CN114494865A - 一种山地生态系统未来情景的cset方法 - Google Patents
一种山地生态系统未来情景的cset方法 Download PDFInfo
- Publication number
- CN114494865A CN114494865A CN202210049531.4A CN202210049531A CN114494865A CN 114494865 A CN114494865 A CN 114494865A CN 202210049531 A CN202210049531 A CN 202210049531A CN 114494865 A CN114494865 A CN 114494865A
- Authority
- CN
- China
- Prior art keywords
- mountain
- ecosystem
- future
- data
- carbon
- 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 22
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 82
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 82
- 239000000126 substance Substances 0.000 claims description 16
- 239000002689 soil Substances 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000005416 organic matter Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013441 quality evaluation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 1
- 241000708948 Solva Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种山地生态系统未来情景的CSET方法，包括以下步骤：S1.山地生态系统景观格局判别；S2.碳库数据测定与收集；S3.山地生态系统未来景观格局预测。根据历史参数，有效预测未来山地生态系统碳储量，对于探索山地生态系统碳储存的影响要素，完善CSET、生态系统服务价值估算技术、生态系统生境质量评价技术等一系列山地生态系统生态环境演变与质量评价的技术体系，也具有重要的理论价值。
Description
技术领域
本发明属于数量生态评估技术领域，具体涉及一种山地生态系统未来情景的CSET方法。
背景技术
全球变化背景下，山地生态系统在全球变化中的地位与作用也备受重视。温度极大程度影响中高纬度地区土壤有机碳储量，而热带地区的水文气候可能是土壤碳存留的主要驱动要素。全球森林生态系统碳库极复杂，森林水分利用率与大气二氧化碳具有密切联系,因此模型模拟方法在估算NPP等生态系统参量方面具有重要的地位与作用。目前，人们围绕着生态系统的服务价值评估、生态系统碳储存估算问题，探索了诸多方法。价值量评估法、物质量评估法、能值分析法是重要的一类评估方法；而生态模型法则是近年来发展活跃的热点方向。随着生态信息科学、环境信息科学以及地理信息科学的发展，生态系统服务的评估方法以及碳储存、碳收支与碳源汇的估算方法逐渐与生态模型相关联，并进一步深化。目前，常见的生态系统模型包括InVEST、ARIES、SoLVES等模型，其中，InVEST模型被广泛使用。InVEST模型的众多模块被梳理为不同的类型，一类是支持生态系统服务功能模块，如生境质量、生境风险评估等模块，另一类则是最终生态系统服务模块，包括碳储存、水源涵养、水质净化和土壤保持等服务功能。
近年来，受气候变化特别是过度放牧、违规建造、矿产开采、旅游观光等强度人类活动的影响，一些地区出现了天然林草等植被退化、水土流失、冰雪覆盖区不断缩小以及生物多样性减少等问题，因此研究气候变化情景下山地生态系统生态服务功能动态变化，并估算不同时空尺度上碳储存的变化，对于全面揭示山地生态系统稳定性规律，科学评价山地生态系统综合环境效应，具有重要理论价值。
发明内容
为解决上述技术问题，本发明提供一种山地生态系统未来情景的CSET方法。
本发明采用如下技术方案：
一种山地生态系统未来情景的CSET(碳储存估算技术)方法，包括以下步骤：
S1.山地生态系统景观格局判别：根据山地生态系统所在区域，获取区域的中分辨率和/或高分辨率遥感数据，进行监督和非监督分类，实现对山地生态系统各时期景观格局的判别，获得景观格局空间分布图集；
S2.碳库数据测定与收集：获取山地生态系统地上物质碳密度、地下物质碳密度、土壤碳密度和死亡有机物碳密度；
S3.山地生态系统未来景观格局预测，包括以下步骤：
S31.提取该山地生态系统的DEM数字高程数据以及基于DEM数据提取得到的坡度、坡向数据，并从基础地理信息数据库中提取城镇点、主要道路、高速公路和主要铁路矢量数据，利用距离分析工具计算得到各要素的欧式距离栅格图，然后裁剪得到该山地生态系统的栅格数据；
S32.将步骤S31得到的栅格数据利用ArcGIS中的模糊隶属度工具进行归一化，得到值在0-1之间的各因子数据，界定LUCC驱动因子；
S33.基于步骤S1得到的该山地生态系统景观格局空间分布图集，利用GeoSOS-FLUS模型对景观格局情况进行模拟，结合实际土地利用现状图进行对比验证，确定模型精度，进一步把最新的景观格局数据和自然、社会LUCC驱动因子作为GeoSOS-FLUS模型的输入数据，同时将预测数量输入到元胞机的未来像元数目中，得到山地生态系统未来景观格局预测数据；S4.山地生态系统未来碳储量估算:结合步骤S3得到的山地生态系统未来景观格局预测数据和步骤S2得到的地上物质碳密度、地下物质碳密度、土壤碳密度及死亡有机物碳密度碳库数据，进行山地生态系统碳储量估算，得到山地生态系统未来碳储量。
进一步地，步骤S1中在获取遥感数据后，结合ENVI软件进行监督和非监督分类，实现对山地生态系统各时期景观格局的判别。
进一步地，步骤S2中地上物质碳密度、地下物质碳密度、土壤碳密度和死亡有机物碳密度根据山地生态系统实践情况，结合实地检测、文献资料收集的形式获得。
进一步地，步骤S33所述GeoSOS-FLUS模型中的转换矩阵选用自然发展情景、经济增长情景和生态保护情景的转换矩阵，分别预测不同情景下山地生态系统未来的景观格局分布情况。
进一步地，步骤S4利用InVEST模型进行山地生态系统碳储量的估算。
本发明的有益效果：本发明根据历史参数，有效预测未来山地生态系统碳储量，对于探索山地生态系统碳储存的影响要素，完善CSET、生态系统服务价值估算技术、生态系统生境质量评价技术等一系列山地生态系统生态环境演变与质量评价的技术体系，也具有重要的理论价值。
附图说明
图1是本发明的未来碳储量估算技术路线图；
图2是本发明实施例的卫星影像图；
图3是本发明实施例的QLMES景观格局空间分布图；
图4是本发明实施例的QLMES 2015年景观格局模拟(a)与实际空间分布图(b)；
图5是本发明实施例的QLMES 2050年景观格局模拟空间分布图；
图6是本发明实施例的基于CSET的QLMES 2050年碳储存空间分布特征；
图7是本发明实施例基于CSET的QLMES 1985-2050年平均碳储存与总量变化规律。
具体实施方式
以下结合实施例对本发明作进一步的描述，实施例仅用于对本发明进行说明，并不构成对权利要求范围的限制，本领域技术人员可以想到的其他替代手段，均在本发明权利要求范围内。
实施例1
一种山地生态系统未来情景的CSET方法，如图1所示，包括以下步骤：
S1.山地生态系统景观格局判别：根据山地生态系统所在区域，获取2020年区域的中分辨率和/或高分辨率遥感数据，结果如图2所示，之后结合ENVI软件进行监督和非监督分类，实现对山地生态系统各时期景观格局的判别，获得景观格局空间分布图集，如图3所示。
S2.碳库数据测定与收集：结合实地检测、文献资料收集的形式获取山地生态系统2020年的地上物质碳密度、地下物质碳密度、土壤碳密度和死亡有机物碳密度，分别为下表1中的C_above、C_below、C_soil和C_dead。
表1碳储存模型各碳库密度
S3.山地生态系统未来景观格局预测，包括以下步骤：
S31.提取该山地生态系统的DEM数字高程数据以及基于DEM数据提取得到的坡度、坡向数据，并从基础地理信息数据库中提取城镇点、主要道路、高速公路和主要铁路矢量数据，利用距离分析工具计算得到各要素的欧式距离栅格图，然后裁剪得到该山地生态系统的栅格数据，计算公式如下：
式中，ρ为点(x2,y2)与点(x1,y1)的欧式距离；|X|为点(x2,y2)到原点的欧式距离。
S32.将步骤S31得到的栅格数据利用ArcGIS中的模糊隶属度工具进行归一化，得到值在0-1之间的各因子数据，界定LUCC驱动因子；
S33.基于步骤S1得到的该山地生态系统景观格局空间分布图集，利用GeoSOS-FLUS模型对景观格局情况进行模拟，结合实际土地利用现状图进行对比验证，确定模型精度，进一步把最新的景观格局数据和自然、社会LUCC驱动因子作为GeoSOS-FLUS模型的输入数据，同时将预测数量输入到元胞机的未来像元数目中，得到山地生态系统未来景观格局预测数据；
S4.山地生态系统未来碳储量估算:结合步骤S3得到的山地生态系统未来景观格局预测数据和步骤S2得到的地上物质碳密度、地下物质碳密度、土壤碳密度及死亡有机物碳密度碳库数据，进行山地生态系统碳储量估算，得到山地生态系统未来碳储量。
(1)未来土地利用动态变化
基于GeoSOS-FLUS模型的原理与方法，采用2000年土地利用状况模拟2010年的土地利用覆被情况，并进一步对GeoSOS-FLUS模型进行率定，得到其适宜性概率，然后模拟2015年土地利用状况，同时结合实际土地利用数据进行对比验证。验证结果的Kappa系数为0.72，模拟的整体精度为0.81。结果表明，该模型能较好的模拟出研究区的土地利用类型变化情况，能够用于对研究区未来土地利用状况的预估，如图4(a)和4(b)所示，分别为模拟和实际空间图。
以QLMES2000年和2015年的土地利用作为初始和终止年份，通过Markov Chain模型计算得到各土地利用类型的转移概率，进而预测出2050年研究区的土地利用结构数量。在此基础上，将2018年土地利用数据和驱动因子数据作为GeoSOS-FLUS模型的输入数据，结合目前QLME的客观状况，转换矩阵选用自然保护情景，模拟得到2050年研究区土地利用类型状况，如图5所示。
(2)未来情景下QLMES碳储存变化
基于自然发展情景，根据FLUS模拟预估得到的2050年土地利用类型数据，耦合InVEST模型得到祁连山生态系统(QLMES)研究区在自然保护情景下2050年的碳储存分布如图6所示。
定量化分析可知，2050年QLMES平均碳储存主要集中在东部和中部的植被覆盖地区。2050年研究区平均碳储存为3813.38t/km2，较2018年增长率为8.69％，碳储存总量为18941.82万t，较2018年增加了1629.69t。
QLMES碳储存的时间变化情况如图2所示。可以看出，QLME碳储存呈现增长趋势，特别是在2010年之后对其进行生态修复治理后，碳储存有了显著的提升，而在符合设定的自然保护情景下，QLMES的林地面积有了明显增加，因而到2050年碳储存也有了进一步的增加。
基于多元数据，运用遥感及GIS技术，结合InVEST及GeoSOS-FLUS模型，探索CSET与方法，实现对QLME碳储存的估算。定量估算及分析表明，不同景观类型背景下QLMES碳储存具有明显的时空差异性。基于未来自然保护情景，QLME碳储存趋于增加，2050年平均碳储存为3813.38t/km2，较2018年增长率为8.69％。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种山地生态系统未来情景的CSET方法，其特征在于，包括以下步骤：
S1.山地生态系统景观格局判别：根据山地生态系统所在区域，获取区域的中分辨率和/或高分辨率遥感数据，进行监督和非监督分类，实现对山地生态系统各时期景观格局的判别，获得景观格局空间分布图集；
S2.碳库数据测定与收集：获取山地生态系统地上物质碳密度、地下物质碳密度、土壤碳密度和死亡有机物碳密度；
S3.山地生态系统未来景观格局预测，包括以下步骤：
S31.提取该山地生态系统的DEM数字高程数据以及基于DEM数据提取得到的坡度、坡向数据，并从基础地理信息数据库中提取城镇点、主要道路、高速公路和主要铁路矢量数据，利用距离分析工具计算得到各要素的欧式距离栅格图，然后裁剪得到该山地生态系统的栅格数据；
S32.将步骤S31得到的栅格数据利用ArcGIS中的模糊隶属度工具进行归一化，得到值在0-1之间的各因子数据，界定LUCC驱动因子；
S33.基于步骤S1得到的该山地生态系统景观格局空间分布图集，利用GeoSOS-FLUS模型对景观格局情况进行模拟，结合实际土地利用现状图进行对比验证，确定模型精度，进一步把最新的景观格局数据和自然、社会LUCC驱动因子作为GeoSOS-FLUS模型的输入数据，同时将预测数量输入到元胞机的未来像元数目中，得到山地生态系统未来景观格局预测数据；
S4.山地生态系统未来碳储量估算:结合步骤S3得到的山地生态系统未来景观格局预测数据和步骤S2得到的地上物质碳密度、地下物质碳密度、土壤碳密度及死亡有机物碳密度碳库数据，进行山地生态系统碳储量估算，得到山地生态系统未来碳储量。
2.根据权利要求1所述的山地生态系统未来情景的CSET方法，其特征在于，步骤S1中在获取遥感数据后，结合ENVI软件进行监督和非监督分类，实现对山地生态系统各时期景观格局的判别。
3.根据权利要求1所述的山地生态系统未来情景的CSET方法，其特征在于，步骤S2中地上物质碳密度、地下物质碳密度、土壤碳密度和死亡有机物碳密度根据山地生态系统实践情况，结合实地检测、文献资料收集的形式获得。
4.根据权利要求1所述的山地生态系统未来情景的CSET方法，其特征在于，步骤S33所述GeoSOS-FLUS模型中的转换矩阵选用自然发展情景、经济增长情景和生态保护情景的转换矩阵，分别预测不同情景下山地生态系统未来的景观格局分布情况。
5.根据权利要求1所述的山地生态系统未来情景的CSET方法，其特征在于，步骤S4利用InVEST模型进行山地生态系统碳储量的估算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049531.4A CN114494865A (zh) | 2022-01-17 | 2022-01-17 | 一种山地生态系统未来情景的cset方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049531.4A CN114494865A (zh) | 2022-01-17 | 2022-01-17 | 一种山地生态系统未来情景的cset方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494865A true CN114494865A (zh) | 2022-05-13 |
Family
ID=81512032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210049531.4A Pending CN114494865A (zh) | 2022-01-17 | 2022-01-17 | 一种山地生态系统未来情景的cset方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494865A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819737A (zh) * | 2022-05-26 | 2022-07-29 | 中交第二公路勘察设计研究院有限公司 | 公路路域植被的碳储量估算方法、系统及存储介质 |
| CN115730833A (zh) * | 2022-10-31 | 2023-03-03 | 湖北省规划设计研究总院有限责任公司 | 一种基于InVEST模型的陆地生态系统碳储量估算方法 |
| CN115796712A (zh) * | 2023-02-07 | 2023-03-14 | 北京师范大学 | 区域陆地生态系统碳储量估算方法、装置、电子设备 |
| CN116151413A (zh) * | 2022-11-10 | 2023-05-23 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
| CN117495135A (zh) * | 2023-11-10 | 2024-02-02 | 桂林理工大学 | 一种未来发展情景下的土壤保持服务评估方法及系统 |
-
2022
- 2022-01-17 CN CN202210049531.4A patent/CN114494865A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819737A (zh) * | 2022-05-26 | 2022-07-29 | 中交第二公路勘察设计研究院有限公司 | 公路路域植被的碳储量估算方法、系统及存储介质 |
| CN114819737B (zh) * | 2022-05-26 | 2023-10-17 | 中交第二公路勘察设计研究院有限公司 | 公路路域植被的碳储量估算方法、系统及存储介质 |
| CN115730833A (zh) * | 2022-10-31 | 2023-03-03 | 湖北省规划设计研究总院有限责任公司 | 一种基于InVEST模型的陆地生态系统碳储量估算方法 |
| CN115730833B (zh) * | 2022-10-31 | 2024-03-12 | 湖北省规划设计研究总院有限责任公司 | 一种基于InVEST模型的陆地生态系统碳储量估算方法 |
| CN116151413A (zh) * | 2022-11-10 | 2023-05-23 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
| CN116151413B (zh) * | 2022-11-10 | 2024-04-26 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
| WO2024098444A1 (zh) * | 2022-11-10 | 2024-05-16 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
| CN115796712A (zh) * | 2023-02-07 | 2023-03-14 | 北京师范大学 | 区域陆地生态系统碳储量估算方法、装置、电子设备 |
| CN117495135A (zh) * | 2023-11-10 | 2024-02-02 | 桂林理工大学 | 一种未来发展情景下的土壤保持服务评估方法及系统 |
| CN117495135B (zh) * | 2023-11-10 | 2024-07-05 | 桂林理工大学 | 一种未来发展情景下的土壤保持服务评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Exploring spatiotemporal patterns of electric power consumption in countries along the Belt and Road | |
| CN114494865A (zh) | 一种山地生态系统未来情景的cset方法 | |
| Rahnama | Forecasting land-use changes in Mashhad Metropolitan area using Cellular Automata and Markov chain model for 2016-2030 | |
| Weng | Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling | |
| Ma et al. | Identification of green infrastructure networks based on ecosystem services in a rapidly urbanizing area | |
| Wang et al. | Transfer learning improves landslide susceptibility assessment | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| Song et al. | A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys | |
| CN117688844B (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
| Mathanraj et al. | Applicability of the CA-Markov model in land-use/land cover change prediction for urban sprawling in Batticaloa Municipal Council, Sri Lanka | |
| KR20190027567A (ko) | 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법 | |
| Paul et al. | Assessing land use–land cover change and soil erosion potential using a combined approach through remote sensing, RUSLE and random forest algorithm | |
| CN117974401A (zh) | 基于多源数据和模型集成的生态修复区域智能识别方法 | |
| Patel et al. | Novel approach for the LULC change detection using GIS & Google Earth Engine through spatiotemporal analysis to evaluate the urbanization growth of Ahmedabad city | |
| Ahmad et al. | The cellular automata approach in dynamic modelling of land use change detection and future simulations based on remote sensing data in Lahore Pakistan | |
| Li | Exploring the potential of utilizing unsupervised machine learning for urban drainage sensor placement under future rainfall uncertainty | |
| Wang et al. | Evaluating future habitat quality responding to land use change under different city compaction scenarios in Southern China | |
| Mallick et al. | Estimating Carbon Stocks and Sequestration with Their Valuation under a Changing Land Use Scenario: A Multi-Temporal Research in Abha City, Saudi Arabia | |
| Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
| Biney et al. | A comprehensive analysis and future projection of land use and land cover dynamics in a fast-growing city: A case study of Sekondi-Takoradi metropolis, Ghana | |
| Gilbert et al. | Land use/land cover change detection and prediction for sustainable urban land management in Kigali City, Rwanda | |
| CN117151499A (zh) | 一种国土空间规划的监测评估方法及系统 | |
| Xu et al. | A framework for the evaluation of roof greening priority | |
| Sidiq et al. | Built-Up Development Prediction Based on Cellular Automata Modelling Around New Yogyakarta International Airport | |
| Fior et al. | Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings |
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 |