CN109001119A - 一种评价植被生长状态的遥感技术 - Google Patents
一种评价植被生长状态的遥感技术 Download PDFInfo
- Publication number
- CN109001119A CN109001119A CN201810511042.XA CN201810511042A CN109001119A CN 109001119 A CN109001119 A CN 109001119A CN 201810511042 A CN201810511042 A CN 201810511042A CN 109001119 A CN109001119 A CN 109001119A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- index
- reflectivity
- growth state
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (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
本发明公开了一种评价植被生长状态的遥感技术,用于环保领域,其方法流程为:推导出计算“无太阳直射辐射贡献时地面上的辐射能”由计算出中红外反射率ρb12;由ρb12和近红外反射率ρNIR建立新植被指数VI_M12;对新植被指数VI_M12的进行评价;本发明运用遥感技术方法得到一个新的植被指数VI_M12,此植被指数由近红外波段的反射率和对气溶胶不敏感的中红外波段的反射率组成,它既保留了NDVI对植被生长状态敏感的特征,又有对气溶胶不敏感的优点;因此本发明得到的植被指数既对烟尘等天气不敏感,又可准确观测地面植被的生长状态,对于环境、水文、气象、生态、林业等领域的区域性或全球性问题有非常重要的意义。
Description
技术领域
本发明涉及一种环境保护领域的遥感技术,尤其涉及一种评价植被生长状态的遥感技术。
背景技术
遥感监测法是目前评估植被覆盖度的主流方法。植被指数是单位像元内的植被类型、覆盖形态、生长状况等的综合反映,其大小取决于植被覆盖度等要素,从而可以利用植被指数来估算植被生长状态。到目前为止,已经发展了多种植被指数,主要有以下几种:
1.归一化植被指数NDVI NDVI=(ρNIR-ρR)/(ρNIR+ρR) (1)
NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、学、枯叶、粗超度等,且与植被覆盖有关。它的局限性表现在,用非线性拉伸的方式增强了NIR和R的反射率的对比度。
2.比值植被指数RVI RVI=ρNIR/ρR (2)
RVI是绿色植物的灵敏指示参数,与叶面积指数、叶干生物量、叶绿素含量相关性高,可用于检测和估算植物生物量。RVI受大气条件影响,大气效应大大降低对植被检测的灵敏度,所以在计算前需要进行大气校正,或用反射率计算RVI。
3.差值植被指数EVI EVI=ρNIR-ρR (3)
这个植被指数的特点表现为对土壤背景的变化极为敏感。
由以上估算植被生长状态的遥感植被指数可以知,这些指数有些受背景的影响较大、有些受大气的影响较大,都有其各自的缺点。目前最常用的是归一化植被指数NDVI,它是相对最能反应植被生长状态的参量,然而计算它用的红光波段对气溶胶比较敏感。
发明内容
本发明要解决的主要技术问题是,提供一种评价植被生长状态的遥感技术,其可利用遥感方法建立一个新植被指数,并用它来评价与环境息息相关的植被生长状态,在大范围情况下可获得更为准确的数据。
为解决上述技术问题,本发明提供一种评价植被生长状态的遥感技术,其特征在于,方法流程为:
第一步,推导出计算“无太阳直射辐射贡献时地面上的辐射能”
第二步,由计算出中红外反射率ρb12;
第三步,由ρb12和近红外反射率ρNIR建立新植被指数VI_M12;
第四步,对新植被指数VI_M12的进行评价。
所述第四步对新植被指数VI_M12的进行评价是指:在实际VIIRS影像上计算出本发明的新植被指数VI_M12,并与传统的归一化植被指数NDVI进行对比验证,分析本发明的新植被指数VI_M12的适用性。
实施时,所述第一步的具体步骤为:使用Matlab软件,用Modtran4.0中的6种大气模式、三种气溶胶模式、14种水汽含量、默认臭氧含量、默认水平气象视距并设置7个太阳天顶角变化、温度范围288.2到305.2K(步长0.5)、发射率变化范围为0.94~1.00(步长0.01)、M12通道的植被反射率变化范围0-0.06(步长0.01)、M12和M13通道的地表发射率与通道无关、M13通道与M12通道的植被反射率呈线性关系ρb13=1.1518ρb12-0.0006(利用ASTER数据库和美国加州圣比芭芭拉分校数据库中植被在M12和M13两个中红外通道的反射率拟合得出的)模拟回归得到计算无太阳直射辐射的亮度温度的非线性劈窗模型(取得是)
此公式即为计算的非线性劈窗模型,(可通过普朗克函数计算出如图3所示为拟合模型)。
实施时,所述第二步的具体步骤为:利用公式得出M12中红外通道的植被中红外反射率ρb12。
实施时,所述第三步的具体步骤为:利用推导出的植被中红外反射率ρb12与已知的近红外反射率ρNIR建立新植被指数VI_M12,其公式为VI_M12=(ρNIR-ρb12)/(ρNIR+ρb12)。
实施时,所述第四步的具体步骤为:用本发明计算VI_M12的方法,收集近几年中国的VIIRS遥感影像,选取典型的植被研究区域,得到近几年中国植被的植被指数VI_M12,并与NDVI进行对比,对本发明的新植被指数VI_M12进行适用性评价。
对于本发明的积极面:
(1)本发明得到的植被指数VI_M12,它跟NDVI一样可以用来评估植被的生长状态,且具有对气溶胶不敏感的特征,所以它可以在烟尘天气下评估植被生长状态。
(2)本发明过程中第一次利用ASTER数据库和美国加州圣比芭芭拉分校数据库中植被在M12和M13两个中红外通道的反射率拟合出两通道反射率的线性关系。这比直接假定两中红外通道反射率相等更契合实际。
(3)本发明首次针对VIIRS遥感数据建立了适用于中红外通道计算植被反射率的算法。
本发明的有益效果是:本发明运用遥感技术方法得到一个新的植被指数VI_M12,此植被指数由近红外波段的反射率和对气溶胶不敏感的中红外波段的反射率组成,它既保留了NDVI对植被生长状态敏感的特征,又有对气溶胶不敏感的优点;因此本发明得到的植被指数既对烟尘等天气不敏感,又可准确观测地面植被的生长状态,对于环境、水文、气象、生态、林业等领域的区域性或全球性问题有非常重要的意义。
附图说明
图1为本发明一种实施例的技术流程图;
图2为本发明一种实施例的数据及处理软件框架图;
图3为前述实施例在太阳天顶角为0°时的拟合模型图;
图4为本发明验证时所选取的植被研究区域示意图。
图5为气溶胶对NDVI和VI_M12的影响线性图(42个研究区域);
图6(a)为研究区域的NDVI和VI_M12的相关系数线性图;
图6(b)为本发明验证时选择的第42个研究区域的植被指数线性图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
如图1所示本发明方案的技术流程图:首先,推导出计算“无太阳直射辐射贡献时地面上的辐射能”再由计算出中红外反射率ρb12;然后由ρb12和近红外反射率ρNIR建立新植被指数VI_M12;最后一步在实际VIIRS影像上计算出本发明的新植被指数VI_M12,并与传统的归一化植被指数NDVI进行对比验证,分析本发明的新植被指数VI_M12的适用性。
如图2所示为本发明所用到的数据及数据处理软件框架。VIIR传感器提供VIIRS原始遥感影像数据,包括本项目的主要研究数据——中红外波段数据;MODIS传感器提供NDVI、温度产品等参考数据以及地面植被覆盖类型数据;地面监测站提供气溶胶数据、气象数据;实验室测量仪器提供发射率数据、反射率数据;MATLAB用以建立项目里所需的模型;Modtran用来做大气校正、大气模拟;6S用来做大气校正;R语言做数据分析。
本发明的具体技术路线如下:
(1)首先,基于遥感数据(原始遥感影像数据、NDVI数据。覆盖类型数据、发射率数据、反射率数据、气象数据、气溶胶数据),运用各种数据处理软件,得到适用于计算VIIRS(Visible infrared Imaging Radiometer,可见光红外成像辐射仪)数据的植被中红外反射率的计算模型(数据及方法如图2所示)。
其思想为:利用VIIRS遥感数据的M12和M13两个中红外通道,推导出适用于VIIRSM12中波红外通道计算植被反射率的劈窗模型。在模型推导中,设置了两个假设:第一,VIIRS数据的两个中红外通道的植被无太阳直射辐射亮度温度相等,即第二,两个中红外通道的植被反射率呈一定的线性关系,即ρb13=1.1518ρb12-0.0006,该线性关系由ASTER数据库(ENVI软件中自带)和美国加州圣比芭芭拉分校数据库(MODIS UCSBEmissivity Library:http://www.icess.ucsb.edu/modis/EMIS/html/em.html)所有植被在两个中红外通道的反射率拟合得到。
在以上思想和假设的基础上,建立计算“无太阳直射辐射贡献时地面上的辐射能”的模型:使用Matlab软件,用Modtran4.0中的6种大气模式、三种气溶胶模式、14种水汽含量、默认臭氧含量、默认水平气象视距、7个太阳天顶角变化、温度范围288.2到305.2K(步长0.5)、发射率变化范围为0.94~1.00(步长0.01)、M12通道的植被反射率变化范围0-0.06(步长0.01)、M12和M13通道的地表发射率与通道无关、M13通道与M12通道的植被反射率呈线性关系ρb13=1.1518ρb12-0.0006模拟回归得到计算无太阳直射辐射的亮度温度的非线性劈窗模型(取得是)
此公式即为计算的非线性劈窗模型,(由通过普朗克函数计算)。
如图3所示,为非线性劈窗模型公式(4)太阳天顶角θ为0°时的拟合图,灰色形状由90多万组与Tg_12-Tg_13数据形成的点组成,对这些点进行二次拟合得到黑色曲线,曲线的方程式表示为图上方的二次非线性公式。
一旦求得由遥感技术领域众所周知的中红外辐射传输方程可知,需根据方程式
计算出VIIRS M12通道的植被中红外反射率ρb12。式中,Bi(Tg_i)为地面上通道i观测到的地表辐射能量;为地面上通道i的太阳直射辐射能。
(2)然后,用上述计算出的植被中红外反射率ρb12与近红外反射率结合建立一个类似于NDVI的新植被指数VI_M12
VI_M12=(ρNIR-ρb12)/(ρNIR+ρb12) (6)
式中,ρNIR为近红外通道反射率,这里用的是VIIRS数据的M7近红外通道;ρb12即本文计算出的M12中红外通道反射率。与NDVI(由M7近红外通道和M5红光通道反射率构建)相比,VI_M12把M5红光通道反射率换成了M12中红外通道反射率。
(3)最后,将本发明中的新植被指数应用到实际地面,进行验证,表明它对气溶胶不敏感,并对此新植被指数的适用性进行评价。
例如:用本发明方法,需要收集近几年中国的VIIRS遥感影像(下载地址为美国航空航天局数据管理中心https://www.class.ngdc.noaa.gov/saa/products/about),选取典型的植被研究区域(如图4所示,选取了2014年9月到2016年9月这个时间段之间的中国及中国周边地区的VIIRS植被影像研究区域共49个),将本发明的算法运用到选取的植被区域上,得到近几年中国植被的植被指数VI_M12,并与NDVI进行对比,对本发明的新植被指数VI_M12进行适用性评价。结果表明,本发明的新植被指数VI_M12具有对气溶胶不敏感,可以在烟尘天气下评估大尺度植被的生长状态和覆盖度的潜力(如图5、图6所示)。
公式说明:本发利用公式(6)建立了一种能评价植被生长状态的植被指数VI_M12,这种植被指数是在传统的归一化植被指数NDVI的基础上改进的,它把NDVI中的红波段反射率换成中红外波段反射率ρb12以减小气溶胶(烟尘)对结果的影像。而由遥感技术领域众所周知的中红外辐射传输方程可知,需根据方程式(5)来计算中红外波段反射率ρb12,因为中红外辐射传输方程表达的是中红外波段由太阳辐射出来后经大气传播到地面,再由地面反射再次经过大气传播到传感器的过程中能量的变化,这个过程中涉及到中红外波段的反射率ρb12,所以由中红外辐射传输方程可得出中红外波段反射率ρb12的计算方程式(5)。而方程式(5)中有一个未知量——“无太阳直射辐射贡献时地面上的辐射能”为了求得此未知量,本发明建立了一个计算它的非线性劈窗模型(4)。总之,本发明用到的方程式(4)、(5)、(6)最终的目的都是为了建立一个新的植被指VI_M12,并希望用此来评价植被的生长状态。
对于本发明技术方案的可靠性:
如图4所示,为了验证本发明技术方案的可靠性,收集近几年中国的VIIRS遥感影像,选取典型的植被研究区域,并将本发明的算法运用到选取的植被区域上,得到近几年中国植被的植被指数VI_M12,并与公认的归一化植被指数NDVI进行对比验证,分析VI_M12的适用性,并由此说明本发明技术方案的可靠性。
下表1为各研究区域得到的详细信息,包括获得时间、经纬度、太阳天顶角、地表分类以及NDVI和中红外反射率ρb12值。
表1研究站点的信息及得到的NDVI值和反射率
如图5表示气溶胶对VI_M12和NDVI影响。实线表示的是NDVI在42站点的实际值,带点实线表示的是模拟不同水平能见度时NDVI的变化,虚线表示的是VI_M12在42站点的值,带点虚线表示的是模拟不同水平能见度时VI_M12的变化。由图可知,气溶胶对NDVI的影响较大,特别在气溶胶厚度达到6km的时候,影响达到15%;而对于VI_M12,其影响特别小,几乎可以忽略不计。即相对于NDVI,VI_M12具有对气溶胶不敏感的特性。这说明本发明的技术方案是可靠的。
如附图6(a),表示本发明选取的49个研究区域周围的若干个影像点得到的植被指数NDVI和VI_M12的相关系数,可知,NDVI和VI_M12的相关系数较大,说明他们有较强的相关性。附图6(b)显示了其中一个研究站点的两种植被指数随像元的变化,可知,NDVI和VI_M12具有相同的走向趋势。图6(a)和图6(b)说明VI_M12也能和NDVI一样,能表现出植被不同的生长状态和覆盖度。这也从另一方面说明本发明的技术方案是可靠的。
但值得说明的是,本文所用的VIIRS数据的分辨率为750m×750m,所以本发明的VI_M12植被指数只适用于大尺度植被的评估。
综上可知,相对于NDVI,本文的植被指数VI_M12具有对气溶胶不敏感的特性(附图5),所以它具有在有烟尘的情况下评估大尺度植被的生长状态的能力。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种评价植被生长状态的遥感技术,其特征在于,方法流程为:
第一步,推导出计算“无太阳直射辐射贡献时地面上的辐射能”的非线性劈窗模型;
第二步,由得出计算中红外反射率ρb12的公式;
第三步,由ρb12和近红外反射率ρNIR建立新植被指数VI_M12;
第四步,对新植被指数VI_M12的进行评价。
2.如权利要求1所述的评价植被生长状态的遥感技术,其特征在于,所述第一步的具体步骤为:使用Matlab软件,用Modtran4.0中的6种大气模式、三种气溶胶模式、14种水汽含量、默认臭氧含量、默认水平气象视距并设置7个太阳天顶角变化、温度范围288.2到305.2K(步长0.5)、发射率变化范围为0.94~1.00(步长0.01)、M12通道的植被反射率变化范围0-0.06(步长0.01)、M12和M13通道的地表发射率与通道无关、M13通道与M12通道的植被反射率呈线性关系ρb13=1.1518ρb12-0.0006、模拟回归得到计算无太阳直射辐射的亮度温度的非线性劈窗模型(取得是)
此公式即为计算的非线性劈窗模型,(可通过普朗克函数计算出如图3所示为拟合模型)。
3.如权利要求1所述的评价植被生长状态的遥感技术,其特征在于,所述第二步的具体步骤为:利用公式得出M12中红外通道的植被中红外反射率ρb12。
4.如权利要求1所述的评价植被生长状态的遥感技术,其特征在于,所述第三步的具体步骤为:利用推导出的植被中红外反射率ρb12与已知的近红外反射率ρNIR建立新植被指数VI_M12,其公式为VI_M12=(ρNIR-ρb12)/(ρNIR+ρb12)。
5.如权利要求1所述的评价植被生长状态的遥感技术,其特征在于,所述第四步对新植被指数VI_M12的进行评价是指:在实际VIIRS影像上计算出本发明的新植被指数VI_M12,并与传统的归一化植被指数NDVI进行对比验证,分析本发明的新植被指数VI_M12的适用性。
6.如权利要求5所述的评价植被生长状态的遥感技术,其特征在于,所述第四步的具体步骤为:用本发明计算VI_M12的方法,收集近几年中国的VIIRS遥感影像,选取典型的植被研究区域,得到近几年中国植被的植被指数VI_M12,并与NDVI进行对比,对本发明的新植被指数VI_M12进行适用性评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810511042.XA CN109001119A (zh) | 2018-05-25 | 2018-05-25 | 一种评价植被生长状态的遥感技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810511042.XA CN109001119A (zh) | 2018-05-25 | 2018-05-25 | 一种评价植被生长状态的遥感技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109001119A true CN109001119A (zh) | 2018-12-14 |
Family
ID=64574039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810511042.XA Pending CN109001119A (zh) | 2018-05-25 | 2018-05-25 | 一种评价植被生长状态的遥感技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001119A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6271520B1 (en) * | 1998-03-23 | 2001-08-07 | University Of Arkansas | Item defect detection apparatus and method |
CN102736128A (zh) * | 2011-09-21 | 2012-10-17 | 中国科学院地理科学与资源研究所 | 无人机光学遥感影像数据处理方法及装置 |
CN103293522A (zh) * | 2013-05-08 | 2013-09-11 | 中国科学院光电研究院 | 一种中红外双通道遥感数据地表温度反演方法及装置 |
CN103954973A (zh) * | 2014-04-12 | 2014-07-30 | 中国农业科学院农业资源与农业区划研究所 | 一个从viirs数据反演地表温度的方法 |
CN106932101A (zh) * | 2017-03-27 | 2017-07-07 | 鲁东大学 | Hj‑1b卫星中红外和热红外通道联合的地表温度反演方法 |
CN107782700A (zh) * | 2017-09-07 | 2018-03-09 | 北京师范大学 | 一种avhrr地表反射率重建方法、系统与装置 |
-
2018
- 2018-05-25 CN CN201810511042.XA patent/CN109001119A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6271520B1 (en) * | 1998-03-23 | 2001-08-07 | University Of Arkansas | Item defect detection apparatus and method |
CN102736128A (zh) * | 2011-09-21 | 2012-10-17 | 中国科学院地理科学与资源研究所 | 无人机光学遥感影像数据处理方法及装置 |
CN103293522A (zh) * | 2013-05-08 | 2013-09-11 | 中国科学院光电研究院 | 一种中红外双通道遥感数据地表温度反演方法及装置 |
CN103954973A (zh) * | 2014-04-12 | 2014-07-30 | 中国农业科学院农业资源与农业区划研究所 | 一个从viirs数据反演地表温度的方法 |
CN106932101A (zh) * | 2017-03-27 | 2017-07-07 | 鲁东大学 | Hj‑1b卫星中红外和热红外通道联合的地表温度反演方法 |
CN107782700A (zh) * | 2017-09-07 | 2018-03-09 | 北京师范大学 | 一种avhrr地表反射率重建方法、系统与装置 |
Non-Patent Citations (11)
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
CN113553551B (zh) * | 2021-07-28 | 2024-02-02 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alemohammad et al. | Water, Energy, and Carbon with Artificial Neural Networks (WECANN): a statistically based estimate of global surface turbulent fluxes and gross primary productivity using solar-induced fluorescence | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Zhang et al. | VSDI: a visible and shortwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing | |
Yang et al. | Daily Landsat-scale evapotranspiration estimation over a forested landscape in North Carolina, USA, using multi-satellite data fusion | |
Song et al. | Application of remote sensing-based two-source energy balance model for mapping field surface fluxes with composite and component surface temperatures | |
Sánchez et al. | Monitoring daily evapotranspiration at a regional scale from Landsat-TM and ETM+ data: Application to the Basilicata region | |
Cui et al. | Estimation of actual evapotranspiration and its components in an irrigated area by integrating the Shuttleworth-Wallace and surface temperature-vegetation index schemes using the particle swarm optimization algorithm | |
Leng et al. | A practical algorithm for estimating surface soil moisture using combined optical and thermal infrared data | |
Yao et al. | LAI retrieval and uncertainty evaluations for typical row-planted crops at different growth stages | |
Cammalleri et al. | Applications of a remote sensing-based two-source energy balance algorithm for mapping surface fluxes without in situ air temperature observations | |
Owrangi et al. | Drought monitoring methodology based on AVHRR images and SPOT vegetation maps | |
CN111678866A (zh) | 一种多模型集成学习的土壤含水量反演方法 | |
Barraza et al. | Passive microwave and optical index approaches for estimating surface conductance and evapotranspiration in forest ecosystems | |
Machwitz et al. | Modelling the Gross Primary Productivity of West Africa with the Regional Biomass Model RBM+, using optimized 250 m MODIS FPAR and fractional vegetation cover information | |
Raoult et al. | Evaluating and optimizing surface soil moisture drydowns in the ORCHIDEE land surface model at in situ locations | |
Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
CN113252583A (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Copertino et al. | Comparison of algorithms to retrieve land surface temperature from Landsat-7 ETM+ IR data in the Basilicata Ionian band | |
Rossi et al. | Operational monitoring of daily crop water requirements at the regional scale with time series of satellite data | |
Liu et al. | Fractional coverage rather than green chromatic coordinate is a robust indicator to track grassland phenology using smartphone photography | |
CN109001119A (zh) | 一种评价植被生长状态的遥感技术 | |
Ogutu et al. | Evaluation of leaf area index estimated from medium spatial resolution remote sensing data in a broadleaf deciduous forest in southern England, UK | |
Fan et al. | Extension of the generalized split-window algorithm for land surface temperature retrieval to atmospheres with heavy dust aerosol loading | |
Wang et al. | Regional estimates of evapotranspiration over Northern China using a remote-sensing-based triangle interpolation method |
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: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |