CN109886962A - 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 - Google Patents
基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 Download PDFInfo
- Publication number
- CN109886962A CN109886962A CN201910239783.1A CN201910239783A CN109886962A CN 109886962 A CN109886962 A CN 109886962A CN 201910239783 A CN201910239783 A CN 201910239783A CN 109886962 A CN109886962 A CN 109886962A
- Authority
- CN
- China
- Prior art keywords
- lai
- factor
- model
- angle
- inverting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000002689 soil Substances 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000513 principal component analysis Methods 0.000 claims abstract description 4
- 238000007637 random forest analysis Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 241000024188 Andala Species 0.000 claims description 2
- 235000021466 carotenoid Nutrition 0.000 claims description 2
- 150000001747 carotenoids Chemical class 0.000 claims description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 2
- 239000001752 chlorophylls and chlorophyllins Substances 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000985 reflectance spectrum Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000003746 surface roughness Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 abstract description 2
- 238000004162 soil erosion Methods 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于叶面积指数和多角度数据的植被覆盖与管理措施因子遥感反演方法：步骤一、修正土壤流失方程中的次因子法；步骤二、对多角度遥感影像进行预处理，获取地表反射率；步骤三、主成分分析法筛选最佳波段；步骤四、将野外实测样方的生化组份参数输入辐射传输模型，得到样方模拟反射率；步骤五、建立实测LAI值和实测C值之间的回归关系模型，确定最佳C因子反演模型；步骤六、选择能反映林地LAI值变化的植被指数，确定最佳植被指数；步骤七、将植被指数和波段输入随机森林模型，输出反演得到的多角度LAI影像；步骤八、利用第五步建立的C因子反演回归方程，得到C因子的反演结果。本发明充分利用了LAI和多角度遥感影像信息，实用性较强。
Description
技术领域
本发明涉及一种基于叶面积指数(LAI)和多角度数据的植被覆盖与管理措施因子(C)的遥感反演方法。
背景技术
植被覆盖与管理措施因子(Cover-Management Factor，C因子)表示植被覆盖与管理措施对土壤侵蚀的影响，是USLE和RUSLE模型中变化范围最大的重要因子，对土壤侵蚀最为敏感，对USLE模型的整体有效性有最显著的作用。C因子的合理估算对区域土壤侵蚀遥感定量评价和水土保持规划有重要的意义。C因子的定义为在相同的土壤、坡度和降雨条件下，有特定植被覆盖和管理措施地上的土壤流失量与同等条件下实施适时翻耕、连续休闲地上的土壤流失量之比，它是衡量植被抵抗土壤侵蚀能力的重要指标，其值介于0-1之间，值越大说明对应的土地利用类型的土壤侵蚀越严重。对于小流域尺度上C值的确定，一般根据C因子的定义，利用野外定位观测法来计算C值。通过试验小区的年径流和土壤流失的观测数据，通过统计分析获得C值。在大流域、区域尺度上主要借助遥感技术来确定C值，主要包括遥感分类、植被指数、植被覆盖度和光谱混合模型等。
基于遥感分类的直接赋值法，将相似区域的文献经验C值赋值给相应的土地利用类型。基于植被指数估算C值，利用遥感影像提取波段值计算实测点的植被指数，与实测C值之间建立回归方程，然后再通过利用回归方程与遥感影像数据反演区域的C值，其归一化植被指数(Normalized Difference Vegetation Index，NDVI)使用最为广泛。基于植被覆盖度估算C值，植被覆盖与土壤侵蚀存在显著的负相关性。一般而言，植被覆盖越大，C值越小，土壤侵蚀的风险越小，反之越大。目前应用最广的是蔡崇法建立的植被覆盖度与C值之间的关系式，但该方法所用的植被覆盖度是植被的垂直投影，即植被的水平覆盖度，忽略了植被垂直结构对土壤侵蚀的影响。基于光谱混合模型估算C值，通过混合像元分解将遥感影像中的一个像元分成多个组分(裸土、植被、非光和物质(枯落物、岩石等))，将各个组分与C值之间建立方程，从而估算区域C因子值。野外定位观测法虽然精度高，但工作量大，只适用于小区域的C值估算。对于大流域尺度，利用遥感影像数据、基于土地利用类型和植被覆盖度等来计算C值，虽然较为方便，但单一的植被水平覆盖度往往会高估C值，计算得到的土壤流失量偏小，低估了水土流失程度。但实际上由于地表缺少灌木或草本植被等的覆盖，土壤裸露程度较高，仍然会存在中度及以上的水土流失，由此可见研究土壤侵蚀仍需考虑植被的垂直结构。
叶面积指数(Leaf Area Index，LAI)的定义是植被叶、茎、花、果等组分的总面积与土地面积的比值。LAI不仅能够反映植被的水平覆盖情况和垂直结构，还能反映凋落物的厚薄和地下生物量的多少，这些也是影响土壤侵蚀的主要方面。LAI比植被覆盖度更适合作为土壤侵蚀定量评价的主要指标。为此，多角度遥感数据能够利用光谱信息和多角度立体结构信息，增加模型反演过程中的先验知识，改善传统单一角度数据反演植被结构参数精度比较低等问题。
发明内容
本发明是针对现有技术存在的不足，提供一种高精度的、基于叶面积指数和多角度数据，利用物理模型和统计模型的植被覆盖与管理措施因子遥感反演方法。
为解决上述问题，本发明所采取的技术方案如下：
一种基于叶面积指数和多角度数据的植被覆盖与管理措施因子遥感反演方法，该方法包括下列步骤：
步骤一、在修正土壤流失方程(Revised Universal Soil Loss Equation，RUSLE)(由Renard等人于1997年提出)中，C因子由前期土地利用方式、冠层覆盖、地表覆盖、表面粗糙度、土壤水分这五个次因子计算而得；
步骤二、对多角度遥感影像进行预处理，获取地表反射率；
步骤三、主成分分析法筛选最佳波段；
步骤四、将野外实测样方的生化组份参数输入辐射传输模型，得到样方模拟反射率；
步骤五、利用SPSS软件建立实测LAI值和实测C值之间的回归关系模型，根据验证精度确定最佳C因子反演模型；
步骤六、选择能够较好地反映林地LAI值变化的植被指数，通过皮尔森相关系数分析不同植被指数在不同观测角度下与LAI值的相关性，确定最佳植被指数；
步骤七、将最佳植被指数和最佳波段输入随机森林模型，通过不同的角度组合，根据模型输出的决定系数、平均相对误差和平均绝对百分误差来确定LAI的最佳反演模型，输出反演得到的多角度LAI影像；
步骤八、利用第五步建立的最佳C因子反演回归方程，得到C因子的反演结果。
本发明与现有技术相比较，本发明的实施效果如下：
本发明能够显著提高C因子反演精度的方法，充分利用了LAI和多角度遥感影像信息，是一种实用的C因子反演方法。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
本实施方式所述一种实用的基于叶面积指数和多角度数据的植被覆盖与管理措施因子遥感反演方法，包括具体步骤如下：
步骤一、在RUSLE模型中，C因子由前期土地利用方式、冠层覆盖、地表覆盖、表面粗糙度、土壤水分这五个次因子计算而得；
具体公式为：
C＝PLU×CC×SC×SR×SM
其中，C为植被覆盖与管理措施因子，PLU为前期土地利用因子(Prior-land-use)，CC是林冠覆盖因子(Canpoy-cover)，SC为地表覆盖因子(Surface-cover)，SR为地表粗糙度(Surface-roughness)，SM为土壤水分(Soil-moisture)；
CC＝1-Fc×exp[-0.1×H]
其中，Fc为林冠覆盖占土地面积的比，H为平均树高；
SC＝exp[-b×Sp×(0.24/Ru)0.08]
其中，b和Ru为随机粗糙度,Sp为地表覆盖百分数(％)；
SR＝exp[-0.66×(Ru-0.24)]
步骤二、对多角度遥感影像进行预处理，包括去燥处理、云掩膜、大气校正和几何校正，最终获得地表反射率；
步骤三、利用主成分分析法获取最佳波段，根据贡献率的大小选取最佳波段，贡献率越大，表明该波段所含信息量越大；
公式为：
其中，Pnx为第n波段的x主成分特征向量，λx为第x主成分的特征向量，Varn为协方差矩阵中第n波段的方差；
步骤四、将实验室测定的野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数输入PROSAIL模型中，得到样方的模拟冠层反射率；
PROSAIL模型的公式为：
ρc＝PROSAIL(LAI,ALA,N,Cab,Cw,Cm,HOT,Diff,θv,θs,φ)
其ρc为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角(°)，N为叶片内部结构参数，Cab为叶片叶绿素含量(μg/cm2)，Cw为叶片等效水厚度(cm)，Cm为叶片干物质含量(mg/cm2)，HOT为热点参数，Diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，φ为太阳与观测相对方位角；
根据多角度遥感影像的头文件信息得到辐射传输模型中的输入参数，包括太阳天顶角、太阳方位角、观测天顶角、观测方位角、太阳与观测相对方位角等；
步骤五、利用SPSS软件建立实测LAI值和实测C值之间的回归关系模型，根据决定系数和相对误差确定最佳C因子反演模型；
步骤六、选取常用的与LAI相关性较高的植被指数，在SPSS软件中与实测LAI进行皮尔森相关性分析，选择与LAI相关性最高的植被指数参与LAI的建模与反演；
步骤七、将最佳植被指数和最佳波段输入随机森林模型，根据不同的角度组合，通过模型的误差来确定决策树的数量，最终根据模型输出的决定系数、平均相对误差和平均绝对百分误差来确定反演LAI的最佳角度，输出反演得到的多角度LAI影像；
步骤八、根据第五步建立的基于LAI的最佳C因子反演回归方程，在ARCGIS或ENVI中得到C因子的反演结果。
综上所述，本发明是一种能够显著提高C因子反演精度的方法，充分利用了LAI和多角度遥感影像信息，是一种实用的C因子反演方法。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，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保护的范围。
Claims (2)
1.一种基于LAI和多角度数据的植被覆盖与管理措施因子的遥感反演方法，其特征在于：该方法包括下列步骤：
步骤一：在RUSLE模型中，C因子由前期土地利用方式、冠层覆盖、地表覆盖、表面粗糙度、土壤水分这五个次因子计算而得；
具体公式为：
C＝PLU×CC×SC×SR×SM
其中，C为植被覆盖与管理措施因子，PLU为前期土地利用因子(Prior-land-use)，CC是林冠覆盖因子(Canpoy-cover)，SC为地表覆盖因子(Surface-cover)，SR为地表粗糙度(Surface-roughness)，SM为土壤水分(Soil-moisture)；
CC＝1-Fc×exp[-0.1×H]
其中，Fc为林冠覆盖占土地面积的比，H为平均树高；
SC＝exp[-b×Sp×(0.24/Ru)0.08]
其中，b和Ru为随机粗糙度，Sp为地表覆盖百分数(％)；
SR＝exp[-0.66×(Ru-0.24)]；
步骤二、对多角度遥感影像进行预处理，包括去燥处理、云掩膜、大气校正和几何校正，最终获得地表反射率；
步骤三、利用主成分分析法获取最佳波段，根据贡献率的大小选取最佳波段，贡献率越大，表明该波段所含信息量越大；
公式为：
其中，Pnx为第n波段的x主成分特征向量，λx为第x主成分的特征向量，Varn为协方差矩阵中第n波段的方差；
步骤四、将实验室测定的野外样方中各个树种的生化组分参数，包括叶片面积、叶片等效水厚度和干物质含量、叶绿素和类胡萝卜素等，根据树种在样方中所占权重，确定野外实测样方的生化组分参数并输入PROSAIL模型中，得到样方的模拟冠层反射率；
PROSAIL模型的公式为：
ρc＝PROSAIL(LAI,ALA,N,Cab,Cw,Cm,HOT,Diff,θv,θs,φ)
其ρc为冠层光谱反射率，LAI为叶面积指数，ALA为平均叶倾角(°)，N为叶片内部结构参数，Cab为叶片叶绿素含量(μg/cm2)，Cw为叶片等效水厚度(cm)，Cm为叶片干物质含量(mg/cm2)，HOT为热点参数，Diff为漫反射系数，θv和θs分别为观测天顶角和太阳天顶角，φ为太阳与观测相对方位角；
步骤五、利用SPSS软件建立实测LAI值和实测C值之间的回归关系模型，根据决定系数和相对误差确定最佳C因子反演模型；
