CN102411143A - 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 - Google Patents
分离多角度卫星观测信号中的植被信息和地表发射信号的方法 Download PDFInfo
- Publication number
- CN102411143A CN102411143A CN201010287483XA CN201010287483A CN102411143A CN 102411143 A CN102411143 A CN 102411143A CN 201010287483X A CN201010287483X A CN 201010287483XA CN 201010287483 A CN201010287483 A CN 201010287483A CN 102411143 A CN102411143 A CN 102411143A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- face
- land
- angle
- radiation
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
一种分离多角度卫星观测信号中的植被信息和地表发射信号的方法,包括:1)结合离散植被模型和AIEM辐射模型,建立植被覆盖地表辐射模型;2)利用植被覆盖地表辐射模型,模拟在多种植被覆盖和地表粗糙度条件下,地表在不同角度微波的发射情况,建立植被覆盖地表模拟数据库;3)利用植被覆盖地表模拟数据库模拟的数据,进行理论推导,得到能有效分离植被信息和地表发射信号的方法;还可以包括4):经过理论推导得到多角度微波观测信号的最佳组合,建立多角度微波植被指数。通过该方法,能有效的从卫星获取的地面信号中分离出植被信息,更精确地用于卫星对地表植被的监测。还能建立多角度微波植被指数,以满足针对多角度卫星的应用需要。
Description
技术领域
本发明涉及地球观测与导航技术领域,更具体地,涉及一种针对微波波段的多角度卫星中,分离多角度卫星观测信号中的植被信息和地表发射信号的方法。
背景技术
物体在绝对零度以上的情况下,都会向外辐射电磁能量,不同的物体由于自身组成成分、结构、状态等因素不同,向外辐射的能量强度也不同,在不同的波段区间也会有差异。不同地物辐射能量大小的差别,可以反映在接收物体发射能量的传感器输出信号的强弱差别。这就是卫星传感器观测地表状况的基本原理。
一幅卫星生成数字影像是有很多像元点组成的,每个像元点的数值代表了像元点对应的地表区域综合信号的强弱。不同的卫星传感器根据不同的应用目的,在传感器设置上会不同,如频率、观测角度、极化方式等等。传感器的参数设置,俗称卫星通道。同一地物在不同的通道下(如频率,极化方式),所表现出的电磁学信号会不同,表现在不同通道的卫星影像上也会不同。卫星利用多通道观测地表,增强了区分不同地物的能力。卫星影像同一像元不同通道上的数值的组合,被称为卫星指数,不同的指数反映不同的地物信息。植被指数是卫星遥感领域中用来表征地表植被覆盖,生长状况的一个简单、有效的度量参数。微波遥感相比可见光遥感具有全天时、全天候的工作能力,利用被动微波遥感观测数据建立植被指数,将能够大大弥补现有植被指数的局限性。微波传感器对于植被特性的变化敏感,可以探测到相对较厚的植被层,所提供的信息不仅仅有叶片生物量的信息,而且对植被木质生物量具有非常强的敏感性(具体参见:S.Paloscia and P.Pampaloni,″Microwave vegetation indexes for detecting biomass andwater conditions of agricultural crops,″Remote sensing of environment(USA),1992)。微波植被指数产品将有可能提供作为研究植被物候的,主要的或者辅助的数据源(具体参见:E.J.Burke,W.J.Shuttleworth,andA.N.French,″Using vegetation indices for soil-moisture retrievals frompassive microwave radiometry,″Hydrology and Earth System Sciences,vol.5,pp.671-678,2001)。目前利用微波推导出来的植被指数主要有:
