CN115239750A - 计算人工植被恢复适宜性方法、系统及计算机 - Google Patents

计算人工植被恢复适宜性方法、系统及计算机 Download PDF

Info

Publication number
CN115239750A
CN115239750A CN202211134185.6A CN202211134185A CN115239750A CN 115239750 A CN115239750 A CN 115239750A CN 202211134185 A CN202211134185 A CN 202211134185A CN 115239750 A CN115239750 A CN 115239750A
Authority
CN
China
Prior art keywords
vegetation
artificial
endvi
index
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.)
Granted
Application number
CN202211134185.6A
Other languages
English (en)
Other versions
CN115239750B (zh
Inventor
黄敏
龚道宏
陈展灼
林珲
陈能成
齐述华
肖长江
杜文英
朱道也
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202211134185.6A priority Critical patent/CN115239750B/zh
Publication of CN115239750A publication Critical patent/CN115239750A/zh
Application granted granted Critical
Publication of CN115239750B publication Critical patent/CN115239750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种计算人工植被恢复适宜性方法、系统及计算机，该方法包括构建出人工植被恢复适宜性指数，并获取研究区域；生成研究任务，并采集研究区域在预设时间内生成的数据集；获取植被光谱指数以及土壤指数，并对数据集进行计算处理，计算出ENDVI植被光谱指数数据集；进行边缘检测处理，以生成边缘线，根据边缘线建立缓冲区，提取出逐年ENDVI边缘缓冲区数据；计算出对应的逐年最佳阈值，并在ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；构造出逐年植被分布数据集，并绘制出人工植被恢复适宜性图谱。本申请分析了植被恢复的空间分布与人工特征以及地形因素之间的规律性，能够有效的计算出人工植被的恢复适宜性。

