CN109359394A - 土壤湿度降尺度因子模型构建方法及系统 - Google Patents
土壤湿度降尺度因子模型构建方法及系统 Download PDFInfo
- Publication number
- CN109359394A CN109359394A CN201811238537.6A CN201811238537A CN109359394A CN 109359394 A CN109359394 A CN 109359394A CN 201811238537 A CN201811238537 A CN 201811238537A CN 109359394 A CN109359394 A CN 109359394A
- Authority
- CN
- China
- Prior art keywords
- data
- smap
- proba
- modis
- soil moisture
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于TVDI的土壤湿度降尺度因子模型构建方法及系统,其中,所述方法包括:获取SMAP数据、PROBA‑V数据和MODIS数据;对获取的SMAP数据、PROBA‑V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA‑V数据和MODIS数据;根据所述统一空间分辨率的SMAP数据、PROBA‑V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型。在本发明实施例中,采用本发明实施例构建的土壤湿度降尺度因子模型可以有效的提高土壤湿度数据产品的分辨率,以满足流域尺度研究下的尺度数据。
Description
技术领域
本发明涉及土壤湿度降尺度技术领域,尤其涉及一种基于TVDI的土壤湿度降尺度因子模型构建方法及系统。
背景技术
土壤湿度是控制地球表面几个相关过程的关键变量,包括水文建模、气候建模和农业管理、土地利用规划;它将降雨控制在渗透和径流中,这将严重影响降雨对降雨事件的反应;土壤湿度在河流侵蚀和沉积物负荷预测中也起着关键作用;土壤水分也控制着表面可利用的能量的划分,使其成为合理的潜热通量,从而导致大气边界层的形成;土壤湿度也是灌溉用水可持续管理的一个关键变量,灌溉用水占干旱和半干旱地区可用地表水总量的85%;在水含量有限的地区,土壤水分含量也被用作降水和植物生长空间分布的指标;影响土壤水分空间分布和时间变化的因素是非常复杂的;密集的土壤水分监测网络是监测这种变化的一种可能的方法,在短时间内可以在有限的范围内进行;然而,在全球范围内建立一个持续的土壤水分监测项目是不现实的;因此,获得上述应用所需的土壤水分数据空间分布的唯一可能性是通过卫星观测。
在此背景下,由欧洲空间局(ESA)于2015年中期发射的Soil Moisture ActivePassive卫星(SMAP)任务将在L波段运行;该仪器是基于二维孔径合成方法,如SoilMoisture and Ocean Salinity卫星(SMOS),它可以同时利用9公里的地面分辨率(像素大小)来获取土壤水分和地表温度;该仪器将为全球规模气候模型提供一套全球土壤湿度数据集;大多数水文过程和模拟的规模通常比1公里更准确,卫星土壤水分产品的空间分辨率一般小于10公里,当需要进一步的流域水文研究时,它不能符合研究的要求。因此,研究简单而可靠的方案以提高土壤水分产品的空间分辨率,对基于微波的土壤湿度进行水文应用和流域管理是很重要的。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于TVDI的土壤湿度降尺度因子模型构建方法及系统,可以有效的提高土壤湿度数据产品的分辨率,以满足流域尺度研究下的尺度数据。
为了解决上述技术问题,本发明实施例提供了一种基于TVDI的土壤湿度降尺度因子模型构建方法,所述方法包括:
获取SMAP数据、PROBA-V数据和MODIS数据;
对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型。
可选的,所述SMAP数据为9Km空间分辨率的数据,存储格式为HDF-EOS;
所述PROBA-V数据为100-180m和350-660m空间分辨率的数据,存储格式为tiff;
所述MODIS数据为0.5Km空间分辨率的数据,存储格式为.hdf5。
可选的,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,包括:
基于HDF-EOS到GeoTIFF格式转换工具对所述SMAP数据进行格式转换处理,获取格式转换后的SMAP数据;
对格式转换后的SMAP数据、PROBA-V数据和MODIS数据重新采样处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
可选的,所述统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据包括:
统一的高空间分辨率的SMAP数据、PROBA-V数据和MODIS数据和统一的低空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
可选的,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理之后,还包括:
基于掩膜栅格数据值对统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行数据的异常值消除处理。
可选的,所述土壤湿度降尺度因子模型的模型公式如下:
其中:
其中:
TNDVI_max=a1+b1×NDVI;
TNDVI_min=a2+b2×NDVI;