(1)被动微波的极化差(MPDT):有研究显示,被动微波在37GHz的极化差(MPDT)和归一化植被指数在干旱和半干旱地区有很高的相关性(具体参见:B.J.Choudhury and C.J.Tucker,″Monitoring globalvegetation using Nimbus-7 37 GHz Data Some empirical relations,″International Journal of Remote Sensing,vol.8,pp.1085-1090,1987。以及B.J.Choudhury,C.J.Tucker,R.E.Golus,and W.W.Newcomb,″Monitoring vegetation using Nimbus-7 scanning multichannel microwaveradiometer′s data,″International Journal of Remote Sensing,vol.8,pp.533-538,1987),而且和植被含水量有着一定的关系(具体参见:F.Becker and B.J.Choudhury,″Relative sensitivity of normalized differencevegetation index(NDVI)and microwave polarization difference index(MPDI)for vegetation and desertification monitoring,″Remote sensing ofenvironment(USA),1988)。但从微波辐射传输理论以及地面实测的数据发现除了植被特性以外,被动微波的极化差(MPDT)还受到地表温度和地表有效反射率的影响(土壤水分和粗糙度)。
(2)归一化微波极化指数(MPDI)和归一化的频率亮温差(ΔTn):为了尽可能减少地表温度的影响,对于某一给定的频率,Becker和Choudury(具体参见:F.Becker and B.J.Choudhury,″Relative sensitivityof normalized difference vegetation index(NDVI)and microwavepolarization difference index(MPDI)for vegetation and desertificationmonitoring,″Remote sensing of environment(USA),1988)提出了归一化微波极化差指数(MPDI):C·(TBv-TBh)/(TBv-TBh),其中C是尺度因子,TBv和TBh是水平和垂直极化的亮温。该指数又称为归一化极化指数(PI)。Paloscia和Pampaloni(具体参见:S.Paloscia and P.Pampaloni,″Microwave vegetation indexes for detecting biomass and water conditionsof agricultural crops,″Remote sensing of environment(USA),1992)在两个频率的由热红外观测归一化的微波频率亮温差的基础上推导出了微波植被指数:ΔTn=Tn(f2)-Tn(f1),Tn(f1)和Tn(f2)分别是在频率f1和频率f2的亮温。这个指数被用来研究农作物的生物量和水文条件。用这两种指数来研究植被特性时,地表温度的影响是很小。如果影响这些植被指数的其它因子是统一的,这些植被指数就非常有用。但这两种指数受到土壤发射率变化(土壤水分和土壤粗糙度)的影响,极大地限制了这些指数在全球植被监测中的应用。
(3)归一化的微波频率指数(EDVI):还有一个微波植被指数被定义为微波两个频率的发射率变化植被指数(EDVI)(具体参见Q.Minand B.Lin,″Remote sensing of evapotranspiration and carbon uptake atHarvard Forest,″Remote Sensing of Environment,vol.100,pp.379-387,2006.):2·(TBp(f1)-TBp(f1))/(TBp(f1)+TBp(f1)),研究发现,和NDVI相比,EDVI和蒸散量有很强的相关性,因此可以被用来估计涡流通量。但是该指数只能用在亮温中不含有地表信息的高密度森林覆盖区域。
综上所述,目前的微波遥感观察植被的方法,不能有效的实现植被信息和地表辐射信号的分离,不能剔除掉地表辐射的影响,获取单纯植被信息。
另外,针对多角度卫星,例如SMOS(土壤水分、海洋盐分)卫星,其是欧空局发射的在L波段(波长21厘米)、双极化、多角度被动微波传感器。能获取地表在L波段多个角度的微波辐射能量,但是上述植被指数没有针对多角度的卫星的,因此还需要开发一种针对例如SMOS这种多角度卫星的植被指数。
而且,以前的植被指数大多是通过实验场获取的观察数据,然后进行数据分析,根据经验获取某种通道组合,获取植被指数。由于实验场地的区域局限性,获取的植被指数应用到其他地区效果就有可能很差,不具有普遍推广型。另一方面、经过实验获取的植被指数,经验的因素很多,但没有从理论上解释其合理性。
发明内容
针对上述缺点和问题,本发明提供一种分离多角度卫星观测信号中的植被信息和地表发射信号的方法,包括:
1)结合离散植被模型和AIEM辐射模型,建立植被覆盖地表辐射模型;
2)利用植被覆盖地表辐射模型,模拟在多种植被覆盖和地表粗糙度条件下,地表在不同角度微波的发射情况,建立植被覆盖地表模拟数据库;
3)利用植被覆盖地表模拟数据库模拟的数据,进行理论推导,得到能有效分离植被信息和地表发射信号的方法;
优选地,还包括:4)经过理论推导得到多角度微波观测信号的最佳组合,建立多角度微波植被指数。
通过本发明的方法,能有效的从卫星传感器获取的地面信号中分离出单纯植被信息,可以更精确地用于卫星对地表植被的监测。
另外,基于分离出的植被信息和地表发射信号,还能得到多角度微波观测信号的最佳组合,建立多角度微波植被指数,从而满足SMOS(土壤水分、海洋盐分)卫星多角度观测的特点,可用于该卫星的有关植被监测产品的开发。用该数据库发展的植被指数,能用于全球范围。
附图说明
图1为本发明的方法的简要流程图;
图2为植被覆盖地表微波辐射传输示意图;
图3为入射角30°与40°组合下,近似的B参数比值误差,随地表粗糙度和土壤含水量的变化关系图,其中SM表示土壤体积含水量,坡度表示代表均方根坡度;
图4为入射角30°与40°组合,LMVI(30°,40°)与Wc的关系图;
图5为入射角30°与40°组合,LMVI(30°,40°)与LAI的关系图;
图6为SMOSREX 2003年入射角30°与40°组合的微波植被指数及LAI的时间序列变化图;
图7为SMOSREX 2004年入射角30°与40°组合的微波植被指数及Wc的时间序列变化图。
具体实施方式
下面参照附图详细描述本发明的方法。
本发明采用先进的植被离散模型和AIEM(高级积分模型),模拟植被覆盖地表的辐射信号,通过调整模型输入参数,能得到各种情况下植被覆盖地表的辐射信号。输入全球具有代表性的地表参数,通过模型技术模拟得到的数据比若干个试验场获取的数据更具有普遍性。用该数据库发展的植被指数,能用于全球范围。
基于理论公式推导,开发多角度微波植被指数,逻辑严谨、理论基础扎实。能从理论机理上解释多角度微波植被指数的合理性。
如图1所示:
一、建立植被覆盖地表辐射模型
卫星传感器接收到的植被覆盖地表的辐射能量,如图2所示,分为四部分:植被直接发射的部分1;植被入射到地表经地表反射的部分2;地表发射经植被衰减的部分3;地表直接发射的部分4。
植被覆盖地辐射模型包括两部分:离散植被模型和地表辐射模型(采用AIEM,高级积分方程模型)。离散植被模型反映植被直接发射的部分1,地表辐射模型反映地表直接发射的部分4,离散植被模型和地表辐射模型相互作用反映植被入射到地表经地表反射的部分2和地表发射经植被衰减的部分3。
物理模型中植被可看作是连续的或离散的介质而分为连续植被模型和离散植被模型。离散植被模型是把植被散射体简化为简单的几何体:用圆片表示树叶,用圆柱体表示树枝和树干。离散的植被微波辐射模型中,来自地表、叶、杆的各种贡献能够准确地描述,因此离散模型可以更好地理解和分析微波辐射对植被、地表的特性敏感性,不受频率、极化、角度范围限制,能够包含多种植被种类。
在本发明中,地表辐射模型采用AIEM(高级积分方程模型),该模型和传统的几何光学模型和物理光学模型相比,具有适用范围更加广泛,能够用于更大的频率区间以及更普遍的自然地表的优点。
二、建立植被覆盖地表模拟数据库
根据针对观测卫星传感器的参数(频率、观察角度、极化方式)和植被覆盖地表的一般状况,设置植被覆盖地表辐射模型计算需要的传感器配置参数、地表输入参数和植被输入参数。经过植被覆盖地表辐射模型计算,得到植被覆盖地表辐射能量模拟数据库。
三、数据分析和理论推导
植被覆盖地表辐射模型的框架为零阶辐射传输模型,考虑混合像元下可有不同的植被覆盖度,地表总辐射的理论表述为:
其中,地表辐射的亮温(上标t是“总和”英文字母“total”的首字母,下标B是“亮度”英文字母“brightness”首字母,p表示极化方式),fv为植被覆盖度(下标v表示“植被”英文字母“vegetation”的首字母),Lp为植被层的单程衰减因子,分别为植被辐射,植被与地表之间的相互辐射和地表辐射,这四项的下标p表示微波辐射的极化方式(v、垂直极化;h、水平极化)。Tv(下标v表示“植被”英文字母“vegetation”的首字母),Ts(下标s表示“土壤”英文字母“soil”的首字母)分别为植被和地表温度。假设在卫星观测时间,Tv,Ts近似相等并且由有效温度Te来表示,则式(1)中不同项组合后可进一步表示成:记作植被自身的辐射项和记作植被衰减项。CFvol,CFatt和地表辐射也就是所定义的反射率模型中的综合组分。
上面(2)式中,CFvol和CFatt都是植被覆盖度和其他植被物理特性如生物量、水分含量、散射体大小、形状以及倾向的函数,不包含地表辐射信息,只表示单纯的植被信息。
为了分离出植被信息,并且得到多角度微波植被指数,本发明的思路就是在式(2)的基础上,通过发现地表辐射部分在相邻角度下的关系,利用在相邻角度的关系,在式(2)中,消去这一项,建立起不同角度下亮温观测值,即在实际应用中卫星不同通道的像元数值,和CFvol或CFatt之间的一一对应关系,用不同角度下的组合值能计算出CFvol或CFatt的某种组合值。因为CFvol或CFatt只和植被的物理特性有关,那么CFvol或CFatt的某种组合值也代表的单纯的植被信息。这样通过不同角度下的组合值建立的植被指数就能作为监测植被的指标。以下是分离出植被信息,并且得到多角度植被指数的详细理论推导。
通过AIEM模型对SMOS(土壤水分、海洋盐分卫星)观测条件下地表发射率的模拟,发现相邻角度下(不超过15°)地表发射率存在着近似线性的关系。即有:
为了利用不同角度组合下地表发射率之间的线性关系,从而消除地表辐射信号,对式(2)进行整理可得:
从而可以进一步得到两个角度下地表辐射信号之间的关系:
将上式简化整理,发现式(5)可以表示为两个角度下地表总的辐射亮温之间的关系:
其中:
Ap(θ1,θ2)=ap(θ1,θ2)·CFatt(θ1)-Bp(θ1,θ2)·CFvol(θ2) (7)
这里,Ap,Bp均仅和植被相联系,是植被覆盖度和植被散射体参数的函数,可用于对植被的估算。在被动微波遥感星下尺度,观测到的植被冠层信号是许多植被类型总的影响结果。当许多有着不同散射体大小、形状和朝向的植被冠层平均后,可以假设植被信号不依赖于极化。
因此考虑到可以通过式(2),利用相同角度下的极化差,消除植被辐射项CFvol的影响,从而得到:
在利用数据库模拟中,注意到两个不超过15°的角度地表发射率的极化差存在良好的关系
可以近似将这种关系表示为:
式(12)中参数c(θ1,θ1)与不同角度间的组合有关,通过模拟数据库的回归分析,得到上式线性关系函数的斜率c(θ1,θ2):
通过上面公式的推导,建立了相邻角度极化差之间的关系。结合式(8)和式(9),从而近似的将B(θ1,θ2)参数用两个角度的亮温来表示,该参数是通过消除地表辐射的影响(土壤水分和粗糙度)得出的,从而最小化了土壤水分和粗糙度对植被参数的影响,且发展的植被指数是通过亮温差的比值来表示,可以同时消除地表温度的影响。
由于在理论推导B(θ1,θ2)参数的过程中,多个地方采用了近似处理。将通过数据库的模拟结果,对推导出来的结果(13)和(14)与理论结果(8)进行分析,通过模拟分析产生误差的影响。
为了方便进行模拟分析比较,定义近似的植被参数B参数与理论的植被参数B之间的比值为A(soil)其中:Bapproximate为近似的参数,Btheory为理论式(8)的植被参数。
如图3所示,SM为体积比土壤水分;坡度(slope)为均方根坡度,是固定相关长度(cl),均方根高度(sig)从0-3cm;A(soil)为近似推导产生的比值误差。总体上可以看出,在粗糙度小(slope<0.15)的时候,土壤水分的变化对误差的影响很小,在0.05左右。当土壤水分为定值时,随着粗糙度的增加,误差都呈现上升趋势。在土壤水分和粗糙度同时达到最大时,误差的影响最大。通过误差分析,可以认为:推导出来的植被B参数可以近似不受地表辐射信号的影响,实现了植被信息和地表辐射能量的分离。
四、建立多角度微波植被指数
由于B(θ1,θ2)参数与植被的辐射呈现相反的变化关系,且值介于0-1之间。为便于分析植被参数的特性,建立了一个新的多角度微波植被指数(LMVI),可用式(16)来进行表达。
系数α为不同角度组合情况下的参数值,可以通过模拟数据库得到。通过模拟和理论推导,发展的多角度微波植被指数可以近似认为不受地表辐射信号和地表的影响,仅仅取决于植被特性,比如植被覆盖度、生物量、植被含水量、散射体大小特性及植被层的几何结构,通过建立LMVI与植被参数之间的关系,则可正确的估算植被的影响。
下面为实际应用的实验数据。
利用ONERA(法国航空航天研究院)位于法国南部(43°23′N,1°17′E,188m)地区SMOSREX(地表土壤水分监测实验)实验区2003年和2004年获取的LEWIS(地基辐射计)测量的亮温数据,通过不同角度的组合计算LMVI(L波段多角度微波植被指数),利用LMVI对该地区的植被状况进行监测。对LMVI分别与实测的LAI(叶面积指数)、Wc(植被含水量)进行相关分析和时间序列分析,结果表明在植被覆盖地区,多角度微波植被指数(LMVI)能很好地反映地表植被的覆盖及生物量信息。
多角度微波植被指数是基于物理模型的理论推导得到的,因此具有明确的物理意义。在植被覆盖地区,微波植被指数能反映地表植被的覆盖及生物量信息。如果能够得到以上两个角度通道下的植被总的辐射亮温信号,就可以根据式(16)计算出相应角度组合的微波植被指数LMVI,而微波植被指数是一个与植被结构、植被覆盖度、生物量、植被含水量等有关的量。通过SMOSREX 2003年数据集分析多角度植被指数与植被参数之间的关系。如图4所示,为30°与40°组合的微波植被指数与Wc的关系,可以看出计算出的微波植被指数与测量的植被含水量有较好的线性关系,随着植被含水量的增加,LMVI也呈上升趋势。
植被含水量Wc在对植被状况的监测中是一个很好的参数,但是在农业应用中,叶面积指数LAI是一个更好的参数,因为它直接代表了光谱信息。另外,Wc与LAI之间存在一定的关系,这种关系与植被的类型、植被生长周期中含水量的变化都有关系。如图5为30°与40°组合的微波植被指数与LAI的关系,可以看出利用植被指数也可以监测LAI的变化趋势。
对30°与40°组合的微波植被指数进行年度的时间序列分析,以此来反映植被的年度季节性变化。如图6所示,为LMVI(30°,40°)的微波植被指数及LAI的时间序列变化。从植被指数的动态变化范围,可以发现,LMVI(30°,40°)的动态变化范围比较小,在0-0.3左右,微波植被指数与LAI的季节变化趋于一致。
采用2004年SMOSREX实验做了进一步研究,如图7所示,LMVI(30°,40°),30°与40°组合的微波植被指数及植被含水量(Wc)的时间序列变化。从图中可以发现这种变化趋势和规律与2003年数据集得到的结论基本一致。
根据上述不同角度组合的多角度微波植被指数与植被含水量Wc和叶面积指数LAI的关系,利用多角度卫星观测值则可以反演出植被的这些参数信息。基于微波辐射传输模型的理论推导,针对多角度,多极化微波辐射计数据提出了一种微波植被指数LMVI,这一指数在地表粗糙度不是太大的情况下可以认为
通过上述对LMVI分别与实测的LAI(叶面积指数)、Wc(植被含水量)进行相关分析和时间序列分析,结果表明多角度微波植被指数(LMVI)与地表辐射信号和地表温度无关,可以用于植被信息的监测。
利用多角度微波植被指数,能有效的从卫星传感器获取的地面信号中分离出单纯植被信息,可以更精确地用于卫星对地表植被的监测。
多角度植被微波指数满足SMOS(土壤水分、海洋盐分)卫星多角度观测的特点,可用于该卫星的有关植被监测产品的开发。
Claims (11)
1.一种分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,包括步骤:
1)结合离散植被模型和AIEM辐射模型,建立植被覆盖地表辐射模型;
2)利用植被覆盖地表辐射模型,模拟在多种植被覆盖和地表粗糙度条件下,地表在不同角度微波的发射情况,建立植被覆盖地表模拟数据库;
3)利用植被覆盖地表模拟数据库模拟的数据,进行理论推导,得到能有效分离植被信息和地表发射信号的方法,从而分离出植被信息。
2.根据权利要求1所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,在步骤1)中,所述离散植被模型反映植被直接发射的部分(1),AIEM辐射模型反映地表直接发射的部分(4),离散植被模型和AIEM辐射模型相互作用反映植被入射到地表经地表反射的部分(2)和地表发射经植被衰减的部分(3)。
3.根据权利要求1所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,步骤2)还包括:针对观测卫星传感器的参数和植被覆盖地表的一般状况,设置植被覆盖地表辐射模型计算需要的传感器配置参数、地表输入参数和植被输入参数,其中所述传感器的参数包括频率、观察角度、极化方式。
4.根据权利要求3所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:基于零阶辐射传输模型,将卫星观测到的地表辐射亮温的综合组分表示为植被自身辐射部分、植被衰减部分、地表辐射部分。
5.根据权利要求4所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:基于卫星观测到的多角度的地表辐射亮温,根据地表辐射部分在相邻角度下的关系,消除地表辐射部分,建立不同角度下地表辐射亮温与植被自身辐射部分或植被衰减辐射部分之间的一一对应关系,从而计算得出组合的植被信息。
6.根据权利要求5所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:利用相邻角度下地表反射率之间的极化差的线性关系,通过模拟数据库的回归分析,建立相邻角度下地表反射率的极化差之间的关系。
7.根据权利要求6所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:基于相邻角度下地表反射率的极化差之间的关系,利用相同角度下的极化差,消除植被自身辐射部分。
8.根据权利要求7所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:利用不同角度组合下地表发射率之间的线性关系,得到两个角度下的地表辐射亮温之间的关系:T(θ1)=A(θ1,θ2)+B(θ1,θ2)·T(θ2),其中A(θ1,θ2)和B(θ1,θ2)分别是植被覆盖度和植被散射体参数的函数。
9.根据权利要求8所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,B(θ1,θ2)与植被的辐射呈现相反的变化关系,其值介于0-1之间。
10.根据权利要求9所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:用地表辐射亮温差的比值来表示发展的微波植被指数。
11.根据权利要求10所述的分离多角度卫星观测信号中的植被信息和地表发射信号的方法,其特征在于,还包括:建立多角度微波植被指数LMVI,其中LMVI=1-α·B(θ1,θ2),α为通过模拟数据库得到的不同角度组合情况下的参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010287483XA CN102411143A (zh) | 2010-09-20 | 2010-09-20 | 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010287483XA CN102411143A (zh) | 2010-09-20 | 2010-09-20 | 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102411143A true CN102411143A (zh) | 2012-04-11 |
Family
ID=45913330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010287483XA Pending CN102411143A (zh) | 2010-09-20 | 2010-09-20 | 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102411143A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399023A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 植被下土壤湿度的多维度组合优化方法 |
CN106372434A (zh) * | 2016-08-31 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种被动微波遥感瞬时地表发射率估算方法及装置 |
CN108009392A (zh) * | 2017-10-19 | 2018-05-08 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
CN110703251A (zh) * | 2019-11-07 | 2020-01-17 | 中国科学院电子学研究所 | 一种矫正通道误差的方法、装置、设备和存储介质 |
CN111965330A (zh) * | 2020-08-18 | 2020-11-20 | 自然资源部国土卫星遥感应用中心 | 一种基于双极化类发射率的裸露土壤含水量反演方法 |
CN111983333A (zh) * | 2020-08-20 | 2020-11-24 | 自然资源部国土卫星遥感应用中心 | 一种分离被动微波遥感混合像元组分土壤辐射信号的方法 |
-
2010
- 2010-09-20 CN CN201010287483XA patent/CN102411143A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399023A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 植被下土壤湿度的多维度组合优化方法 |
CN106372434A (zh) * | 2016-08-31 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种被动微波遥感瞬时地表发射率估算方法及装置 |
CN106372434B (zh) * | 2016-08-31 | 2020-03-06 | 中国科学院遥感与数字地球研究所 | 一种被动微波遥感瞬时地表发射率估算方法及装置 |
CN108009392A (zh) * | 2017-10-19 | 2018-05-08 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
CN108009392B (zh) * | 2017-10-19 | 2022-01-04 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
CN110703251A (zh) * | 2019-11-07 | 2020-01-17 | 中国科学院电子学研究所 | 一种矫正通道误差的方法、装置、设备和存储介质 |
CN110703251B (zh) * | 2019-11-07 | 2022-02-18 | 中国科学院电子学研究所 | 一种矫正通道误差的方法、装置、设备和存储介质 |
CN111965330A (zh) * | 2020-08-18 | 2020-11-20 | 自然资源部国土卫星遥感应用中心 | 一种基于双极化类发射率的裸露土壤含水量反演方法 |
CN111983333A (zh) * | 2020-08-20 | 2020-11-24 | 自然资源部国土卫星遥感应用中心 | 一种分离被动微波遥感混合像元组分土壤辐射信号的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frappart et al. | Global monitoring of the vegetation dynamics from the Vegetation Optical Depth (VOD): A review | |
Rodríguez-Veiga et al. | Quantifying forest biomass carbon stocks from space | |
Hosseini et al. | Estimation of Leaf Area Index (LAI) in corn and soybeans using multi-polarization C-and L-band radar data | |
Zheng et al. | Remote sensing of crop residue and tillage practices: Present capabilities and future prospects | |
Yao et al. | LAI retrieval and uncertainty evaluations for typical row-planted crops at different growth stages | |
CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
CN106226260A (zh) | 一种结合微波和红外遥感影像的土壤水分反演方法 | |
CN102411143A (zh) | 分离多角度卫星观测信号中的植被信息和地表发射信号的方法 | |
Gu et al. | Predicting forest height using the GOST, Landsat 7 ETM+, and airborne LiDAR for sloping terrains in the Greater Khingan Mountains of China | |
Villard et al. | Forest biomass from radar remote sensing | |
Ainiwaer et al. | Regional scale soil moisture content estimation based on multi-source remote sensing parameters | |
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
Liang et al. | A synergic method of Sentinel-1 and Sentinel-2 images for retrieving soil moisture content in agricultural regions | |
Gobron et al. | Monitoring the photosynthetic activity of vegetation from remote sensing data | |
Stroppiana et al. | In-season early mapping of rice area and flooding dynamics from optical and SAR satellite data | |
CN109934109A (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
Girma et al. | GIS based physical land suitability evaluation for crop production in Eastern Ethiopia: a case study in Jello Watershed | |
Wu et al. | Early growing season anomalies in vegetation activity determine the large‐scale climate‐vegetation coupling in Europe | |
Wingate et al. | Estimating aboveground woody biomass change in Kalahari woodland: combining field, radar, and optical data sets | |
Liu et al. | Mapping C3 and C4 plant functional types using separated solar-induced chlorophyll fluorescence from hyperspectral data | |
Lloyd et al. | Providing low-budget estimations of carbon sequestration and greenhouse gas emissions in agricultural wetlands | |
Bériaux et al. | Estimating surface-soil moisture for retrieving maize leaf-area index from SAR data | |
Gao et al. | Mapping growing stock volume and biomass carbon storage of larch plantations in Northeast China with L-band ALOS PALSAR backscatter mosaics | |
Cao et al. | Shifts, trends, and drivers of lake color across China since the 1980s | |
Ye et al. | Land surface temperature retrieval based on thermal infrared channel decomposed split-window algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120411 |