CN105321157A - 被动微波亮温数据降尺度方法和系统 - Google Patents
被动微波亮温数据降尺度方法和系统 Download PDFInfo
- Publication number
- CN105321157A CN105321157A CN201510902629.XA CN201510902629A CN105321157A CN 105321157 A CN105321157 A CN 105321157A CN 201510902629 A CN201510902629 A CN 201510902629A CN 105321157 A CN105321157 A CN 105321157A
- Authority
- CN
- China
- Prior art keywords
- data
- microwave
- pca
- temperature data
- region
- 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
Abstract
本申请提供了一种被动微波亮温数据降尺度方法和系统,所述方法包括:获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;以植被指数为基准将全球地表划分为多类区域;在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,将获得的m个主成分分量(PCA光学)重新采样到微波波段对应的像元尺度得到PCA微波;建立各微波波段的亮温数据与对应PCA微波的多元非线性回归关系;以PCA光学为自变量计算光学波段对应尺度的亮温数据。本申请通过上述实现被动微波亮温数据的降尺度,得到与光学数据易于融合的高分辨率被动微波亮温,可避免现有技术采用的量纲、参数物理性质差异对最后降尺度结果的不确定性影响。
Description
技术领域
本申请涉及遥感数据处理技术领域,特别地,涉及一种被动微波亮温数据降尺度方法和系统。
背景技术
光学遥感是指传感器的工作波段在光波段范围的遥感技术,以地球观测系统(EOS,EarthObservationSystem)常用的传感器--中分辨率成像光谱仪(MODIS,MODerateresolutionImagingSpectroradiometer)为例,MODIS有36个波段,在可见光及红外波段有250m、500m和1km三种空间分辨率。然而,由于MODIS只能工作在光学波段,难于穿透云层,只能获得晴空条件下的地表或大气数据。
微波遥感是传感器的工作波长在微波波谱区的遥感技术,是利用传感器接受地理各种地物发射或者反射的微波信号,藉以识别、分析地物,提取地物所需的信息。微波遥感的工作方式包括主动微波遥感(有源)和被动微波遥感(无源)。前者由传感器发射微波波束再接收由地面或空中物体反射或散射回来的回波,如侧视雷达等;后者接收地面或空中物体自身辐射的微波,如被动微波辐射仪(AMSR-E,AdvancedMicrowaveScanningRadiometer-EOS)等。微波遥感的突出优点是能够全天候监测地表及大气动态变化,不受云、雨、雾等天气状态的影响,可在夜间工作,同时,由于被动微波对地表水分特别敏感,可以用于区域或全球土壤湿度监测。然而,微波遥感数据的空间分辨率较低,一般在10km以上,严重限制了微波遥感数据在区域尺度上的应用,同时也使得其很难直接与分辨率高出10倍以上的光学遥感数据协同使用。
发明内容
本申请提供一种被动微波亮温数据降尺度方法,用于解决现有被动微波数据分辨率过低而限制其应用范围以及无法与高分辨率的光学遥感数据协同使用的问题。本申请还提供了一种被动微波亮温数据处理系统,以保证上述方法在实际中的应用。
本申请公开的一种被动微波亮温数据降尺度方法,包括:获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;其中,所述光学遥感数据包括植被指数、叶面积指数、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上光学波段的亮度数据;所述被动微波数据包括各微波波段的亮温数据;所述地表高程数据的分辨率与光学遥感数据相同;以所述植被指数为基准,将全球地表划分为2个以上类别的区域;在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;所述m为预设的主成分变换后需要保留的分量数;将上述获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;建立各微波波段的亮温数据与对应的m个PCA微波的多元非线性回归关系;根据上述多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
优选的,所述植被指数包括归一化植被指数NVDI、垂直植被指数PVI和增强型植被指数EVI;全球地表区域划分具体以NVDI为基准,采用以下方式划分为3个区域:NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
优选的,所述光学遥感数据为MODIS数据,所述被动微波遥感数据为AMSR-E亮温数据;所述MODIS数据的亮度数据包括9个光学波段的亮度数据,具体为1~7波段和31~32波段;所述AMSR-E亮温数据包括6个微波波段的亮温数据。
优选的,所述多元非线性回归关系采用最小二乘法建立。
优选的,所述m的值为10。
优选的,所述预设时间段为最近10年。
优选的,所述MODIS数据的分辨率为1km。
本申请公开的一种被动微波亮温数据处理系统,包括:历史数据获取模块,用于获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;其中,所述光学遥感数据包括植被指数、叶面积指数、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上波段的亮度数据;所述被动微波数据包括各波段的微波亮温数据;所述地表高程数据的分辨率与光学遥感数据相同;地表区域划分模块,用于以所述植被指数为基准,将全球地表划分为2个以上类别的区域;主成分分析模块,用于在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;所述m为预设的主成分变换后需要保留的分量数;大尺度数据采集模块,用于将所述主成分分析模块获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;回归关系建立模块,用于建立各微波波段的亮温数据与对应m个PCA微波的多元非线性回归关系;降尺度处理模块,用于根据所述回归关系建立模块建立的多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
优选的,所述植被指数包括归一化植被指数NVDI、垂直植被指数PVI和增强型植被指数EVI;全球地表区域划分具体以NVDI为基准,采用以下方式划分为3个区域:NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
优选的,所述光学遥感数据为MODIS数据,所述被动微波遥感数据为AMSR-E亮温数据;所述MODIS数据的亮度数据包括9个光学波段的亮度数据,具体为1~7波段和31~32波段;所述AMSR-E亮温数据包括6个微波波段的亮温数据。
与现有技术相比,本申请具有以下优点:
本申请优选实施例通过引入光学遥感波段的亮度信息、植被信息、温度信息以及地表高程等信息,在根据植被信息对地表类型分区基础上,利用主成分分析实现被动微波亮温数据的降尺度,得到高分辨率(1km级)被动微波亮温,使其与光学数据能够很容易的融合,实现信息最大化利用和优势互补,更好的为全球变化等研究和应用提供数据和技术支撑,从而扩大被动微波数据的应用范围,使降尺度后的被动微波数据能够广泛应用于全球变化研究、微波遥感应用、土壤含水率监测、全球冰冻圈监测等领域。
与现有直接建立微波数据与辅助数据之间经验关系的做法不同,本申请引入主成分变换技术,将主成分分量作为桥梁建立微波数据与主成分分量的关系,从而可避免现有技术采用的量纲、参数物理性质差异对最后降尺度结果的不确定性影响。
附图说明
图1为本申请被动微波亮温数据降尺度方法第一实施例的流程图;
图2为本申请被动微波亮温数据降尺度方法第二实施例的流程图;
图3为本申请被动微波亮温数据处理系统一实施例的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请被动微波亮温数据降尺度方法第一实施例的流程,本优选方法实施例包括以下步骤:
步骤S101:获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;
本优选实施例中,预设时间段可以根据需要设定,如可以设定位分析近10年内的遥感数据;
光学遥感数据包括植被指数、叶面积指数(LAI,LeafAreaIndex)、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上光学波段的亮度数据;
其中的植被指数可以归一化植被指数(NVDI,NormalizedDifferenceVegetationIndex)、垂直植被指数(PVI,PerpendicularVegetationIndex)和增强型植被指数(EVI,EnhancedVegetationIndex);
所述被动微波数据包括各微波波段的亮温数据;
所述地表高程数据的分辨率与光学遥感数据相同,一般选择1km。
步骤S102:以所述植被指数为基准,将全球地表划分为2个以上类别的区域;
本申请优选以NVDI为基准进行划分,可以按下述方式将地表区域划分为3类:NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
步骤S103:在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析(PCA,PrincipalComponentAnalysis),保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;
其中,m为预设的主成分变换后需要保留的分量数;当引入的光学遥感数据变量超过20个时,可以将m设定为10.
步骤S104:将上述获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;
步骤S105:建立各微波波段的亮温数据与对应的m个PCA微波的多元非线性回归关系;
在具体实施时,可以选择使用以误差的平方和最小为准则估计多元非线性回归模型的最小二乘法(又称最小平方法),通过最小化误差的平方和寻找数据的最佳函数匹配,可以简便地求得未知的数据。具体在本优选实施例中,可以基于用最小二乘法建立的多元非线性回归模型,以PCA光学为自变量计算获得微波遥感数据中不存在的亮温数据。
步骤S106:根据上述多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
本申请通过上述手段,可以实现被动微波亮温数据的降尺度,有效提高被动微波反演数据的精度,并扩大其地学应用。同时,降尺度后的亮温数据,可以直接与光学遥感数据进行融合,达到信息最大化利用和优势互补,更好的为全球变化等研究和应用提供数据和技术支撑。
本申请从微波与光学数据融合的角度,为用户提供可以实现高分辨率微波地表温度、土壤湿度等参数反演的微波亮温的降尺度数据,这些反演结果在尺度上更容易与光学遥感数据融合、协同使用,从而提高地表或大气遥感监测的精度。
参照图2,示出了本申请被动微波亮温数据降尺度方法第二实施例的流程,在本优选实施例中,以MODIS光学遥感数据、AMSR-E被动微波数据为例,说明AMSR-E各微波波段的亮温数据的降尺度方法。本优选方法实施例包括以下步骤:
步骤S201:获取近10年MODIS地表产品、AMSR-E亮温数据和1km尺度的高程数据;上述数据共计28个变量,具体包括:
A:MODIS1-7波段的亮度(7个变量);
B:MODIS31-32波段的亮度(2个变量);
C:MODIS植被指数,如,NDVI、PVI和EVI(3个变量);
D:MODIS叶面积指数LAI(1个变量);
E:MODIS大气水汽含量、云掩膜(2个变量);
F:MODIS宽波段地表反照率(1个变量);
G:MODIS31-32波段的地表温度、地表发射率(3个变量);
H:AMSR-E各波段亮温(6个变量);
I:MODIS土地覆盖分类影像及线性分解得到的每个MODIS像元中地类数(2个变量);
J:地表高程(1个变量)。
步骤S202:以NDVI为基础,将全球地表划分为3大类;
具体的,可以采用如下方式划分:NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
步骤S203:在每一类区域,将除微波AMSR-E外的所有数据(共22个变量)进行主成分分析(PCA),并保留信息量较大的前10个主成分分量,记为:PCAMODIS。
步骤S204:将上述获得的主成分分量重采样到微波波段对应的像元尺度大小,记为:PCAAMSR-E。
步骤S205:基于全球10年的数据,利用最小二乘法,建立各个波段微波亮温数据与对应的10个主成分分量PCAAMSR-E的多元非线性回归关系。
步骤S206:利用上述建立的回归关系,以PCAMODIS为自变量计算得到MODIS尺度的AMSR-E亮温,实现了被动微波亮温数据降尺度。
对于前述的各方法实施例,为了描述简单,故将其都表述为一系列的动作组合,但是本领域的技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为根据本申请,某些步骤可以采用其他顺序或同时执行;其次,本领域技术人员也应该知悉,上述方法实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
参照图3,示出了本申请被动微波亮温数据处理系统一实施例的结构框图,包括:
历史数据获取模块31,用于获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;
其中,所述光学遥感数据包括植被指数、叶面积指数、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上波段的亮度数据;所述被动微波数据包括各波段的微波亮温数据;所述地表高程数据的分辨率与光学遥感数据相同,例如,可以为1km。
地表区域划分模块32,用于以所述植被指数为基准,将全球地表划分为2个以上类别的区域;
具体可以以NDVI为基础,进行如下方式的划分:
NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
主成分分析模块33,用于在地表区域划分模块32划分后的每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;
其中的m为预设的主成分变换后需要保留的分量数。
大尺度数据采集模块34,用于将所述主成分分析模块33获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;
回归关系建立模块35,用于建立各微波波段的亮温数据与大尺度数据采集模块34采集生成的对应的m个PCA微波的多元非线性回归关系;
降尺度处理模块36,用于根据所述回归关系建立模块35建立的多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
需要说明的是,上述系统实施例属于优选实施例,所涉及的单元和模块并不一定是本申请所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于本申请的系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请所提供的一种被动微波亮温数据降尺度方法和系统,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种被动微波亮温数据降尺度方法,其特征在于,包括:
获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;其中,所述光学遥感数据包括植被指数、叶面积指数、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上光学波段的亮度数据;所述被动微波数据包括各微波波段的亮温数据;所述地表高程数据的分辨率与光学遥感数据相同;
以所述植被指数为基准,将全球地表划分为2个以上类别的区域;
在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;所述m为预设的主成分变换后需要保留的分量数;
将上述获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;
建立各微波波段的亮温数据与对应的m个PCA微波的多元非线性回归关系;
根据上述多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
2.根据权利要求1所述的方法,其特征在于,所述植被指数包括归一化植被指数NVDI、垂直植被指数PVI和增强型植被指数EVI;
全球地表区域划分具体以NVDI为基准,采用以下方式划分为3个区域:
NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
3.根据权利要求1所述的方法,其特征在于:
所述光学遥感数据为MODIS数据,所述被动微波遥感数据为AMSR-E亮温数据;
所述MODIS数据的亮度数据包括9个光学波段的亮度数据,具体为1~7波段和31~32波段;
所述AMSR-E亮温数据包括6个微波波段的亮温数据。
4.根据权利要求1所述的方法,其特征在于,所述多元非线性回归关系采用最小二乘法建立。
5.根据权利要求1所述的方法,其特征在于,所述m的值为10。
6.根据权利要求1所述的方法,其特征在于,所述预设时间段为最近10年。
7.根据权利要求3所述的方法,其特征在于,所述MODIS数据的分辨率为1km。
8.一种被动微波亮温数据处理系统,其特征在于,包括:
历史数据获取模块,用于获取预设时间段内的光学遥感数据、被动微波遥感数据和地表高程数据;其中,所述光学遥感数据包括植被指数、叶面积指数、大气水汽含量、云掩膜、宽波段地表反照率、地表温度、地表发射率和2个以上波段的亮度数据;所述被动微波数据包括各波段的微波亮温数据;所述地表高程数据的分辨率与光学遥感数据相同;
地表区域划分模块,用于以所述植被指数为基准,将全球地表划分为2个以上类别的区域;
主成分分析模块,用于在每一类区域,将所述光学遥感数据和地表高程数据进行主成分分析,保留信息量最大的前m个光学波段对应尺度的主成分分量PCA光学;所述m为预设的主成分变换后需要保留的分量数;
大尺度数据采集模块,用于将所述主成分分析模块获得的m个主成分分量重新采样到微波波段对应的像元尺度,获得m个微波波段对应尺度的主成分分量PCA微波;
回归关系建立模块,用于建立各微波波段的亮温数据与对应m个PCA微波的多元非线性回归关系;
降尺度处理模块,用于根据所述回归关系建立模块建立的多元非线性回归关系,以PCA光学为自变量计算形成光学波段对应尺度的亮温数据。
9.根据权利要求8所述的系统,其特征在于,所述植被指数包括归一化植被指数NVDI、垂直植被指数PVI和增强型植被指数EVI;
全球地表区域划分具体以NVDI为基准,采用以下方式划分为3个区域:
NDVI<0.2;0.2≤NDVI≤0.5;NDVI>0.5。
10.根据权利要求8所述的系统,其特征在于:
所述光学遥感数据为MODIS数据,所述被动微波遥感数据为AMSR-E亮温数据;
所述MODIS数据的亮度数据包括9个光学波段的亮度数据,具体为1~7波段和31~32波段;
所述AMSR-E亮温数据包括6个微波波段的亮温数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510902629.XA CN105321157B (zh) | 2015-12-09 | 2015-12-09 | 被动微波亮温数据降尺度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510902629.XA CN105321157B (zh) | 2015-12-09 | 2015-12-09 | 被动微波亮温数据降尺度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105321157A true CN105321157A (zh) | 2016-02-10 |
CN105321157B CN105321157B (zh) | 2019-03-19 |
Family
ID=55248478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510902629.XA Active CN105321157B (zh) | 2015-12-09 | 2015-12-09 | 被动微波亮温数据降尺度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105321157B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930664A (zh) * | 2016-04-26 | 2016-09-07 | 中国科学院地理科学与资源研究所 | 一种从被动微波数据估算瞬时地表发射率的方法 |
CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN101916430A (zh) * | 2010-07-13 | 2010-12-15 | 武汉大学 | 基于波段相关性的遥感影像类内局部拟合恢复方法 |
US20120035900A1 (en) * | 2010-08-06 | 2012-02-09 | Raytheon Company | Remote material identification process performance prediction tool |
CN103942769A (zh) * | 2013-12-10 | 2014-07-23 | 珠江水利委员会珠江水利科学研究院 | 一种卫星遥感影像融合方法 |
US20140324352A1 (en) * | 2013-04-30 | 2014-10-30 | International Business Machines Corporation | Machine Learning Approach for Analysis and Prediction of Cloud Particle Size and Shape Distribution |
-
2015
- 2015-12-09 CN CN201510902629.XA patent/CN105321157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN101916430A (zh) * | 2010-07-13 | 2010-12-15 | 武汉大学 | 基于波段相关性的遥感影像类内局部拟合恢复方法 |
US20120035900A1 (en) * | 2010-08-06 | 2012-02-09 | Raytheon Company | Remote material identification process performance prediction tool |
US20140324352A1 (en) * | 2013-04-30 | 2014-10-30 | International Business Machines Corporation | Machine Learning Approach for Analysis and Prediction of Cloud Particle Size and Shape Distribution |
CN103942769A (zh) * | 2013-12-10 | 2014-07-23 | 珠江水利委员会珠江水利科学研究院 | 一种卫星遥感影像融合方法 |
Non-Patent Citations (5)
Title |
---|
RAM L. RAY等: "Landslide susceptibility mapping using downscaled AMSR-E soil moisture:A case study from Cleveland Corral,California,US", 《REMOTE SENSING OF ENVIRONMENT》 * |
TANVIR ISLAM等: "An introduction to factor analysis for radio frequency interference detection on satellite observations", 《METEOROLOGICAL APPLICATIONS》 * |
曹永攀等: "基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究", 《遥感技术与应用》 * |
李梦云: "基于VSDI指数的土壤湿度遥感降尺度研究——以吉林省西部为例", 《中国优秀硕士学位论文全文数据库农业科技辑(月刊)》 * |
王安琪等: "光学信息分解被动微波土壤湿度方法", 《地球信息科学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930664A (zh) * | 2016-04-26 | 2016-09-07 | 中国科学院地理科学与资源研究所 | 一种从被动微波数据估算瞬时地表发射率的方法 |
CN105930664B (zh) * | 2016-04-26 | 2018-07-27 | 中国科学院地理科学与资源研究所 | 一种从被动微波数据估算瞬时地表发射率的方法 |
CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105321157B (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rodríguez-Veiga et al. | Quantifying forest biomass carbon stocks from space | |
Pipitone et al. | Monitoring water surface and level of a reservoir using different remote sensing approaches and comparison with dam displacements evaluated via GNSS | |
Milenković et al. | Applying terrestrial laser scanning for soil surface roughness assessment | |
Ngie et al. | Assessment of urban heat island using satellite remotely sensed imagery: a review | |
Bruno et al. | A combined approach of field data and earth observation for coastal risk assessment | |
CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
Liu et al. | Comparative analysis of fractional vegetation cover estimation based on multi-sensor data in a semi-arid sandy area | |
Briese et al. | Multi-wavelength airborne laser scanning for archaeological prospection | |
Kong et al. | A coupling model for soil moisture retrieval in sparse vegetation covered areas based on microwave and optical remote sensing data | |
Yin et al. | Estimation of grassland height based on the random forest algorithm and remote sensing in the Tibetan Plateau | |
Henry et al. | An overview of existing and promising technologies for national forest monitoring | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Palombo et al. | Soil moisture retrieval by integrating TASI-600 airborne thermal data, WorldView 2 satellite data and field measurements: Petacciato case study | |
CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN105321157A (zh) | 被动微波亮温数据降尺度方法和系统 | |
Förster et al. | Multi-temporal detection of grassland vegetation with RapidEye imagery and a spectral-temporal library | |
Goodbody et al. | Benchmarking acquisition parameters for digital aerial photogrammetric data for forest inventory applications: Impacts of image overlap and resolution | |
Sevara et al. | Relative radiometric calibration of airborne LiDAR data for archaeological applications | |
Coren et al. | Integrating LiDAR intensity measures and hyperspectral data for extracting of cultural heritage | |
Hassan et al. | Application of Landsat-7 ETM+ and MODIS products in mapping seasonal accumulation of growing degree days at an enhanced resolution | |
Rebelo et al. | Measurement of Soil Tillage Using UAV High-Resolution 3D Data | |
Leonardo et al. | Comparison of TanDEM-X InSAR data and high-density ALS for the prediction of forest inventory attributes in plantation forests with steep terrain | |
Cheng et al. | Assessing the Potential of 10-m Resolution TVDI Based on Downscaled LST to Monitor Soil Moisture in Tang River Basin, China | |
Davenport et al. | The use of earth observation techniques to improve catchment-scale pollution predictions |
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 |