CN114357879A - 一种未来土地利用模拟方法、装置、存储介质及终端设备 - Google Patents
一种未来土地利用模拟方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN114357879A CN114357879A CN202111683375.9A CN202111683375A CN114357879A CN 114357879 A CN114357879 A CN 114357879A CN 202111683375 A CN202111683375 A CN 202111683375A CN 114357879 A CN114357879 A CN 114357879A
- Authority
- CN
- China
- Prior art keywords
- data
- land
- leaf area
- area coverage
- development suitability
- 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 62
- 238000004088 simulation Methods 0.000 title claims abstract description 55
- 238000011161 development Methods 0.000 claims abstract description 121
- 241000282414 Homo sapiens Species 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 239000002689 soil Substances 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010187 selection method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000001311 chemical methods and process Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 20
- 238000011160 research Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 11
- 238000007796 conventional method Methods 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000007429 general method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种未来土地利用模拟方法、装置、存储介质及终端设备,使用动态植被模型模拟气候变化下自然资源的叶面积覆盖比例,并结合FLUS模型模拟出的历史土地利用发展适宜性,获得未来土地利用需求。本发明结合了动态植被模型和FLUS模型,清晰地模拟出人类活动和自然气候对土地利用变化的影响,从而提高了模拟未来土地利用的有效性,以提供更加准确的数据来帮助科研人员进行地理信息科学领域的研究。
Description
技术领域
本发明涉及地理信息科学技术领域,尤其涉及一种未来土地利用模拟方法、装置、存储介质及终端设备。
背景技术
在对地理信息科学技术的研究中,通常使用元胞自动机(Cellular Automata,简称:CA)进行土地利用的模拟。在CA模型中,建立历史土地利用变化和自然环境与社会经济因子的关系,进而挖掘土地利用转换规则,获得土地利用发展潜力是CA模型的运算核心。常见的土地利用规则挖掘方法是通过逻辑回归、人工神经网络、支持向量机、随机森林和卷积神经网络等进行挖掘。但由于缺少有效的方法,这些传统的CA模型并未考虑未来气候变化对土地利用变化的影响,所以传统的CA模型在模拟气候变化下的土地利用变化模式时,准确性不高。
动态植被模型是用以模拟在气候变化条件下的未来植被分布,该模型是一个集成了植被生物地理和生物化学模型的机理模型,但由于动态植被模型没有考虑人类活动的影响因素,因此无法模拟耕地、城市等有人类涉及的土地利用类型。而FLUS模型由于在CA模型的基础上引入了自适应惯性机制,在区域尺度乃至全球尺度的土地利用变化模拟研究中具有较高的准确性,是应用最广泛的CA模型之一。但该模型并未考虑气候变化下的土地利用变化模式。
因此,在地理信息科学技术领域中,需要一种新的研究方法去结合人类活动和自然气候对土地利用变化进行模拟,以提高未来土地利用模拟的有效性。
发明内容
本发明实施例提供一种未来土地利用模拟方法、装置、存储介质及终端设备,通过结合动态植被模型和FLUS模型,提高了未来土地利用模拟的有效性。
为了解决上述问题,本发明一实施例提供一种未来土地利用模拟方法,包括:
获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;
获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;
根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
作为上述方案的改进,所述获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据,具体为:
收集预设时间内的土地历史利用数据,并收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据;
根据所述土地历史利用数据和空间驱动因子数据,使用分层随机采样的方法获得样本,并输入至所述FLUS模型中进行训练、测试和验证,从而获得所述第一发展适宜性数据。
作为上述方案的改进,所述收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据,具体为:
计算预设区域内每个像素点到城市中心的第一距离数据和每个像素点到道路的第二距离数据,获得距离驱动因子图层;
收集高程数据,并计算区域内每个像素点的坡度数据,获得坡度驱动因子图层;
根据人口栅格数据、土壤栅格数据和气候栅格数据,将所述距离驱动因子图层和所述坡度驱动因子图层投影并重采样到预设分辨率,从而获得空间驱动因子数据;其中,所述第一距离数据、第二距离数据和人口栅格数据为人类影响因子,高程数据和坡度数据为地形因子,土壤栅格数据为土壤因子,气候栅格数据为气候因子。
作为上述方案的改进,所述获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例,具体为:
获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的叶面积覆盖比例;其中,所述气候数据和自然背景数据通过观测和模拟获得;
根据不同植被功能类型对应的自然植被,将每个所述未来不同植被功能类型的叶面积覆盖比例分类并加总,获得每个所述自然植被的叶面积覆盖比例。
作为上述方案的改进,所述获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的网格叶面积覆盖比例,具体为:
根据预设的物理过程参数和预设的化学过程参数,输入至动态植被模型中,计算获得个体叶面积指数;
根据所述气候数据和所述自然背景数据,输入至动态植被模型中,获得生长速率和死亡速率,从而获得种群密度;
根据所述种群密度、所述个体叶面积指数以及冠层面积,计算获得不同植被功能类型的叶面积覆盖率FPC,计算公式如下:
作为上述方案的改进,所述根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据,具体为:
根据需要模拟的未来时期,将所述叶面积覆盖比例对所述第一发展适宜性数据进行调整,预设的调整规则为:
spv=spf+spg+spb
If=(1-∈)Sf+∈FPCf·Spv
Ig=(1-∈)Sg+∈FPCg·spv
Ib=(1-∈)Sb+∈FPCb·spv
式中,spf、spg、spb是预设值;Sf,Sg和Sb分别是通过FLUS模型计算的林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;FPCf,FPCg和FPCb分别是是动态植被模型模拟的林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;If,Ig和Ib分别是林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性,∈是动态植被模型的影响权重。
作为上述方案的改进,所述预设的转换规则,具体为:
根据所述第二发展适宜性数据,结合邻域效应、随机因子、约束因子和自适应惯性系数,计算土地类型的总转换概率;
根据轮盘选择法,对所述总转换概率进行目标土地利用类型的采样,获得所述土地利用类型。
相应的,本发明实施例还提供了一种未来土地利用模拟装置包括:第一计算模块、第二计算模块、第三计算模块和迭代计算模块;
所述第一计算模块用于获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;
所述第二计算模块用于获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;
所述第三计算模块用于根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
所述迭代计算模块用于根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
作为上述方案的改进,所述第一计算模块,包括:驱动因子单元和FLUS模型单元;
所述驱动因子单元用于收集预设时间内的土地历史利用数据,并收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据;
所述FLUS模型单元用于根据所述土地历史利用数据和空间驱动因子数据,使用分层随机采样的方法获得样本,并输入至所述FLUS模型中进行训练、测试和验证,从而获得所述第一发展适宜性数据。
作为上述方案的改进,所述收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据,具体为:计算预设区域内每个像素点到城市中心的第一距离数据和每个像素点到道路的第二距离数据,获得距离驱动因子图层;收集高程数据,并计算区域内每个像素点的坡度数据,获得坡度驱动因子图层;根据人口栅格数据、土壤栅格数据和气候栅格数据,将所述距离驱动因子图层和所述坡度驱动因子图层投影并重采样到预设分辨率,从而获得空间驱动因子数据;其中,所述第一距离数据、第二距离数据和人口栅格数据为人类影响因子,高程数据和坡度数据为地形因子,土壤栅格数据为土壤因子,气候栅格数据为气候因子。
作为上述方案的改进,所述第二计算模块,包括:动态植被模型单元和分类加总单元;
所述动态植被模型单元用于获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的叶面积覆盖比例;其中,所述气候数据和自然背景数据通过观测和模拟获得;
