NDVI大于0.1旨在确定植被范围完全覆盖,通过计算样本点的NDMI均值,NDMI大于0.386确保互花米草区域被完全覆盖,阈值如下:
上式中表示在最优时相7月20日对应的指数值。
本步骤的目的在于提取出互花米草可能生长的高湿度区域,在小区域内精确提取,以减少其他地物的干扰。
步骤4、基于步骤3提取出的互花米草可能生长区,获取各个地物的NDVI时间序列变化曲线,由于2016年数据存在云和云阴影等噪声,使时间序列的遥感数据曲线变化趋势不明显,可用的影像在时间序列上不足以体现完整的物候特征,因此需要对时间序列数据质量进行改善。采用相邻年份相同样点前后几年的影像来填补缺失的数据,反映植被真实的周期性变化规律,对数据进行填补后构建完整的时间序列曲线,通过各个地物的NDVI时间序列变化曲线确定植被物候差异的最优时相。
本步骤的目的在于构建NDVI时间序列曲线,从而确定地物间物候差异最优时相,为下一步骤的阈值提供参考。
步骤5、高湿度区域内包括互花米草、水田、旱地、林地地物,通过对比四类地物物候差异,结合影像云量和各类地物在一年中NDVI变化趋势,参考互花米草分布图、GoogleEarth 影像、文献资料等辅助资料,通过NDVI统计结果设定阈值建立决策树,将互花米草与其他三类地物分离出来,物候特征差异体现在生长开始季和生长结束季,因此,选取了5月1日NDVI 大于0.457区分水田,9月22日NDVI小于0.487区分林地,大于0.693区分出旱地和互花米草。按照图3中的决策树进行分类,图3中表示互花米草返青期的指数值,和表示互花米草生长枯萎期对应的指数值,Δ4、Δ5、Δ6分别对应0.457、0.487、0.693。以下为决策树规则:
式中,NDVI0501表示5月1日NDVI指数值,NDVI0922表示9月22日NDVI指数值。
互花米草提取结果如图4所示,图中的黑色部分所在区域的植被为互花米草。
Claims (7)
1.一种基于植被物候特征决策的互花米草提取方法,其特征在于,包括以下步骤:
步骤1、获取传感器采集的地表反射率一级产品影像,建立经大气校正的地表反射率一级产品影像的数据集;
步骤2、将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪;
步骤3、在卫星地图获取的高分辨率影像上获取训练样本点,计算各个训练样本点的归一化水体指数、归一化湿度指数和归一化植被指数;通过统计训练样本点归一化水体指数的均值得出归一化水体指数的阈值,同时分别设定归一化湿度指数的阈值和归一化植被指数的阈值,若待测点同时满足下式:
则待测点所在区域为高湿度区域,否则该区域为低湿度区域;
上式(1)中,t0表示最优时相,最优时相为植被生长季且云量较少的时期,为t0时的归一化水体指数,为t0时的归一化湿度指数,为t0时的归一化植被指数;Δ1为归一化水体指数对应最优时相的阈值,Δ2为归一化湿度指数对应最优时相的阈值,Δ3为归一化植被指数对应最优时相的阈值;
步骤4、若步骤3中待测点所在区域为高湿度区域,则采用相邻年份地物样本点的位置数据像元值来替补本年份缺失的数据,构建完整的NDVI时间序列变化曲线;通过各个地物的NDVI时间序列变化曲线来确定互花米草与其他植被差异最大的点,差异最大点所在的影像为植被物候差异的最优时相的影像;
2.根据权利要求1所述基于植被物候特征决策的互花米草提取方法,其特征在于:步骤1通过GEE平台获取Landsat8 OLI传感器采集的地表反射率一级产品影像。
3.根据权利要求1所述基于植被物候特征决策的互花米草提取方法,其特征在于:步骤3中卫星地图为Google Earth高清卫星地图。
5.根据权利要求1所述基于植被物候特征决策的互花米草提取方法,其特征在于:步骤3中归一化水体指数用于区分水体和陆地,突出水体信息和植被冠层水分信息。
6.根据权利要求1所述基于植被物候特征决策的互花米草提取方法,其特征在于:步骤3中归一化湿度指数用于提取植被冠层的水分含量。
7.根据权利要求1所述基于植被物候特征决策的互花米草提取方法,其特征在于:步骤3中归一化植被指数用于植被信息的反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128004.8A CN112800973B (zh) | 2021-01-29 | 2021-01-29 | 一种基于植被物候特征决策的互花米草提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128004.8A CN112800973B (zh) | 2021-01-29 | 2021-01-29 | 一种基于植被物候特征决策的互花米草提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800973A CN112800973A (zh) | 2021-05-14 |
CN112800973B true CN112800973B (zh) | 2021-08-27 |
Family
ID=75812902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128004.8A Active CN112800973B (zh) | 2021-01-29 | 2021-01-29 | 一种基于植被物候特征决策的互花米草提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800973B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408460B (zh) * | 2021-06-30 | 2022-03-11 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感大数据和云平台探测互花米草分布的方法 |
CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
CN113469127A (zh) * | 2021-07-23 | 2021-10-01 | 平安国际智慧城市科技股份有限公司 | 河流敏感性等级划分方法、装置、设备及存储介质 |
CN113469145B (zh) * | 2021-09-01 | 2021-12-21 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
CN114332628B (zh) * | 2022-01-05 | 2023-06-16 | 中国科学院地理科学与资源研究所 | 一种基于典型物候及膜网特征的生姜快速遥感提取方法 |
CN114387516B (zh) * | 2022-01-07 | 2022-08-16 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN115035411B (zh) * | 2022-06-17 | 2023-01-17 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
