CN101614651A - 一种土壤水分监测的数据同化方法 - Google Patents
一种土壤水分监测的数据同化方法 Download PDFInfo
- Publication number
- CN101614651A CN101614651A CN200910090034A CN200910090034A CN101614651A CN 101614651 A CN101614651 A CN 101614651A CN 200910090034 A CN200910090034 A CN 200910090034A CN 200910090034 A CN200910090034 A CN 200910090034A CN 101614651 A CN101614651 A CN 101614651A
- Authority
- CN
- China
- Prior art keywords
- data
- soil moisture
- model
- assimilation
- parameter
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土壤水分监测的数据同化方法。本发明提供的方法至少包括一个同化周期,每个周期包括以下步骤:(1)用生态过程模型作为动态模型模拟每日土壤水分的空间分布状况,动态模型中的初始值为初始参数和初始土壤水分数据,运行动态模型,输出模拟的土壤水分数据;将土壤表面的遥感数据进行反演获得表层土壤水分数据;将遥感数据对应日的模拟土壤水分数据和遥感数据反演得到的表层土壤水分数据结合起来进行数据同化,得到优化的生态过程模型参数;(2)将优化后的参数代入步骤(1)的动态模型,运行动态模型,获得模拟的每日土壤水分数据。本发明所提供方法可将土壤水分的变化和水分亏缺胁迫下植被的生理响应机制联系起来,提高了田间土壤水分监测和干旱评估的精度,具有重要应用前景。
Description
技术领域
本发明涉及一种土壤水分监测的数据同化方法。
背景技术
传统的土壤水分监测是通过实地采样得到土壤水分数据,这种方式费时费力,而且监测范围较小、数据获取的时间较长。此外,受土壤性质、地表覆盖状况、气候条件等影响,土壤水分的空间和时间变化非常大。仅利用实地观测数据显然不能满足大面积连续土壤水分监测的要求。
与单点的实测法相比,遥感具有全球范围的空间感知能力,地表土壤水分变化可以在遥感影像上通过光谱特征表现出来,各种空间分辨率遥感影像成为大范围监测土壤水分的重要技术手段。鉴于可见光-近红外遥感受云层、大气气溶胶、水汽含量等因素的影响比较大,有效的遥感数据获取时间间隔较长,遥感获得的是地表土壤水分信息的瞬时值,这些因素导致难以对土壤水分变化的深入分析和预测。
生态过程模型将水分变化有关的物理过程进行了机理性的描述,并将土壤水分有关的参数通过数理方程表达出来,能够计算给定时间的土壤水分。它有助于理解土壤、大气和植被之间的相互反馈作用和时间的动态变化过程。当生态过程模型扩展到大空间尺度上时,模型参数随时间和空间的变异性导致生态过程模型越来越复杂和难以确定。特别是当一些参数随时间和空间发生变化,相应没有或只有很少的几个离散的实地观测数据来校正的时候,会导致模型的误差随时间累积,对土壤水分的估计会渐渐偏离真实值。
发明内容
本发明的目的是提供一种土壤水分监测的数据同化方法,具体是通过数据同化来进行土壤水分监测。
本发明提供的方法,包括如下步骤:
(1)用生态过程模型作为动态模型模拟每日土壤水分的空间分布状况,动态模型中的初始值为初始参数和初始土壤水分数据,运行动态模型,输出模拟的土壤水分数据;将土壤表面的遥感数据进行反演获得表层土壤水分数据;将遥感数据对应日的模拟土壤水分数据和遥感数据反演得到的表层土壤水分数据结合起来进行数据同化,得到优化的生态过程模型参数;
(2)将优化后的参数代入步骤(1)的动态模型,重新运行动态模型,获得模拟的每日土壤水分数据。
所述方法包括至少一个同化周期,每个同化周期中只存在一个遥感数据,且该遥感数据的对应日为同化周期中的最后一日,所述每个同化周期包括以下步骤:
(1)用生态过程模型作为动态模型模拟同化周期中每日土壤水分的空间分布状况,动态模型中的初始值为初始参数和初始土壤水分数据,运行动态模型,输出模拟的土壤水分数据;将同化周期中土壤表面的遥感数据反演为表层土壤水分数据;将遥感数据对应日的模拟土壤水分数据和将遥感数据反演得到的表层土壤水分数据结合起来进行数据同化,得到优化的生态过程模型参数;
(2)将优化后的参数代入步骤(1)的动态模型,重新从同化周期的起始时间运行动态模型,获得模拟的同化周期中每日土壤水分数据。
所述方法可包括两个以上的同化周期;将上一个同化周期的步骤(2)得到的土壤水分数据集合的平均值作为下一个同化周期的初始土壤水分数据,将上一个同化周期得到的优化后的参数集合的平均值作为下一个同化周期的初始参数,重复进行步骤(1)和步骤(2)。
所述步骤(1)中,运行动态模型前,可在所述初始参数的基础上加上一个高斯扰动,得到参数集合。
所述动态模型具体可采用修改后的Boreal Ecosystem ProductivitySimulator(BEPS)模型。BEPS综合了能量平衡、光合作用、自养呼吸、土壤有机质分解、土壤水分平衡等生态过程,是一种生态过程综合模型。BEPS模型成功地将遥感数据加入到生态过程模型中,解决了时间和空间尺度转换的难题。BEPS模型的具体流程包括:参数预估计、输入数据、阴叶和阳叶分离模型、植被净第一生产力的计算、土壤水分平衡的计算、模型输出等模块。所述动态模型具体如下:出发模型为Boreal Ecosystem Productivity Simulator(BEPS)模型;将出发模型进行了如下修改:在模型输入数据阶段将模型与土壤水分有关的参数设置成变量,并进行扰动产生相应集合;将模型中的土壤水分估算的桶式模型改成两层土壤水分平衡模型,其中第一层从地表到地下10cm,第二层从地下10cm到地下饱和层以上。
所述遥感数据具体可为遥感短波红外波段和近红外波段反演的短波红外水分胁迫指数(Shortwave Infrared Perpendicular Water Stress Index,SPSI)。
所述数据同化的方法具体可为集合卡尔曼滤波算法(Ensemble Kalman Filter,EnKF)。该方法将地表生态水文模型看成近似随机动态预报,用一个模型状态变量集合去代表模型中的欲求状态变量的概率密度函数,通过向前积分模型,动态地计算模型的概率密度函数所对应的统计特性(如均值与协方差),从而避免了背景误差方差是已知的或不随时间变化的假设。
数据同化技术在融合和协调遥感技术和生态建模技术方面起了桥梁作用,可以更好地估计土壤水分。为此,本专利首次提出并采用数据同化来进行土壤水分监测,它通过数据同化,用遥感影像反演的土壤水分来调整生态过程模型的关键参数,对模型参数优化,使模型参数由于时空变化而导致的误差积累能够得到释放;同时调整模型土壤水分运行的轨迹使其更加接近实际生态水文过程,提高土壤水分变化预测精度。
利用本发明所提供的两阶段土壤水分数据同化方法与技术(参见图1),可实现土壤水分数据的时空尺度的扩展,具有计算精度高、计算方法简便、易于大面积推广应用等优点。而且,本发明中的两阶段土壤水分数据同化方法不仅可以得到时空上优化的土壤水分数据,由于动态模型的参数也通过数据同化得到优化,能够有效提高生态过程模型对土壤水分的预测能力、并揭示了土壤水分的时空动态演变规律,结果是稳定与可靠的。本发明的方法解决了现有的土壤水分监测方法受区域性、时间性、模型参数的扰动和多源数据的误差带来的土壤水分测量偏差等缺陷,实现可从单点到区域的土壤水分数据同化与参数优化的扩展,从而得到时空连续的土壤水分监测数据,为农业生产、气象预报与气候变化研究提供可靠的土壤水分信息。本发明所提供方法不仅可实现时空尺度的土壤水分连续监测,还可将土壤水分的变化和水热环境胁迫下植被的生理响应机制联系起来,显著提高了干旱监测和灾损评估的精度,具有重要应用前景。
附图说明
图1为两阶段土壤水分同化模型的流程示意图。
图2为实施例1的两阶段土壤水分同化模型流程示意图。
图3为土壤水分观测点验证的实地土壤水分和SPSI之间的线性关系。
图4为固原站BEPS土壤水分模拟效果的地面验证结果。
具体实施方式
以下的实施例便于更好地理解本发明,但并不限定本发明。下述实施例中的实验方法,如无特殊说明,均为常规方法。下述实施例中所用的试验材料,如无特殊说明,均为自常规生化试剂商店购买得到的。
以下以图2为例进一步阐述本发明的技术方案。
根据具体研究时段和对应的遥感数据的可利用情况,可将研究时段分为若干同化周期,每个同化周期为t0时刻至tend时刻,在每个同化周期的最后一天,需获得该天的近红外和短波红外波段的遥感数据。
第一个同化周期的步骤如下:
(一)参数优化阶段
1、t0~tend的模拟值集合
在t0时刻(同化周期1的开始时刻),首先是产生集合。对于动态模型(生态过程模型)来说,土壤水分估计的误差主要来源于模型参数的时空变异性带来的误差,主要考虑改进的生态过程模型BEPS中三个参数,包括叶面积指数(Leaf AreaIndex,LAI)、最大气孔导度和根密度系数,在同化中分别把这三个参数标示为θ1,θ2和θ3。为了考虑模型误差,在模型的每一步运算时,首先产生模型参数扰动集合。假设参数之间是独立的且各自服从高斯分布。各参数集合通过在各个参数初始的估计值的基础上加上一个随机的高斯扰动得到。参数的扰动用ε表示,其上标j表示集合中的第j个成员的扰动值(j的取值范围从1到n,n为集合总的成员个数);上标中的减号(-)表示在数据同化前参数的扰动值。参数θ的下标i表示对应的上述三个参数之一,i=1,2或3;参数θ的上标j表示参数集合中的第j个成员,上标中的减号(-)表示在数据同化前加上扰动后参数的值。N(0,R)表示一个服从均值为零,方差等于R的高斯分布函数,R的下标t表示对应的时刻,说明参数集合的这种高斯分布是随时间变化的。