Description

计算人工植被恢复适宜性方法、系统及计算机
技术领域
本发明涉及生态环境保护技术领域，特别涉及一种计算人工植被恢复适宜性方法、系统及计算机。
背景技术
人工植被又称“栽培植被”，指人类利用自然、改造自然，经长期选择而栽培的植物群落的泛称，用于改善环境。
然而，现有技术并没有着重探讨人工植被恢复的空间分布与人类相关的地理特征之间的规律性，从而并不能有效的获取到人工植被的恢复效果，进而不能有效的获取到土地的绿化程度。
因此，针对现有技术的不足，提供一种能够计算出人工制备恢复适宜性的方法很有必要。
发明内容
基于此，本发明的目的是提供一种计算人工植被恢复适宜性方法、系统及计算机，以能够计算出人工植被恢复适宜性的方法。
本发明实施例第一方面提出了一种计算人工植被恢复适宜性方法，所述方法包括：
根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
本发明的有益效果是：通过获取到的人工特征和地形因素构建出对应的人工植被恢复适宜性指数，并进一步根据该人工植被恢复适宜性指数通过绘图方法来评估人工植被恢复的适宜性，从而大幅提高了计算地区的人工植被恢复适宜性的自动化水平。另外，本申请着重分析了植被恢复的空间分布与上述人工特征以及地形因素之间的规律性，从而能够有效的计算出人工植被的恢复适宜性，适用于大范围的推广与使用。
优选的，所述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 563918DEST_PATH_IMAGE001
Figure 942947DEST_PATH_IMAGE002
Figure 133757DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
优选的，所述ENDVI植被光谱指数数据集包括逐年生成的若干ENDVI像元值，所述根据所述逐年最佳阈值在所述逐年ENDVI边缘缓冲区数据中区分出植被数据以及背景数据的步骤包括：
根据所述预设边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线计算出对应的阈值，并判断所述ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
优选的，所述根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱的步骤包括：
通过逐年对所述人工特征进行欧几里得距离分析，以对应计算出植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间构建出对应的一次相关性函数，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；
基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程的斜率的比值确定为各个所述人工特征之间的权重比；
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；
基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
优选的，所述人工植被恢复适宜性指数的表达式为：
Figure 623644DEST_PATH_IMAGE004
其中，n为所述人工特征的总数；ai为每个所述人工特征的相应权重；xi表示人工恢复的距离便利性；T为所述地形因素的系数值。
本发明实施例第二方面提出了一种计算人工植被恢复适宜性系统，所述系统包括：
获取模块，用于根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
采集模块，用于根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
第一计算模块，用于获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
检测模块，用于根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
第二计算模块，用于基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
输出模块，用于基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
其中，上述计算人工植被恢复适宜性系统中，所述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 685141DEST_PATH_IMAGE001
Figure 110437DEST_PATH_IMAGE002
Figure 788543DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
其中，上述计算人工植被恢复适宜性系统中，所述第二计算模块具体用于：
根据所述预设边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线计算出对应的阈值，并判断所述ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
其中，上述计算人工植被恢复适宜性系统中，所述输出模块具体用于：
通过逐年对所述人工特征进行欧几里得距离分析，以对应计算出植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间构建出对应的一次相关性函数，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；
