CN117216725A - 基于遥感的小样本可迁移桉树碳储量估算方法 - Google Patents
基于遥感的小样本可迁移桉树碳储量估算方法 Download PDFInfo
- Publication number
- CN117216725A CN117216725A CN202311160455.5A CN202311160455A CN117216725A CN 117216725 A CN117216725 A CN 117216725A CN 202311160455 A CN202311160455 A CN 202311160455A CN 117216725 A CN117216725 A CN 117216725A
- Authority
- CN
- China
- Prior art keywords
- eucalyptus
- carbon
- sample
- lidar
- model
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 38
- 244000166124 Eucalyptus globulus Species 0.000 title abstract 4
- 241000219927 Eucalyptus Species 0.000 claims description 92
- 238000011160 research Methods 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002023 wood Substances 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241001649190 Campsis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种基于遥感的小样本可迁移桉树碳储量估算方法，涉及一种利用样地‑机载激光雷达‑陆地卫星时间序列数据建模策略估算亚热带地区桉树碳储量的方法，具体地说，是指一种通过机载激光雷达数据将样地与Landsat衍生的植被年龄联系起来，在区域范围内估算桉树的碳储量的方法，属于森林碳储量估算技术领域。
Description
技术领域
本发明涉及森林碳储量估算技术领域，尤其是一种基于遥感的小样本可迁移桉树碳储量估算方法。
背景技术
截至2018年，桉树覆盖了全球超过2000万公顷，大幅增加的桉树面积被认为是一个巨大的碳汇。相较于其他人工林，桉树生长速度快、采伐周期短、适应性强、用途广泛，是重要的经济林木。及时更新桉树碳储量数据对于更好地了解和量化其对生态和水文过程的影响至关重要。
在过去的三十年中，使用不同类型的遥感数据，例如光学、雷达以及Lidar数据，已经广泛应用于森林碳储量估算。然而，光学和雷达数据的数据饱和及其对地形、大气条件和植被物候的敏感性，使得模型精度低，且不具备可迁移性。因此，亟需从遥感数据中提取不受外部因素影响的变量，同时该变量与森林碳储量有密切关系。森林高度和年龄变量是可以满足要求的两个参数。
机载激光雷达(Lidar)具有捕获森林高度信息的能力，被认为是森林碳储量估算中最有前途的技术。然而，精确的树高通常从小光斑的机载激光雷达数据中获得，考虑到数据采集成本和数据量，这些数据通常限制在小区域内。相较于更高成本和难度的样地实测数据，近年来，机载激光雷达数据经常被用作连接样地和粗分辨率遥感数据的桥梁。此类中间数据集的使用为模型的建模和验证提供了大量样本，以弥补地面调查中空间采样的不足，从而建立适合大范围使用的可靠的碳储量估测模型。
除了冠层高度，森林年龄是另一个与碳储量密切相关的变量。目前，通过对长时间序列遥感影像(Landsat)进行干扰检测，识别森林砍伐和重新造林来提取森林年龄的方法已经被广泛应用。以往的研究使用以年为单位的林龄作为森林碳储量模型的预测变量，然而，该数据无法有效捕捉生长速率快的桉树在其幼林阶段的生长特征，这表明有必要使用更精准的林龄变量来建立桉树碳储量估算模型。Li等人开发的通过结合随机定位分割和邹氏检验来提取以月为单位林龄的新方法为模型的实现提供了可能。
发明内容
本发明的目的在于提供一种利用样地-机载激光雷达-陆地卫星时间序列数据建模策略估算亚热带地区桉树碳储量的方法，以解决当前碳储量估测精度低、模型可扩展性差的技术问题。其涉及一种利用样地-机载激光雷达-陆地卫星时间序列数据建模策略估算亚热带地区桉树碳储量的方法，具体地说，是指一种通过机载激光雷达数据将样地与Landsat衍生的植被年龄联系起来，在区域范围内估算桉树的碳储量的方法，属于森林碳储量估算技术领域。
其具体采用以下技术方案：
一种基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：通过机载激光雷达数据将样地与Landsat衍生的植被年龄进行关联，在区域范围内估算桉树的碳储量。
进一步地，包括以下步骤：
步骤1：利用实地每木检尺测量，获取样地的碳储量观测值；
步骤2：对研究区内Lidar数据进行预处理，得到冠层高度模型CHM；
步骤3：以样地范围为矢量边界，基于Lidar CHM数据，提取对应样地的林分高度变量；
步骤4：以样地碳储量为因变量，Lidar变量为自变量，用逐步回归选择具有统计学意义的变量，建立桉树碳储量的多元线性回归模型；
步骤5：根据步骤4建立好的Lidar覆盖区的桉树碳储量模型，计算得到Lidar覆盖区的碳储量估测值；
步骤6：将Lidar覆盖区域的碳储量分布图与桉树分布图叠加在一起，利用分层随机抽样的方法，选取训练样本和验证样本；
步骤7：使用随机定位分割法和邹氏检验对研究区内Landsat时间序列NDVI数据进行动态变化监测，从而获取桉树林龄；
步骤8：根据步骤6中采集的样本位置，提取对应位置上桉树林龄的数值；然后将桉树林龄对数转换，以转换后的数值为自变量，以步骤6中的训练样本为因变量，建立桉树碳储量的非线性回归模型；
步骤9：根据步骤8建立好的研究区桉树碳储量模型，计算步骤7中获取的桉树林龄影像的每个像元，得到整个研究区桉树碳储量估测结果图。
进一步地，在步骤3当中，提取对应样地的林分高度变量包括：高度百分位数、平均值、偏度、峰度；之后再利用皮尔逊相关分析法，去除与其他变量具有高相关性而与桉树碳储量相关性较小的变量。
进一步地，步骤4中，具体的回归模型为：
y＝b0+b1x1+b2x2+…+bixi (1)
其中y表示样地碳储量实测值，xi表示为步骤3中筛选后的Lidar变量集，bi表示为线性模型中的系数；
通过软件SPSS中的逐步回归算法得到具体的模型和模型参数。
进一步地，步骤5中，根据步骤4建立好的Lidar覆盖区的桉树碳储量模型，确定选中的Lidar变量；利用软件ArcMap的创建渔网工具，以Lidar数据为范围，创建样地大小的polygon矢量数据；然后根据矢量数据，提取polygon范围内对应的Lidar统计变量；最后在软件ArcMap中对所有polygon进行函数关系式代入，得到Lidar覆盖区的碳储量估测值。
进一步地，步骤8中，根据步骤6中采集的样本位置，提取对应位置上桉树林龄的数值；然后将桉树林龄对数转换，以转换后的数值为自变量，以步骤6中的训练样本为因变量，建立桉树碳储量的非线性回归模型，具体的非线性回归模型：
y＝c0+c1ln(x) (2)
其中y为步骤6中的训练样本碳储量值，x表示为步骤7中的桉树林龄，c0和c1表示为模型中的系数；
通过软件SPSS建立碳储量与林龄的一元函数关系，得到c0和c1。
进一步地，步骤9中，根据步骤8建立好的研究区桉树碳储量模型，在软件ENVI中输入模型方程后计算步骤7中获取的桉树林龄影像的每个像元，得到整个研究区桉树碳储量估测结果图。
相比于现有技术，本发明及其优选方案利用机载激光雷达数据预测的碳储量对于增加区域尺度模型的样本数量具有重要价值，且该样本集能充分反映研究区桉树碳储量生长状况；相较于使用以年为单位的林龄数据，本发明利用以月为单位的林龄数据建立桉树碳储量模型，以应对桉树在幼林阶段快速变化的情况。本发明的建模策略充分发挥机载激光雷达和时间序列遥感影像估测碳储量的优势，有效提高了桉树碳储量估测精度和解决了模型在时间尺度上迁移的问题。
附图说明
下面结合附图和具体实施方式对本发明进一步详细说明：
图1为本发明实施例桉树碳储量估测方法的流程图；
图2为本发明实施例中桉树林龄与碳储量的关系散点图；
图3为本发明实施例中桉树碳储量估测结果图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
本发明的实施例是基于机载Lidar和时间序列Landsat系列NDVI数据，对福建省云霄县进行桉树碳储量估算，参照图1，本发明实施例的具体步骤如下：
步骤1：利用实地每木检尺测量，获取样地的碳储量观测值；
本实施例中，根据桉树分布情况，随机选取样地，对样地内进行每木检尺，记录树种与胸径，根据研究区主要树种的异速生长方程(Du等人，2014)计算单木的生物量，然后通过树种对应的碳系数进行碳储量的转换，最终将样地内所有单木累加并换算成每公顷下的碳储量。
步骤2：对研究区内Lidar数据进行预处理，得到冠层高度模型(CHM)
具体实施时，使用Lidar360软件包对机载lidar点云数据进行去噪、滤波、归一化的预处理。对地面点进行反距离权重插值算法生成数字高程模型(DEM),首次回波插值生成数字表面模型(DSM)，空间分辨率均为1m。然后，对DSM和DEM进行栅格差值运算得到冠层高度模型(CHM)。
步骤3：基于Lidar CHM数据，提取各种林分高度变量，包括高度百分位数、平均值、偏度、峰度等。利用皮尔逊相关分析法，去除与其他变量具有高相关性而与桉树碳储量相关性较小的变量。
本实施例中，基于CHM计算的高度变量均是常见的Lidar统计变量，这里不加赘述。关于Lidar变量的筛选则是根据样本对包括实测碳储量观测值在内的所有变量做皮尔逊相关分析，按照与碳储量相关性从大到小排序，依次取出变量与其他变量进行相关性分析，去除相关性大于0.85但是与碳储量相关性小的变量，最终保留候选变量集。
步骤4：以样地碳储量为因变量，Lidar变量为自变量，用逐步回归选择具有统计学意义的变量，建立桉树碳储量的多元线性回归模型，具体的回归模型：
y＝b0+b1x1+b2x2+…+bixi (1)
其中y表示样地碳储量实测值，xi表示为步骤3中筛选后的Lidar变量集，bi表示为线性模型中的系数。
通过软件SPSS中的逐步回归算法得到了具体的模型和模型参数。
本实施例中，逐步回归参数设置中将p值分别设置为0.05和0.1用于确定变量是否应包含在模型中或从模型中删除。
步骤5：根据建立好的Lidar覆盖区的桉树碳储量模型，确定选中的Lidar变量。利用软件ArcMap的创建渔网工具，以Lidar数据为范围，创建样地大小的polygon矢量数据。然后根据矢量数据，提取polygon范围内对应的Lidar统计变量。最后在软件ArcMap中对所有polygon进行函数关系式代入，得到Lidar覆盖区的碳储量估测值。
本实施例中，渔网polygon的大小设置成样地大小20*20m，因此Lidar覆盖区的桉树碳储量分布图的空间分辨率为20m。
步骤6：将Lidar覆盖区域的碳储量分布图与桉树分布图叠加在一起，利用分层随机抽样的方法，选取训练样本和验证样本。
本实施例中，桉树分布图由Li等人(2022)基于时间序列Landsat NDVI和地形特征使用随机森林分类算法得到。该桉树分布图的生产者精度为88.2％，用户者精度为89.6％。将Lidar覆盖区域的碳储量分布图与桉树分布图叠加后，按照碳储量大小分层随机抽取样本点，尽量让样本点落在不同林分。确定样本后，随机抽取60％样本作为后续模型的训练集，40％的样本作为测试集。
步骤7：使用随机定位分割法和邹氏检验对研究区内Landsat时间序列NDVI数据进行动态变化监测，从而获取桉树林龄。
本实施例中，桉树林龄提取的算法来自Li等人(2022)，使用了1986年8月至2021年1月的Landsat时间序列NDVI数据。主要步骤包括使用随机定位分割检测NDVI时间序列变化点、确定候选变化点、去除虚假变化点、使用随机森林对分割段进行分类以及识别桉树再造林、轮伐周期和年龄。实施例中的桉树林龄产品精度为R2＝0.91,RMSE＝13.3月，空间分辨率为30m。
步骤8：根据步骤6中采集的样本位置，提取对应位置上桉树林龄的数值。然后将桉树林龄对数转换，以该变量为自变量，以步骤6中的训练样本为因变量，建立桉树碳储量的非线性回归模型，具体的非线性回归模型：
y＝c0+c1ln (x) (2)
其中y为步骤6中的训练样本碳储量值，x表示为步骤7中的桉树林龄，c0和c1表示为模型中的系数。
通过软件SPSS建立碳储量与林龄的一元函数关系，得到c0和c1。
本实施例中，考虑到桉树林龄与碳储量是非线性关系，将林龄转换为以e为底的对数形式，然后得到林龄与碳储量的回归模型：y＝-70.31+29.57ln(x)，图2中显示的模型拟合情况。
步骤9：根据步骤8建立好的研究区桉树碳储量模型，在软件ENVI中输入模型方程后计算步骤7中获取的桉树林龄影像的每个像元，得到整个研究区桉树碳储量估测结果图。
本实施例中，由于步骤7获取的桉树林龄分布图的空间分辨率为30m，所以输入至碳储量模型估测后得到研究区桉树碳储量估测结果图(图3)，空间分辨率为30m。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于遥感的小样本可迁移桉树碳储量估算方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (7)
1.一种基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：通过机载激光雷达数据将样地与Landsat衍生的植被年龄进行关联，在区域范围内估算桉树的碳储量。
2.根据权利要求1所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：
包括以下步骤：
步骤1：利用实地每木检尺测量，获取样地的碳储量观测值；
步骤2：对研究区内Lidar数据进行预处理，得到冠层高度模型CHM；
步骤3：以样地范围为矢量边界，基于Lidar CHM数据，提取对应样地的林分高度变量；
步骤4：以样地碳储量为因变量，Lidar变量为自变量，用逐步回归选择具有统计学意义的变量，建立桉树碳储量的多元线性回归模型；
步骤5：根据步骤4建立好的Lidar覆盖区的桉树碳储量模型，计算得到Lidar覆盖区的碳储量估测值；
步骤6：将Lidar覆盖区域的碳储量分布图与桉树分布图叠加在一起，利用分层随机抽样的方法，选取训练样本和验证样本；
步骤7：使用随机定位分割法和邹氏检验对研究区内Landsat时间序列NDVI数据进行动态变化监测，从而获取桉树林龄；
步骤8：根据步骤6中采集的样本位置，提取对应位置上桉树林龄的数值；然后将桉树林龄对数转换，以转换后的数值为自变量，以步骤6中的训练样本为因变量，建立桉树碳储量的非线性回归模型；
步骤9：根据步骤8建立好的研究区桉树碳储量模型，计算步骤7中获取的桉树林龄影像的每个像元，得到整个研究区桉树碳储量估测结果图。
3.根据权利要求2所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：在步骤3当中，提取对应样地的林分高度变量包括：高度百分位数、平均值、偏度、峰度；之后再利用皮尔逊相关分析法，去除与其他变量具有高相关性而与桉树碳储量相关性较小的变量。
4.根据权利要求3所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：
步骤4中，具体的回归模型为：
y＝b0+b1x1+b2x2+…+bixi (1)
其中y表示样地碳储量实测值，xi表示为步骤3中筛选后的Lidar变量集，bi表示为线性模型中的系数；
通过软件SPSS中的逐步回归算法得到具体的模型和模型参数。
5.根据权利要求4所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：
步骤5中，根据步骤4建立好的Lidar覆盖区的桉树碳储量模型，确定选中的Lidar变量；利用软件ArcMap的创建渔网工具，以Lidar数据为范围，创建样地大小的polygon矢量数据；然后根据矢量数据，提取polygon范围内对应的Lidar统计变量；最后在软件ArcMap中对所有polygon进行函数关系式代入，得到Lidar覆盖区的碳储量估测值。
6.根据权利要求5所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：
步骤8中，根据步骤6中采集的样本位置，提取对应位置上桉树林龄的数值；然后将桉树林龄对数转换，以转换后的数值为自变量，以步骤6中的训练样本为因变量，建立桉树碳储量的非线性回归模型，具体的非线性回归模型：
y＝c0+c1ln(x) (2)
其中y为步骤6中的训练样本碳储量值，x表示为步骤7中的桉树林龄，c0和c1表示为模型中的系数；
通过软件SPSS建立碳储量与林龄的一元函数关系，得到c0和c1。
7.根据权利要求6所述的基于遥感的小样本可迁移桉树碳储量估算方法，其特征在于：
步骤9中，根据步骤8建立好的研究区桉树碳储量模型，在软件ENVI中输入模型方程后计算步骤7中获取的桉树林龄影像的每个像元，得到整个研究区桉树碳储量估测结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160455.5A CN117216725A (zh) | 2023-09-11 | 2023-09-11 | 基于遥感的小样本可迁移桉树碳储量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160455.5A CN117216725A (zh) | 2023-09-11 | 2023-09-11 | 基于遥感的小样本可迁移桉树碳储量估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117216725A true CN117216725A (zh) | 2023-12-12 |
Family
ID=89043594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311160455.5A Pending CN117216725A (zh) | 2023-09-11 | 2023-09-11 | 基于遥感的小样本可迁移桉树碳储量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216725A (zh) |
-
2023
- 2023-09-11 CN CN202311160455.5A patent/CN117216725A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408011B (zh) | 基于深度学习的激光扫描三维点云树木自动分类方法 | |
| CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
| CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
| CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| WO2014054042A1 (en) | Device and method for detecting plantation rows | |
| CN112434617A (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
| Zonno et al. | Automated long-term dynamic monitoring using hierarchical clustering and adaptive modal tracking: validation and applications | |
| CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN105115469A (zh) | 水稻稻穗表型参数自动测量和穗重预测方法 | |
| Juyal et al. | Estimation of tree volume using mask R-CNN based deep learning | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
| CN114612789A (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
| Mund et al. | Detecting multi-layered forest stands using high density airborne LiDAR data | |
| CN117808646A (zh) | 一种量化水电工程建设对植被碳储量影响的方法及系统 | |
| CN116992191B (zh) | 多源遥感数据驱动的森林碳汇动态监测与评估系统 | |
| CN111814666B (zh) | 一种复杂林分下的单木参数提取方法、系统、介质及设备 | |
| Smith et al. | The Cookie Cutter: a method for obtaining a quantitative 3D description of glacial bedforms | |
| CN117216725A (zh) | 基于遥感的小样本可迁移桉树碳储量估算方法 | |
| CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
| Campbell et al. | LiDAR as an advanced remote sensing technology to augment ecosystem classification and mapping | |
| Solano et al. | Unmanned aerial vehicle (UAV) derived canopy gaps in the old-growth beech forest of Mount Pollinello (Italy): preliminary results | |
| Packalén et al. | Comparison of individual tree detection and canopy height distribution approaches: a case study in Finland. |
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 |