CN103196862A - 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 - Google Patents
基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 Download PDFInfo
- Publication number
- CN103196862A CN103196862A CN2013100589613A CN201310058961A CN103196862A CN 103196862 A CN103196862 A CN 103196862A CN 2013100589613 A CN2013100589613 A CN 2013100589613A CN 201310058961 A CN201310058961 A CN 201310058961A CN 103196862 A CN103196862 A CN 103196862A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- data
- hyperion
- asar
- soil moisture
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000001373 regressive effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 102000000584 Calmodulin Human genes 0.000 description 1
- 108010041952 Calmodulin Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统,具体包括:获取实验区的Hyperion高光谱图像数据,提取实验区中的植被区域;构建基于比值指数及经验系数的植被含水量模型;结合地面实测的植被含水量及Hyperion数据计算的植被比值指数,进行回归计算,获得所述经验系数值;匹配高光谱数据所需的ASAR雷达数据;将匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、经验系数值输入水云模型,反演计算获得植被覆盖下土壤含水量。本发明的方法及系统既有明确的物理基础,又具有输入参数少、简单、灵活、易于操作等优点,使植被覆盖下土壤含水量测量更为准确。
Description
技术领域
本发明涉及遥感测量土壤含水量技术领域,特别涉及一种基于ASAR和Hyperion数据的植被覆盖下土壤水分协同反演方法及系统。
背景技术
土壤水分是大气降水、植物体内水、地表水和地下水相互转化的纽带,是水文、农业、气候、生态等领域研究的一个关键性参数因子。因此,实现准确、快速的获取大区域地表土壤水分的监测具有重要意义。
相对于传统测量土壤水分的监测手段,遥感技术能够提供地表的多源多维多时相信息,具有大面积、宏观、实时和动态等优势,为土壤含水量测量开辟了新的途径。遥感反演土壤水分的方法很多。光学遥感方面主要有植被指数法、植被-温度指数法、蒸散模型等。这些模型方法是通过地物反射辐射特征变化来模拟地表覆盖类型、地表温度、地表蒸散发与土壤含水量之间的关系来获取土壤水分,是一种间接的经验或者半经验模式,但光学遥感获取影像受到天气条件的限制,大大的降低了其准确性和可靠性。微波遥感方面主要是基尔霍夫模型,MIMICS模型,水云模型等微波散射模型,其基本原理是通过土壤介电常数建立地表后向散射系数与土壤水分之间的联系,物理意义明确,但常受到地表粗糙度,植被的干扰。可见,光学遥感和微波遥感模型土壤水分反演机理完全不同,两者各有优势与不足,单纯依靠一种数据源进行土壤水分的反演限制了这些模型在实际应用中的可操作性。
光学遥感中高光谱遥感是前沿,采用图谱合一的技术在获取地表空间图像的同时,得到每个地物连续丰富的光谱信息,Hyperion是第一个星载民用成像光谱仪,具有很高的光谱分辨率和空间分辨率,其连续的反射率光谱曲线可以表达地物细微的变化。微波遥感中主动微波遥感相较于被动微波遥感具有高空间分辨率的优点,ASAR是Envisat-1上搭载的最大设别,具有多极化、可变观测角度和宽幅成像的特征,在土壤水分检测中展现了巨大的潜力。
发明内容
(一)所要解决的技术问题
本发明提供一种基于ASAR和Hyperion数据反演植被覆盖下土壤含水量的方法及系统,解决了只依靠一种遥感数据源进行土壤水分的反演导致测量准确性、可靠性低,易受干扰的问题。
(二)技术方案
本发明提供了一种基于ASAR和Hyperion数据反演植被覆盖下土壤含水量的方法,该方法包括:
S1、获取实验区的Hyperion高光谱图像数据,并提取实验区中的植被区域;
S2、构建基于比值指数及经验系数的植被含水量模型:
mv=a0SR+b0;
其中,SR为植被水分比值指数,mv为植被含水量,RSWIR和RNIR分别为近红外波段和短波红外波段反射率,a0和b0分别为经验系数;
S3、结合地面实测的mv及Hyperion数据计算的SR值进行回归计算,获得所述经验系数a0和b0的值;
S4、匹配Hyperion高光谱图像数据所需的ASAR雷达数据;
S5、将所述匹配后的Hyperion高光谱图像数据、ASAR雷达数据和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云模型为:
τ2=exp(-2Bmvsecθ);
其中,σ0是植被覆盖地表下总的后向散射系数,为植被层的后向散射系数,是直接地表后向散射系数,τ2是农作物的双程衰减因子,mv是植被含水量(kg/m2),A和B分别为依赖于植被类型的参数;θ是雷达入射角;
优选的,所述步骤S1包括:利用Hyperion高光谱图像数据的第32、33、48、49波段构建归一化植被指数,实验区中归一化植被指数大于0.2的区域,判断为植被区域,构建植被区域掩膜。
优选的,所述步骤S2包括:利用Hyperion高光谱图像数据的第48、49、130、131波段来构建植被水分比值指数,引入经验系数a0和b0构建植被含水量模型。
优选的,所述步骤S4包括:利用Hyperion高光谱图像数据的四个角点坐标匹配出所需的ASAR雷达数据。