基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程的斜率的比值确定为各个所述人工特征之间的权重比；
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；
基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
其中，上述计算人工植被恢复适宜性系统中，所述人工植被恢复适宜性指数的表达式为：
Figure 82121DEST_PATH_IMAGE005
其中，n为所述人工特征的总数；ai为每个所述人工特征的相应权重；xi表示人工恢复的距离便利性；T为所述地形因素的系数值。
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上面所述的计算人工植被恢复适宜性方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的计算人工植被恢复适宜性方法的流程图；
图2为本发明第二实施例提供的计算人工植被恢复适宜性系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有技术并没有着重探讨人工植被恢复的空间分布与人类相关的地理特征之间的规律性，从而并不能有效的获取到人工植被的恢复效果，进而不能有效的获取到土地的绿化程度。
请参阅图1，所示为本发明第一实施例提供的计算人工植被恢复适宜性方法，本实施例提供的计算人工植被恢复适宜性方法通过获取到的人工特征和地形因素构建出对应的人工植被恢复适宜性指数，并进一步根据该人工植被恢复适宜性指数通过绘图方法来评估人工植被恢复的适宜性，从而大幅提高了计算地区的人工植被恢复适宜性的自动化水平。另外，本申请着重分析了植被恢复的空间分布与上述人工特征以及地形因素之间的规律性，从而能够有效的计算出人工植被的恢复适宜性，适用于大范围的推广与使用。
具体的，本实施例提供的计算人工植被恢复适宜性方法具体包括以下步骤：
步骤S10，根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
首先，在本实施例中，首先需要说明的是，本实施例提供的计算人工植被恢复适宜性方法具体应用在人工植被中，用于计算出人工植被的恢复适宜性效果，以提取出当前环境中适合进行人工种植或者植被恢复的地区。
另外，在本实施例中，需要指出的是，本实施例提供的计算人工植被恢复适宜性方法是基于设置在后台的服务器实现的，该服务器能够及时的接收数据，并对接收到的数据进行有效的处理，进一步的，该服务器的内部还预先设置有若干算法，以对应提高数据的处理效率。
因此，在本步骤中，需要说明的是，本步骤会首先通过上述服务器根据实时获取到的人工特征以及地形因素在其内部构建出对应的人工植被恢复适宜性指数，与此同时，根据实际的研究需求获取到对应的研究区域。
其中，需要指出的是，在本实施例中，上述人工特征可以包括公路、铁路、人居环境、服务站、水路以及其他特征，上述地形因素可以包括坡度以及弯度等因素。
步骤S20，根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
进一步的，在本步骤中，需要说明的是，上述服务器会实时根据获取到的研究区域生成对应的研究任务，该研究任务即为计算人工植被恢复适宜性任务。在此基础之上，上述服务器进一步采集当前研究区域在预设时间内生成的数据集，具体的，该数据集可以包括长时间序列卫星数据、上述人工特征以及地形数据。与此同时，本实施例提供的服务器还会对实时采集到的数据集进行预处理，该预处理可以包括辐射校正、图像拼接、地理配准以及波段合成等图像处理。
优选的，在本实施例中，为了便于理解，例如选择空间分辨率均为30米的Landsat系列卫星数据、地形数据（DEM）以及人工特征数据，考虑到气候因素和周期一致性，将每年夏天6-8月合成的卫星数据作为该年的数据，并对以上数据进行预处理操作。
步骤S30，获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集中的卫星数据进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
具体的，在本实施例中，需要说明的是，上述服务器还会进一步获取到与当前研究任务对应的植被光谱指数以及土壤指数，与此同时，根据当前获取到的植被光谱指数以及土壤指数对上述生成的数据集进行计算处理，以对应计算出需要的ENDVI植被光谱指数数据集，具体的，该ENDVI植被光谱指数数据集可以包括若干年的ENDVI植被光谱指数数据。
步骤S40，根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
进一步的，在本步骤中，需要说明的是，上述服务器在通过上述步骤获取到ENDVI植被光谱指数数据集之后，当前服务器会立即根据其内部预先设置好的边缘检测算法对当前实时获取到的ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应逐年的边缘线。
在此基础之上，当前服务器进一步根据实时生成的边缘线建立出对应年限的缓冲区，以对应提取出该缓冲区中的逐年ENDVI边缘缓冲区数据。
步骤S50，基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
更进一步的，在本步骤中，需要说明的是，本实施例提供的Otsu算法是一种非参数、无监督的图像分割自动阈值选择算法，用于最大化植被与非植被之间的差异。与此同时，本步骤假设卫星图像的像素可以根据不同的灰度级别分为两部分：背景和对象。其中，当物体与背景之间的灰度值方差达到最大值时，该最大值即为最优的分割阈值，并且当目标和背景之间的差异最大时，分割是最有效的。
其中，在本步骤中，需要指出的是，上述ENDVI植被光谱指数数据集包括逐年生成的若干ENDVI像元值，上述根据所述逐年最佳阈值在所述逐年ENDVI植被光谱指数数据集中区分出植被数据以及背景数据的步骤包括：
根据Canny边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线提取边缘缓冲区，并通过Otsu算法计算出对应的阈值，同时判断所述ENDVI植被光谱指数数据中的ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
优选的，在本实施例中，为了便于理解，例如：为了尽可能地检测出植被的分布情况，假设植被区域具有两个属性：其中，ENDVI像元值大于0.1则为植被覆盖区域，因此，阈值为0.1，并且最终的处理结果为逐年植被分布数据集，该逐年植被分布数据集中分为植被和背景两种属性内容。
步骤S60，基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
最后，在本步骤中，需要说明的是，本步骤进一步基于上述Otsu算法根据上述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，在此基础之上，基于该逐年植被分布数据集根据上述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
其中，在本步骤中，需要指出的是，上述根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱的步骤包括：
基于欧几里得距离对所述人工特征进行逐年分析，以计算出每年植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间（以年为单位）构建出对应的一次相关性函数，其中，时间为自变量，平均欧几里得距离为因变量，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；其中，欧几里得距离一般指欧几里得度量。在数学中，欧几里得距离或者欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离，进一步的，为了便于理解，优选的，例如上述人工特征中的水路的一次相关性函数为：y=470.62x-928288。
通过分析2020年植被分布与人类相关特征之间的关系，基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程斜率的比值确定为各个所述人工特征之间的权重比；优选的，在本实施例中，通过对所述人工特征生成间隔为1km的缓冲区（共10km），统计2020年植被像素在不同缓冲区的数量。另外，通过回归方程斜率比确定出当前人工特征中的铁路：公路：水路：人居环境：服务站之间的权重比为1：2：3：2：1。
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；具体的，本实施例具体将坡度的等级定义为5个级别：0°~2°，2°~4°，5°~ 14°，15° ~ 35°，36° ~ 83°，并且将这五个等级的地形因素比定义为1:0.9:0.7:0.5:0.1。
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；与此同时，本实施例还会通过自然间断方法对上述距离便利性进行分类，并且按照降序依次排列为非常高、高、中、低、非常低，优选的，在本实施例中，上述等级可以分别定义为：1:0.9:0.7:0.5:0.1。
最后只需基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，进一步根据所述人工植被恢复适宜性指数计算出结果并绘制出对应的人工植被恢复适宜性图谱。
其中，在本实施例中，需要指出的是，上述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 529283DEST_PATH_IMAGE001
Figure 859901DEST_PATH_IMAGE002
Figure 25303DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
另外，在本实施例中，还需要指出的是，上述人工植被恢复适宜性指数的表达式为：
Figure 856993DEST_PATH_IMAGE006
其中，n为所述人工特征的总数；ai为每个所述人工特征的相应权重；xi表示人工恢复的距离便利性；T为所述地形因素的系数值。
使用时，通过获取到的人工特征和地形因素构建出对应的人工植被恢复适宜性指数，并进一步根据该人工植被恢复适宜性指数通过绘图方法来评估人工植被恢复的适宜性，从而大幅提高了计算地区的人工植被恢复适宜性的自动化水平。另外，本申请着重分析了植被恢复的空间分布与上述人工特征以及地形因素之间的规律性，从而能够有效的计算出人工植被的恢复适宜性，适用于大范围的推广与使用。
需要说明的是，上述的实施过程只是为了说明本申请的可实施性，但这并不代表本申请的计算人工植被恢复适宜性方法只有上述唯一一种实施流程，相反的，只要能够将本申请的计算人工植被恢复适宜性方法实施起来，都可以被纳入本申请的可行实施方案。
综上，本发明上述实施例提供的计算人工植被恢复适宜性方法通过获取到的人工特征和地形因素构建出对应的人工植被恢复适宜性指数，并进一步根据该人工植被恢复适宜性指数通过绘图方法来评估人工植被恢复的适宜性，从而大幅提高了计算地区的人工植被恢复适宜性的自动化水平。另外，本申请着重分析了植被恢复的空间分布与上述人工特征以及地形因素之间的规律性，从而能够有效的计算出人工植被的恢复适宜性，适用于大范围的推广与使用。
请参阅图2，所示为本发明第二实施例提供的计算人工植被恢复适宜性系统，所述系统包括：
获取模块12，用于根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
采集模块22，用于根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
第一计算模块32，用于获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
检测模块42，用于根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
第二计算模块52，用于基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
输出模块62，用于基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
其中，上述计算人工植被恢复适宜性系统中，所述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 424241DEST_PATH_IMAGE001
Figure 925760DEST_PATH_IMAGE002
Figure 578459DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
其中，上述计算人工植被恢复适宜性系统中，所述第二计算模块52具体用于：
根据Canny边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线计算出对应的阈值，并判断所述ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
其中，上述计算人工植被恢复适宜性系统中，所述输出模块62具体用于：
通过逐年对所述人工特征进行欧几里得距离分析，以对应计算出植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间构建出对应的一次相关性函数，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；
基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程斜率的比值确定为各个所述人工特征之间的权重比；
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；
基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
其中，上述计算人工植被恢复适宜性系统中，所述人工植被恢复适宜性指数的表达式为：
Figure 479419DEST_PATH_IMAGE005
其中，n为所述人工特征的总数；ai为每个所述人工特征的相应权重；xi表示人工恢复的距离便利性；T为所述地形因素的系数值。
本发明第三实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一实施例提供的计算人工植被恢复适宜性方法。
综上所述，本发明上述实施例提供的计算人工植被恢复适宜性方法、系统及计算机通过获取到的人工特征和地形因素构建出对应的人工植被恢复适宜性指数，并进一步根据该人工植被恢复适宜性指数通过绘图方法来评估人工植被恢复的适宜性，从而大幅提高了计算地区的人工植被恢复适宜性的自动化水平。另外，本申请着重分析了植被恢复的空间分布与上述人工特征以及地形因素之间的规律性，从而能够有效的计算出人工植被的恢复适宜性，适用于大范围的推广与使用。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种计算人工植被恢复适宜性方法，其特征在于，所述方法包括：
根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
2.根据权利要求1所述的计算人工植被恢复适宜性方法，其特征在于：所述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 741645DEST_PATH_IMAGE001
Figure 223442DEST_PATH_IMAGE002
Figure 105947DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
3.根据权利要求1所述的计算人工植被恢复适宜性方法，其特征在于：所述ENDVI植被光谱指数数据集包括逐年生成的若干ENDVI像元值，所述根据所述逐年最佳阈值在所述逐年ENDVI边缘缓冲区数据中区分出植被数据以及背景数据的步骤包括：
根据所述预设边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线计算出对应的阈值，并判断所述ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
4.根据权利要求1所述的计算人工植被恢复适宜性方法，其特征在于：所述根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱的步骤包括：
通过逐年对所述人工特征进行欧几里得距离分析，以对应计算出植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间构建出对应的一次相关性函数，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；
基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程的斜率的比值确定为各个所述人工特征之间的权重比；
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；
基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
5.根据权利要求1所述的计算人工植被恢复适宜性方法，其特征在于：所述人工植被恢复适宜性指数的表达式为：
Figure 864956DEST_PATH_IMAGE004
其中，n为所述人工特征的总数；ai为每个所述人工特征的相应权重；xi表示人工恢复的距离便利性；T为所述地形因素的系数值。
6.一种计算人工植被恢复适宜性系统，其特征在于，所述系统包括：
获取模块，用于根据获取到的人工特征以及地形因素构建出对应的人工植被恢复适宜性指数，并获取对应的研究区域；
采集模块，用于根据所述研究区域生成对应的研究任务，并采集所述研究区域在预设时间内生成的数据集，所述数据集包括长时间序列卫星数据、所述人工特征以及地形数据；
第一计算模块，用于获取与所述研究任务对应的植被光谱指数以及土壤指数，并基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集，所述ENDVI植被光谱指数数据集包括若干年ENDVI植被光谱指数数据；
检测模块，用于根据预设边缘检测算法对所述ENDVI植被光谱指数数据集进行边缘检测处理，以生成对应的边缘线，并根据所述边缘线建立缓冲区，以提取出所述缓冲区中的逐年ENDVI边缘缓冲区数据；
第二计算模块，用于基于Otsu算法计算出所述逐年ENDVI边缘缓冲区数据对应的逐年最佳阈值，并根据所述逐年最佳阈值在所述ENDVI植被光谱指数数据集中区分出植被数据以及背景数据；
输出模块，用于基于所述Otsu算法根据所述ENDVI植被光谱指数数据集构造出对应的逐年植被分布数据集，并基于所述逐年植被分布数据集根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
7.根据权利要求6所述的计算人工植被恢复适宜性系统，其特征在于：所述基于所述植被光谱指数以及所述土壤指数对所述数据集进行计算处理，以计算出对应的ENDVI植被光谱指数数据集的算法为：
Figure 73083DEST_PATH_IMAGE001
Figure 511018DEST_PATH_IMAGE005
Figure 462793DEST_PATH_IMAGE003
其中，ENDVI表示所述ENDVI植被光谱指数数据的计算公式，NDVI表示所述植被光谱指数的计算公式，NDSI表示所述土壤指数的计算公式，Red表示卫星图像的红波段，NIR表示卫星图像的近红外波段，SWIR表示卫星图像的短波红外波段。
8.根据权利要求6所述的计算人工植被恢复适宜性系统，其特征在于：所述ENDVI植被光谱指数数据集包括逐年生成的若干ENDVI像元值，所述第二计算模块具体用于：
根据所述预设边缘检测算法对所述逐年ENDVI边缘缓冲区数据进行边缘检测处理，以生成所述边缘线；
根据所述边缘线计算出对应的阈值，并判断所述ENDVI像元值是否大于所述阈值；
若判断到所述ENDVI像元值大于所述阈值，则判定当前所述ENDVI像元值对应所述植被数据；
若判断到所述ENDVI像元值小于所述阈值，则判定当前所述ENDVI像元值对应所述背景数据。
9.根据权利要求6所述的计算人工植被恢复适宜性系统，其特征在于：所述输出模块具体用于：
通过逐年对所述人工特征进行欧几里得距离分析，以对应计算出植被网格距离所述人工特征的平均欧几里得距离，并根据所述平均欧几里得距离以及时间构建出对应的一次相关性函数，以根据所述一次相关性函数确定出所述人工植被恢复适宜性指数中的人工特征的类别以及总数，且生成对应的特征距离数据集；
基于各个所述人工特征按照预设间隔距离生成若干所述缓冲区，并以若干所述缓冲区的距离为自变量、植被像素百分比为因变量构建出对应的若干回归方程，以将若干所述回归方程的斜率的比值确定为各个所述人工特征之间的权重比；
将所述地形因素中的坡度划分为若干预设坡度等级，并根据若干所述预设坡度等级确定出对应的地形因素比；
根据预设算法对所述特征距离数据集进行距离便利性等级分类，以对应获取到若干距离便利性等级；
基于所述人工特征的类别以及总数、所述权重比、所述地形因素比以及所述距离便利性等级，根据所述人工植被恢复适宜性指数绘制出对应的人工植被恢复适宜性图谱。
10.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的计算人工植被恢复适宜性方法。
CN202211134185.6A 2022-09-19 2022-09-19 计算人工植被恢复适宜性方法、系统及计算机 Active CN115239750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134185.6A CN115239750B (zh) 2022-09-19 2022-09-19 计算人工植被恢复适宜性方法、系统及计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134185.6A CN115239750B (zh) 2022-09-19 2022-09-19 计算人工植被恢复适宜性方法、系统及计算机

