CN117648555B - 一种基于空-地多因子的水土流失程度量化方法及装置 - Google Patents
一种基于空-地多因子的水土流失程度量化方法及装置 Download PDFInfo
- Publication number
- CN117648555B CN117648555B CN202410115125.2A CN202410115125A CN117648555B CN 117648555 B CN117648555 B CN 117648555B CN 202410115125 A CN202410115125 A CN 202410115125A CN 117648555 B CN117648555 B CN 117648555B
- Authority
- CN
- China
- Prior art keywords
- factor
- factors
- erosion
- soil
- measure
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013139 quantization Methods 0.000 title claims abstract description 13
- 238000004162 soil erosion Methods 0.000 claims abstract description 111
- 230000003628 erosive effect Effects 0.000 claims abstract description 98
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000011002 quantification Methods 0.000 claims description 12
- 238000009313 farming Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 230000016571 aggressive behavior Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001272720 Medialuna californiensis Species 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Graphics (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种基于空‑地多因子的水土流失程度量化方法及装置,涉及电数字数据处理技术领域。包括:对多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;得到待监测区域对应的土地利用分类结果;生成待监测区域对应的地面数据集;根据深空影像数据集、土地利用分类结果和地面数据集反演得到多个影响因子,并生成多个影响因子分别对应的影响因子栅格图层;对多个影响因子进行图层乘积运算,得到每个栅格对应的土壤侵蚀模数,并根据土壤侵蚀模数,确定每个栅格对应的土壤侵蚀强度;确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据侵蚀面积,实现对待监测区域对应水土流失程度的监测。
Description
技术领域
本申请涉及电数字数据处理技术领域,具体涉及一种基于空-地多因子的水土流失程度量化方法及装置。
背景技术
水土流失是世界各地广泛面临的环境问题之一,对农田和生态系统的可持续发展造成了严重影响。因此,对水土流失进行准确监测和科学评估,是制定有效的水土保持措施和管理决策的关键。在传统的水土流失评估方法中,通常仅考虑土地利用类型和坡度等因素,忽略了空间上的差异性和多因素的综合影响,水土流失程度评估的准确性和可靠性较低。
发明内容
为了解决上述问题,本申请提出了一种基于空-地多因子的水土流失程度量化方法,包括:
采集待监测区域的多光谱遥感影像,并对所述多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;
根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,并对所述深空影像数据集进行解译,得到所述待监测区域对应的土地利用分类结果;
采集所述待监测区域内的各站点日降水数据以及标准小区观测数据,以生成所述待监测区域对应的地面数据集;
根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层;其中,所述多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子;
对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,所述土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值;
根据所述土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据所述侵蚀面积,实现对所述待监测区域对应水土流失程度的量化。
在本申请的一种实现方式中,所述多光谱正射影像数据包括高分七号立体影像、MODIS数据和Landsat-8数据,根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,具体包括:
根据所述高分七号立体影像,生成所述待监测区域对应的数字高程模型;
根据所述MODIS数据和所述Landsat-8数据,生成不同波段组合下的深空影像数据集。
在本申请的一种实现方式中,根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层,具体包括:
根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成所述降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层;
通过预设的ArcGIS软件,根据所述数字高程模型,得到坡长因子和坡度因子,并生成所述坡长因子和所述坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层;
