CN105974091B - 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 - Google Patents
林下草本植被枯枝落叶层丰富度的遥感量化探测方法 Download PDFInfo
- Publication number
- CN105974091B CN105974091B CN201610523706.5A CN201610523706A CN105974091B CN 105974091 B CN105974091 B CN 105974091B CN 201610523706 A CN201610523706 A CN 201610523706A CN 105974091 B CN105974091 B CN 105974091B
- Authority
- CN
- China
- Prior art keywords
- soil
- respiration
- forest
- vegetation
- remote sensing
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
Abstract
本发明涉及一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，包括以下步骤;步骤S1：对土壤的基础呼吸值进行遥感测定；步骤S2：通过土壤基础呼吸值指示林下植被、枯枝落叶的覆盖现况；步骤S3：基于表征土壤基础呼吸值对林下植被的指示作用的模型，利用遥感反演的土壤基础呼吸值图，反演出林下林下植被、枯枝落叶覆盖现况，进而实现林下植被、枯枝落叶覆盖现况的遥感量化探测。本发明借助于土壤基础呼吸值与体现林下植被等状态指标间的关系，实现林下草本植被枯枝落叶层丰富度的遥感量化测定，为林业相关部门基于遥感技术判定林下植被、枯枝落叶覆盖现况的快速测定提供统一、标准技术。
Description
技术领域
本发明涉及林业遥感技术应用领域，特别是一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法。
背景技术
受地面上林分覆盖和卫星成像分辨率不足等因素影响，利用卫星直接识别林下植被、枯枝落叶的基本情况难度很大。为了从遥感数据中获得林下植被信息必须依靠替代模拟指标，并与模型相结合来评估和测定，隐含性指示林下植被和枯枝落叶层状况，是利用遥感实现林下植被特征识别的可行所在。有证据表明，土壤呼吸值受土壤温度、土壤有机物的质量和数量、土壤湿度、土地覆盖类型的影响，可反映林下土壤肥力，是土壤微生物数量和活性可能的重要体现，指示土壤健康和土壤环境质量变化。林下植被、枯枝落叶情况则与土壤有机物的质量和数量、土壤湿度、土地覆盖类型等显著相关，因而我们认为可借助于土壤呼吸值，隐含性指示林下植被及枯枝落叶层的综合状况，因而结合合适的模型，基于遥感技术的间接估测技术思路，实现土壤呼吸值的反演，实现林下草本植被枯枝落叶层丰富度的遥感量化测定。
发明内容
有鉴于此，本发明的目的是提出一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，借助于土壤基础呼吸值与体现林下植被等状态指标间的关系，实现林下草本植被枯枝落叶层丰富度的遥感量化测定，为林业相关部门基于遥感技术判定林下植被、枯枝落叶覆盖现况的快速测定提供统一、标准技术。
本发明采用以下方案实现：一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，其特征在于：包括以下步骤；
步骤S1：对土壤的基础呼吸值进行遥感测定；
步骤S2：通过土壤基础呼吸值指示林下植被、枯枝落叶的覆盖现况；
步骤S3：基于表征土壤基础呼吸值对林下植被的指示作用的模型，利用遥感反演的土壤基础呼吸值图，反演出林下林下植被、枯枝落叶覆盖现况，进而实现林下植被、枯枝落叶覆盖现况的遥感量化探测。
进一步地，所述步骤S1具体包括以下步骤：
步骤S11：布设样地，采用测定LI-8100碳通量自动测量系统测定土壤呼吸，并调查林分因子；
步骤S12：根据CASA模型，结合遥感影像数据，获取各模型基础数据，基于生态系统碳循环处于平衡状态，即植被净第一性生产力固定的有机碳过程中与通过土壤异养呼吸释放的有机碳相等的基础理论，实现土壤基础呼吸的遥感反演；
其中，所述CASA模型的具体计算公式如下：
NPP(x,t)＝APAR(s,t)×ε(x,t)；
式中，NPP(x,t)表示净初级生产力，APAR(s,t)表示植被吸收的光合有效辐射，ε(x,t)表示实际光能利用率。
进一步地，所述实现土壤基础呼吸的遥感反演具体为：
式中，A表示土壤基础呼吸，单位为g·m-2/月；y表示水分对土壤呼吸的限制因子，取值范围为[0.03,1]，β为温度反应系数；T为大气温度；
其中，水分限制因子y的计算采用下式：
式中，PPT为区域年降水量，PET为区域年前在蒸散量。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：分析各样点的枯枝落叶层厚度、灌草层盖度、林分郁闭度、叶面积指数、有机碳含量、全氮含量与土壤基础呼吸值的相关性；
步骤S22：以分析土壤基础呼吸值与各个因子间的相关性程度为基础，采用线性回归模型方法，构建表征土壤基础呼吸值对林下植被 的指示作用的模型。
进一步地，所述步骤S3具体为：基于表征土壤基础呼吸值对林下植被的指示作用的模型，推导出灌草盖度V1和枯枝落叶层V2的遥感反演模型，利用遥感反演的土壤基础呼吸Q10值图，反演出林下林下植被、枯枝落叶覆盖现况：