其中,SMhigh为高空间分辨率的土壤水分含量,SMlow低空间分辨率土壤水分含量,TVDIhigh为高空间分辨率下的温度植被干旱指数,TVDIlow为低空间分辨下的温度植被干旱指数,TMODIS为MODIS数据对应区域的当前地表温度,TMODIS_min为MODIS数据对应区域的最小地表温度,TSMAP为SMAP数据对应区域的当前地表温度,TSMAP_min为SMAP数据对应区域的最小地表温度,Tmin为所在区域的最小地表温度,EVIPROBA-V为基于PROBA-V数据的增强植被指数,a1、b1为干边模拟参数,a2、b2为湿边模拟参数,NDVI为所在区域的植被覆盖指数,TNDVI_max为与NDVI值对应的最大表面温度,TNDVI_min为与NDVI值对应的最小表面温度。
可选的,所述方法还包括:
分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
另外,本发明实施例还提供了一种基于TVDI的土壤湿度降尺度因子模型构建系统,所述系统包括:
数据获取模块:用于获取SMAP数据、PROBA-V数据和MODIS数据;
预处理模块:用于对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
模型构建模块:用于根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型。
可选的,所述预处理模块包括:
格式转换单元:用于基于HDF-EOS到GeoTIFF格式转换工具对所述SMAP数据进行格式转换处理,获取格式转换后的SMAP数据;
分辨率统一单元:用于对格式转换后的SMAP数据、PROBA-V数据和MODIS数据重新采样处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
可选的,所述系统还包括:
验证模块:用于分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
在本发明实施例中,通过获取SMAP数据、PROBA-V数据和MODIS数据并进行预处理,根据预处理的结果构建土壤湿度降尺度因子模型,该模型可以有效的提高土壤湿度数据产品的分辨率,以满足流域尺度研究下的尺度数据,并且该模型具有不同的应用场景,可以通过4个9×Km的采样区域,可验证Merlin模型和回归模型的降尺度准确性;该模型更容易获取所需的参数,操作性更好,更适用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的土壤湿度降尺度因子模型构建方法的方法流程示意图;
图2是本发明实施例中的土壤湿度降尺度因子模型构建系统的系统结构组成示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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它实施例,都属于本发明保护的范围。
实施例:
请参阅图1,图1是本发明实施例中的土壤湿度降尺度因子模型构建方法的方法流程示意图。
如图1所示,一种基于TVDI的土壤湿度降尺度因子模型构建方法,所述方法包括:
S11:获取SMAP数据、PROBA-V数据和MODIS数据;
在本发明具体实施过程中,所述SMAP数据为9Km空间分辨率的数据,存储格式为HDF-EOS;所述PROBA-V数据为100-180m和350-660m空间分辨率的数据,存储格式为tiff;所述MODIS数据为0.5Km空间分辨率的数据,存储格式为.hdf5。
具体的SMAP(土壤水分主动被动)数据是(四级土壤水分产品)5月1日了2016-2017年的数据降尺度的基础上,SMAP 4级产品提供了3小时的时间分辨率,9km空间分辨率的土壤湿度数据,除此之外还包括其他地球物理学字段;输出参数单位有相对湿度、百分比、体积比;已被证实均方根误差达到0.04m3/m3水平。SMAP进一步提高土壤湿度同化估计因为SMAP在L波段而AMSRE(高级微波扫描辐射计)和ASCAT(Advanced散射仪)分别是基于X波段(10.7GHz)和C波段(5.3GHz),因为SMAP提供了观察在更高的分辨率,比SMOS(土壤湿度及海洋盐度)受到更少射频干扰。
PROBA-V(用于机载自主的项目)数据和MODIS(中分辨率成像光谱仪)数据用于计算降尺度过程中的降尺度因子;使用了PROBA-V(S1TOC冠层反射率),在2016年5月至2017年5月的数据,作为土壤水分降尺度过程的基础数据,该数据主要有4个光谱波段:蓝色(以0.463m为中心)、红色(0.655m)、NIR(0.837m)和SWIR(1.603m)。在VNIR(可见光和近红外)和SWIR(短波红外)通道的极端情况下,分辨率分别在100到180米和350至660米之间;不同的光谱之间存在差异,而这些差异对于SWIR波段来说是最大的;对于NIR和红带,PROBA-V和VGT-1之间的差异与vgt2-vgt1的差异是一样的;这导致了类似的NDVI差异,而对于SWIR通道的差异,vgt2-vgt1则是三倍大。
MODIS数据从2016年5月至2017年6月的MOD11A1和MOD13Q1的月度数据都来自NSIDC(国家冰雪数据中心)分布式数据档案,该数据档案被用作构建降尺度因子的基本数据产品。MODIS基于Terra和Aqua,有36个光谱波段,包括可见光和红外波段。MOD11A1是MODIS Terra卫星的表面温度产品,它是由瓷砖组织的网格数据,投影是正弦投影。时间分辨率是每天的,空间分辨率是0.93千米。MYD13Q1的数据是一个16天的合成,用一个正弦投影来合成2.5亿L3数据产品,其中包含了EVI(增强植被指数),并且通过蓝带修正了悬浮微粒的影响。
S12:对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
在本发明具体实施过程中,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,包括:基于HDF-EOS到GeoTIFF格式转换工具对所述SMAP数据进行格式转换处理,获取格式转换后的SMAP数据;对格式转换后的SMAP数据、PROBA-V数据和MODIS数据重新采样处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
进一步的,所述统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据包括:统一的高空间分辨率的SMAP数据、PROBA-V数据和MODIS数据和统一的低空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
PROBA-V数据和MODIS数据(两者的存储格式分别是tiff和.hdf5)可以由ENVI直接读取,而ENVI不能读取SMAP数据;使用HEG(HDF-EOS到GeoTIFF转换工具)将SMAP数据进行数据格式转换,转换之后的SMAP数据能被ENVI直接读取。
为了后续的在构建模型之后的运算方便,需要将SMAP数据、PROBA-V数据和MODIS数据这三种数据统一至一样的空间分辨率;基于从新采样数据来对SMAP数据、PROBA-V数据和MODIS数据进行统一,如PROBA-V数据的映射很小,所以在重新采样之前,需要用无缝拼接算法拼接出相邻的四张图像;在重新采样后,所有三个数据的空间分辨率为297.661m(0.3公里),为统一的高空间分辨率;所有三个数据的空间分辨率为9Km,为统一的低空间分辨率。
进一步的,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理之后,还包括:基于掩膜栅格数据值对统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行数据的异常值消除处理。
具体的,批处理工具数据值掩模栅格(ENVI Tasks Batch:Data Values MaskRaster)用于消除研究区域中数据的异常值;有必要为输入掩模数据值指定一个或多个数据范围的(2、n)数组,其中n是数据范围的数量;每个范围的第一个元素是要考虑的最小数据值(包含),每个范围的第二个元素是为输入光栅的像素考虑的最大数据值;数据范围内的每个像素都不会被屏蔽。
接下来的步骤是几何校正,使用图像注册工作流几何方法将不同的观看几何图形和/或不同地形扭曲的图像排列成相同的坐标系统,这样相应的像素就代表相同的对象;为了消除大气对图像数据的影响,使用了大气校正(基于MODTRAN5辐射传输模型),根据数据所在区域的纬度和地形,大气模型和气溶胶模型是亚北极夏季(SAS)和城市,而气溶胶的提取方法是2波段(K-T)。
预处理的最后一步是根据数据所在区域的范围来掩模SMAP数据、PROBA-V数据和MODIS数据的光栅,其优点是减少了数据处理的工作量。
S13:根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型;
在本发明具体实施过程中,所述土壤湿度降尺度因子模型的模型公式如下:
其中:
其中:
TNDVI_max=a1+b1×NDVI;
TNDVI_min=a2+b2×NDVI;
其中,SMhigh为高空间分辨率的土壤水分含量,SMlow低空间分辨率土壤水分含量,TVDIhigh为高空间分辨率下的温度植被干旱指数,TVDIlow为低空间分辨下的温度植被干旱指数,TMODIS为MODIS数据对应区域的当前地表温度,TMODIS_min为MODIS数据对应区域的最小地表温度,TSMAP为SMAP数据对应区域的当前地表温度,TSMAP_min为SMAP数据对应区域的最小地表温度,Tmin为所在区域的最小地表温度,EVIPROBA-V为基于PROBA-V数据的增强植被指数,a1、b1为干边模拟参数,a2、b2为湿边模拟参数,NDVI为所在区域的植被覆盖指数,TNDVI_max为与NDVI值对应的最大表面温度,TNDVI_min为与NDVI值对应的最小表面温度。
S14:分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
在本发明具体实施过程中,选取了4个代表不同物体的纯像素作为精度验证的基础。分别为A1、A2、B1、B2,相应的土地覆盖类型为永久性湿地、城市、森林和农田;每一个纯净像素(9公里×9公里)被用作采样区域,并分别取10个样本(测试SMAP数据、测试PROBA-V数据和测试MODIS数据)进行像素的精度验证。
精度验证的过程分为两步:1.在SMAP数据尺度,计算9km分辨率内的0.3km分辨率土壤湿度平均值,并与9km分辨率的数据进行对比;2.样本尺度,用每个样本作为观测值直接验证0.3km分辨率的SMAP数据的土壤湿度。虽然SMAP数据反演的土壤湿度(1cm土层深度)和观测值(0-0.5cm表层土)的土层深度不同,但是在可接受范围内。
通过从每个样本区域选取10个样本,分析了实验结果,结果表明,样本点尺度的平均误差大于SMAP网格尺度的平均误差;总的来说,0.3公里分辨率的数值更接近观测值数值,RMSE(均方根误差)和AE(绝对误差)的A1大于B1,但数据是温和的变化;B1区误差(RMSE和AE)大于A2,和数据的离散程度小于A2。
RMSE(根均方误差)用于测量观测值与估计值之间的偏差;在降尺度过程之前,虽然样本区域是纯像素,但SMAP数据在9公里分辨率和地面观测之间有很大的偏差;SMAP数据的土壤水分产品的误差范围和4个样品区的采样点观察值在0.0885和0.2666之间,RMSE(均方根误差)的百分比是14.8%到39.80%。
在降尺度过程之后,样本区域内土壤水分的估计值更接近于观测值;降尺度运算结果的误差范围在0.0245和0.1213之间,其RMSE百分比为3.23%至14.36%;此外,它可以从4样本之间的比较领域的改善效果A2(39.80%到7.93%)和B2(30.60%到14.36%),是最大的,其次是A1(18.70%到3.23%)和B1(14.08%对9.63%),改善效果相对较低;A1和A2的NDVI值小于0.2,两者的百分比误差分别为3.23%和7.93%;B2的NDVI大于0.3,它的百分比误差是9.63%;B2的NDVI值超过了0.6,对应的百分比误差为14.36%;根据降尺度结果的均方根误差,植被覆盖率高的样本区比植被覆盖率低的地区误差更大。
在本发明实施例中,通过获取SMAP数据、PROBA-V数据和MODIS数据并进行预处理,根据预处理的结果构建土壤湿度降尺度因子模型,该模型可以有效的提高土壤湿度数据产品的分辨率,以满足流域尺度研究下的尺度数据,并且该模型具有不同的应用场景,可以通过4个9×Km的采样区域,可验证Merlin模型和回归模型的降尺度准确性;该模型更容易获取所需的参数,操作性更好,更适用。
实施例:
请参阅图2,图2是本发明实施例中的土壤湿度降尺度因子模型构建系统的系统结构组成示意图。
如图2所示,一种基于TVDI的土壤湿度降尺度因子模型构建系统,所述系统包括:
数据获取模块11:用于获取SMAP数据、PROBA-V数据和MODIS数据;
预处理模块12:用于对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
模型构建模块13:用于根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型;
验证模块14:用于分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述,这里不再赘述。
在本发明实施例中,通过获取SMAP数据、PROBA-V数据和MODIS数据并进行预处理,根据预处理的结果构建土壤湿度降尺度因子模型,该模型可以有效的提高土壤湿度数据产品的分辨率,以满足流域尺度研究下的尺度数据,并且该模型具有不同的应用场景,可以通过4个9×Km的采样区域,可验证Merlin模型和回归模型的降尺度准确性;该模型更容易获取所需的参数,操作性更好,更适用。
在上述实施例中,Soil moisture:土壤湿度;Downscaling:降尺度;TVDI:温度植被干旱指数;Downscaling factor:降尺度因子。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于TVDI的土壤湿度降尺度因子模型构建方法及系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于TVDI的土壤湿度降尺度因子模型构建方法,其特征在于,所述方法包括:
获取SMAP数据、PROBA-V数据和MODIS数据;
对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型。
2.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述SMAP数据为9Km空间分辨率的数据,存储格式为HDF-EOS;
所述PROBA-V数据为100-180m和350-660m空间分辨率的数据,存储格式为tiff;
所述MODIS数据为0.5Km空间分辨率的数据,存储格式为.hdf5。
3.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,包括:
基于HDF-EOS到GeoTIFF格式转换工具对所述SMAP数据进行格式转换处理,获取格式转换后的SMAP数据;
对格式转换后的SMAP数据、PROBA-V数据和MODIS数据重新采样处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
4.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据包括:
统一的高空间分辨率的SMAP数据、PROBA-V数据和MODIS数据和统一的低空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
5.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理之后,还包括:
基于掩膜栅格数据值对统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行数据的异常值消除处理。
6.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述土壤湿度降尺度因子模型的模型公式如下:
其中:
其中:
TNDVI_max=a1+b1×NDVI;
TNDVI_min=a2+b2×NDVI;
其中,SMhigh为高空间分辨率的土壤水分含量,SMlow低空间分辨率土壤水分含量,TVDIhigh为高空间分辨率下的温度植被干旱指数,TVDIlow为低空间分辨下的温度植被干旱指数,TMODIS为MODIS数据对应区域的当前地表温度,TMODIS_min为MODIS数据对应区域的最小地表温度,TSMAP为SMAP数据对应区域的当前地表温度,TSMAP_min为SMAP数据对应区域的最小地表温度,Tmin为所在区域的最小地表温度,EVIPROBA-V为基于PROBA-V数据的增强植被指数,a1、b1为干边模拟参数,a2、b2为湿边模拟参数,NDVI为所在区域的植被覆盖指数,TNDVI_max为与NDVI值对应的最大表面温度,TNDVI_min为与NDVI值对应的最小表面温度。
7.根据权利要求1所述的土壤湿度降尺度因子模型构建方法,其特征在于,所述方法还包括:
分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
8.一种基于TVDI的土壤湿度降尺度因子模型构建系统,其特征在于,所述系统包括:
数据获取模块:用于获取SMAP数据、PROBA-V数据和MODIS数据;
预处理模块:用于对获取的SMAP数据、PROBA-V数据和MODIS数据进行预处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据;
模型构建模块:用于根据所述统一空间分辨率的SMAP数据、PROBA-V数据和MODIS数据进行土壤湿度尺度因子模型构建,获取土壤湿度降尺度因子模型。
9.根据权利要求8所述的土壤湿度降尺度因子模型构建系统,其特征在于,所述预处理模块包括:
格式转换单元:用于基于HDF-EOS到GeoTIFF格式转换工具对所述SMAP数据进行格式转换处理,获取格式转换后的SMAP数据;
分辨率统一单元:用于对格式转换后的SMAP数据、PROBA-V数据和MODIS数据重新采样处理,获取统一的空间分辨率的SMAP数据、PROBA-V数据和MODIS数据。
