CN103984862B - 一种多元遥感信息协同的积雪参数反演方法 - Google Patents
一种多元遥感信息协同的积雪参数反演方法 Download PDFInfo
- Publication number
- CN103984862B CN103984862B CN201410204262.XA CN201410204262A CN103984862B CN 103984862 B CN103984862 B CN 103984862B CN 201410204262 A CN201410204262 A CN 201410204262A CN 103984862 B CN103984862 B CN 103984862B
- Authority
- CN
- China
- Prior art keywords
- snow
- modis
- accumulated
- depth
- cloud
- 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
- Image Processing (AREA)
Abstract
本发明涉及一种多元遥感信息协同的积雪参数反演方法，利用Terra和Aqua两种数据源的绿光波段和短波红外计算归一化植被/雪被指数，结合近红外波段和绿光波段得到最初阶段雪盖反演结果，对雪盖反演结果做多时相协同去云处理，协同多时相微波数据生成最终雪盖反演产品；利用被动微波数据反演雪深，取雪深大于5cm为有效值结合微波积雪分类图多时相协同，雪深小于或等于5cm的像素值用光学数据反演结果表示并结合光学积雪分类图提高反演精度，将微波反演与光学反演结果协同生成最终雪深反演产品。本发明的有益效果为：积雪参数反演的精度和完整度高，对雪深小于或等于5厘米的反演，发明光学数据反演公式，弥补了对浅雪区反演的空白。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种多元遥感信息协同的积雪参数反演方法。
背景技术
积雪是地表最为活跃的自然要素之一，具有季节性强、分布广、反照率高的特点，其特征如积雪覆盖(以下简称雪盖)、积雪深度(以下简称雪深)等是研究气候变化、地表辐射平衡、水文循环等的一个重要因子，也是全球水能平衡模型中的主要输入参数，其中雪盖和雪深是最为重要的积雪参数。雪盖、雪深是气候变化的敏感指示器，任何时间和空间尺度的气候变化都伴随着不同规模的积雪波动，从积雪信息可以预测气候变化趋势。因此积雪监测对于研究全球和区域的气候变化及其对生态环境的影响等具有重要意义。
目前，使用较广的雪盖提取方法主要有三种：亮度阈值法、雪盖指数法以及监督分类法，使用的光学数据源以MODIS(modis是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用modis数据。)为主，MODIS具有波谱宽、通道窄、高时空分辨率的优点，其应用范围更广。归一化积雪指数指数(NormalizedDifference Snow Index，NDSI)已经成为应用最广泛的雪盖反演方法，该方法可以消除地形阴影和部分云层的影响。但是仅利用光学遥感资料精确区分厚云和雪是比较困难的，并且也很难获取云下尤其是厚云下的地表信息，不能判断云覆盖区的雪盖状况。具有云穿透功能的微波传感器如SMMR、SSM/I、AMSR-E在积雪信息提取领域有着独特的优势，它可以全天候穿透云层获取地表信息，但由于分辨率较低，故主要用来进行大范围的积雪监测。
积雪深度反演主要采用微波遥感技术，也有少量利用光学遥感数据反演雪深的研究。积雪深度反演应用最为广泛的方法为基于SMMR数据的雪深反演“亮温梯度”计算公式，该方法已被用于全球雪深反演研究中，但是该反演方法只适用于深雪区，对于浅雪区的反演方法，目前还属于空白。
常用的积雪参数反演方法大多是基于单源遥感数据的，并没有结合各种数据源的优势。对于雪盖这一参数，目前的反演方法主要是利用光学遥感数据，难以精确区分厚云与雪，并且无法判断云下的积雪覆盖状况；对于雪深这一参数的反演，目前主要使用的是被动微波数据，然而当雪深小于5cm时存在较大误差。
发明内容
本发明的目的是提供一种多元遥感信息协同的积雪参数反演方法，以克服目前现有技术存在的上述不足。
本发明的目的是通过以下技术方案来实现：
一种多元遥感信息协同的积雪参数反演方法，包括以下步骤：
1)对包含Terra/MODIS和Aqua/MODIS两种数据源的光学数据中的绿光波段和短波红外进行归一化植被指数NDVI和归一化雪被指数NDSI计算，设定MODIS反射率产品积雪信息提取的规则，并基于MODIS的反射率产品MOD09GA、MYD09GA，分别得到积雪提取结果MOD_Snow和MYD_Snow；
2)融合积雪提取结果MOD_Snow以及MOD10A1雪盖产品中的云信息，得到上午星的雪、云、陆地分布结果MOD；融合NDSI的积雪提取结果MYD_Snow与MYD10A1雪盖产品中的云信息，得到下午星的雪、云、陆地分布结果MYD；利用不同时相的MOD和MYD的积雪判别结果，融合得到合成积雪图像MOYD；
3)利用被动微波数据的雪水当量产品SWE得到雪盖图像AE_Snow；利用多时相协同，融合研究日以及前一日和后一日的影像，得到合成积雪图像AMSR_Snow；
4)基于被动微波数据，初步计算雪深值，其计算公式如下：
SD＝0.868×(T19H-T37H)-2.130
其中，SD表示积雪深度，单位为cm；T19H和T37H分别表示19和37GHz水平极化亮度温度数据，与雪盖图像AE_Snow融合，AE_Snow中地表类型不为积雪的像元的雪深值赋为0，分类图中为异常区的像元的雪深值赋为255，表示像元异常，其雪深值需结合相邻时相的雪深反演结果进行判别；
5)用光学数据MODIS的第一波段到第七波段与实测雪深值回归分析，模拟各个波段与雪深值的相关性得到实际相关波段；对相关波段曲线模拟得到光学反演公式；以及
6)根据多时相的微波反演结果中积雪深度是否大于5cm分为深雪区和浅雪区，其中浅雪区和异常区的雪深值取多时相MODIS融合雪深值，而深雪区则保留多时相AMSR-E亮温数据反演的雪深融合结果。
进一步的，步骤2)完成后进行去云处理：根据积雪与云的主要差别，结合临近日的合成积雪图像MOYD，得到多时相的MODIS雪盖融合图像MODIS_Snow，MODIS_Snow中将积雪合成图像AMSR_Snow融合，对云下积雪信息进行协同补充。
进一步的，所述AMSR_Snow和MODIS_Snow的融合规则为：若MODIS_Snow中相应像元值为异常值或云的，则将AMSR_Snow相应像元值赋给融合图像MDAE的相应像元，否则MDAE保留MODIS_Snow的像元值。
进一步的，步骤4)中异常区的雪深值结合相邻时相的雪深反演结果进行判断的具体方法包括：，在当日影像的异常区，判断前一日与后一日的遥感影像的地物类型是否相同，若地物类型相同，那么异常区的具体融合规则如下：地物类型均为积雪，则取相应像元的雪深平均值作为当日影像的雪深值；地物类型均为异常区，则通过空间插值方法获得雪深信息；地物类型均为陆地、水体或冰层，则将当日影像的雪深值赋为0；将微波数据反演雪深值取大于5厘米为有效值。
本发明的有益效果为：应用多时相协同，去除云、裂缝等影响，提高积雪参数反演的精度和完整度，应用多种数据源的协同，发挥每种数据源的优势，提高积雪参数反演的精度，对于雪深小于或等于5厘米的反演，发明了光学数据反演公式，弥补了对于浅雪区反演的空白。
附图说明
下面根据附图对本发明作进一步详细说明。
图1是本发明实施例所述的一种多元遥感信息协同的积雪参数反演方法中雪盖参数反演的流程图；
图2是本发明实施例所述的一种多元遥感信息协同的积雪参数反演方法中雪深参数反演的流程图；
图3是一种现有的雪盖反演产品图；
图4是利用本发明实施例所述的一种多元遥感信息协同的积雪参数反演方法得到的一种雪盖反演产品图；
图5是一种现有的雪深反演产品图；
图6是利用本发明实施例所述的一种多元遥感信息协同的积雪参数反演方法得到的一种雪深反演产品图。
具体实施方式
如图1所示：
一、雪盖反演
步骤1：设定MODIS反射率产品积雪信息提取的规则：
B2>0.11
B4>0.1
NDVI>0.1，0<NDSI<0.35或者NDVI≤0.1，NDSI≥0.35
基于MODIS的反射率产品MOD09GA、MYD09GA，利用以上积雪信息提取规则，可以分别得到积雪提取结果MOD_Snow和MYD_Snow。
步骤2：融合NDSI的积雪提取结果MOD_Snow以及MOD10A1雪盖产品中的云信息，得到上午星的雪、云、陆地分布结果MOD。MYD_Snow与MYD10A1雪盖产品中的融合规则与之相同，得到下午星的雪、云、陆地分布结果MYD。利用不同时相的MOD和MYD的积雪判别结果，可避免影像裂缝缺值的情况，融合得到MOYD。
为了尽量消除云的影响，避免云雪混淆的情况，并最大可能获得云下地表信息，根据积雪与云的主要差别，即积雪相对固定，而云不断运动，结合临近日的合成积雪图像MOYD，得到多时相的MODIS雪盖融合图像MODIS_Snow。
步骤3：利用被动微波数据的雪水当量产品(SWE)得到雪盖图像AE_Snow
SWE＝K7[(ATUNDRA)(H19-H37)]+K8(AW)(Ta)+K9
其中，Ta为气温，ATUNDRA和AW表示水体和冻原在像元内的比例。
利用多时相协同，融合研究日以及前一日、后一日的影像，得到不受影像裂缝影响的合成积雪图像AMSR_Snow。
步骤4：MODIS积雪合成图像MODIS_Snow中，云下积雪信息需要利用AMSR-E的积雪合成图像AMSR_Snow进行协同补充。MODIS_Snow和AMSR_Snow的融合规则：若MODIS_Snow中相应像元值为异常值或云的，则将AMSR_Snow相应像元值赋给融合图像MDAE的相应像元，否则MDAE保留MODIS_Snow的像元值。
如图2所示：
二、雪深反演
步骤1：基于被动微波数据，初步计算雪深值，用公式表达为：
SD＝0.868×(T19H-T37H)-2.130
其中：SD表示积雪深度(单位：cm)，T19H和T37H分别表示19和37GHz水平极化亮度温度数据，与雪盖图像AE_Snow融合，AE_Snow中地表类型不为积雪的像元(包括陆地、水体、冰)的雪深值赋为0；分类图中为异常区的像元的雪深值赋为255，表示像元异常，其雪深值需要结合相邻时相的雪深反演结果进行判别。在当日影像的异常区，判断前一日与后一日的遥感影像的地物类型是否相同，若地物类型相同，那么异常区的具体融合规则如下：地物类型均为积雪，则取相应像元的雪深平均值作为当日影像的雪深值；地物类型均为异常区，则通过空间插值方法获得雪深信息；地物类型均为陆地、水体或者冰层，则将当日影像的雪深值赋为0(无积雪)。将微波数据反演雪深值取大于5厘米为有效值。
步骤2：利用光学数据MODIS的第一波段到第七波段与实测雪深值回归分析，模拟各个波段与雪深值得相关性。相关性是统计学中的一个重要名词，用来定量化描述变量之间联系紧密度。无相关就无回归，相关程度越高回归越好。
Pearson相关系数(r)为结果可信度的一个递减标准，是用来描述两个定距变量之间的线性关系。Pearson相关系数属于积差相关系数的一种，其计算公式如下：
xiyi为第i个样本的两个变量值(属性值)，N为样本个数。
Pearson相关系数(r)的范围为-1～1，正相关时r>0，负相关时r<0，绝对值越大则相关度越高.
P值(显著性)的计算公式为：
P＝2[1-Φ(z0)]当被测假设H1为p不等于p0时；
P＝1-Φ(z0)当被测假设H1为p大于p0时；
P＝Φ(z0)当被测假设H1为p小于p0时；
其中，Φ(z0)要查表得到，
p0为缺少的假设满意度，P值越小，显著性水平越高，通常认为P值小于0.05为显著相关，P值小于0.01为极显著相关。
通过分析相关系数和P值得到雪深的实际相关波段为第一波段至第五波段，通过对这五个波段的曲线模拟得到最终的光学反演公式：
SD＝13.047×B13-0.403×B12-26.779×B1-7.448×B23
+0.132×B22+14.929×B2-28.231×B33+14.597
×B32+29.865×B3+7.908×B43+6.400×B42
-22.567×B4+1.322×e(2.195×B5-1.394)+0.699
其中，SD表示雪深，B1～B5表示MODIS的第一波段到第五波段。结合MODIS积雪分类提取结果MOD，即将MODIS的积雪分类图MOD中地表类型不为积雪的像元(包括陆地、水体、海洋、湖冰)的雪深值赋为0；分类图中为异常区的像元(包括影像裂缝和云区)的雪深值赋为255，表示像元异常；进行多时相协同，在当日影像的裂缝区和云区，判断前一日与后一日的遥感影像的地物类型是否相同，若地物类型相同，那么异常区的具体融合规则如下：地物类型均为积雪，则取相应像元的雪深平均值作为当日影像的雪深值；地物类型均为异常区(裂缝区和云区)，则通过空间插值方法获得雪深信息；地物类型均为陆地、水体或者冰层，则将当日影像的雪深值赋为0(无积雪)。
步骤3：根据多时相的微波反演结果中积雪深度是否大于5cm分为深雪区和浅雪区，其中浅雪区和异常区的雪深值取多时相MODIS融合雪深值，而深雪区则保留多时相AMSR-E亮温数据反演的雪深融合结果。
如图3-6所示，对青藏高原地区的积雪反演进行了验证，对比了本方法所生成的反演产品与现有产品MOD10A1(由美国航空航天局制作)以及微波雪深产品。
如图3-4所示，雪盖对比结果显示，MOD10A1的云量为72.91％，异常区为0.07％；本发明所使用的多元遥感信息协同的积雪参数反演方法所生成的MDAE云量为1.05％，无异常区。
如图5-6所示，雪深对比结果显示，AE_SD中异常面积达到了50％以上；本发明所使用的多元遥感信息协同的积雪参数反演方法所生成的AEMD_SD中无异常区。利用2010年该地区93个气象站台的实测雪深数据进行验证，AE_SD的雪深平均误差为3.01cm，平均绝对误差为4.52cm，均方根误差为6.38cm；AEMD_SD的雪深平均误差为1.26cm，平均绝对误差为3.80cm，均方根误差为5.30cm，均优于AE_SD。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (4)
1.一种多元遥感信息协同的积雪参数反演方法，其特征在于，包括以下步骤：
1)对包含Terra/MODIS和Aqua/MODIS两种数据源的光学数据中的绿光波段和短波红外进行归一化植被指数NDVI和归一化雪被指数NDSI计算，设定MODIS反射率产品积雪信息提取的规则，并基于MODIS的反射率产品MOD09GA、MYD09GA，分别得到积雪提取结果MOD_Snow和MYD_Snow；
2)融合积雪提取结果MOD_Snow以及MOD10A1雪盖产品中的云信息，得到上午星的雪、云、陆地分布结果MOD；融合NDSI的积雪提取结果MYD_Snow与MYD10A1雪盖产品中的云信息，得到下午星的雪、云、陆地分布结果MYD；利用不同时相的MOD和MYD的积雪判别结果，融合得到合成积雪图像MOYD；
3)利用被动微波数据的雪水当量产品SWE得到雪盖图像AE_Snow；利用多时相协同，融合研究日以及前一日和后一日的影像，得到合成积雪图像AMSR_Snow；4)基于被动微波数据，初步计算雪深值，其计算公式如下：
SD＝0.868×(T19H-T37H)-2.130
其中，SD表示积雪深度，单位为cm；T19H和T37H分别表示19和37GHz水平极化亮度温度数据，与雪盖图像AE_Snow融合，AE_Snow中地表类型不为积雪的像元的雪深值赋为0，分类图中为异常区的像元的雪深值赋为255，表示像元异常，其雪深值需结合相邻时相的雪深反演结果进行判别；
5)用光学数据MODIS的第一波段到第七波段与实测雪深值回归分析，模拟各个波段与雪深值的相关性得到实际相关波段；对相关波段曲线模拟得到光学反演公式；以及
6)根据多时相的微波反演结果中积雪深度是否大于5cm分为深雪区和浅雪区，其中浅雪区和异常区的雪深值取多时相MODIS融合雪深值，而深雪区则保留多时相AMSR-E亮温数据反演的雪深融合结果。
2.根据权利要求1所述的一种多元遥感信息协同的积雪参数反演方法，其特征在于，步骤2)完成后进行去云处理：根据积雪与云的差别，结合临近日的合成积雪图像MOYD，得到多时相的MODIS雪盖融合图像MODIS_Snow，MODIS_Snow中将积雪合成图像AMSR_Snow融合，对云下积雪信息进行协同补充。
3.根据权利要求2所述的一种多元遥感信息协同的积雪参数反演方法，其特征在于，所述AMSR_Snow和MODIS_Snow的融合规则为：若MODIS_Snow中相应像元值为异常值或云的，则将AMSR_Snow相应像元值赋给融合图像MDAE的相应像元，否则MDAE保留MODIS_Snow的像元值。
4.根据权利要求1所述的一种多元遥感信息协同的积雪参数反演方法，其特征在于，步骤4)中异常区的雪深值结合相邻时相的雪深反演结果进行判断的具体方法包括：在当日影像的异常区，判断前一日与后一日的遥感影像的地物类型是否相同，若地物类型相同，那么异常区的具体融合规则如下：地物类型均为积雪，则取相应像元的雪深平均值作为当日影像的雪深值；地物类型均为异常区，则通过空间插值方法获得雪深信息；地物类型均为陆地、水体或冰层，则将当日影像的雪深值赋为0；将微波数据反演雪深值取大于5厘米为有效值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410204262.XA CN103984862B (zh) | 2014-05-15 | 2014-05-15 | 一种多元遥感信息协同的积雪参数反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410204262.XA CN103984862B (zh) | 2014-05-15 | 2014-05-15 | 一种多元遥感信息协同的积雪参数反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103984862A CN103984862A (zh) | 2014-08-13 |
| CN103984862B true CN103984862B (zh) | 2017-11-24 |
Family
ID=51276830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410204262.XA Expired - Fee Related CN103984862B (zh) | 2014-05-15 | 2014-05-15 | 一种多元遥感信息协同的积雪参数反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103984862B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657952B (zh) * | 2015-03-03 | 2017-04-12 | 武汉大学 | 一种结合时空信息的遥感逐日积雪产品去云方法 |
| CN106446312A (zh) * | 2015-08-10 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于多源卫星多光谱遥感数据的过火面积估算方法及系统 |
| CN105529740B (zh) * | 2016-01-28 | 2018-06-29 | 云南电网有限责任公司电力科学研究院 | 一种风电场以及风电场并网处的闪变评估方法和系统 |
| CN105893744A (zh) * | 2016-03-29 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
| CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
| CN106021655B (zh) * | 2016-05-09 | 2019-04-05 | 南京大学 | 一种积雪中黑碳浓度的遥感估算方法 |
| CN106127717B (zh) * | 2016-06-15 | 2019-04-30 | 中国科学院遥感与数字地球研究所 | 一种基于modis逐日积雪覆盖图像的去云方法及装置 |
| CN106777975A (zh) * | 2016-12-15 | 2017-05-31 | 华北电力大学 | 一种输电线路走廊雪深监测预警方法 |
| CN108510097B (zh) * | 2017-02-27 | 2021-06-25 | 国网山西省电力公司 | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 |
| CN108053440B (zh) * | 2017-12-27 | 2020-04-14 | 中国科学院遥感与数字地球研究所 | 一种对逐日积雪覆盖率图像处理的方法 |
| CN111881567B (zh) * | 2020-07-22 | 2021-03-12 | 中国水利水电科学研究院 | 一种水冰雪反照率参数化通用模型的构建方法 |
| CN111950156B (zh) * | 2020-08-17 | 2024-04-09 | 清华大学 | 雪水当量确定方法、装置、计算机设备和存储介质 |
| CN112052589B (zh) * | 2020-09-03 | 2024-07-16 | 兰州交通大学 | 基于modis逐日积雪产品的积雪覆盖比例的估算方法和装置 |
| CN112130174B (zh) * | 2020-09-30 | 2022-10-18 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
| CN112749494B (zh) * | 2021-01-25 | 2021-12-17 | 中国科学院空天信息创新研究院 | 一种动态积雪深度的获取方法 |
| CN112784419B (zh) * | 2021-01-25 | 2021-12-31 | 中国科学院空天信息创新研究院 | 一种提取积雪层相关长度的方法 |
| CN112800379B (zh) * | 2021-01-26 | 2024-03-26 | 国家能源集团新疆吉林台水电开发有限公司 | 一种modis遥感积雪信息的处理方法和装置 |
| CN114494864B (zh) * | 2022-01-17 | 2022-12-27 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034337B (zh) * | 2009-09-25 | 2014-04-30 | 中国农业科学院农业资源与农业区划研究所 | 草原雪灾遥感监测与灾情评估系统及方法 |
| CN101799561B (zh) * | 2010-02-05 | 2011-09-21 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
| CN102708277B (zh) * | 2012-04-06 | 2016-08-03 | 中国科学院对地观测与数字地球科学中心 | 基于蚁群算法的积雪深度反演设计方法 |
-
2014
- 2014-05-15 CN CN201410204262.XA patent/CN103984862B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103984862A (zh) | 2014-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103984862B (zh) | 一种多元遥感信息协同的积雪参数反演方法 | |
| Huemmrich | The GeoSail model: a simple addition to the SAIL model to describe discontinuous canopy reflectance | |
| Swinfield et al. | Imaging spectroscopy reveals the effects of topography and logging on the leaf chemistry of tropical forest canopy trees | |
| Baik et al. | Assessment of satellite-and reanalysis-based evapotranspiration products with two blending approaches over the complex landscapes and climates of Australia | |
| CN104077475B (zh) | 一种基于多算法集成的全球陆表蒸散估算系统及方法 | |
| Song et al. | The spectral/temporal manifestation of forest succession in optical imagery: The potential of multitemporal imagery | |
| Nunes et al. | Changes in leaf functional traits of rainforest canopy trees associated with an El Niño event in Borneo | |
| Zhou et al. | Evaluation of regional climate simulations over the CORDEX-EA-II domain using the COSMO-CLM model | |
| Ma et al. | Transpiration and evaporation in a Californian oak-grass savanna: Field measurements and partitioning model results | |
| CN106485345A (zh) | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 | |
| CN104199027A (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
| Jia et al. | Remote sensing of variation of light use efficiency in two age classes of Douglas-fir | |
| CN110544236A (zh) | 基于时间序列卫星影像的珊瑚礁白化遥感监测方法 | |
| Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
| CN111879915A (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| Sun et al. | Spatiotemporal variation of plant diversity under a unique estuarine wetland gradient system in the Yellow River Delta, China | |
| Zhang et al. | Developing a method to estimate maize area in north and northeast of China combining crop phenology information and time-series MODIS EVI | |
| Li et al. | Spatiotemporal variations in remote sensing phenology of vegetation and its responses to temperature change of boreal forest in tundra-taiga transitional zone in the Eastern Siberia | |
| Chen et al. | Lidar calibration and validation for geometric-optical modeling with Landsat imagery | |
| Li et al. | Decomposition of long time-series fraction of absorbed photosynthetically active radiation signal for distinguishing heavy metal stress in rice | |
| CN103413289B (zh) | 矿区图像处理方法及装置 | |
| Huang et al. | Modeling spatially explicit fire impact on gross primary production in interior Alaska using satellite images coupled with eddy covariance | |
| Potapov et al. | Gross forest cover loss in temperate forests: Biome-wide monitoring results using MODIS and Landsat data | |
| Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
| Mac Arthur et al. | Calluna vulgaris foliar pigments and spectral reflectance modelling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| 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: 20171124 Termination date: 20190515 |