Publications (2)

Publication Number Publication Date
CN115239750A true CN115239750A (zh) 2022-10-25
CN115239750B CN115239750B (zh) 2022-12-20

Family

ID=83680469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134185.6A Active CN115239750B (zh) 2022-09-19 2022-09-19 计算人工植被恢复适宜性方法、系统及计算机

Country Status (1)

Country Link
CN (1) CN115239750B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433447A (zh) * 2023-06-12 2023-07-14 水利部牧区水利科学研究所 一种基于群落构建机制的荒漠植被恢复物种配置方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4780127A (en) * 1982-03-25 1988-10-25 Stauffer Chemical Company Certain 2-(substituted benzoyl)-1,3-cyclohexanediones and their use as herbicides
WO2012078515A2 (en) * 2010-12-06 2012-06-14 Environmental Technology Solutions Rhizobium tropici produced biopolymer salt
CN106908415A (zh) * 2017-02-24 2017-06-30 郑州大学 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法
CN112396019A (zh) * 2020-11-27 2021-02-23 佛山市墨纳森智能科技有限公司 一种基于无人机的植被分布识别方法、系统及可读存储介质
CN112396229A (zh) * 2020-11-16 2021-02-23 中国科学院东北地理与农业生态研究所 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法
CN112445241A (zh) * 2020-11-27 2021-03-05 佛山市墨纳森智能科技有限公司 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法
CN112907587A (zh) * 2021-04-01 2021-06-04 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN113609889A (zh) * 2021-05-18 2021-11-05 武汉大学 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN113688772A (zh) * 2021-09-02 2021-11-23 浙江大学 一种边坡生态修复监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4780127A (en) * 1982-03-25 1988-10-25 Stauffer Chemical Company Certain 2-(substituted benzoyl)-1,3-cyclohexanediones and their use as herbicides
WO2012078515A2 (en) * 2010-12-06 2012-06-14 Environmental Technology Solutions Rhizobium tropici produced biopolymer salt
CN106908415A (zh) * 2017-02-24 2017-06-30 郑州大学 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法
CN112396229A (zh) * 2020-11-16 2021-02-23 中国科学院东北地理与农业生态研究所 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法
CN112396019A (zh) * 2020-11-27 2021-02-23 佛山市墨纳森智能科技有限公司 一种基于无人机的植被分布识别方法、系统及可读存储介质
CN112445241A (zh) * 2020-11-27 2021-03-05 佛山市墨纳森智能科技有限公司 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质
CN112907587A (zh) * 2021-04-01 2021-06-04 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN113609889A (zh) * 2021-05-18 2021-11-05 武汉大学 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN113688772A (zh) * 2021-09-02 2021-11-23 浙江大学 一种边坡生态修复监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUCEL CIMTAY 等: "A New Vegetation Index in Short-Wave Infrared Region of Electromagnetic Spectrum", 《IEEE ACCESS》 *
张贵花 等: "基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取", 《农业工程学报》 *
毕银丽 等: "煤矿区复垦土壤的生物改良研究进展", 《煤炭科学技术》 *
珊丹 等: "草原矿区排土场恢复重建人工植被变化", 《生态科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433447A (zh) * 2023-06-12 2023-07-14 水利部牧区水利科学研究所 一种基于群落构建机制的荒漠植被恢复物种配置方法
CN116433447B (zh) * 2023-06-12 2023-08-18 水利部牧区水利科学研究所 一种基于群落构建机制的荒漠植被恢复物种配置方法

Also Published As

Publication number Publication date
CN115239750B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
Malambo et al. Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data
Lu et al. Land cover classification in a complex urban-rural landscape with QuickBird imagery
Coburn et al. A multiscale texture analysis procedure for improved forest stand classification
Shendryk et al. Mapping individual tree health using full-waveform airborne laser scans and imaging spectroscopy: A case study for a floodplain eucalypt forest
CN112907587B (zh) 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
Zhang et al. Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area
CN115239750B (zh) 计算人工植被恢复适宜性方法、系统及计算机
Maillard et al. Operational map-guided classification of SAR sea ice imagery
CN102855485A (zh) 一种小麦抽穗的自动检测方法
CN102156886A (zh) 基于统计数据和遥感影像数据的区域化肥投入空间化方法
Liu et al. Automated classification of stems and leaves of potted plants based on point cloud data
Smyth et al. Extent, accuracy and repeatability of bare sand and vegetation cover in dunes mapped from aerial imagery is highly variable
CN116385867A (zh) 生态地块监测识别与分析方法、系统、介质、设备及终端
Zhao et al. Image dehazing based on haze degree classification
Okubo et al. Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery
CN115858840B (zh) 基于场景的遥感影像镶嵌方法
Lobo et al. Fine-scale mapping of a grassland from digitized aerial photography: an approach using image segmentation and discriminant analysis
CN106952251B (zh) 一种基于吸附模型的图像显著性检测方法
Atzberger et al. Portability of neural nets modelling regional winter crop acreages using AVHRR time series
Rahmani et al. Estimating natural soil drainage classes in the Wisconsin till plain of the Midwestern USA based on lidar derived terrain indices: Evaluating prediction accuracy of multinomial logistic regression and machine learning algorithms
Saliola Object-based image analysis for the delineation of canopy gaps and individual tree crowns using multi-source data: A case study in Haliburton Forest, Ontario
Dutta Assessment of tea bush health and yield using geospatial techniques
Awuah Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping
Pham et al. Learning the variations in annual spectral-temporal metrics to enhance the transferability of regression models for land cover fraction monitoring
CN114743112B (zh) 基于大数据的制种玉米田识别方法、装置及电子设备

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