CN116645593B (zh) * | 2023-07-20 | 2023-10-24 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
CN117409313B (zh) * | 2023-09-20 | 2024-05-10 | 宁波大学 | 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111738144A (zh) * | 2020-06-19 | 2020-10-02 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274B (zh) * | 2010-12-01 | 2012-08-22 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN110472184B (zh) * | 2019-08-22 | 2022-11-04 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111079846A (zh) * | 2019-12-20 | 2020-04-28 | 中国科学院遥感与数字地球研究所 | 基于时间序列高分辨率遥感数据的苹果识别方法 |
-
2021
- 2021-01-29 CN CN202110128004.8A patent/CN112800973B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111738144A (zh) * | 2020-06-19 | 2020-10-02 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
Non-Patent Citations (5)
Title |
---|
Comparative Study of Three Feature Selection Methods for Regional Land Cover Classification using MODIS Data;Li Shijin 等;《2008 Congress on Image and Signal Processing》;20081231;全文 * |
基于专家决策法的福建互花米草蔓延的动态监测分析;潘卫华 等;《福建省科协第十一届学术年会卫星会议——福建省气象学会2011学术年会》;20120531;全文 * |
基于国产高分卫星遥感数据的现代黄河三角洲入侵植物互花米草监测方法;杨俊芳 等;《海洋环境科学》;20170831;第36卷(第4期);全文 * |
基于高分辨率遥感影像的湿地互花米草-芦苇混合交错带提取方法;姚红岩 等;《地球信息科学》;20171031;第19卷(第10期);全文 * |
资源一号02D卫星高光谱与多光谱融合数据滨海湿地分类应用;孙伟伟 等;《航天器工程》;20201231;第29卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800973A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
CN110472184B (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
Soudani et al. | Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands | |
Roberts et al. | Relationships between dominant plant species, fractional cover and land surface temperature in a Mediterranean ecosystem | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Hussin et al. | Evaluation of object-based image analysis techniques on very high-resolution satellite image for biomass estimation in a watershed of hilly forest of Nepal | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
Yang et al. | Evaluating AISA+ hyperspectral imagery for mapping black mangrove along the South Texas Gulf Coast | |
CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
CN114998742A (zh) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 | |
CN115810155B (zh) | 一种潮汐湿地的分类方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. | |
Wang et al. | Recognition of aquatic vegetation above water using shortwave infrared baseline and phenological features | |
CN114049564A (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
Liu et al. | Cotton area and yield estimation at Zhanhua County of China using HJ-1 EVI time series | |
Zhang et al. | Tropical natural forest classification using time-series Sentinel-1 and Landsat-8 images in Hainan Island | |
Dou et al. | Paddy rice field mapping using GF-1 images with SVM method | |
Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, 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 |