CN108629460A - 基于时空数据的林地干旱模型构建方法 - Google Patents
基于时空数据的林地干旱模型构建方法 Download PDFInfo
- Publication number
- CN108629460A CN108629460A CN201810449496.9A CN201810449496A CN108629460A CN 108629460 A CN108629460 A CN 108629460A CN 201810449496 A CN201810449496 A CN 201810449496A CN 108629460 A CN108629460 A CN 108629460A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- drought
- ndvi
- forest land
- temperature
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013316 zoning Methods 0.000 abstract 1
- 239000002689 soil Substances 0.000 description 26
- 230000008569 process Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 230000003698 anagen phase Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时空数据的林地干旱模型构建方法，包括以下步骤：使用归一化植被指数NDVI和地表温度LST进行NDVI‑LST特征空间分析，采用温度植被干旱指数TVDI模型来进行林地干旱监测；采用植被指数NDVI，描述干边和湿边；使用最小二乘法求解干湿边拟合参数，并计算温度植被干旱指数TVDI，进行林地干旱等级区划。根据本发明公开的方法，可以用于林地干旱监测和预警，实现对林地干旱的动态监测。
Description
技术领域
本发明涉及一种基于时空数据的林地干旱模型构建方法。
背景技术
干旱是全球气候变化研究中的一个热点科学问题，旱灾会给当地的林业、 农业生产和经济发展带来巨大的损失。林业干旱每年均有可能发生，由于林业 自然灾害中旱灾造成的经济损失巨大,旱灾和因旱灾引发的次生灾害可能会成为 湖南地区林业发展的最大的威胁。有效的利用地理信息系统技术、遥感影像信 息提取技术、数据挖掘技术等先进技术手段，结合旱灾致灾因子提取方法建立 林地旱灾监测模型，有助于提高林地干旱致灾因子的提取精度，以更加准确、 及时的对林地旱灾进行监测与预警，为林地干旱应急管理提供决策基础。
到目前为止，专门应用于林地干旱监测与预警的研究较少。常用的监测干 旱的方法有基于基于植被指数的干旱监测方法，如归一化植被指数(NDVI)、条 件植被指数(VCI)应用最为广泛、简单植被指数、距平植被指数等；基于地表温 度的干旱监测方法，其利用的原理就是监测土壤水分，包括热惯量热红外方法、 条件温度指数法以及归一化差值温度指数法等。
利用植被指数监测作物干旱情况可能会具有一定的滞后性，而冠层温度作 为干早监测指标的实时性较好但是也会受到土壤背景温度等其他的因素的影 响，因此有人提出可以将植被指数和冠层温度等结合起来综合分析。目前常用 的温度植被干旱指数干旱模型NDVI-LST特征空间分析、温度植被干旱指数 TVDI模型、以及基于NDVI-LST特征空间的干湿边提取分析。但是上述方法在 计算数据量、计算精度以及如何确定干边、湿边方面还有待改进。在基于NDVI-LST特征空间的干湿边提取分析时，植被指数和地表温度等共同构成的形 状为梯形的散点图，上边界指的是干边或热边，下边界指的是湿边或冷边，这 些边界在实际的使用过程中都没有被界定，需要对其进行限定才更客观适用于 林地干旱监测。
发明内容
基于此，本发明提供一种基于时空数据的林地干旱模型构建方法，包括以下 步骤：
使用归一化植被指数NDVI和地表温度LST进行NDVI-LST特征空间分析， 采用温度植被干旱指数TVDI模型来进行林地干旱监测：
其中，T表示地表温度，Tmin表示湿边，即特征空间最低温度，Tmax表示 干边，可以由相应的植被指数NDVI线性拟合得到；
通过对干湿边参数的全面的分析，用如下数学公式进行表示：
其中，TW、TD分别为湿边截距与干边截距，为干边斜率，k为系数；
采用植被指数NDVI，描述干边和湿边，具体为：
Tmax＝NDVI*a1+b1
Tmin＝NVDI*a2+b2
式中，a1、a2、b1、b2均为需要求解的系数；
使用最小二乘法求解a1、a2、b1、b2，给定干边的植被指数Ni与温度数据 Li,可写成如下方程组：
令：
则根据最小二乘公式可求得参数值：
M＝(YTY)-1YTX，
同理，使用最小二乘法，求解a2、b2，
通过最小二乘法，得到a1、a2、b1、b2，即可计算温度植被干旱指数TVDI；
使用温度植被干旱指数TVDI进行反演，对林地干旱进行监测以及预警。
所述的数据是基于MODIS数据，选择MOD11数据以及MOD13数据。
该方法基于ArcGIS平台运用python语言编程实现。
附图说明
图1为被指数(NDVI)与地表温度(LST)的关系图。
具体实施方式
利用植被指数监测作物干旱情况可能会具有一定的滞后性，而冠层温度作 为干早监测指标的实时性较好但是也会受到土壤背景温度等其他的因素的影 响，因此可以将植被指数和冠层温度等结合起来综合的分析各个方面的问题， 可以保持监测效果更加理想。
地表温度(LST)是土壤湿度的反映，植被指数(NDVI)反映了植被的生长情 况以及植被覆盖度情况，地表温度在裸土与植被有不同的表示，因此地表温度 与植被指数结合起来可以使得信息互补，能够更好的监测区域内的土壤湿度。 通过采用观测数据拟合NDVI-LST关系图1的分析表明，地表温度与植被指数 存在密切的负相关关系。
LST/NDVI直线的缓和程度表示了土壤含水程度的高低，当LST/NDVI直 线趋向于水平线时，则表明土壤含水量高，吸收的太阳能主要用于蒸发，土壤 温度与冠层温度差异较小；当LST/NDVI直线比较陡的时候，则表明土壤含水 量较低，裸土与植被冠层温度温差较大。LST/NDVI直线斜率直观的表达了地 表温度与植被指数之间的相关关系。LST/NDVI斜率具有时空性：提取不同地 点的LST/NDVI斜率可以有效的反映土壤湿度情况；同一地点不同日期图像中 提取出LST/NDVI斜率反映这个地点土壤湿度随时间变化的情况。
通过分析NDVI-LST特征空间分析得到，植被覆盖率较高的林地，可用同 时与归一化植被指数(NDVI)和地表温度(LST)相关的温度植被干旱指数(TVDI) 来进行干旱监测。
其中，T表达的是地表温度，Tmin表达的是湿边，即特征空间最低温度，Tmax表 达的是干边，可以由相应的植被指数NDVI线性拟合得到。
植被指数和地表温度等共同构成的形状为梯形的散点图，上边界指的是干 边或热边，下边界指的是湿边或冷边，这些边界在实际的使用过程中都没有被 界定。为了澄清以上的这些概念和进行相应的描述，我们可以对其概念进行相 应的界定：由最大值方法得到的NDVI对应的最高温度像元组成的“曲线”为 热边，它是散点图的自然上边界，从理想状态来看可以得出是一条斜线，实际 上就是各种不同形状的曲线。由热边上的像元线性拟合可以得到的直线称之为 干边。干边的确定将会在后面的研究中提到。由最小值方法提取的NDVI对应 的最低温度像元组成的“曲线”为冷边，它是散点图的自然下边界，而它的理 想曲线就是一条直线，实际上就是不同程度的V形和S形曲线。参照冷边像元 确定的水平直线为湿边。
NDVI-LST特征空间干湿边的确定植被指数反映了植被覆盖度，地表温度 显示了土壤湿度。一般情况下，植被覆盖度不同，地表温度不同而且，土壤湿 度不同，地表温度也不同。植被指数和地表温度的结合为土壤湿度估测提供了 重要信息。对于一个区域来说，由于各个像元地表的覆盖程度不同，土壤湿度 各异，地表温度高低有别。因此，得到地表温度和植被指数的特征空间(植被指 数与地表温度散点图)。NDVI-LST特征空间由一组土壤湿度等值线组成，上部 土壤湿度低，下部土壤湿度高。如果能有效确定NDVI-LST特征空间的干湿 边，并由干边的斜率确定其土壤湿度，则图像中每个像元的土壤湿度均可计算 得到，从而获得土壤湿度分布图，为早情监测服务。
通过对干湿边参数的全面的分析，可以利用数学公式进行表示：
其中，TW、TD分别为湿边截距与干边截距，为干边斜率，k为系数；
可以发现湿边等于干边截距与斜率(干边斜率为负值)的和，即湿边＝干边截 距+干边斜率。通常进行线性拟合得到干边参数。通过相应的研究，其结果表 明了，NDVI-LST特征空间可以通过一组土壤湿度等值线组成，而且这组曲线 的焦点为NDVI＝1处。所以，在明确了湿边以后，斜率的变化量和截距的增减 量相同。综上，干湿边的确定过程为：第一，需要按照冷边的平均值确定湿 边；第二，根据干湿边的相互之间的对应关系，将热边两端的像元剔除。第 三，进行线性拟合获得干边参数。
MODIS(Moderate-resolution Imaging Spectroradimeter)数据是一种中分辨率成像光谱仪，共包含36个波段,涵盖了从0.415um至14.235um的光谱范围,提供 的影像数据中，空间分辨率含有250m,500m和1000m。在运行过程中,可以获得 来自大气、海洋和陆地表面的光谱信息，反映了陆地、云边界及其特性、云顶 温度、海洋水色、浮游植物、大气水汽和温度、臭氧、地表温度等特征信息。 对于地球科学的综合研究有着重要的价值。
本发明选择MODIS遥感数据来作为数据基础，主要采用的数据有两种： MOD11数据以及MOD13数据。
干旱是影响农业生产的重要因素，及时了解地面干旱情况，对于农业产量 预测，地表过程研究等都具有重要意义。本文采用NDVI植被指数，使用如下 公式进行描述：
Tmax＝NDVI*a1+b1
Tmin＝NVDI*a2+b2
式中，a1、a2、b1、b2均为需要求解的系数，可使用最小二乘法求解，以 Tmax计算公式拟合为例，给定干边的植被指数Ni与温度数据Li,可写成如下方 程组：
令
则根据最小二乘公式可求得参数值：
M＝(YTY)-1YTX
通过最小二乘法，得到a1、a2、b1、b2即可计算温度植被干旱指数TVDI。ArcMap是ArcGIS Desktop三个用户桌面组件之一,是全球最为知名的GIS产 品；具有强大的地图制作，空间分析，空间数据建库等功能。通过使用 ArcMap提供的模型构建器与ArcPy函数接口实现上述干旱模型。
通过得到干旱指数TVDI后，将其进行反演，对林地干旱进行监测以及预 警，本发明使用湖南省的林业数据验证模型的可实施性。
湖南省林业用地最多的是湘西地区,其次是湘南地区,最少的是湘中和湘北 地区，从全省的林业资源分布来看，水源丰富的地区林业资源分布较好，并且 森林的覆盖率也相对较高。干旱以及因干旱而产生的次生灾害对于林业资源的 长远发展十分不利，将会严重影响林业资源的可持续发展。尤其是近年来气候 变化比较大的情况下，探究该区域的干旱特征对于服务于林业资源的规划和长 远发展的意义重大。从气候类型上来看，湖南省秋旱发生的几率很高，而春天 一般不会受到干旱的明显影响。但近年来的相关报道可以看出，湖南省的春旱 发生的概率很大，甚至高于秋旱发生的几率和程度。其中，林木较为重要的生 长期受春旱的影响较大，受到的影响一直持续到林木收获。
结合湖南省的气候特征和该区域的林业资源分布的区域状况，本文利用根 据林地干旱特性确定的温度植被干旱指数模型对湖南省2013年林木生长季节进 行了干旱反演，并对湖南省的春季(2014～2015年)的干旱程度和秋季(2013～ 2015年)的干旱程度进行了探究与监测，以期通过分析湖南省春秋两季的干旱 特征对该省林业资源的发展和长期规划提供一定的借鉴和意义，并且本文将从 时空的角度对湖南省的各区域给予一定的评价，从而更直观的展现湖南省林地 干旱的春旱和秋旱时空分布规律。采取TVDI值作为林地干旱预警指标，对湖 南省各地市的干旱发展趋势进行分析，及时的将干旱预警情况分析出来，达到 干旱预警的作用。
根据本发明提出的温度植被干旱指数的方法以及实现流程，经过一系列的 数据预处理流程，计算了研究区域相应年份的NDVI，并与地表温度建立相关 关系。对湖南省2013年林木生长季节干旱情况进行了反演，将湖南省气象局发 布的2013年8月的干旱监测等级统计数据与由干旱反演得出的TVDI值确定的 干旱等级进行比对，干旱等级的一致率达81.4％，为林地干旱的遥感动态监测 提供科学方法。随后分别提取了湖南省2014～2015年春季(3、4、5月)和 2013～2015年秋季(9、10、11月)的NDVI-LST的特征空间散点图，并分别计算 了对应的干、湿边拟合方程，并获得了每个月份对应的干旱遥感监测等级图。 在对干湿边方程进行拟合时，本文仅选择了处于中等高植被区像素所占比例较 多的区域，因而本文的NDVI选取的区域为0.25-0.65，对于干湿边拟合方程中 的常数项分别代表了研究区域内裸地在水分充足和水分不足的情况下对应的地 表温度值，而干湿边拟合方程中的斜率，它们所产生的变化的原因是主要受到 植被蒸发和散失、植被冠层对应的温度以及土壤湿度的影响。
结合湖南省的气候特征和该区域的林业资源分布的区域状况，发生大范围 的春旱的几率也很大，春季对于森林等植被的生长较为重要，是重要的林木生 长期，充足的水分可以保证植被较好的生长，因而春夏两季的干旱程度对于森 林资源影响很大。因此，对林木生长期的情况进行了探讨和结果分析，以期通 过分析湖南省林木生长期的干旱特征对该省林业资源的发展和长期规划提供一 定的借鉴和意义。
表5.1湖南省林地干旱遥感监测干旱等级
Table5.1 Drought monitoring by remote sensing in HUNAN
应用温度植被干旱指数干旱监测模型，通过对2013年3月～8月TVDI值 进行提取与分析。对于土壤的干旱程度，本文根据TVDI的值的大小将其划分 为了五级如表5.1所示，即湿润(0.0005-0.4)，正常无旱(0.4-0.6)，轻度干旱 (0.6-0.75)，中度干旱(0.75-0.85)和重度干旱(>0.85)，且监测等级图中的无林地 以及有云区域在不影响区域整体效果的前提下均用白色区域替代显示。通过此 过程同样可以用于实现对于对应年份湖南省春旱和秋旱的动态监测。
结合ArcGIS得到2013年3月～8月湖南省林地干旱遥感监测专题图，能够 有效的反映2013年湖南省林木生长期林地干旱的时空特性与时空差异。
通过将湖南省气象局发布的2013年8月的干旱监测等级统计数据与由干旱 反演得出的TVDI值确定的干旱等级进行比对，验证干旱监测结果。选取气象 局公布的全省97个站点的干旱监测等级与相应像元TVDI值进行统计计算，得 到各站的对比数据，部分结果见表2。统计结果中，有13个站点的气象局干旱 等级高于反演的干旱等级，占总数的13.4％，主要集中于湖南西部地区，以吉 首、怀化为代表；5个站点的气象局干旱等级略低于反演干旱等级，占总数的 5.2％；其他79个站点公布的干旱等级与本次干旱反演得出的TVDI值确定的干旱 等级基本吻合，占总数的81.4％,具有较高的准确度。
表2 2013年8月湖南省气象局发布旱情与TVDI对比
注；＝＝＝表示等级一致，+++表示气象局等级高于反演干旱等级，---表示气象局等级低于干旱反演等级
本发明主要以时空数据为基础，分析林地干旱时空分布特征。利用MODIS 遥感数据的时空性特点，建立林地干旱监测模型，以实现对林地干旱的动态监 测，进而达到预警预报的作用。在时空数据处理上具有高效性，在干旱监测上 具有针对性，能够快速、有效的对林地旱情进行监测与预警。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详 细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本 领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变 形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以 所附权利要求为准。
Claims (3)
1.一种基于时空数据的林地干旱模型构建方法，其特征在于，该方法包括以下步骤：
使用归一化植被指数NDVI和地表温度LST进行NDVI-LST特征空间分析，采用温度植被干旱指数TVDI模型来进行干旱监测：
其中，T表示地表温度，Tmin表示湿边，即特征空间最低温度，Tmax表示干边，可以由相应的植被指数NDVI线性拟合得到；
通过对干湿边参数的全面的分析，用如下数学公式进行表示：
其中，TW、TD分别为湿边截距与干边截距，为干边斜率，k为系数；
采用植被指数NDVI，描述干边和湿边，具体为：
Tmax＝NDVI*a1+b1
Tmin＝NVDI*a2+b2
式中，a1、a2、b1、b2均为需要求解的系数；
使用最小二乘法求解a1、a2、b1、b2，给定干边的植被指数Ni与温度数据Li,可写成如下方程组：
令：
M＝[a1 b1]
则根据最小二乘公式可求得参数值：
M＝(YTY)-1YTX
同理，使用最小二乘法，求解a2、b2，
通过最小二乘法，得到a1、a2、b1、b2，即可计算温度植被干旱指数TVDI。
使用温度植被干旱指数TVDI对林地干旱进行反演，实现对林地干旱的动态监测以及预警。
2.根据权利要求1所述的方法，其特征在于，所述的数据是基于MODIS数据，选择MOD11数据以及MOD13数据。
3.根据权利要求2所述的方法，其特征在于，该方法基于ArcGIS平台运用python语言编程实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810449496.9A CN108629460A (zh) | 2018-05-11 | 2018-05-11 | 基于时空数据的林地干旱模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810449496.9A CN108629460A (zh) | 2018-05-11 | 2018-05-11 | 基于时空数据的林地干旱模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629460A true CN108629460A (zh) | 2018-10-09 |
Family
ID=63692716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810449496.9A Pending CN108629460A (zh) | 2018-05-11 | 2018-05-11 | 基于时空数据的林地干旱模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629460A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334381A (zh) * | 2019-05-08 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机介质 |
| CN110658325A (zh) * | 2019-09-29 | 2020-01-07 | 中国矿业大学(北京) | 一种确定sm监测中lst/fvc空间的方法 |
| CN110738711A (zh) * | 2019-11-12 | 2020-01-31 | 武汉珈和科技有限公司 | 一种温度植被干旱指数生产与专题图制作的自动化工具和方法 |
| CN113139347A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种林地旱灾风险预警方法 |
| CN114580700A (zh) * | 2021-09-22 | 2022-06-03 | 安徽农业大学 | 一种基于语义贝叶斯网络的tvdi干旱指数预测方法 |
| CN114818386A (zh) * | 2022-06-20 | 2022-07-29 | 中国农业科学院农业资源与农业区划研究所 | 一种顾及温度滞后性效应的地表温度角度归一化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
| CN105510231A (zh) * | 2015-11-25 | 2016-04-20 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
| 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 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
-
2018
- 2018-05-11 CN CN201810449496.9A patent/CN108629460A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
| 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 |
| CN105510231A (zh) * | 2015-11-25 | 2016-04-20 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张红卫: "NDVI-ST特征空间及干湿边变化特征", 《气象科技》 * |
| 王慧慧: "基于MODIS数据的吉林省中西部旱情研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334381A (zh) * | 2019-05-08 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机介质 |
| CN110334381B (zh) * | 2019-05-08 | 2021-02-12 | 中国科学院地理科学与资源研究所 | 蒸散发估算的方法、装置和计算机存储介质 |
| CN110658325A (zh) * | 2019-09-29 | 2020-01-07 | 中国矿业大学(北京) | 一种确定sm监测中lst/fvc空间的方法 |
| CN110738711A (zh) * | 2019-11-12 | 2020-01-31 | 武汉珈和科技有限公司 | 一种温度植被干旱指数生产与专题图制作的自动化工具和方法 |
| CN113139347A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种林地旱灾风险预警方法 |
| CN114580700A (zh) * | 2021-09-22 | 2022-06-03 | 安徽农业大学 | 一种基于语义贝叶斯网络的tvdi干旱指数预测方法 |
| CN114818386A (zh) * | 2022-06-20 | 2022-07-29 | 中国农业科学院农业资源与农业区划研究所 | 一种顾及温度滞后性效应的地表温度角度归一化方法 |
| CN114818386B (zh) * | 2022-06-20 | 2022-10-14 | 中国农业科学院农业资源与农业区划研究所 | 一种顾及温度滞后性效应的地表温度角度归一化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629460A (zh) | 基于时空数据的林地干旱模型构建方法 | |
| Akande et al. | Geospatial analysis of extreme weather events in Nigeria (1985–2015) using self‐organizing maps | |
| Dereczynski et al. | Detection and projections of climate change in Rio de Janeiro, Brazil | |
| Nielsen-Gammon | The changing climate of Texas | |
| Zhang et al. | Remote-sensing assessment of forest damage by Typhoon Saomai and its related factors at landscape scale | |
| Oh et al. | Thermodynamic characteristics and responses to ENSO of dominant intraseasonal modes in the East Asian summer monsoon | |
| Lazoglou et al. | Climate change projections for Greek viticulture as simulated by a regional climate model | |
| Agosta et al. | Precipitation linked to Atlantic moisture transport: clues to interpret Patagonian palaeoclimate | |
| CN104765903A (zh) | 一种融合多源遥感和气候环境信息的综合性城市气候环境评估方法 | |
| Chen et al. | Assessing the synergies between heat waves and urban heat islands of different local climate zones in Guangzhou, China | |
| Ma et al. | A multisource remotely sensed data oriented method for “ghost city” phenomenon identification | |
| You et al. | Low pressure systems and extreme precipitation in Southeast and East Asian monsoon regions | |
| Yu et al. | Soil moisture by remote sensing retrieval in the tropic of cancer of Yunnan Province | |
| Nieto Ferreira et al. | Effects of the North Atlantic subtropical high on summertime precipitation organization in the southeast United States | |
| Li et al. | An analysis of vegetation change trends and their causes in Inner Mongolia, China from 1982 to 2006 | |
| Huang et al. | Spatio-temporal variation of landscape heterogeneity under influence of human activities in Xiamen City of China in recent decade | |
| Rahman et al. | Estimation of seasonal boundaries using temperature data: a case of northwest part of Bangladesh | |
| Friesen et al. | Spatio-temporal rainfall patterns in Northern Ghana | |
| Uddin et al. | Identifying climatic variables with rice yield relationship and land cover change detection at Sylhet Region | |
| Gan et al. | Spatial characteristics of urban evapotranspiration effects on the thermal environment | |
| CN115797790A (zh) | 区域尺度整段土壤剖面盐分的卫星遥感分区建模方法 | |
| Yepdo Djomou et al. | Spatial variability of rainfall regions in West Africa during the 20th century | |
| Bai et al. | Impact of urban greenspace on the urban thermal environment: A case study of Shenzhen, China | |
| Mahmood et al. | Spatial analysis of vegetation using GIS and remote sensing data | |
| Bhowmik et al. | Probabilistic Modeling of North Atlantic Ocean Hurricane Spawn Considering Climate Change |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |
|
| RJ01 | Rejection of invention patent application after publication |