CN109765247A - 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 - Google Patents
一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 Download PDFInfo
- Publication number
- CN109765247A CN109765247A CN201811359711.2A CN201811359711A CN109765247A CN 109765247 A CN109765247 A CN 109765247A CN 201811359711 A CN201811359711 A CN 201811359711A CN 109765247 A CN109765247 A CN 109765247A
- Authority
- CN
- China
- Prior art keywords
- wheat
- scattering
- soil
- model
- layer
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 189
- 241000209140 Triticum Species 0.000 title claims abstract description 184
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000010287 polarization Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000011160 research Methods 0.000 claims description 21
- 239000010902 straw Substances 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 241000495841 Oenanthe oenanthe Species 0.000 claims description 12
- 230000008033 biological extinction Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 11
- 241001024327 Oenanthe <Aves> Species 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000009102 absorption Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004441 surface measurement Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009355 double cropping Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种涉及遥感领域,涉及一种不同生育阶段麦类作物覆盖区域土壤水分反演方法,包括:S1,利用分生育期微波散射模型,计算空间土壤微波散射比;S2,计算不同极化模式下的土壤极化后向散射系数;S3,利用线性最小二乘法建立实测土壤水分数据与土壤极化后向散射系数的关系模型,筛选敏感极化模式;S4,使用所筛选敏感极化模式与实测土壤水分数据利用不同回归模型进行非线性拟合,建立麦类作物覆盖区域土壤水分反演模型;S5,进行区域麦类作物覆盖土壤水分反演,得到反演结果。本发明进一步提高我国重要农业区土壤水分反演精度和效率,实现土壤水分由传统有限点测量向空间面测量的有效扩展,为快速大面积实时动态的土壤水分信息监测提供新的技术手段。
Description
技术领域
本发明涉及遥感领域,更具体地,涉及作物覆盖区域土壤水分反演方法。
背景技术
土壤水分是地球生态系统中非常重要的组成部分,它对陆表水的迁移、碳循环以及地表蒸散起到重要调控作用,也是水文、气象和农业应用研究中的重要参数。在农业应用中,土壤水分是作物生长发育的基本条件,是进行农作物长势、产量监测和旱情预报的重要参量。土壤水分受地表植被等因素影响,在时间尺度和空间尺度上变化很大,传统土壤水分点测量方法受限于测量点稀疏,时效性差等缺点难以大范围应用。随着卫星遥感技术的发展,利用遥感获取的空间信息,可实现土壤水分由传统有限点测量向空间面测量的有效扩展,这为快速大面积实时动态的土壤水分信息监测提供了有效手段。其中,主动微波遥感凭借其全天时、全天候的观测能力,以及对土壤水分的高敏感性,被广泛应用于土壤水分监测和反演研究中。
主动微波遥感主要是通过发射脉冲并经过地物反射后获取地表后向散射系数分析地物散射特性的。当地表处于植被/作物覆盖下,地表后向散射系数除了受到上述因素影响之外,来自植被/作物层复杂的体散射及植被/作物和地表间相互作用产生的二次散射等都会降低微波信号对土壤水分的敏感性。如果把反演裸露地表土壤水分的算法直接应用到植被/作物覆盖区域,将会造成土壤水分含量的低估。因此,如何消除或减少地表粗糙度和作物覆盖对于微波反演土壤水分的影响,是现阶段农业区域土壤水分反演亟待解决的关键技术问题之一。
当前,作物覆盖区域土壤水分反演方法主要包括经验模型法、理论模型法以及半经验模型法三大类。经验模型法只能针对特定的区域,适应性较差;理论模型法则需要输入较多的植被和地表参数,且在实际应用中很难得到这些参数,因此经验模型法和理论模型法在大范围土壤水分监测和反演中的应用较少。半经验模型是理论模型和经验模型之间的折衷,既有物理机制作为理论基础,又与统计方法有机结合,主要包括水—云模型(WaterCloud Model,WCM),比值模拟植被/作物后向散射模型等。虽然一些学者对作物覆盖区域土壤水分半经验反演模型进行了研究,但仍存在诸多不足需要进一步改进,如不同生育期作物参数不尽相同,作物在农田中也不是完全覆盖的。因此,如何更准确的描述作物层实际微波散射情况,更好地建立作物覆盖区域土壤水分半经验反演模型,仍是微波反演作物地表参数亟待解决的技术问题之一。
发明内容
在农业应用中,土壤水分是作物生长发育的基本条件,是进行农作物长势、产量监测,旱情预报的重要参量。主动微波遥感凭借其全天时、全天候的观测能力,以及对土壤水分的高敏感性,被广泛应用于土壤水分监测和反演研究中。如背景技术中所述,现有微波散射模型对麦类作物不同生育期微波散射机制描述不合理,为更好的消除麦类作物覆盖对于土壤水分反演的不利影响,进一步提高区域土壤水分反演精度和效率,根据我国麦类作物生长状况和几何特征,本发明提出了一种针对麦类作物覆盖区域的分生育期微波散射模型。并利用所提模型消除作物覆盖对土壤后向散射的影响,最后拟合土壤后向散射系数与实测土壤含水量之间的关系并建立土壤水分半经验反演模型。
本发明提出一种不同生育阶段麦类作物覆盖区域土壤水分反演方法,包括:
S1,利用分生育期微波散射模型,计算空间土壤微波散射比,其中,所述分生育期微波散射模型是基于麦类作物不同生育期和几何特征以及矢量辐射传输理论建立的,用于消除不同生育期作物覆盖对土壤后向散射的影响;
S2,利用雷达不同极化模式下的微波总后向散射系数和空间土壤微波散射比计算不同极化模式下的土壤极化后向散射系数;
S3,利用线性最小二乘法建立实测土壤水分数据与不同极化模式下的土壤极化后向散射系数的关系模型,以确定系数R2、调整确定系数Adjusted R2以及均方根误差RMSE为评价指标来筛选敏感极化模式;
S4,使用所筛选的敏感极化模式与实测土壤水分数据进行非线性拟合,建立非线性拟合模型作为麦类作物覆盖区域土壤水分反演模型;
S5,进行区域麦类作物覆盖区域土壤水分反演,得到反演结果。
本发明的有益效果为:
进一步提高我国重要农业区土壤水分反演精度和效率,实现土壤水分由传统有限点测量向空间面测量的有效扩展,为快速大面积实时动态的土壤水分信息监测提了供新的技术手段。
附图说明
图1为本发明的方法的流程示意图。
图2为本发明的麦类作物分生育期微波散射模型示意图。
图3为本发明的方法的辐射强度传播示意图。
图4为本发明的方法的双层散射模型示意图。
图5为本发明的方法的三层散射模型示意图。
图6为本发明的方法验证时的研究区概况图。
图7为本发明的方法验证时的研究区的地面实测数据的采样分布图。
图8为消除冬小麦(拔节期)影响前后后向散射系数与土壤含水量关系图。
图9为消除冬小麦(抽穗期)影响前后后向散射系数与土壤含水量关系图。
图10为消除冬小麦(成熟期)影响前后后向散射系数与土壤含水量关系图。
图11为冬小麦覆盖区域土壤水分反演半经验模型的示意图。
图12为区域土壤水分反演结果及精度检验的示意图。
具体实施方式
下面参照附图描述本发明的实施方式,其中相同的部件用相同的附图标记表示。在不冲突的情况下,下述的实施例及实施例中的技术特征可以相互组合。
本发明的麦类作物覆盖土壤水分反演方法如图1所示,包括:
S1,计算空间土壤微波散射比
利用麦类作物分生育期微波散射模型消除麦类作物覆盖对土壤后向散射的影响。具体包括:
S1-1,根据麦类作物生育期选择适合的微波散射模型。
实测作物数据通过地面实测,也可以从光学遥感数据中获得。分生育期微波散射模型包括3个子模型,根据所测作物是否拔节和有无麦穗来选择采用的子模型类型,选择方法如图2所示。如果麦类作物没有拔节,则采用双层离散微波散射模型;如果麦类作物已拔节无麦穗,则采用双层连续微波散射模型;如果麦类作物已有麦穗,则采用三层离散微波散射模型。通过前述相应的微波散射模型,得到土壤微波后向散射系数和作物微波后向散射系数。
本发明提出的麦类作物分生育期微波散射模型的原理如下:
主动微波遥感反演土壤水分主要受植被/作物覆盖和地表粗糙度影响,植被/作物覆盖土壤表面的后向散射包括来自植被/作物的体散射、来自地表的面散射和植被/作物与地表间的交互作用等散射项,估算地表土壤水分需要综合考虑消除麦类作物的影响。麦类作物属于低矮植被,且在大范围种植区域地势通常较平坦,因此在计算麦类作物覆盖区域土壤后向散射系数时较多考虑作物覆盖而忽略地表粗糙度影响。本发明根据我国麦类作物生长情况和几何特征,提出了一种针对麦类作物覆盖区域的分生育期微波散射模型。并利用所提模型消除不同生育期麦类作物覆盖对土壤后向散射的影响,最后拟合土壤后向散射系数与实测土壤含水量之间的关系建立土壤水分半经验反演模型。
辐射传输理论由Schuster在1905年首次提出,它通过分析电磁场强度的累加探究处于不均匀和随机介质中经过数次传输、散射和吸收的电磁辐射强度。辐射传输模型较波的解析模型更加定量化,且更具理论性,因此该模型被普遍应用于波与介质互相影响的研究论题和相关模型中,其中包括对于农作物微波散射模型的研究。
在辐射传输理论中,对于随机分布的散射粒子,它的后向散射是部分极化波,或者多极化波,因此考虑到电磁场的极化,用电磁场强度矢量(斯托克斯矢量,stokes)来表达电磁波的传播过程。辐射传输模型的核心是描述斯托克斯矢量沿某一方向传输、散射和吸收的过程。
根据麦类作物生长情况和几何特征,本发明提出了麦类作物分生育期微波散射模型,如图2所示。
在该模型中,将麦类作物的生育期分为以下3个阶段。第1个阶段为从播种至拔节完成前,此时麦类作物没有完成拔节,植株茎叶分层不清晰,茎的长度较短,不能采用介质圆柱体进行表征,且作物对于地表不是完全覆盖的,因此在这个阶段使用双层离散微波散射模型描述麦类作物的电磁散射。该模型将麦类作物分为上下两层,上面一层主要包括叶片和茎等,称为茎叶层;下面一层主要包括粗糙地面,称为地面层。第2个阶段为从拔节完成至抽穗前,此时麦类作物虽已拔节,对于地表基本完全覆盖,但植株茎叶分层仍不清晰。因此在这个阶段我们仍将麦类作物分为上下两层,使用双层连续微波散射模型描述麦类作物微波散射问题。第3个阶段为从抽穗至成熟期,此时麦类作物已抽穗,麦穗与茎叶有着明显的区别,且麦穗的覆盖不是完全的,因此这个阶段我们使用三层离散微波散射模型描述麦类作物微波散射问题,即将麦类作物分为上中下三层,依次为麦穗层,茎叶层以及地面层。
A1,判断麦类作物有没有完成拔节(第一阶段),如果没有,则采用双层离散微波散射模型,否则进入A2。
A2,判断麦类作物有无麦穗(第二阶段),如果没有,则采用双层连续微波散射模型,否则进入A3。
A3,麦类作物有麦穗(第三阶段),则采用三层离散微波散射模型。
本发明虽然以麦类作物为例来说明本发明的方法,但是本发明不限于此,任何其他与麦类作物生长期相似的植被均可以适用本发明。上述第一阶段和第二阶段对于待研究植被而言,具有如下明显的区别:第一阶段植被对地表是不完全覆盖的,第二阶段植被对地表是完全覆盖的,但是植被的顶部(例如麦穗)和中部(例如茎叶)分层不明显,第三阶段是植被顶部(例如麦穗)的果实成熟。
S1-2,将实测作物数据和实测土壤数据输入到麦类作物分生育期微波散射模型中,模拟研究区麦类作物在各关键生育期作物和土壤的微波后向散射系数。
实测土壤数据的采集方法如下:以实验雷达影像为参考,结合作物空间分布情况,在研究区内选择麦类作物种植区域进行地面数据采集。采样时间为雷达卫星的过境时间。采样时采样点尽可能在实验影像中均匀分布,并综合考虑当地土质、作物类型等因素进行数据采集。
下面分别描述3个微波散射子模型。
麦类作物分生育期微波散射模型是针对我国麦类作物不同生育期生长状况和几何特征以及数学分段思想提出的,已有技术未针对麦类作物提出较具针对性的微波散射模型。
双层离散微波散射模型
在研究植被电磁散射问题上,现有技术一般是基于能量守恒的矢量传输模型进行建模的。对于处于拔节完成前的麦类作物,植株茎叶分层不清晰,且茎的长度较短,不能采用MIMICS模型中假设的介质圆柱体进行表征。本发明使用双层离散微波散射模型描述该阶段麦类作物的微波散射问题。双层离散微波散射模型将麦类作物分为上下两层,上面一层主要包括叶片和茎等,称为茎叶层;下面一层主要包括粗糙地面,称为地面层。由于茎叶层中散射体的尺寸与微波波长相比较小,且散射体的占空比一般不大于0.1%,因此在本发明的模型中可以忽略茎叶层多次散射,并近似为单次散射。
假设麦类作物为离散介质,由随机取向的茎叶等散射体构成,且可用规则介质圆柱体进行表征和广义瑞利近似求解,设植株高度为d。地面层设为粗糙平面,可以使用地表相关高度和均方根高度来定量表达,地表相对介电常数为εr。通过模拟地面层和作物层的散射特征,求解矢量辐射传输模型,就可以得到麦类作物和地表的后向散射系数。
在分层介质中,波在介质边界上会发生散射或反射,因此入射强度和散射强度要满足相关特定的界限前提。辐射强度是矢量,向上和向下的辐射强度分别设为和图3显示了辐射强度传播的示意图。
根据双层微波散射模型以及矢量辐射传输理论,可以写出双层微波散射模型满足的VRT方程组:
其中,分别表示上行、下行的stokes矢量强度,表示作物层的衰减矩阵(或消光矩阵),和为各方向的stokes矢量强度经散射到(θ,φ)和(π-θ,φ)方向的能量,称为散射源函数:
将式(2)中的θ用-θ代替可以得到设散射强度为则在作物层和空气层的分界面及其在作物层和地表土壤分界面的边界条件为:
其中为地表相矩阵。
使用迭代法求解式(1),得到零阶后向散射解为:
其中,可以从边界条件得到。n阶后向散射解为:
其中
可见零阶解表示微波在介质中传播衰减后的入射波强度,一阶解表示经一次散射后波的强度,二阶解表示经二次散射后波的强度,以此类推,对方程求解后可获得各次散射后波的强度。
空气中的微波散射强度为是空气与作物层分界面处向上传播的各阶辐射强度值的和,即
则微波后向散射系数为
在总后向散射中,多次散射的作用很小,因此只需要求解VRT方程的零阶、一阶散射解。零阶散射解对应于地表土壤散射,一阶散射解对应于作物层散射及地面与作物之间相互作用散射。散射过程如图4中M1至M5所示,M1表示直接照射到地表土壤层的微波散射分量;M2表示作物层的直接散射分量;M3,M4,M5表示微波与作物层和地表土壤层发生的多次散射分量。其中M5散射分量很小,可以将其忽略。且对于作物等随机介质
对于拔节完成至抽穗期前的麦类作物,先求得不同种类单个散射粒子的散射振幅函数,建立麦杆、麦叶散射模型,求得其散射振幅矩阵,进而求得它们的散射相矩阵和消光矩阵,同时利用AIEM模型,求得土壤(随机粗糙面地表)的Muller矩阵。将麦杆、麦叶的消光矩阵、散射相矩阵、土壤Muller矩阵以及散射频率等参数代入双层离散微波散射模型中,即可得到散射粒子各自的Muller矩阵解,按占空比(粒子浓度)加权平均,得到总的Muller矩阵解,最后可求得土壤的后向散射系数。
(1)地表微波散射系数
VRT方程零阶散射解对应于地表土壤散射系数,求解可得到后向散射系数为
其中,为地表微波散射系数,Lp(θs)和Lq(θi)分别为p和q极化波穿过作物层的衰减因子。
其中,和为作物层的消光系数:
(2)作物层微波散射系数
作物层中的微波散射系数包括以下4项,作物层的微波散射系数以及作物层和地面之间的相互作用系数
当选取适合的粗糙度时,地表主要表现为相干散射,即其他方向的散射能量较弱可以忽略,能量主要集中于地表的反射方向,此时可以得到后向散射系数的简单表达式:
其中,为相干散射系数。由互易性可知
因此在只考虑VRT方程零阶和一阶解的情况下,通过双层离散微波散射模型计算的微波总后向散射系数为:
其中,fy是给定像元内麦类作物所占比例。
双层连续微波散射模型
我国麦类作物拔节完成后至抽穗前的生长阶段,作物对于地表基本上是完全覆盖的。本发明使用双层连续微波散射模型描述该阶段麦类作物的微波散射问题。与双层离散微波散射模型参数和求解方法类似,通过双层连续微波散射模型计算的微波总后向散射系数为:
三层离散微波散射模型
由于抽穗后麦类作物包含麦穗,且麦穗层与茎叶层分层清晰,因此我们将麦穗层单独设为一层。首先计算不含麦穗的麦叶层微波散射,得到它总的向上反射Muller矩阵解,并以此作为麦穗的下垫面(作用类似于双层散射模型中的随机粗糙地表),再计算以麦穗麦叶和下垫面组成的双层散射模型,也就是使用了两次双层微波散射模型,得到麦类作物总后向散射系数。
抽穗后的麦类作物,由土壤、麦叶/麦秆、麦穗三层构成。在三层微波散射模型中,先计算一次双层微波散射,将其向上Muller矩阵解作为麦穗层的下垫面,再计算一次双层微波散射。图5中M1’是直接照射到麦穗层以下的微波散射分量,并分解为M1至M5;M2’表示麦穗层的直接散射分量;M3’,M4’,M5’与双层微波散射模型的分界模式大致相同,但下垫面不再是粗糙地表而是由双层散射模型模拟所得。
通过三层离散微波散射模型计算的微波总后向散射系数为:
其中,fs是给定像元内麦穗层所占比例。
下面详细说明S1-2中如何根据麦类作物分生育期微波散射模型得到土壤微波散射系数和作物微波散射系数。
如果麦类作物未完成拔节,利用双层离散微波散射模型,处理方法如下:
B1、将麦类作物看作为离散介质,用规则介质圆柱体进行表征。地面层用地表相关高度和均方根高度来表征。求得不同种类单个散射粒子的散射振幅函数,建立麦杆、麦叶散射模型,求得其散射振幅矩阵,进而求得它们的散射相矩阵和消光矩阵。
B2、利用AIEM模型,求得土壤(随机粗糙地表)的Muller矩阵。将麦杆、麦叶的消光矩阵、散射相矩阵、土壤Muller矩阵以及散射频率等参数代入双层离散微波散射模型,可得到散射粒子各自的Muller矩阵解,按占空比(粒子浓度)加权平均,得到总的Muller矩阵解,得到麦类作物的后向散射系数和土壤的后向散射系数。
如果麦类作物已完成拔节,且没有麦穗,则利用双层连续微波散射模型,处理方法同双层连续微波散射模型类似,处理方法如下:
C1、将麦类作物看作为离散介质,用规则介质圆柱体进行表征。地面层用地表相关高度和均方根高度来表征。求得不同种类单个散射粒子的散射振幅函数,建立麦杆、麦叶散射模型,求得其散射振幅矩阵,进而求得它们的散射相矩阵和消光矩阵。
C2、利用AIEM模型,求得土壤(随机粗糙地表)的Muller矩阵。将麦杆、麦叶的消光矩阵、散射相矩阵、土壤Muller矩阵以及散射频率等参数代入双层连续微波散射模型,可得到散射粒子各自的Muller矩阵解,按占空比(粒子浓度)加权平均,得到总的Muller矩阵解,得到麦类作物的后向散射系数和土壤的后向散射系数。
如果麦类作物有麦穗,则利用三层离散微波散射模型,处理方法如下:
D1、利用三层离散微波散射模型,计算不含麦穗的麦叶层散射,得到它总的向上反射Muller矩阵解。
D2、以麦叶层作为麦穗层的下垫面(作用类似于双层散射中的随机粗糙地表),基于麦穗麦叶和下垫面组成的双层微波散射模型,得到麦类作物总后向散射系数。
S1-3,根据微波散射系数计算土壤微波散射比值。
土壤微波散射比=土壤微波后向散射系数/总微波后向散射系数
S1-4,对土壤微波散射比值进行空间插值,获得空间土壤微波散射比值。例如插值方法可以采用克里金(Kriging)空间插值。
再次参照图1,本发明的方法包括:
S2,计算不同极化模式下的土壤极化后向散射系数;
S2-1,对麦类作物各关键生育期的雷达遥感影像进行预处理,获得不同极化模式下的后向散射系数。预处理包括:辐射定标、精制极化LEE滤波、多视和几何校正。
S2-2,带入S1中计算的空间土壤微波散射比,计算土壤极化后向散射系数。
S3,筛选敏感极化模式。
利用线性最小二乘法建立实测土壤水分数据与土壤极化后向散射系数的关系模型,以确定系数(R2)、调整确定系数(Adjusted R2)以及均方根误差(Rootmean squarederror,RMSE)为评价指标来筛选敏感极化模式,确定麦类作物覆盖土壤水分反演模型的建模极化方式。R2,Adjusted R2以及RMSE计算公式如下:
其中,xi,yi,分别为土壤水分实测值、土壤水分实测值均值、土壤水分反演值以及土壤水分反演值均值,n为样本数。R2值越趋近于1,表示土壤水分反演值与实测值拟合程度越高。
在多元线性回归方程中,自变量个数的增加会引起余差平方和的减少。因此尽管有的自变量与因变量关系不显著,将其引入方程后,也会使R2增大,从而使R2被高估。为了消除自变量个数对R2的影响,让评价结果只反应回归方程的拟合程度,引入Adjusted R2作为土壤水分反演精度的评价指标。
其中,n为样本数,k为自变量个数。
其中,xi,yi分别为土壤水分实测值,土壤水分反演值,n为样本数。
S4,建立麦类作物覆盖土壤水分反演模型。
具体为,使用所筛选敏感极化模式与实测土壤水分数据利用不同回归模型进行非线性拟合,建立麦类作物覆盖土壤水分反演模型。
S5,进行区域麦类作物覆盖土壤水分反演,得到反演结果。
S5-1,使用S4中得到的土壤水分反演模型反演区域土壤水分,利用麦类作物分布图进行掩模得到麦类作物覆盖土壤水分反演结果。
S5-2,并使用确定系数(R2)、调整确定系数(Adjusted R2)以及均方根误差(Rootmean squared error,RMSE)评价指标对土壤水分反演结果进行精度评价。
根据我国麦类作物生长状况和几何特征,本发明提出了一种针对麦类作物覆盖区域的分生育期微波散射模型。并利用所提模型消除作物覆盖对土壤后向散射的影响,最后拟合土壤后向散射系数与实测土壤含水量之间的关系建立土壤水分半经验反演模型。
验证实例
本发明的一个实施例中,以冬小麦为例,描述如何利用所提麦类作物覆盖区域土壤水分反演方法进行土壤水分反演。研究区位于河北省衡水深州市,属于中国重要的农业生产区黄淮海地区,研究区覆盖面积为25km×25km,地形较为平坦,该区域属温带半湿润大陆性季风气候区,主要作物种植制度为冬小麦-夏玉米一年两熟制。夏收作物主要为冬小麦,秋收作物主要为玉米和棉花等。其中,研究区冬小麦从每年的10月上旬播种至次年的6月上旬或中旬收获:11月下旬到次年2月中下旬为越冬期,2月底到3月上旬进入返青期,冬小麦开始旺盛生长,起身拔节期从3月中下旬到4月中旬,4月中下旬到5月上旬为孕穗抽穗期,开花灌浆期开始于5月中旬,6月初到中旬冬小麦收获。具体研究区分布如图6所示。
遥感数据采用Radarsat-2雷达遥感影像。该影像为精细全极化(Fine-Quadpolarization,FQ)模式,数据幅宽为25km,分辨率为5.2m×7.6m(距离向×方位向),入射角为18°~49°。影像经过辐射定标、精制极化LEE滤波、多视和几何校正等预处理使其空间分辨率降至8m,研究区在影像上表现为3096像元×3248像元的方形区域。影像成像时间为2014年3月23日,2014年5月10日以及2014年6月3日,分别对应冬小麦起身拔节期,孕穗抽穗期以及成熟期。
地面实测土壤数据的采集方法如下:以Radarsat-2遥感影像为参考,结合作物空间分布情况,在研究区内选择冬小麦种植区域进行地面数据采集。采样时间为雷达卫星的过境时间。采样时采样点尽可能在实验影像中均匀分布,并综合考虑当地土质、作物类型等因素进行数据采集。在实验区域内,共包括5个大样方内的35个采样点以及24个散点共计59个采样点,采样点分布如图7所示。利用手持GPS记录各采样点的坐标信息,实现采样点与雷达影像的空间对应。对每个样点进行剖面挖掘,每个样点剖面均按0-5cm进行采样,利用时域反射计(Time Domain Reflectometry,TDR)测定样点土壤水分值,每个样点均匀采集3次,取平均值作为该样点土壤含水量,并取得部分样点土样封存带回实验室利用烘干法测定土壤体积含水量,对TDR测定的结果进行校正处理。同时,取得样点部分作物样本封存带回实验室,使用烘干称重法获得作物含水量数据。图7显示了采样点分布实例。
(1)基于点尺度的模型应用与验证
首先,利用麦类作物分生育期微波散射模型消除冬小麦覆盖对土壤后向散射的影响。将实测冬小麦和土壤数据输入到微波散射模型中模拟研究区冬小麦和土壤在冬小麦各关键生育期的微波散射情况,然后根据微波散射情况输出土壤微波散射比,对微波散射比进行空间插值,获得空间土壤微波散射比。其次,对雷达影像进行预处理,获得不同极化模式下的后向散射系数,并带入空间土壤微波散射比,计算土壤极化后向散射系数。为了明确HH、HV极化模式与土壤水分实测值间的关系,分别在冬小麦3个关键生育期对图7建模区域35个实测土壤水分值与空间对应HH、HV极化后向散射系数进行线性拟合,并分析了消除冬小麦覆盖影响前后土壤水分值与HH、HV极化后向散射系数的相关性。结果如图8至图10所示。
由图8至图10,在冬小麦覆盖影响消除前,HH、HV极化后向散射系数与实测土壤水分值之间的相关系数较低。在冬小麦3个关键生育期(2014年3月23日,2014年5月10日以及2014年6月3日),HH极化后向散射系数与实测土壤水分值之间的决定系数R2分别为0.256,0.003以及0.037;HV极化后向散射系数与实测土壤水分值之间的决定系数R2分别为0.063,0.006以及0.011。在消除冬小麦覆盖影响后,HH、HV极化后向散射系数与实测土壤水分值之间的相关系数显著提高。在冬小麦3个关键生育期,HH极化后向散射系数与实测土壤水分值之间的决定系数R2分别为0.638,0.518以及0.340;HV极化后向散射系数与实测土壤水分值之间的决定系数R2分别为0.491,0.481以及0.413。由此可知,麦类作物分生育期微波散射模型可有效消除冬小麦对于HH、HV极化波后向散射系数的影响。且在冬小麦抽穗期前,雷达HH极化波对土壤含水量的差异更为敏感;在冬小麦抽穗后,受麦穗影响HV极化波对土壤含水量的差异更为敏感。
基于以上结论,利用图5建模区域35个样点建立了3个关键生育期冬小麦覆盖区域土壤水分反演模型,回归方程如式(21)至式(23)所示:
f1(x)=0.1601e-0.3794x (21)
f2(x)=1.597e-0.1654x (22)
f3(x)=2.736e-0.1377x (23)
(2)基于区域尺度的模型应用与验证
在冬小麦3个关键生育期(2014年3月23日,2014年5月10日以及2014年6月3日)利用式(22)至式(24)反演区域冬小麦覆盖土壤水分,结果如图12所示。
通过24个散点对区域尺度冬小麦覆盖土壤水分反演精度进行验证,24个散点反演值与实测值数据拟合决定系数R2分别为0.795,0.671以及0.758。经过实地和资料调查,2014年3月23日研究区内冬小麦处于拔节初期,大部农田进行了灌溉,土壤含水量较高;2014年5月10日研究区内冬小麦处于孕穗抽穗期,由气象资料,研究时间前后该区域没有明显降水,因此土壤含水量较低;与区域土壤水分反演结果基本一致,由此可见利用本发明所提土壤水分反演方法进行土壤水分反演具有一定可行性和适用性。
本发明以Radarsat-2雷达遥感影像为例,以中国重要的农业生产区河北省衡水深州市为研究区,利用所提土壤水分反演方法开展了区域土壤水分反演研究。结果表明,麦类作物分生育期微波散射模型可有效消除冬小麦对于HH、HV极化波后向散射系数的影响。在冬小麦抽穗期前,雷达HH极化波对土壤含水量的差异更为敏感;在冬小麦抽穗后,受麦穗影响HV极化波对土壤含水量的差异更为敏感。在冬小麦3个关键生育期(2014年3月23,2014年5月10日以及2014年6月3日)利用35个样点进行建模并利用24个散点进行土壤水分反演精度验证,土壤水分反演值与实测值数据拟合决定系数R2分别为0.795,0.671以及0.758。证明了本发明所提麦类作物覆盖区域土壤水分反演方法具有一定可行性和适用性。
本发明虽然仅以冬小麦为例,阐述和实施了如何利用所提麦类作物覆盖区域土壤水分反演方法进行土壤水分反演的思路和方法,但该方法对于一般的麦类作物覆盖下的土壤水分反演具有普遍的适用性,且本发明的方法也可适用于其他类似低矮植被。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (10)
1.一种不同生育阶段麦类作物覆盖区域土壤水分反演方法,其特征在于,包括:
S1,利用分生育期微波散射模型,计算空间土壤微波散射比,其中,所述分生育期微波散射模型是基于麦类作物不同生育期和几何特征以及矢量辐射传输理论建立的,用于消除不同生育期作物覆盖对土壤后向散射的影响;
S2,利用雷达不同极化模式下的微波总后向散射系数和空间土壤微波散射比计算不同极化模式下的土壤极化后向散射系数;
S3,利用线性最小二乘法建立实测土壤水分数据与不同极化模式下的土壤极化后向散射系数的关系模型,以确定系数R2、调整确定系数Adjusted R2以及均方根误差RMSE为评价指标来筛选敏感极化模式;
S4,使用所筛选的敏感极化模式与实测土壤水分数据进行非线性拟合,建立非线性拟合模型作为麦类作物覆盖区域土壤水分反演模型;
S5,进行区域麦类作物覆盖区域土壤水分反演,得到反演结果。
2.根据权利要求1所述的反演方法,其特征在于,在S1中,还包括:
S1-1,根据作物生育期选择适合的微波散射模型,包括:
A1,判断麦类作物是否具有第一阶段生长特征,如果没有,则采用双层离散微波散射模型,否则进入A2;其中,第一阶段麦类作物对地表是不完全覆盖的;
A2,判断麦类作物有无第二阶段生长特征,如果没有,则采用双层连续微波散射模型,否则进入A3;其中,第二阶段麦类作物对地表是完全覆盖的;
A3,麦类作物进入第三阶段,采用三层离散微波散射模型;
其中,双层离散微波散射模型是将作物和地面看作两层,麦类作物看作离散介质;三层离散微波散射模型是将麦类作物分为双层,地面为第三层,基于两次双层微波散射模型。
3.根据权利要求2所述的反演方法,其特征在于,所述双层离散微波散射模型的处理方法如下:
B1、将麦类作物看作为双层离散介质,用规则介质圆柱体进行表征,地面层用地表相关高度和均方根高度来表征,求得不同种类单个散射粒子的散射振幅函数,建立作物杆、作物叶散射模型,求得其散射振幅矩阵,进而求得作物杆、作物叶的散射相矩阵和消光矩阵;
B2、利用AIEM模型,求得土壤Muller矩阵,基于作物杆、作物叶的消光矩阵和散射相矩阵、土壤Muller矩阵以及散射频率参数,得到散射粒子各自的Muller矩阵解,按占空比加权平均,得到总的Muller矩阵解,最后得到麦类作物的后向散射系数和土壤的后向散射系数。
4.根据权利要求2所述的反演方法,其特征在于,所述双层连续微波散射模型的处理方法如下:
C1、将麦类作物看作为离散介质,用规则介质圆柱体进行表征,地面层用地表相关高度和均方根高度来表征,求得不同种类单个散射粒子的散射振幅函数,建立麦杆、麦叶散射模型,求得其散射振幅矩阵,进而求得作物杆、作物叶的散射相矩阵和消光矩阵;
C2、利用AIEM模型,求得土壤Muller矩阵,基于麦杆、麦叶的消光矩阵、散射相矩阵、土壤Muller矩阵以及散射频率代入双层连续微波散射模型,得到散射粒子各自的Muller矩阵解,按占空比加权平均,得到总的Muller矩阵解,最后得到麦类作物的后向散射系数和土壤的后向散射系数。
5.根据权利要求3所述的反演方法,其特征在于,所述三层离散微波散射模型的处理方法如下:
D1、利用三层离散微波散射模型,计算不含麦穗的麦叶层散射,得到它总的向上反射Muller矩阵解;
D2、以麦叶层作为麦穗层的下垫面,基于麦穗麦叶和下垫面组成的双层微波散射模型,得到麦类作物总后向散射系数。
6.根据权利要求1所述的反演方法,其特征在于,在S1中,还包括:
S1-2,将实测作物数据和实测土壤数据输入到麦类作物分生育期微波散射模型中,模拟研究区麦类作物在各关键生育期作物和土壤的微波散射系数。
7.根据权利要求1所述的反演方法,其特征在于,在S2中,还包括:
S2-1,对麦类作物各关键生育期的雷达遥感影像进行预处理,获得不同极化模式下的后向散射系数;
S2-2,带入S1中计算的空间土壤微波散射比,计算土壤极化后向散射系数;
8.根据权利要求1所述的反演方法,其特征在于,在S5中,还包括:
S5-1,使用S4中得到的土壤水分反演模型反演区域土壤水分,利用麦类作物分布图进行掩模得到麦类作物覆盖土壤水分反演结果;
S5-2,并使用确定系数R2、调整确定系数Adjusted R2以及均方根误差RMSE评价指标对土壤水分反演结果进行精度评价。
9.根据权利要求1所述的反演方法,其特征在于,所述分生育期微波散射模型满足VRT方程组:
其中,分别表示上行、下行的stokes矢量强度,表示作物层的衰减矩阵,和为各方向的stokes矢量强度经散射到(θ,φ)和(π-θ,φ)方向的能量。
10.根据权利要求9所述的反演方法,其特征在于,
所述方程组的零阶散射解对应于地表土壤散射,一阶散射解对应于作物层散射及地面与作物之间相互作用散射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359711.2A CN109765247B (zh) | 2018-11-15 | 2018-11-15 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359711.2A CN109765247B (zh) | 2018-11-15 | 2018-11-15 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765247A true CN109765247A (zh) | 2019-05-17 |
CN109765247B CN109765247B (zh) | 2021-06-08 |
Family
ID=66450123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811359711.2A Active CN109765247B (zh) | 2018-11-15 | 2018-11-15 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765247B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239209A (zh) * | 2020-02-17 | 2020-06-05 | 中国科学院上海天文台 | 机会信号反射遥感的全极化单次反射仿真方法及系统 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN114442093A (zh) * | 2022-01-20 | 2022-05-06 | 中国地质大学(武汉) | 一种基于广义散射模型的三分量分解的土壤水分反演方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN103399023A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 植被下土壤湿度的多维度组合优化方法 |
CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN106990121A (zh) * | 2017-03-30 | 2017-07-28 | 中国科学院遥感与数字地球研究所 | 一种全极化sar数据土壤含水量反演方法 |
CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及系统 |
-
2018
- 2018-11-15 CN CN201811359711.2A patent/CN109765247B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN103399023A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 植被下土壤湿度的多维度组合优化方法 |
CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
CN105608414A (zh) * | 2015-12-11 | 2016-05-25 | 国网四川省电力公司电力应急中心 | 一种地表含水量分布提取方法 |
CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN106990121A (zh) * | 2017-03-30 | 2017-07-28 | 中国科学院遥感与数字地球研究所 | 一种全极化sar数据土壤含水量反演方法 |
CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及系统 |
Non-Patent Citations (2)
Title |
---|
王春梅等: "基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量", 《水资源与水工程学报》 * |
黄波: "基于矢量辐射传输理论的小麦微波散射特性研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239209A (zh) * | 2020-02-17 | 2020-06-05 | 中国科学院上海天文台 | 机会信号反射遥感的全极化单次反射仿真方法及系统 |
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN114442093A (zh) * | 2022-01-20 | 2022-05-06 | 中国地质大学(武汉) | 一种基于广义散射模型的三分量分解的土壤水分反演方法 |
CN114442093B (zh) * | 2022-01-20 | 2024-08-16 | 中国地质大学(武汉) | 一种基于广义散射模型的三分量分解的土壤水分反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109765247B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Franch et al. | Remote sensing based yield monitoring: Application to winter wheat in United States and Ukraine | |
Bonfante et al. | Refining physical aspects of soil quality and soil health when exploring the effects of soil degradation and climate change on biomass production: an Italian case study | |
Wang et al. | Validation and trend analysis of ECV soil moisture data on cropland in North China Plain during 1981–2010 | |
Betbeder et al. | Assimilation of LAI and dry biomass data from optical and SAR images into an agro-meteorological model to estimate soybean yield | |
Faramarzi et al. | Setting up a hydrological model of Alberta: Data discrimination analyses prior to calibration | |
Le Maire et al. | MODIS NDVI time-series allow the monitoring of Eucalyptus plantation biomass | |
Dente et al. | Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield | |
Guerif et al. | Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation | |
Whetton et al. | Nonlinear parametric modelling to study how soil properties affect crop yields and NDVI | |
Kong et al. | Quantitative estimation of biomass of alpine grasslands using hyperspectral remote sensing | |
CN109765247B (zh) | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 | |
CN109615551A (zh) | 基于微波散射和冠层模拟的麦类作物叶面积指数反演方法 | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
Hu et al. | Evapotranspiration partitioning and its interannual variability over a winter wheat-summer maize rotation system in the North China Plain | |
Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
Thorp et al. | Assimilating leaf area index estimates from remote sensing into the simulations of a cropping systems model | |
Yu et al. | Soil apparent electrical conductivity and must carbon isotope ratio provide indication of plant water status in wine grape vineyards | |
Wu et al. | Winter wheat LAI inversion considering morphological characteristics at different growth stages coupled with microwave scattering model and canopy simulation model | |
Feng et al. | Estimating surface heat and water vapor fluxes by combining two-source energy balance model and back-propagation neural network | |
CN108761456A (zh) | 一种作物的叶面积指数反演方法 | |
CN114140591A (zh) | 一种结合机器学习和地统计的土壤有机质遥感制图方法 | |
CN106447079A (zh) | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 | |
Yan et al. | Impact of parameter uncertainty and water stress parameterization on wheat growth simulations using CERES-Wheat with GLUE | |
Aouade et al. | Evapotranspiration partition using the multiple energy balance version of the ISBA-Ag s land surface model over two irrigated crops in a semi-arid Mediterranean region (Marrakech, Morocco) | |
Han et al. | Linking an agro-meteorological model and a water cloud model for estimating soil water content over wheat fields |
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 |