CN107424076A - 一种基于amsr2土壤水分数据降尺度算法 - Google Patents
一种基于amsr2土壤水分数据降尺度算法 Download PDFInfo
- Publication number
- CN107424076A CN107424076A CN201710619138.3A CN201710619138A CN107424076A CN 107424076 A CN107424076 A CN 107424076A CN 201710619138 A CN201710619138 A CN 201710619138A CN 107424076 A CN107424076 A CN 107424076A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- product
- lst
- amsr2
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种基于空间权重分解算法的AMSR2 土壤水分数据降尺度方法,包括如下步骤:(1)获取待研究区AMSR2土壤含水量产品和同一时间的光学遥感数据(LST与NDVI);(2)利用MRT、IDL对1km空间尺度的LST与NDVI进行干湿边模拟,计算研究区内温度植被干旱指数(TVDI);(3)利用反距离权重插值法对0.1º*0.1º尺度AMSR2 土壤水分数据进行重采样成10km空间尺度的土壤水分产品;(4)利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重,然后利用权重对10km空间尺度的土壤水分产品分解成1km土壤水分产品。本发明利用被动微波遥感数据和光学遥感数据二者在时空分辨率上的优势,利用TVDI与土壤水分呈负相关关系,将二者有效整合获取高空间分辨率的土壤含水量数据,可满足大范围尺度区域土壤水分研究,弥补有云区域分辨率土壤含水量高实时或准实时的动态监测,准确度高,易于建立,省时省力,便于业务化处理。
Description
技术领域
本发明涉及空间赋权统计降尺度方法,具体的说是基于AMSR2土壤水分数据,利用单位像元内TVDI的空间权重进行赋权的降尺度方法。
背景技术
土壤水分是气候系统中的关键物理量,控制着陆地与大气之间的水分和能量循环过程,影响着土壤的理化性质与植被的生长,进而影响我国的粮食产量。同时,土壤含水量是地表能量平衡和水循环的重要组成部分,是调节水分和能量收支平衡的“调节器”,是全球变化研究中的重要监测因子。目前,各种基于全球观测站点资料建立的土壤含水量数据集,由于观测点的密度和空间代表性不足,模拟和预报的精度难以满足应用需求。
目前区域尺度上遥感技术监测土壤湿度时空分布的主要手段可分为光学遥感和微波遥感两大类。微波遥感具备全天候、重复周期短和不受天气影响等优点,成为普遍使用的土壤湿度遥感监测方法之一,并已有不少卫星土壤湿度产品发布供研究者使用,如 Aqua卫星、EUMETSAT 卫星和 SMOS 卫星。
先进微波扫描辐射计AMSR2,土壤水分和海洋盐分传感器SMOS,以及风云三号气象卫星均具有全天时、全天候、观测尺度大、重访周期短等突出优势,能够提供高覆盖度高时效性的全球土壤含水量数据。但这些数据的空间分辨率一较低,无法满足流域尺度土壤含水量时空动态监测的需求。光学遥感数据空间分辨率可以达到以下,高空间分辨率、低时间分辨率、易受天气影响的特点,与被动微波遥感数据恰恰相反。
目前有关土壤水分产品降尺度研究一定程度上取得了很大的进展,但是他们的共同点都是利用不同方法(回归、神经网络)不断优化不同传感器低分辨土壤水分产品与MODIS地表相关参数之间的关系等式,然后假设这种关系式不随空间尺度变化而变化,最后利用高分辨地表数据合成不同尺度土壤水分产品。大尺度上微波产品具有较好的精度,同时很多研究利用温度植被干旱指数去验证土壤水分,小尺度内温度植被干旱指数具有较好的验证效果。为了规避之前研究关系等式的空间尺度效应,本发明提出了一种新的土壤水分降尺度方法,大尺度上基于微波遥感数据,利用小尺度上温度植被干旱指数进行局部赋权,然后利用权重对微波数据进行重采样的降尺度方法。
发明内容
本发明要解决的技术问题是提供一种土壤含水量产品降尺度方法,提高了被动微波土壤含水量数据产品的空间分辨率,此算法操作简单,便于业务化处理,同时又满足小尺度土壤水资源利用研究及干旱监测的应用需求,克服目前土壤含水量产品数据集大空间尺度上代表性不足,小尺度上测量耗时费力、空间分辨率低等缺陷。
本发明的技术方案如下:
为解决上述技术问题,本发明提供一种土壤含水量产品降尺度方法,所述方法包括以下步骤:
(1)获取待研究区AMSR2土壤含水量产品和同一时间的1km光学遥感数据(LST与NDVI);
(2)利用MRT、IDL对1km空间尺度的LST与NDVI进行干湿边模拟,计算研究区内1km空间尺度温度植被干旱指数(TVDI);
(3)利用反距离权重插值法对0.1°*0.1°尺度AMSR2 土壤水分数据进行重采样成10*10km空间尺度的土壤水分产品;
(4)由于TVDI 与土壤湿度呈负相关关系,因此利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重,然后利用权重对10*10 km空间尺度的土壤水分产品分解成1*1 km土壤水分产品。
根据权利要求所述的AMSR2土壤含水量产品降尺度方法,其特征在于,所述步骤(1)中AMSR2土壤含水量产品采用0.1°*0.1º AMSR2 土壤含水量三级月产品;所述光学遥感影像数据采用1km MODIS的8天LST产品(MOD11A2)和月产品NDVI(MOD13A3)。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(2)中用计算同期的温度植被干旱指数(TVDI)过程包括8天LST产品合成、LST月产品的合成、有云地区的补值、计算TVDI。
所述8天LST产品合成主要包括利用MRT批量合成与转投影研究区的8天LST影响;
所述LST月产品的合成合成利用IDL编程批量一个月内全部8天LST的平均值作为该月的LST月产品。
所述有云地区的补值主要利用IDL进行调用SG滤波函数对LST、NDVI月产品求取有云地区像元的时序滤波值作为该像元的LST、NDVI值;所述计算TVDI主要利用中国1kmNDVI、LST的补值后的月产品,其公式表达如下:
(1)
式中: TVDI为给定像元对应的温度植被干旱指数值;T MODIS 为给定像元对应的地表温度;T min 为工作区内最小的地表温度;a 1 和 b 1 为定义干边的拟合参数。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(3)中利用反距离权重插值法对0.1°*0.1°尺度AMSR2 土壤水分数据进行重采样成10*10 km空间尺度的土壤水分产品。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤中利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重;由于TVDI 与土壤湿度呈负相关关系,故本发明的降尺度方法表达如下:
(2)
式中:SM 1 为给定1km像元的土壤水分;SM10给定1km像元的土壤水分;TVDI 1 为 给 定MODIS 像 元 对 应 的TVDI值;TVDI 10 为给定像元在所处 AMSR2 像元分区内的 TVDI 平均值;最后,利用1km空间尺度像元权重对10 km的土壤水分进行分解,生成1km土壤水分产品。
本发明利用TVDI对AMSR2土壤水分产品的降尺度方法优点如下:
1、本发明方法优于传统的基于光学遥感和被动微波的土壤水分降尺度方法,可以有效解决传统回归关系降尺度模型的空间尺度效应问题;
2、本发明方法利用能够较好土壤水分变化的温度植被干旱指数(TVDI)进行空间赋权,相比传统指标拟合具有更强的优势,可扩展性高;
3、本发明方法利用SG滤波对遥感数据进行补值,最大程度上逼近真实值,提高了降尺度模型的精度;
4、本发明方法运算简答,使用方便,便于多批次、长时序业务化处理,精度高,适用性强。
附图说明
图1是本发明AMSR2土壤含水量产品降尺度方法的原理流程图。
图1是本发明AMSR2土壤含水量产品降尺度方法的原理流程图。
图2是本发明中全国1km尺度NDVI月产品预处理结果图。
图3是本发明中全国1km尺度LST 8天产品预处理结果图。
图4是本发明中全国1km尺度LST 月产品预处理结果图。
图5是本发明中全国1km尺度NDVI 月产品SG滤波补值结果图。
图6是本发明中全国1km尺度LST 月产品SG滤波补值结果图。
图7是本发明中全国1km尺度TVDI 月产品结果图。
图8是本发明中全国1°×1°AMSR2 土壤水分月产品结果图。
图9是本发明中全国10×10 km AMSR2 土壤水分月产品结果图。
图10是本发明中全国1×1 km AMSR2 土壤水分月产品结果图。
图11是本发明中全国1×1 km AMSR2 土壤水分月产品降尺度精度评价结果图。
具体实施方式
本发明对全国2012年9月10km土壤水分进行降尺度处理,运算过程包括以下步骤:
(1)获取2012年9月全国AMSR2土壤含水量产品和同一时间的1km光学遥感数据(LST与NDVI);
(2)利用MRT、IDL对1km空间尺度的LST与NDVI进行干湿边模拟,计算研究区内1km空间尺度温度植被干旱指数(TVDI);
(3)利用反距离权重插值法对0.1°*0.1°尺度AMSR2 土壤水分数据进行重采样成10*10km空间尺度的土壤水分产品;
(4)由于TVDI 与土壤湿度呈负相关关系,因此利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重,然后利用权重对10*10 km空间尺度的土壤水分产品分解成1*1 km土壤水分产品。
根据权利要求所述的AMSR2土壤含水量产品降尺度方法,其特征在于,所述步骤(1)中AMSR2土壤含水量产品采用0.1°*0.1º AMSR2 土壤含水量三级月产品;所述光学遥感影像数据采用1km MODIS的8天LST产品(MOD11A2)和月产品NDVI(MOD13A3)。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(2)中用计算同期的温度植被干旱指数(TVDI)过程包括8天LST产品合成、LST月产品的合成、有云地区的补值、计算TVDI。
所述8天LST产品合成主要包括利用MRT批量合成与转投影研究区的8天LST影响。
所述LST月产品的合成合成利用IDL编程批量一个月内全部8天LST的平均值作为该月的LST月产品。
所述有云地区的补值主要利用IDL进行调用SG滤波函数对LST、NDVI月产品求取有云地区像元的时序滤波值作为该像元的LST、NDVI值;
所述计算TVDI主要利用中国1km NDVI、LST的补值后的月产品,其公式表达如下:
(1)
式中: T MODIS 为给定像元对应的地表温度;T min 为工作区内最小的地表温度;a 1 和 b 1 为定义干边的拟合参数。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(3)中利用反距离权重插值法对0.1°*0.1°尺度AMSR2 土壤水分数据进行重采样成10*10 km空间尺度的土壤水分产品。
根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤中利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重;由于TVDI 与土壤湿度呈负相关关系,故本发明的降尺度方法表达如下:
(2)
式中:SM 1 为给定1km像元的土壤水分;SM10给定1km像元的土壤水分; TVDI 1 为 给 定MODIS 像 元 对 应 的 TVDI值; TVDI 10 为给定像元在所处 AMSR2 像元分区内的 TVDI 平均值;最后,利用1km空间尺度像元权重对10 km的土壤水分进行分解,生成1km土壤水分产品。
本发明基于被动微波遥感数据和光学遥感数据二者在时空分辨率上的优势,计算温度植被干旱指数,并对实现土壤含水量产品的降尺度研究,克服了传统方法的空间尺度效应,实现中小尺度土壤含水量实时或准实时的动态监测。
Claims (6)
1.一种土壤含水量产品降尺度方法,其特征在于,所述方法包括以下步骤:
(1)获取待研究区AMSR2土壤含水量产品和同一时间的1km光学遥感数据(LST与NDVI);
(2)利用MRT、IDL对1km空间尺度的LST与NDVI进行干湿边模拟,计算研究区1km空间尺度内温度植被干旱指数(TVDI);
(3)利用反距离权重插值法对0.1°*0.1º尺度AMSR2 土壤水分数据进行重采样成10*10km空间尺度的土壤水分产品;
(4)利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重,然后利用权重对10*10 km空间尺度的土壤水分产品分解成1*1 km土壤水分产品。
2.根据权利要求所述的AMSR2土壤含水量产品降尺度方法,其特征在于,所述步骤(1)中AMSR2土壤含水量产品采用0.1°*0.1º AMSR2 土壤含水量三级月产品;所述光学遥感影像数据采用1km MODIS的8天LST产品(MOD11A2)和月产品NDVI(MOD13A3)。
3.根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(2)中用计算同期的温度植被干旱指数(TVDI)过程包括8天LST产品合成、LST月产品的合成、有云地区的补值、计算TVDI;
所述8天LST产品合成主要包括利用MRT批量合成与转投影研究区的8天LST影响;
所述LST月产品的合成合成利用IDL编程批量一个月内全部8天LST的平均值作为该月的LST月产品。
4.所述有云地区的补值主要利用IDL进行调用SG滤波函数对LST、NDVI月产品求取有云地区像元的时序滤波值作为该像元的LST、NDVI值;
所述计算TVDI主要利用中国1kmNDVI、LST的补值后的月产品,其公式表达为:
。
5.根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤(3)中利用反距离权重插值法对0.1°*0.1°尺度AMSR2 土壤水分数据进行重采样成10*10 km空间尺度的土壤水分产品。
6.根据权利要求所述的土壤含水量产品降尺度方法,其特征在于,所述步骤中利用高分辨率的TVDI对低分辨率的AMSR2 土壤水分数据进行逐像元赋权重;由于TVDI 与土壤湿度呈负相关关系,故本发明的降尺度方法表达为:;最后,利用1km空间尺度像元权重对10 km的土壤水分进行分解,生成1km土壤水分产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619138.3A CN107424076A (zh) | 2017-07-26 | 2017-07-26 | 一种基于amsr2土壤水分数据降尺度算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619138.3A CN107424076A (zh) | 2017-07-26 | 2017-07-26 | 一种基于amsr2土壤水分数据降尺度算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107424076A true CN107424076A (zh) | 2017-12-01 |
Family
ID=60431180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710619138.3A Pending CN107424076A (zh) | 2017-07-26 | 2017-07-26 | 一种基于amsr2土壤水分数据降尺度算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424076A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109063330A (zh) * | 2018-08-02 | 2018-12-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分影响的地表温度降尺度方法 |
CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
WO2020063518A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
CN114461983A (zh) * | 2022-02-09 | 2022-05-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102455282A (zh) * | 2010-10-25 | 2012-05-16 | 北京农业信息技术研究中心 | 测量土壤含水量的方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
CN106202878A (zh) * | 2016-06-28 | 2016-12-07 | 中国科学院南京地理与湖泊研究所 | 一种长时序遥感土壤水分降尺度方法 |
-
2017
- 2017-07-26 CN CN201710619138.3A patent/CN107424076A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102455282A (zh) * | 2010-10-25 | 2012-05-16 | 北京农业信息技术研究中心 | 测量土壤含水量的方法 |
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106202878A (zh) * | 2016-06-28 | 2016-12-07 | 中国科学院南京地理与湖泊研究所 | 一种长时序遥感土壤水分降尺度方法 |
Non-Patent Citations (2)
Title |
---|
YANG HAN 等: "estimating soil moisture conditions of the Greater Changbai Moutains by land surface temperature and NDVI", 《IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING》 * |
张桂欣 等: "AMSR2缺失数据重建及其土壤湿度反演精度评价", 《农业工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109063330A (zh) * | 2018-08-02 | 2018-12-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分影响的地表温度降尺度方法 |
CN109063330B (zh) * | 2018-08-02 | 2022-11-22 | 中国科学院地理科学与资源研究所 | 考虑土壤水分影响的地表温度降尺度方法 |
WO2020063518A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
CN109359394B (zh) * | 2018-10-23 | 2021-10-08 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
CN114461983A (zh) * | 2022-02-09 | 2022-05-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424076A (zh) | 一种基于amsr2土壤水分数据降尺度算法 | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
Duan et al. | Spatial downscaling of MODIS land surface temperatures using geographically weighted regression: Case study in northern China | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
CN102314546B (zh) | 基于虚拟植物的植物生长生物量变化估算方法 | |
Zhou et al. | Assessing the impacts of an ecological water diversion project on water consumption through high-resolution estimations of actual evapotranspiration in the downstream regions of the Heihe River Basin, China | |
CN106021868B (zh) | 一种基于多规则算法的遥感数据降尺度方法 | |
CN106019408B (zh) | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 | |
Baltensweiler et al. | Terrestrial laser scanning improves digital elevation models and topsoil pH modelling in regions with complex topography and dense vegetation | |
Boegh et al. | Remote sensing based evapotranspiration and runoff modeling of agricultural, forest and urban flux sites in Denmark: From field to macro-scale | |
Tian et al. | Estimating zero-plane displacement height and aerodynamic roughness length using synthesis of LiDAR and SPOT-5 data | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
CN108647623A (zh) | 一种基于资源约束条件的森林潜在碳储量遥感估算方法 | |
Chen et al. | A hybrid deep learning framework with physical process description for simulation of evapotranspiration | |
CN112434617A (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
CN114723149A (zh) | 土壤墒情预测方法、装置、电子设备及存储介质 | |
Parrens et al. | Benchmarking of L-band soil microwave emission models | |
CN106779067A (zh) | 基于多源遥感数据的土壤湿度重建方法和系统 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
CN105528523A (zh) | 一种基于遥感数据的土壤厚度反演方法 | |
Liu et al. | Unrevealing past and future vegetation restoration on the Loess Plateau and its impact on terrestrial water storage | |
CN109426772A (zh) | 一种城市人为热排放时空变化的遥感检测方法 | |
Jin et al. | Combining 3D radiative transfer model and convolutional neural network to accurately estimate forest canopy cover from very high-resolution satellite images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171201 |