10.根据权利要求8所述的土壤湿度降尺度因子模型构建系统,其特征在于,所述系统还包括:
验证模块:用于分别提取10个土地覆盖类型为永久性湿地、城市、森林和农田的测试SMAP数据、测试PROBA-V数据和测试MODIS数据对所述土壤湿度降尺度因子模型进行进度验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238537.6A CN109359394B (zh) | 2018-10-23 | 2018-10-23 | 土壤湿度降尺度因子模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238537.6A CN109359394B (zh) | 2018-10-23 | 2018-10-23 | 土壤湿度降尺度因子模型构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359394A true CN109359394A (zh) | 2019-02-19 |
CN109359394B CN109359394B (zh) | 2021-10-08 |
Family
ID=65346314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811238537.6A Active CN109359394B (zh) | 2018-10-23 | 2018-10-23 | 土壤湿度降尺度因子模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359394B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930173A (zh) * | 2016-05-18 | 2016-09-07 | 武汉大学 | 一种基于OSGi的MODIS数据分布式处理方法 |
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 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
WO2017129940A1 (en) * | 2016-01-29 | 2017-08-03 | Global Surface Intelligence Limited | System and method for earth observation and analysis |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN107424076A (zh) * | 2017-07-26 | 2017-12-01 | 东北农业大学 | 一种基于amsr2土壤水分数据降尺度算法 |
CN107886125A (zh) * | 2017-11-09 | 2018-04-06 | 南京大学 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
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 |
-
2018
- 2018-10-23 CN CN201811238537.6A patent/CN109359394B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017129940A1 (en) * | 2016-01-29 | 2017-08-03 | Global Surface Intelligence Limited | System and method for earth observation and analysis |
CN105930173A (zh) * | 2016-05-18 | 2016-09-07 | 武汉大学 | 一种基于OSGi的MODIS数据分布式处理方法 |
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 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN107424076A (zh) * | 2017-07-26 | 2017-12-01 | 东北农业大学 | 一种基于amsr2土壤水分数据降尺度算法 |
CN107886125A (zh) * | 2017-11-09 | 2018-04-06 | 南京大学 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359394B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raynolds et al. | A raster version of the Circumpolar Arctic Vegetation Map (CAVM) | |
Kaplan et al. | Mapping and monitoring wetlands using Sentinel-2 satellite imagery | |
Chimner et al. | Mapping mountain peatlands and wet meadows using multi-date, multi-sensor remote sensing in the Cordillera Blanca, Peru | |
Biggs et al. | Land cover following rapid urbanization on the US–Mexico border: Implications for conceptual models of urban watershed processes | |
Juutinen et al. | Spatial variation and seasonal dynamics of leaf-area index in the arctic tundra-implications for linking ground observations and satellite images | |
Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
Teffera et al. | Assessing land use and land cover dynamics using composites of spectral indices and principal component analysis: A case study in middle Awash subbasin, Ethiopia | |
Shrestha et al. | Fusion of Sentinel-1 and Sentinel-2 data in mapping the impervious surfaces at city scale | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Zong et al. | Upward range shift of a dominant alpine shrub related to 50 years of snow cover change | |
Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
Xu et al. | Reconstructing all-weather daytime land surface temperature based on energy balance considering the cloud radiative effect | |
Wu et al. | Mapping forest canopy height at large scales using ICESat-2 and Landsat: An ecological zoning random forest approach | |
Matkan et al. | Flood early warning with integration of hydrologic and hydraulic models, RS and GIS (Case Study: Madarsoo Basin, Iran) | |
CN109359394A (zh) | 土壤湿度降尺度因子模型构建方法及系统 | |
Martínez-Fernández et al. | SWAT soil moisture assessment under Mediterranean conditions: An intercomparison analysis in the Henares basin (Spain) | |
Basu | Development of soil and land cover databases for use in the Soil Water Assessment Tool from Irish National Soil Maps and CORINE Land Cover Maps for Ireland | |
Hill et al. | Current approaches to measurement, remote sensing and modelling in savannas: A synthesis | |
Sandholt et al. | Use of remote sensing data in distributed hydrological models: applications in the Senegal River basin | |
Wang et al. | Assessing the effectiveness of a central flux tower in representing the spatial variations in gross primary productivity in a semi-arid pine forest | |
Dhorde et al. | Population calibrated land cover impervious surface coefficients for Upper Bhima basin | |
Ramachandra et al. | Analysis of land surface temperature and rainfall with landscape dynamics in Western Ghats, India | |
Elshorbagy et al. | Rice area inter annual variation through a remote sensing based mapping algorithm | |
Wang et al. | Spatial Downscaling of Remote Sensing Precipitation Data in the Beijing-Tianjin-Hebei Region | |
Chhabra et al. | Analysis of spatio-temporal patterns of leaf area index in different forest types of India using high temporal remote sensing data |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Hu Yueming Inventor after: Fan Shudi Inventor before: Hu Mingyue Inventor before: Fan Shudi |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |