CN105527616A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105527616A CN105527616A CN201510701774.1A CN201510701774A CN105527616A CN 105527616 A CN105527616 A CN 105527616A CN 201510701774 A CN201510701774 A CN 201510701774A CN 105527616 A CN105527616 A CN 105527616A
- Authority
- CN
- China
- Prior art keywords
- model
- water cut
- canopy
- water content
- soil
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法,该方法包括如下步骤:步骤1)基于IEM模型,建立后向散射系数同极化差、同极化和与地表粗糙度和土壤含水量的关系模型;步骤2)基于Dubois模型与1),建立后向散射系数同极化数据与裸土区土壤含水量关系模型;步骤3)基于PROSAIL辐射传输模型,建立玉米整个生长周期(初期、中期和末期)、冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系模型,绘制植被含水量影像图;步骤4)结合裸土区土壤含水量半经验模型与植被含水量模型,建立植被覆盖地表土壤含水量反演方法,该方法经过多源数据协同、多模型融合、多区域试验,进一步提高了土壤含水量反演精度。
Description
技术领域
本发明涉及一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量信息提取方法,特别是一种应用雷达和多光谱卫星数据协同、大面积检测的土壤含水量的方法。
背景技术
地表土壤水分是陆地和大气能量交换过程中的重要因子,是联系地表水和地下水的纽带,也是进行旱情监测、农作物估产的重要指标,地表土壤水分过多、多少对农业都会带来严重影响,是人们生活中最为关注的问题。
遥感作为新型对地观测技术,具有大面积同步覆盖、实时连续、经济有效等优点。雷达卫星传感器(如RADARSAT-2)与光学传感器(Landsat8-OLI)等多源遥感数据为空间探测提供了新的视角和研究方向。其中,雷达卫星传感器具有不受天气影响、全天时、全天候、穿云透雾的能力,能够穿透植被层和土壤表面,长波微波具有更深的穿透能力能够让人们了解植被覆盖下土壤的状况。多光谱遥感影像具有分辨率高,波段信息丰富,表现地表特征丰富等优点。基于光学遥感数据可较好的完成植被冠层水分信息的反演。雷达影像与光学影像协同反演稀疏植被覆盖区地表土壤含水量时,具有其他方法不可比拟的优势。
余凡(2011)等利用ASAR与TM数据协同建立了一种植被覆盖地表土壤水分的半经验耦合模型,提取了甘肃黑河实验区土壤含水量信息。曾文远(2012)等利用ENVI_SATASAR和Landsat5数据,提取了山西省西山矿区的表层土壤水分状况。张友静(2010)等人利用EASAR-APP、TM和MODIS数据,研究了小麦覆盖下地表土壤含水量的反演方法
McDonald等根据辐射传输模型,提出了MIMICS模型,之后经Roo等人的简化,被应用与稀疏植被覆盖地表土壤含水量反演。Attema(1978)等提出了水-云模型,探索出了一种植被覆盖度地表的土壤含水量反演方法。
目前,国内外反演土壤含水量多采用单一影像数据源,单一区域、单一模型进行研究,利用多源数据、多区域、多模型融合的方法,反演植被覆盖地表土壤含水量,至今较少。
考虑到以上问题,本发明利用RADARSAT-2散射特性和全极化特点,结合Landsat8光学特性,研发了一种具有典型区域特色的多源遥感数据协同反演植被覆盖地表土壤含水量反演方法。
发明内容
针对数据源单一、区域单一、模型单一植被覆盖地表土壤含水量反演方法研究不足、精度偏低等问题,本发明结合多数据源、多区域、多模型,建立了一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法。
本发明的目的通过以下技术步骤实现:
步骤1)基于IEM模型,建立后向散射系数同极化差与地表粗糙度关系,获得同极化差与地表粗糙度关系响应图;
步骤2)基于IEM模型,建立后向散射系数同极化和()与地表粗糙度关系,获得同极化差与地表粗糙度关系响应图;
步骤3)基于IEM模型,建立后向散射系数同极化与地表粗糙度关系模型
步骤4)基于Dubois模型(HH模型和VV模型),结合步骤3),建立后向散射系数同极化差、和与裸土区土壤含水量关系模型;
步骤5)基于PROSAIL辐射传输模型,建立玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系,分别获得NDVI、NDWI1、NDWI2、MSI关系响应图;
步骤6)基于河北省衡水市深州市实测植被冠层含水量统计数据,获得针对河北省的最优玉米冠层水指数,获得最优玉米冠层水指数影像图;
步骤7)基于PROSAIL辐射传输模型,建立冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系,分别获得NDVI、NDWI1、NDWI2、MSI关系响应图;
步骤8)基于安徽省固镇县实测植被冠层含水量统计数据,获得针对安徽省的最优冬小麦冠层水指数,获得最优小麦冠层水指数影像图;
步骤9)基于步骤4)、步骤6)和步骤8),利用水-云模型,获得多源数据协同、多模型融合、多区域试验的植被覆盖地表土壤含水量反演方法。
附图说明
图1为同极化差与地表粗糙度关系响应结果图;
图2为同极化和与地表粗糙度关系响应结果图;
图3为河北省衡水市深州市裸土区土壤含水量反演结果图;
图4为安徽省固镇县裸土区土壤含水量反演结果图;
图5为NDVI、NDWI1、NDWI2、MSI与玉米冠层含水量响应结果图(初期、中期和末期);
图6为NDVI、NDWI1、NDWI2、MSI与冬小麦冠层含水量响应结果图;
图7为河北省衡水市深州市最佳玉米冠层水指数结果图;
图8为安徽省固镇县最佳冬小麦冠层水指数结果图;
图9为河北省植被覆盖地表土壤含水量结果图;
图10为安徽省植被覆盖地表土壤含水量结果图。
具体实施方式
下面结合附图对本发明“一种基于多全极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法”作进一步阐述说明。
本发明所涉及的“基于RADARSAT-2影像裸土区土壤含水量反演方法”、“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”和“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”是土壤含水量的重要方法创新。其中,“基于RADARSAT-2影像裸土区土壤含水量反演方法”,将IEM理论模型与Dubois经验模型相结合,建立裸土区土壤含水量反演方法,并应用到河北和安徽示范区,该方法实现了多模型结合、多区域试验的效果,同时提升了算法的运行效率,为建立植被覆盖地表土壤含水量反演打下了良好的基础;“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”,将PROSAIL辐射传输模型与不同植被水指数相结合,建立了基于最优植被水指数的冠层含水量反演方法,并应用与河北和安徽示范区,该方法亦实现了多模型结合、多区域试验的效果,为建立植被覆盖地表土壤含水量反演打下了良好的基础;“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”,将“基于RADARSAT-2影像裸土区土壤含水量反演算法”和“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”相结合,实现了多源数据协同、多模型结合、多区域试验的效果,使植被覆盖地表土壤含水量反演结果具备了一定的可靠性。
(一)基于RADARSAT-2影像裸土区土壤含水量反演方法
基于IEM和Dubois模型,利用RADARSAT-2数据,获得裸土区土壤含水量反演方法,并应用与河北和安徽试验区。首先,基于IEM模型,建立后向散射系数同极化差与地表粗糙度关系, 获得同极化差与地表粗糙度关系响应图(图1);其次,基于IEM模型,建立后向散射系数同极化和()与地表粗糙度关系 获得同极化差与地表粗糙度关系响应图(图2);之后,基于Dubois模型(HH模型和VV模型),结合同极化差、同极化和与地表粗糙度关系模型 ,建立后向散射系数与裸土区土壤含水量反演方法和最后,将该方法应用到河北和安徽实验区(图3,图4)并验证方法的可靠性。
(二)基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法
基于PROSAIL辐射传输模型和植被水指数,建立植被冠层含水量反演方法,并应用与河北和安徽实验区。首先,基于野外实测数据和已有研究提供的最佳输入参数,结合LOPEX’93(LeafOpticalPropertiesExperiment)数据库和我国典型地物波谱知识库,设置PROSAIL辐射传输模型中输入参数取值范围,利用PROSAIL辐射传输模型,获得NDVI、NDWI1、NDWI2、MSI与不同玉米生长期冠层含水量响应关系图(图5),完成不同生育期玉米最佳水分指数优选,获得河北省衡水市深州市最佳玉米冠层水指数结果图(图7)。其次,利用PROSAIL辐射传输模型,获得NDVI、NDWI1、NDWI2、MSI与冬小麦冠层含水量响应关系图(图6),完成冬小麦最佳水分指数优选,获得安徽省最佳玉米冠层水指数结果图(图8)。最后,建立玉米、冬小麦观测含水量反演模型,如下表所示:
(三)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
“水-云”模型简单的描述了农作物覆盖地表的后向散射机制,“水-云”模型可较好的定量消除农作物对土壤后向散射系数的影响。将“基于RADARSAT-2影像裸土区土壤含水量反演方法”与“基于Landsat8影像植被冠层最佳水指数冠层含水量反演方法”相结合,利用水-云模型τ2=exp(-2*B*Wcsecθ);提取河北省和安徽省示范区植被覆盖地表土壤含水量信息。其中,为植被直接后向散射系数,α为单位像元内植被冠层之间的平均间隔,mv为土壤溶剂含水量,τ2为植被层的双层衰减因子,Wc为植被冠层含水量(kg/m2),A和B是依赖于植被类型的参数。基于稀疏植被区部分实测的地表粗糙度参数s、l、mv、HH和VV极化后向散射系数,结合裸土区经验IEM模型,可完成HH、VV两种极化方式下参数A、B、α的率定,最后可完成植被覆盖地表土壤含水量反演。
Claims (10)
1.一种基于多极化RADARSAT-2和Landsat8数据的植被覆盖地表土壤含水量反演方法,该度量方法包括如下步骤:
步骤1)基于IEM模型,建立后向散射系数同极化差与地表粗糙度和土壤含水量的关系,获得同极化差与地表粗糙度关系响应图;
步骤2)基于IEM模型,建立后向散射系数同极化和与地表粗糙度和土壤含水量的关系,获得同极化差与地表粗糙度关系响应图;
步骤3)基于IEM模型,建立后向散射系数同极化与地表粗糙度关系模型;
步骤4)基于Dubois模型(HH模型和VV模型),结合步骤3),建立后向散射系数同极化差、和与裸土区土壤含水量关系模型;
步骤5)基于PROSAIL辐射传输模型,建立玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系,分别获得NDVI、NDWI1、NDWI2、MSI关系响应图;
步骤6)基于河北省深州市实测植被冠层含水量数据,获得针对河北省的最优玉米冠层水指数,获得最优玉米冠层水指数影像图;
步骤7)基于PROSAIL辐射传输模型,建立冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量关系,分别获得NDVI、NDWI1、NDWI2、MSI关系响应图;
步骤8)基于安徽省固镇县实测植被冠层含水量统计数据,获得针对安徽省的最优冬小麦冠层水指数,获得最优小麦冠层水指数影像图;
步骤9)基于步骤4)、步骤6)和步骤8),利用水-云模型,获得多源数据协同、多模型融合、多区域试验的植被覆盖地表土壤含水量反演方法。
2.如权利要求书1所述的方法,其特征在于,所述步骤1):提出基于IEM理论模型的后向散射系数同极化差与地表粗糙度和土壤含水量的之间的关系模型。
3.如权利要求书1所述的方法,其特征在于,所述步骤2):提出基于IEM理论模型的后向散射系数同极化和与地表粗糙度和土壤含水量的之间的关系模型。
4.如权利要求书1所述的方法,其特征在于,所述步骤3):提出基于IEM理论明后向散射系数同极化差、和与地表粗糙度之间的关系模型。
5.如权利要求书1所述的方法,其特征在于,所述步骤4):提出了将IEM理论模型与Dubois经验模型相结合的裸土区土壤含水量半经验模型。
6.如权利要求书1所述的方法,其特征在于,所述步骤5):提出了基于PROSAIL辐射传输模型,玉米整个生长周期(初期、中期和末期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量之间的关系模型。
7.如权利要求书1所述的方法,其特征在于,所述步骤6):提出了基于河北示范图的最优玉米冠层水指数反演。
8.如权利要求书1所述的方法,其特征在于,所述步骤7):提出了基于PROSAIL辐射传输模型,冬小麦(初期)NDVI、NDWI1、NDWI2、MSI与植被冠层含水量之间的关系模型。
9.如权利要求书1所述的方法,其特征在于,所述步骤8):提出了基于安徽示范区的最佳冬小麦冠层含水量反演水指数。
10.如权利要求书1所述的方法,其特征在于,所述步骤9):提出了基于多源数据(RADARSAT-2与Landsat8)协同、多模型相融合(理论模型与经验模型)、多区域(河北示范区域安徽示范区)试验的植被覆盖地表土壤含水量反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510701774.1A CN105527616B (zh) | 2015-10-27 | 2015-10-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510701774.1A CN105527616B (zh) | 2015-10-27 | 2015-10-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105527616A true CN105527616A (zh) | 2016-04-27 |
CN105527616B CN105527616B (zh) | 2018-07-20 |
Family
ID=55769953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510701774.1A Active CN105527616B (zh) | 2015-10-27 | 2015-10-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105527616B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107765243A (zh) * | 2016-08-22 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 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 |
CN111751286A (zh) * | 2020-06-22 | 2020-10-09 | 电子科技大学 | 基于变化检测算法的土壤水分提取方法 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN114994087A (zh) * | 2022-05-27 | 2022-09-02 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621163A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院电子学研究所 | 用于探测土壤含水量在深度方向分布的雷达遥感方法 |
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
CN104062654A (zh) * | 2014-07-17 | 2014-09-24 | 电子科技大学 | 一种基于超宽带雷达的土壤含水量测量方法 |
CN104865274A (zh) * | 2015-04-08 | 2015-08-26 | 环境保护部卫星环境应用中心 | 基于单极化雷达数据的土壤含水量反演方法及系统 |
-
2015
- 2015-10-27 CN CN201510701774.1A patent/CN105527616B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621163A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院电子学研究所 | 用于探测土壤含水量在深度方向分布的雷达遥感方法 |
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
CN104062654A (zh) * | 2014-07-17 | 2014-09-24 | 电子科技大学 | 一种基于超宽带雷达的土壤含水量测量方法 |
CN104865274A (zh) * | 2015-04-08 | 2015-08-26 | 环境保护部卫星环境应用中心 | 基于单极化雷达数据的土壤含水量反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
王春梅 等: ""基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量"", 《水资源与水工程学报》 * |
郑磊: ""基于微波遥感的裸露地表土壤水分反演研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107765243A (zh) * | 2016-08-22 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 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 |
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 |
CN111751286A (zh) * | 2020-06-22 | 2020-10-09 | 电子科技大学 | 基于变化检测算法的土壤水分提取方法 |
CN112014542A (zh) * | 2020-06-30 | 2020-12-01 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN112014542B (zh) * | 2020-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 |
CN114994087A (zh) * | 2022-05-27 | 2022-09-02 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
CN114994087B (zh) * | 2022-05-27 | 2024-05-17 | 昆明理工大学 | 一种基于极化sar数据的植被叶片含水量遥感反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105527616B (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105527616A (zh) | 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 | |
Hosseini et al. | Estimation of Leaf Area Index (LAI) in corn and soybeans using multi-polarization C-and L-band radar data | |
Dall'Olmo et al. | Monitoring phenological cycles of desert ecosystems using NDVI and LST data derived from NOAA-AVHRR imagery | |
CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
CN102034337B (zh) | 草原雪灾遥感监测与灾情评估系统及方法 | |
Zhao et al. | Quantifying almond water stress using unmanned aerial vehicles (UAVs): Correlation of stem water potential and higher order moments of non-normalized canopy distribution | |
Ying | Study on retrieval methods of soil water content in vegetation covering areas based on multi-source remote sensing data | |
CN103424405A (zh) | 一种基于hj-1a/1b ccd数据的干旱监测方法 | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
CN103399023A (zh) | 植被下土壤湿度的多维度组合优化方法 | |
Sari et al. | Estimation of water consumption of lowland rice in tropical area based on heterogeneous cropping calendar using remote sensing technology | |
Mzuri et al. | Spatiotemporal Analysis of Land Surface Temperature and Vegetation Changes in Duhok District, Kurdistan Region, Iraq | |
Yadav et al. | Sustainability assessment of sodic land reclamation using remote sensing and GIS | |
CN107765243A (zh) | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 | |
Escolà et al. | A mobile terrestrial laser scanner for tree crops: point cloud generation, information extraction and validation in an intensive olive orchard | |
Esha et al. | Impacts of land use and land cover change on surface temperature in the north-western region of Bangladesh | |
Kalantari et al. | Using available time series of Passive and Active Microwave to develop SMAP Freeze/Thaw algorithms adapted for the canadian subarctic | |
Slave | Analysis of agricultural areas using satellite images | |
Boiarskii¹ et al. | Application of UAV and multispectral camera for field survey in the Amur Region, Russia | |
Iqbal et al. | Detection of suitable soils for zero-till wheat cultivation in Pakistan using GITs | |
Meng et al. | Evaluating soil available nitrogen status with remote sensing | |
Shah | Statistical Analysis of Land Surface Temperature and Normalized Difference Vegetation Index Relation-ship Based on Remote Sensing | |
Yu et al. | The Multi-level and multi-scale factor analysis for soil moisture information extraction by multi-source remote sensing data | |
Takashima et al. | Rice crop yield monitoring system prototyping and its evaluation result | |
He et al. | Leaf Area Index estimation using remotely sensed data in a mixed grassland ecosystem. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Meng Qingyan Inventor after: Xie Qiuxia Inventor after: Ma Jianxin Inventor after: Wang Chunmei Inventor after: Wang Qiao Inventor before: Meng Qingyan Inventor before: Xie Qiuxia Inventor before: Ma Jianxin Inventor before: Wang Chunmei |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |