CN102955878B - 基于meris全分辨率影像数据的内陆水体光学分类方法 - Google Patents
基于meris全分辨率影像数据的内陆水体光学分类方法 Download PDFInfo
- Publication number
- CN102955878B CN102955878B CN201210326692.XA CN201210326692A CN102955878B CN 102955878 B CN102955878 B CN 102955878B CN 201210326692 A CN201210326692 A CN 201210326692A CN 102955878 B CN102955878 B CN 102955878B
- Authority
- CN
- China
- Prior art keywords
- wave band
- remote sensing
- earth
- sensing reflectance
- water body
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于MERIS全分辨率影像数据的内陆水体光学分类方法,涉及遥感技术领域。所述方法包括:对内陆水体的MERIS全分辨率影像数据进行预处理;模拟大气顶端辐射率,进而建立训练集;构建前馈型BP神经网络;利用BP神经网络对smile校正后的MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正,得到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射率数据;根据波段1至10以及波段12的地表遥感反射率数据,对内陆水体进行光学分类。所述方法,实现了对内陆水体中局部水体的分类,为提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演模型提供了数据支持。
Description
技术领域
本发明涉及遥感技术领域,特别涉及一种基于MERIS(TheMedium Resolution Imaging Spectrometer)全分辨率影像数据的内陆水体光学分类方法。
背景技术
内陆水体是保持生态平衡和保证水体周边群众供水的关键因素。以太湖为例,其是中国的第三大淡水湖,太湖为周边的湖滨城市的供水起到了很重要的作用。但是近年来,太湖的污染越来越严重,并且出现了富营养化。严重威胁了太湖的自然生态功能。因此,对水体的定期监测成为必然。
在同一个水体中,遥感反射率会随着水体组分的变化而不同,例如太湖的某些区域可能主要受到浮游植物的影响,而其他区域有可能主要受到无机悬浮颗粒的影响,甚至是浮游藻类的影响。因此,针对太湖水体中不同区域的光学特性差异,将太湖水体分类,建立不同的反演模型成为必然。
利用卫星影像反演水环境参数,首先要解决的就是大气校正问题。提高二类水体大气校正的精度是水色遥感的一个难点。对于海洋一类水体,常采用暗像元校正方法来获取气溶胶浓度,但是,这种方法假设在近红外波段水体离水辐射率为零,因此不适合于二类水体。所以,需要一种新的方法对二类水体进行大气校正。目前,针对BEAM(Checking Tool for Bugs Errors and Mistakes)软件已开发了三种插件用于对内陆湖泊或二类水体进行大气校正。这些插件是基于人工神经网络的算法,可以从MERIS 1b数据大气顶端的辐射率反演出地表遥感反射率,进而可以反演得到水体固有光学性质和水体组分浓度。
这些研究取得了一些成果,但是针对内陆高浑浊和富营养化的水体,在大气校正与光学分类方面考虑还不足。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何提供一种基于MERIS全分辨率影像数据的内陆水体光学分类方法,以对内陆水体中不同区域的局部水体进一步分类,进而为提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演模型提供数据支持。
(二)技术方案
为解决上述技术问题,本发明提供一种基于MERIS全分辨率影像数据的内陆水体光学分类方法,其包括步骤:
A:对内陆水体的MERIS全分辨率影像数据进行预处理;
B:根据所述内陆水体的几何参数和大气条件,模拟大气顶端辐射率,进而建立训练集;
C:根据所述训练集构建前馈型BP神经网络;
D:将所述预处理后的MERIS全分辨率影像数据进行smile校正后输入所述BP神经网络,利用所述BP神经网络对所述smile校正后的MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正,得到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射率数据;
E:根据所述波段1至10以及波段12的地表遥感反射率数据,对所述内陆水体进行光学分类。
优选地,所述步骤A具体包括步骤:
A1:获取具有野外实测数据对应日期的MERIS全分辨率影像数据,从中提取内陆水体的MERIS全分辨率影像数据;
A2:利用BEAM软件对所述内陆水体的MERIS全分辨率影像数据进行辐射定标和几何纠正。
优选地,所述步骤B中,所述内陆水体的几何参数包括:所述内陆水体对应的平均海拔、太阳天顶角,以及传感器的方位角。
优选地,所述步骤B中,所述内陆水体的大气条件包括:所述内陆水体对应的平均气压、平均温度、平均湿度、平均臭氧密度和气溶胶的组分浓度;所述气溶胶中:尘埃粒子的浓度为40%到50%,水溶性粒子的浓度为20%到50%,海洋性粒子的浓度为0,煤烟的浓度小于20%;并且,所述气溶胶中每种组分的浓度值的变化步长为10%。
优选地,所述步骤C中,采用Matlab工具箱,根据所述训练集构建前馈型BP神经网络。
优选地,在所述步骤D之后还包括步骤S:将所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据进行对比分析,判断所述波段1至10以及波段12的地表遥感反射率数据的误差是否小于预定阈值,如果是,执行步骤E;否则,返回所述步骤B。
优选地,所述波段1至10以及波段12的地表遥感反射率数据的误差,通过计算所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据的平均绝对百分比误差或者均方根误差获得。
优选地,所述平均绝对百分比误差的计算公式如下:
其中,MAPE表示所述平均绝对百分比误差,n表示样本象元数量,yi表示样本象元的地面实测遥感反射率,y′i表示样本象元从影像反演获得的地表遥感反射率。
优选地,所述均方根误差的计算公式如下:
其中,RMSE为所述均方根误差。
优选地,所述步骤E具体包括步骤:
E1:将所述内陆水体按象元分为多个待测区域,获取每个所述待测区域的波段1至10以及波段12的地表遥感反射率数据;
E2:判断所述待测区域处波段9的地表遥感反射率是否大于波段5的地表遥感反射率,如果是,判定所述待测区域处的水体为A类水体;否则,执行步骤E3;
E3:判断所述待测区域处波段5的地表遥感反射率是否小于等于波段6的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E4;
E4:判断所述待测区域处波段6的地表遥感反射率是否小于等于波段7的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E5;
E5:判断所述待测区域处波段7的地表遥感反射率是否小于等于波段8的地表遥感反射率,如果是,判定所述待测区域处的水体为C类水体;否则,执行步骤E6;
E6:判断所述待测区域处波段8的地表遥感反射率是否小于波段9的地表遥感反射率,如果是,判定所述待测区域象元处的水体为C类水体;否则,判定所述待测区域处的水体为D类水体;
其中,所述A类水体,水面有水华漂浮,或有水生植物生长,并且叶绿素浓度大于等于150mg/m3;
所述B类水体,水面浑浊,悬浮物浓度大于等于100mg/L并且叶绿素浓度小于20mg/m3;
所述C类水体,悬浮物浓度小于100mg/L,叶绿素浓度大于等于40mg/m3并且小于150mg/m3;
所述D类水体,悬浮物浓度小于100mg/L,叶绿素浓度小于40mg/m3。
(三)有益效果
本发明的基于MERIS全分辨率影像数据的内陆水体光学分类方法,利用MERIS全分辨率的卫星影像数据,结合神经网络对内陆水体的MERIS数据进行大气校正得到地表遥感反射率数据,进而根据地表遥感反射率的光谱曲线对内陆水体的局部水体进行分类,为提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演模型提供了数据支持。
附图说明
图1是本发明实施例所述的基于MERIS全分辨率影像数据的内陆水体光学分类方法流程图;
图2是A类水体的地表遥感反射率光谱图;
图3是B类水体的地表遥感反射率光谱图;
图4是C类水体的地表遥感反射率光谱图;
图5是D类水体的地表遥感反射率光谱图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以太湖作为内陆水体的示例,详细说明对太湖中局部水体的进一步分类的过程。图1是本发明实施例所述的基于MERIS全分辨率影像数据的内陆水体光学分类方法流程图,如图1所述,所述方法包括步骤:
A:对内陆水体的MERIS全分辨率影像数据进行预处理。
所述步骤A具体包括步骤:
A1:获取具有野外实测数据对应日期的MERIS全分辨率影像数据,从中提取内陆水体的MERIS全分辨率影像数据。
A2:利用BEAM软件对所述内陆水体的MERIS全分辨率影像数据进行辐射定标和几何纠正。
B:采用6S(Second Simulation of the Satellite Signal in the SolarSpectrum)模型,根据所述内陆水体的几何参数和大气条件,模拟大气顶端辐射率,进而建立训练集。所述内陆水体的几何参数包括:所述内陆水体对应的平均海拔、太阳天顶角,以及传感器的方位角。所述内陆水体的大气条件包括:所述内陆水体对应的平均气压、平均温度、平均湿度、平均臭氧密度和气溶胶的组分浓度;所述气溶胶中:尘埃粒子的浓度为40%到50%,水溶性粒子的浓度为20%到50%,海洋性粒子的浓度为0,煤烟的浓度小于20%;并且,所述气溶胶中每种组分的浓度值的变化步长为10%。
C:采用Matlab工具箱,根据所述训练集构建前馈型BP(BackPropagation)神经网络。
D:将所述预处理后的MERIS全分辨率影像数据进行smile校正后输入所述BP神经网络,利用所述BP神经网络对所述smile校正后的MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正,得到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射率数据。
步骤S:将所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据进行对比分析,判断所述波段1至10以及波段12的地表遥感反射率数据的误差是否小于预定阈值,如果是,执行步骤E;否则,返回所述步骤B。所述预定阈值一般为10%。所述波段1至10以及波段12的地表遥感反射率数据的误差,通过计算所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据的平均绝对百分比误差或者均方根误差获得。
所述平均绝对百分比误差的计算公式如下:
其中,MAPE表示所述平均绝对百分比误差,n表示样本象元数量,yi表示样本象元的地面实测遥感反射率,y′i表示样本象元从影像反演获得的地表遥感反射率。为了避免像元光学特性空间差异的影响,被选取的所述样本象元至少具有9个符合预定条件的邻近象元,所述预定条件是指所述邻近象元的变异系数小于10%。
所述均方根误差的计算公式如下:
其中,RMSE为所述均方根误差。
E:根据所述波段1至10以及波段12的地表遥感反射率数据,对所述内陆水体进行光学分类。所述步骤E具体包括步骤:
E1:将所述内陆水体按象元分为多个待测区域,获取每个所述待测区域的波段1至10以及波段12的地表遥感反射率数据;
E2:判断所述待测区域处波段9的地表遥感反射率是否大于波段5的地表遥感反射率,如果是,判定所述待测区域处的水体为A类水体;否则,执行步骤E3;
E3:判断所述待测区域处波段5的地表遥感反射率是否小于等于波段6的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E4;
E4:判断所述待测区域处波段6的地表遥感反射率是否小于等于波段7的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E5;
E5:判断所述待测区域处波段7的地表遥感反射率是否小于等于波段8的地表遥感反射率,如果是,判定所述待测区域处的水体为C类水体;否则,执行步骤E6;
E6:判断所述待测区域处波段8的地表遥感反射率是否小于波段9的地表遥感反射率,如果是,判定所述待测区域处的水体为C类水体;否则,判定所述待测区域处的水体为D类水体;
其中,所述A类水体,水面有水华漂浮,或有水生植物生长,并且叶绿素浓度大于等于150mg/m3,图2是A类水体的地表遥感反射率光谱图。
所述B类水体,水面浑浊,悬浮物浓度大于等于100mg/L并且叶绿素浓度小于20mg/m3,图3是B类水体的地表遥感反射率光谱图。
所述C类水体,悬浮物浓度小于100mg/L,叶绿素浓度大于等于40mg/m3并且小于150mg/m3,图4是C类水体的地表遥感反射率光谱图。
所述D类水体,悬浮物浓度小于100mg/L,叶绿素浓度小于40mg/m3,图5是D类水体的地表遥感反射率光谱图。
本发明实施例所述基于MERIS全分辨率影像数据的内陆水体光学分类方法,利用MERIS全分辨率的卫星影像数据,结合神经网络对内陆水体的MERIS数据进行大气校正得到地表遥感反射率数据,进而根据地表遥感反射率的光谱曲线对内陆水体的局部水体进行分类,为提高遥感反演精度以及为具有相同光学特性的水体建立统一的反演模型提供了数据支持。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (9)
1.一种基于MERIS全分辨率影像数据的内陆水体光学分类方法,其特征在于,包括步骤:
A:对内陆水体的MERIS全分辨率影像数据进行预处理;
B:根据所述内陆水体的几何参数和大气条件,模拟大气顶端辐射率,进而建立训练集;
C:根据所述训练集构建前馈型BP神经网络;
D:将所述预处理后的MERIS全分辨率影像数据进行smile校正后输入所述BP神经网络,利用所述BP神经网络对所述smile校正后的MERIS全分辨率影像数据中波段1至10以及波段12进行大气校正,得到MERIS全分辨率影像数据中波段1至10以及波段12的地表遥感反射率数据;
E:根据所述波段1至10以及波段12的地表遥感反射率数据,对所述内陆水体进行光学分类;
所述步骤E具体包括步骤:
E1:将所述内陆水体按象元分为多个待测区域,获取每个所述待测区域的波段1至10以及波段12的地表遥感反射率数据;
E2:判断所述待测区域处波段9的地表遥感反射率是否大于波段5的地表遥感反射率,如果是,判定所述待测区域处的水体为A类水体;否则,执行步骤E3;
E3:判断所述待测区域处波段5的地表遥感反射率是否小于等于波段6的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E4;
E4:判断所述待测区域处波段6的地表遥感反射率是否小于等于波段7的地表遥感反射率,如果是,判定所述待测区域处的水体为B类水体;否则,执行步骤E5;
E5:判断所述待测区域处波段7的地表遥感反射率是否小于等于波段8的地表遥感反射率,如果是,判定所述待测区域处的水体为C类水体;否则,执行步骤E6;
E6:判断所述待测区域处波段8的地表遥感反射率是否小于波段9的地表遥感反射率,如果是,判定所述待测的水体为C类水体;否则,判定所述待测区域处的水体为D类水体;
其中,所述A类水体,水面有水华漂浮,或有水生植物生长,并且叶绿素浓度大于等于150mg/m3;
所述B类水体,水面浑浊,悬浮物浓度大于等于100mg/L并且叶绿素浓度小于20mg/m3;
所述C类水体,悬浮物浓度小于100mg/L,叶绿素浓度大于等于40mg/m3并且小于150mg/m3;
所述D类水体,悬浮物浓度小于100mg/L,叶绿素浓度小于40mg/m3。
2.如权利要求1所述的方法,其特征在于,所述步骤A具体包括步骤:
A1:获取具有野外实测数据对应日期的MERIS全分辨率影像数据,从中提取内陆水体的MERIS全分辨率影像数据;
A2:利用BEAM软件对所述内陆水体的MERIS全分辨率影像数据进行辐射定标和几何纠正。
3.如权利要求1所述的方法,其特征在于,所述步骤B中,所述内陆水体的几何参数包括:所述内陆水体对应的平均海拔、太阳天顶角,以及传感器的方位角。
4.如权利要求1所述的方法,其特征在于,所述步骤B中,所述内陆水体的大气条件包括:所述内陆水体对应的平均气压、平均温度、平均湿度、平均臭氧密度和气溶胶的组分浓度;所述气溶胶中:尘埃粒子的浓度为40%到50%,水溶性粒子的浓度为20%到50%,海洋性粒子的浓度为0,煤烟的浓度小于20%;并且,所述气溶胶中每种组分的浓度值的变化步长为10%。
5.如权利要求1所述的方法,其特征在于,所述步骤C中,采用Matlab工具箱,根据所述训练集构建前馈型BP神经网络。
6.如权利要求1所述的方法,其特征在于,在所述步骤D之后还包括步骤S:将所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据进行对比分析,判断所述波段1至10以及波段12的地表遥感反射率数据的误差是否小于预定阈值,如果是,执行步骤E;否则,返回所述步骤B。
7.如权利要求6所述的方法,其特征在于,所述波段1至10以及波段12的地表遥感反射率数据的误差,通过计算所述波段1至10以及波段12的地表遥感反射率数据与地面实测遥感反射率数据的平均绝对百分比误差或者均方根误差获得。
8.如权利要求7所述的方法,其特征在于,所述平均绝对百分比误差的计算公式如下:
其中,MAPE表示所述平均绝对百分比误差,n表示样本象元数量,yi表示样本象元的地面实测遥感反射率,y′i表示样本象元从影像反演获得的地表遥感反射率。
9.如权利要求8所述的方法,其特征在于,所述均方根误差的计算公式如下:
其中,RMSE为所述均方根误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210326692.XA CN102955878B (zh) | 2012-09-05 | 2012-09-05 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210326692.XA CN102955878B (zh) | 2012-09-05 | 2012-09-05 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102955878A CN102955878A (zh) | 2013-03-06 |
CN102955878B true CN102955878B (zh) | 2015-07-29 |
Family
ID=47764678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210326692.XA Expired - Fee Related CN102955878B (zh) | 2012-09-05 | 2012-09-05 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102955878B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712955B (zh) * | 2014-01-02 | 2016-06-01 | 李云梅 | 一种基于神经网络二次优化的二类水体大气校正方法 |
CN103983584B (zh) * | 2014-05-30 | 2016-06-01 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
CN104809691A (zh) * | 2015-05-05 | 2015-07-29 | 李云梅 | 一种基于滑动窗口混合像元分解的图像融合方法 |
CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
CN109635249B (zh) * | 2019-01-09 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、检测方法及装置 |
CN110598251B (zh) * | 2019-08-05 | 2021-11-09 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1091188B1 (de) * | 1999-07-16 | 2004-09-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten |
CN1710379A (zh) * | 2005-07-05 | 2005-12-21 | 华东师范大学 | 航空高光谱遥感反演边界层气溶胶光学厚度的大气校正法 |
WO2006120724A1 (ja) * | 2005-05-02 | 2006-11-16 | Saga University | ニューラルネットワークを用いた地理情報システム |
CN101598543A (zh) * | 2009-07-29 | 2009-12-09 | 中国科学院对地观测与数字地球科学中心 | 一种实用的遥感影像大气校正方法 |
CN101915914A (zh) * | 2010-07-30 | 2010-12-15 | 南京信息工程大学 | 一种基于查找表的遥感影像逐像元大气校正方法 |
-
2012
- 2012-09-05 CN CN201210326692.XA patent/CN102955878B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1091188B1 (de) * | 1999-07-16 | 2004-09-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten |
WO2006120724A1 (ja) * | 2005-05-02 | 2006-11-16 | Saga University | ニューラルネットワークを用いた地理情報システム |
CN1710379A (zh) * | 2005-07-05 | 2005-12-21 | 华东师范大学 | 航空高光谱遥感反演边界层气溶胶光学厚度的大气校正法 |
CN101598543A (zh) * | 2009-07-29 | 2009-12-09 | 中国科学院对地观测与数字地球科学中心 | 一种实用的遥感影像大气校正方法 |
CN101915914A (zh) * | 2010-07-30 | 2010-12-15 | 南京信息工程大学 | 一种基于查找表的遥感影像逐像元大气校正方法 |
Non-Patent Citations (3)
Title |
---|
台湾海峡MERIS数据大气校正研究;陈芸芝等;《海洋科学》;20080331;第32卷(第3期);全文 * |
基于不同光谱主导因子的内陆湖泊水体叶绿素浓度三波段反演模型研究;施坤等;《环境科学》;20101231;第31卷(第12期);第398-第405页 * |
基于神经网络的二类水体大气修正;孙凌等;《遥感学报》;20070531;第11卷(第3期);第2873-第2881页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102955878A (zh) | 2013-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102955878B (zh) | 基于meris全分辨率影像数据的内陆水体光学分类方法 | |
Bovensmann et al. | A remote sensing technique for global monitoring of power plant CO 2 emissions from space and related applications | |
Forbrich et al. | Cross-evaluation of measurements of peatland methane emissions on microform and ecosystem scales using high-resolution landcover classification and source weight modelling | |
Schuh et al. | Evaluating atmospheric CO2 inversions at multiple scales over a highly inventoried agricultural landscape | |
Canisius et al. | SAR backscatter and InSAR coherence for monitoring wetland extent, flood pulse and vegetation: A study of the Amazon lowland | |
CN105631904B (zh) | 一种富营养化湖泊藻类总存量遥感估算方法 | |
Koukouli et al. | Updated SO 2 emission estimates over China using OMI/Aura observations | |
Dumka et al. | Latitudinal variation of aerosol properties from Indo‐Gangetic plain to central Himalayan foothills during TIGERZ campaign | |
Hutjes et al. | Dis-aggregation of airborne flux measurements using footprint analysis | |
CN105303030B (zh) | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 | |
CN108152289A (zh) | 富营养化湖泊真光层外藻总量遥感间接监测方法 | |
US11819803B2 (en) | Systems and methods for quantifying and/or verifying ocean-based interventions for sequestering carbon dioxide | |
CN109597969B (zh) | 一种近地面臭氧浓度估算方法 | |
Nguyen et al. | Sea level variation and trend analysis by comparing Mann–Kendall test and innovative trend analysis in front of the Red River Delta, Vietnam (1961–2020) | |
Kishcha et al. | Air pollution over the Ganges basin and northwest Bay of Bengal in the early postmonsoon season based on NASA MERRAero data | |
Chen et al. | A simple atmospheric correction algorithm for MODIS in shallow turbid waters: A case study in Taihu Lake | |
Ma et al. | Machine Learning Based Long‐Term Water Quality in the Turbid Pearl River Estuary, China | |
Zhang et al. | A near-global eddy-resolving OGCM for climate studies | |
CN107247809A (zh) | 一种人工林森林年龄空间制图的新方法 | |
Hayibo et al. | Water conservation potential of self-funded foam-based flexible surface-mounted floatovoltaics | |
Li et al. | Influence of tropical cyclone intensity and size on storm surge in the Northern East China Sea | |
Fischereit et al. | Climatic impacts of wind-wave-wake interactions in offshore wind farms | |
Sharma et al. | Assessing the aerosols, clouds and their relationship over the northern Bay of Bengal using a global climate model | |
Patricio-Valerio et al. | A machine learning algorithm for himawari-8 total suspended solids retrievals in the great barrier reef | |
Watanabe et al. | Spatiotemporal variations in CO 2 flux in a fringing reef simulated using a novel carbonate system dynamics model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150729 Termination date: 20200905 |