优选的,所述地表为农田地表
本发明还提供一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统,该系统包括:
植被区域提取模块,用于利用高光谱图像数据提取实验区中的植被区域;
植被含水量模型模块,用于构建植被含水量模型;所述植被含水量模型构建模块还包括回归计算模块,用于从数据库中提取相应模型参数,通过回归计算获得经验系数a0和b0的值;
雷达数据匹配模块,用于匹配Hyperion高光谱图像数据所需的微波雷达数据;
土壤含水量计算模块,用于基于ASAR雷达数据和半经验的水云模型反演计算植被覆盖下土壤含水量;
数据库,用于存储遥感测得的各种数据,提供给相应模块使用。
其中,所述数据库包括:
先验知识库,用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据;
高光谱数据库,用于存储Hyperion高光谱图像数据;
雷达数据库,用于存储ASAR雷达数据。
(三)有益效果
本发明通过理论分析、实验测试和实际应用,充分利用地面实测资料与光学遥感和微波遥感相结合,以水云模型为依托,对其中的植被含水量进行了改进,引入先验知识通过回归计算得出的经验系数,构成了基于比值指数的植被含水量模型,与归一化水体指数模型相比、经验系数比具有更强的稳定性;改进的水云模型,既有明确的物理基础,又具有稳定性好、简单、灵活、易于操作等优点。比传统的水云模型的适用面更加宽广,有广阔的应用前景。
附图说明
图1为本发明提供方法的步骤流程图;
图2为本发明提供系统的结构组成图;
图3为估算土壤含水量和地面实测的土壤含水量对比散点图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供了以一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法,如图1所示,该方法具体步骤为:
S1、利用Hyperion获取实验区的Hyperion高光谱图像数据也可称为Hyperion数据或高光谱数据,并提取实验区中的植被区域;
S2、构建基于比值指数及经验系数的植被含水量模型:
mv=a0SR+b0;
其中,SR为植被水分比值指数,mv为植被含水量,RSWIR和RNIR分别为近红外波段和短波红外波段反射率,a0和b0分别为经验系数;
S3、结合实测的mv及遥感计算的SR进行回归计算,获得所述经验系数a0和b0的值;
S4、匹配高光谱数据所需的ASAR雷达数据;
S5、将所述匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云模型为:
τ2=exp(-2Bmvsecθ);
其中,σ0是植被覆盖地表下总的后向散射系数,为植被层的后向散射系数,是直接地表后向散射系数,τ2是农作物的双程衰减因子,mv是植被含水量(kg/m2),A和B分别为依赖于植被类型的参数;研究中忽略植被类型,根据Bindlish和Barros(2001)的研究采用所有植被经验系数,即A=0.0012,B=0.091;θ是雷达入射角;
根据与土壤水分ms建立关系:σ0 soil=a0ln(ms)+b0反演计算获得植被覆盖下土壤含水量。
其中,所述步骤S1提取实验区中的植被区域具体为:利用获取的Hyperion数据的第32、33、48、49波段构建归一化植被指数NDVI,当NDVI大于0.2时判断区域为植被区域,构建植被区域掩膜。
其中,所述步骤S2具体包括:利用Hyperion数据的第48、49、130、131波段来构建植被水分比值指数引入经验系数a0和b0,构建植被水分模型;
结合区域实测的植被含水量mv以及含有近红外和短波红外的遥感数据,计算得到比值指数,最终进行回归计算得到经验系数a0和b0的值。
其中,所述步骤S4具体为:根据实验区高光谱的四个角点坐标匹配出所需得ASAR数据和相应的雷达入射角。
其中,所述地表为农田地表。
本发明还提供了一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统,该系统如图2所示,包括:
植被区域提取模块,用于利用高光谱图像数据提取实验区中的植被区域;
植被含水量模型构建模块,用于构建植被含水量模型;所述植被含水量模型构建模块还包括回归计算模块,用于从数据库中提取相应数据,通过回归计算获得经验系数a0和b0的值;
雷达数据匹配模块,用于匹配高光谱数据所需的微波雷达数据;
土壤含水量计算模块,用于基于ASAR雷达数据和半经验水云模型反演计算植被覆盖下土壤含水量;
数据库,用于存储遥感获得的数据,并提供数据给相应模块。
其中,所述数据库包括:
先验知识库,用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据;
高光谱数据库,用于存储Hyperion获取的高光谱数据;
雷达数据库,用于存储ASAR获取的ASAR雷达数据,所述雷达数据包括雷达入射角。
实际具体的实施:
1、将农田地表覆盖下土壤类型较单一的地区作为一个实验区,利用Hyperion数据提取植实验区中的被覆盖区域。
2、研究植被的地物光谱曲线,在近红外波段1300~2500nm吸收率增大,反射率下降,并在1.45μm、1.95μm和2.6-2.7μm处形成三个强吸收谷,依据以往的研究均表明,近红外波段吸收率的改变主要是植被含水量的变化引起的,在短波红外波段,即第一个水分吸收谷,反射率的改变主要是由于植被水分吸收引起的,建立比值指数的植被含水量模型:
其中,RSWIR和RNIR分别为近红外波段和短波红外波段反射率;通过提取先验知识知识库中的实测数据,进行回归计算,得到经验系数a0和b0的值。
3、匹配对应时空的ASAR数据,在土壤水分微波遥感研究中,地表覆盖的植被会干扰土壤的后向散射信号,去除植被后向散射的影响后,后向散射系数与土壤含水量的相关性明显增强。故本发明的关键在于如何有效地去除植被后向散射的影响。
本发明利用水云模型来去除植被后向散射的影响,测量实验区植被覆盖下的土壤含水量:将所述匹配后的高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云模型为:
τ2=exp(-2Bmvsecθ);
建立与植被覆盖下土壤含水量ms的关系:σ0 soil=a0ln(ms)+b0,反演计算获得植被覆盖下土壤含水量ms。
4、对观测点位置的模型反演得到的估算土壤含水量与地面实测土壤含水量进行相关分析,得到实验区内两者的关系。
5、评价模型在研究区的土壤含水量估算状况。
本发明应用中国贵州安顺地区为实验场。中国贵州安顺地处东经105.22°-106.57°,北纬25.35°-26.63°之间,长江水系乌江流域和珠江水系北盘江流域的分水岭地带,属典型的高原型湿润亚热带季风气候,雨量充沛,植被覆盖率高,由于其气候适宜、光照充足,具有优良的农田,是监测植被覆下土壤含水量的典型区域。以贵州安顺黄果树机场周边为研究区,该研究区数据主要是2010年4月27日ASAR数据以及2010年4月22日的Hyperion数据。为了验证模型的土壤含水量测量效果,计算得到土壤含水量与卫星同步的野外观测数据进行相关分析。
根据实验区各个观测点的模型反演得到的估算土壤含水量和地面实测的土壤含水量建立散点图,其结果如图3,平均误差为0.026243kg/m2,相关系数平方(R2)为0.37,均方差为0.000789。结果表明,模型估计值和实地观测数据具有较高的相关性。
通过分析可见,改进的水运模型对测量土壤含水量很有效。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (7)
1.一种基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法,其特征在于,该方法包括:
S1、获取实验区的Hyperion高光谱图像数据,提取实验区中的植被区域;
S2、构建基于比值指数及经验系数的植被含水量模型:
mv=a0SR+b0;
其中,SR为植被水分比值指数,mv为植被含水量,RSWIR和RNIR分别为近红外波段和短波红外波段反射率,a0和b0分别为经验系数;
S3、结合地面实测的mv及Hyperion数据计算的SR值进行回归计算,获得所述经验系数a0和b0的值;
S4、匹配所述Hyperion高光谱数据所需的ASAR雷达数据;
S5、将所述匹配后的Hyperion高光谱数据、ASAR雷达数据和所述植被含水量模型、所述a0和b0的值输入水云模型,所述水云模型为:
τ2=exp(-2Bmvsecθ);
2.如权利要求1所述的方法,其特征在于,所述步骤S1包括: 利用Hyperion高光谱图像数据的第32、33、48、49波段构建归一化植被指数,实验区中归一化植被指数大于0.2的区域,判断为植被区域。
3.如权利要求1所述的方法,其特征在于,所述步骤S2包括:利用Hyperion高光谱图像数据的第48、49、130、131波段来构建植被水分比值指数,引入经验系数a0和b0构建植被含水量模型。
4.如权利要求1所述的方法,其特征在于,所述步骤S4包括:利用高光谱数据的四个角点坐标匹配出所需的ASAR雷达数据。
5.根据权利要求1所述的方法,其特征在于,所述地表为农田地表 。
6.基于ASAR和Hyperion数据反演植被覆盖下土壤水分的系统,其特征在于,该系统包括:
植被区域提取模块,用于利用高光谱图像数据提取实验区中的植被区域;
植被含水量模型构建模块,用于构建植被含水量模型;所述植被含水量模型构建模块还包括回归计算模块,用于从数据库中提取相应数据,通过回归计算获得经验系数a0和b0的值;
雷达数据匹配模块,用于匹配高光谱图像数据所需的微波雷达数据;
土壤含水量计算模块,用于基于ASAR雷达数据和半经验的水云模型反演计算植被覆盖下土壤含水量;
数据库模块,用于存储遥感测得的数据,并提供数据给相应模块。
7.如权利要求6所述系统,其特征在于,所述数据模块包括:
先验知识库,用于存储区域实测的植被含水量以及含有近红外和短波红外的遥感数据;
高光谱数据库,用于存储Hyperion高光谱图像数据;
雷达数据库,用于存储ASAR雷达数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310058961.3A CN103196862B (zh) | 2013-02-25 | 2013-02-25 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310058961.3A CN103196862B (zh) | 2013-02-25 | 2013-02-25 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103196862A true CN103196862A (zh) | 2013-07-10 |
CN103196862B CN103196862B (zh) | 2015-01-21 |
Family
ID=48719554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310058961.3A Expired - Fee Related CN103196862B (zh) | 2013-02-25 | 2013-02-25 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103196862B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155298A (zh) * | 2014-08-12 | 2014-11-19 | 哈尔滨工业大学 | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 |
CN104199027A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 |
CN104502918A (zh) * | 2014-12-30 | 2015-04-08 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
CN105373694A (zh) * | 2015-08-31 | 2016-03-02 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN105527616A (zh) * | 2015-10-27 | 2016-04-27 | 中国科学院遥感与数字地球研究所 | 一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
