CN116958814A - 一种湿地典型植物生长情况实时监测方法及系统 - Google Patents
一种湿地典型植物生长情况实时监测方法及系统 Download PDFInfo
- Publication number
- CN116958814A CN116958814A CN202310909954.3A CN202310909954A CN116958814A CN 116958814 A CN116958814 A CN 116958814A CN 202310909954 A CN202310909954 A CN 202310909954A CN 116958814 A CN116958814 A CN 116958814A
- Authority
- CN
- China
- Prior art keywords
- data
- wetland
- ecological
- hydrologic
- historical
- 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 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000008635 plant growth Effects 0.000 title claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000012010 growth Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 68
- 238000010276 construction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000001556 precipitation Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本申请公开了一种湿地典型植物生长情况实时监测方法及系统，其中方法步骤包括：获取历史湿地生态水文数据；基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；对预测模型进行训练，得到最终模型；实时收集当前湿地生态水文数据，并输入至最终模型，得到预测值，基于预测值，完成监测。本申请提供了一种湿地典型植物生长情况过程自动实时监测方法及系统，能够通过历史数据构建湿地典型植物生长情况预测模型；对湿地植被生长情况进行预测；将当前数据输入生态水文预测模型中，得到预测弥补由人为观测引起的数据不连续、不完整以及数据质量差的问题。
Description
技术领域
本申请涉及生态环境监测领域，具体涉及一种湿地典型植物生长情况实时监测方法及系统。
背景技术
湿地典型植物生长情况实时监测包括了植物在不同阶段的各类生态指标，如植物的覆盖率、株高、叶面积以及植物所含叶绿素等物质等。获取监测数据的手段通过对已知生态数据，即湿地典型植物的历史生长情况；以及水文数据，包括水位、流量、泥沙、水温、水质、地下水、降水、蒸发及水文调查资料等，建立数学模型，进行数学模拟，之后通过计算机再进行数值模拟，以得到湿地典型植物生长各类数据以及生长状态模拟图。
为了更好了解湿地植物在不同干旱条件下生长情况，通常需到野外湿地对其生态水文数据以及典型植物生长情况进行人工测量，但是由于人为操作，数据监测难度大，且受外界影响大，所监测到数据存在不连续、不完整，数据质量差等问题。
因此，如何提供一种湿地典型植物生长情况自动实时监测方法及系统是本领域技术人员亟需解决的问题。
发明内容
为解决上述背景中的技术问题，本申请提供了一种湿地典型植物生长情况自动实时监测方法及系统，能够通过预测完善由人为观测引起的数据不连续、不完整以及数据质量差的问题。
为实现上述目的，本申请提供了以下方案：
一种湿地典型植物生长情况实时监测方法，步骤包括：
获取历史湿地生态水文数据；
基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；
对所述预测模型进行训练，得到最终模型；
实时收集当前湿地生态水文数据，并输入至所述最终模型，得到预测值，基于所述预测值，完成监测。
优选的，构建所述预测模型的方法包括：
对历史湿地生态水文数据进行分类，按照数据特征进行分类，得到分类结果；
基于所述分类结果，构建生态数据库和水文子模型；
通过所述生态数据库预测生态预测值，通过所述水文子模型得到水文预测值。
优选的，得到所述生态数据预测值的步骤包括：
获取湿地遥感图像和航拍图像；
对所述湿地遥感图像和所述航拍图像进行预处理，得到动态变化数据和植物动态变化过程；
基于所述动态变化数据和所述植物动态变化过程，得到预测变化趋势数据；
对所述预测变化趋势数据进行修正，得到变化趋势数据；基于所述变化趋势数据进行预测，得到所述生态预测值。
优选的，所述修正的方法包括：将所述历史湿地生态水文数据输入神经网络模型，通过各因素对生态数据变化的影响情况确定影响因子权重系数。
优选的，得到所述水文预测值的方法包括：
获取历史水文时序数据，并对所述历史水文时序数据进行模态分解，得到本征项和趋势项；
分别利用所述本征项和所述趋势项训练神经网络，得到本征项预测值和趋势项预测值；
将所述本征项预测值和所述趋势项预测值进行累加，得到所述水文预测值。
本申请还提供了一种湿地典型植物生长情况实时监测系统，包括：采集模块、构建模块、训练模块和预测模块；
所述采集模块用于获取历史湿地生态水文数据；
所述构建模块用于基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；
所述训练模块用于对所述预测模型进行训练，得到最终模型；
所述预测模块用于实时收集当前湿地生态水文数据，并输入至所述最终模型，得到预测值，基于所述预测值，完成监测。
优选的，所述构建模块的工作流程包括：
对历史湿地生态水文数据进行分类，按照数据特征进行分类，得到分类结果；
基于所述分类结果，构建生态数据库和水文子模型；
通过所述生态数据库预测生态预测值，通过所述水文子模型得到水文预测值。
优选的，得到所述生态数据预测值的步骤包括：
获取湿地遥感图像和航拍图像；
对所述湿地遥感图像和所述航拍图像进行预处理，得到动态变化数据和植物动态变化过程；
基于所述动态变化数据和所述植物动态变化过程，得到预测变化趋势数据；
对所述预测变化趋势数据进行修正，得到变化趋势数据；基于所述变化趋势数据进行预测，得到所述生态预测值。
与现有技术相比，本申请的有益效果如下：
本申请提供了一种湿地典型植物生长情况过程自动实时监测方法及系统，能够通过历史数据构建湿地典型植物生长情况预测模型；对湿地植被生长情况进行预测；将当前数据输入生态水文预测模型中，得到预测弥补由人为观测引起的数据不连续、不完整以及数据质量差的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请的方法流程示意图；
图2为本申请的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本实施例的方法流程示意图，步骤包括：
S1.获取历史湿地生态水文数据。
获取的湿地生态水文数据包括：
湿地典型植物的历史生长情况、水位、流量、泥沙、水温、水质、地下水、降水、蒸发及水文调查资料。
S2.基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型。
具体步骤包括：
S201.对历史湿地生态水文数据进行分类，按照数据特征进行分类，分别得到生态数据和水文数据(分类结果)。
S202.基于分类结果，构建生态数据库和水文子模型；通过生态数据库预测生态预测值，通过水文子模型得到水文预测值。
在本实施例中，得到生态数据预测值的步骤包括：
1)获取湿地遥感图像和航拍图像；
2)对湿地遥感图像和航拍图像进行预处理，得到动态变化数据和植物动态变化过程；预处理包括：
图像恢复：即校正在成像、记录、传输或回放过程中引入的数据错误、噪声与畸变。包括辐射校正、几何校正等；
数据压缩：以改进传输、存储和处理数据效率；
影像增强：突出数据的某些特征，以提高影像目视质量。包括彩色增强、反差增强、边缘增强、密度分割、比值运算、去模糊等；
信息提取：从经过增强处理的影像中提取有用的遥感信息。包括采用各种统计分析、集群分析、频谱分析等自动识别与分类。
提取湿地气温、降水等水文数据的动态变化数据，以及湿地植物的动态变化过程。获取不同时间点湿地气温、降水等水文数据和湿地植物随其生长变化过程。
3)基于动态变化数据和植物动态变化过程，得到预测变化趋势数据；具体步骤包括：
在不同水文数据条件下，生态数据随之变化，根据历史数据的变化规律得到预测变化趋势。
4)对预测变化趋势数据进行修正，得到变化趋势数据；基于变化趋势数据进行预测，得到生态预测值。具体步骤包括：
将历史湿地生态水文数据输入神经网络模型，通过各个因素对生态数据变化的影响情况确定影响因子权重系数；具体内容包括：
神经网络模型是各水文数据对生态数据的影响情况，其方程为F(x)＝mx+ny，其中F(x)为生态数据，m，n为权重系数，x，y为各影响因子数据，不同情况下权重系数和影响因子个数动态调整，得出经验权重系数。
利用影响因子权重系数对变化趋势数据进行修正，即将经验权重系数代入生态水文数据，得到变化趋势数据。
而构建水文子模型的步骤包括：
1)获取历史水文时序数据，并对历史水文时序数据进行模态分解，得到本征项和趋势项；具体步骤包括：
收集历史水文时序数据，并对所述历史水文时序数据进行模态分解，具体过程为：输入原始数据→分为本征项和趋势项→得出结果；其中本征项表征不同时间尺度的演变过程；趋势项具有较大时间尺度的变化过程，其反映了时序数据与影响其长期演化的主要因子(即影响因素)之间的响应关系，即影响因素的影响关系。
2)分别利用本征项和趋势项训练神经网络，得到第一预测模型和第二预测模型；具体内容包括：
获取当前水文时序数据，并输入至第一预测模型和第二预测模型，其中第一预测模型公式为y1＝kh，表示在不同时间尺度k下生态数据y1的演变过程；第二模型预测公式为y2＝lz，反映了时序数据y2与影响其长期演化的主要因子(即影响因素)之间的响应关系。即得到本征项预测值和趋势项预测值；输入部分历史水文数据，获取已知年份的预测数据并与其实测数据进行对比调试。获取当前水文时序数据，分别输入所述第一预测模型和所述第二预测模型，得到本征项预测值和趋势项预测值；
3)将本征项预测值和趋势项预测值进行累加，得到水文预测值。
将水文时序数据进行分解，分别对演变过程和演变过程对应的映射关系进行预测，然后累加得到最终预测值。
S3.对预测模型进行训练，得到最终模型；具体内容包括:
将部分历史已知水文数据输入模型，用其预测已知年份数据，并与该年份实际数值进行对比，完成训练，得到最终模型。
S4.实时收集当前湿地生态水文数据，并输入至调试好的最终模型，得到预测值，基于预测值，完成监测。
实施例二
如图2所示，为本实施例的系统结构示意图，包括：采集模块、构建模块、训练模块和预测模块；采集模块用于获取历史湿地生态水文数据；构建模块用于基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；训练模块用于对预测模型进行训练，得到最终模型；预测模块用于实时收集当前湿地生态水文数据，并输入至最终模型，得到预测值，基于预测值，完成监测。
下面将结合本实施例，详细说明本申请如何解决实际生活中的技术问题。
首先，利用采集模块获取历史湿地生态水文数据。
获取的湿地生态水文数据包括：
湿地典型植物的历史生长情况、水位、流量、泥沙、水温、水质、地下水、降水、蒸发及水文调查资料。
之后，构建模块基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型。具体流程包括：
首先，对历史湿地生态水文数据进行分类，按照数据特征进行分类，分别得到生态数据和水文数据(分类结果)。
之后，基于分类结果，构建生态数据库和水文子模型；通过生态数据库预测生态预测值，通过水文子模型得到水文预测值。
在本实施例中，得到生态数据预测值的流程包括：
1)获取湿地遥感图像和航拍图像；
2)对湿地遥感图像和航拍图像进行预处理，得到动态变化数据和植物动态变化过程；预处理包括：
图像恢复：即校正在成像、记录、传输或回放过程中引入的数据错误、噪声与畸变。包括辐射校正、几何校正等；
数据压缩：以改进传输、存储和处理数据效率；
影像增强：突出数据的某些特征，以提高影像目视质量。包括彩色增强、反差增强、边缘增强、密度分割、比值运算、去模糊等；
信息提取：从经过增强处理的影像中提取有用的遥感信息。包括采用各种统计分析、集群分析、频谱分析等自动识别与分类。
提取湿地气温、降水等水文数据的动态变化数据，以及湿地植物的动态变化过程。获取不同时间点湿地气温、降水等水文数据和湿地植物随其生长变化过程。
3)基于动态变化数据和植物动态变化过程，得到预测变化趋势数据；具体流程包括：
在不同水文数据条件下，生态数据随之变化，根据历史数据的变化规律得到预测变化趋势。
4)对预测变化趋势数据进行修正，得到变化趋势数据；基于变化趋势数据进行预测，得到生态预测值。具体流程包括：
将历史湿地生态水文数据输入神经网络模型，通过各个因素对生态数据变化的影响情况确定影响因子权重系数；具体内容包括：
神经网络模型是各水文数据对生态数据的影响情况，其方程为F(x)＝mx+ny，其中F(x)为生态数据，m，n为权重系数，x，y为各影响因子数据，不同情况下权重系数和影响因子个数动态调整，得出经验权重系数。
利用影响因子权重系数对变化趋势数据进行修正，即将经验权重系数代入生态水文数据，得到变化趋势数据。
而构建水文子模型的流程包括：
1)获取历史水文时序数据，并对历史水文时序数据进行模态分解，得到本征项和趋势项；具体流程包括：
收集历史水文时序数据，并对所述历史水文时序数据进行模态分解，具体过程为：输入原始数据→分为本征项和趋势项→得出结果；其中本征项表征不同时间尺度的演变过程；趋势项具有较大时间尺度的变化过程，其反映了时序数据与影响其长期演化的主要因子(即影响因素)之间的响应关系，即影响因素的影响关系。
2)分别利用本征项和趋势项训练神经网络，得到第一预测模型和第二预测模型；具体内容包括：
获取当前水文时序数据，并输入至第一预测模型和第二预测模型，其中第一预测模型公式为y1＝kh，表示在不同时间尺度k下生态数据y1的演变过程；第二模型预测公式为y2＝lz，反映了时序数据y2与影响其长期演化的主要因子(即影响因素)之间的响应关系。即得到本征项预测值和趋势项预测值；输入部分历史水文数据，获取已知年份的预测数据并与其实测数据进行对比调试。获取当前水文时序数据，分别输入所述第一预测模型和所述第二预测模型，得到本征项预测值和趋势项预测值；
3)将本征项预测值和趋势项预测值进行累加，得到水文预测值。
将水文时序数据进行分解，分别对演变过程和演变过程对应的映射关系进行预测，然后累加得到最终预测值。
通过训练模块对预测模型进行训练，得到最终模型；具体内容包括:
将部分历史已知水文数据输入模型，用其预测已知年份数据，并与该年份实际数值进行对比，完成训练，得到最终模型。
最后，利用预测模块实时收集当前湿地生态水文数据，并输入至调试好的最终模型，得到预测值，基于预测值，完成监测。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种湿地典型植物生长情况实时监测方法，其特征在于，步骤包括：
获取历史湿地生态水文数据；
基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；
对所述预测模型进行训练，得到最终模型；
实时收集当前湿地生态水文数据，并输入至所述最终模型，得到预测值，基于所述预测值，完成监测。
2.根据权利要求1所述的湿地典型植物生长情况实时监测方法，其特征在于，构建所述预测模型的方法包括：
对历史湿地生态水文数据进行分类，按照数据特征进行分类，得到分类结果；
基于所述分类结果，构建生态数据库和水文子模型；
通过所述生态数据库预测生态预测值，通过所述水文子模型得到水文预测值。
3.根据权利要求2所述的湿地典型植物生长情况实时监测方法，其特征在于，得到所述生态数据预测值的步骤包括：
获取湿地遥感图像和航拍图像；
对所述湿地遥感图像和所述航拍图像进行预处理，得到动态变化数据和植物动态变化过程；
基于所述动态变化数据和所述植物动态变化过程，得到预测变化趋势数据；
对所述预测变化趋势数据进行修正，得到变化趋势数据；基于所述变化趋势数据进行预测，得到所述生态预测值。
4.根据权利要求3所述的湿地典型植物生长情况实时监测方法，其特征在于，所述修正的方法包括：将所述历史湿地生态水文数据输入神经网络模型，通过各因素对生态数据变化的影响情况确定影响因子权重系数。
5.根据权利要求2所述的湿地典型植物生长情况实时监测方法，其特征在于，得到所述水文预测值的方法包括：
获取历史水文时序数据，并对所述历史水文时序数据进行模态分解，得到本征项和趋势项；
分别利用所述本征项和所述趋势项训练神经网络，得到本征项预测值和趋势项预测值；
将所述本征项预测值和所述趋势项预测值进行累加，得到所述水文预测值。
6.一种湿地典型植物生长情况实时监测系统，其特征在于，包括：采集模块、构建模块、训练模块和预测模块；
所述采集模块用于获取历史湿地生态水文数据；
所述构建模块用于基于历史湿地生态水文数据，构建湿地典型植物生长情况的预测模型；
所述训练模块用于对所述预测模型进行训练，得到最终模型；
所述预测模块用于实时收集当前湿地生态水文数据，并输入至所述最终模型，得到预测值，基于所述预测值，完成监测。
7.根据权利要求6所述的一种湿地典型植物生长情况实时监测系统，其特征在于，所述构建模块的工作流程包括：
对历史湿地生态水文数据进行分类，按照数据特征进行分类，得到分类结果；
基于所述分类结果，构建生态数据库和水文子模型；
通过所述生态数据库预测生态预测值，通过所述水文子模型得到水文预测值。
8.根据权利要求6所述的一种湿地典型植物生长情况实时监测系统，其特征在于，得到所述生态数据预测值的步骤包括：
获取湿地遥感图像和航拍图像；
对所述湿地遥感图像和所述航拍图像进行预处理，得到动态变化数据和植物动态变化过程；
基于所述动态变化数据和所述植物动态变化过程，得到预测变化趋势数据；
对所述预测变化趋势数据进行修正，得到变化趋势数据；基于所述变化趋势数据进行预测，得到所述生态预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909954.3A CN116958814A (zh) | 2023-07-24 | 2023-07-24 | 一种湿地典型植物生长情况实时监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909954.3A CN116958814A (zh) | 2023-07-24 | 2023-07-24 | 一种湿地典型植物生长情况实时监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116958814A true CN116958814A (zh) | 2023-10-27 |
Family
ID=88442211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310909954.3A Pending CN116958814A (zh) | 2023-07-24 | 2023-07-24 | 一种湿地典型植物生长情况实时监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958814A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
| US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
| WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
| CN112991247A (zh) * | 2021-03-04 | 2021-06-18 | 河南省气象科学研究所 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
| WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN114283344A (zh) * | 2021-12-28 | 2022-04-05 | 中国科学院西北生态环境资源研究院 | 一种森林生态水文过程自动实时监测方法及系统 |
| CN115373047A (zh) * | 2022-03-22 | 2022-11-22 | 华中师范大学 | 一种协同多源遥感参量的综合遥感干旱监测方法 |
| US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
| CN115456847A (zh) * | 2022-09-20 | 2022-12-09 | 中国科学院东北地理与农业生态研究所 | 一种基于多源遥感数据的湿地生态干旱识别与评估方法 |
| CN115510124A (zh) * | 2022-09-22 | 2022-12-23 | 海南省林业科学研究院(海南省红树林研究院) | 一种森林生态观测站大数据的标准化管理系统及方法 |
-
2023
- 2023-07-24 CN CN202310909954.3A patent/CN116958814A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
| US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
| WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
| WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN112991247A (zh) * | 2021-03-04 | 2021-06-18 | 河南省气象科学研究所 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
| US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
| CN114283344A (zh) * | 2021-12-28 | 2022-04-05 | 中国科学院西北生态环境资源研究院 | 一种森林生态水文过程自动实时监测方法及系统 |
| CN115373047A (zh) * | 2022-03-22 | 2022-11-22 | 华中师范大学 | 一种协同多源遥感参量的综合遥感干旱监测方法 |
| CN115456847A (zh) * | 2022-09-20 | 2022-12-09 | 中国科学院东北地理与农业生态研究所 | 一种基于多源遥感数据的湿地生态干旱识别与评估方法 |
| CN115510124A (zh) * | 2022-09-22 | 2022-12-23 | 海南省林业科学研究院(海南省红树林研究院) | 一种森林生态观测站大数据的标准化管理系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| JACK TWIDDY 等: "Real-Time Monitoring of Plant Stalk Growth Using a Flexible Printed Circuit Board Sensor", 《IEEE》 * |
| MENG LUO 等: "Temporal and Spatial Changes of Ecological Environment Quality Based on RSEI: A Case Study in Ulan Mulun River Basin, China", 《SUSTAINABILITY》 * |
| XUE-BO JIN 等: "Hybrid Deep Learning Predictor for Smart Agriculture Sensing Based on Empirical Mode Decomposition and Gated Recurrent Unit Group Model", 《SENSORS》 * |
| 樊晶晶 等: "基于基流和降水的水文气象综合干旱指数 构建及在渭河的应用", 《人民珠江》, vol. 43, no. 5 * |
| 程瑶 等: "漳河上游河流水化学特征及主要离子来源", 《华北水利水电大学学报(自然科学版)》, vol. 44, no. 2 * |
| 黎云云 等: "气候和土地利用变化下黄河流域农业干旱时空演变及驱动机制", 《农业工程学报》, vol. 37, no. 19 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
| Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
| CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
| CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN115357847B (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
| CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
| CN113505923A (zh) | 一种地区电网短期负荷预测方法及系统 | |
| Zaw et al. | Empirical statistical modeling of rainfall prediction over Myanmar | |
| CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
| CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
| CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
| CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
| CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
| CN116958814A (zh) | 一种湿地典型植物生长情况实时监测方法及系统 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| CN115345488A (zh) | 一种湿地生态系统服务评估方法、装置、服务器及介质 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 |
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 |