所述分类加总单元用于根据不同植被功能类型对应的自然植被,将每个所述未来不同植被功能类型的叶面积覆盖比例分类并加总,获得每个所述自然植被的叶面积覆盖比例。
作为上述方案的改进,所述获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的网格叶面积覆盖比例,具体为:根据预设的物理过程参数和预设的化学过程参数,输入至动态植被模型中,计算获得个体叶面积指数;根据所述气候数据和所述自然背景数据,输入至动态植被模型中,获得生长速率和死亡速率,从而获得种群密度;根据所述种群密度、所述个体叶面积指数以及冠层面积,计算获得不同植被功能类型的叶面积覆盖率FPC,计算公式如下:
作为上述方案的改进,所述第三计算模块,包括:调整单元;
所述调整单元用于根据需要模拟的未来时期,将所述叶面积覆盖比例对所述第一发展适宜性数据进行调整,预设的调整规则为:
spv=spf+spg+spb
If=(1-∈)Sf+∈FPCf·spv
Ig=(1-∈)Sg+∈FPCg·spv
Ib=(1-∈)Sb+∈FPCb·spv
式中,spf、spg、spb是预设值;Sf,Sg和Sb分别是通过FLUS模型计算的林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;FPCf,FPCg和FPCb分别是是动态植被模型模拟的林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;If,Ig和Ib分别是林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性,∈是动态植被模型的影响权重。
作为上述方案的改进,所述迭代计算模块,包括:总转换概率单元和轮盘选择法单元;
所述总转换概率单元用于根据所述第二发展适宜性数据,结合邻域效应、随机因子、约束因子和自适应惯性系数,计算土地类型的总转换概率;
所述轮盘选择法单元用于根据轮盘选择法,对所述总转换概率进行目标土地利用类型的采样,获得所述土地利用类型。
相应的,本发明实施例还提供了一种计算机终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如本发明所述的一种未来土地利用模拟方法。
相应的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明所述的一种未来土地利用模拟方法。
由上可见,本发明具有如下有益效果:
本发明提供了一种未来土地利用模拟方法、装置、存储介质及终端设备,使用动态植被模型模拟气候变化下自然资源的叶面积覆盖比例,并结合FLUS模型模拟出的历史土地利用发展适宜性,获得未来土地利用需求。本发明结合了动态植被模型和FLUS模型,清晰地模拟出人类活动和自然气候对土地利用变化的影响,从而提高了模拟未来土地利用的有效性,以提供更加准确的数据来帮助科研人员进行地理信息科学领域的研究。
附图说明
图1是本发明一实施例提供的未来土地利用模拟方法的流程示意图;
图2是本发明一实施例提供的未来土地利用模拟装置的结构示意图;
图3是本发明另一实施例提供的未来土地利用模拟方法的流程示意图;
图4是本发明的模拟精度与普通方法模拟精度的对比示意图;
图5是2015年实际土地利用模式、本发明以及普通方法模拟的土地利用模式的对比示意图;
图6是2015年实际土地利用模式、本发明以及普通方法模拟的土地利用模式在典型区域的对比示意图;
图7是本发明以及普通方法模拟的土地利用模式从2015年到2100年两个气候情景的林地的面积变化比例的对比示意图;
图8是本发明一实施例提供的一种终端设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参见图1,图1是本发明一实施例提供的一种未来土地利用模拟方法的流程示意图,如图1所示,本实施例包括步骤101至步骤104,各步骤具体如下:
步骤101:获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性。
作为上述方案的改进,收集预设时间内的土地历史利用数据,并收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据;根据土地历史利用数据和空间驱动因子数据,使用分层随机采样的方法获得样本,并输入至FLUS模型中进行训练、测试和验证,从而获得第一发展适宜性数据。
作为上述方案的改进,计算预设区域内每个像素点到城市中心的第一距离数据和每个像素点到道路的第二距离数据,获得距离驱动因子图层;收集高程数据,并计算区域内每个像素点的坡度数据,获得坡度驱动因子图层;根据人口栅格数据、土壤栅格数据和气候栅格数据,将所述距离驱动因子图层和所述坡度驱动因子图层投影并重采样到预设分辨率,从而获得空间驱动因子数据;其中,所述第一距离数据、第二距离数据和人口栅格数据为人类影响因子,高程数据和坡度数据为地形因子,土壤栅格数据为土壤因子,气候栅格数据为气候因子。
为更好的说明本步骤,以下面的例子进行举例说明。
空间驱动因子数据,包括:人类影响因子、地形因子、土壤因子和气候因子;其中,人类影响因子包括:人口数量、像素点到城市的距离、像素点到道路的距离,地形因子包括:高程、坡度,土壤因子包括:适耕性、养分有效性、含盐量、根部供氧性,以及气候因子包括:气温年较差、温度季节性、年平均温度、降水季节性、年均降水。
使用2001和2015年的MODIS历史土地利用数据,使用GIS软件计算每个像素点到城市中心的距离、以及每个像素点到道路的距离,以生成距离驱动因子图层;收集高程数据,使用GIS软件计算每个像素点的坡度,以生成坡度驱动因子图层;收集人口数量数据、土壤因子数据和气候因子数据,将距离驱动因子图层和坡度驱动因子图层投影和重采样到1km分辨率,从而获得14个驱动因子。
根据2001年的MODIS历史土地利用数据和14个驱动因子数据,通过分层随机采样法获得500000个样本输入FLUS模型中进行训练、验证和测试,从而使模型输出第一发展适宜性;其中,60%的样本用作训练样本,20%的样本用作验证样本,其余20%的样本用作测试样本。
作为上述方案的改进,FLUS模型可采用随机森林模型。
步骤102:获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例。
作为上述方案的改进,获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的叶面积覆盖比例;其中,所述气候数据和自然背景数据通过观测和模拟获得;根据不同植被功能类型对应的自然植被,将每个所述未来不同植被功能类型的叶面积覆盖比例分类并加总,获得每个所述自然植被的叶面积覆盖比例。
作为上述方案的改进,根据预设的物理过程参数和预设的化学过程参数,输入至动态植被模型中,计算获得个体叶面积指数;根据所述气候数据和所述自然背景数据,输入至动态植被模型中,获得生长速率和死亡速率,从而获得种群密度;根据所述种群密度、所述个体叶面积指数以及冠层面积,计算获得不同植被功能类型的叶面积覆盖率FPC,计算公式如下:
为更好的说明本步骤,以下面的例子进行举例说明。
收集CO2数据、月均温度、月均降水、太阳辐射值和固定的土壤结构数据的自然数据,并将自然数据输入至动态植被模型中进行模拟:先计算植被的生长速率和死亡速率,从而获得种群密度P,再将生物地球物理过程和生物地球化学过程(如:植被光合作用等)进行参数化建模,从而计算得到个体叶面积指数LAIind,将种群密度P和个体叶面积指数LAIind代入计算公式中,获得未来其后背景下不同植被功能类型的网络叶面积覆盖比例,计算公式为:
其中,不同的植被功能类型有十种,分别对应三种自然植被,包括:林地(热带阔叶常绿林、热带阔叶落叶林、温带针叶常绿林、温带阔叶常绿林、温带阔叶落叶林、寒带针叶常绿林、寒带针叶落叶林)、草地(温带草地、热带草地)和裸地(裸地)。
根据十种植被功能类型的叶面积覆盖比例,分别加总到对应的自然植被中,获得林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;其中,叶面积比例是由植被的生理机制和未来气候条件共同决定的,可以有效反映气候变化背景下自然植被的发展适宜性。
作为上述方案的改进,可以由历史气候情景、RCP-2.6以及RCP-8.5气候情景的预测(1900-2100)提供CO2数据、月均温度、月均降水、太阳辐射值和固定的土壤结构数据,其中,CO2数据、月均温度、月均降水和太阳辐射值为气候数据,固定的土壤结构数据为自然背景数据。
步骤103:根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
作为上述方案的改进,根据需要模拟的未来时期,将所述叶面积覆盖比例对所述第一发展适宜性数据进行调整,预设的调整规则为:
spv=spf+spg+spb
If=(1-∈)Sf+∈FPCf·spv
Ig=(1-∈)Sg+∈FPCg·spv
Ib=(1-∈)Sb+∈FPCb·spv
式中,spf、spg、spb是预设值;Sf,Sg和Sb分别是通过FLUS模型计算的林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;FPCf,FPCg和FPCb分别是是动态植被模型模拟的林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;If,Ig和Ib分别是林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性,∈是动态植被模型的影响权重。
为更好的说明本步骤,以下面的例子进行举例说明。
考虑六种类别的土地利用数据,包括草地、林地、城市、耕地、裸地和水体。其中,城市、耕地等受人类影响较大的土地利用发展适宜性保持不变,水体则假设不发生变化。并将计算得到的叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性;其中,林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性即为第二发展适宜性数据。
步骤104:根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
作为上述方案的改进,根据所述第二发展适宜性数据,结合邻域效应、随机因子、约束因子和自适应惯性系数,计算土地类型的总转换概率;根据轮盘选择法,对所述总转换概率进行目标土地利用类型的采样,获得所述土地利用类型。
作为上述方案的改进,可以使用了2015年的土地需求,2100年RCP-2.6情景和2100年RCP-8.5情景的土地需求,作为迭代的终止条件。
作为上述方案的改进,图3是本发明另一实施例提供的未来土地利用模拟方法的流程示意图,在图3中,输入气候和自然背景条件数据到动态植被模型中,输出10中植被功能类型的叶面积比例,从而得到森林、草地、裸地三种叶面积比例,同时获取空间驱动因子和土地利用/覆被数据,使用随机森林获得样本,并将样本输入至FLUS模型中的机器学习模块中获得森林、草地、裸地三种土地历史发展适宜性,将森林、草地、裸地三种土地历史发展适宜性和森林、草地、裸地三种叶面积比例输入至FLUS模型中作为发展适宜性,并结合约束因子、邻域效应、随机因子进行总转换概率的计算,并对计算结果使用轮盘选择方法确定目标的土地利用类型,从而进行土地利用类型的迭代计算,将未来土地利用/覆盖需求(SSP-RCP情景)作为迭代停止条件,从而获得未来土地利用/覆盖模式。
为更好的说明本实施例的效果,请参见图4、图5、图6和图7。
图4为本发明的模拟精度与普通方法模拟精度的对比示意图,由图4可看出本发明相较于普通方法在自然植被方面的模拟精度有较大提升;其中,本发明方法为DGVM-FLUS,普通方法为RF-FLUS和ANN-FLUS。
图5是2015年实际土地利用模式、本发明以及普通方法模拟的土地利用模式的对比示意图,图6是2015年实际土地利用模式、本发明以及普通方法模拟的土地利用模式在典型区域的对比示意图,由图5和图6可看出本发明相比于普通方法在模拟的土地利用模式方面更加接近实际的情况;其中,本发明方法为DGVM-FLUS,普通方法为RF-FLUS和ANN-FLUS。
图7是本发明以及普通方法模拟的土地利用模式从2015年到2100年两个气候情景的林地的面积变化比例的对比示意图,有图7可看出本发明方法和普通方法模拟的结果有一定的差异,表明通过本发明可以更好地反映未来的土地利用变化模式;其中,本发明方法为DGVM-FLUS,普通方法为RF-FLUS。
在本实施例中,本方法将动态植被模型输出的叶面积覆盖比例,作为进行FLUS模型输出的土地历史发展适宜性进行调整,加入了气候变化作为未来土地利用变化的影响,相比于现有技术,本方法的未来土地利用变化模拟结果的准确性更高,以提供数据给科研人员处理环境问题和气候问题的参考。
实施例二
参见图2,图2是本发明一实施例提供的一种未来土地利用模拟装置的结构示意图,包括:第一计算模块201、第二计算模块202、第三计算模块203和迭代计算模块204;
所述第一计算模块201用于获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;
所述第二计算模块202用于获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;
所述第三计算模块203用于根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
所述迭代计算模块204用于根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
作为上述方案的改进,所述第一计算模块201,包括:驱动因子单元和FLUS模型单元;
所述驱动因子单元用于收集预设时间内的土地历史利用数据,并收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据;
所述FLUS模型单元用于根据所述土地历史利用数据和空间驱动因子数据,使用分层随机采样的方法获得样本,并输入至所述FLUS模型中进行训练、测试和验证,从而获得所述第一发展适宜性数据。
作为上述方案的改进,所述收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据,具体为:计算预设区域内每个像素点到城市中心的第一距离数据和每个像素点到道路的第二距离数据,获得距离驱动因子图层;收集高程数据,并计算区域内每个像素点的坡度数据,获得坡度驱动因子图层;根据人口栅格数据、土壤栅格数据和气候栅格数据,将所述距离驱动因子图层和所述坡度驱动因子图层投影并重采样到预设分辨率,从而获得空间驱动因子数据;其中,所述第一距离数据、第二距离数据和人口栅格数据为人类影响因子,高程数据和坡度数据为地形因子,土壤栅格数据为土壤因子,气候栅格数据为气候因子。
作为上述方案的改进,所述第二计算模块202,包括:动态植被模型单元和分类加总单元;
所述动态植被模型单元用于获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的叶面积覆盖比例;其中,所述气候数据和自然背景数据通过观测和模拟获得;
所述分类加总单元用于根据不同植被功能类型对应的自然植被,将每个所述未来不同植被功能类型的叶面积覆盖比例分类并加总,获得每个所述自然植被的叶面积覆盖比例。
作为上述方案的改进,所述获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的网格叶面积覆盖比例,具体为:根据预设的物理过程参数和预设的化学过程参数,输入至动态植被模型中,计算获得个体叶面积指数;根据所述气候数据和所述自然背景数据,输入至动态植被模型中,获得生长速率和死亡速率,从而获得种群密度;根据所述种群密度、所述个体叶面积指数以及冠层面积,计算获得不同植被功能类型的叶面积覆盖率FPC,计算公式如下:
作为上述方案的改进,所述第三计算模块203,包括:调整单元;
所述调整单元用于根据需要模拟的未来时期,将所述叶面积覆盖比例对所述第一发展适宜性数据进行调整,预设的调整规则为:
spv=spf+spg+spb
If=(1-∈)Sf+∈FPCf·spv
Ig=(1-∈)Sg+∈FPCg·spv
Ib=(1-∈)Sb+∈FPCb·spv
式中,spf、spg、spb是预设值;Sf,Sg和Sb分别是通过FLUS模型计算的林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;FPCf,FPCg和FPCb分别是是动态植被模型模拟的林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;If,Ig和Ib分别是林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性,∈是动态植被模型的影响权重。
作为上述方案的改进,所述迭代计算模块204,包括:总转换概率单元和轮盘选择法单元;
所述总转换概率单元用于根据所述第二发展适宜性数据,结合邻域效应、随机因子、约束因子和自适应惯性系数,计算土地类型的总转换概率;
所述轮盘选择法单元用于根据轮盘选择法,对所述总转换概率进行目标土地利用类型的采样,获得所述土地利用类型。
在本实施例中,通过第一计算模块计算第一发展适宜性,通过第二计算模块计算自然植被的叶面积覆盖比例,并将第一发展适宜性和叶面积覆盖比例输入至第三计算模块中计算第二发展适宜性数据,以使迭代计算模块能够根据第二发展适宜性数据进行土地利用类型的迭代转换,从而获得未来土地利用需求。本实施例在FLUS模型加入了气候变化对土地利用模拟的影响,提高了土地利用模拟的准确性。
实施例三
参见图8,图8是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括:处理器801、存储器802以及存储在所述存储器802中并可在所述处理器801上运行的计算机程序。所述处理器801执行所述计算机程序时实现上述各个未来土地利用模拟方法在实施例中的步骤,例如图1所示的未来土地利用模拟方法的所有步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能,例如:图2所示的未来土地利用模拟装置的所有模块。
另外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的未来土地利用模拟方法。
本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器801是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器802可用于存储所述计算机程序和/或模块,所述处理器801通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现所述终端设备的各种功能。所述存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种未来土地利用模拟方法,其特征在于,包括:
获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;
获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;
根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
2.根据权利要求1所述的未来土地利用模拟方法,其特征在于,所述获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据,具体为:
收集预设时间内的土地历史利用数据,并收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据;
根据所述土地历史利用数据和空间驱动因子数据,使用分层随机采样的方法获得样本,并输入至所述FLUS模型中进行训练、测试和验证,从而获得所述第一发展适宜性数据。
3.根据权利要求2所述的未来土地利用模拟方法,其特征在于,所述收集人类影响因子、地形因子、土壤因子和气候因子,从而获得空间驱动因子数据,具体为:
计算预设区域内每个像素点到城市中心的第一距离数据和每个像素点到道路的第二距离数据,获得距离驱动因子图层;
收集高程数据,并计算区域内每个像素点的坡度数据,获得坡度驱动因子图层;
根据人口栅格数据、土壤栅格数据和气候栅格数据,将所述距离驱动因子图层和所述坡度驱动因子图层投影并重采样到预设分辨率,从而获得空间驱动因子数据;其中,所述第一距离数据、第二距离数据和人口栅格数据为人类影响因子,高程数据和坡度数据为地形因子,土壤栅格数据为土壤因子,气候栅格数据为气候因子。
4.根据权利要求1所述的未来土地利用模拟方法,其特征在于,所述获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例,具体为:
获取气候数据和自然背景数据,输入至动态植被模型中,模拟获得未来不同植被功能类型的叶面积覆盖比例;其中,所述气候数据和自然背景数据通过观测和模拟获得;
根据不同植被功能类型对应的自然植被,将每个所述未来不同植被功能类型的叶面积覆盖比例分类并加总,获得每个所述自然植被的叶面积覆盖比例。
6.根据权利要求1所述的未来土地利用模拟方法,其特征在于,所述根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据,具体为:
根据需要模拟的未来时期,将所述叶面积覆盖比例对所述第一发展适宜性数据进行调整,预设的调整规则为:
spv=spf+spg+spb
If=(1-∈)Sf+∈FPCf·spv
Ig=(1-∈)Sg+∈FPCg·spv
Ib=(1-∈)Sb+∈FPCb·spv
式中,spf、spg、spb是预设值;Sf,Sg和Sb分别是通过FLUS模型计算的林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;FPCf,FPCg和FPCb分别是是动态植被模型模拟的林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;If,Ig和Ib分别是林地利用发展适宜性、草地利用发展适宜性和裸地利用发展适宜性,∈是动态植被模型的影响权重。
7.根据权利要求1所述的未来土地利用模拟方法,其特征在于,所述预设的转换规则,具体为:
根据所述第二发展适宜性数据,结合邻域效应、随机因子、约束因子和自适应惯性系数,计算土地类型的总转换概率;
根据轮盘选择法,对所述总转换概率进行目标土地利用类型的采样,获得所述土地利用类型。
8.一种未来土地利用模拟装置,其特征在于,包括:第一计算模块、第二计算模块、第三计算模块和迭代计算模块;
所述第一计算模块用于获取土地历史利用数据和空间驱动因子数据,并输入至FLUS模型中,获得第一发展适宜性数据;其中,所述第一发展适宜性数据包括林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性;
所述第二计算模块用于获取自然数据,并输入至动态植被模型中,获得自然植被的叶面积覆盖比例;其中,所述自然数据包括气候数据和自然背景数据,以及所述自然植被的叶面积覆盖比例包括林地叶面积覆盖比例、草地叶面积覆盖比例和裸地叶面积覆盖比例;
所述第三计算模块用于根据所述叶面积覆盖比例,通过预设的算法对所述第一发展适宜性数据进行加权计算,获得第二发展适宜性数据;
所述迭代计算模块用于根据所述第二发展适宜性数据,利用预设的转换规则,进行目标土地利用类型的迭代转换,以获得不同网格对应的土地利用类型,直到获得的土地利用类型的数量达到预设值后,停止迭代并输出未来土地利用需求。
9.一种计算机终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种未来土地利用模拟方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的一种未来土地利用模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683375.9A CN114357879A (zh) | 2021-12-31 | 2021-12-31 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683375.9A CN114357879A (zh) | 2021-12-31 | 2021-12-31 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357879A true CN114357879A (zh) | 2022-04-15 |
Family
ID=81104777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683375.9A Pending CN114357879A (zh) | 2021-12-31 | 2021-12-31 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357879A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
CN114896799A (zh) * | 2022-05-23 | 2022-08-12 | 北京师范大学 | 对土地利用和覆被变化的模拟处理方法及装置 |
CN116089561A (zh) * | 2023-04-12 | 2023-05-09 | 清华大学 | 一种植被功能型数据集构建方法、装置、电子设备和介质 |
WO2023245399A1 (zh) * | 2022-06-21 | 2023-12-28 | 南京大学 | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 |
CN117610707A (zh) * | 2023-10-19 | 2024-02-27 | 华中科技大学 | 一种城市群生产空间利用预测方法及系统 |
-
2021
- 2021-12-31 CN CN202111683375.9A patent/CN114357879A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
CN114896799A (zh) * | 2022-05-23 | 2022-08-12 | 北京师范大学 | 对土地利用和覆被变化的模拟处理方法及装置 |
CN114896799B (zh) * | 2022-05-23 | 2023-05-23 | 北京师范大学 | 对土地利用和覆被变化的模拟处理方法及装置 |
WO2023245399A1 (zh) * | 2022-06-21 | 2023-12-28 | 南京大学 | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 |
CN116089561A (zh) * | 2023-04-12 | 2023-05-09 | 清华大学 | 一种植被功能型数据集构建方法、装置、电子设备和介质 |
CN117610707A (zh) * | 2023-10-19 | 2024-02-27 | 华中科技大学 | 一种城市群生产空间利用预测方法及系统 |
CN117610707B (zh) * | 2023-10-19 | 2024-05-24 | 华中科技大学 | 一种城市群生产空间利用预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114357879A (zh) | 一种未来土地利用模拟方法、装置、存储介质及终端设备 | |
Konowalik et al. | Evaluation metrics and validation of presence-only species distribution models based on distributional maps with varying coverage | |
Sime et al. | Southern Hemisphere westerly wind changes during the Last Glacial Maximum: model-data comparison | |
Kumar et al. | Dynamic forest vegetation models for predicting impacts of climate change on forests: An Indian perspective | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
Luo et al. | Modeling productivity in mangrove forests as impacted by effective soil water availability and its sensitivity to climate change using Biome-BGC | |
CN111489092B (zh) | 一种植物栽培种植环境适生区的评估方法及系统 | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
CN115860269B (zh) | 一种基于三重注意力机制的农作物产量预测方法 | |
CN109919515A (zh) | 生态环境质量评价方法及装置 | |
McCarthy et al. | New Zealand environmental data stack (NZEnvDS) | |
CN115758801A (zh) | 高分辨率气象驱动的规划碳汇数值评估方法、系统及终端 | |
Samadi et al. | Comparison of general circulation models: methodology for selecting the best GCM in Kermanshah Synoptic Station, Iran | |
Ambrosino et al. | Rainfall-derived growing season characteristics for agricultural impact assessments in South Africa | |
Gaur et al. | Introduction to physical scaling: A model aimed to bridge the gap between statistical and dynamic downscaling approaches | |
Yin et al. | Statistical downscaling of regional daily precipitation over southeast Australia based on self-organizing maps | |
Chefaoui et al. | Accounting for uncertainty in predictions of a marine species: integrating population genetics to verify past distributions | |
Bao et al. | Impact of grassland storage balance management policies on ecological vulnerability: Evidence from ecological vulnerability assessments in the Selinco region of China | |
Williams et al. | Using biomass distributions to determine probability and intensity of tropical forest disturbance | |
CN116337146B (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
Lammoglia et al. | The VitiTerroir model to simulate the spatial dynamics of vineyards on the long term (1836-2014). Example of application in the department of Indre-et-Loire | |
Handayani et al. | Modelling of land use change in indramayu district, west Java Province | |
Ruizhi et al. | Gap analysis of Firmiana danxiaensis, a rare tree species endemic to southern China | |
Chang et al. | Assimilation of hourly surface observations with the Canadian high-resolution ensemble Kalman filter |
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 |