根据所述地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据所述土壤流失量和所述降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成所述土壤可蚀性因子对应的土壤可蚀性因子栅格图层;
根据所述土地利用分类结果,确定所述待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定所述耕作措施类型以及所述工程措施类型对应的耕作措施因子和工程措施因子,并生成所述耕作措施因子和所述工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层;
根据所述深空影像数据集和所述土地利用分类结果,得到植被覆盖与生物措施因子,并生成所述植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。
在本申请的一种实现方式中,根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,具体包括:
通过以下公式,得到各站点对应的降雨侵蚀力因子:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;第k个半月的降雨侵蚀力,i=1,2,……;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量;/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数。
在本申请的一种实现方式中,对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层,具体包括:
在所述土地利用分类结果为耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述耕作措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;
在所述土地利用分类结果为非耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述植被覆盖与生物措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层。
本申请实施例提供了基于多影响因子的水土流失程度监测装置,所述装置包括:
采集模块,用于采集待监测区域的多光谱遥感影像,并对所述多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;
解译模块,用于根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,并对所述深空影像数据集进行解译,得到所述待监测区域对应的土地利用分类结果;
地面数据集生成模块,用于采集所述待监测区域内的各站点日降水数据以及标准小区观测数据,以生成所述待监测区域对应的地面数据集;
反演模块,用于根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层;其中,所述多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子;
图层乘积运算模块,用于对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,所述土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值;
监测模块,用于根据所述土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据所述侵蚀面积,实现对所述待监测区域对应水土流失程度的量化。
在本申请的一种实现方式中,所述多光谱正射影像数据包括高分七号立体影像、MODIS数据和Landsat-8数据;
所述解译模块,具体用于根据所述高分七号立体影像,生成所述待监测区域对应的数字高程模型;
根据所述MODIS数据和所述Landsat-8数据,生成不同波段组合下的深空影像数据集。
在本申请的一种实现方式中,所述反演模块,具体用于根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成所述降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层;
通过预设的ArcGIS软件,根据所述数字高程模型,得到坡长因子和坡度因子,并生成所述坡长因子和所述坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层;
根据所述地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据所述土壤流失量和所述降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成所述土壤可蚀性因子对应的土壤可蚀性因子栅格图层;
根据所述土地利用分类结果,确定所述待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定所述耕作措施类型以及所述工程措施类型对应的耕作措施因子和工程措施因子,并生成所述耕作措施因子和所述工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层;
根据所述深空影像数据集和所述土地利用分类结果,得到植被覆盖与生物措施因子,并生成所述植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。
在本申请的一种实现方式中,所述反演模块,具体用于通过以下公式,得到各站点对应的降雨侵蚀力因子:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;第k个半月的降雨侵蚀力,i=1,2,……;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量;/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数。
在本申请的一种实现方式中,所述图层乘积运算模块,具体用于在所述土地利用分类结果为耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述耕作措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;