步骤六、选取常用的与LAI相关性较高的植被指数，在SPSS软件中与实测LAI进行皮尔森相关性分析，选择与LAI相关性最高的植被指数参与LAI的建模与反演；
步骤七、将最佳植被指数和最佳波段输入随机森林模型，根据不同的角度组合，通过模型的误差来确定决策树的数量，最终根据模型输出的决定系数、平均相对误差和平均绝对百分误差来确定反演LAI的最佳角度，输出反演得到的多角度LAI影像；
步骤八、根据第五步建立的基于LAI的最佳C因子反演回归方程，在ARCGIS或ENVI中得到C因子的反演结果。
2.根据权利要求1所述基于LAI和多角度数据的植被覆盖与管理措施因子的遥感反演方法，其特征在于：根据多角度遥感影像的头文件信息得到辐射传输模型中的输入参数，包括太阳天顶角、太阳方位角、观测天顶角、观测方位角、太阳与观测相对方位角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910239783.1A CN109886962B (zh) | 2019-03-27 | 2019-03-27 | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910239783.1A CN109886962B (zh) | 2019-03-27 | 2019-03-27 | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886962A true CN109886962A (zh) | 2019-06-14 |
| CN109886962B CN109886962B (zh) | 2022-08-09 |
Family
ID=66934806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910239783.1A Expired - Fee Related CN109886962B (zh) | 2019-03-27 | 2019-03-27 | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886962B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110579186A (zh) * | 2019-08-26 | 2019-12-17 | 中国农业大学 | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 |
| CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
| CN111985576A (zh) * | 2020-09-02 | 2020-11-24 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN112330672A (zh) * | 2020-11-28 | 2021-02-05 | 华中农业大学 | 基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法 |
| CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
| CN114755189A (zh) * | 2022-04-01 | 2022-07-15 | 自然资源部国土卫星遥感应用中心 | 一种特征优选的自注意力机制高光谱卫星lai反演方法 |
| CN114757089A (zh) * | 2022-03-14 | 2022-07-15 | 北京城市气象研究院 | 基于物理机理的植被覆盖率测算方法 |
| CN116503747A (zh) * | 2023-06-30 | 2023-07-28 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
| CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
| CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
| US20180356339A1 (en) * | 2016-08-10 | 2018-12-13 | Fuzhou University | Method of calculating tavi based on a band ratio model and solar altitude angle |
-
2019
- 2019-03-27 CN CN201910239783.1A patent/CN109886962B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
| US20180356339A1 (en) * | 2016-08-10 | 2018-12-13 | Fuzhou University | Method of calculating tavi based on a band ratio model and solar altitude angle |
| CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
| CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110579186A (zh) * | 2019-08-26 | 2019-12-17 | 中国农业大学 | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 |
| CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
| CN111126511B (zh) * | 2020-01-02 | 2023-11-03 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
| CN111985576A (zh) * | 2020-09-02 | 2020-11-24 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN111985576B (zh) * | 2020-09-02 | 2023-11-03 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN112330672A (zh) * | 2020-11-28 | 2021-02-05 | 华中农业大学 | 基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法 |
| CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
| CN113340898B (zh) * | 2021-06-30 | 2023-05-30 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
| CN114757089A (zh) * | 2022-03-14 | 2022-07-15 | 北京城市气象研究院 | 基于物理机理的植被覆盖率测算方法 |
| CN114755189A (zh) * | 2022-04-01 | 2022-07-15 | 自然资源部国土卫星遥感应用中心 | 一种特征优选的自注意力机制高光谱卫星lai反演方法 |
| CN116503747A (zh) * | 2023-06-30 | 2023-07-28 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
| CN116503747B (zh) * | 2023-06-30 | 2023-09-15 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886962B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886962A (zh) | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 | |
| Verrelst et al. | Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data | |
| Data | Influence of topography on forest reflectance using Landsat Thematic Mapper and digital terrain data | |
| Chen et al. | Retrieving leaf area index of boreal conifer forests using Landsat TM images | |
| CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
| CN109977548B (zh) | 一种针对不同范围的叶面积指数遥感反演方法 | |
| Pisek et al. | Intercomparison of clumping index estimates from POLDER, MODIS, and MISR satellite data over reference sites | |
| Manninen et al. | Leaf area index estimation of boreal forest using ENVISAT ASAR | |
| Zhang et al. | Estimation of crop gross primary production (GPP): II. Do scaled MODIS vegetation indices improve performance? | |
| Shen et al. | Quantifying vertical profiles of biochemical traits for forest plantation species using advanced remote sensing approaches | |
| Wolter et al. | Exploiting tree shadows on snow for estimating forest basal area using Landsat data | |
| Gutman et al. | Revisiting the use of red and near-infrared reflectances in vegetation studies and numerical climate models | |
| CN108548793A (zh) | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 | |
| Nilson et al. | Forest reflectance modeling: theoretical aspects and applications | |
| Stenberg et al. | Boreal forest leaf area index from optical satellite images: model simulations and empirical analyses using data from central Finland. | |
| CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
| Taheriazad et al. | Calculation of leaf area index in a Canadian boreal forest using adaptive voxelization and terrestrial LiDAR | |
| CN113887024A (zh) | 基于归一化温度构建的干旱指数反演表层土壤水分方法 | |
| Lin et al. | Developing a two-step algorithm to estimate the leaf area index of forests with complex structures based on CHRIS/PROBA data | |
| Galvíncio et al. | LAI Improved to dry forest in Semiarid of the Brazil. | |
| Ni-Meister et al. | Modeling the hemispherical scanning, below-canopy lidar and vegetation structure characteristics with a geometric-optical and radiative-transfer model | |
| CN115657079A (zh) | 基于静止气象卫星的植被冠层可燃物含水率反演方法及系统 | |
| Serrano et al. | Assessing forest structure and function from spectral transmittance measurements: A case study in a Mediterranean holm oak forest | |
| Lu et al. | Application of the functional-structural tree model LIGNUM to growth simulation of short-rotation eastern cottonwood | |
| Falkenström et al. | Evaluation of IRS-1c LISS-3 satellite data for defoliation assessment on Norway spruce and Scots pine |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220809 |