CN105606631A - 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 - Google Patents
一种盐度卫星双波段亮温数据联合反演土壤水分的方法 Download PDFInfo
- Publication number
- CN105606631A CN105606631A CN201610064046.9A CN201610064046A CN105606631A CN 105606631 A CN105606631 A CN 105606631A CN 201610064046 A CN201610064046 A CN 201610064046A CN 105606631 A CN105606631 A CN 105606631A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- theta
- soil
- formula
- epsiv
- 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 88
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000010287 polarization Effects 0.000 claims abstract description 21
- 238000005388 cross polarization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 239000003595 mist Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012223 aqueous fraction Substances 0.000 description 1
- FBJUTZMAUXJMMH-UHFFFAOYSA-N azane;5-methyl-2-(4-methyl-5-oxo-4-propan-2-yl-1h-imidazol-2-yl)pyridine-3-carboxylic acid Chemical compound [NH4+].N1C(=O)C(C(C)C)(C)N=C1C1=NC=C(C)C=C1C([O-])=O FBJUTZMAUXJMMH-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 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 1
- 238000004064 recycling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种盐度卫星双波段亮温数据联合反演土壤水分的方法,属于微波遥感领域,首先利用K波段(23.8GHz)V极化亮温获取土壤温度,再将传统的τ-ω模型进行优化,使影响土壤水分反演的两个参数均方根高度h和光学厚度τ合成为一个参数,并在合理的假设条件下,使τ-ω模型仅包括土壤温度和土壤水分两个未知参数,再利用C波段(6.9GHz)H极化亮温数据直接反演土壤水分信息。
Description
技术领域
本发明涉及微波遥感领域,主要涉及的是一种采用K波段和C波段亮温数据联合反演土壤水分的方法
背景技术
土壤水分不仅是地球生态系统非常重要的组成部分,同时也是地表干旱信息最重要的表征参量。诸多的研究均表明区域性或全球性的土壤水分观测对很多环境学科,如洪水监测,改良土壤侵蚀模型,天气预报以及农业应用都至关重要。因此,获取大范围地表土壤水分时空分布信息是一个迫切需要解决的问题。被动微波遥感由于对地表介电特性的强敏感性而具备良好的反演土壤水分的物理基础。相比传统土壤水分测量方法,被动微波遥感覆盖面广,能够大范围持续观测;相比可见光与热红外,它具有全天时全天候,穿透性强,较少受到云雾干扰的优势。因此,被动微波遥感被认为是目前监测土壤水分最有效的手段,并已被广泛应用于快速获取全球区域的地表土壤水分信息。
由于土壤颜色和表层温度受土壤湿度的影响,利用可见光和红外波段的遥感方法也能反映土壤湿度状态,但微波遥感被认为是能够真正意义上进行定量化土壤水分监测最有潜力的方法。微波遥感能够监测土壤水分的原因在于微波传感器接收到的地表发射的微波亮温或者地表反射的微波后向散射系数与地表土壤的介电特性密切相关,而土壤的介电特性主要由其含水量决定,因此利用微波遥感进行土壤水分的估算具有很好的物理基础。此外,相比可见光、热红外易受大气、云雾等影响的限制,微波遥感具有全天时、全天候观测的特点,并对云雾、雨雪、植被及干燥地物有一定的穿透能力,从而弥补了可见光,热红外在土壤水分监测中的不足。
海洋盐度探测卫星有效载荷包括L、C和K波段微波辐射计,为海洋、减灾、农业以及气象等多个行业和业务部门提供服务。虽然盐度卫星是为获取海洋盐度而设计,但其获取的数据在陆表表面也将有重要的应用价值,如获取陆表温度和土壤水分等。盐度卫星频率设置是L波段(1.415GHz)、C波段(6.9GHz)和K波段(18.7GHz和23.8GHz),均包括H和V两种极化方式。
发明内容
本发明提出一种利用盐度卫星K波段(23.8GHz)和C(6.9GHz)亮温数据联合反演地表土壤水分的方法。首先利用K波段(23.8GHz)V极化亮温获取土壤温度,再将传统的τ-ω模型进行优化,使影响土壤水分反演的两个参数均方根高度h和光学厚度τ合成为一个参数,并在合理的假设条件下,使τ-ω模型仅包括土壤温度和土壤水分两个未知参数,再利用C波段(6.9GHz)H极化亮温数据直接反演土壤水分信息。采用具有相似系统参数的AMSR-E卫星数据进行验证。结果表明本发明提出的方法可以有效获取地表土壤水分信息。
本发明提出的反演土壤水分的方法,其是采用K波段和c波段亮温数据联合反演土壤水分,该方法包括如下步骤:
步骤1、获取盐度卫星数据,从数据文件中提取K波段(23.8GHz)V极化亮温数据BT(23.8,v);
步骤2、根据以下公式计算陆表温度T:
T=0.767×BT(23.8,v)+76.893;
步骤3、在0.01~0.6土壤水分范围内,步长设为0.01,利用Dobson模型在土壤质地、容重和陆表温度T已知的情况下,计算每个土壤水分对应的介电常数ε;
步骤4、获取盐度卫星数据,从数据文件中提取C波段(6.9GHz)V和H极化亮温数据BT(6.9,v)和BT(6.9,h);
步骤5、输入盐度卫星的入射角θ,其是一个固定值,由步骤3中的介电常数ε,根据下面的公式计算得到法向入射的菲涅耳反射率RoH和RoV,带入到公式R′sp=(1-Q)Rop+QRoq,该公式中下标p和q表示正交极化方式,即若p为H或V极化,则q为V或H极化,Q表示粗糙度参数,并令Q=0.174,计算得到R′sH和R′sV;
步骤6、令TBV=BT(6.9,v),TBH=BT(6.9,h);并将TBH、TBV、R′sH、R′sV和陆表温度T代入下面的公式的右侧,并将公式的右侧与左侧的BT(6.9,h)相减,再求绝对值;
步骤7、在0.01~0.6之间遍历完土壤水分后,使步骤6中绝对值最小的土壤水分值,即为得到的土壤水分反演结果。
优选的是:在步骤1和2中,将CAMP/Tibet,玛曲及那曲三个实验区的地表土壤温度观测的数据,与同时期的AMSR-E23.8GHzV极化亮温数据建立模型:T=0.767×BT(23.8,v)+76.893;获取盐度卫星数据,从数据文件中提取K波段(23.8GHz)V极化亮温数据BT(23.8,v);根据上述模型计算陆表温度T;所述模型与实测数据的相关系数为0.87,均方根误差为3.94K。
附图说明
图1为23.8GHzV极化亮温与地表温度统计回归模型
图2为反演模型的验证散点图。
具体实施方式
卫星数据:AMSR-E共配置有6个波段,具体为6.9GHz,10.7GHz,18.7GHz,23.8GHz,36.5GHz与89GHz,每个波段均提供双极化观测。其中,6.9GHz、18.7Ghz和23.8GHz与盐度卫星相同,所以,本发明利用盐度卫星K波段(23.8GHz)和C波段(6.9GHz)数据发展的土壤水分反演方法,是利用现有AMSR-E数据验证其有效性。
地面试验数据:CAMP/Tibet数据:全球协调加强观测计划亚澳季风之青藏高原试验研究网络CAMP/Tibet是一个建立于青藏高原中部的中尺度土壤温湿度观测网络。该网络建立的目的是为了测量青藏高原地区的土壤水分及土壤温度,从而用于发展及验证陆面过程模型及卫星土壤水分反演算法。CAMP/Tibet观测网地区地表覆盖类型主要为稀疏的低矮草地。记录的时间范围为2002年10月1日至2004年3月31日。
玛曲观测网:玛曲土壤温湿度观测网于2008年7月开始建立。玛曲观测网覆盖的面积约为40km×80km,在该网络地区,每个站点每隔15分钟对不同深度(从地表5cm至地下80cm)的土壤水分和土壤温度进行记录,时间覆盖范围为2008年7月1日至2010年7月31日。所有站点分布在黄河河谷及其周围的小山,地表覆盖类型为均一的低矮草地。
那曲观测网:那曲土壤温湿度观测网是一个多尺度观测网络,覆盖面积约为100km×100km。该网络由56个站点组成,每个站点每隔半小时记录不同深度(分别为0~5cm,10cm,20cm及40cm)的土壤水分及土壤温度信息,记录时间范围为2010年8月1日至2011年10月31日。
常用的微波辐射亮温对地表温度的反演方法均是采用Ka波段(36.5GHz或37GHz)V极化数据,但盐度卫星并不包含此波段设置,所以本发明建立了利用K波段(23.8GHz)V极化亮温数据反演土壤温度的方法,如图1所示。
T=0.767×BT(23.8,v)+76.893
3个实验区中共有实测对应数据1358个,统计模型与实测数据的相关系数为0.87,均方根误差为3.94K,表明以上模型能较好的反演陆表温度。
C波段(6.9GHz)τ-ω模型进行优化的过程如下:τ-ω模型将来自于土壤及植被层的亮温表示成三个方面:(1)经过植被冠层衰减的土壤的发射;(2)来自植被层的直接发射;(3)经过土壤反射以及被植被冠层削弱的植被发射。辐射计观测的亮温具体形式如下:
TBp=Ts(1-Rsp)exp(-τp)+Tc(1-ωp)[1-exp(-τp)]
+Tc(1-ωp)[1-exp(-τp)]Rspexp(-τp)(1)
其中下标p表示极化方式(H或者V);Ts与Tc分别表示地表土壤及植被冠层的物理温度,单位为K;Rsp表示表层土壤的有效反射率;τp表示沿着传感器观测方向的植被光学厚度(随极化方式而不同),用来参数化植被的衰减特性;ωp表示植被的单次散射反照率,用来参数化冠层内植被的散射影响。
为了简化反演过程算法采取了以下合理的假设:首先,通常认为在低频且植被较为稀疏时ωp的影响可以忽略不计即ωp=0,该假设也被应用于众多的土壤水分反演算法当中;其次,由于被动微波传感器的分辨率非常粗糙,因此通常认为τp在卫星尺度下不受到极化方式的影响,即τh=τv;最后,植被冠层温度与表层土壤温度通常近似相等并用统一符号T表示,即Ts=Tc=T,这也是目前所有主流算法采取的假设。
基于以上假设,上式可以被简化为:
TBp=[1-Rspexp(-2τ)]T
(2)
在卫星尺度下,粗糙地表的有效反射率往往非常难以直接获取。因此,研究者提出了相应的粗糙度模型去校正粗糙度对地表发射率的影响,这些模型包括Hp模型,Q/H模型及Qp模型等。虽然目前已有研究基于不同的粗糙度模型利用不同极化或者角度下的发射率之间的关系,最小化粗糙度的影响。然而这些方法均只能应用于最简单的裸露地表而不能直接应用于植被覆盖区域。本研究选择利用的是主流算法中最常用的Q/H模型,表达形式如下:
Rsp=[(1-Q)Rop+QRoq]exp(-h)
(3)
其中下标p和q表示正交极化方式,即若p为H或V极化,则q为V或H极化;Q和h表示粗糙度参数,用来描述地表粗糙度对地表发射率的影响。Rop和Roq是法向入射的菲涅耳反射率,只与土壤介电常数(土壤水分)和卫星数据入射角有关
将(2)和(3)两式合并,得到:
TBp=[1-R′spexp(-2τ-h)]T
(6)
其中,
R′sp=(1-Q)Rop+QRoq
(7)
在本发明中,Q值采用的是在C波段(6.9GHz)标定好的定值即Q=0.174。因此,根据菲涅尔方程,在给定角度的条件下,R′sp只与土壤的介电特性有关。算法选择利用经典的Dobson土壤介电模型去实现土壤水分到土壤介电常数的转换。因此,如果土壤参数(如土壤质地、容重)及土壤温度已知的话,那么在给定频率和入射角的条件下,R′sp可以表达为土壤水分的表达式,即R′sp=f(sm)。另一方面,在公式(6)中,植被光学厚度和地表粗糙度由于对亮温具有同样的指数衰减作用而被合并为了一个综合影响因子即exp(-2τ-h),这样原本必须解决的两个未知参数被缩减为了一个,从而达到了消元的目的。
土壤水分是我们需要求解的未知量,因此如果能把exp(-2τ-h)这个综合影响因子表达成与待求量土壤水分有关的表达式,那么就能将对综合影响因子的求解转换成对土壤水分的求解,从而巧妙的避免对植被及地表粗糙度辅助参数的依赖及不合理假设。基于以上思路,我们将这个综合影响因子用S表示,即令exp(-2τ-h)=S。那么在同频率下H极化与V极化亮温可以分别被表达为:
TBH=(1-R′sHS)T(8)
TBV=(1-R′sVS)T(9)
结合公式(7)及(8),我们可以求解得到S参数,如下所示:
从公式(10)可以看出,参数S被表达为了在双极化观测亮温条件下R′sp的函数。
因为H极化亮温对土壤水分变化更敏感,所以把公式(10)带入到公式(8),可以得到:
结合上述的分析可以看出在传感器参数即频率、入射角给定及土壤参数如土壤质地、容重已知的情况下,公式(11)等号右边的式子里只有土壤水分和土壤温度为未知参量。而土壤温度可以通过以上建立的23.8GHz的V极化亮温计算得到。因此在公式(11)中只剩下土壤水分为唯一的未知参量。最后,我们可以通过非线性的迭代过程使得模拟的H极化亮温与观测的H极化亮温之间的差的绝对值最小来求解得到土壤水分。
利用那曲地区实测土壤水分数据和对应的AMSR-E卫星数据对本研究发展的算法进行验证,结果如图2所示。对验证结果进行数学统计分析,结果如表1所示。有验证结果可见,平均相关系数约为0.6,表明了该本算法的有效性。
表1土壤水分验证结果统计信息
Claims (1)
1.一种盐度卫星K波段和C波段亮温数据联合反演土壤水分的方法,该方法包括如下步骤:
步骤1、获取盐度卫星数据,从数据文件中提取K波段(23.8GHz)V极化亮温数据BT(23.8,v);
步骤2、根据以下公式(1)计算陆表温度T:
T=0.767×BT(23.8,v)+76.893;(1)
步骤3、在0.01~0.6土壤水分范围内,步长设为0.01,利用Dobson模型在土壤质地、容重和陆表温度T已知的情况下,计算每个土壤水分对应的介电常数ε;
步骤4、获取盐度卫星数据,从数据文件中提取C波段(6.9GHz)V和H极化亮温数据BT(6.9,v)和BT(6.9,h);
步骤5、输入盐度卫星的入射角θ,其是一个固定值,由步骤3中的介电常数ε,根据下面的公式(2)和(3)计算得到法向入射的菲涅耳反射率RoH和RoV,带入到公式(4),该公式(4)中下标p和q表示正交极化方式,即若p为H或V极化,则q为V或H极化,Q表示粗糙度参数,并令Q=0.174,计算得到R′sH和R′sV;
R′sp=(1-Q)Rop+QRoq(4)
步骤6、令TBV=BT(6.9,v),TBH=BT(6.9,h);并将TBH、TBV、E′sH、R′sV和陆表温度T代入下面的公式(5)的右侧,并将公式(5)的右侧与公式(5)左侧的BT(6.9,h)相减,再求绝对值;
步骤7、在0.01~0.6之间遍历完土壤水分后,使步骤6中绝对值最小的土壤水分值,即为得到的土壤水分反演结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610064046.9A CN105606631B (zh) | 2016-02-01 | 2016-02-01 | 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610064046.9A CN105606631B (zh) | 2016-02-01 | 2016-02-01 | 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105606631A true CN105606631A (zh) | 2016-05-25 |
CN105606631B CN105606631B (zh) | 2019-07-26 |
Family
ID=55986735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610064046.9A Expired - Fee Related CN105606631B (zh) | 2016-02-01 | 2016-02-01 | 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606631B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018439A (zh) * | 2016-07-05 | 2016-10-12 | 吉林大学 | 微波遥感土壤水分监测系统及其监测方法 |
CN106226766A (zh) * | 2016-07-08 | 2016-12-14 | 华中科技大学 | 一种基于被动毫米波极化成像的材料分类方法 |
CN108171245A (zh) * | 2017-10-09 | 2018-06-15 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
CN110793649A (zh) * | 2019-10-14 | 2020-02-14 | 三亚中科遥感研究所 | 一种使用后向散射截面校正粗糙海面亮温的方法 |
CN111610201A (zh) * | 2020-04-30 | 2020-09-01 | 中国科学院空天信息创新研究院 | 被动微波多通道协同的土壤水分反演方法及装置 |
CN112161998A (zh) * | 2020-09-02 | 2021-01-01 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN112414554A (zh) * | 2020-12-02 | 2021-02-26 | 国家卫星海洋应用中心 | 海面盐度获取方法、装置、设备及介质 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
CN113009482A (zh) * | 2021-02-01 | 2021-06-22 | 中国科学院东北地理与农业生态研究所 | 一种植被覆盖下地表盐渍土含盐量的监测方法 |
CN114758080A (zh) * | 2022-06-14 | 2022-07-15 | 中国科学院空天信息创新研究院 | 海面盐度网格化反演的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3639834A (en) * | 1970-04-17 | 1972-02-01 | Charles W E Walker | Microwave moisture measurement apparatus having movable mirror scanning means |
CN101936921A (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amsr-e数据反演土壤水分方法 |
CN103149220A (zh) * | 2013-01-30 | 2013-06-12 | 中国科学院对地观测与数字地球科学中心 | 一种单频率微波辐射计土壤水分的反演方法 |
-
2016
- 2016-02-01 CN CN201610064046.9A patent/CN105606631B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3639834A (en) * | 1970-04-17 | 1972-02-01 | Charles W E Walker | Microwave moisture measurement apparatus having movable mirror scanning means |
CN101936921A (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amsr-e数据反演土壤水分方法 |
CN103149220A (zh) * | 2013-01-30 | 2013-06-12 | 中国科学院对地观测与数字地球科学中心 | 一种单频率微波辐射计土壤水分的反演方法 |
Non-Patent Citations (4)
Title |
---|
JIANGYUAN ZENG ET.AL.: ""Method for Soil Moisture and Surface Temperature Estimation in the Tibetan Plateau Using Spaceborne Radiometer Observations"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刘良明等: "《卫星海洋遥感导论》", 31 October 2005 * |
杨军: "《气象卫星及其应用》", 31 October 2012 * |
童明创: "《复杂背景中目标电磁散射仿真方法与应用研究》", 31 January 2014 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018439B (zh) * | 2016-07-05 | 2019-01-18 | 吉林大学 | 微波遥感土壤水分监测系统及其监测方法 |
CN106018439A (zh) * | 2016-07-05 | 2016-10-12 | 吉林大学 | 微波遥感土壤水分监测系统及其监测方法 |
CN106226766A (zh) * | 2016-07-08 | 2016-12-14 | 华中科技大学 | 一种基于被动毫米波极化成像的材料分类方法 |
CN106226766B (zh) * | 2016-07-08 | 2018-07-24 | 华中科技大学 | 一种基于被动毫米波极化成像的材料分类方法 |
CN108171245A (zh) * | 2017-10-09 | 2018-06-15 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN108761034B (zh) * | 2018-05-16 | 2019-04-30 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
CN110793649A (zh) * | 2019-10-14 | 2020-02-14 | 三亚中科遥感研究所 | 一种使用后向散射截面校正粗糙海面亮温的方法 |
CN111610201A (zh) * | 2020-04-30 | 2020-09-01 | 中国科学院空天信息创新研究院 | 被动微波多通道协同的土壤水分反演方法及装置 |
CN111610201B (zh) * | 2020-04-30 | 2021-08-10 | 中国科学院空天信息创新研究院 | 被动微波多通道协同的土壤水分反演方法及装置 |
US11234359B2 (en) | 2020-04-30 | 2022-02-01 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method and device for soil moisture retrieval using multi-channel collaborative algorithm and passive microwave radiometry |
CN112161998A (zh) * | 2020-09-02 | 2021-01-01 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN112161998B (zh) * | 2020-09-02 | 2023-12-05 | 国家气象信息中心 | 土壤含水量测量方法、装置、电子设备及存储介质 |
CN112414554A (zh) * | 2020-12-02 | 2021-02-26 | 国家卫星海洋应用中心 | 海面盐度获取方法、装置、设备及介质 |
CN112414554B (zh) * | 2020-12-02 | 2021-12-07 | 国家卫星海洋应用中心 | 海面盐度获取方法、装置、设备及介质 |
CN113009482A (zh) * | 2021-02-01 | 2021-06-22 | 中国科学院东北地理与农业生态研究所 | 一种植被覆盖下地表盐渍土含盐量的监测方法 |
CN114758080A (zh) * | 2022-06-14 | 2022-07-15 | 中国科学院空天信息创新研究院 | 海面盐度网格化反演的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105606631B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606631A (zh) | 一种盐度卫星双波段亮温数据联合反演土壤水分的方法 | |
Largeron et al. | Toward snow cover estimation in mountainous areas using modern data assimilation methods: A review | |
Choi et al. | A microwave-optical/infrared disaggregation for improving spatial representation of soil moisture using AMSR-E and MODIS products | |
Qin et al. | A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region | |
Tedesco et al. | Evidence and analysis of 2012 Greenland records from spaceborne observations, a regional climate model and reanalysis data | |
Higurashi et al. | A study of global aerosol optical climatology with two-channel AVHRR remote sensing | |
Burns et al. | Effects of precipitation and cloud ice on brightness temperatures in AMSU moisture channels | |
Roy et al. | Snow water equivalent retrieval in a Canadian boreal environment from microwave measurements using the HUT snow emission model | |
Guglielmetti et al. | Measured microwave radiative transfer properties of a deciduous forest canopy | |
de Rosnay et al. | SMOS brightness temperature forward modelling and long term monitoring at ECMWF | |
Brucker et al. | Snow grain-size profiles deduced from microwave snow emissivities in Antarctica | |
CN110057997B (zh) | 一种基于双极化sar数据的森林可燃物含水率时间序列反演方法 | |
Merrikhpour et al. | Improving the algorithm of extracting regional total precipitable water vapor over land from MODIS images | |
Guedj et al. | Land surface temperature estimation to improve the assimilation of SEVIRI radiances over land | |
Xu et al. | Assimilating MODIS‐based albedo and snow cover fraction into the Common Land Model to improve snow depth simulation with direct insertion and deterministic ensemble Kalman filter methods | |
Otkin | Assessing the impact of the covariance localization radius when assimilating infrared brightness temperature observations using an ensemble Kalman filter | |
Merrikhpour et al. | An introduction to an algorithm for extracting precipitable water vapor over land from AMSR2 images | |
Takala et al. | New snow water equivalent processing system with improved resolution over Europe and its applications in hydrology | |
Bao et al. | Comparisons of soil moisture datasets over the Tibetan Plateau and application to the simulation of Asia summer monsoon onset | |
Yashchenko et al. | Impact of the soil moisture distribution in the top layer on the accuracy moisture retrieval by microwave radiometer data | |
André et al. | Non-invasive forest litter characterization using full-wave inversion of microwave radar data | |
Peres et al. | Analyses of the positive bias of remotely sensed SST retrievals in the coastal waters of Rio de Janeiro | |
Rakesh et al. | Intercomparison of the performance of MM5/WRF with and without satellite data assimilation in short-range forecast applications over the Indian region | |
Bao et al. | Impacts of AMSU-A, MHS and IASI data assimilation on temperature and humidity forecasts with GSI–WRF over the western United States | |
Li et al. | Forecasting and nowcasting improvement in cloudy regions with high temporal GOES sounder infrared radiance measurements |
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 |
Granted publication date: 20190726 |
|
CF01 | Termination of patent right due to non-payment of annual fee |