CN114297578A - 一种基于遥感的草地植被覆盖度估算及预测方法 - Google Patents
一种基于遥感的草地植被覆盖度估算及预测方法 Download PDFInfo
- Publication number
- CN114297578A CN114297578A CN202111483518.1A CN202111483518A CN114297578A CN 114297578 A CN114297578 A CN 114297578A CN 202111483518 A CN202111483518 A CN 202111483518A CN 114297578 A CN114297578 A CN 114297578A
- Authority
- CN
- China
- Prior art keywords
- grassland
- ndvi
- pixel
- vegetation coverage
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011160 research Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 18
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Image Processing (AREA)
Abstract
一种基于遥感的草地植被覆盖度估算及预测方法,涉及一种利用遥感与气象数据估算并预测草地植被覆盖度的方法。为解决现有草地植被覆盖度观测方法周期长成本高且无法准确预测未来草地植被覆盖度的问题。步骤:获取并预处理遥感及气象数据集;对历史观测气象数据集进行空间插值处理;提取未变化草地植被分布作为研究区;利用像元二分模型计算逐像元的草地植被覆盖度;提取研究区内逐像元的草地植被覆盖度及气象要素值;利用多元逐步回归构建出气候变化影响下的草地植被覆盖度估算模型;结合未来气候变化情景下的气象数据预测未来草地植被覆盖度。本发明利用了遥感数据易获取、空间尺度大的特点,为草地植被覆盖度估算及预测提供了新的方法。
Description
技术领域
本发明涉及一种基于遥感的草地植被覆盖度估算及预测方法,特别是涉及一种在气候变化影响下,利用遥感数据与历史地面观测气象数据构建逐像元的草地植被覆盖度估算模型来估算草地植被覆盖度,并结合未来气候变化情景下气象数据,预测未来区域草地植被覆盖度的方法。
背景技术
草地是地球上分布面积最大的陆地生态系统之一,能有效减少水土流失、防风固沙、阻止土壤盐渍化。植被是陆地生态系统的重要组成部分,不仅能在一定程度上代表土地覆盖的变化,而且在维护生态系统功能、保护生物多样性以及平衡地表能量方面具有重要作用。草地植被作为自然界中最重要的绿色生态屏障,对于准确评估区域生态系统功能和科学制定区域可持续发展政策方面具有重要的指导意义。
植被(包括叶、茎、枝)在地面的垂直投影面积占统计区域总面积的百分比称为植被覆盖度。作为衡量生态环境状况的重要指标,植被覆盖度常用于植被与气候变化以及水土保持评估等方面研究,对于准确评价区域生态环境等方面具有重要意义。目前,关于植被覆盖度估算方法主要分为实地测量法和遥感估算法。第一种实地测量法,缺点在于只适合用于尺度较小的区域且很难进行长时间监测;而对于尺度较大的研究范围地面测量的工作量过大,一般就采用第二种遥感估算法。但是遥感估算法的缺点在于采用像元二分模型估算植被覆盖度时,在没有实测数据的情况下,需选取研究范围内区完全裸露无植被覆盖像元的NDVI值(NDVIsoil)以及纯植被像元的NDVI值(NDVIveg)进行计算。以往研究方法多选取像元累积95%、98%和5%、2%的值分别作为NDVIveg和NDVIsoil,估算结果易产生误差。
发明内容
本发明的目的是为了解决现有关于草地植被覆盖度观测方法周期长、成本高,无法快速准确地估算及预测未来区域草地植被覆盖度的技术问题,提供了一种基于遥感的草地植被覆盖度估算及预测方法。
一种基于遥感的草地植被覆盖度估算及预测方法按照以下步骤进行:
步骤一、获取一定时间段内覆盖研究区域的逐旬归一化植被指数NDVI数据集、历史地面观测气象数据集、未来气候变化情景下气象数据集以及两期土地利用/覆被数据集,并对数据进行预处理;
步骤二:利用最大值合成法将逐旬归一化植被指数NDVI数据集合成为逐月NDVI数据集,并利用算术平均法计算得到一定时间段内多年平均生长季NDVI值;
步骤三:采用普通克里格插值法,将历史地面观测气象数据集进行空间插值处理,并重采样,提取与逐旬归一化植被指数NDVI数据集相同分辨率和投影的长时间序列气象要素数据集;
步骤四、根据两期土地利用/覆被数据,提取一定时间段内未变化的草地分布作为草地分布区,并提取出草地分布区内多年平均生长季NDVI≥0.1的像元分布,即未变化的草地植被分布作为研究区范围;
步骤五、利用研究区范围裁切逐旬归一化植被指数NDVI数据集,并提取出逐像元的逐旬NDVI值,利用算术平均法计算得到逐像元的多年平均逐旬NDVI值;
步骤六、将草地分布区内所有像元的逐旬NDVI值按升序排序,并利用算术平均法分别计算得到像元累积2%~5%的逐旬NDVI平均值以及像元累积95%~98%的逐旬NDVI平均值;
步骤七、基于像元二分模型,将像元累积2%~5%的逐旬NDVI平均值作为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil、将像元累积95%~98%的逐旬NDVI平均值作为纯植被像元信息NDVIveg,并结合步骤五得出的逐像元的多年平均逐旬NDVI值计算逐像元的草地植被覆盖度,得到长时间序列草地植被覆盖度数据集;
步骤八、提取步骤四确定的研究区范围内的逐像元的草地植被覆盖度及气象要素值;
步骤九、将逐像元的草地植被覆盖度及气象要素值利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型;
步骤十、根据逐像元的草地植被覆盖度估算模型,结合未来气候变化情景下气象数据,估算研究区范围内的未来草地植被覆盖度。
步骤七所述像元二分模型公式如下:
其中,FVC为逐像元的草地植被覆盖度,NDVI为一定时间段内多年平均生长季NDVI值,NDVIsoil为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil,NDVIveg为纯植被像元信息。
步骤九所述利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型,公式如下:
FVC=a+a1X1+a2X2+a3X3+...+akXk 公式(2)
其中,FVC为逐像元的草地植被覆盖度,a为常数项,a1,a2,a3,...ak为回归系数,X1,X2,X3,...Xk为一定时间段内各气象要素值。
步骤一所述数据预处理过程为:将逐旬归一化植被指数NDVI数据集以及两期土地利用/覆被数据集统一为相同的投影和坐标系。
由于NDVI值最高的1个百分区间(99%~100%)和最低的1个百分区间(0%~1%)的不确定性最大。在忽略不确定性最大的区间后,通过算术平均方法对像元累积2%~5%以及95%~98%的逐旬NDVI取平均值可以在一定程度上消除误差的影响。因此本发明将像元累积2%~5%以及95%~98%的逐旬NDVI平均值分别作为NDVIsoil和NDVIveg。
本发明基于长时间序列植被NDVI数据、气象要素数据集以及土地利用/覆被数据集,通过多元逐步回归分析,构建了在一种气候变化影响下基于像元尺度上的草地植被覆盖度估算模型。根据本发明构建的草地植被覆盖度估算模型并结合未来气候变化情景下气象数据,不仅可以估算草地植被覆盖度,还能对研究区的未来草地植被覆盖度进行预测。
本发明的优点在于:在传统的草地植被覆盖度估算方法的基础上,提出了一种基于逐像元的草地植被覆盖度估算模型来估算草地植被覆盖度,并结合未来气候变化情景下气象数据,预测未来区域草地植被覆盖度的方法。该方法改善了传统草地植被覆盖度观测方法周期长、成本高,且无法快速准确地估算及预测未来区域草地植被覆盖度的问题。本发明对于利用长时间序列的遥感植被数据及地面观测气象数据,在区域尺度上快速准确估算及预测未来草地植被覆盖度提供了新的方法。
附图说明
图1为本发明的流程图;
图2为实验一中1982~2015年中国温带草原未变化草地植被分布图;
图3为实验一中2015年中国温带草原草地植被覆盖度估算分布图;
图4为实验一中国温带草原2050年草地植被覆盖度预测值分布图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式,还包括各具体实施方式间的任意细合。
具体实施方式一:本实施方式一种基于遥感的草地植被覆盖度估算及预测方法按照以下步骤进行:
步骤一、获取一定时间段内覆盖研究区域的逐旬归一化植被指数NDVI数据集、历史地面观测气象数据集、未来气候变化情景下气象数据集以及两期土地利用/覆被数据集,并对数据进行预处理;
步骤二:利用最大值合成法将逐旬归一化植被指数NDVI数据集合成为逐月NDVI数据集,并利用算术平均法计算得到一定时间段内多年平均生长季NDVI值;
步骤三:采用普通克里格插值法,将历史地面观测气象数据集进行空间插值处理,并重采样,提取与逐旬归一化植被指数NDVI数据集相同分辨率和投影的长时间序列气象要素数据集;
步骤四、根据两期土地利用/覆被数据,提取一定时间段内未变化的草地分布作为草地分布区,并提取出草地分布区内多年平均生长季NDVI≥0.1的像元分布,即未变化的草地植被分布作为研究区范围;
步骤五、利用研究区范围裁切逐旬归一化植被指数NDVI数据集,并提取出逐像元的逐旬NDVI值,利用算术平均法计算得到逐像元的多年平均逐旬NDVI值;
步骤六、将草地分布区内所有像元的逐旬NDVI值按升序排序,并利用算术平均法分别计算得到像元累积2%~5%的逐旬NDVI平均值以及像元累积95%~98%的逐旬NDVI平均值;
步骤七、基于像元二分模型,将像元累积2%~5%的逐旬NDVI平均值作为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil、将像元累积95%~98%的逐旬NDVI平均值作为纯植被像元信息NDVIveg,并结合步骤五得出的逐像元的多年平均逐旬NDVI值计算逐像元的草地植被覆盖度,得到长时间序列草地植被覆盖度数据集;
步骤八、提取步骤四确定的研究区范围内的逐像元的草地植被覆盖度及气象要素值;
步骤九、将逐像元的草地植被覆盖度及气象要素值利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型;
步骤十、根据逐像元的草地植被覆盖度估算模型,结合未来气候变化情景下气象数据,估算研究区范围内的未来草地植被覆盖度。
具体实施方式二:本实施方式与具体实施方式一不同的是步骤七所述像元二分模型公式如下:
其中,FVC为逐像元的草地植被覆盖度,NDVI为一定时间段内多年平均生长季NDVI值,NDVIsoil为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil,NDVIwg为纯植被像元信息。其他与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是步骤九所述利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型,公式如下:
FVC=a+a1X1+a2X2+a3X3+......akXk 公式(2)
其中,FVC为逐像元的草地植被覆盖度,a为常数项,a1,a2,a3,...ak为回归系数,X1,X2,X3,...Xk为一定时间段内各气象要素值。其他与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三不同的是步骤一中所述数据预处理过程为:将逐旬归一化植被指数NDVI数据集以及两期土地利用/覆被数据集统一为相同的投影和坐标系。
采用下述实验验证本发明效果:
实验一:
结合图1选择中国温带草原区作为研究区域,本实验将以1982~2015年时间段为例,并结合以下实施步骤进行说明,一种基于遥感的草地植被覆盖度估算及预测方法的具体步骤:
(一)、获取1982~2015年的逐旬GIMMS NDVI数据集、地面观测气象数据集、RCP4.5情景下2050年气象数据集以及两期土地利用/覆被数据集,并对数据进行预处理。
分别获取中国温带草原地区时间跨度为1982~2015年、空间分辨率为8km×8km的逐旬GIMMS NDVI数据集、逐月地面气象观测数据集、2050年气候变化情景下的气象数据集以及空间分辨率为100m×100m的1980s和2015年土地利用/覆被数据。
(二)、利用最大值合成法将逐旬GIMMS NDVI数据集合成为逐月GIMMS NDVI数据集,并利用算术平均法计算得到1982~2015年内多年平均生长季NDVI值。
(三)、采用普通克里格插值法,将1982~2015年地面观测气象数据集进行空间插值处理,并重采样,提取与逐旬GIMMS NDVI数据集相同分辨率和投影的长时间序列气象要素数据集。
(四)、根据两期土地利用/覆被数据,提取1982~2015年内未变化的草地分布作为草地分布区,并提取出草地分布区内多年平均生长季NDVI≥0.1的像元分布,即未变化的草地植被分布作为研究区范围(图2)。
(五)、利用研究区范围裁切逐旬GIMMS NDVI数据集,并提取出1982~2015年内逐像元的逐旬GIMMS NDVI值,利用算术平均法计算得到逐像元的多年平均逐旬GIMMS NDVI值。
(六)、将草地分布区内所有像元的逐旬GIMMS NDVI值按升序排序,并利用算术平均法分别计算得到像元累积2%~5%的逐旬GIMMS NDVI平均值以及95%~98%的逐旬GIMMS NDVI平均值。
(七)、基于像元二分模型,将像元累积2%~5%的逐旬GIMMS NDVI平均值以及95%~98%的逐旬GIMMS NDVI平均值分别作为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil、纯植被像元信息NDVIveg,并结合步骤五得出的逐像元的多年平均逐旬NDVI值计算逐像元的草地植被覆盖度,得到长时间序列草地植被覆盖度数据集。
其中FVC为逐像元的草地植被覆盖度,NDVI为1982~2015年内的生长季(5~9月)内草地NDVI平均值,NDVI为1982~2015年内多年平均生长季NDVI值,NDVIsoil和NDVIveg分别为草地分布区内纯土壤像元信息以及纯植被像元信息。
图3为2015年中国温带草原草地植被覆盖度分布图。
(八)、根据步骤四确定的未变化的草地植被分布,提取研究区范围内逐像元的草地植被覆盖度及气象要素值。
(九)、将逐像元的草地植被覆盖度及气象要素值利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型。,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型,公式如下:
FVC=a+a1X1+a2X2+a3X3+...+akXk 公式(2)
其中,FVC为逐像元的草地植被覆盖度,a为常数项,a1,a2,a3,…ak为回归系数,X1,X2,X3,...Xk为一定时间段内各气象要素值。
(十)、根据逐像元的草地植被覆盖度估算模型,结合RCP4.5情景下2050年气象数据带入估算模型中,得到该年的植被覆盖度预测值(图4)。
Claims (4)
1.一种基于遥感的草地植被覆盖度估算及预测方法,其特征在于所述一种基于遥感的草地植被覆盖度估算及预测方法按照以下步骤进行:
步骤一、获取一定时间段内覆盖研究区域的逐旬归一化植被指数NDVI数据集、历史地面观测气象数据集、未来气候变化情景下气象数据集以及两期土地利用/覆被数据集,并对数据进行预处理;
步骤二:利用最大值合成法将逐旬归一化植被指数NDVI数据集合成为逐月NDVI数据集,并利用算术平均法计算得到一定时间段内多年平均生长季NDVI值;
步骤三:采用普通克里格插值法,将历史地面观测气象数据集进行空间插值处理,并重采样,提取与逐旬归一化植被指数NDVI数据集相同分辨率和投影的长时间序列气象要素数据集;
步骤四、根据两期土地利用/覆被数据,提取一定时间段内未变化的草地分布作为草地分布区,并提取出草地分布区内多年平均生长季NDVI≥0.1的像元分布,即未变化的草地植被分布作为研究区范围;
步骤五、利用研究区范围裁切逐旬归一化植被指数NDVI数据集,并提取出逐像元的逐旬NDVI值,利用算术平均法计算得到逐像元的多年平均逐旬NDVI值;
步骤六、将草地分布区内所有像元的逐旬NDVI值按升序排序,并利用算术平均法分别计算得到像元累积2%~5%的逐旬NDVI平均值以及像元累积95%~98%的逐旬NDVI平均值;
步骤七、基于像元二分模型,将像元累积2%~5%的逐旬NDVI平均值作为草地分布区内完全裸露无植被覆盖像元信息NDVIsoil、将像元累积95%~98%的逐旬NDVI平均值作为纯植被像元信息NDVIveg,并结合步骤五得出的逐像元的多年平均逐旬NDVI值计算逐像元的草地植被覆盖度,得到长时间序列草地植被覆盖度数据集;
步骤八、提取步骤四确定的研究区范围内的逐像元的草地植被覆盖度及气象要素值;
步骤九、将逐像元的草地植被覆盖度及气象要素值利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型;
步骤十、根据逐像元的草地植被覆盖度估算模型,结合未来气候变化情景下气象数据,估算研究区范围内的未来草地植被覆盖度。
3.根据权利要求1所述一种基于遥感的草地植被覆盖度估算及预测方法,其特征在于步骤九所述利用多元逐步回归分析,构建气候变化影响下的逐像元的草地植被覆盖度估算模型,选取拟合系数值最大的模型作为最终的草地植被覆盖度估算模型,公式如下:
FVC=a+a1X1+a2X2+a3X3+...+akXk 公式(2)
其中,FVC为逐像元的草地植被覆盖度,a为常数项,a1,a2,a3,...ak为回归系数,X1,X2,X3,...Xk为一定时间段内各气象要素值。
4.根据权利要求1所述一种基于遥感的草地植被覆盖度估算及预测方法,其特征在于步骤一所述数据预处理过程为:将逐旬归一化植被指数NDVI数据集以及两期土地利用/覆被数据集统一为相同的投影和坐标系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483518.1A CN114297578A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感的草地植被覆盖度估算及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483518.1A CN114297578A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感的草地植被覆盖度估算及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297578A true CN114297578A (zh) | 2022-04-08 |
Family
ID=80965958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111483518.1A Pending CN114297578A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感的草地植被覆盖度估算及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297578A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116843495A (zh) * | 2023-09-01 | 2023-10-03 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及系统 |
CN117744951A (zh) * | 2024-02-08 | 2024-03-22 | 中国科学院大气物理研究所 | 基于遥感数据的草地退化评价方法、装置、设备及介质 |
WO2024098445A1 (zh) * | 2022-11-10 | 2024-05-16 | 东南大学 | 一种乡村生境质量评估及预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359411A (zh) * | 2018-11-01 | 2019-02-19 | 中国科学院东北地理与农业生态研究所 | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 |
US20210341647A1 (en) * | 2020-04-30 | 2021-11-04 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method for determining surface runoff yield in vegetation-covered area |
-
2021
- 2021-12-07 CN CN202111483518.1A patent/CN114297578A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359411A (zh) * | 2018-11-01 | 2019-02-19 | 中国科学院东北地理与农业生态研究所 | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 |
US20210341647A1 (en) * | 2020-04-30 | 2021-11-04 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method for determining surface runoff yield in vegetation-covered area |
Non-Patent Citations (1)
Title |
---|
李亚刚等: "基于遥感技术的甘南牧区草地植被状况多年动态", 草业科学, vol. 32, no. 5, 15 May 2015 (2015-05-15), pages 675 - 684 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098445A1 (zh) * | 2022-11-10 | 2024-05-16 | 东南大学 | 一种乡村生境质量评估及预测方法 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116309670B (zh) * | 2023-05-06 | 2023-08-11 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116843495A (zh) * | 2023-09-01 | 2023-10-03 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及系统 |
CN116843495B (zh) * | 2023-09-01 | 2023-11-10 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及系统 |
CN117744951A (zh) * | 2024-02-08 | 2024-03-22 | 中国科学院大气物理研究所 | 基于遥感数据的草地退化评价方法、装置、设备及介质 |
CN117744951B (zh) * | 2024-02-08 | 2024-05-03 | 中国科学院大气物理研究所 | 基于遥感数据的草地退化评价方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weng | Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling | |
CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
Hui et al. | Modelling spatial‐temporal change of Poyang Lake using multitemporal Landsat imagery | |
CN103940974B (zh) | 基于gis的中尺度流域土壤侵蚀时空动态分析方法 | |
CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
CN104537222B (zh) | 基于遥感的区域植被覆盖对地表气温影响的估算方法 | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
Brirhet et al. | Comparison of two hydrological models (lumped and distributed) over a pilot area of the issen watershed in the Souss Basin, Morocco | |
CN105160192A (zh) | 基于M5-Local的TRMM卫星降雨数据降尺度方法 | |
Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
Bois et al. | Temperature-based zoning of the Bordeaux wine region. | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN103942408A (zh) | 黄土高原中尺度流域年侵蚀产沙模型计算方法 | |
CN105550423A (zh) | 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法 | |
Adhikary et al. | Groundwater drought assessment for Barind irrigation project in Northwestern Bangladesh | |
CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
Mitasova et al. | Geospatial analysis of vulnerable beach-foredune systems from decadal time series of lidar data | |
CN102722766A (zh) | 基于修订的区域气候模式数据的小麦产量预测方法 | |
Ezzine et al. | Downscaling of open coarse precipitation data through spatial and statistical analysis, integrating NDVI, NDWI, elevation, and distance from sea | |
El Kenawy et al. | Climatological modeling of monthly air temperature and precipitation in Egypt through GIS techniques | |
Wei et al. | A new satellite-based indicator to identify spatiotemporal foraging areas for herbivorous waterfowl | |
Li et al. | Evaluating runoff-sediment relationship variations using generalized additive models that incorporate reservoir indices for check dams | |
Weng et al. | Spatial analysis of urban growth impacts on vegetative greenness with Landsat TM data | |
CN116861298A (zh) | 一种无资料地区的流域水文模型参数估计方法 |
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 |