<em id="lj1v3"><b id="lj1v3"></b></em>

    <i id="lj1v3"></i>

        <i id="lj1v3"><b id="lj1v3"><progress id="lj1v3"></progress></b></i>

        <video id="lj1v3"></video>
        <video id="lj1v3"></video>

                    <i id="lj1v3"><ol id="lj1v3"><progress id="lj1v3"></progress></ol></i>
                    其他數據論文 II 區論文(已發表) ? 版本 ZH3 Vol 6 (1) 2021
                    下載
                    1986–2019年贛南稀土礦區土地荒漠化數據集
                    A dataset of land desertification in the rare earth mining area in southern Jiangxi from 1986 to 2019
                    ?>>
                    : 2020 - 09 - 21
                    : 2021 - 03 - 02
                    : 2020 - 11 - 12
                    : 2021 - 03 - 30
                    极速快三
                    1042 5 0
                    摘要&關鍵詞
                    摘要:嶺北礦區是我國南方離子型稀土礦的主要產區,稀土開采帶來的嚴重的土地荒漠化問題已成為離子型稀土行業可持續發展的關鍵制約因素。本文采用了隨機森林算法提取土地荒漠化信息,完成了1986–2019年29期嶺北礦區土地荒漠化分類專題數據集。為了提高荒漠化定量反演的可靠性,在Google影像上選取樣本點驗證本數據集的質量和精度,以2018年數據為例,土地荒漠化分級總體精度為93%,kappa系數為90.67%。本數據集整理了1986–2019年29期嶺北礦區土地荒漠化分類數據,根據野外調研,具體分為4個等級:未荒漠化、輕度荒漠化、中度荒漠化、重度荒漠化。用戶可以按照數據年份進行查找和數據檢索。嶺北礦區土地荒漠化數據集的建立與共享反映了不同開采期嶺北稀土礦區的荒漠化程度以及稀土開采前后礦區土地荒漠化的時空變化情況,并為今后研究區荒漠化的控制、改造工作提供基礎數據和技術方法支撐。
                    關鍵詞:稀土礦區;荒漠化;隨機森林;時空變化
                    Abstract & Keywords
                    Abstract:?Lingbei Mining Area is the main production area of ion-type rare earth mines in South China. The serious land desertification caused by rare earth mining has become a key constraint to the sustainable development of the ion-type rare earth industry. Through adopting the random forest algorithm to extract land desertification information, we compiled in this paper the 29-period the thematic dataset of the land desertification in Lingbei Mining Area from 1986 to 2019. In order to improve the reliability of quantitative inversion of desertification, we verified the quality and accuracy of the dataset by selecting sample points selected on Google images. Taking the 2018 data as an example, the overall accuracy of land desertification classification was 93%, and the kappa coefficient was 90.67%. This dataset contains the 29-period classification data of land desertification in Lingbei Mining Area from 1986 to 2019. According to the field investigation, it is divided into four grades: no desertification, mild desertification, moderate desertification and severe desertification. Users can search and retrieve data in terms of yearly period of data. The establishment and sharing of the land desertification dataset in Lingbei Mining Area can reflect the degree of desertification in Lingbei rare earth mining area in different mining periods and the temporal and spatial changes of land desertification before and after rare earth mining. This dataset is expected to provide basic data and technical method support for desertification control and transformation in the study area in the future.
                    Keywords:?rare earth mining area;?desertification;?random forest;?temporal and spatial changes
                    數據庫(集)基本信息簡介
                    數據庫(集)名稱1986–2019年贛南稀土礦區土地荒漠化數據集
                    數據作者李迎雙、李恒凱
                    數據通信作者李恒凱(giskai@126.com)
                    數據時間范圍1986–2019年
                    地理區域114°58′04″E–115°10′56″E,24°51′24″N–25°02′56″N
                    空間分辨率30 m
                    數據量1.69 MB
                    數據格式TIF
                    數據服務系統網址http://www.dx.doi.org/10.11922/sciencedb.00196
                    基金項目教育部人文社科規劃基金項目(18YJAZH040);江西省自然科學基金面上項目(20181BAB206018);江西省教育廳科學技術研究重點項目(GJJ180423)。
                    數據集組成數據集包含1986–2019年中29個年份的嶺北礦區土地荒漠分級柵格數據,每個年份一個文件夾,共29個文件夾,以年份命名。
                    Dataset Profile
                    TitleA dataset of land desertification in the rare earth mining area in southern Jiangxi from 1986 to 2019
                    Data authorsLI Yingshuang, LI Hengkai
                    Data corresponding authorLI Hengkai (giskai@126.com)
                    Time range1986–2019
                    Geographical scope114°58′04″E–115°10′56″E, 24°51′24″N–25°02′56″N
                    Spatial resolution30 m
                    Data volume1.69 MB
                    Data formatTIF
                    Data service system<http://www.dx.doi.org/10.11922/sciencedb.00196>
                    Sources of fundingThe Humanities and Social Sciences Planning Fund Project of the Ministry of Education (18YJAZH040), China; The General Project of the Natural Science Foundation of Jiangxi Province, China (20181BAB206018); The Science and Technology Research Key Project of the Department of Education of Jiangxi Province, China (GJJ180423).
                    Dataset compositionThe dataset contains raster data of land desertification grading in Lingbei Mining Area in 29 years from 1986 to 2019. There is one folder for each year, 29 folders in total, named after the year.
                    引 言
                    土地荒漠化是發生在干旱、半干旱及半濕潤地區的土地退化過程,當今人類所面臨的重大環境與社會問題之一,嚴重威脅著我國生態安全與經濟社會發展[1]。稀土是我國寶貴的戰略資源,是很多高精尖產業必不可少的原料。我國離子型稀
                    土資源占世界同類資源的90%,贛南離子型稀土資源就占到全國同類資源的2/3,極具稀缺性和不可替代性[2]。然而,礦產資源開發在促進當地經濟發展的同時,也因長期大規模的開發給當地造成了非常嚴重的土地荒漠化問題。
                    稀土開采帶來的礦區地表荒漠化問題,是一個長期的歷史過程,與南方丘陵地區特殊的紅壤背景、離子稀土獨特的成礦方式以及在不同歷史階段的開采工藝有緊密聯系。目前,利用遙感影像對礦區荒漠化進行動態監測已成為區域尺度荒漠化的有效監測評價方式[3-4]。隨著遙感數據時空分辨率的提高、數據共享性的增加以及遙感信息處理技術的進一步發展,其在土地荒漠化監測中的應用將更加客觀、科學和可靠。近年來,隨機森林算法因具有極好的準確率,處理多維數據能力強,訓練和預測速度快的特點,已在土地利用分類[5]、病蟲害監測[6]、植被生物量計算[7]等方面得到應用,顯示出較強的應用潛力。Landsat衛星系列是迄今持續時間最長的地球監測衛星項目,豐富的數據為研究更大時空范圍的礦區地表荒漠化演變過程提供了重大的機遇?;诖?,本研究以隨機森林算法為基礎,提取了1986–2019年間29期嶺北稀土礦區土地荒漠化信息,并制作了土地荒漠化分類專題數據集,以期為稀土礦區荒漠化演變過程的認知和生態環境治理提供決策支持。
                    1 ? 數據采集與處理方法
                    1.1 ? 區域范圍
                    贛南地區位于江西省南部,地形分布以山地、丘陵為主,屬于南方丘陵地區,易發生崩塌、滑坡、泥石流等自然地質災害。同時贛南地區的礦產資源十分豐富,享有“稀土王國”的美譽。南方離子型稀土礦區以定南縣嶺北地區為主,其位置如圖1所示,其儲量達到整個離子型稀土產量的70%,采礦現象極為嚴重。近30年來,由于人類對于贛南離子型稀土礦的開發利用,礦區生態環境日益惡化,贛南地區不同礦區的荒漠化程度也發生著明顯的變化。2001年以前,以池浸、堆浸采選工藝為主要方式。該工藝在開采過程中需剝離表土和礦體,容易造成植被退化、水土流失,加上開采規模的不斷擴大,礦區、浸池周邊堆積的大量廢石和尾砂,會導致土地沙化和荒漠化地表;2002年以后,開采方式主要以原地浸礦為主,該開采方式雖然在一定程度上減少了對生態環境的破壞,但并未從根本上改變開采方式。而且由于不可避免發生浸礦液體泄漏,并產生大量的尾渣、廢液,會導致更大范圍的生態破壞,植被茂密的山地變成裸露的地表,從而帶來水域污染、植被破壞、土地荒漠化等問題[8-9]。


                    圖1 ? 研究區地理位置
                    1.2 ? 數據來源及預處理
                    本研究采用了1986–2019年中的29期Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI影像,空間分辨率均為30 m。數據來源于地理空間數據云和美國地質勘探局(USGS)官網,表1為選取長時序變化監測分析影像數據的詳細信息??紤]到南方地區常年多云多雨,因此影像采集時間均集中在10月至次年1月,時相基本接近,且由于研究區位于南方區域,無明顯四季變化,常年植被覆蓋,能夠確保同類地物光譜一致性。其中1992年、1998年、2007年、2012年、2015年因云量和回訪周期等因素影響,無合適影像選擇。DEM數據來自于2009年美國航空航天管理局(NASA)和日本經貿及工業部(METI)共同發布的空間分辨率為30 m的DEM,與多光譜圖像分辨率一致。嶺北礦區邊界是2010年贛州市實測的拐點坐標生成的矢量邊界。
                    表1 ? 影像類型及獲取日期
                    傳感器類型獲取日期
                    TM1986-12-24;1987-12-17;1988-12-03;1989-11-20;1990-12-09;1991-10-09;1993-01-31;1994-10-01;1995-12-07;1996-12-25;1997-01-10;2000-11-02;2001-11-21;2002-11-08;2003-12-29;2004-12-25;2005-01-16;2006-12-21;2008-12-10;2009-10-26;2010-10-29;2011-01-01
                    ETM+1999-12-26
                    OLI2013-12-24;2014-10-08;2016-12-16;2017-12-19;2018-10-03;2019-11-23
                    針對Landsat系列數據,預處理過程包括:輻射定標、大氣校正、幾何校正和影像配準。其中大氣校正采用的FLAASH模型;幾何校正則采用二次多項式進行校正;影像配準以2013年的Landsat 8 OLI影像作為參考,對其他的影像進行配準;最后利用2010年贛州市實測的拐點坐標生成的嶺北礦區矢量邊界對Landsat影像進行剪裁和掩膜,得到研究區的影像。
                    1.3 ? 數據處理流程
                    隨機森林算法由Leo Breiman于2001年提出,是一種基于Bagging集成學習理論的分類器,通過訓練樣本和變量的子集建立一系列決策樹,每棵決策樹都是一個分類器,對于一個輸入樣本,N棵樹會有N個分類結果,而隨機森林算法集成了所有的分類投票結果,將投票次數最多的類別指定為最終的輸出[10]。這種方法不需要先驗知識,易于使用,在當前所有算法中,具有極好的準確率,并能容忍一定的噪聲和異常值,是一種高效靈活的機器學習算法。本研究基于Landsat影像和地形特征,選取了光譜特征變量、紋理特征變量以及地形特征變量3種類型的指標參與分類。實驗流程如圖2所示。


                    圖2 ? 數據處理流程圖
                    1.4 ? 土地荒漠化等級劃分
                    1.4.1 ? 特征選擇
                    光譜特征變量分別提取了Landsat影像的Blue波段、Red波段、Green波段、Nir波段、Swir波段,歸一化植被指數(Normalized Difference Vegetation Index,NDVI),地表反照率(Albedo)。其中,NDVI作為指示植被生產力的直接指標,已成為土地荒漠化遙感監測研究中的重要依據[11],如式(1)所示?;哪潭戎鸩郊又剡^程中,地表植被減少,水量降低,裸露表面的粗糙度降低,Albedo增加。因此,Albedo可作為反映荒漠化程度的重要參數[12]。Albedo的計算采用Liang S[13]建立的反演模型完成,如式(2)所示。
                    \(NDVI=\frac{{\rho }_{nir-}{\rho }_{red}}{{\rho }_{nir}+{\rho }_{red}}\) (1)
                    \(Albedo=0.356{\rho }_{blue}+0.13{\rho }_{red}+0.373{\rho }_{nir}+0.085{\rho }_{swir1}+0.072{\rho }_{swir2}-0.0018\) (2)
                    式(1)和式(2)中:地表反照率為Albedo, ,,,,分別為所選數據的Blue波段、Red波段、Nir波段、Swir1波段、Swir2波段的反射率,NDVI為植被指數。
                    紋理特征變量是利用灰度共生矩陣在原始多光譜數據基礎上分別提取圖像的紋理特征,包括均值(MEA)、方差(VAR)、同質性(HOM)、對比度(CON)、非相似性(DIS)、熵(ENT)、二階矩(SM)、相關性(COR)共8個參數[14],各項指標計算公式如下。通過灰度共生矩陣獲得紋理特征量后,采用主成分分析(PCA)獲取合適的紋理波段數據,選取信息量在占95%以上的成分作為紋理特征變量。
                    \(\mathrm{M}\mathrm{E}\mathrm{A}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{iP}_{\delta }\left(i,j\right)\) (3)
                    \(\mathrm{V}\mathrm{A}\mathrm{R}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{{\left(1-u\right)}^{2}P}_{\delta }\left(1,j\right)\) (4)
                    \(\mathrm{C}\mathrm{O}\mathrm{N}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{{\left(i-j\right)}^{2}P}_{\delta }\left(i,j\right)\) (5)
                    \(\mathrm{C}\mathrm{O}\mathrm{R}=\frac{{\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{ijP}_{\delta }\left(i,j\right)-{u}_{i}{u}_{j}}{{\sigma }_{i}^{}{\sigma }_{j}^{}}\) (6)
                    \({u}_{i}={\sum }_{i=1}^{N}i{\sum }_{j=1}^{N}{P}_{\delta }\left(i,j\right)\) ,\({u}_{j}={\sum }_{j=1}^{N}j{\sum }_{i=1}^{N}{P}_{\delta }\left(i,j\right)\)
                    \({\sigma }_{i}^{2}={\sum }_{i=1}^{N}{\left(i-{u}_{x}\right)}^{2}{\sum }_{j=1}^{N}{P}_{\delta }\left(i,j\right)\) ,\({\sigma }_{j}^{2}={\sum }_{j=1}^{N}{\left(i-{u}_{y}\right)}^{2}{\sum }_{i=1}^{N}{P}_{\delta }\left(i,j\right)\)
                    \(\mathrm{H}\mathrm{O}\mathrm{M}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{P}_{\delta }\left(i,j\right)/\left[1+{\left(i-j\right)}^{2}\right]\) (7)
                    \(\mathrm{D}\mathrm{I}\mathrm{S}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{\left|i-j\right|P}_{\delta }\left(i,j\right)\) (8)
                    \(\mathrm{E}\mathrm{N}\mathrm{T}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{P}_{\delta }\left(i,j\right)log{P}_{\delta }\left(i,j\right)\) (9)
                    \(\mathrm{S}\mathrm{M}={\sum }_{i=1}^{N}{\sum }_{j=1}^{N}{P}_{\delta }{\left(i,j\right)}^{2}\) (10)
                    其中,用\({P}_{\delta }\)表示灰度共生矩陣,\({P}_{\delta }\left(i,j\right)\)表示矩陣元素,\(i,j\)分別為兩個像素的灰度,N為圖像的灰度級數,\(\delta \)為兩個像素間的位置關系,\(u\)\({P}_{\delta }\left(i,j\right)\)均值,\({u}_{i}\)、\({u}_{j}\)表示均值,\({\sigma }_{i}^{2}\)、\({\sigma }_{j}^{2}\)表示方差。
                    高程特征變量是利用GDEM影像提取的,并利用嶺北礦區邊界進行剪裁,得到研究區DEM。
                    1.4.2 ? 建立荒漠化解譯標志
                    荒漠化程度不僅是直接反映土地荒漠化嚴重程度的指標,也是間接反映和衡量荒漠化土地恢復生產力和恢復生態系統功能難易程度的指標[15]。因此,本實驗針對嶺北地區地表荒漠化狀況,結合水利部組織制定的《南方丘陵山區水土流失綜合治理技術標準》(SL757-2014)[16]以及實地調研,利用Google高分影像確立了不同荒漠化程度的解譯標志如表2所示,并以此為土地荒漠化分級標準進行評價。
                    表2 ? 稀土礦區土地荒漠化解譯標志
                    荒漠化土地類型描述典型地物特征Google影像解譯圖
                    未荒漠化主要由灌木、闊葉林地組成,植被覆蓋度達75%以上,土壤發育良好無沙化
                    輕度荒漠化由林地、低矮的灌木叢、輕度退化的耕地組成,植被覆蓋度達50%–75%
                    中度荒漠化主要由大量園地、耕地組成,植被覆蓋度達25%–50%
                    重度荒漠化主要由尾砂、裸地組成,植被覆蓋度小于25%
                    1.4.3 ? 樣點選取與分類
                    本實驗借助ENVI平臺完成,訓練過程如下:①隨機抽樣訓練決策樹:從谷歌影像上選取訓練樣本,如圖3所示。采用bootstrap方法隨機且有放回地從原始樣本中抽取N個訓練樣本,每次大約抽取原始訓練樣本的2/3,生成樣本集,選擇好的樣本用來訓練決策樹,并作為決策樹根節點處的樣本。②隨機選取屬性做節點分裂屬性:在每棵樹生長過程中,決策樹的每個節點需要分裂,隨機從這M個特征變量中選取出m個,滿足條件m<<M。在這m個屬性中根據Gini系數最小原則選出最優屬性進行內部節點分支。③重復步驟②直到不能再分裂。④集合N棵決策樹的預測結果,采用投票的方式決定新樣本的類別。運行時需要設置3個參數:生長樹的數量、最小樣本節點和最小雜質。通過實驗,設置樹的數量為100,最小樣本節點為1,最小雜質為0作為最佳分類參數。
                    2 ? 數據樣本描述
                    1986–2019年贛南嶺北稀土礦區土地荒漠化數據集共計29期數據,每期數據以相應的年份命名,總數據量為1.69 MB??臻g分辨率均為30 m,投影坐標為UTM 50N,坐標系為WGS1984。2018年嶺北礦區土地荒漠化分級如圖3所示。


                    圖3 ? 2018年土地荒漠化分級圖
                    3 ? 數據質量控制與評估
                    本文采用高分辨率數據來評價荒漠化分級數據的質量,從定量角度出發對嶺北礦區土地荒漠化分級結果進行精度評價。以2018年數據為例,在2018年Google Earth高分辨率影像上隨機選取樣點200個進行精度驗證,每種荒漠化土地類型各占50個。結合不同荒漠化程度的解譯標志和影像特征(圖4),并以此為真實的土地荒漠化標準進行評價,對嶺北礦區荒漠化土地分級情況進行評價驗證。建立誤差矩陣如下,并計算出分類總體精度和Kappa系數,來評價荒漠化信息提取的精確度??傮w精度表明了每一個隨機樣本的分類結果與真實地物類型一致的概率,Kappa系數考慮了混淆矩陣的所有元素,能全面反映總體分類精度,公式如下。
                    (11)
                    式中:pc 為總分類精度;m為分類類別數;N為樣本總數。Pkk 為第k類的判對樣本數。
                    (12)
                    式中:K為Kappa系數;N為總樣本數;ppi 為某一類所在列總數;pli 為某一類所在行總數。


                    圖4 ? 谷歌影像取樣
                    按照表3中的數據計算得,本實驗中基于隨機森林算法得到的稀土礦區土地荒漠化分級結果總體精度為93%,Kappa系數為90.67%,滿足精度要求。
                    表3 ? 分類精度誤差矩陣
                    類別未荒漠化輕度荒漠化中度荒漠化重度荒漠化總數
                    未荒漠化4810049
                    輕度荒漠化2473052
                    中度荒漠化0243247
                    重度荒漠化0044852
                    總數50505050200
                    4 ? 數據價值
                    離子吸附型稀土由于特殊的開采方式及紅壤背景,帶來礦區大面積土地退化及荒漠化,因此準確了解礦區土地荒漠化發生發展的過程,對于礦區生態治理與恢復至關重要。本數據集以Landsat影像為主要的數據來源,結合野外調查和Google高分影像,隨機選取樣本點驗證,以嶺北礦區為研究區,制備了1986–2019年間29期嶺北礦區土地荒漠化數據集。一方面在較大時空尺度上驗證了隨機森林算法在南方紅壤區提取礦區土地荒漠化信息的適用性,另一方面為定量監測和分析礦區荒漠化動態變化特征和規律,以及不同稀土開采模式、管理手段以及復墾措施對礦區土地荒漠化的影響奠定了數據基礎。
                    5 ? 數據使用方法和建議
                    1986–2019年嶺北礦區土地荒漠化數據集保存格式為TIF,ArcGIS、QGIS、ENVI、ERDAS等常用的GIS與遙感軟件均支持本數據集的讀取和操作。
                    致 謝
                    感謝USGS和地理空間數據云提供Landsat系列數據。
                    [1]
                    朱震達, 崔書紅. 中國南方的土地荒漠化問題[J]. 中國沙漠, 1996(04): 4-10.
                    [2]
                    王登紅, 趙芝, 于揚, 等. 我國離子吸附型稀土礦產科學研究和調查評價新進展[J]. 地球學報, 2017, 38(03): 317-325.
                    [3]
                    NA R, DU H, NA L, et al. Spatiotemporal changes in the Aeolian desertification of Hulunbuir Grassland and its driving factors in China during 1980–2015[J]. Catena, 2019, 182: 104123.
                    [4]
                    ZHANG C L, LI Q, SHEN Y P, et al. Monitoring of aeolian desertification on the Qinghai-Tibet Plateau from the 1970s to 2015 using Landsat images[J]. Science of the Total Environment, 2018, 619: 1648-1659.
                    [5]
                    王李娟, 孔鈺如, 楊小冬, 等. 基于特征優選隨機森林算法的農耕區土地利用分類[J]. 農業工程學報, 2020, 36(04): 244-250.
                    [6]
                    WANG H, ZHAO Y, PU R, et al. Mapping robinia pseudoacacia forest health conditions by using combined spectral, spatial, and textural information extracted from Ikonos imagery and random forest classifier[J]. Remote Sensing, 2015, 7(7): 9020-9044.
                    [7]
                    KARLSON M, OSTWALD M, REESE H, et al. Mapping tree canopy cover and aboveground biomass in sudano-sahelian woodlands using Landsat 8 and random forest[J]. Remote Sensing, 2015, 7(8): 10017-10041.
                    [8]
                    周夏飛, 朱文泉, 馬國霞, 等. 江西省贛州市稀土礦開采導致的水土保持價值損失評估[J]. 自然資源學報, 2016, 31(06): 982-993.
                    [9]
                    李恒凱, 吳立新, 劉小生. 稀土礦區地表環境變化多時相遙感監測研究——以嶺北稀土礦區為例[J]. 中國礦業大學學報, 2014, 43(06): 1087-1094.
                    [10]
                    BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
                    [11]
                    劉爽, 宮鵬. 2000~2010年中國地表植被綠度變化[J]. 科學通報, 2012(16):1423-1434.
                    [12]
                    官雨薇. 基于遙感影像的全球荒漠化指數構建及趨勢分析[D]. 成都: 電子科技大學, 2015.
                    [13]
                    LIANG S. Narrowband to broadband conversions of land surface albedo I: Algorithms[J]. Remote Sensing of Environment, 2001, 76(2): 213-238.
                    [14]
                    杜培軍, 柳思聰. 融合多特征的遙感影像變化檢測[J]. 遙感學報, 2012, 16(4): 663-677.
                    [15]
                    王樹力, 楊廣巍, 周延陽. 土地荒漠化對生態系統服務價值的影響[J]. 中國水土保持科學,2008(05): 50-56, 70.
                    [16]
                    水利部關于批準發布水利行業標準的公告(南方紅壤丘陵區水土流失綜合治理技術標準)[J].中華人民共和國水利部公報,2014(01):60.
                    數據引用格式
                    李迎雙, 李恒凱. 1986–2019年贛南稀土礦區土地荒漠化數據集[DB/OL]. Science Data Bank, 2020. (2020-11-12). DOI: 10.11922/sciencedb.00196.
                    稿件與作者信息
                    論文引用格式
                    李迎雙, 李恒凱. 1986–2019年贛南稀土礦區土地荒漠化數據集[J/OL]. 中國科學數據, 2021, 6(1). (2021-03-22). DOI: 10.11922/csdata.2020.0092.zh.
                    李迎雙
                    Li Yingshuang
                    主要承擔工作:數據預處理及土地荒漠化數據提取。
                    (1995—),女,湖北省安陸市人,碩士研究生,研究方向為礦區環境遙感。
                    李恒凱
                    Li Hengkai
                    主要承擔工作:總體方案設計,數據質量控制,數據論文修改。
                    giskai@126.com
                    (1980—),男,湖北省安陸市人,博士,教授,主要研究方向為遙感建模與分析。
                    出版歷史
                    I區發布時間:2020年11月12日 ( 版本ZH2
                    II區出版時間:2021年3月30日 ( 版本ZH3
                    參考文獻列表中查看
                    中國科學數據
                    csdata