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 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106569210A (zh) * | 2016-10-18 | 2017-04-19 | 长安大学 | 一种基于遥感的土壤水分反演方法和装置 |
CN106771089A (zh) * | 2017-03-20 | 2017-05-31 | 北京师范大学 | 基于改进双通道算法的土壤水分遥感反演方法 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN108802728A (zh) * | 2018-04-28 | 2018-11-13 | 中国农业大学 | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 |
CN109884279A (zh) * | 2019-04-04 | 2019-06-14 | 内蒙古工业大学 | 土壤含水量的反演方法和反演装置 |
CN110118742A (zh) * | 2019-05-27 | 2019-08-13 | 成都理工大学 | 基于光谱分析的陆表植被冠层生态水含量遥感反演方法 |
CN111504425A (zh) * | 2020-04-24 | 2020-08-07 | 中国水利水电科学研究院 | 一种估算干旱平原地区生态地下水位的方法及装置 |
CN111860325A (zh) * | 2020-07-20 | 2020-10-30 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN113466143A (zh) * | 2021-07-01 | 2021-10-01 | 中煤航测遥感集团有限公司 | 土壤养分反演方法、装置、设备及介质 |
CN113642191A (zh) * | 2021-08-25 | 2021-11-12 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
CN116050679A (zh) * | 2023-04-03 | 2023-05-02 | 中化现代农业有限公司 | 灌溉决策方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070196007A1 (en) * | 2005-10-17 | 2007-08-23 | Siemens Corporate Research, Inc. | Device Systems and Methods for Imaging |
CN101614818A (zh) * | 2009-07-09 | 2009-12-30 | 中国科学院遥感应用研究所 | 一种土壤盐碱化的雷达遥感监测方法 |
CN102252973A (zh) * | 2011-03-10 | 2011-11-23 | 王桥 | 土壤含水量遥感监测方法 |
CN102298150A (zh) * | 2011-05-23 | 2011-12-28 | 北京师范大学 | 全球陆表宽波段发射率反演方法及系统 |
-
2013
- 2013-02-25 CN CN201310058961.3A patent/CN103196862B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070196007A1 (en) * | 2005-10-17 | 2007-08-23 | Siemens Corporate Research, Inc. | Device Systems and Methods for Imaging |
CN101614818A (zh) * | 2009-07-09 | 2009-12-30 | 中国科学院遥感应用研究所 | 一种土壤盐碱化的雷达遥感监测方法 |
CN102252973A (zh) * | 2011-03-10 | 2011-11-23 | 王桥 | 土壤含水量遥感监测方法 |
CN102298150A (zh) * | 2011-05-23 | 2011-12-28 | 北京师范大学 | 全球陆表宽波段发射率反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
鲍艳松: "利用ASAR图像监测土壤含水量和小麦覆盖度", 《遥感学报》, vol. 10, no. 2, 30 March 2006 (2006-03-30), pages 263 - 271 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155298A (zh) * | 2014-08-12 | 2014-11-19 | 哈尔滨工业大学 | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 |
CN104155298B (zh) * | 2014-08-12 | 2017-01-25 | 哈尔滨工业大学 | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 |
CN104199027A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 |
CN104502918A (zh) * | 2014-12-30 | 2015-04-08 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
CN105373694B (zh) * | 2015-08-31 | 2017-12-29 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN105373694A (zh) * | 2015-08-31 | 2016-03-02 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN105527616A (zh) * | 2015-10-27 | 2016-04-27 | 中国科学院遥感与数字地球研究所 | 一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法 |
CN105527616B (zh) * | 2015-10-27 | 2018-07-20 | 中国科学院遥感与数字地球研究所 | 一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
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 |
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 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106258686B (zh) * | 2016-08-11 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106569210A (zh) * | 2016-10-18 | 2017-04-19 | 长安大学 | 一种基于遥感的土壤水分反演方法和装置 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
US11150231B2 (en) | 2017-02-22 | 2021-10-19 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
CN106771089A (zh) * | 2017-03-20 | 2017-05-31 | 北京师范大学 | 基于改进双通道算法的土壤水分遥感反演方法 |
CN107389895B (zh) * | 2017-06-08 | 2019-08-30 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
CN108802728A (zh) * | 2018-04-28 | 2018-11-13 | 中国农业大学 | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 |
CN109884279A (zh) * | 2019-04-04 | 2019-06-14 | 内蒙古工业大学 | 土壤含水量的反演方法和反演装置 |
CN110118742A (zh) * | 2019-05-27 | 2019-08-13 | 成都理工大学 | 基于光谱分析的陆表植被冠层生态水含量遥感反演方法 |
CN111504425A (zh) * | 2020-04-24 | 2020-08-07 | 中国水利水电科学研究院 | 一种估算干旱平原地区生态地下水位的方法及装置 |
CN111860325A (zh) * | 2020-07-20 | 2020-10-30 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN111860325B (zh) * | 2020-07-20 | 2023-09-15 | 河南大学 | 土壤水分反演方法、装置、计算机可读介质和电子设备 |
CN113466143A (zh) * | 2021-07-01 | 2021-10-01 | 中煤航测遥感集团有限公司 | 土壤养分反演方法、装置、设备及介质 |
CN113642191A (zh) * | 2021-08-25 | 2021-11-12 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
CN113642191B (zh) * | 2021-08-25 | 2022-03-22 | 中国水利水电科学研究院 | 一种基于短波红外的遥感蒸散模型构建方法 |
CN116050679A (zh) * | 2023-04-03 | 2023-05-02 | 中化现代农业有限公司 | 灌溉决策方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103196862B (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103196862B (zh) | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 | |
Bao et al. | Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model | |
Liu et al. | Combined Sentinel-1A with Sentinel-2A to estimate soil moisture in farmland | |
Hyde et al. | Exploring LiDAR–RaDAR synergy—predicting aboveground biomass in a southwestern ponderosa pine forest using LiDAR, SAR and InSAR | |
Ramoelo et al. | Non-linear partial least square regression increases the estimation accuracy of grass nitrogen and phosphorus using in situ hyperspectral and environmental data | |
Askne et al. | Biomass estimation in a boreal forest from TanDEM-X data, lidar DTM, and the interferometric water cloud model | |
Merlin et al. | An image-based four-source surface energy balance model to estimate crop evapotranspiration from solar reflectance/thermal emission data (SEB-4S) | |
Merzouki et al. | Mapping soil moisture using RADARSAT-2 data and local autocorrelation statistics | |
Metsämäki et al. | A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model | |
Filion et al. | Remote sensing for mapping soil moisture and drainage potential in semi-arid regions: Applications to the Campidano plain of Sardinia, Italy | |
Palacios-Orueta et al. | Derivation of phenological metrics by function fitting to time-series of Spectral Shape Indexes AS1 and AS2: Mapping cotton phenological stages using MODIS time series | |
Barbier et al. | Bidirectional texture function of high resolution optical images of tropical forest: An approach using LiDAR hillshade simulations | |
Sur et al. | Temporal stability and variability of field scale soil moisture on mountainous hillslopes in Northeast Asia | |
Forte et al. | New insights in glaciers characterization by differential diagnosis integrating GPR and remote sensing techniques: A case study for the Eastern Gran Zebrù glacier (Central Alps) | |
Lei et al. | Evaluation of integrating topographic wetness index with backscattering coefficient of TerraSAR-X image for soil moisture estimation in a mountainous region | |
Lacava et al. | Soil moisture variations monitoring by AMSU-based soil wetness indices: A long-term inter-comparison with ground measurements | |
Miller et al. | Brief communication: Mapping Greenland's perennial firn aquifers using enhanced-resolution L-band brightness temperature image time series | |
Liang et al. | A synergic method of Sentinel-1 and Sentinel-2 images for retrieving soil moisture content in agricultural regions | |
Barzycka et al. | Glacier facies of Vestfonna (Svalbard) based on SAR images and GPR measurements | |
Varade et al. | Identification of snow using fully polarimetric SAR data based on entropy and anisotropy | |
Hoekman et al. | Observation of tropical rain forest trees by airborne high-resolution interferometric radar | |
Wu et al. | Using radar and optical data for soil salinity modeling and mapping in Central Iraq | |
Capodici et al. | Coupling two radar backscattering models to assess soil roughness and surface water content at farm scale | |
Mardan et al. | Soil moisture retrieval over agricultural fields through integration of synthetic aperture radar and optical images | |
Feng et al. | Applicability of alpine snow depth estimation based on multitemporal UAV-LiDAR data: A case study in the Maxian Mountains, Northwest China |
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 |
Granted publication date: 20150121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |