CN115374860A - 一种利用正负地貌准确识别山区地貌分类的方法 - Google Patents
一种利用正负地貌准确识别山区地貌分类的方法 Download PDFInfo
- Publication number
- CN115374860A CN115374860A CN202211019159.9A CN202211019159A CN115374860A CN 115374860 A CN115374860 A CN 115374860A CN 202211019159 A CN202211019159 A CN 202211019159A CN 115374860 A CN115374860 A CN 115374860A
- Authority
- CN
- China
- Prior art keywords
- negative
- positive
- landforms
- mountain
- landform
- 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
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims 1
- 238000012732 spatial analysis Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 241001122767 Theaceae Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种利用正负地貌准确识别山区地貌分类的方法，属于山区地貌划分技术领域，所述方法是将山区地貌划分为正地貌和负地貌后，对正、负地貌顶部和底部形态进行划分，再进行缓坡和陡坡划分，依据划分结果得到山区地貌分类体系，依据农用地的分布特征判断得到最适用于山区农用地的地貌类别，解决山区地貌形态复杂识别困难、分类没有针对性且分类种类繁多，判断规则复杂、判断难度大的问题，考虑山区地貌形态特征的识别减少地貌分类种类，降低判断难易程度，更加精准、快速、连续完整的得到分类结果，识别出山区适用于农用地的地貌区域。
Description
技术领域
本发明涉及山区地貌划分技术领域，尤其涉及一种利用正负地貌准确识别山区地貌分类的方法。
背景技术
地貌对人类活动有着重要的影响，与人类生活、社会发展、生态环境等紧密相关。以前，提取地貌类型信息主要靠人力，分析地形地图并到野外及逆行实地勘测，虽然方法较为精确，但是效率低下且消耗大量的人力物力。近年来，基于数字高程模型、遥感影像等数据源提取地貌信息。目前比较常见的地貌类型提取方法有利用海拔高度和相对高差组合，如李炳元将全国划分为28个基本地貌类型(李炳元，潘保田.中国陆地基本地貌类型及其划分指标探讨)，但是该分类是基于中国基本地貌类型由内外营力基本差异的起伏高度和海拔高度两个方面决定的，是针对中国境内的地貌而言，对山区地貌尤其是针对山体形态复杂的西南地区分类不详细，不利于进行发展规划，因此目前急需一种新型的山区地貌分类方法，便于精确的划分规划农用地、建设用地。
按有山的区域就是山区的理解，山区应是有多个山体及其山间谷地组合而成的区域，这种区域具有自然和人文的综合属性。因此，山区(区域)具有多样复杂的自然—人文系统结构，按照人类活动与山地自然环境关系的一致性和相似性以及区域共轭性原则，可以对有山的区域作出区域的划分，划分出来的区域具有多层性和空间上连续完整性特点，除此之外，现有的城市农业用地规划划分没有考虑到地形、地貌对农用地的划分影响，因此对多地形、多山体的山区内用地的分类需要更精确、更快速且更完整连续的分类识别方法。
发明内容
有鉴于此，本发明的目的是提供一种利用正负地貌准确识别山区地貌分类的方法，解决山区山体形态复杂识别困难、分类没有针对性且分类种类繁多，判断规则复杂、判断难度大的问题，考虑山体形态特征的识别减少地貌分类种类，降低判断难易程度，更加精准、快速、连续完整的得到分类结果，进而识别出山区可以用于农业发展的区域。
本发明通过以下技术手段解决上述技术问题：
一种利用正负地貌准确识别山区地貌分类的方法，所述方法是将山区地貌划分为正地貌和负地貌后，对正、负地貌进行划分得到顶部和底部形态，再对正、负地貌进行缓坡和陡坡划分，依据划分结果得到山区地貌分类体系。
进一步，所述依据划分结果得到山区地貌分类体系，得到的分类体系如下：
(1)平顶-缓坡山；(2)尖顶-缓坡山；(3)平顶-陡坡山；(4)尖顶-陡坡山；(5)缓坡“U”型谷；(6)缓坡“V”型谷；(7)陡坡“U”型谷；(8)陡坡“V”型谷。
进一步，在进行正、负地貌的划分过程中，所述山区地貌划分为正地貌和负地貌的操作如下：
所述正地貌和负地貌是根据数字高程模型(DEM)数据移动窗口法计算得到的，划分正、负地貌后利用水文分析方法提取正、负地貌中的山脊线和山谷线。
进一步，所述山脊线和山谷线是利用软件水文分析提取得到的。
进一步，所述正、负地貌的顶部和底部形态进行划分的操作如下：
通过识别山脊线和山谷线的平均坡度确定正、负地貌的顶部、底部形态，将正地貌划分为顶部平坦和顶部弯曲两种类型，将负地貌划分为底部平坦和底部弯曲两种类型。
进一步，所述正、负地貌的顶部、底部形态采用软件进行划分的，其中划分依据为将坡度为5°及5°以下的地区划分为平地。
进一步，所述正、负地貌的缓坡陡坡划分操作如下：
基于正、负地貌中的山脊线和山谷线的垂线分割山区地貌类型，构建山脊垂线和山谷垂线并按照正、负地貌裁剪得到分割结果，利用坡度数据将正、负地貌划分为缓坡和陡坡，统计分割单元中缓坡和陡坡的面积。
进一步，本发明还包括判断某山区或地区最适合山区农用地分布山区地貌类型的步骤，具体的判断规则如下：
(1)计算该地区的农用地与山区地貌类型的相关度；
(2)依据相关度筛选出最适合于农用地的地貌区域。
有益效果：
通过本发明公开一种利用正负地貌准确识别山区地貌分类的方法，基于正负地貌的山体形态分类山区用地的方法准确的通过识别出正、负地貌的形态以及结合正负地貌的陡缓程度准确的判断出山区地貌分类体系。最后通过计算不同地貌类型与农用地面积的关联结果，识别出最适宜农用地发展的地貌类型，有利于农用地的更好利用，避免了规划农业用地时未考虑地形地貌的缺点。该方法提出了一种判断规则简单、判断结果准确的山区地貌分类体系，解决了山区山体形态复杂且识别困难的难题，减少了地貌分类种类，降低判断难度，同时判断结果也精准、快速、方便，为区域宏观政策的制定奠定基础，有助于复杂地形的山区的可持续发展。
附图说明
图1：基于正负地貌的山区地貌分类体系
图2：正负地貌分类结果；
图3：山脊线和山谷线结果图；
图4：正地貌顶部和负地貌底部的分类结果；
图5：实验区的地貌分类结果图；
具体实施方式
以下将结合具体实施例和附图对本发明进行详细说明：
实施例1：
本发明公开了一种利用正负地貌准确识别山区地貌分类的方法，是将山区地貌划分为正地貌和负地貌后，对正、负地貌顶部和底部形态进行划分，再对正、负地貌进行缓坡和陡坡划分，依据划分结果得到山区地貌分类体系，然后判断得出某山区或地区最适合山区农用地分布山区地貌类型，得到的分类体系如图1所示。
本实施例采用四川省雅安市西北部山区进行实验，具体的操作过程如下：
一、山区地貌划分为正、负地貌类型：
采用30米空间分辨率的SRTMDEM数字高程模型(DEM)数据，使用移动窗口法，计算得到研究区地貌的最佳分析窗口大小为17×17的网格。以该窗口大小计算研究区的高程平均值，得到研究区的山区地貌类型，从而建立地貌形态的第一级分类体系。计算公式如下：
demz＝dem-demmean
demf＝demmean-dem
式中，demz和demf分别表示正地貌与负地貌，dem和demmean依次表示高程和其平均值，得到的结果如图2所示。
划分出正、负地貌后利用软件水文分析方法提取正、负地貌中的山脊线和山谷线，过程如下：
A、首先提取山脊线，具体步骤如下：
(1)洼地填充：在中选择【SpatialAnalyst工具】|【水文分析】|【填洼】工具，进行原始DEM挖地点填充，选择输入表面栅格数据：dem，将输出数据命名为filldem，因为选择的是将所有洼地全部填充，所有在填充容限Zlimit为默认值。
(2)基于无洼地水流方向计算：在中选择【SpatialAnalyst工具】|【水文分析】|【流向】工具，计算水流方向，文本框中选择填充过的无洼地DEM数据filldem，将输出的水流方向数据命名为flowdirfill。
(3)汇流累积量的计算：在中选择【SpatialAnalyst工具】|【水文分析】|【流量】工具，计算汇流累积量。选择flowdirfill作为输入的水流方向数据；输出数据命名为flowacc1。
汇流累积量为零值的提取：在中选择【SpatialAnalyst工具】|【地图代数】|【栅格计算器】工具，打开栅格计算对话框，在文本框中填写汇流累积量零值的提取公式：facc0＝(flowacc＝0)，然后点击evaluate进行计算。计算结果为所有的汇流累积量为0的栅格。
(4)汇流累积量为零值的提取：在中选择【SpatialAnalyst工具】|【地图代数】|【栅格计算器】工具，打开栅格计算对话框，在文本框中填写汇流累积量零值的提取公式：facc0＝(flowacc＝0)，然后点击evaluate进行计算。计算结果为所有的汇流累积量为0的栅格。
(5)在中打开facc0，发现所提取出的栅格很乱，有很多的地方并不是山脊线的位置，因此应对这个数据进行处理。处理过程可以利用邻域分析的方法，对提取出的汇流累积量等于零值的数据使用滤波器进行3×3邻域分析进行光滑处理，处理后的数据命名为neiborfacc0。
(6)在中选择【SpatialAnalyst工具】|【水文分析】|【等值线】工具和【SpatialAnalyst工具】|【水文分析】|【山体阴影】工具，分别生成原始DEM的等值线图ctour和晕渲图hillshade。
(7)打开neiborfacc0数据的属性信息，进行重新分类，将分类级别设置为两类，不断的调整分界数据大小，并以由DEM生成的等值线图和晕渲图为辅助判断数据。在neiborfacc0中，属性值越接近于1的栅格越有可能是山脊线的位置，这里确定的分界阈值为0.5541。将进行过二值化的neiborfacc0进行重分类为reneibor，将属性值接近1的那一类的属性值赋值为1，其余的赋值为0。
(8)将重分类过后的neiborfacc0数据与正地形数据zhengdixing利用【SpatialAnalyst工具】|【地图代数】|【栅格计算器】进行相乘运算，这样就消除了那些存在在负地形区域中的错误的山脊线。然后将计算结果进行重分类，所有属性不为1的栅格属性值赋为NODATA，就得到了山脊线。