与现有技术相比，本发明有以下有益效果：本发明提供一种林下草本植被枯枝落叶层丰富度的遥感量化的估测方法，借助于土壤基础呼吸值与体现林下植被(草本植被枯枝落叶层丰富度)等状态指标间的关系，基于“遥感估测定土壤基础呼吸值-土壤基础呼吸值体现林下草本层和枯枝落叶层”的间接估测、判定思路，实现林下草本植被枯枝落叶层丰富度的遥感量化测定，解决了林地上受林木覆盖影响，林下草本植被枯枝落叶层状况的遥感难以估测技术难点，为林业相关部门基于遥感技术判定林下植被、枯枝落叶覆盖现况的快速测定提供统一、标准技术。
附图说明
图1是本发明实施例中研究区地理位置示意图及野外土壤采样点；
图2是本发明实施例中河田镇2015年温度胁迫因子专题图；
图3是本发明实施例中河田镇2015年水分胁迫因子专题图；
图4是本发明实施例中河田镇森林NPP分布专题图；
图5是本发明实施例中河田镇水分限制因子分布专题图；
图6是本发明实施例中土壤基础呼吸分布专题图；
图7是本发明实施例中土壤基础呼吸-生物及非生物因子有机碳含量拟合方程图；
图8是本发明实施例中土壤基础呼吸-生物及非生物因子全氮含量拟合方程图；
图9是本发明实施例中土壤基础呼吸-生物及非生物因子灌草层盖度拟合方程图；
图10是本发明实施例中土壤基础呼吸-生物及非生物因子枯枝落叶层厚度拟合方程图；
图11是本发明实施例中土壤基础呼吸-生物及非生物因子林分郁闭度拟合方程图；
图12是本发明实施例中土壤基础呼吸-生物及非生物因子叶面积指数拟合方程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供了选择具体的研究区进行说明。研究区概况：研究区位于福建省长汀县河田镇，东起南山镇，南毗涂坊乡、濯田镇，北连新桥镇，西邻策武乡，地处武夷山脉南段(25°33′—26°48′N、 116°18′—116°31′E)。研究区山地天然植被遭到严重毁坏，转为代之的是马尾松(Pinus massoniana Lamb.)人工林。林下灌木层主要包括黄瑞木(Adinandramillettii)、胡枝子(Lespedeza bicolor)等，草本层以芒萁(Dicranopteris dichotoma)为主。在一些水土流失严重区，马尾松人工林生长极差，年生长量不到20cm，形成了“老头松”林，部分地方甚至寸草不长。河田镇本身的自然环境条件造就了该区域生态系统的脆弱性，加之人们长期对自然资源过度无序的开发利用，使得研究区水土流失非常严重，体现在侵蚀类型多且侵蚀强度大。截止2009年底，全镇水土流失面积为96km2。
(1)土壤基础呼吸值遥感测定。
首先，在研究区114个二类样地点的基础上，结合区域地形、植被特征、水文情况等因素设置59块25.82m×25.82m的标准样地，采用LI-8100碳通量自动测量系统(美国)测定土壤呼吸，并调查林分因子。
①土壤呼吸主要采用LI-8100碳通量自动测量系统(美国)进行测定。在每个样地内(如图1所示)随机安放3个直径20cm，高度约10cm的底端经过削尖处理的PVC环，插入深度约6cm。为了减少放置PVC环对土壤呼吸的影响，提前1d将PVC环插入土壤中，同时为了避免植物光合作用对土壤呼吸的作用，剪除PVC环内的地表植被。测定于早上09:00开始，下午16:00结束。测定时，将LI-8100A自带气室扣在PVC环上，检查气室的气密性，形成密闭气室。每个PVC环测定3次重复，每个样地测定9组数据，取其均值作为该样地的土 壤呼吸。10cm深度土壤温度和土壤湿度采用LI-8100自带的土壤温度探针和土壤湿度探针测定，与土壤呼吸同步测定。测定时，将两探针同时插入PVC环附近，测定结束后，仪器自动记录土壤呼吸对应10cm深度的土壤温度和土壤湿度。
②林分植被指标主要包括林分郁闭度、灌草层盖度以及枯枝落叶层厚度等，灌草层取以PVC环为中心的2m×2m样方，枯枝落叶层取以PVC环为中心1m×1m样方，其他调查技术按森林经理调查标准执行。
第二，根据CASA(卡萨生物圈)模型，结合遥感影像数据，获取各模型基础数据，基于生态系统碳循环处于平衡状态，即植被净第一性生产力固定的有机碳过程中与通过土壤异养呼吸释放的有机碳相等的基础理论，实现土壤基础呼吸的遥感反演。
①采用数据：
遥感数据：2014年12月10日景号分别为0719-04222、0519-03996的法国Pleiades遥感数据。
气象数据：福建省长汀县气象局提供的2014年12月和2015年1月各乡镇的月均气温、月均降水量、多年平均降水量、月平均太阳辐射数据等。
根据长汀县气象局提供的14个乡镇的日均温，计算2014年12月和2015年1月的月均温，然后利用ArcGIS 9.3建立点shp图层，给对应乡镇赋月均温值，最后利用ArcGIS 9.3软件的空间统计模块，对月均温进行Kriging插值，对插值后的结果结合河田镇行政区AOI进行裁剪，得到研究区的月均温图。月降水量和年均降水量类似处理。
②CASA模型：
模型具体计算过程如式1所示：
NPP(x,t)＝APAR(x,t)×ε(x,t) (1)
模型参数如下表所示：
表1模型参数
该模型是目前碳循环模型中研究生物地球化学模型的主要代表，已被广泛应用于NPP的估算，由于该模型需要的输入参数较少，这些输入参数一般可以通过遥感技术手段直接或间接获取，可以大大避免因为数据缺乏、数据陈旧及获取困难导致模型精度不高。因此，CASA模型已成为当前国际上主流的NPP估算模型。通过ERDAS中的model 功能，实现河田镇区域的温度胁迫影响系数、水分胁迫影响系数和森林NPP的反演并制图，如图2、图3、图4所示。
③土壤基础呼吸反演：
公式见式2
式中：A表示土壤基础呼吸(g·m-2/月)；y表示水分对土壤呼吸的限制因子，取值范围为[0.03,1]；β为温度反应系数；T为大气温度。
其中：水分限制因子y的计算见式3、式4：
式中：PPT为区域年降水量；PET为区域年潜在蒸散量；当区域降水量大于或等于区域潜在蒸散量时，y≈1，当区域降水量小于区域潜在蒸散量时，y＜1。
温度反应系数的计算：温度反应系数是确定呼吸过程对温度敏感性值Q10的重要系数。Q10是指温度每上升10℃时，土壤呼吸强度增大的倍数。当土壤呼吸和土壤温度之间采用van’t Hoff指数模型进行拟合时(式5)，Q10就可以通过温度反应系数计算出来，计算公式，见式6。
Rs＝R0eβT (5)
Q10＝e10β (6)
式中：Rs表示在土壤表面测得的土壤呼吸速率(umol·m-2·s-1)；R0表示土壤温度为0℃时的土壤呼吸速率(umol·m-2·s-1)；T表示土壤温度(℃)。
Q10值由于地理位置、季节条件、生态系统类型的不同而具有明显的空间异质性。由于土壤每一个呼吸过程的温度敏感性很难单独给测量出来，因此目前对Q10的估算主要是通过测量多个呼吸过程对温度响应的变化结果而来。
为了提高土壤基础呼吸反演精度，本发明中的值通过实测与实测的土壤温度建立指数模型得到。通过三倍标准差法去除9个实测土壤呼吸速率数据的异常点，利用剩余的50组数据进行指数模型的模拟，以此得到研究区的平均温度反应系数β＝0.0794。通过ERDAS中的model功能，实现河田镇区域的水分限制因子和土壤基础呼吸的反演并制图，如图5和图6所示。
④土壤基础呼吸值遥感测定及精度验证：
利用研究基础数据，获取CASA模型各个参数专题信息，根据式1，实现研究区NPP的反演。再根据式2得到研究区的土壤基础呼吸数据。由于本发明中遥感反演出来的土壤基础呼吸指的是长汀县河田镇2015年1月份温度为0℃时的土壤呼吸总量，而实测的土壤呼吸速率是实测温度下的土壤呼吸速率，两者之间的单位及基础水平不同，需要将两者转为同一水平下同个单位的数值进行比较分析，以便进行精度验证。利用式5和式6进行土壤基础呼吸与土壤呼吸速率的转换，即先通过实测样点的GPS坐标提取对应样点的土壤基础呼吸数据，然 后通过式7将土壤基础呼吸转为0℃时的土壤呼吸速率，最后通过式5可以很容易地确定出各个样点遥感反演的土壤呼吸速率。选用平均相对精度RA、均值估测精度RM对研究区实测土壤呼吸和遥感反演土壤呼吸进行精度验证，结果见表2。
A＝RA0×12×3600×24×30×10-6 (7)
式中：A表示遥感反演的土壤基础呼吸(gC·m-2/月)；RA0表示温度为0℃时的土壤呼吸速率(umol·m-2·s-1)；常数12表示C的摩尔质量(12g·mol-1)；常数3600、24、30分别表示一小时的秒数、一天的小时数、一个月的天数，三者相乘即为一个月的秒数；常数10-6表示单位微摩尔转为摩尔的系数，即1umol＝10-6umol。
表2不同优势树种的精度评价表
(2)土壤基础呼吸值指示林下植被、枯枝落叶覆盖现况。
第一，分析各样点的枯枝落叶层厚度、灌草层盖度、林分郁闭度、叶面积指数、有机碳含量、全氮含量与土壤基础呼吸值的相关性。
遥感反演的土壤基础呼吸指的是温度为0℃且没有水分限制的条件下土壤的呼吸量，因此在分析土壤基础呼吸与生物及非生物因子的关系时，不考虑土壤基础呼吸和温度、湿度之间的关系。利用SPSS 21.0进行土壤基础呼吸与各个生物及非生物因子的相关性分析，结果见表3。
表3土壤基础呼吸与生物及非生物因子的相关性矩阵
从表3可以看出，土壤基础呼吸与各个因子均呈极显著正相关(P<0.01)，表明生物及非生物因子共同影响着土壤基础呼吸。
第二，以分析土壤基础呼吸值与各个因子间的相关性程度为基础，采用线性回归模型方法，构建表征土壤基础呼吸值对林下植被的指示作用的模型。
从发明上述分析中可以知道，土壤基础呼吸可以不同程度地解释各个因子的变化情况，土壤基础呼吸受有机物含量、灌草层盖度、枯枝落叶层厚度的影响，可以在一定程度上反映林下土壤肥力，是土壤微生物数量和活性的重要体现，也是指示土壤健康和土壤环境质量变化的重要指标。为了便于表达土壤基础呼吸与林下植被间的关系，利用实测检验样点数据，采用线性回归模型，并选用均方根误差RMSE、 平均相对精度RA、均值估测精度RM对研究区土壤基础呼吸隐含性指示林下植被的适用性进行分析，结果见图7至图12、表4。
表4土壤基础呼吸与各因子模型的适用性评价结果
由图7可以得出，不同因子估算土壤基础呼吸与实际土壤基础呼吸的拟合关系大小依次为：灌草层盖度(R2＝0.6221)>枯枝落叶层厚度(R2＝0.4699)>有机碳含量(R2＝0.456)>全氮含量(R2＝0.4165)>林分郁闭度(R2＝0.3642)。从表3可以看出，不同因子的线性回归模型RMSE差别较大，最大的为林分郁闭度，RMSE为2.21，最小的为灌草层盖度，RMSE仅为1.67；不同因子的线性回归模型中平均相对精度大小依次为：叶面积指数(86.41％)>灌草层盖度(84.42％)>枯枝落叶层厚度(84.39％)>有机碳含量(83.87％)＝全氮含量(83.87％)>林分郁闭度(83.41％)。
综上，利用灌草层盖度和枯枝落叶层厚度进行土壤基础呼吸的估算效果较好，其对应模型的斜率接近于1，他们的拟合系数均大于0.4，所对应的相对平均精度也较高。在研究区可以用土壤基础呼吸很好地 表征林下灌草层盖度及枯枝落叶层厚度。
(3)林下植被、枯枝落叶覆盖现况的遥感量化探测。
基于表征土壤基础呼吸值(A)对林下植被的指示作用的模型，推导出灌草盖度(V1)和枯枝落叶层(V2)的遥感反演模型，见式8、9利用遥感反演的土壤基础呼吸Q10值图，反演出林下林下植被、枯枝落叶覆盖现况。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (4)
1.一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，其特征在于：包括以下步骤；
步骤S1：对土壤的基础呼吸值进行遥感测定；
步骤S2：通过土壤基础呼吸值指示林下植被、枯枝落叶的覆盖现况；
步骤S3：基于表征土壤基础呼吸值对林下植被的指示作用的模型，利用遥感反演的土壤基础呼吸值图，反演出林下植被、枯枝落叶覆盖现况，进而实现林下植被、枯枝落叶覆盖现况的遥感量化探测；
所述步骤S2具体包括以下步骤：
步骤S21：分析各样点的枯枝落叶层厚度、灌草层盖度、林分郁闭度、叶面积指数、有机碳含量、全氮含量与土壤基础呼吸值的相关性；
步骤S22：以分析土壤基础呼吸值与各个因子间的相关性程度为基础，采用线性回归模型方法，构建表征土壤基础呼吸值对林下植被的指示作用的模型。
2.根据权利要求1所述的一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，其特征在于：所述步骤S1具体包括以下步骤：
步骤S11：布设样地，采用测定LI-8100碳通量自动测量系统测定土壤呼吸，并调查林分因子；
步骤S12：根据CASA模型，结合遥感影像数据，获取各模型基础数据，基于生态系统碳循环处于平衡状态，即植被净第一性生产力固定的有机碳过程中与通过土壤异养呼吸释放的有机碳相等的基础理论，实现土壤基础呼吸的遥感反演；
其中，所述CASA模型的具体计算公式如下：
NPP(x,t)＝APAR(s,t)×ε(x,t)；
式中，NPP(x,t)表示净初级生产力，APAR(s,t)表示植被吸收的光合有效辐射，ε(x,t)表示实际光能利用率。
3.根据权利要求2所述的一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，其特征在于：所述实现土壤基础呼吸的遥感反演具体为：
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mi>P</mi>
<mi>P</mi>
</mrow>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>&beta;</mi>
<mo>&times;</mo>
<mi>T</mi>
</mrow>
</msup>
<mo>&times;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中，A表示土壤基础呼吸，单位为g·m-2/月；y表示水分对土壤呼吸的限制因子，取值范围为[0.03,1]，β为温度反应系数；T为大气温度；
其中，水分限制因子y的计算采用下式：
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mn>30</mn>
<mo>&times;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>8.5</mn>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>P</mi>
<mi>T</mi>
</mrow>
<mrow>
<mi>P</mi>
<mi>E</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中，PPT为区域年降水量，PET为区域年前在蒸散量。
4.根据权利要求1所述的一种林下草本植被枯枝落叶层丰富度的遥感量化探测的方法，其特征在于：所述步骤S3具体为：基于表征土壤基础呼吸值对林下植被的指示作用的模型，推导出灌草盖度V1和枯枝落叶层V2的遥感反演模型，利用遥感反演的土壤基础呼吸Q10值图，反演出林下植被、枯枝落叶覆盖现况：
<mrow>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mo>-</mo>
<mn>7.440</mn>
</mrow>
<mn>0.173</mn>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mo>-</mo>
<mn>6.925</mn>
</mrow>
<mn>1.294</mn>
</mfrac>
<mo>;</mo>
</mrow>
式中，A表示土壤基础呼吸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610523706.5A CN105974091B (zh) | 2016-07-06 | 2016-07-06 | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610523706.5A CN105974091B (zh) | 2016-07-06 | 2016-07-06 | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105974091A CN105974091A (zh) | 2016-09-28 |
| CN105974091B true CN105974091B (zh) | 2018-04-13 |
Family
ID=56954549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610523706.5A Active CN105974091B (zh) | 2016-07-06 | 2016-07-06 | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105974091B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107993157B (zh) * | 2017-11-13 | 2021-01-22 | 中国水利水电科学研究院 | 一种草地植被根系对坡面产流的影响识别方法 |
| CN112016837A (zh) * | 2020-08-31 | 2020-12-01 | 中国气象科学研究院 | 一种基于气象数据的温带草原生长季末期枯落物量化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
| WO2013071185A1 (en) * | 2011-11-11 | 2013-05-16 | Exxonmobil Upstream Research Company | Exploration method and system for detection of hydrocarbons |
| CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
| CN104020274A (zh) * | 2014-06-05 | 2014-09-03 | 刘健 | 一种林地立地质量遥感量化估测的方法 |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
-
2016
- 2016-07-06 CN CN201610523706.5A patent/CN105974091B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| WO2013071185A1 (en) * | 2011-11-11 | 2013-05-16 | Exxonmobil Upstream Research Company | Exploration method and system for detection of hydrocarbons |
| US9612231B2 (en) * | 2011-11-11 | 2017-04-04 | Exxonmobil Upstream Research Company | Exploration method and system for detection of hydrocarbons |
| CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
| CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
| CN104020274A (zh) * | 2014-06-05 | 2014-09-03 | 刘健 | 一种林地立地质量遥感量化估测的方法 |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 中国土壤呼吸温度敏感性空间格局的反演;周涛 等;《中国科学 C辑：生命科学》;20091231;第39卷(第3期);全文 * |
| 林地土壤有机碳遥感反演及空间分异研究;游浩辰;《中国优秀硕士论文全文数据库》;20121231;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9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105974091A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fischer et al. | Spatiotemporal variations in growing season exchanges of CO 2, H 2 O, and sensible heat in agricultural fields of the Southern Great Plains | |
| Jin et al. | Phenology and gross primary production of two dominant savanna woodland ecosystems in Southern Africa | |
| Wang et al. | Deriving maximal light use efficiency from coordinated flux measurements and satellite data for regional gross primary production modeling | |
| Wang et al. | Assessing vegetation dynamics impacted by climate change in the southwestern karst region of China with AVHRR NDVI and AVHRR NPP time-series | |
| Ito | The regional carbon budget of East Asia simulated with a terrestrial ecosystem model and validated using AsiaFlux data | |
| Maselli et al. | Simulation of grassland productivity by the combination of ground and satellite data | |
| Niemeyer et al. | Relative pollen productivity estimates for common taxa of the northern Siberian Arctic | |
| Hoffmann et al. | Detecting small-scale spatial heterogeneity and temporal dynamics of soil organic carbon (SOC) stocks: a comparison between automatic chamber-derived C budgets and repeated soil inventories | |
| CN109934109B (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
| Lees et al. | A model of gross primary productivity based on satellite data suggests formerly afforested peatlands undergoing restoration regain full photosynthesis capacity after five to ten years | |
| Shi et al. | Multi-year monitoring of paddy rice planting area in Northeast China using MODIS time series data | |
| Montazar et al. | Determination of actual evapotranspiration and crop coefficients of California date palms using the residual of energy balance approach | |
| Pei et al. | An improved phenology-based CASA model for estimating net primary production of forest in central China based on Landsat images | |
| Zhou et al. | Modeling winter wheat phenology and carbon dioxide fluxes at the ecosystem scale based on digital photography and eddy covariance data | |
| CN105974091B (zh) | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 | |
| Yamamoto et al. | Uncertainty quantification in land surface temperature retrieved from Himawari-8/AHI data by operational algorithms | |
| Balenzano et al. | On the use of multi-temporal series of cosmo-skymed data for Landcover classification and surface parameter retrieval over Agricultural sites | |
| CN114241331A (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| Hoffmann et al. | Combining a root exclusion technique with continuous chamber and porous tube measurements for a pin‐point separation of ecosystem respiration in croplands | |
| Li et al. | Simulation of soil nitrogen storage of the typical steppe with the DNDC model: A case study in Inner Mongolia, China | |
| Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
| CN111192315B (zh) | 一种基于多源信息的实际灌溉面积提取方法 | |
| Rao et al. | Compound-specific hydrogen isotopes of long-chain n-alkanes extracted from topsoil under a grassland ecosystem in northern China | |
| Raju et al. | Very high-resolution Net Ecosystem Exchange over India using Vegetation Photosynthesis and Respiration Model (VPRM) simulations | |
| Hailegiorgis | Remote Sensing analysis of summer time Evapotranspiration using SEBS algorithm |
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 |