CN114330973A - 一种基于树木属性数据评价行道树安全风险等级的方法 - Google Patents
一种基于树木属性数据评价行道树安全风险等级的方法 Download PDFInfo
- Publication number
- CN114330973A CN114330973A CN202111318485.5A CN202111318485A CN114330973A CN 114330973 A CN114330973 A CN 114330973A CN 202111318485 A CN202111318485 A CN 202111318485A CN 114330973 A CN114330973 A CN 114330973A
- Authority
- CN
- China
- Prior art keywords
- safety risk
- tree
- evaluation index
- street
- factor
- 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 41
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 230000001186 cumulative effect Effects 0.000 claims abstract description 10
- 238000000556 factor analysis Methods 0.000 claims abstract description 8
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000003064 k means clustering Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 241000607479 Yersinia pestis Species 0.000 claims description 5
- 230000006378 damage Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 244000153888 Tung Species 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 5
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 240000009200 Macaranga tanarius Species 0.000 description 2
- 235000000487 Macaranga tanarius Nutrition 0.000 description 2
- 229930184510 Mallotus Natural products 0.000 description 2
- 241001060384 Mallotus <angiosperm> Species 0.000 description 2
- 238000002845 discoloration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000024241 parasitism Effects 0.000 description 2
- 238000000846 Bartlett's test Methods 0.000 description 1
- 241001133184 Colletotrichum agaves Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008653 root damage Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于树木属性数据评价行道树安全风险等级的方法，包括选取行道树安全风险评价指标数据，并对选取的行道树安全风险评价指标数据进行标准化处理，得到评价指标数据集；对评价指标数据集进行检验，判断该评价指标数据集是否适合进行因子分析，采用主成分分析法计算通过检验的评价指标数据集的特征值和特征向量，根据特征信息和累计方差贡献率，提取公因子，并估计因子荷载矩阵；根据公因子的方差贡献率加权求和得到公因子权重，基于公因子权重，计算行道树安全风险综合得分数据；利用k‑means聚类法对行道树安全风险综合得分数据进行评级，得到行道树的安全风险等级。
Description
技术领域
本发明涉及安全风险评价技术领域，特别是涉及一种基于树木属性数据评价行道树安全风险等级的方法。
背景技术
行道树作为城市绿地重要的组成部分，它以“线”的形式联系着城市中分散的“点”和“面”的绿地系统，在改善城市生态环境和创造良好街景的方面发挥着不可替代的作用。同时，行道树也存在潜在的危险性，如树木倒伏、劈裂、断枝等，会危及城市居民、交通和设施的安全。近年来，随着城市化不断发展，城市生态环境问题日益凸显，行道树的安全问题逐渐受到重视，如何准确、快速地对行道树进行安全风险评价已成为行道树管理过程中的关键问题。
一套完整的风险评价技术体系包括评价指标的筛选、指标权重的确定、评价模型的选取以及评价结果分级标准的确定，可归纳为指标体系和评价方法两个方面。在指标体系方面，行道树的安全隐患与树木本身以及环境因素密切相关，对其进行安全风险评价时采用的指标也是多种多样。有的直接从行道树本身结构分析安全风险存在的原因，有的在此基础上考虑了道路结构、土地覆盖等环境信息，还有的在构建指标体系时考虑了行道树安全风险潜在危害目标的情况。在评价方法方面，由于行道树安全风险评价与林业健康评价具有相似性，在进行安全风险评价时可参考林业健康评价时常用的方法，即综合评价法。目前，针对树木安全问题主要采用目测树木评估法、层次分析法和活力度分级法。
现有技术主要从行道树的潜在危险度、缺陷部位尺寸和目标等级三个方面进行危害评估。该技术构建的行道树风险评估体系可操作性较差，如潜在危险度的评估层级结构中，部分目标层的参数较难以获取，如根系损伤、根系死亡。同时，没有考虑评价指标之间的相关性，存在数据冗余问题，不符合指标选取的全面性和系统优化原则。此外，采用层次分析法确定评估指标的权重，存在较大的主观性和不确定性，评价结果可解释性较差。
发明内容
发明目的：为解决现有技术中行道树安全风险评价指标体系不充分、评价模型主观性强等问题，本发明提出了一种基于树木属性数据评价行道树安全风险等级的方法，科学判定行道树的安全风险，为行道树管理和有机更新提供科学支撑。
技术方案：一种基于树木属性数据评价行道树安全风险等级的方法，包括以下步骤：
步骤1：选取行道树安全风险评价指标数据，并对选取的行道树安全风险评价指标数据进行标准化处理，得到评价指标数据集；
步骤2：对评价指标数据集进行检验，判断该评价指标数据集是否适合进行因子分析，若适合，则执行步骤3；若不合适，则说明数据集不适合做因子分析，变量之间的相关性低，需要更换评价指标数据集，重新执行步骤1，选取新的行道树安全风险评价指标数据。
步骤3：采用主成分分析法计算通过检验的评价指标数据集的特征值和特征向量，根据特征信息计算公因子的累计方差贡献率，累计方差贡献率超过60％即可提取公因子，此时提取的公因子能够解释所有指标的绝大部分信息，并估计因子荷载矩阵；
步骤4：根据公因子的方差贡献率加权求和得到公因子权重，基于公因子权重，计算行道树安全风险综合得分数据；
步骤5：利用k-means聚类法对行道树安全风险综合得分数据进行评级，得到行道树的安全风险等级。
进一步的，所述行道树安全风险评价指标数据包括：树高、树势、树冠偏冠状况、主干倾斜度、枝干空腐程度、病虫害危害、分支点高度、分支点开张角度。
进一步的，步骤1中，采用Z-score方法对选取的行道树安全风险评价指标数据进行标准化处理，得到评价指标数据集，表示为：
式中，xi表示原始数据，μ为原始数据的均值，i表示指标个数，σ为原始数据的标准差。
进一步的，步骤2中，具体实施步骤包括：
对评价指标数据集进行KMO和Bartlett球形检验，得到KMO值和Bartlett P值；
判断是否满足KMO值>0.6且Bartlett P值<＝0.05，若满足，则执行步骤3；若不合适，则说明数据集不适合做因子分析，变量之间的相关性低，需要更换评价指标数据集。
进一步的，步骤4具体实施步骤包括：
采用方差最大化正交旋转法对因子荷载矩阵进行因子旋转；
利用旋转后的因子荷载矩阵除以相应的特征值的平方根得到因子得分系数矩阵，该因子得分系数矩阵的元素表示为各公因子在每个指标上的得分；
以各公因子在每个指标上的得分作为权重，按照下式计算各公因子得分Fi：
式中，Xj为行道树中第j个安全风险评价指标，kij为因子得分系数矩阵中第i个公因子与第j个安全风险评价指标相对应的系数，n为安全风险评价指标的类别数量。
根据公因子的方差贡献率加权求和得到公因子权重计算行道树安全风险综合得分，计算公式如下：
式中，F为每棵行道树的安全风险评价综合得分，γi为第i个公因子的贡献率，Fi为第i个公因子得分，m为公因子的数量。
有益效果：在利用本发明方法进行行道树安全风险评价的过程中，评价指标体系从行道树安全风险特性出发，兼具全面性与独立性，评价模型结合主观先验知识与客观实际情况，能得到科学可靠、更具解释性的评价结果，为城市生态环境研究和城市规划管理提供技术创新。
附图说明
图1为行道树安全风险评价指标体系；
图2为行道树安全风险评价模型结构；
图3为公因子特征信息和累计方差贡献率示意图；
图4为行道树安全风险评分结果；
图5为行道树安全风险评级结果；
图6为行道树路段安全风险等级结果。
具体实施方式
现结合附图和实施例进一步阐述本发明的技术方案。
本发明基于行道树安全风险评价数据集判定行道树安全风险等级的方法，主要包括构建行道树安全风险评价体系和构建行道树安全风险评价模型。
现结合图1对行道树安全风险评价体系的构建步骤做进一步说明。包括以下步骤：
步骤1：安全风险评价候选指标确定。充分考虑行道树生长状况、健康状况、对交通影响等因素，对现有的行道树安全风险评价指标进行整合归纳，共得到25个候选指标，根据行道树的组成部分可分为4大类：整体状况、树冠、树干及树根。整体状况包括3个指标：树高、树势和倾斜；树冠包括9个指标：冠幅、偏冠、枯枝腐枝、顶梢枯死、叶斑或变色、病害、虫害及寄生；树干包括8个指标：胸径、木质部开裂、干基腐朽、洞穴、损伤、病害、虫害和分支点高度；树根包括5个指标：损伤、通气透水性、松动、主根裸露或隆起和腐烂。
步骤2：安全风险评价候选指标筛选。针对行道树对居民的生活出行、生命安全、财产安全造成的影响及其自身景观功能的缺失等问题，首先按照指标科学性、可操作性原则排除与行道树安全风险关系较小或难获取的指标，如叶斑或变色、寄生等，共筛选得到16个指标；然后按照全面性及系统优化原则，对16个指标进一步进行筛选，排除含义相似的指标、与行道树安全风险的相关性相对较小的指标；最终得到8个安全风险评价指标，并对其中5个定性指标进行分级(表1)。
表1行道树安全风险评价指标体系及选取理由
步骤3：安全风险评价指标标准化处理。由于各评价指标具有不同的量纲和数量级，采用Z-score方法对各指标数据进行标准化。处理后的数据均值为0，方差为1。
式中，xi表示原始数据，μ为原始数据的均值，i表示指标个数，σ为原始数据的标准差。
本发明的行道树安全风险评价体系根据与行道树安全风险评价有关的行道树生长状况、稳定性、健康状况、对交通的影响，较为全面地对行道树安全风险进行评价。
现结合图2对行道树安全风险评价模型构建方法做进一步说明，该模型分为行道树安全风险评分和行道树安全风险评级两个部分，其主要步骤包括：
S100：基于行道树安全风险评价指标体系，对评价指标数据集进行检验：对评价指标数据集进行KMO和Bartlett球形检验，判断数据集能否做因子分析。当KMO值>0.6且Bartlett P值<＝0.05时，说明数据集适合做因子分析。否则说明数据集不适合做因子分析，变量之间的相关性低，需要更换评价指标数据集。
S200：采用主成分分析法提取公因子：首先对通过检验的评价指标数据集利用主成分分析法计算特征值和特征向量，根据特征信息计算公因子的累计方差贡献率，累计方差贡献率超过60％即可提取公因子，此时提取的公因子能够解释所有指标的绝大部分信息，估计因子荷载矩阵。
S300：根据公因子的方差贡献率加权求和得到公因子权重：采用方差最大化正交旋转法对原始因子荷载矩阵进行因子旋转，然后利用旋转后的因子荷载矩阵除以相应的特征值的平方根得到因子得分系数矩阵，该因子得分系数矩阵的元素表示为各公因子在每个指标上的得分，以各公因子在每个指标上的得分作为权重计算各公因子得分Fi，计算公式如下：
式中，Xj为行道树中第j个安全风险指标，kij为因子得分系数矩阵中第i个公因子与第j个安全风险评价指标相对应的系数，n为安全风险评价指标的类别数量。
S400：加权计算得到行道树安全风险综合评价分值：根据公因子的方差贡献率加权求和得到公因子权重计算行道树安全风险综合得分，计算公式如下：
式中，F为每棵行道树的安全风险评价综合得分，γi为第i个公因子的贡献率，Fi为第i个公因子得分，m为公因子的数量。
S500：行道树安全风险评级：基于安全风险综合得分评分数据，采用k-means聚类法对行道树综合得分进行划分等级，参考《南京市行道树险树危树分级标准》与《北京市城市树木健康诊断技术规程》(DB11/T 1692-2019)对树木健康的分级，将行道树安全风险分为低风险、中风险和高风险3级。
现以南京市法桐行道树为例，在主城六区选取79条典型的法桐行道树路段，在每条路段等距离抽取行道树总数量的10％进行安全风险评价，共有行道树2886棵。
(1)评价指标选取与分级。充分考虑行道树生长状况、稳定性、健康状况、对交通的影响等因素，选取了8个评价指标。包括树高、主干倾斜度、枝干空腐程度、分支点高度、分支点开张角度5个定量指标，以及树势、树干偏冠状况、病虫害3个定性指标，并对定性指标进行分级。
(2)评价指标数据集检验。对各行道树的安全风险评价数据集进行KMO和Bartlett检验，检验结果如表2所示。KMO值为0.528>0.5，Bartlett球形检验显著水平为0.000，说明该数据集适合进行因子分析。
表2 KMO和Bratlett检验结果
(3)公因子提取。采用主成分分析法计算特征值和特征向量，根据公因子的特征信息和累计方差贡献率(>60％)提取前6个公因子(图3)，累计贡献率达到了88％，能解释所有指标的绝大部分信息，并估计因子载荷矩阵。
(4)公因子得分计算。采用方差最大化正交旋转法对因子荷载矩阵进行因子旋转，利用旋转后的因子荷载矩阵除以相对应的特征值的平方根得到因子得分系数矩阵(表3)，以各公因子在每个指标上的得分作为权重计算各公因子得分。
表3因子得分系数矩阵
各公因子的得分计算公式如下：
F1＝0.535A2+0.518C1–0.031D1+0.038D2–0.125A1+0.085B1–0.031C2–0.028B2(4)
F2＝–0.075A2+0.012C1–0.018D1+0.014D2+0.698A1+0.576B1+0.017C2–0.065B2(5)
F3＝0.001A2+0.058C1–0.084D1+0.945D2+0.209A1–0.234B1–0.033C2–0.024B2(6)
F4＝–0.033A2–0.005C1–0.007D1–0.038D2+0.096A1–0.083B1+0.995C2+0.007B2(7)
F5＝–0.033A2–0.025C1+1.013D1–0.074D2–0.073A1+0.055B1–0.005C2+0.003B2(8)
F6＝–0.012A2–0.032C1+0.002D1–0.027D2–0.012A1–0.095B1+0.007C2+1.01B2(9)
(5)行道树安全风险综合得分计算。以各公因子的方差贡献率加权求和作为指标权重进行计算，得到行道树安全风险综合评价分值F，分值越高表明行道树风险越大(图4)。法桐行道树安全风险评分分值范围为–1.41～2.13，高风险的法桐行道树主要分布在秦淮区、鼓楼区和玄武区。
F＝(23.421F1+15.941F2+15.018F3+12.087F4+11.552F5+10.177F6)/88.197(10)
(6)行道树安全风险评级。基于安全风险综合评分结果，利用k-means聚类法进行评级，得到每棵行道树的安全风险等级(图5)。高、中、低风险法桐行道树占抽样法桐行道树总数量的比例分别为7.45％、44.25％和48.3％。
根据2886棵法桐行道树安全风险评级结果，进一步计算各法桐行道树路段的安全风险等级。将一条路段上所有法桐行道树安全风险等级的众数作为该条路段法桐行道树安全风险等级，结果如图6所示。高、中、低风险道路分别有2、30、47条，其中，高、中风险路段主要分布在秦淮区、鼓楼区和玄武区。
Claims (5)
1.一种基于树木属性数据评价行道树安全风险等级的方法，其特征在于：包括以下步骤：
步骤1：选取行道树安全风险评价指标数据，并对选取的行道树安全风险评价指标数据进行标准化处理，得到评价指标数据集；
步骤2：对评价指标数据集进行检验，判断该评价指标数据集是否适合进行因子分析，若适合，则执行步骤3；若不合适，则重新执行步骤1，选取新的行道树安全风险评价指标数据；
步骤3：采用主成分分析法计算通过检验的评价指标数据集的特征值和特征向量，根据特征信息计算公因子的累计方差贡献率，根据累计方差贡献率，提取公因子，并估计因子荷载矩阵；
步骤4：根据公因子的方差贡献率加权求和得到公因子权重，基于公因子权重，计算行道树安全风险综合得分数据；
步骤5：利用k-means聚类法对行道树安全风险综合得分数据进行评级，得到行道树的安全风险等级。
2.根据权利要求1所述的一种基于树木属性数据评价行道树安全风险等级的方法，其特征在于：所述行道树安全风险评价指标数据包括：树高、树势、树冠偏冠状况、主干倾斜度、枝干空腐程度、病虫害危害、分支点高度、分支点开张角度。
3.根据要求1所述的一种基于树木属性数据评价行道树安全风险等级的方法，其特征在于：步骤1中，采用Z-score方法对选取的行道树安全风险评价指标数据进行标准化处理，得到评价指标数据集，表示为：
式中，xi表示原始数据，μ为原始数据的均值，i表示指标个数，σ为原始数据的标准差。
4.根据权利要求1所述的一种基于树木属性数据评价行道树安全风险等级的方法，其特征在于：步骤2中，具体实施步骤包括：
对评价指标数据集进行KMO和Bartlett球形检验，得到KMO值和Bartlett P值；
判断是否满足KMO值>0.6且Bartlett P值<＝0.05，若满足，则执行步骤3；若不合适，则重新执行步骤1，选取新的行道树安全风险评价指标数据。
5.根据权利要求1所述的一种基于树木属性数据评价行道树安全风险等级的方法，其特征在于：步骤4具体实施步骤包括：
采用方差最大化正交旋转法对因子荷载矩阵进行因子旋转；
利用旋转后的因子荷载矩阵除以相应的特征值的平方根得到因子得分系数矩阵，该因子得分系数矩阵的元素表示为各公因子在每个指标上的得分；
以各公因子在每个指标上的得分作为权重，按照下式计算各公因子得分Fi：
式中，Xj为行道树中第j个安全风险评价指标，kij为因子得分系数矩阵中第i个公因子与第j个安全风险评价指标相对应的系数，n为安全风险评价指标的类别数量。
根据公因子的方差贡献率加权求和得到公因子权重计算行道树安全风险综合得分，计算公式如下：
式中，F为每棵行道树的安全风险评价综合得分，γi为第i个公因子的贡献率，Fi为第i个公因子得分，m为公因子的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111318485.5A CN114330973A (zh) | 2021-11-09 | 2021-11-09 | 一种基于树木属性数据评价行道树安全风险等级的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111318485.5A CN114330973A (zh) | 2021-11-09 | 2021-11-09 | 一种基于树木属性数据评价行道树安全风险等级的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330973A true CN114330973A (zh) | 2022-04-12 |
Family
ID=81044859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111318485.5A Pending CN114330973A (zh) | 2021-11-09 | 2021-11-09 | 一种基于树木属性数据评价行道树安全风险等级的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330973A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456371A (zh) * | 2022-08-26 | 2022-12-09 | 广东省城乡规划设计研究院有限责任公司 | 基于gis的农村低效建设用地评价方法及平台 |
| CN115795793A (zh) * | 2022-10-24 | 2023-03-14 | 南京林业大学 | 一种基于多因子评价的杉木种子园亲本选择方法 |
-
2021
- 2021-11-09 CN CN202111318485.5A patent/CN114330973A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456371A (zh) * | 2022-08-26 | 2022-12-09 | 广东省城乡规划设计研究院有限责任公司 | 基于gis的农村低效建设用地评价方法及平台 |
| CN115795793A (zh) * | 2022-10-24 | 2023-03-14 | 南京林业大学 | 一种基于多因子评价的杉木种子园亲本选择方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
| Long et al. | A density management diagram for even-aged ponderosa pine stands | |
| CN114330973A (zh) | 一种基于树木属性数据评价行道树安全风险等级的方法 | |
| CN111415065B (zh) | 一种基于作用过程的山地灾害生态破坏风险评价方法 | |
| CN110852532A (zh) | 一种自然保护地体系整合及边界划定方法 | |
| CN111027881B (zh) | 基于改进灰色关联度的输电杆塔自然灾害损失评估方法 | |
| CN102542128B (zh) | 南方集体林区森林火险精准区划模型建立方法 | |
| CN109767042A (zh) | 基于用地评估的人防专业队工程选址方法 | |
| Tuten et al. | Ecological restoration and fine-scale forest structure regulation in southwestern ponderosa pine forests | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| Kalabokidis et al. | Introducing wildfire into forest management planning: towards a conceptual approach | |
| CN111639877A (zh) | 一种行道树健康状况评价方法及系统 | |
| CN113327021A (zh) | 一种基于topsis熵权法的土地综合评价方法及装置 | |
| CN112801450A (zh) | 一种基于改进可变模糊集理论的溃坝环境影响评价方法 | |
| CN116187543A (zh) | 基于机器学习的土壤重金属含量预测方法及其应用 | |
| CN107608938B (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
| Maier et al. | Characterising mountain forest structure using landscape metrics on LiDAR-based canopy surface models | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| Yusandi et al. | Biomass estimation model for mangrove forest using medium-resolution imageries in Bsn Co Ltd concession area, West Kalimantan | |
| Aghimien et al. | Growth and yield models for uneven-aged secondary forest in IITA, Ibadan, Nigeria | |
| CN115115948A (zh) | 一种基于随机森林和辅助因子的林地信息精细化提取方法 | |
| CN113821895A (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN117218294B (zh) | 一种基于三维建模的园区安防设备分布管理方法 | |
| Ige et al. | Tree Slenderness Coefficient Models for Biodiversity Conservation in International Institute of Tropical Agriculture Forest Ibadan, Nigeria | |
| Mehri et al. | An artificial intelligence-based solution for the classification of oak decline potential |
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 |