CN104483271B - 光学反射模型与微波散射模型协同的森林生物量反演方法 - Google Patents
光学反射模型与微波散射模型协同的森林生物量反演方法 Download PDFInfo
- Publication number
- CN104483271B CN104483271B CN201410799878.6A CN201410799878A CN104483271B CN 104483271 B CN104483271 B CN 104483271B CN 201410799878 A CN201410799878 A CN 201410799878A CN 104483271 B CN104483271 B CN 104483271B
- Authority
- CN
- China
- Prior art keywords
- microwave
- model
- optical
- optics
- forest
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种光学反射模型与微波散射模型协同的森林生物量反演方法,包括1)通过对比光学与微波辐射传输模型的异同,构建光学与微波辐射传输协同模型;2)基于单木生长模型、光学与微波辐射传输协同模型,构建森林的光学二向反射和微波后向散射特征数据库及相应的森林地上生物量参数库;3)基于光学与微波协同模拟数据库,分别构建生物量反演的单源光学模型与单源微波模型;4)通过光学与微波关键因子的敏感性分析,确定协同模型中光学与微波数据各自所占权重,从而构建AGB反演的光学微波协同模型。本发明将光学遥感数据与微波遥感数据相结合,充分发挥两者反演生物量的优势,有效提高了森林地上生物量的定量反演精度。
Description
技术领域
本发明涉及一种反演方法,具体来说,涉及一种光学反射模型与微波散射模型协同的森林生物量(AGB)反演方法。
背景技术
森林地上生物量对于森林生态系统固碳能力和碳储量有重要的指示作用,在国际地圈-生物圈研究计划(IGBP)中,碳循环被确定为全球变化和陆地生态系统(GCTE)等计划的重要研究内容。因此,森林地上生物量的准确提取对于全球变化及陆地生态系统研究具有重要意义。
以人工采样测量为主要技术手段的传统森林地上生物量监测方法存在费时费力,受干扰因素多,估算精度低等缺点,很难大范围、高效率和实时地进行常规测量。而遥感技术由于其宏观动态实时多源的特点,已在森林地上生物量研究中蓬勃开展。其中,光学与微波遥感在森林地上生物量监测中发挥着重要作用。尽管国内外众多学者已经运用光学与微波遥感技术对森林地上生物量反演进行了大量研究,但由于光学与微波遥感自身的局限性,生物量定量反演的精度仍难以达到行业应用的需求。一方面,光学遥感在获取生物量参数信息时,不但要受到云、雨、雪等天气现象的影响,而且当植被比较茂密时,光学遥感获得的植被反射波谱信息出现饱和。另一方面,当植被覆盖度比较低时,微波遥感受地表土壤含水量、粗糙度等影响显著。由于微波遥感具有穿透性强、无昼夜性、受天气影响小等优势,尤其在植被比较浓密的区域,微波遥感能够很好的监测植被生物量信息;在非浓密植被区域,光学遥感能够有效的获取植被光谱信息。因此,针对目前生物量精准定量反演的迫切需求以及当前技术方法存在的局限性,有效结合光学与微波遥感提取生物量,是利用多源遥感数据提取生物量参数的一种新尝试。
随着数据融合和数据同化技术的发展,将光学与微波辐射传输模型进行协同也是生物量精准定量反演的新尝试。光学和微波辐射传输模型模拟了电磁波和植被相互作用的原理与过程,基于光学和微波的辐射传输模型协同来构建生物量参数协同反演模型,不但可以为森林地上生物量反演提供模型基础,而且可以为充分利用多源遥感信息反演森林地上生物量提供理论指导。但是如何协同光学与微波辐射传输模型来构建生物量协同反演模型,是摆在众多研究者面前的一道难题。
发明内容
对此,本发明提出了一种光学反射模型与微波散射模型协同的森林生物量反演方法。不同于以往的反演方法,本发明首先构建一种基于统一植被土壤场景的光学PROSAIL与微波MIMICS协同模型;然后通过对不同植被场景的大量模拟,构建森林的光学二向反射和微波后向散射特征模拟数据库;根据模拟数据库,分别构建生物量反演的光学模型和微波模型,并确定协同反演模型中光学与微波数据各自所占权重,从而构建生物量反演的光学微波协同反演模型。
本发明所采用的技术方案是一种光学反射模型与微波散射模型协同的森林生物量反演方法,包括以下步骤:
1)从辐射传输理论出发,通过对比光学与微波辐射传输模型的异同,构建一种基于统一植被土壤场景的光学与微波辐射传输协同模型;
2)基于单木生长模型、光学与微波协同辐射传输模型,通过对不同植被场景的大量模拟,构建森林的光学二向反射和微波后向散射特征数据库及相应的AGB参数库;
3)基于光学与微波协同模拟数据库,通过光学特征植被指数、微波后向散射系数与AGB的敏感性分析及统计回归,分别构建生物量反演的单源光学模型与单源微波模型;
4)通过光学与微波关键因子的敏感性分析,确定协同模型中光学与微波数据各自所占权重,从而构建AGB反演的光学微波协同模型。
而且,步骤1)中,光学辐射传输模型为PROSAIL模型,微波辐射传输模型为MIMICS模型。
而且,步骤1)中,主要对比分析光学PROSAIL模型与微波MIMICS模型在植被冠层结构描述、输入参数以及辐射传输机制方面的异同。
而且,步骤1)中,光学与微波辐射传输模型是通过统一二者的叶片含水量、土壤含水量及冠层结构参数进行协同的。
而且,步骤2)中,基于内蒙古根河研究区森林的地面观测数据,利用回归方法得到树高-胸径,树高-冠层厚度,树高-冠幅之间的经验关系,从而构建单木生长模型。
而且,步骤3)中,选取的光学特征植被指数为MSAVI、TVI、NDVI、RVI和EVI,其计算公式如下:
式中,NIR、R、G、B分别为近红外波段、红光波段、绿光波段和蓝光波段的反射率。
而且,步骤3)中,选取的微波频率极化方式为C波段和L波段的VV、HH和VH极化,以及频率极化组合:C-HH/C-VH,L-HH/C-VH和L-HH/C-HH。
而且,步骤4)中,选取的光学与微波关键因子分别为NDVI植被指数与C波段VH极化后向散射系数。
而且,步骤4)中,AGB反演的光学微波协同模型如下式:
AGB=(a×Index+b)×f(α)+(1-(a×Index+b))×f(β)
f(α)为光学反演模型,α为光学敏感因子;f(β)为微波反演模型,β为微波敏感因子;a和b为权重调整因子;Index为光学敏感植被指数。
本发明提出了一种光学与微波辐射传输模型协同的方法,即通过对两个模型输入参数的统一,实现二者模拟植被场景的统一。该方法可为分析地表参数在光学与微波波段信息传输机制提供基础理想数据,为发展光学与微波协同反演算法提供导向信息支持。
本发明在构建光学与微波协同反演生物量模型时,提出了一种确定光学数据与微波数据各自权重的方法。即通过分析光学、微波遥感数据对生物量的敏感性,定量化两数据源对生物量参数信息量的贡献程度,揭示两者协同的机制。
本发明以光学与微波的模型协同和联合模拟为主要技术手段,对不同植被场景下可见光反射和微波散射特性联合模拟,构建基于光学与微波数据协同的生物量遥感反演模型,体现了光学与微波在反演上的互补效果,有效提高了森林地上生物量定量反演的精度。
附图说明
图1为本发明的流程图;
图2为本发明利用协同反演技术得到的内蒙古根河研究区森林地上生物量;
图3为本发明利用内蒙古根河研究区地面实测样点数据对协同反演算法估算结果的验证。
具体实施方式
具体实施时,本发明技术方案所提供流程可由本领域技术人员采用计算机软件技术实现自动运行。为了更好地理解本发明的技术方案,下面结合附图和实施例对本发明做进一步的详细说明。
参见图1,本发明实施例包括以下步骤:
1.光学与微波辐射传输模型协同
首先,通过对比光学PROSAIL模型和微波MIMICS模型在冠层结构描述,输入参数以及冠层散射机制三方面的异同,认为利用PROSAIL模型和MIMICS模型进行光学和微波辐射传输模型协同是可行的。然后通过构建统一的植被土壤场景来协同光学与微波辐射传输模型,具体包括统一二者的叶片含水量、土壤含水量及冠层结构参数,其中叶片含水量通过公式(1)进行统一:
Cw=SLW*Gmcleaf (1)
式中Cw为PROSPECT模型中的叶片含水量(单位叶片面积内水分的含量),Gmcleaf为MIMICS模型中的叶片含水量(重量含水量),SLW为比叶重,即单位叶面积的叶片重量。
对于土壤含水量,在MIMICS模型中,是指体积含水率,与土壤的光学反射率模型中的重量含水率需要通过土壤容重转换。在观测试验中,通过环刀取土的方式测量了同步试验区土壤的容重为1.01g/cm3。在模型协同时,以该值作为参考进行土壤体积含水率和重量含水率的转换。
叶片的空间分布对冠层的光学反射与微波后向散射均有重要的影响。本发明采用简单Beta分布函数来表达两个模型中叶片倾角的分布,实现叶片空间分布对光学反射和微波散射特征影响因素的统一。另一个重要的冠层结构参数是叶面积指数(LAI)。MIMICS模型将LAI细化为冠层厚度(H)、叶片直径(Dleaf)和叶片体密度(Nleaf),故两个模型中LAI通过公式(2)进行统一。
2.构建光学与微波协同模拟数据库
基于内蒙古根河研究区域森林的地面观测数据,对试验区域按林分密度进行了4个等级的划分,每个林分等级内,利用回归方法得到树高-胸径、树高-冠层厚度以及树高-冠幅之间的经验关系,从而构建了单木生长模型。基于单木生长模型和第一步中构建的光学与微波辐射传输协同模型,模拟不同植被土壤场景下森林的光学二向反射(400-2500nm)和微波后向散射特征(C波段和L波段VV、VH、HV、HH极化后向散射系数,其中VH和VH极化后向散射系数相等)数据库及相应的AGB参数库。
3.构建AGB光学微波协同反演模型
(1)构建AGB单源光学反演模型
基于光学模拟数据库中不同生物量条件下的冠层反射率数据,分析出受生物量变化影响显著的波段。考虑到受生物量变化影响显著的因子以及常用的光学植被指数,选取了MSAVI、TVI、NDVI、RVI和EVI植被指数与AGB进行敏感性分析,其数学表达式见公式(3)-(7)。
式中,NIR、R、G、B分别为近红外波段、红光波段、绿光波段和蓝光波段的反射率,具体实施时,NIR、R、G、B分别取780nm、670nm、550nm和470nm波长处的反射率值。
通过建立散点图的方式对以上5种植被指数与AGB进行敏感性分析,经分析发现,MSAVI和NDVI分别为对AGB第一和第二敏感的植被指数。将MSAVI、NDVI分别与AGB进行线性统计回归,通过对比两个回归模型的判定系数R2和均方根误差RMSE,最终选择NDVI与AGB的线性回归模型作为AGB的单源光学反演模型。
(2)构建AGB单源微波反演模型
基于微波模拟数据库,将C波段和L波段的VV、HH和VH极化后向散射系数分别与AGB进行敏感性分析,敏感性分析同样是通过建立散点图的方式。由于不同频率极化的比值能够增强微波后向散射系数对AGB的响应,因此选择对AGB敏感的频率极化进行比值组合,组合形式为C-HH/C-VH,L-HH/C-VH和L-HH/C-HH。通过三种比值组合分别与AGB的敏感性分析,并考虑到覆盖研究区的微波数据RADARSAT-2工作在C波段,因此选择了敏感性次之的C-HH/C-VH组合与AGB进行线性统计回归得到单源微波反演模型。
(3)确定光学与微波数据的权重
不同植被场景下,光学与微波数据对AGB的敏感性不同,即二者对AGB反演的“信息贡献度”不同,本发明通过分析光学和微波关键因子的敏感性与AGB的关系来确定二者在协同模型中各自的权重。
光学与微波关键因子分别选择经典植被指数NDVI和C波段的VH极化后向散射系数。为了使NDVI和C-VH具有可比性,首先需要统一量纲,将二者进行归一化,归一化的数学表达式见公式(8)。
式中xi为在第i种植被场景下,光学(或微波)关键因子NDVI(或C-VH)的值;yi是相应的归一化值;xmin和xmax分别为光学(或微波)关键因子NDVI(或C-VH)的最小值和最大值。
然后,基于光学模拟数据库,对一定林分密度等级下,NDVI敏感性随AGB的变化进行分析;同理,基于微波模拟数据库,分析一定林分密度等级下C波段VH极化后向散射系数的敏感性随AGB的变化。其中,敏感性的数学表达式见公式(9)。
Sensitivity=|yi+1-yi| (9)
式中yi为在第i种植被场景下,光学(或微波)关键因子NDVI(或C-VH)归一化后的值。
根据光学和微波关键因子的敏感性与AGB的关系分析结果,在某一AGB条件下,光学(或微波)数据所占权重可以用公式(10)来表示:
OWi=OSi/(OSi+MSi) (10)
OWi+MWi=1 (11)
式中OWi为光学数据在某一AGB条件下所占权重,MWi为相应的微波数据权重;OSi和MSi分别为光学关键因子NDVI和微波关键因子C-VH的敏感性值,其计算公式见公式(9)。
为了获得光学(或微波)数据权重计算的表达式,本发明将各AGB条件下的光学权重与其对应的NDVI值进行统计回归,最终得到了用NDVI表示的光学数据权重,用1减去光学权重即为微波数据权重,从而,AGB的光学微波协同反演模型构建完成,其数学表达式见公式(12):
AGB=(a×Index+b)×f(α)+(1-(a×Index+b))×f(β) (12)
式中f(α)为光学反演模型,α为光学敏感因子;f(β)为微波反演模型,β为微波敏感因子;a和b为权重调整因子;Index为光学植被指数NDVI。
图2为基于本发明提出的光学微波协同反演模型估算的内蒙古根河研究区的AGB结果。
我们对内蒙古根河研究区一些样点内单株树木的树高、叶面积指数、胸径、冠幅等参数进行了测量,根据参数测量结果及AGB计算公式,得到了各样点单位面积的AGB,作为AGB的地面实测值。为了验证本发明提出的光学微波协同反演模型,将协同反演模型估测结果与地面实测AGB进行对比,并将单源光学反演模型与单源微波反演模型估测结果与本发明提出的协同反演结果进行对比,进一步对协同反演模型进行验证。客观评价指标选取平均相对误差(ARE)、均方根误差(RMSE)和反演精度(M),其数学表达式见公式(13)-(15)。
式中Yi是第i个样点的AGB实测值;Xi是对应的第i个样点的AGB估测值;n为样点个数。
验证结果如图3和表1所示,其中协同反演方法的效果最好,平均相对误差为12.39%,均方根误差为16.39,反演精度为84.5%,表明光学和微波数据协同能够发挥两者AGB反演的各自优势,提高反演精度。
表1
反演模型 | 平均相对误差 | 均方根误差 | 反演精度 |
协同反演模型 | 12.39% | 16.39 | 84.50% |
单源光学反演模型 | 24.83% | 25.36 | 76.02% |
单源微波反演模型 | 36.99% | 45.83 | 56.67% |
Claims (9)
1.一种光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于,包括以下步骤:
1)从辐射传输理论出发,通过对比光学与微波辐射传输模型的异同,构建一种基于统一植被土壤场景的光学与微波辐射传输协同模型;
2)基于单木生长模型、光学与微波辐射传输协同模型,通过对不同植被场景的大量模拟,构建森林的光学二向反射和微波后向散射特征数据库及相应的森林地上生物量AGB参数库;
3)基于光学二向反射和微波后向散射特征数据库及森林AGB参数库,通过光学特征植被指数、微波后向散射系数与AGB的敏感性分析及统计回归,分别构建生物量反演的单源光学模型与单源微波模型;
4)通过光学与微波关键因子的敏感性分析,确定协同模型中光学与微波数据各自所占权重,从而构建AGB反演的光学微波协同模型。
2.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤1)中,光学辐射传输模型为PROSAIL模型,微波辐射传输模型为MIMICS模型。
3.根据权利要求2所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤1)中,对比分析光学PROSAIL模型与微波MIMICS模型在植被冠层结构描述、输入参数以及辐射传输机制方面的异同。
4.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤1)中,光学与微波辐射传输模型是通过统一二者的叶片含水量、土壤含水量及冠层结构参数进行协同的。
5.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤2)中,基于内蒙古根河研究区森林的地面观测数据,利用回归方法得到树高-胸径、树高-冠层厚度和树高-冠幅之间的经验关系,构建单木生长模型。
6.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤3)中,选取的光学特征植被指数包括MSAVI、TVI、NDVI、RVI和EVI,其计算公式如下:
式中,NIR、R、G、B分别为近红外波段、红光波段、绿光波段和蓝光波段的反射率。
7.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤3)中,选取的微波频率极化方式为C波段和L波段的VV、HH和VH极化,以及频率极化组合:C-HH/C-VH,L-HH/C-VH和L-HH/C-HH。
8.根据权利要求1所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤4)中,选取的光学与微波关键因子分别为NDVI植被指数与C波段VH极化后向散射系数。
9.根据权利要求1—8中任意一项所述的光学反射模型与微波散射模型协同的森林生物量反演方法,其特征在于:所述步骤4)中,AGB反演的光学微波协同模型如下式:
AGB=(a×Index+b)×f(α)+(1-(a×Index+b))×f(β)
其中,f(α)为光学反演模型,α为光学敏感因子;f(β)为微波反演模型,β为微波敏感因子;a和b为权重调整因子;Index为光学敏感植被指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410799878.6A CN104483271B (zh) | 2014-12-19 | 2014-12-19 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410799878.6A CN104483271B (zh) | 2014-12-19 | 2014-12-19 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104483271A CN104483271A (zh) | 2015-04-01 |
CN104483271B true CN104483271B (zh) | 2017-02-22 |
Family
ID=52757840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410799878.6A Active CN104483271B (zh) | 2014-12-19 | 2014-12-19 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104483271B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303295B (zh) * | 2015-09-23 | 2019-01-04 | 上海市园林科学规划研究院 | 基于生物量转换因子法估计区域尺度生物量的不确定性评估方法 |
CN105608293B (zh) * | 2016-01-28 | 2019-10-11 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN105841804B (zh) * | 2016-03-17 | 2018-02-02 | 北京大学 | 一种植被二向性反射一次散射贡献项的获取方法 |
US11475550B2 (en) * | 2017-07-18 | 2022-10-18 | Sony Group Corporation | Information processing apparatus, information processing method, program, and information processing system |
CN109615551A (zh) * | 2018-11-15 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 基于微波散射和冠层模拟的麦类作物叶面积指数反演方法 |
CN109765247B (zh) * | 2018-11-15 | 2021-06-08 | 中国农业科学院农业资源与农业区划研究所 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
CN110286103B (zh) * | 2019-05-08 | 2022-02-08 | 深圳市泰和安科技有限公司 | 一种环境介质感测方法及装置 |
CN113205475B (zh) * | 2020-01-16 | 2022-07-12 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN112362591B (zh) * | 2020-11-30 | 2023-03-14 | 江苏海洋大学 | 基于数字高程模型的植被反演的方法 |
CN112785590B (zh) * | 2021-02-09 | 2022-09-13 | 河北地质大学 | 一种基于双差值归一化的植被指数计算方法 |
CN112861435B (zh) * | 2021-02-09 | 2023-07-18 | 深圳大学 | 一种红树林质量遥感反演方法及智能终端 |
CN113865523A (zh) * | 2021-09-29 | 2021-12-31 | 中国科学院东北地理与农业生态研究所 | 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847832A (zh) * | 2005-04-11 | 2006-10-18 | 中国科学院遥感应用研究所 | 微波辐射计监测土壤水分的方法 |
CN101936877A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演大气水汽含量方法 |
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 |
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN103969268A (zh) * | 2014-04-04 | 2014-08-06 | 中国科学院华南植物园 | 地表土壤物理参数的被动微波遥感反演方法 |
-
2014
- 2014-12-19 CN CN201410799878.6A patent/CN104483271B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847832A (zh) * | 2005-04-11 | 2006-10-18 | 中国科学院遥感应用研究所 | 微波辐射计监测土壤水分的方法 |
CN101936877A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演大气水汽含量方法 |
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 |
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN103969268A (zh) * | 2014-04-04 | 2014-08-06 | 中国科学院华南植物园 | 地表土壤物理参数的被动微波遥感反演方法 |
Non-Patent Citations (3)
Title |
---|
我国的森林生物量研究;马炜等;《世界林业研究》;20091031;第22卷(第05期);全文 * |
森林生态系统生物物理参数遥感反演研究进展;陈新芳等;《生态学杂志》;20051231;第24卷(第09期);全文 * |
激光雷达技术及其在林业上的应用;庞勇等;《林业科学》;20050531;第41卷(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104483271A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
Jin et al. | A review of data assimilation of remote sensing and crop models | |
CN105608293B (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
Jin et al. | Estimation of maize yield by assimilating biomass and canopy cover derived from hyperspectral data into the AquaCrop model | |
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 | |
CN109884664A (zh) | 一种城市地上生物量光学微波协同反演方法及系统 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN102524024B (zh) | 基于计算机视觉的作物灌溉系统 | |
CN107024439A (zh) | 一种水稻不同生育期叶绿素含量高光谱估测方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
Guo et al. | Quantifying water and energy budgets and the impacts of climatic and human factors in the Haihe River Basin, China: 1. Model and validation | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN104020274A (zh) | 一种林地立地质量遥感量化估测的方法 | |
CN105740759A (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN108458978A (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
Rui et al. | Assimilation of remote sensing and crop model for LAI estimation based on ensemble Kaiman Filter | |
CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
CN106845428A (zh) | 一种作物产量遥感估算方法及系统 | |
Ji et al. | Crop yield estimation at field scales by assimilating time series of Sentinel-2 data into a modified CASA-WOFOST coupled model | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN115170341A (zh) | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 | |
CN107632967A (zh) | 一种草地产草量估算方法 | |
CN114529097A (zh) | 多尺度农作物物候期遥感降维预测方法 | |
LI et al. | Estimating rice yield by HJ-1A satellite images |
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 |