CN107610050B - 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 - Google Patents
一种基于多源卫星数据的高时空分辨率陆表温度融合方法 Download PDFInfo
- Publication number
- CN107610050B CN107610050B CN201710774969.8A CN201710774969A CN107610050B CN 107610050 B CN107610050 B CN 107610050B CN 201710774969 A CN201710774969 A CN 201710774969A CN 107610050 B CN107610050 B CN 107610050B
- Authority
- CN
- China
- Prior art keywords
- data
- lst
- resolution
- image data
- highest
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,包括以下步骤:A:输入多个卫星影像数据,将所述多个卫星影像数据进行预处理;B:选取预处理完的卫星影像数据进行陆表温度(LST)反演;C:将所述LST反演的结果进行融合计算得到高时空分辨率的LST数据。本发明可以将多个卫星传感器的影像数据进行融合计算,获取精确度更高的时空分辨率陆表温度。
Description
技术领域
本发明属于卫星遥感领域,具体涉及一种基于多源卫星数据的高时空分辨率陆表温度融合方法。
背景技术
陆表温度(Land Surface Temperature,LST)是区域和全球尺度上陆地表层系统过程的关键参数,它综合了地表与大气的相互作用及大气和陆地之间能量交换的结果,广泛地应用于地表能量平衡、气候变化和资源环境监测等研究领域。及时掌握区域和全球尺度上的陆表温度时空分布,尤其是全面、完整和连续的地表温度时空分布,对地气系统能量平衡和生态系统研究具有重要意义。
卫星遥感是高效获取区域和全球尺度陆表温度的最佳手段。但是由于遥感卫星自身物理性能的限制,获取的单一遥感数据中其空间分辨率和时间分辨率是一对矛盾体,往往不可兼得。目前可获得LST产品要么是高空间分辨率和低时间分辨率,要么低空间分辨率和高时间分辨率。
因此这种矛盾严重制约了卫星热红外遥感在城市环境精细化探测、农业生产环境中的进一步应用。
为了调节热红外传感器时空矛盾,主要有降尺度分解和不同传感器时空融合方法。降尺度分解受地物类别和丰度影响,容易产生“图斑”现象。自适应遥感图像时空融合方法STARFM以及后续的各种改进算法是目前最通用算法。但是目前都是基于两个传感器之间融合,大多以研究MODIS和TM为主;当需要融合更多卫星传感器,获取时间和空间尺度更精细的LST时,无法获得。
发明内容
本发明针对现有技术的以上技术缺陷提供了一种基于多源卫星数据的高时空分辨率陆表温度融合方法,通过将多个卫星影像数据进行预处理、反演、系数回归、降尺度分解和像元搜索,最后通过融合算法进行计算出最后的高时空分辨率LST。
本发明的目的是通过以下技术方案实现的:
一种基于多源卫星数据的高时空分辨率陆表温度融合方法,包括以下步骤:
A:输入多个卫星影像数据,将所述多个卫星影像数据进行预处理;
B:选取预处理完的卫星影像数据进行陆表温度LST反演;
C:将所述LST反演的结果进行融合计算得到高时空分辨率的LST数据,所述融合计算方法具体如下:
C1:将所述LST反演的结果与数字高程模型DEM数据和归一化植被指数NDVI数据分别进行系数回归计算;
C2:根据所述系数回归的结果将所述LST反演的结果进行降尺度分解;
C3:将所述降尺度分解的结果进行相似像元搜索;
C4:将所述相似像元搜索的结果进行融合计算得到高时空分辨率的LST数据,所述融合计算公式为:
优选地,所述步骤A中预处理具体包括以下步骤:
A1:将输入的多个卫星影像数据进行拼接;
A2:将拼接后的卫星影像数据进行几何订正,所述几何订正包括投影转换、高程订正和曲率订正。
3.根据权利要求2所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,在所述步骤A2之后还包括以下步骤:
A3:将所述几何订正之后的数据进行辐射校正,然后选取一定的范围进行LST反演。
优选地,所述LST反演结果与输入卫星影像数据的个数相匹配;其中,所述输入卫星影像数据包括Himawari卫星影像数据、MODIS影像数据和Landsat卫星影像数据。
优选地,所述步骤C1具体包括:将所述LST反演结果中时间分辨率最高的LST数据、分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据分别与DEM数据和NDVI数据进行系数回归计算;其中,将时间分辨率最高的LST数据定义为高时间分辨率LST数据,将分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据定义为中分辨率LST数据。
优选地,所述系数回归计算公式为:
LST高时频=a1*DEM+b1*NDVI+c1; (1)
LST中分辨率=a2*DEM+b2*NDVI+c2; (2)
其中:LST高时频代表时间分辨率最高的LST数据,LST中分辨率代表分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据。通过将不同时刻的NDVI数据进行系数回归分析得到a1、b1、c1、a2、b2、c2,然后将a1、b1、c1、a2、b2、c2带入公式(1)和公式(2)中得到系数回归计算公式。