利用经过扰动后的参数集合,联合初始的土壤水分数据及动态模型其它的输入数据(如每日的气象数据、土地利用数据等),使模型在时间上积分,得到t0~tend(开始时刻~结束时刻)每日土壤水分的模拟值集合。动态模型采用改进的BEPS模型,用BEPS(xt j,u,θj-)表示。其中xt j表示模型在t时刻土壤水分集合中的第j个成员;u表示模型输入的其它参数(设定为常量);θ代表上述三个参数集合,其上标j-表示每个参数集合中数据同化前的第j个集合成员。
2、tend时刻,利用遥感反演表层土壤水分
当动态模型运行到tend时刻,获取相应的遥感数据并根据SPSI指数反演对应的表层土壤水分数据。利用MODIS 500m分辨率的遥感数据。tend时刻遥感反演的土壤水分数据用表示。将遥感反演的0-10cm土壤水分数据利用平均值为0,方差等于土壤水分反演误差的高斯分布的随机数进行扰动,得到遥感反演的土壤水分集合。中的上标j即表示上述遥感反演的土壤水分扰动产生的集合中的第j个成员。表示用来对遥感反演的土壤水分进行扰动的高斯分布函数,表示由上述高斯分布函数随机采样得到的扰动值。
3、参数优化
将遥感反演的0-10cm土壤水分集合、动态模型模拟的土壤水分的集合以及模型输入的参数集合输入到集合卡尔曼滤波器中,通过集合卡尔曼更新方程进行数据同化,得到优化的参数集合和优化的土壤水分集合(同化后的参数和土壤水分集合成员都用上标j+表示)。
在这个过程中,模型中的待优化参数通过观测值进行了调整,调整后的参数集合和观测值集合之间的误差方差最小。
(二)土壤水分更新阶段
利用优化的模型参数集合从t0时刻开始重新驱动动态模型,得到t0~tend整个同化时段模型对土壤水分模拟的优化值。
将tend时刻的土壤水分的均值及优化的参数的均值作为下一个同化周期的初始值,进入下一个同化周期,可得到整个研究时段的土壤水分数据。在每一个同化周期,生态过程模型被运行了两次。土壤水分是每日进行优化的,模型参数只在有遥感反演值的时候更新。
实施例1、应用本发明的方法进行土壤水分监测
以下以宁夏固原地区为例对本发明的方法进行阐述。
经度:106°16’,纬度:36°00’。以2004年DOY(Day of year)=99~109天(2004年第99天~109天)作为同化周期1,获取第一天和最后一天(即DOY=99和DOY=109)时相应的遥感数据,第一天的遥感数据用来反演表层土壤水分驱动动态模型。以后每十天作为一个同化周期,分别为同化周期2、同化周期3、同化周期4、同化周期5、同化周期6、同化周期7,每个同化周期的最后一天获取相应的遥感数据。
一、应用本发明的方法进行土壤水分监测
本实施例中的流程示意图见图2。
本实施例采用的动态模型:出发模型为Boreal Ecosystem ProductivitySimulator(BEPS)模型;将出发模型进行了如下修改:在模型输入数据阶段将模型与土壤水分有关的参数设置成变量,并进行扰动;将模型中的土壤水分估算的桶式模型改成两层土壤水分平衡模型,其中第一层从地表到地下10cm,第二层从地下10cm到地下饱和层以上。
最初的BEPS模型利用“桶式模型”,根据降雨、蒸发、渗透等过程计算每日的土壤水分平衡。
ΔW=P+S-T0-Tu-Rs-Es (1)
其中ΔW是土壤中水分的变化量;P表示降雨量;T0为over-story的蒸发量;Tu为under-story的蒸发量;S为融雪量;Rs为表面径流;Es为土壤蒸发。
为了利用遥感反演的表层土壤水分和模型进行数据同化,将BEPS模型中“桶式模型”进一步修改成两层:0-10cm;10cm至地表饱和层。
其中,0-10cm(第一层)的水分平衡可以写成:
ΔWlayer1=P+S-(T+Es)layer1-Wp (2)
其中ΔWlayer1为第一层土壤中水分的变化量;P为降雨量;S为融雪量;(T+Es)layer1是土壤第一层的总的蒸散量(包括);Wp是水分从土壤第一层到第二层的垂直渗漏。
其中,土壤第二层的水分平衡可写成:
ΔWlayer2=Wp-(T+Es)layer2-Roff (3)
其中ΔWlayer2是土壤第二层的土壤水分的变化量;(T+Es)layer2为是土壤第二层的总的蒸散量;Roff是径流量,Wp是水分从土壤第一层到第二层的垂直渗漏。
首先将遥感数据的近红外波段和短波红外波段转化为短波红外水分胁迫指数(Shortwave Infrared Perpendicular Water Stress Index,SPSI指数),并通过实地采样的土壤水分样点作为验证点,将SPSI指数转化为空间上连续的表层土壤水分数据。宁夏回族自治区中部和南部山区7个土壤水分观测点验证的实地土壤水分和SPSI之间的线性关系见图3,其中纵坐标表示对应的实地土壤水分观测值,横坐标表示对应的SPSI指数。图中的线性公式表示实地土壤水分和SPSI的线性拟合公式;R表示对应两者的相关系数;SD表示标准差。
(一)同化周期1
1、参数优化阶段
(1)t0~tend的模拟值集合
动态模型中的初始值为初始参数(θ)和初始土壤水分(x)。土壤水分的初始值根据该天的遥感数据由SPSI反演而得,DOY=99天为例,遥感反演的初始的土壤水分为0.16(体积百分含量)。选择对生态过程模型进行水分平衡计算有关键影响作用的三个参数,包括叶面积指数(LAI)(θ1)、根密度系数(θ3)和最大气孔导度(θ2),叶面积指数的初始值为0.6,根密度系数的初始值为0.91,最大气孔导度的初始值为0.005(mm s-1)。假设参数之间是独立的且各自服从高斯分布,各参数集合通过在各个参数初始的估计值的基础上加上一个高斯扰动得到。各参数集合见表1。
表1各初始参数扰动后得到的集合(集合成员数n=10)
LAI | 0.579 | 0.599 | 0.603 | 0.612 | 0.604 | 0.594 | 0.609 | 0.593 | 0.584 | 0.600 |
最大气孔导度 | 0.002735 | 0.008849 | 0.003486 | 0.006492 | 0.004307 | 0.005934 | 0.008365 | 0.004206 | 0.006261 | 0.007817 |
根密度系数 | 0.906602 | 0.915774 | 0.907729 | 0.912238 | 0.90896 | 0.911402 | 0.915048 | 0.908809 | 0.911892 | 0.914225 |
利用叶面积指数、根的密度系数和最大气孔导度经过扰动后的集合,联合初始的土壤水分值及动态模型其它的输入数据(包括每日的气象数据、土地利用数据、叶面积指数数据),使模型积分,得到t0~tend(时间间隔等于每个同化周期的长度)每日土壤水分的模拟值集合考虑到叶面积指数的输入数据精度比较高,不作为参数优化的对象,但也进行了扰动,以充分考虑叶面积指数的扰动对模型模拟带来的误差。
(2)tend时刻,利用遥感反演表层土壤水分
2004DOY=109天固原站点的遥感数据反演的土壤水分值为0.125。
将遥感反演的0-10cm土壤水分数据利用平均值为0,方差等于土壤水分反演误差的高斯分布的随机数进行扰动,得到遥感反演的0-10cm土壤水分集合(xobs)
tend时刻遥感反演的土壤水分集合见表2。
表2tend时刻遥感反演的土壤水分值扰动后得到的集合
遥感反演的土壤水分集合 | 0.119 | 0.134 | 0.121 | 0.128 | 0.123 | 0.127 | 0.133 | 0.128 | 0.132 | 0.130 |
(3)参数优化
在tend时刻,将遥感反演的0-10cm土壤水分集合动态模型模拟的土壤水分的集合以及模型输入的两个参数集合(根的密度系数、最大气孔导度)输入到集合卡尔曼滤波器中,通过集合卡尔曼更新方程优化参数集合和土壤水分集合。在这个过程中,模型两个待优化参数通过观测值进行了调整,调整后的参数集合和观测值的集合之间的误差方差最小。
优化后得到的各个参数集合见表3,优化后得到的土壤水分集合见表4。
表3优化后得到的各个参数集合和土壤水分集合
最大气孔导度 | 0.002801 | 0.008934 | 0.003542 | 0.006586 | 0.004381 | 0.006006 | 0.008442 | 0.004282 | 0.006348 | 0.007896 |
根密度系数 | 0.906701 | 0.915901 | 0.907813 | 0.908123799 | 0.90907 | 0.911511 | 0.91564 | 0.908923 | 0.912023 | 0.914344 |
表4优化后得到的土壤水分集合
更新的土壤水分集合 | 0.099239 | 0.108643 | 0.104134 | 0.09981 | 0.100949 | 0.105273 | 0.109801 | 0.105243 | 0.105868 | 0.106271 |
2、土壤水分更新阶段
利用优化的模型参数集合从t0时刻开始重新驱动动态模型,得到t0~tend整个同化时段模型对土壤水分模拟的优化值,见表5。
表5t0~tend整个同化时段模型对土壤水分模拟的优化值
DOY | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 |
更新的整个同化周期的土壤水分 | 0.160 | 0.149 | 0.142 | 0.135 | 0.128 | 0.125 | 0.120 | 0.116 | 0.110 | 0.109 | 0.105 |
将上一个同化周期中tend时刻的土壤水分的均值及优化的参数的均值作为下一个同化周期的初始值,重复步骤(一)和步骤(二)。
将每次模型同化前的模拟值、同化后的模拟值(经过参数优化)和相应时间实际检测土壤得到的土壤水分数据作对比,试验结果如图4所示。
Claims (7)
1、一种土壤水分监测方法,包括以下步骤:
(1)用生态过程模型作为动态模型模拟每日土壤水分的空间分布状况,动态模型中的初始值为初始参数和初始土壤水分数据,运行动态模型,输出模拟的土壤水分数据;将土壤表面的遥感数据进行反演获得表层土壤水分数据;将遥感数据对应日的模拟土壤水分数据和遥感数据反演得到的表层土壤水分数据结合起来进行数据同化,得到优化的生态过程模型参数;
(2)将优化后的参数代入步骤(1)的动态模型,运行动态模型,获得模拟的每日土壤水分数据。
2、如权利要求1所述的方法,其特征在于:所述方法包括至少一个同化周期,每个同化周期中只存在一个遥感数据,且该遥感数据的对应日为同化周期中的最后一日,所述每个同化周期包括以下步骤:
(1)用生态过程模型作为动态模型模拟同化周期中每日土壤水分的空间分布状况,动态模型中的初始值为初始参数和初始土壤水分数据,运行动态模型,输出模拟的土壤水分数据;将同化周期中土壤表面的遥感数据反演为表层土壤水分数据;将遥感数据对应日的模拟土壤水分数据和将遥感数据反演得到的表层土壤水分数据结合起来进行数据同化,得到优化的生态过程模型参数;
(2)将优化后的参数代入步骤(1)的动态模型,重新从同化周期的起始时间运行动态模型,获得模拟的同化周期中每日土壤水分数据。
3、如权利要求2所述的方法,其特征在于:所述方法包括两个以上的同化周期;将上一个同化周期的步骤(2)得到的土壤水分数据集合的平均值作为下一个同化周期的初始土壤水分数据,将上一个同化周期得到的优化后的参数集合的平均值作为下一个同化周期的初始参数,重复进行步骤(1)和步骤(2)。
4、如权利要求1至3中任一所述的方法,其特征在于:所述步骤(1)中,运行动态模型前,在所述初始参数的基础上加上一个高斯扰动,得到参数集合。
5、如权利要求1至4中任一所述的方法,其特征在于:所述动态模型如下:
出发模型为Boreal Ecosystem Productivity Simulator模型;将出发模型进行了如下修改:
在模型输入数据阶段将模型与土壤水分有关的参数设置成变量,并进行扰动产生相应集合;将模型中的土壤水分估算的桶式模型改成两层土壤水分平衡模型,其中第一层从地表到地下10cm,第二层从地下10cm到地下饱和层以上。
6、如权利要求1至5中任一所述的方法,其特征在于:所述遥感数据为遥感短波红外波段和近红外波段反演的短波红外水分胁迫指数。
7、如权利要求1至6中任一所述的方法,其特征在于:所述数据同化的方法为集合卡尔曼滤波算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910090034A CN101614651A (zh) | 2009-07-29 | 2009-07-29 | 一种土壤水分监测的数据同化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910090034A CN101614651A (zh) | 2009-07-29 | 2009-07-29 | 一种土壤水分监测的数据同化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101614651A true CN101614651A (zh) | 2009-12-30 |
Family
ID=41494415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910090034A Pending CN101614651A (zh) | 2009-07-29 | 2009-07-29 | 一种土壤水分监测的数据同化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101614651A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949916A (zh) * | 2010-08-12 | 2011-01-19 | 中国农业大学 | 土壤水分供给量的遥感定量反演方法 |
CN101957360A (zh) * | 2010-09-10 | 2011-01-26 | 北京大学 | 一种测量地表蒸散量的方法及系统 |
CN102176002A (zh) * | 2010-12-30 | 2011-09-07 | 中国科学院地理科学与资源研究所 | 基于地表水热通量遥感反演的干旱监测方法及系统 |
CN102323987A (zh) * | 2011-09-09 | 2012-01-18 | 北京农业信息技术研究中心 | 一种农作物叶面积指数同化方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102737155A (zh) * | 2011-04-12 | 2012-10-17 | 中国科学院寒区旱区环境与工程研究所 | 基于贝叶斯滤波的通用数据同化方法 |
CN103246809A (zh) * | 2013-05-07 | 2013-08-14 | 西北农林科技大学 | 黄土丘陵区沟道土壤水分估算方法 |
CN103336104A (zh) * | 2013-06-08 | 2013-10-02 | 北京航空航天大学 | Gnss卫星反射信号用于土壤介电常数的精确反演方法 |
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103940750A (zh) * | 2014-04-21 | 2014-07-23 | 上海交通大学 | 盐渍土光谱曲线可见光波段遥感反演构建方法 |
CN104132903A (zh) * | 2014-05-23 | 2014-11-05 | 中国农业大学 | 一种土壤含水率测量系统及使用其的测量方法 |
CN104181161A (zh) * | 2013-05-21 | 2014-12-03 | 江碧涛 | 一种利用可见光近红外和短波红外高光谱数据的沙质岸滩含水量估算方法 |
CN105181695A (zh) * | 2015-01-19 | 2015-12-23 | 无锡桑尼安科技有限公司 | 一种基于图像处理的葡萄水分胁迫检测方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN107016466A (zh) * | 2017-04-11 | 2017-08-04 | 北京林业大学 | 一种景观格局优化构建的方法及系统 |
CN107944387A (zh) * | 2017-11-22 | 2018-04-20 | 重庆邮电大学 | 一种基于半变异理论的城市热岛空间异质性的分析方法 |
CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN109019892A (zh) * | 2018-08-13 | 2018-12-18 | 重庆工商大学 | 一种基于数据同化在线优化曝气量的调控方法 |
CN110162876A (zh) * | 2019-05-20 | 2019-08-23 | 中国矿业大学(北京) | 换流变火灾火源强度反演评估及温度场预测方法及系统 |
CN114910627A (zh) * | 2022-06-07 | 2022-08-16 | 安徽省农村综合经济信息中心(安徽省农业气象中心) | 一种土壤水分数据质量确定方法、装置、设备及存储介质 |
-
2009
- 2009-07-29 CN CN200910090034A patent/CN101614651A/zh active Pending
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949916A (zh) * | 2010-08-12 | 2011-01-19 | 中国农业大学 | 土壤水分供给量的遥感定量反演方法 |
CN101949916B (zh) * | 2010-08-12 | 2013-08-14 | 中国农业大学 | 土壤水分供给量的遥感定量反演方法 |
CN101957360B (zh) * | 2010-09-10 | 2013-06-26 | 北京大学 | 一种测量地表蒸散量的方法及系统 |
CN101957360A (zh) * | 2010-09-10 | 2011-01-26 | 北京大学 | 一种测量地表蒸散量的方法及系统 |
CN102176002A (zh) * | 2010-12-30 | 2011-09-07 | 中国科学院地理科学与资源研究所 | 基于地表水热通量遥感反演的干旱监测方法及系统 |
CN102737155A (zh) * | 2011-04-12 | 2012-10-17 | 中国科学院寒区旱区环境与工程研究所 | 基于贝叶斯滤波的通用数据同化方法 |
CN102323987A (zh) * | 2011-09-09 | 2012-01-18 | 北京农业信息技术研究中心 | 一种农作物叶面积指数同化方法 |
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102426153B (zh) * | 2011-11-21 | 2015-09-16 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN103246809A (zh) * | 2013-05-07 | 2013-08-14 | 西北农林科技大学 | 黄土丘陵区沟道土壤水分估算方法 |
CN104181161A (zh) * | 2013-05-21 | 2014-12-03 | 江碧涛 | 一种利用可见光近红外和短波红外高光谱数据的沙质岸滩含水量估算方法 |
CN103336104A (zh) * | 2013-06-08 | 2013-10-02 | 北京航空航天大学 | Gnss卫星反射信号用于土壤介电常数的精确反演方法 |
CN103336104B (zh) * | 2013-06-08 | 2015-12-09 | 北京航空航天大学 | Gnss卫星反射信号用于土壤介电常数的精确反演方法 |
CN103424405B (zh) * | 2013-08-27 | 2015-04-29 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103940750A (zh) * | 2014-04-21 | 2014-07-23 | 上海交通大学 | 盐渍土光谱曲线可见光波段遥感反演构建方法 |
CN104132903B (zh) * | 2014-05-23 | 2018-04-10 | 中国农业大学 | 一种土壤含水率测量系统及使用其的测量方法 |
CN104132903A (zh) * | 2014-05-23 | 2014-11-05 | 中国农业大学 | 一种土壤含水率测量系统及使用其的测量方法 |
CN105181695A (zh) * | 2015-01-19 | 2015-12-23 | 无锡桑尼安科技有限公司 | 一种基于图像处理的葡萄水分胁迫检测方法 |
CN106226260B (zh) * | 2016-08-10 | 2019-04-12 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN106483147B (zh) * | 2016-10-14 | 2019-12-10 | 中国科学院遥感与数字地球研究所 | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 |
CN107016466A (zh) * | 2017-04-11 | 2017-08-04 | 北京林业大学 | 一种景观格局优化构建的方法及系统 |
CN107944387A (zh) * | 2017-11-22 | 2018-04-20 | 重庆邮电大学 | 一种基于半变异理论的城市热岛空间异质性的分析方法 |
CN107944387B (zh) * | 2017-11-22 | 2021-12-17 | 重庆邮电大学 | 一种基于半变异理论的城市热岛空间异质性的分析方法 |
CN108761034B (zh) * | 2018-05-16 | 2019-04-30 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN109019892A (zh) * | 2018-08-13 | 2018-12-18 | 重庆工商大学 | 一种基于数据同化在线优化曝气量的调控方法 |
CN110162876A (zh) * | 2019-05-20 | 2019-08-23 | 中国矿业大学(北京) | 换流变火灾火源强度反演评估及温度场预测方法及系统 |
CN114910627A (zh) * | 2022-06-07 | 2022-08-16 | 安徽省农村综合经济信息中心(安徽省农业气象中心) | 一种土壤水分数据质量确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101614651A (zh) | 一种土壤水分监测的数据同化方法 | |
Bao et al. | Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model | |
Lei et al. | Impacts of climate change and vegetation dynamics on runoff in the mountainous region of the Haihe River basin in the past five decades | |
Tickle et al. | Assessing forest productivity at local scales across a native eucalypt forest using a process model, 3PG-SPATIAL | |
Yuping et al. | Monitoring winter wheat growth in North China by combining a crop model and remote sensing data | |
Yuan et al. | Global comparison of light use efficiency models for simulating terrestrial vegetation gross primary production based on the LaThuile database | |
CN104765981B (zh) | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 | |
Yang et al. | Impacts of diffuse radiation fraction on light use efficiency and gross primary production of winter wheat in the North China Plain | |
CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN102162850A (zh) | 基于模型的小麦产量遥感监测预报方法 | |
CN104143043B (zh) | 一种多功能气候数据获取方法 | |
Huang et al. | High spatial resolution vegetation gross primary production product: Algorithm and validation | |
Zhao et al. | How errors on meteorological variables impact simulated ecosystem fluxes: a case study for six French sites | |
CN102722766A (zh) | 基于修订的区域气候模式数据的小麦产量预测方法 | |
CN105069295A (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
Jia et al. | Uncertainty in simulating regional gross primary productivity from satellite-based models over northern China grassland | |
Sudharsan et al. | Evaluation of weather-based rice yield models in India | |
Clement et al. | Carbon dioxide exchange of a Sitka spruce plantation in Scotland over five years | |
Lyu et al. | Quantitative assessment of spatiotemporal dynamics in vegetation NPP, NEP and carbon sink capacity in the Weihe River Basin from 2001 to 2020 | |
CN115795819A (zh) | 基于sebs模型和casa模型的水分利用效率模拟方法 | |
Olchev et al. | A modelling approach for simulation of water and carbon dioxide exchange between multi-species tropical rain forest and the atmosphere | |
Baguskas et al. | Water and light‐use efficiency are enhanced under summer coastal fog in a California agricultural system | |
Huang et al. | Spatiotemporal dynamics of the carbon budget and the response to grazing in qinghai grasslands | |
Yu et al. | Evapotranspiration partitioning based on leaf and ecosystem water use efficiency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20091230 |