CN107609292A - 一种基于指标评价的遥感卫星星座优化方法 - Google Patents
一种基于指标评价的遥感卫星星座优化方法 Download PDFInfo
- Publication number
- CN107609292A CN107609292A CN201710870132.3A CN201710870132A CN107609292A CN 107609292 A CN107609292 A CN 107609292A CN 201710870132 A CN201710870132 A CN 201710870132A CN 107609292 A CN107609292 A CN 107609292A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing satellite
- satellite constellation
- evaluation
- single index
- 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
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于指标评价的遥感卫星星座优化方法,步骤如下:解析所述遥感卫星星座监测任务类型;找出需要关注的指标项;使用初始遥感卫星星座对所述指标项逐一进行计算,并保存每个单项指标的最大值和最小值;让用户根据计算出的所述单项指标对执行所述任务的情况进行效能评价,给出百分制评分;对基于所述任务的效能评价规则进行学习,得到评价函数,保存所述评价函数;选择一个初始遥感卫星星座;根据所述评价函数,基于改进的遗传算法对所述初始遥感卫星星座的配置进行优化;得到完成所述任务的最优星座配置。本发明通过帮助用户进行高效、可靠、有针对性的遥感卫星星座配置,提高遥感监测任务的时效性。
Description
技术领域
本发明涉及航天、地球信息科学技术等学科应用领域,尤其涉及一种遥感卫星星座配置及优化技术。
背景技术
当前,在以卫星对地监测为主要目的应用中,人们对遥感卫星的时效性要求越来越高,即要求对某一区域卫星遥感影像的获取时间间隔尽可能的小。而单颗遥感卫星通常难以在某一分辨率下达到这种时效性方面的需求,这就需要将多颗遥感卫星组成一个星座来共同完成对某个地区的监测任务。从理论上来讲,任何卫星都可以进行组合形成星座。那么如何配置一个较好的遥感卫星组合,使之能最好的完成某一特定的监测任务,就成为一个非常具有应用价值的问题。
发明内容
为了解决上述问题,本发明提供了一种基于指标评价的遥感卫星星座优化方法,包括以下步骤:解析所述遥感卫星星座监测任务类型;找出需要关注的指标项;对所述指标项逐一进行计算,并保存每个单项指标的最大值和最小值;用户根据计算出的所述单项指标对执行所述任务的情况进行效能评价,给出百分制评分;对基于所述任务的效能评价规则进行学习,得到评价函数,保存所述评价函数;选择一个初始遥感卫星星座;根据所述评价函数,基于改进的遗传算法对所述初始遥感卫星星座的配置进行优化;得到完成所述任务的最优星座配置。
进一步地,按照监测目标的特征,将监测任务分为两种类型:针对点目标集合的监测、针对区域目标的监测。
在某时间段内一定分辨率约束的情况下,与时间相关的指标项有:
1)所述点目标集合:目标集合点全部访问到的时间间隔、目标集合中的点最短重访时间间隔、目标集合中的点最长重访时间间隔;
2)所述区域目标:所述区域全覆盖的时间间隔、一次全覆盖的最短时间、所述区域重访的时间间隔。
在某时间段内一定分辨率约束的情况下,与数量相关的指标项有:
1)所述点目标集合:目标集合中的点重复访问到的次数、目标集合中的点每天固定时间段可访问到的次数。
2)所述区域目标:时间段内对所述区域的覆盖比例、时间段内所述区域进行重访的次数。
配置初始遥感卫星星座,对所述指标项逐一进行计算,所述星座对每个所述单项指标的计算方法如下:
目标集合点全部访问到的时间间隔:以单颗卫星对所述目标集合中的每个点目标的重访时间进行统计,并把访问时间写入数据库表,通过统计找到获取所有点目标的时间,再从这个时间点进行重复统计,最后计算出时间间隔;
目标集合中的点最短/最长重访时间间隔:以单颗卫星对所述目标集合中的每个点目标的重访时间进行统计,并把访问时间写入所述数据库表,通过统计找到某个点的最短/最长重访时间间隔;
区域全覆盖时间间隔:以多颗卫星对所述区域进行覆盖计算,找出每完成一次全覆盖的起止时间点,并写入所述数据库表,计算起止时间之差,即所述区域全覆盖时间间隔;
一次全覆盖的最短时间:以多颗卫星对所述区域进行覆盖计算,找出每完成一次全覆盖的起止时间点,并写入所述数据库表。通过统计起止时间点之差的最小值,即为一次全覆盖的最短时间;
区域重访时间间隔:以单颗卫星对所述区域进行重访计算,并把访问时间写入所述数据库表,通过统计得到对所述区域重访的时间间隔;
目标集合中的点重复访问到的次数:以单颗卫星对所述目标集合中的各个点进行重访计算,并把访问时间写入所述数据库表,通过统计找到各个点被重复访问的次数;
目标集合中的点每天固定时间段内可访问到的次数:以单颗卫星对所述目标集合中的各个点进行重访计算,并把访问时间写入所述数据库表,通过统计找到每天固定时间段内可访问到的次数;
时间段内对区域覆盖比例:以多颗卫星对所述区域进行覆盖计算,找出时间段内对所述区域的覆盖比例;
时间段内区域进行重访的次数:以单颗卫星对所述区域进行重访计算,并把访问时间写入所述数据库表,通过统计找到对区域重访的次数。
进一步地,基于指标评价的遥感卫星星座优化方法的所述效能评价规则为,假设所述指标项有n(n>0)个,当存在大于所述指标项个数的不同星座m(m>n)被进行所述百分制评分后,则认为满足所述效能评价规则。
进一步地,所述效能评价规则的学习方法包括以下步骤:
1)判断进行所述百分制评分的所述遥感星座个数是否满足所述效能评价规则学习的需要;
2)当满足所述效能评价规则的学习需要时,根据保存的所述单项指标的最大值和最小值,如公式(1)所示:
Xp=(x-xmin)/(xmax-xmin)*100 (1)
其中,xp为所述单项指标的评分结果,x为所述单项指标的计算结果,xmax、xmin分别为所述单项指标的计算结果的最大值和最小值。
3)使用多项式函数拟合所述百分制评分与所有单项标项的评分之间的关系,如公式(2)所示:
XPtotal=x0+axp1+bxp2+cxp3+……+nxpn (2)
其中,Xptotal代表星座总体评分,x0为常数项,xp1、xp2、xp3……xpn分别表示某指标项的归一化评分,a、b、c……n则分别代表该指标项评分的加权系数。
4)利用多元线性回归方法多项式求解参数,使所述百分制评分与所述总体评分之间的差距最小,得到x0、a、b、c……n的值,确定并保存所述评价函数。
进一步地,所述遗传算法对所述初始遥感卫星星座的优化筛选过程如下:
1)对所述初始遥感卫星星座中每颗卫星需要配置的参数进行实数编码,形成基因,一个星座对应编码成一个基因组;
2)在所述配置的参数的约束范围内进行随机取值,产生基因组并和所述初始遥感卫星星座一起形成遗传初始种群;
3)取出所述种群中的每个基因组,对所述指标项逐一进行计算,取出与比对每个所述单项指标对应的历史最大值和最小值,计算得到所述单项指标的所述评分结果,如果当前计算得到的单项指标最大值和最小值比所述单项指标对应的历史最大值和最小值大或者小,则将其保存为当前计算得到的单项指标的最大值和最小值,用于下一迭代的比对,而当前迭代中用于比对和计算的单项指标历史最大值和最小值不变;
4)采用所述评价函数对每个基因组的所述总体评分进行计算,并按照大小进行排序;
5)判断是否达到预设遗传代数;
6)若达到预设遗传代数,则不需要继续进行遗传,输出所述总体评分最高的基因组配置参数组合,即完成所述任务的最优星座配置;
7)若没有达到预设遗传代数,则用轮盘赌概率选择法选择所述总体评分高的基因组,继续进行遗传,同时将用于比对的所述单项指标最大值和最小值替换掉所述单项指标对应的历史最大值和最小值;
8)按照设定的概率进行交叉和变异产生新种群,重复执行步骤3)-8),得到基于指标评价的最优基因组配置参数组合,即完成所述任务的最优星座配置。
本发明提供的技术方案带来的有益效果是:本发明通过使用一种基于指标评价的遥感卫星星座优化方法,帮助用户进行高效、可靠、有针对性的遥感卫星星座配置,提高遥感卫星监测任务的时效性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中遥感卫星星座监测任务的示意图;
图2是本发明实施例中得到遥感卫星星座的评价函数的步骤流程图;
图3是本发明实施例中基于指标评价的遥感卫星星座配置优化方法的步骤流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于指标评价的遥感卫星星座优化方法,通过得到的评价函数和采用改进的遗传算法,得到完成任务的最优遥感卫星星座配置。
请参考图1,图1是本发明实施例中遥感卫星星座监测任务的示意图,c6-1-01-s1、c6-1-01-s2、c6-1-01-s3代表不同的遥感卫星,Areal代表不规则图形的监测区域,在一实施例中,遥感卫星c6-1-01-s1、c6-1-01-s2、c6-1-01-s3组成遥感卫星星座,用来对监测区域Areal进行监测。
请参考图2,图2是本发明实施例中得到遥感卫星星座的所述评价函数的步骤流程图,具体操作如下:
S201:解析遥感卫星星座监测任务类型,所述任务以TaskId标识,字符类型为int,按照监测目标的特征,将监测任务分为两种类型:针对点目标集合的监测、针对区域目标的监测。
S202:找出需要关注的指标项,所述指标项以IndexItem标识,字符类型为String。在某时间段内的一定分辨率约束情况下,与时间相关的指标项有:
1)所述点目标集合:目标集合点全部访问到的时间间隔、目标集合中的点最短重访时间间隔、目标集合中的点最长重访时间间隔;
2)所述区域目标:所述区域全覆盖的时间间隔、一次全覆盖的最短时间、所述区域重访的时间间隔。
在某时间段内的一定分辨率约束情况下,与数量相关的指标项有:
1)所述点目标集合:目标集合中的点重复访问到的次数、目标集合中的点每天固定时间段可访问到的次数;
2)所述区域目标:时间段内对所述区域的覆盖比例、时间段内所述区域进行重访的次数。
S203:配置初始遥感卫星星座,对所述指标项逐一进行计算,保存每个单项指标的最大值和最小值,以字段名CalrezultMax、CalrezultMin,字符类型double保存。所述初始遥感卫星星座对每个所述单项指标的具体计算方法如下:
目标集合点全部访问到的时间间隔:以单颗卫星对所述目标集合中的每个点目标的重访时间进行统计,并把访问时间写入数据库表,通过统计找到获取所有点目标的时间,再从这个时间点进行重复统计,最后计算出时间间隔;
目标集合中的点最短/最长重访时间间隔:以单颗卫星对所述目标集合中的每个点目标的重访时间进行统计,并把访问时间写入所述数据库表,通过统计找到某个点的最短/最长重访时间间隔;
区域全覆盖时间间隔:以多颗卫星对所述区域进行覆盖计算,找出每完成一次全覆盖的起止时间点,并写入所述数据库表,计算起止时间之差,即所述区域全覆盖时间间隔;
一次全覆盖的最短时间:以多颗卫星对所述区域进行覆盖计算,找出每完成一次全覆盖的起止时间点,并写入所述数据库表。通过统计起止时间点之差的最小值,即为一次全覆盖的最短时间;
区域重访时间间隔:以单颗卫星对所述区域进行重访计算,并把访问时间写入所述数据库表,通过统计得到对所述区域重访的时间间隔;
目标集合中的点重复访问到的次数:以单颗卫星对所述目标集合中的各个点进行重访计算,并把访问时间写入所述数据库表,通过统计找到各个点被重复访问的次数;
目标集合中的点每天固定时间段内可访问到的次数:以单颗卫星对所述目标集合中的各个点进行重访计算,并把访问时间写入所述数据库表,通过统计找到每天固定时间段内可访问到的次数;
时间段内对区域覆盖比例:以多颗卫星对所述区域进行覆盖计算,找出时间段内对所述区域的覆盖比例;
时间段内区域进行重访的次数:以单颗卫星对所述区域进行重访计算,并把访问时间写入所述数据库表,通过统计找到对区域重访的次数。
S204:用户根据所述单项指标对执行所述任务的情况进行效能评价,并给出百分制评分。
S205:根据所述百分制评分对所述效能评价规则进行学习,得到所述评价函数的参数,由所述参数确定并保存所述评价函数。所述效能评价规则的学习方法包括以下步骤:
1)判断进行所述百分制评分的所述遥感卫星星座个数是否满足所述效能评价规则学习的需要,判断的规则为:假设所述任务需关注的所述指标项有n(n>0)个,当存在大于所述指标项个数的不同星座m(m>n)被进行所述百分制评分后,则认为满足所述效能评价规则,否则认为不满足。
2)当满足所述效能评价规则的学习需要时,根据保存的所述单项指标的最大值和最小值,使用归一化公式计算每个所述单项指标的评分,如公式(1)所示:
Xp=(x-xmin)/(xmax-xmin)*100 (1)
其中,xp为所述单项指标的评分结果,x为所述单项指标的计算结果,xmax、xmin分别为所述单项指标的计算结果的最大值和最小值。
3)使用多项式函数拟合所述百分制评分与所有单项指标的评分之间的关系,如公式(2)所示的:
XPtotal=x0+axp1+bxp2+cxp3+……+nxpn (2)
其中,Xptotal代表星座总体评分,x0为常数项,xp1、xp2、xp3……xpn分别表示某指标项的归一化评分,a、b、c……n则分别代表该指标项评分的加权系数。
4)采用多元线性回归方法求解参数,使所述百分制评分与所述总体评分之间的差距最小,得到参数x0、a、b、c……n的值,确定并保存所述评价函数。
请参考图3,图3是本发明实施例中基于指标评价的遥感卫星星座配置优化方法的流程图,包括以下步骤:
S301:选择一个初始遥感卫星星座;
S302:根据所述评价函数,基于改进的遗传算法对所述初始遥感卫星星座的配置进行优化;
S303:对所述初始遥感卫星星座中每颗卫星需要配置的参数进行实数编码,形成基因,一个星座对应编码成一个基因组,所述遥感卫星如图1中的c6-1-01-s1、c6-1-01-s2、c6-1-01-s3;
S304:在约束范围内进随机选择配置参数,产生基因组,并和所述初始遥感卫星星座一起形成遗传初始种群;
S305:取出所述种群中的每个基因组,对所述指标项逐一进行计算,取出与比对每个所述单项指标对应的历史最大值和最小值,计算得到所述单项指标的所述评分结果,如果当前计算得到的单项指标最大值和最小值比所述单项指标对应的历史最大值和最小值大或者小,则将其保存为当前计算得到的单项指标的最大值和最小值,用于下一迭代的比对,而当前迭代中用于比对和计算的单项指标历史最大值和最小值不变;
S306:采用所述评价函数计算每个基因组的所述总体评分,并按照大小进行排序;
S307:判断是否达到预设遗传代数;
S308:若达到预设遗传代数,则输出所述总体评分最高的基因组配置参数组合,即完成所述任务的最优星座配置;
S309:若没有达到预设遗传代数,则采用轮盘赌概率选择法选择所述总体评分高的基因组,继续进行遗传,同时将已保存的所述单项指标最大值和最小值替换掉所述单项指标对应的历史最大值和最小值;
S310:按照设定的概率进行交叉和变异,产生新种群,回到步骤S305。
本发明通过使用一种基于指标评价的遥感卫星星座优化方法,通过帮助用户进行高效、可靠、有针对性的遥感卫星星座配置,提高遥感卫星监测任务的时效性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (5)
1.一种基于指标评价的遥感卫星星座优化方法,其特征在于:包括以下步骤:
S1、确定遥感卫星星座的评价函数,具体操作如下:
S1.1、解析所述遥感卫星星座监测任务类型;
S1.2、找出需要关注的指标项;
S1.3、使用初始遥感卫星星座对所述指标项逐一进行计算,并保存每个单项指标的最大值和最小值;
S1.4、用户根据计算出的每个单项指标值对执行所述任务的情况进行效能评价,给出百分制评分;
S1.5、对基于所述任务的效能评价规则进行学习,得到评价函数,保存所述评价函数;
S2:基于指标评价的遥感卫星星座配置优化,具体操作如下:
S2.1、选择一个初始遥感卫星星座;
S2.2、根据所述评价函数,基于改进的遗传算法对所述初始遥感卫星星座的配置进行优化;
S2.3、得到完成所述任务的最优星座配置。
2.如权利要求1所述的一种基于指标评价的遥感卫星星座优化方法,其特征在于:按照监测目标的特征,将监测任务分为两类:针对点目标集合的监测、针对区域目标的监测。
3.如权利要求1所述的一种基于指标评价的遥感卫星星座优化方法,其特征在于:所述效能评价规则为,假设所述指标项有n(n>0)个,当存在大于所述指标项个数的不同星座m(m>n)被进行所述百分制评分后,则认为满足所述效能评价规则。
4.如权利要求1所述的一种基于指标评价的遥感卫星星座优化方法,其特征在于:所述效能评价的规则学习方法包括以下步骤:
1)判断进行所述百分制评分的所述初始遥感卫星星座个数是否满足所述效能评价规则学习需要;
2)当满足所述效能评价规则的学习需要时,根据保存的所述单项指标的最大值和最小值,使用归一化公式计算每个所述单项指标的评分,如公式(1)所示:
Xp=(x-xmin)/(xmax-xmin)*100 (1)
其中,xp为所述单项指标的结果,x为所述单项指标的计算结果,xmax、xmin分别为所述单项指标的计算结果的最大值和最小值;
3)使用多项式函数拟合所述百分制评分与所有所述单项指标的评分结果之间的关系,如公式(2)所示:
XPtotal=x0+axp1+bxp2+cxp3+……+nxpn (2)
其中,Xptotal代表星座总体评分,x0为常数项,xp1、xp2、xp3……xpn分别表示n个单项指标的评分结果,a、b、c……n则分别代表所述单项指标的评分结果的加权系数;
4)利用多元线性回归方法求解参数,使所述百分制评分与所述总体评分之间的差距最小,得到x0、a、b、c……n的值,确定并保存所述评价函数。
5.如权利要求1所述的一种基于指标评价的遥感卫星星座优化方法,其特征在于:采用改进的遗传算法对所述初始遥感卫星星座的配置进行优化,具体优化过程如下:
1)对所述初始遥感卫星星座中每颗卫星需要配置的参数进行实数编码,形成基因,一个星座对应编码成一个基因组;
2)在所述配置参数的约束范围内进行随机取值,产生基因组并和所述初始遥感卫星星座一起形成遗传初始种群;
3)取出所述种群中的每个基因组,对所述指标项逐一进行计算,取出与比对每个所述单项指标对应的历史最大值和最小值,计算得到所述单项指标的所述评分结果,如果当前计算得到的单项指标最大值和最小值比所述单项指标对应的历史最大值和最小值大或者小,则将其保存为当前计算得到的单项指标的最大值和最小值,用于下一迭代的比对,而当前迭代中用于比对和计算的单项指标历史最大值和最小值不变;
4)采用所述评价函数对每个基因组的所述总体评分进行计算,并按照大小进行排序;
5)判断是否达到预设遗传代数;
6)若达到预设遗传代数,则不需要继续进行遗传,输出所述总体评分最高的基因组配置参数组合,即最优的星座配置参数组合;
7)若没有达到预设遗传代数,则采用轮盘赌概率选择法选择所述总体评分高的基因组,继续进行遗传,同时将已保存的所述单项指标最大值和最小值替换掉所述单项指标对应的历史最大值和最小值;
8)按照设定的概率进行交叉和变异产生新种群,复执行步骤3)-8),得到基于指标评价的最优基因组配置参数组合,即完成所述任务的最优星座配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710870132.3A CN107609292B (zh) | 2017-09-19 | 2017-09-19 | 一种基于指标评价的遥感卫星星座优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710870132.3A CN107609292B (zh) | 2017-09-19 | 2017-09-19 | 一种基于指标评价的遥感卫星星座优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609292A true CN107609292A (zh) | 2018-01-19 |
CN107609292B CN107609292B (zh) | 2020-04-10 |
Family
ID=61057686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710870132.3A Expired - Fee Related CN107609292B (zh) | 2017-09-19 | 2017-09-19 | 一种基于指标评价的遥感卫星星座优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609292B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255870A (zh) * | 2021-04-19 | 2021-08-13 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN116630826B (zh) * | 2023-07-25 | 2023-10-03 | 中国石油大学(华东) | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160009425A1 (en) * | 2014-07-10 | 2016-01-14 | The Aerospace Corporation | Systems and Methods for Optimizing Satellite Constellation Deployment |
CN105335541A (zh) * | 2014-08-12 | 2016-02-17 | 中国人民解放军装备学院 | 导航卫星星座的工程设计方法 |
CN106156417A (zh) * | 2016-07-04 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 等时间间隔快速重访卫星星座构型优化设计方法 |
CN106250616A (zh) * | 2016-07-29 | 2016-12-21 | 北京空间飞行器总体设计部 | 基于动态可靠性估计的导航卫星星座可用性评估方法 |
CN106446333A (zh) * | 2016-08-19 | 2017-02-22 | 航天东方红卫星有限公司 | 一种小规模卫星星座构型优化设计方法 |
-
2017
- 2017-09-19 CN CN201710870132.3A patent/CN107609292B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160009425A1 (en) * | 2014-07-10 | 2016-01-14 | The Aerospace Corporation | Systems and Methods for Optimizing Satellite Constellation Deployment |
CN105335541A (zh) * | 2014-08-12 | 2016-02-17 | 中国人民解放军装备学院 | 导航卫星星座的工程设计方法 |
CN106156417A (zh) * | 2016-07-04 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 等时间间隔快速重访卫星星座构型优化设计方法 |
CN106250616A (zh) * | 2016-07-29 | 2016-12-21 | 北京空间飞行器总体设计部 | 基于动态可靠性估计的导航卫星星座可用性评估方法 |
CN106446333A (zh) * | 2016-08-19 | 2017-02-22 | 航天东方红卫星有限公司 | 一种小规模卫星星座构型优化设计方法 |
Non-Patent Citations (3)
Title |
---|
王励等: "基于NSGA-II算法的区域覆盖卫星星座优化", 《计算机仿真》 * |
肖宝秋等: "改进的NSGA-II算法及其在星座优化设计中的应用", 《计算机工程与应用》 * |
陈晓宇等: "卫星星座性能评估体系的设计与实现", 《计算机应用与软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255870A (zh) * | 2021-04-19 | 2021-08-13 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN113255870B (zh) * | 2021-04-19 | 2023-08-04 | 北京市遥感信息研究所 | 区域重访路径优化方法、装置、设备及介质 |
CN116630826B (zh) * | 2023-07-25 | 2023-10-03 | 中国石油大学(华东) | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107609292B (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Geldmann et al. | Mapping change in human pressure globally on land and within protected areas | |
Dormann et al. | Components of uncertainty in species distribution analysis: a case study of the great grey shrike | |
Haeuser et al. | European ornamental garden flora as an invasion debt under climate change | |
Symes et al. | Why do we lose protected areas? Factors influencing protected area downgrading, downsizing and degazettement in the tropics and subtropics | |
Nawrotzki | The politics of environmental concern: A cross-national analysis | |
Joseph et al. | Optimal allocation of resources among threatened species: a project prioritization protocol | |
Eigenbrod et al. | The impact of proxy‐based methods on mapping the distribution of ecosystem services | |
de Oliveira et al. | Evaluating, partitioning, and mapping the spatial autocorrelation component in ecological niche modeling: a new approach based on environmentally equidistant records | |
Morgan et al. | African apes coexisting with logging: comparing chimpanzee (Pan troglodytes troglodytes) and gorilla (Gorilla gorilla gorilla) resource needs and responses to forestry activities | |
Arias et al. | Agricultural production amid conflict: the effects of shocks, uncertainty, and governance of non-state armed actors | |
US11315175B2 (en) | Predicting real estate tenant occupancy | |
Xu et al. | Plant geographical range size and climate stability in China: Growth form matters | |
Cao et al. | Rebel on the canal: Disrupted trade access and social conflict in China, 1650–1911 | |
Fattorini et al. | Design‐based strategies for sampling spatial units from regular grids with applications to forest surveys, land use, and land cover estimation | |
Haas et al. | Finding politically feasible conservation policies: the case of wildlife trafficking | |
Lee‐Yaw et al. | Environmental marginality and geographic range limits: a case study with Arabidopsis lyrata ssp. lyrata | |
Billerman et al. | Changing climate mediates sapsucker (Aves: Sphyrapicus) hybrid zone movement | |
Dobes et al. | The economics of global climate change: A historical literature review | |
Schmidt et al. | Bioeconomic forecasting of invasive species by ecological syndrome | |
Norfolk et al. | Birds in the matrix: the role of agriculture in avian conservation in the Taita Hills, Kenya | |
Mac Nally et al. | The hegemony of the ‘despots’: the control of avifaunas over vast continental areas | |
CN107609292A (zh) | 一种基于指标评价的遥感卫星星座优化方法 | |
Pang et al. | Occurrence–habitat mismatching and niche truncation when modelling distributions affected by anthropogenic range contractions | |
Guarnieri | Cultural Distance and Ethnic Civil Conflict | |
Boughton et al. | Double jeopardy: COVID‐19, coup d'état and poverty in Myanmar |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200410 Termination date: 20200919 |
|
CF01 | Termination of patent right due to non-payment of annual fee |