在所述土地利用分类结果为非耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述植被覆盖与生物措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层。
通过本申请提出的一种基于空-地多因子的水土流失程度量化方法能够带来如下有益效果:
利用多源遥感数据和地面观测数据进行数据融合,结合空地数据从多个方面对水土流失程度进行监测,可以直观定量地反映出水土流失的强度和流失量,综合考虑了多个因素的影响,提高了评估的准确性;能够全面、准确地监测和评估水土流失的严重程度,为相关部门和决策者提供科学依据和合理的数据支持。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种基于空-地多因子的水土流失程度量化方法的流程示意图;
图2为本申请实施例提供的另一种基于空-地多因子的水土流失程度量化方法的流程示意图;
图3为本申请实施例提供的一种基于空-地多因子的水土流失程度量化装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供的一种基于空-地多因子的水土流失程度量化方法,包括:
101:采集待监测区域的多光谱遥感影像,并对多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据。
采集待监测区域的多光谱遥感影像,基于遥感图像处理平台(The Environmentfor Visualizing Images,ENVI)对多光谱遥感影像进行预处理,比如影像校正、影像融合、坐标转换以及影像配准等,得到处理后的多光谱正射影像数据。
102:根据多光谱正射影像数据,生成待监测区域对应的深空影像数据集,并对深空影像数据集进行解译,得到待监测区域对应的土地利用分类结果。
本申请实施例是基于深空观测数据和地面观测数据对水土流失程度进行量化,在此过程中,需要基于空地数据反演得到空-地影响因子,从而全面准确地定量评估水土流失情况。若要得到空-地多影响因子,则需要在采集的空地数据基础上进行中间数据的整理。中间数据包括土地利用分类结果、深空影像数据集和地面数据集。
对于深空数据,需根据多光谱影像数据,得到深空影像数据集和土地利用分类结果。多光谱正射影像数据具体包括高分七号立体影像、MODIS数据和Landsat-8数据。根据高分七号立体影像,生成待监测区域对应的数字高程模型。具体来说,首先通过有理函数模型对控制点的点位进行定位,接着在被处理影像和参考影像上分别采用光栅网格法进行特征点采样,采用Susan边缘检测算子对连接点进行采样工作,最后采用基于半全局立体匹配(Semi-global matching,SGM)算法完成数字高程模型的构建。根据MODIS数据和Landsat-8数据,可生成不同波段组合下的深空影像数据集。
地物在多光谱的不同波段组合方式下所表现出来的特征颜色有所不同,以Landsat-8数据为例,在波段7-6-4的组合下水体和植被的颜色得到了增强,可以较好地分出水体与植被;在波段6-5-2的组合下,裸地得到增强,可以与有作物的耕地进行区分;在波段6-5-4的组合下,植被非常鲜艳,植被和非植被区很好的区分。按照此逻辑对不同类型的多光谱卫星影像波段进行组合,能够实现对深空影像数据集的解译,从而得到待监测区域的土地利用分类结果。土地利用分类结果主要包括:水浇地、果园、灌木林地、其他草地、农村建设用地、其他建设用地、河湖库墙、水田、旱地、有林地、其他林地、城镇建设用地、人为扰动用地和其它交通用地。
103:采集待监测区域内的各站点日降水数据以及标准小区观测数据,以生成待监测区域对应的地面数据集。
深空观测是利用遥感数据反演得到多个水土流失相关的影响因子,而地面观测是基于地面观测数据反演得到相关的影响因子。因此,本申请实施例还需采集相应的地面观测数据,即采集待监测区域内的各站点日降水数据以及标准小区观测数据,并基于上述数据,形成待监测区域对应的地面数据集。
104:根据深空影像数据集、土地利用分类结果和地面数据集反演得到多个影响因子,并生成多个影响因子分别对应的影响因子栅格图层;其中,多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子。
在得到深空影像数据集、土地利用分类结果和地面数据集后,可据其反演得到多个空-地影响因子,并生成多个影响因子分别对应的影响因子栅格图层。其中,多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子,每个影响因子都被重采样为10米的影响因子栅格图层。
具体地,根据地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层。此过程可通过以下公式实现:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;第k个半月的降雨侵蚀力,i=1,2,……;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量(侵蚀性降雨日指日雨量大于等于12毫米),j=0,……,m;/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数,暖季(5-9月)=0.3937,冷季(10-12月,1-4月)=0.3101。
通过预设的ArcGIS软件,根据数字高程模型,得到坡长因子和坡度因子,并生成坡长因子和坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层。
根据地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据土壤流失量和降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成土壤可蚀性因子对应的土壤可蚀性因子栅格图层。
根据土地利用分类结果,确定待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定耕作措施类型以及工程措施类型对应的耕作措施因子和工程措施因子,并生成耕作措施因子和工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层。其中,工程措施因子和工程措施类型之间的映射关系如表1所示:
表1
由表1可知,不同的工程措施类型对应有不同的工程措施代码,根据工程措施类型或工程措施代码,对比表1可得到相应的工程措施因子。
耕作措施因子和耕作措施类型之间的映射关系如表2-1到表2-2所示:
表2-1
表2-2
由表2-1和表2-2可知,每种耕作措施类型都对应一个耕作措施轮作区,比对耕作措施轮作区对应的耕作措施因子,便可确定耕作措施类型对应的耕作措施因子。
根据深空影像数据集和土地利用分类结果,得到植被覆盖与生物措施因子,并生成植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。具体地,归一化植被指数(NDVI)计算公式为:
其中,NDVI为归一化植被指数,NIR为近红外波段的反射率,R为可见光红波波段的反射率。
植被覆盖度计算公式为:
k
其中,、/>分别为纯植被覆盖像元和纯裸土覆盖像元对应的NDVI大小,k为经验系数。
生物措施因子的计算,在不同土地利用类型中有不同的计算方法。如果是园地、林地和草地,先根据遥感或调查数据得到年度郁闭度/盖度值,利用公式计算这些区域的生物措施因子值。
园地、林地和草地B因子计算公式为:
其中,表示第i个半月降雨侵蚀力占全年侵蚀力比例,取值范围为0-1;/>表示第i个半月园地、林地和草地的土壤流失比例,无量纲,取值范围为0-1。
草地的计算公式为:
茶园和灌木林地的计算公式为:
果园、其他园地、有林地和其他林地的计算公式为:
其中,FVC表示基于NDVI计算的植被覆盖度,取值范围为0-1;GD表示乔木林的林下盖度,取值范围为0-1,包括除乔木林冠层以外的所有植被(灌木、草本和枯落物)构成的林下盖度,按实地调查或经验取值。
此外,不属于园地、林地和草地的其他各类土壤利用类型之间根据相关部门的规定细则进行赋值。
105:对多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值。
在影响因子栅格图层后,联合上述步骤所计算出的影响因子,对多个影响因子栅格图层进行图层乘积运算,从而计算出影响因子栅格图层中每个栅格对应的土壤侵蚀模数值,生成相应的土壤侵蚀模数值栅格图层。其中,土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值。
具体地,计算每个栅格对应的土壤侵蚀模数值可通过以下公式进行:
其中,A为土壤侵蚀模数值,R为降雨侵蚀力因子,K为土壤可蚀性因子,L为坡长因子,S为坡度因子,B为植被覆盖与生物措施因子,E为工程措施因子,T为耕作措施因子。
需要说明的是,在土地利用分类结果为耕地的情况下,需要对多个影响因子栅格图层中的坡长因子、坡度因子、工程措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,以此生成土壤侵蚀模数值栅格图层。
在土地利用分类结果为非耕地的情况下,则需要对多个影响因子栅格图层中的坡长因子、坡度因子、工程措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,以此生成土壤侵蚀模数值栅格图层。
106:根据土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据侵蚀面积,实现对待监测区域对应水土流失程度的量化。
在得到土壤侵蚀模数值后,根据预设的土壤侵蚀强度分级表和每个栅格对应的土壤侵蚀模数值,能够确定每个栅格对应的土壤侵蚀强度。其中,土壤侵蚀程度主要包括微度、轻度、中度、强烈、极强烈、剧烈六种级别。
在确定出上述各栅格对应的土壤侵蚀强度后,针对每个土壤侵蚀强度,基于ArcGIS软件,确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,这样根据侵蚀面积,便能实现对待监测区域对应水土流失程度的量化,该侵蚀面积便为水土流失程度量化值。
图2为本申请实施例提供的另一种基于空-地多因子的水土流失程度量化方法的流程示意图。如图2所示,本申请实施例一方面通过深空监测采集到待监测区域的深空数据后对其进行预处理,得到多光谱遥感影像和数字高程模型,另一方面通过地面观测,采集到各站点日降水数据以及标准小区观测数据。基于地面观测数据能够反演得到降雨侵蚀力因子和土壤可蚀性因子,基于深空观测数据能够反演得到工程措施因子、耕作措施因子、植被覆盖与生物措施因子、坡长因子和坡度因子。在反演得到上述影响因子后,生成影响因子对应的影响因子栅格图层,并对其进行图层乘积运算,能够得到每个栅格对应的土壤侵蚀模数。进而,根据土壤侵蚀模数能够进一步确定对应的土壤侵蚀强度,对不同土壤侵蚀强度对应的栅格面积进行汇总,得到对应的侵蚀面积,该侵蚀面积便是最终所要得到的待监测区域对应的水土流失程度量化值。
以上为本申请提出的方法实施例。基于同样的思路,本申请的一些实施例还提供了上述方法对应的装置。
图3为本申请实施例提供的一种基于空-地多因子的水土流失程度量化装置的结构示意图。如图3所示,装置包括:
采集模块301,用于采集待监测区域的多光谱遥感影像,并对多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;多光谱正射影像数据包括高分七号立体影像、MODIS数据和Landsat-8数据;
解译模块302,用于根据多光谱正射影像数据,生成待监测区域对应的深空影像数据集,并对深空影像数据集进行解译,得到待监测区域对应的土地利用分类结果;
地面数据集生成模块303,用于采集待监测区域内的各站点日降水数据以及标准小区观测数据,以生成待监测区域对应的地面数据集;
反演模块304,用于根据深空影像数据集、土地利用分类结果和地面数据集反演得到多个影响因子,并生成多个影响因子分别对应的影响因子栅格图层;其中,多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子;
图层乘积运算模块305,用于对多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值;
监测模块306,用于根据土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据侵蚀面积,实现对待监测区域对应水土流失程度的量化。
解译模块,具体用于根据高分七号立体影像,生成待监测区域对应的数字高程模型;
根据MODIS数据和Landsat-8数据,生成不同波段组合下的深空影像数据集。
反演模块,具体用于根据地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层;
通过预设的ArcGIS软件,根据数字高程模型,得到坡长因子和坡度因子,并生成坡长因子和坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层;
根据地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据土壤流失量和降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成土壤可蚀性因子对应的土壤可蚀性因子栅格图层;
根据土地利用分类结果,确定待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定耕作措施类型以及工程措施类型对应的耕作措施因子和工程措施因子,并生成耕作措施因子和工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层;
根据深空影像数据集和土地利用分类结果,得到植被覆盖与生物措施因子,并生成植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。
反演模块,具体用于通过以下公式,得到各站点对应的降雨侵蚀力因子:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;第k个半月的降雨侵蚀力,i=1,2,…;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量(侵蚀性降雨日指日雨量大于等于12毫米);/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数。
图层乘积运算模块,具体用于在土地利用分类结果为耕地的情况下,对多个影响因子栅格图层中坡长因子、坡度因子、工程措施因子、耕作措施因子、降雨侵蚀力因子以及土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;
在土地利用分类结果为非耕地的情况下,对多个影响因子栅格图层中坡长因子、坡度因子、工程措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于方法实施例而言,由于其基本相似于装置实施例,所以描述的比较简单,相关之处参见装置实施例的部分说明即可。
本申请实施例提供的装置与方法是一一对应的,因此,方法也具有与其对应的装置类似的有益技术效果,由于上面已经对装置的有益技术效果进行了详细说明,因此,这里不再赘述方法的有益技术效果。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于空-地多因子的水土流失程度量化方法,其特征在于,所述方法包括:
采集待监测区域的多光谱遥感影像,并对所述多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;
根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,并对所述深空影像数据集进行解译,得到所述待监测区域对应的土地利用分类结果;
采集所述待监测区域内的各站点日降水数据以及标准小区观测数据,以生成所述待监测区域对应的地面数据集;
根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层;其中,所述多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子;
对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,所述土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值;
根据所述土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据所述侵蚀面积,实现对所述待监测区域对应水土流失程度的量化。
2.根据权利要求1所述的一种基于空-地多因子的水土流失程度量化方法,其特征在于,所述多光谱正射影像数据包括高分七号立体影像、MODIS数据和Landsat-8数据,根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,具体包括:
根据所述高分七号立体影像,生成所述待监测区域对应的数字高程模型;
根据所述MODIS数据和所述Landsat-8数据,生成不同波段组合下的深空影像数据集。
3.根据权利要求2所述的一种基于空-地多因子的水土流失程度量化方法,其特征在于,根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层,具体包括:
根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成所述降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层;
通过预设的ArcGIS软件,根据所述数字高程模型,得到坡长因子和坡度因子,并生成所述坡长因子和所述坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层;
根据所述地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据所述土壤流失量和所述降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成所述土壤可蚀性因子对应的土壤可蚀性因子栅格图层;
根据所述土地利用分类结果,确定所述待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定所述耕作措施类型以及所述工程措施类型对应的耕作措施因子和工程措施因子,并生成所述耕作措施因子和所述工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层;
根据所述深空影像数据集和所述土地利用分类结果,得到植被覆盖与生物措施因子,并生成所述植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。
4.根据权利要求3所述的一种基于空-地多因子的水土流失程度量化方法,其特征在于,根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,具体包括:
通过以下公式,得到各站点对应的降雨侵蚀力因子:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;为第k个半月的降雨侵蚀力,i=1,2,……;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量;/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数。
5.根据权利要求1所述的一种基于空-地多因子的水土流失程度量化方法,其特征在于,对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层,具体包括:
在所述土地利用分类结果为耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述耕作措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;
在所述土地利用分类结果为非耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述植被覆盖与生物措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层。
6.一种基于空-地多因子的水土流失程度量化装置,其特征在于,所述装置包括:
采集模块,用于采集待监测区域的多光谱遥感影像,并对所述多光谱遥感影像进行预处理,得到处理后的多光谱正射影像数据;
解译模块,用于根据所述多光谱正射影像数据,生成所述待监测区域对应的深空影像数据集,并对所述深空影像数据集进行解译,得到所述待监测区域对应的土地利用分类结果;
地面数据集生成模块,用于采集所述待监测区域内的各站点日降水数据以及标准小区观测数据,以生成所述待监测区域对应的地面数据集;
反演模块,用于根据所述深空影像数据集、所述土地利用分类结果和所述地面数据集反演得到多个影响因子,并生成所述多个影响因子分别对应的影响因子栅格图层;其中,所述多个影响因子包括坡长因子、坡度因子、工程措施因子、耕作措施因子、植被覆盖与生物措施因子、降雨侵蚀力因子以及土壤可蚀性因子;
图层乘积运算模块,用于对所述多个影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;其中,所述土壤侵蚀模数值栅格图层中的每个栅格对应一个土壤侵蚀模数值;
监测模块,用于根据所述土壤侵蚀模数值,确定每个栅格对应的土壤侵蚀强度,并确定不同土壤侵蚀强度对应的栅格所占的侵蚀面积,以根据所述侵蚀面积,实现对所述待监测区域对应水土流失程度的量化。
7.根据权利要求6所述的一种基于空-地多因子的水土流失程度量化装置,其特征在于,所述多光谱正射影像数据包括高分七号立体影像、MODIS数据和Landsat-8数据;
所述解译模块,具体用于根据所述高分七号立体影像,生成所述待监测区域对应的数字高程模型;
根据所述MODIS数据和所述Landsat-8数据,生成不同波段组合下的深空影像数据集。
8.根据权利要求7所述的一种基于空-地多因子的水土流失程度量化装置,其特征在于,所述反演模块,具体用于根据所述地面数据集中的各站点日降水数据,得到各站点对应的降雨侵蚀力因子,并基于预设的插值算法,生成所述降雨侵蚀力因子对应的降雨侵蚀力因子栅格图层;
通过预设的ArcGIS软件,根据所述数字高程模型,得到坡长因子和坡度因子,并生成所述坡长因子和所述坡度因子分别对应的坡长因子栅格图层和坡度因子栅格图层;
根据所述地面数据集中的标准小区观测数据,确定标准小区单位降雨侵蚀力形成的土壤流失量,根据所述土壤流失量和所述降雨侵蚀力因子之间的比值,得到土壤可蚀性因子,并生成所述土壤可蚀性因子对应的土壤可蚀性因子栅格图层;
根据所述土地利用分类结果,确定所述待监测区域对应的耕作措施类型以及工程措施类型,并通过预设的因子映射关系,分别确定所述耕作措施类型以及所述工程措施类型对应的耕作措施因子和工程措施因子,并生成所述耕作措施因子和所述工程措施因子对应的耕作措施因子栅格图层和工程措施因子栅格图层;
根据所述深空影像数据集和所述土地利用分类结果,得到植被覆盖与生物措施因子,并生成所述植被覆盖与生物措施因子对应的植被覆盖与生物措施因子栅格图层。
9.根据权利要求8所述的一种基于空-地多因子的水土流失程度量化装置,其特征在于,所述反演模块,具体用于通过以下公式,得到各站点对应的降雨侵蚀力因子:
其中,R为多年平均年降雨侵蚀力即降雨侵蚀力因子,k=1,2,……,24指将一年划分为24个半月;第k个半月的降雨侵蚀力,i=1,2,……;N指时间序列;j指第i年第k个半月内侵蚀性降雨日的数量;/>为第i年第k个半月第j个侵蚀性日雨量;α为季节参数。
10.根据权利要求6所述的一种基于空-地多因子的水土流失程度量化装置,其特征在于,所述图层乘积运算模块,具体用于在所述土地利用分类结果为耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述耕作措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层;
在所述土地利用分类结果为非耕地的情况下,对所述多个影响因子栅格图层中所述坡长因子、所述坡度因子、所述工程措施因子、所述植被覆盖与生物措施因子、所述降雨侵蚀力因子以及所述土壤可蚀性因子对应的影响因子栅格图层进行图层乘积运算,生成土壤侵蚀模数值栅格图层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115125.2A CN117648555B (zh) | 2024-01-29 | 2024-01-29 | 一种基于空-地多因子的水土流失程度量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115125.2A CN117648555B (zh) | 2024-01-29 | 2024-01-29 | 一种基于空-地多因子的水土流失程度量化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648555A CN117648555A (zh) | 2024-03-05 |
CN117648555B true CN117648555B (zh) | 2024-04-05 |
Family
ID=90046232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410115125.2A Active CN117648555B (zh) | 2024-01-29 | 2024-01-29 | 一种基于空-地多因子的水土流失程度量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648555B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909722B (zh) * | 2017-02-10 | 2019-07-26 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精准反演方法 |
-
2024
- 2024-01-29 CN CN202410115125.2A patent/CN117648555B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
Non-Patent Citations (4)
Title |
---|
"GIS技术在水电站项目水土流失调查中的应用";曹永翔 等;《西北水电》;20160331;全文 * |
"Impact of climate change on snowmelt runoff in a Himalayan basin, Nepal";Thapa Samit 等;《Environmental Monitoring and Assessment》;20210608;全文 * |
"三峡库区产流模拟研究";俞雷;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20061115;全文 * |
"联合星载单光子激光与遥感影像的湖库水位动态变化监测——以密云水库为例";焦慧慧;《中国优秀硕士学位论文全文数据库 基础科学辑》;20220315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648555A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
Zhan et al. | The 250 m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA's Earth Observing System | |
Leinenkugel et al. | Characterisation of land surface phenology and land cover based on moderate resolution satellite data in cloud prone areas—A novel product for the Mekong Basin | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
Ahmed et al. | Probability density functions based classification of MODIS NDVI time series data and monitoring of vegetation growth cycle | |
Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
Zhang et al. | Automated paddy rice extent extraction with time stacks of Sentinel data: A case study in Jianghan plain, Hubei, China | |
Kussul et al. | Complex method for land degradation estimation | |
CN117648555B (zh) | 一种基于空-地多因子的水土流失程度量化方法及装置 | |
CN116129284A (zh) | 一种基于时间序列变化特征的撂荒地遥感提取方法 | |
Vyas et al. | Multi-crop separability study of Rabi crops using multi-temporal satellite data | |
CN115880577A (zh) | 一种基于遥感技术的耕地秋整地进度动态监测方法 | |
Amiri et al. | Using remote sensing data for vegetation cover assessment in semi-arid rangeland of center province of Iran | |
Sang et al. | Analysis of RapidEye imagery for agricultural land cover and land use mapping | |
Zhang et al. | Fast extraction of winter wheat planting area in Huang-Huai-Hai Plain using high-resolution satellite imagery on a cloud computing platform | |
Jabbari et al. | Remote sensing technology for mapping and monitoring vegetation cover (Case study: Semirom-Isfahan, Iran) | |
Yang et al. | Integrating multidimensional feature indices and phenological windows for mapping cropping patterns in complex agricultural landscape regions | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China | |
Bobric et al. | The use of spectral techniques to monitor the vegetation status in a protected area in the Iasi county | |
MOTTALIB et al. | ASSESSMENT OF IN-SEASON MACHINERY DETERMINATION IN GARLIC CULTIVATION USING GEO-SPATIAL TECHNIQUE | |
ISLAM et al. | SURVEY ON MAJOR DISEASE OF CHABA (Piper chaba) |
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 |