B、提取山谷线，具体步骤如下：
(1)【SpatialAnalyst工具】|【地图代数】|【栅格计算器】，打开栅格计算对话框；在文本框中填写反地形的计算公式：fandem＝Abs(dem-2000)，点击evaluate进行计算，计算结果与原始DEM地形完全相反的反地形数据。
(2)反地形计算完毕之后，山谷线的提取和山脊线的提取步骤相同，直到最终利用重分类的方法将重新分级的邻域分析后的结果二值化为止。在这里，是不需要对反地形DEM进行洼地填充的。计算过程中的数据名称分别为：水流方向数据为flowdirfan，汇流累积数据为flowacc2，零值汇流累积量提取数据为flowacc0fan，对flowacc0fan进行均值3×3邻域分析(滤波器)后的结果数据为nbfacc0fan，并将其分级改为两级，分级阈值为0.65677。(主要步骤同山脊线的提取基本相同)
(3)将重分类过后的数据与负地形数据fudixing利用【SpatialAnalyst工具】|【地图代数】|【栅格计算器】进行相乘运算，这样就消除了那些存在在负地形区域中的错误的山脊线。然后将计算结果进行重分类，所有属性不为1的栅格属性值赋为NODATA。就得到了山谷线。
(4)分别按照正、负地貌筛选，最终得到研究区的山脊线和山谷线，得到的结果如图3所示，通过实验表明该方法能够准确的获得山脊线和山谷线。
通过上述基于正、负地貌类型的划分方法，采用最佳分析窗口得到实验区的山区地貌类型，再次通过水文分析法提取得到了山脊线和山谷线，从而建立地貌形态的第一级分类体系。该级分类精确的将山区地貌概化为正地貌和负地貌，本发明将划分出的正地貌称为山，负地貌称为谷。
二、确定正、负地貌类型顶部和底部形态的划分。
《地貌学词典》中对于山脊的形态描述分为平坦、弯曲和尖锐三种(周成虎，2007)。因此本发明的第二级分类体系将正地貌顶部和负地貌底部的形态归类为平和弯两种形态。
参照《水土保持综合治理规划通则(GBT/15772-2008)》中的坡度划分将5°以下的地区划分为平地。通过识别山脊线和山谷线的平均坡度确定正地貌顶部和负地貌底部的形态，将正地貌划分为顶部平坦和顶部弯曲两种类型，负地貌也划分为底部平坦和底部弯曲两种类型，从而建立地貌形态的第二级分类体系，具体步骤如下：
(1)在中，“3DAnalyst工具”-“栅格表面”-“坡度”。输入DEM数据，得到坡度。
(2)“SpatialAnalyst工具”-“区域分析”-“以表格显示分区统计”，分别输入坡度、山脊线以及坡度、山谷线，分别得到山脊线和山谷线的平均坡度的dbf格式文件。
(3)将平均坡度的数据连接至山谷线和山脊线。打开“属性”-“按属性选择”，输入公式“"坡度字段"<＝5”，从而筛选出地貌的顶部/底部平坦的正地貌/负地貌。点击“切换选择”后，筛选出地貌的顶部/底部弯曲的正地貌/负地貌，到的结果如图4所示。
三、确定正、负地貌类型的陡坡、缓坡形态。
A、山区地貌类型的分割，具体步骤如下：
西南山区划分出的山区地貌类型范围差异较大。正地貌中部分山体的范围较大，而又存在占地面积较小的山体，而负地貌则在山区连为一个整体。因此采用基于SWAT模型生成小流域边界，从而分割山区地貌类型，分割后的山区地貌类型范围差异变小。
B、陡坡、缓坡划分，具体步骤如下：
(1)在中，输入坡度数据(25°以下的地表划分为缓坡，大于25°为陡坡，依据《退耕还林条例》)，将正、负地貌划分为缓坡和陡坡，然后统计每一个分割单元中的缓坡和陡坡的面积，取其中的最大值确定该单元的类型。
(2)基于微积分的思想，根据正、负地貌中分割单元类型个数的最大值确定正、负地貌属于陡坡还是缓坡。
四、基于正负地貌类型的山区地貌分类体系。
依据步骤一、步骤二、步骤三的结果将山区划分为(1)正地貌或负地貌，将正、负地貌的顶部和底部形态划分为(2)正地貌顶部平坦和顶部弯曲，负地貌底部平坦和底部弯曲，将正、负地貌划分为(3)陡坡、缓坡，因此得到表1和图1所示的山区地貌分类体系，实验地的地貌划分结果如图5所示：
表1
五、正负地貌类型的山区地貌分类体系判断与农用地的关联。
依据步骤一、步骤二、步骤三、步骤四的操作将四川省雅安市西北部山区的山区地貌进行分类，该地区的农用地数据来源于MODISLandCoverType数据，通过谷歌遥感影像解译出水田、旱地、茶园、果园等农用地类型。
根据该地区的山区地貌分类和农用地数据，采用现有的Pearson相关性分析计算得出2020年水田、旱地、茶园、果园面积与山区地貌类型的相关度，得到的结果如表2所示：
表2
*表示P<0.05,**表示P<0.01
依据表2的结果可知，大部分地貌类型无法同时与4种农用地类型具有显著相关关系，而缓坡“U”型谷(相关度0.128-0.356)和缓坡“V”型谷(相关度0.074-0.541)对于4种农用地类型均具有显著的相关关系，说明上述两种山区地貌类型是四川省雅安市西北部山区最适合农用地分布的地貌类型，即在进行农业用地规划时应该考虑到地形、地貌对农业生产的影响，本发明的分类方法为农用地的国土空间规划提供一个全新的指标。
找出雅安地区西北部山区最适合的农业用地分布的地貌类型和相关度，为雅安地区依据当地海拔、气候、地理环境的实际情况筛选和引进优质经济作物或高价值作物做出贡献。
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宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (8)
1.一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述方法是将山区地貌划分为正地貌和负地貌后，对正、负地貌顶部和底部形态进行划分，再进行缓坡和陡坡划分，依据划分结果得到山区地貌分类体系。
2.根据权利要求1所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述依据划分结果得到山区地貌分类体系，得到的分类体系如下：
(1)平顶-缓坡山；(2)尖顶-缓坡山；(3)平顶-陡坡山；(4)尖顶-陡坡山；(5)缓坡“U”型谷；(6)缓坡“V”型谷；(7)陡坡“U”型谷；(8)陡坡“V”型谷。
3.根据权利要求2所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述山区地貌划分为正地貌和负地貌的操作如下：
所述正地貌和负地貌是根据数字高程模型(DEM)数据移动窗口法计算得到的，划分正、负地貌后利用水文分析方法提取正、负地貌中的山脊线和山谷线。
4.根据权利要求3所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述山脊线和山谷线是利用软件提取得到的。
5.根据权利要求4所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述正、负地貌进行划分得到顶部和底部形态划分操作如下：
通过识别山脊线和山谷线的平均坡度确定正、负地貌的顶部、底部形态，将正地貌划分为顶部平坦和顶部弯曲两种类型，将负地貌划分为底部平坦和底部弯曲两种类型。
6.根据权利要求5所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述正、负地貌的顶部、底部形态采用软件进行划分的，其中划分依据为将坡度为5°及5°以下的地区划分为平地。
7.根据权利要求6所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，所述正、负地貌的缓坡陡坡划分操作如下：
基于正、负地貌中的山脊线和山谷线的垂线分割山区地貌类型，构建山脊垂线和山谷垂线并按照正、负地貌裁剪得到分割结果，利用坡度数据将正、负地貌划分为缓坡和陡坡，统计分割单元中缓坡和陡坡的面积。
8.根据权利要1-7任一权利要求所述的一种利用正负地貌准确识别山区地貌分类的方法，其特征在于，还包括以下步骤：
判断某山区或地区最适合山区农用地分布山区地貌类型，具体的判断规则如下：
(1)计算该地区的农用地与山区地貌类型的相关度；
(2)依据相关度筛选出最适合于农用地的地貌类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019159.9A CN115374860A (zh) | 2022-08-24 | 2022-08-24 | 一种利用正负地貌准确识别山区地貌分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019159.9A CN115374860A (zh) | 2022-08-24 | 2022-08-24 | 一种利用正负地貌准确识别山区地貌分类的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115374860A true CN115374860A (zh) | 2022-11-22 |
Family
ID=84067223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211019159.9A Pending CN115374860A (zh) | 2022-08-24 | 2022-08-24 | 一种利用正负地貌准确识别山区地貌分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115374860A (zh) |
-
2022
- 2022-08-24 CN CN202211019159.9A patent/CN115374860A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| MacMillan et al. | Automated analysis and classification of landforms using high-resolution digital elevation data: applications and issues | |
| Jasiewicz et al. | A new GRASS GIS toolkit for Hortonian analysis of drainage networks | |
| Hermosilla et al. | Assessing contextual descriptive features for plot-based classification of urban areas | |
| Dorren et al. | Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification | |
| Bock et al. | Spatial indicators for nature conservation from European to local scale | |
| Band | A terrain‐based watershed information system | |
| Zaragozí et al. | Modelling farmland abandonment: A study combining GIS and data mining techniques | |
| Kiptala et al. | Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa | |
| CN106548141A (zh) | 一种基于三角网的面向对象耕地信息自动提取方法 | |
| CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| Gruber et al. | Algorithms vs. surveyors: A comparison of automated landform delineations and surveyed topographic positions from soil mapping in an Alpine environment | |
| CN115272866A (zh) | 一种基于正负地貌的山区地貌形态分类的方法与应用 | |
| CN107194857B (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
| Lin et al. | WinBasin: Using improved algorithms and the GIS technique for automated watershed modelling analysis from digital elevation models | |
| Wang et al. | Combining SAR images with land cover products for rapid urban flood mapping | |
| Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
| Lobo et al. | Fine-scale mapping of a grassland from digitized aerial photography: An approach using image segmentation and discriminant analysis | |
| Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
| CN115374860A (zh) | 一种利用正负地貌准确识别山区地貌分类的方法 | |
| CN115544789A (zh) | 基于数字高程模型和坡度成本距离的河谷平原提取方法 | |
| CN115271343A (zh) | 一种缺水区作物种植结构监测和调整决策的方法及系统 | |
| Hagos et al. | Land Use/Land Cover Change Detection and Its Driving Factors in Suluh River Basin, Northern Highland Part of Ethiopia | |
| Nael et al. | Spatial analysis of the land suitability for cocoa plantations in East Dusun District | |
| Overton et al. | Flood modelling and vegetation mapping in large river systems | |
| CN113850823B (zh) | 基于不同特征自动分割的树木提取方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240730 Address after: Building 5, Zone 9, No. 188 South Fourth Ring West Road, Fengtai District, Beijing 100070 Applicant after: China Quality Certification Center Co.,Ltd. Country or region after: China Address before: Zone 9, No. 188, South Fourth Ring West Road, Fengtai District, Beijing 100070 Applicant before: CHINA QUALITY CERTIFICATION CENTER Country or region before: China |
|
| TA01 | Transfer of patent application right |