优选地,所述步骤C2具体包括:将分辨率与LST反演结果中空间分辨率最高的LST数据相同的DEM数据和NDVI数据输入到系数回归计算公式中,根据系数回归计算公式将时间分辨率最高的LST数据和中分辨率LST数据进行降尺度分解。
优选地,所述步骤C3具体为:
将降尺度分解的结果与LST反演结果中空间分辨率最高的LST数据进行相似像元搜索。
优选地,所述相似像元搜索具体包括以下步骤:
C31:将输入的卫星影像数据按物体类别进行分类;
C32:降尺度分解的结果与分类后的卫星影像数据中同类像元的距离因子、光谱因子和时间因子进行选择然后根据融合计算公式进行计算得到时间分辨率和空间分辨率最高的LST数据。
优选地,在进行融合计算公式进行计算前还包括以下步骤:
D:时间分辨率最高的LST数据和/或中分辨率LST数据与LST反演结果中空间分辨率最高的LST数据进行相关性分析,选取相关性最大的方式进行计算。
与现有技术相比,本发明基于多源卫星数据的高时空分辨率陆表温度融合方法至少具有以下有益效果:
本发明先将多源卫星影像(比如Himawari卫星、Terra modis卫星、Landsat卫星等)进行输入,经过数据拼接获取完整影像,然后经过投影转换、高程订正和曲率订正等几何校正后,进行辐射校正,辐射校正之后进行空间裁剪获取所需要区域影像数据,最后进行LST反演获取不同卫星和分辨率的LST产品数据。
获取不同来源、不同空间分辨率,不同时间分辨率的LST以后进行多尺度的时空融合算法。将高时间频次的LST数据、中分辨率的LST数据降尺度分解到和最高分辨率的LST数据相同分辨率,然后进行像素相似像元分解,获取对于距离因子、光谱因子和时间因子最相关的数据,最后进行多尺度时空融合算法,获取高时空分辨率的陆表温度数据。
本发明可以将多个卫星传感器的影像数据进行融合计算,获取精确度更高的时空分辨率陆表温度。
附图说明
图1为本发明一种基于多源卫星数据的高时空分辨率陆表温度融合方法总的流程图;
图2为本发明一种基于多源卫星数据的高时空分辨率陆表温度融合方法的详细流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
结合附图对本发明进行进一步说明。
如图1所示,为本发明实施例基于多源卫星数据的高时空分辨率陆表温度融合方法总的流程图,主要包括以下步骤:
步骤11:先将输入的多个卫星影像数据进行预处理。
步骤12:选取处理后的一定区域范围内的卫星影像数据进行LST反演。
步骤13:将LST反演后的结果进行融合计算得到高时空分辨率的LST数据。
下面结合图1对上述基于多源卫星数据的高时空分辨率陆表温度融合方法总的流程图进行详细说明。
如图2所示,为本发明实施例基于多源卫星数据的高时空分辨率陆表温度融合方法的详细流程图。包括以下步骤:
步骤11:输入多个卫星影像数据,将所述多个卫星影像数据进行预处理。本方案中可以输入多个卫星传感器所得到的影像数据,然后将输入的卫星影像数据进行预处理。本方案中以输入的卫星影像数据包括Himawari卫星影像数据、MODIS影像数据和Landsat卫星影像数据为例进行说明。
所述步骤11中预处理具体包括以下步骤:
步骤111:将输入的多个卫星影像数据进行拼接,根据输入的卫星传感器的种类将卫星影像数据拼接成需要的完整影像数据。
步骤112:将拼接后的卫星影像数据进行几何订正,所述几何订正包括投影转换、高程订正和曲率订正。投影转换是将数据中经纬度转换为坐标,以消除经纬度所产生的拉伸的影响。高程订正可以将确定所输入的卫星影像数据中的地形等。曲率订正可以将曲率产生的影响消除。
在所述步骤112之后还包括以下步骤:
步骤113:将所述几何订正之后的数据进行辐射校正,然后选取一定的范围进行LST反演。辐射校正是对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
步骤12:将辐射校正后的卫星影像数据进行空间剪裁,即选取一定范围内预处理完的卫星影像数据进行陆表温度LST反演,LST反演将输入的几种卫星影像数据反演成与其个数相匹配对应的LST。本方案中即为Himawari卫星影像数据所对应的时间分辨率最高的LST数据(高时间分辨率LST)、MODIS影像数据所对应的分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据(中分辨率LST)和Landsat卫星影像数据所对应的空间分辨率最高的LST数据(最高分辨率LST)。
步骤13:将所述LST反演的结果进行融合计算得到高时空分辨率的LST数据,所述融合计算方法具体如下:
步骤131:将所述LST反演的结果与数字高程模型DEM数据和归一化植被指数NDVI数据分别进行系数回归计算;DEM数据和NDVI数据是已知数据,根据需要直接输入即可。输入的卫星影像数据中包括近红外波段nir、红波段red,ndvi=(nir-red)/(nir+red)。
所述步骤131具体为:将所述LST反演结果中时间分辨率最高的LST数据、分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据分别与DEM数据和NDVI数据进行系数回归计算;其中,将时间分辨率最高的LST数据定义为高时间分辨率LST数据,分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据定义为中分辨率LST数据。
所述系数回归计算公式为:
LST高时频=a1*DEM+b1*NDVI+c1; (1)
LST中分辨率=a2*DEM+b2*NDVI+c2; (2)
其中:LST高时频代表时间分辨率最高的LST数据,LST中分辨率代表分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据。通过将不同时刻的NDVI数据进行系数回归分析得到a1、b1、c1、a2、b2、c2,然后将a1、b1、c1、a2、b2、c2带入公式1和公式2中得到最终的系数回归计算公式。将不同时刻的NDVI数据带入最终得到的系数回归计算公式,可以算出不同时刻的LST。通过系数回归计算就能得到所有时刻LST。DEM数据在某一位置的数据是一定的。
步骤132:根据所述系数回归的结果将所述LST反演的结果进行降尺度分解。
所述步骤132具体包括:将分辨率与LST反演结果中空间分辨率最高的LST数据相同的DEM数据和NDVI数据输入到最终得到的系数回归计算公式中,根据最终得到的系数回归计算公式将时间分辨率最高的LST数据和中分辨率LST数据进行降尺度分解。通过最终的系数回归计算公式得到的数据即为时间分辨率最高的LST数据和中分辨率LST数据降尺度分解后的数据。
步骤133:将降尺度分解的结果与LST反演结果中分辨率最高的LST数据进行相似像元搜索。所述相似像元搜索具体包括一下步骤:
步骤1331:将输入的卫星影像数据按物体类别进行分类;在输入的卫星影像数据中包括道路、水体、植被、建筑物等不同类别的物体,将不同类别的物体进行分类。
步骤1332:降尺度分解的结果与分类后的卫星影像数据中同类像元的距离因子、光谱因子和时间因子进行选择然后根据融合计算公式进行计算得到时空分辨率最高的LST数据。当前像元与分类后的同类像元进行距离因子、光谱因子和时间因子的权重分析,权重较大的因子即为最终选择。
步骤134:将所述相似像元搜索的结果进行融合计算得到高时空分辨率的LST数据,所述融合计算公式为:
所述融合计算由以下公式计算得来:
其中:忽略预处理错误和几何误差,M是较低分辨率降尺度到F分辨率LST。ε1是两者的反射率差异(由传感器差异、几何畸变以及大气等引起)。
F(i,t1)=M(i,t1)+ε1 (3)
t2时刻较高分辨率F和较低分辨率LST M公式表达如下:
F(i,t2)=M(i,t2)+ε2 (4)
假设地表覆盖类型和系统误差ε不随时间发生变化,所以t2时刻公式可以转换为:
F(i,t2)=F(i,t1)+M(i,t2)-M(i,t1) (5)
如果分辨率更低,时间分辨率更高的LST C加入,那么t3时刻F和C公式如下:
F(i,t2)=F(i,t2)+C(i,t3)-C(i,t2) (6)
依次类推,多尺度时空信息LST融合模型,可以表达成下面公式。
F(i,tm)=F(i,t1)-M(i,t1)+M(i,t2)-C(i,t2)+C(i,t3)-…-X(i,tm-1)+X(i,tm)(7)
步骤14:时间分辨率最高的LST数据和/或中分辨率LST数据与LST反演结果中分辨率最高的LST数据进行相关性分析,通过系数回归计算相关性,然后选取相关性最大的方式进行步骤134的计算。
以上,仅为本发明较佳的具体实施方式,但发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,包括以下步骤:
A:输入多个卫星影像数据,将所述多个卫星影像数据进行预处理;
B:选取预处理完的卫星影像数据进行陆表温度LST反演;
C:将所述LST反演的结果进行融合计算得到高时空分辨率的LST数据,所述融合计算方法具体如下:
C1:将所述LST反演结果中时间分辨率最高的LST数据、分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据分别与数字高程模型DEM数据和归一植被指数NDVI数据进行系数回归计算;其中,将时间分辨率最高的LST数据定义为最高时间分辨率LST数据,将分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据定义为中分辨率LST数据;
C2:将LST反演结果中空间分辨率最高的LST数据对应的DEM数据和NDVI数据输入到系数回归计算公式中,根据系数回归计算公式将时间分辨率最高的LST数据和中分辨率LST数据进行降尺度分解;
C3:将降尺度分解的结果与LST反演结果中空间分辨率最高的LST数据进行相似像元搜索;
C4:将所述相似像元搜索的结果进行融合计算得到高时空分辨率的LST数据,其中所述LST反演结果与输入卫星影像数据的个数相匹配;其中,所述输入卫星影像数据包括Himawari卫星影像数据、MODIS卫星影像数据和Landsat卫星影像数据。
2.根据权利要求1所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,所述步骤A中预处理具体包括以下步骤:
A1:将输入的多个卫星影像数据进行拼接;
A2:将拼接后的卫星影像数据进行几何订正,所述几何订正包括投影转换、高程订正和曲率订正。
3.根据权利要求2所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,在所述步骤A2之后还包括以下步骤:
A3:将所述几何订正之后的数据进行辐射校正,然后选取一定的范围进行LST反演。
4.根据权利要求1所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,所述系数回归计算公式为:
LST高时频=a1*DEM+b1*NDVI+c1; (1)
LST中分辨率=a2*DEM+b2*NDVI+c2; (2)
其中:LST高时频代表时间分辨率最高的LST数据,LST中分辨率代表分辨率处于最高空间分辨率和最低空间分辨率之间影像的LST数据;通过将不同时刻的NDVI数据进行系数回归分析得到a1、b1、c1、a2、b2、c2,然后将a1、b1、c1、a2、b2、c2带入公式(1)和公式(2)中得到系数回归计算公式。
5.根据权利要求4所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,所述相似像元搜索具体包括以下步骤:
C31:将输入的卫星影像数据按物体类别进行分类;
C32:将 降尺度分解的结果与分类后的卫星影像数据中同类像元的距离因子、光谱因子和时间因子进行选择, 然后根据融合计算公式进行计算得到时间分辨率和空间分辨率最高的LST数据。
6.根据权利要求5所述的基于多源卫星数据的高时空分辨率陆表温度融合方法,其特征在于,在采用融合计算公式进行计算前还包括以下步骤:
D:将时间分辨率最高的LST数据和/或中分辨率LST数据与LST反演结果中空间分辨率最高的LST数据进行相关性分析,选取相关性最大的方式进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710774969.8A CN107610050B (zh) | 2017-08-31 | 2017-08-31 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710774969.8A CN107610050B (zh) | 2017-08-31 | 2017-08-31 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610050A CN107610050A (zh) | 2018-01-19 |
CN107610050B true CN107610050B (zh) | 2021-01-05 |
Family
ID=61056925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710774969.8A Active CN107610050B (zh) | 2017-08-31 | 2017-08-31 | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610050B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060133B (zh) * | 2018-05-31 | 2020-06-05 | 北京师范大学 | 遥感地表温度降尺度算法 |
CN109186774B (zh) * | 2018-08-30 | 2019-11-22 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
CN110319938B (zh) * | 2019-06-26 | 2020-10-20 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN112464746B (zh) * | 2020-11-10 | 2023-09-12 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及系统 |
CN114965281B (zh) * | 2022-07-29 | 2022-12-06 | 中国科学院国家天文台 | 用于火星表面成分探测仪的波长修正方法和装置 |
CN115630258B (zh) * | 2022-12-22 | 2023-02-28 | 中国气象局地球系统数值预报中心 | 一种陆表温度数据同化处理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034001A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 一种以栅格为模拟单元的分布式水文模型设计方法 |
CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781224B2 (en) * | 2012-05-30 | 2014-07-15 | Exelis Inc. | Band dependent linearization for multiband remotely sensed and aerial imagery |
-
2017
- 2017-08-31 CN CN201710774969.8A patent/CN107610050B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034001A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 一种以栅格为模拟单元的分布式水文模型设计方法 |
CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107610050A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610050B (zh) | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 | |
Aboelnour et al. | Application of remote sensing techniques and geographic information systems to analyze land surface temperature in response to land use/land cover change in Greater Cairo Region, Egypt | |
Shao et al. | Deep learning-based fusion of Landsat-8 and Sentinel-2 images for a harmonized surface reflectance product | |
Nazeer et al. | Evaluation of atmospheric correction models and Landsat surface reflectance product in an urban coastal environment | |
Li et al. | A cellular automata downscaling based 1 km global land use datasets (2010–2100) | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Jawak et al. | Improved land cover mapping using high resolution multiangle 8-band WorldView-2 satellite remote sensing data | |
Chen et al. | A new cross-fusion method to automatically determine the optimal input image pairs for NDVI spatiotemporal data fusion | |
Wang et al. | Development and validation of the Landsat-8 surface reflectance products using a MODIS-based per-pixel atmospheric correction method | |
Eismann et al. | Airborne hyperspectral detection of small changes | |
Mishra et al. | Knowledge-based decision tree approach for mapping spatial distribution of rice crop using C-band synthetic aperture radar-derived information | |
Wang et al. | Infrared Precipitation Estimation using Convolutional neural network for FengYun satellites | |
Chen et al. | Accurate landslide detection leveraging UAV‐based aerial remote sensing | |
Heidinger et al. | Using sounder data to improve cirrus cloud height estimation from satellite imagers | |
Jha et al. | Flexible atmospheric compensation technique (FACT): a 6S based atmospheric correction scheme for remote sensing data | |
Wei et al. | A comparative assessment of multisensor data merging and fusion algorithms for high-resolution surface reflectance data | |
Xu et al. | Hybrid modelling of random forests and kriging with sentinel-2A multispectral imagery to determine urban brightness temperatures with high resolution | |
Zhu et al. | Identification of soybean based on Sentinel-1/2 SAR and MSI imagery under a complex planting structure | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
Tzelidi et al. | Detailed urban surface characterization using spectra from enhanced spatial resolution Sentinel-2 imagery and a hierarchical multiple endmember spectral mixture analysis approach | |
Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
CN111383203B (zh) | 基于分区域拟合的全色与多光谱遥感图像融合方法 | |
Liu et al. | Regional-scale winter wheat phenology monitoring using multisensor spatio-temporal fusion in a South Central China growing area | |
CN116227142A (zh) | 基于modis遥感数据的逐日地表温度重建方法及装置 | |
Costantino et al. | Thermal monitoring using an ASTER image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |