CN109919250A - 考虑土壤水分的蒸散发时空特征融合方法及装置 - Google Patents
考虑土壤水分的蒸散发时空特征融合方法及装置 Download PDFInfo
- Publication number
- CN109919250A CN109919250A CN201910210548.1A CN201910210548A CN109919250A CN 109919250 A CN109919250 A CN 109919250A CN 201910210548 A CN201910210548 A CN 201910210548A CN 109919250 A CN109919250 A CN 109919250A
- Authority
- CN
- China
- Prior art keywords
- pixel
- surface temperature
- data
- remote sensing
- remotely
- 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
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种考虑土壤水分的蒸散发时空特征融合方法及装置,涉及遥感与生态水文学的技术领域,该方法包括构建输入数据集;获取遥感影像,并根据遥感影像确定滑动窗口和滑动窗口所包含的中心像元;滑动窗口包括遥感影像中的多个像元;根据输入数据集计算滑动窗口的每个像元的临界地表温度,并根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;将与中心像元的土壤水分状态类别相同的像元作为相似像元;根据输入数据集确定相似像元的权重;并根据输入数据集和权重生成目标地表蒸散发值。本发明可以得到目标时间对应的空间分辨率更高的目标地表蒸散发值。
Description
技术领域
本发明涉及遥感与生态水文学技术领域,尤其是涉及一种考虑土壤水分的蒸散发时空特征融合方法及装置。
背景技术
遥感影像的时空数据融合是指:融合低空间分辨率遥感影像的高时间分辨率特征及低时间分辨率遥感影像的高空间分辨率特征,生成同时具有高空间分辨率和高时间分辨率特征影像的技术。然而,当前已广泛应用的遥感数据时空数据融合方法主要基于融合地表反照率、光谱指数和地表温度等来开发的,并未充分考虑到地表蒸散发的影响因素,尤其是土壤水分的影响。目前,考虑土壤水分影响的遥感数据时空数据融合方法尚未有提出。
发明内容
有鉴于此,本发明的目的在于提供一种考虑土壤水分的蒸散发时空特征融合方法及装置,本申请能够在考虑土壤水分影响因素的同时,对目标时间之前和之后分别对应的高空间分辨率和低空间分辨率情况下的蒸散发数据以及目标时间对应的低空间分辨率情况下的蒸散发数据进行融合,得到目标时间对应的空间分辨率更高的目标地表蒸散发值。
第一方面,本发明实施例提供了一种考虑土壤水分的蒸散发时空特征融合方法,该方法包括:构建输入数据集;输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度;获取遥感影像,并根据遥感影像确定滑动窗口和滑动窗口所包含的中心像元;滑动窗口包括遥感影像中的多个像元;根据输入数据集计算滑动窗口的每个像元的临界地表温度,并根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;将与中心像元的土壤水分状态类别相同的像元作为相似像元;根据输入数据集确定相似像元的权重;并根据输入数据集和权重生成目标地表蒸散发值。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,构建输入数据集的步骤,包括:获取原始第一遥感数据和原始第二遥感数据;对原始第一遥感数据和原始第二遥感数据进行预处理,预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定;将经过预处理的原始第一遥感数据、经过预处理的原始第二遥感数据和地面观测数据作为输入数据集。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据输入数据集计算滑动窗口的每个像元的临界地表温度的步骤,包括:按照以下公式计算端元的温度: 其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;按照以下公式计算临界地表温度:其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别的步骤,具体包括:如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据输入数据集确定相似像元的权重的步骤,包括:按照以下公式计算低空间分辨率相似像元光谱向量和高空间分辨率相似像元光谱向量之间的第一相关系数: 其中,Si表示第一相关系数,Fi表示第i个相似像元不同波段构成的高空间分辨率光谱向量,Ci表示第i个相似像元不同波段构成的低空间分辨率光谱向量,Bs表示可见光波段的反射率数据,BSWIR代表短波红外波段的反射率数据,BNIR表示辐射亮度数据,(xi,yi)表示像元i的坐标数据;按照以下公式计算相似像元地表状况向量与中心像元地表状况向量之间的第二相关系数;地表状况包括以下至少一种:植被指数、地表温度、蒸散发数据或相对土壤水分:其中,WSCi表示第二相关系数,corrcoef表示求向量间的相关系数,NDVI表示高空间分辨率像元(xi,yi)的归一化植被指数,LST表示高空间分辨率像元(xi,yi)的地表温度,ET表示高空间分辨率像元(xi,yi)的蒸散发数据,SM表示高空间分辨率像元(xi,yi)的相对土壤水分;按照以下公式计算相似像元与中心像元之间的距离权重:其中,(xi,yi)表示像元i的坐标数据,(xw/2,yw/2)表示中心像元的坐标数据,di表示距离权重,w表示中心像元的边长;按照以下公式根据第一相关系数、第二相关系数和距离权重确定相似像元的空间权重:Di=(1-Si)(1-WSCi)di其中,Wi表示空间权重,di表示距离权重,Si表示第一相关系数,WSCi表示第二相关系数,di表示距离权重;按照以下公式根据相似像元在当前时间的蒸散发数据和在已知日期的蒸散发数据确定时间权重:其中,ETC(xi,yi,tk)表示时间为k(k=m,n)时像元(xi,yi)的低空间分辨率地表蒸散发数据,ETC(xi,yi,tp)表示时间为p时像元(xi,yi)的低空间分辨率地表蒸散发数据。
结合第一方面或其任一种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,根据输入数据集和权重生成目标地表蒸散发值的步骤,包括:按照以下公式生成目标地表蒸散发值:ETF(xw/2,yw/2,tp)=Tm×ETF,m(xw/2,yw/2,tp)+Tn×ETF,n(xw/2,yw/2,tp)其中,ETF(xw/2,yw/2,tp)是时间为p时的目标地表蒸散发值,ETF,k(xw/2,yw/2,tp)是时间为利用k时刻高空间分辨率数据计算出的p时刻地表高空间分辨率蒸散发数据,其中,k=m或n,Tm是时间为m时的时间权重,Tn是时间为n时的时间权重,ETF(xw/2,yw/2,tk)是时间为k时的高空间分辨率地表蒸散发数据,ETC(xi,yi,tp)是时间为p时的低空间分辨率地表蒸散发数据,ETC(xi,yi,tk)是时间为k时的低空间分辨率地表蒸散发数据。
第二方面,本发明实施例还提供一种考虑土壤水分的蒸散发时空特征融合装置,包括:构建模块,用于构建输入数据集;输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度;获取模块,用于获取遥感影像,并根据遥感影像确定滑动窗口和滑动窗口所包含的中心像元;滑动窗口包括遥感影像中的多个像元;类别模块,用于根据输入数据集计算滑动窗口的每个像元的临界地表温度,并根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;筛选模块,用于将与中心像元的土壤水分状态类别相同的像元作为相似像元;计算模块,用于根据输入数据集确定相似像元的权重;并根据输入数据集和权重生成目标地表蒸散发值。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,构建模块,具体用于:获取原始第一遥感数据和原始第二遥感数据;对原始第一遥感数据和原始第二遥感数据进行预处理,预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定;将经过预处理的原始第一遥感数据、经过预处理的原始第二遥感数据和地面观测数据作为输入数据集。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,类别模块包括温度单元,温度单元用于:按照以下公式计算端元的温度: 其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;按照以下公式计算临界地表温度:其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,类别模块包括状态单元,状态单元用于:如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
本发明实施例带来了以下有益效果:本发明实施例提供了一种考虑土壤水分的蒸散发时空特征融合方法及装置,该方法首先通过构建包括第一遥感数据、第二遥感数据和地面观测数据的输入数据集,从而得到考虑土壤水分的蒸散发时空融合涉及各模型的输入准备数据,其中,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度;在获取遥感影像之后,在遥感影像中划分出多个像元从而得到滑动窗口,滑动窗口中包括中心像元,之后,根据输入数据集计算滑动窗口的每个像元的临界地表温度,通过临界地表温度和实际地表温度确定每个像元的土壤水分状态类别,并将与中心像元的土壤水分状态类别相同的像元作为相似像元;之后,再根据输入数据集确定相似像元的权重,确定权重并根据输入数据集和权重生成目标地表蒸散发值的过程,即为在考虑土壤水分影响因素的同时,对目标时间之前和之后分别对应的高空间分辨率和低空间分辨率情况下的蒸散发数据以及目标时间对应的低空间分辨率情况下的蒸散发数据进行融合的过程。本发明能够得到目标时间对应的空间分辨率更高的目标地表蒸散发值。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的考虑土壤水分的蒸散发时空特征融合方法流程图;
图2为本发明实施例提供的考虑土壤水分的蒸散发时空特征融合方法中构建输入数据集的流程示意图;
图3为本发明实施例提供的考虑土壤水分的蒸散发时空特征融合装置结构框图;
图4为本发明实施例提供的考虑土壤水分的蒸散发时空特征融合装置中类别模块结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
蒸散发(Evapotranspiration,ET),包括土壤蒸发和植被蒸腾,是地球表层能量交换的主要过程,也是水循环中最重要的分量之一。高空间分辨率地表日蒸散发时序产品能够为流域水资源管理、水文循环研究及农业灌溉用水决策提供重要指导。从技术性、经济性和实效性等方面来看,遥感技术尤其是热红外遥感卫星平台以其快速、高时空分辨率、适用于大面积长期观测的特点,被认为是高时效、高精度获取高空间分辨率地表日蒸散发时序产品最有效的方法。然而,由于卫星传感器在设计时需要权衡空间分辨率和扫描带宽,目前尚未有同时具备高空间分辨率和高时间分辨率且能覆盖全球观测的热红外卫星遥感平台。当前的研究常用遥感数据时空融合方法来生成高空间分辨率地表日蒸散发时序产品。构建考虑土壤水分的地表蒸散发专用时空数据融合模型,估算高时空间分辨率地表蒸散发,对于提升高空间分辨率地表日蒸散发时序产品精度具有重要研究意义,基于此,本发明实施例提供的一种考虑土壤水分的蒸散发时空特征融合方法及装置。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种考虑土壤水分的蒸散发时空特征融合方法进行详细介绍。
实施例1
本发明实施例1提供了一种考虑土壤水分的蒸散发时空特征融合方法,参见图1所示的考虑土壤水分的蒸散发时空特征融合方法流程图,该方法包括以下步骤:
步骤S102,构建输入数据集;输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度。
输入数据集是用于本发明涉及的各个蒸散发时空特征融合模型输入的数据的集合。第一遥感数据可以为高空间分辨率遥感数据,例如,陆地卫星-8(Landsat 8)数据。如果已知目标时间及目标时间之前的第一时间和目标时间之后的第二时间分别对应的遥感可见光、近红外、短波红外反射率,热红外波段辐照亮度,遥感反演得到与该时间对应的地表蒸散发数据。
第二遥感数据可以为低空间分辨率遥感数据,例如,中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)数据。如果已知目标时间之前的第一时间和目标时间之后的第二时间分别对应的遥感可见光、近红外、短波红外反射率,热红外波段辐照亮度,可以遥感反演得到地表蒸散发、地表温度、植被指数和土壤水分等数据。
地面观测数据可以为空气温度、大气压强、相对湿度、风速、上(下)行长(短)波辐射数据和部分辅助气象数据等。
步骤S104,获取遥感影像,并根据遥感影像确定滑动窗口和滑动窗口所包含的中心像元;滑动窗口包括遥感影像中的多个像元。
遥感影像可以是记录各种地物电磁波大小的胶片或照片,可以包括航空像片和卫星相片。遥感影像中包括多个像元,将在遥感影像中划分出的多个像元组成的集合作为滑动窗口。设置滑动窗口的行和列的像元个数相等。当滑动窗口边长为奇数个像元,可以将滑动窗口各边坐标中点对应像元作为中心像元;如果滑动窗口边长为偶数个像元,可以在滑动窗口各边坐标中点对应的多个像元中随机选择一个作为中心像元。另外,也可以在遥感影像中先确定中心像元,再以该中心像元的位置坐标为中心,选定滑动窗口。
步骤S106,根据输入数据集计算滑动窗口的每个像元的临界地表温度,并根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别。
临界地表温度是指介于根区土壤水分充足、表层有土壤水分和根区水分亏缺、表层无土壤水分之间像元的临界地表温度。实际地表温度是指根据已知日期和测得的高空间分辨率遥感图像反演得到的滑动窗口内像元的实际温度。通过对临界地表温度和实际地表温度的值进行大小比对,可以确定每个像元的土壤水分状态类别。
步骤S108,将与中心像元的土壤水分状态类别相同的像元作为相似像元。
在得到滑动窗口内各像元的土壤水分状态类别之后,根据土壤水分状态类别筛选相似像元,当像元的土壤水分状态类别与中心像元的土壤水分状态类别相同,将该像元作为相似像元。相似像元可以为多个像元。
步骤S110,根据输入数据集确定相似像元的权重;并根据输入数据集和权重生成目标地表蒸散发值。
目标地表蒸散发值是指目标时间目标地点对应的地表蒸散发数值。可以通过输入数据集中得到目标时间的低空间分辨率数据对应的蒸散发值。可以结合目标时间之前和之后的低空间和高空间分辨率数据对应的蒸散发值以对目标时间的低空间分辨率数据对应的蒸散发值进行优化。输入数据集中包括目标地表蒸散发值所在时间之前和之后的蒸散发数据,具体包括:目标地表蒸散发值所在时间之前的高空间分辨率数据和低空间分辨率数据,目标地表蒸散发值所在时间之后的高空间分辨率数据和低空间分辨率数据,目标地表蒸散发值所在时间的低空间分辨率数据。根据输入数据集中的数据确定目标时间低空间分辨率遥感影响中相似像元的权重,再结合输入数据集和权重进行融合,可生成目标地表蒸散发值。
本发明实施例提供了一种考虑土壤水分的蒸散发时空特征融合方法,该方法首先通过构建包括第一遥感数据、第二遥感数据和地面观测数据的输入数据集,从而得到考虑土壤水分的蒸散发时空融合涉及各模型的输入准备数据,其中,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度;在获取遥感影像之后,在遥感影像中划分出多个像元从而得到滑动窗口,滑动窗口中包括中心像元,之后,根据输入数据集计算滑动窗口的每个像元的临界地表温度,通过临界地表温度和实际地表温度确定每个像元的土壤水分状态类别,并将与中心像元的土壤水分状态类别相同的像元作为相似像元;之后,再根据输入数据集确定相似像元的权重,确定权重并根据输入数据集和权重生成目标地表蒸散发值的过程,即为在考虑土壤水分影响因素的同时,对目标时间之前和之后分别对应的高空间分辨率和低空间分辨率情况下的蒸散发数据以及目标时间对应的低空间分辨率情况下的蒸散发数据进行融合的过程。本发明能够得到目标时间对应的空间分辨率更高的目标地表蒸散发值。
为了方便在得到输入数据集后根据各模型进行相关数据的计算,参见图2所示的构建输入数据集的流程示意图,构建输入数据集具体包括以下步骤:
步骤S202,获取原始第一遥感数据和原始第二遥感数据。
步骤S204,对原始第一遥感数据和原始第二遥感数据进行预处理,预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定。
步骤S206,将经过预处理的原始第一遥感数据、经过预处理的原始第二遥感数据和地面观测数据作为输入数据集。
原始第一遥感数据和原始第二遥感数据是指直接通过传感器能够采集到的数据。对原始数据进行去噪、清洗等处理之后,还可以进行投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定等处理。其中,投影转换是指将两种不同投影系统下的遥感数据转换成相同投影系统;影像空间配准,是指基于空间坐标及特征点进行遥感影像的配准处理;重采样,是指基于高空间分辨率影像像元大小,例如,30米,对低空间分辨率影像重采样为同样像元大小,例如,30米;空间裁剪,是指基于研究区边界数据对两组遥感数据进行裁剪处理;滑动窗口大小确定,是指根据低分辨率影像同高分辨率像元大小关系,确定滑动窗口边长(一般为低空间分辨率单个像元边长对应高空间分辨率单个像元边长的倍数)。例如,根据MODIS影像同Landsat 8像元大小关系,确定滑动窗口边长为33个Landsat 8像元。
为确定中心像元的相似像元,考虑土壤水分因素对蒸散发的影响,从而提高目标地表蒸散发值的精度,该方法还执行以下步骤:
根据输入数据集计算滑动窗口的每个像元的临界地表温度的步骤,包括:按照以下公式计算端元的温度: 其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;按照以下公式计算临界地表温度:其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
需要说明的是,其中植被覆盖度Fv计算公式为:其中,MAX表示最大值,MIN表示最小值。式中,ρRed和ρNIR分别为红光和近红外波段的反射率。
为了便于筛选中心像元的相似像元,可以对滑动窗口中的各像元的土壤水分状态类别进行确定,具体包括以下步骤:
如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
根据输入数据集确定相似像元的权重的步骤,包括:按照以下公式计算低空间分辨率相似像元光谱向量和高空间分辨率相似像元光谱向量之间的第一相关系数: 其中,Si表示第一相关系数,Fi表示第i个相似像元不同波段构成的高空间分辨率光谱向量,Ci表示第i个相似像元不同波段构成的低空间分辨率光谱向量,Bs表示可见光波段的反射率数据,BSWIR代表短波红外波段的反射率数据,BNIR表示辐射亮度数据,(xi,yi)表示像元i的坐标数据。
需要说明的是,第一相关系数Si表示光谱相似度,光谱相似度由高、低分辨率MODIS相似像元构成的光谱向量计算相关系数得到。每一个光谱向量由可见光波段Bs、短波红外波段BSWIR及热红外波段BNIR构成。对于Landsat8数据,Bs包括波段2-5(蓝、绿、红和近红外波段),BSWIR包括波段6和波段7(SWIR 1和SWIR 2),BNIR包括波段10和波段11(TIR 1和TIR 2);对于MODIS数据,可见光及短波红外波段数据来自于MOD09GA地表反射率产品,其中Bs包括波段1-4(红、近红外、蓝和绿波段),BSWIR包括波段6和波段7,热红外数据来自于MOD11A1地表温度发射率产品,BNIR包括波段31和波段32辐射亮度数据。
按照以下公式计算相似像元地表状况向量与中心像元地表状况向量之间的第二相关系数;地表状况包括以下至少一种:植被指数、地表温度、蒸散发数据或相对土壤水分:其中,WSCi表示第二相关系数,corrcoef表示求向量间的相关系数,NDVI表示高空间分辨率像元(xi,yi)的归一化植被指数,LST表示高空间分辨率像元(xi,yi)的地表温度,ET表示高空间分辨率像元(xi,yi)的蒸散发数据,SM表示高空间分辨率像元(xi,yi)的相对土壤水分;按照以下公式计算相似像元与中心像元之间的距离权重:
其中,(xi,yi)表示像元i的坐标数据,(xw/2,yw/2)表示中心像元的坐标数据,di表示距离权重,w表示中心像元的边长;按照以下公式根据第一相关系数、第二相关系数和距离权重确定相似像元的空间权重:Di=(1-Si)(1-WSCi)di其中,Wi表示空间权重,di表示距离权重,Si表示第一相关系数,WSCi表示第二相关系数,di表示距离权重;按照以下公式根据相似像元在当前时间的蒸散发数据和在已知日期的蒸散发数据确定时间权重:其中,ETC(xi,yi,tk)表示时间为k(k=m,n)时像元(xi,yi)的低空间分辨率地表蒸散发数据,ETC(xi,yi,tp)表示时间为p时像元(xi,yi)的低空间分辨率地表蒸散发数据。
根据输入数据集和权重生成目标地表蒸散发值的步骤,包括:按照以下公式生成目标地表蒸散发值:ETF(xw/2,yw/2,tp)=Tm×ETF,m(xw/2,yw/2,tp)+Tn×ETF,n(xw/2,yw/2,tp)其中,ETF(xw/2,yw/2,tp)是时间为p时的目标地表蒸散发值,ETF,k(xw/2,yw/2,tp)是时间为利用k时刻高空间分辨率数据计算出的p时刻地表高空间分辨率蒸散发数据,其中,k=m或n,Tm是时间为m时的时间权重,Tn是时间为n时的时间权重,ETF(xw/2,yw/2,tk)是时间为k时的高空间分辨率地表蒸散发数据,ETC(xi,yi,tp)是时间为p时的低空间分辨率地表蒸散发数据,ETC(xi,yi,tk)是时间为k时的低空间分辨率地表蒸散发数据。
本发明实施例提供了一种考虑土壤水分的蒸散发时空特征融合方法及装置,主要发展了能够考虑土壤水分影响的地表蒸散发时空融合方法,通过引入临界地表温度以利用土壤水分状况筛选相似像元,改进光谱相似度包含的波段信息,同时构建新的地表状况权重,从而在融合方法中更全面地考虑地表蒸散发的影响因素。利用所提出的针对于蒸散发的时空数据融合方法计算得到高精度长时间序列高分辨率地表蒸散发产品。
实施例2
本发明实施例2提供了一种考虑土壤水分的蒸散发时空特征融合装置,参见图3所示的考虑土壤水分的蒸散发时空特征融合装置结构框图,该装置包括:
构建模块31,用于构建输入数据集;输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,第一遥感数据的空间分辨率精度高于第二遥感数据的空间分辨率精度;获取模块32,用于获取遥感影像,并根据遥感影像确定滑动窗口和滑动窗口所包含的中心像元;滑动窗口包括遥感影像中的多个像元;类别模块33,用于根据输入数据集计算滑动窗口的每个像元的临界地表温度,并根据临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;筛选模块34,用于将与中心像元的土壤水分状态类别相同的像元作为相似像元;计算模块35,用于根据输入数据集确定相似像元的权重;并根据输入数据集和权重生成目标地表蒸散发值。
构建模块,具体用于:获取原始第一遥感数据和原始第二遥感数据;对原始第一遥感数据和原始第二遥感数据进行预处理,预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定;将经过预处理的原始第一遥感数据、经过预处理的原始第二遥感数据和地面观测数据作为输入数据集。
参见图4所示的考虑土壤水分的蒸散发时空特征融合装置中类别模块结构框图,类别模块包括温度单元41,温度单元用于:按照以下公式计算端元的温度: 其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;按照以下公式计算临界地表温度:其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
参见图4所示的考虑土壤水分的蒸散发时空特征融合装置中类别模块结构框图,类别模块包括状态单元42,状态单元用于:如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种考虑土壤水分的蒸散发时空特征融合方法,其特征在于,包括:
构建输入数据集;所述输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,所述第一遥感数据的空间分辨率精度高于所述第二遥感数据的空间分辨率精度;
获取遥感影像,并根据所述遥感影像确定滑动窗口和所述滑动窗口所包含的中心像元;所述滑动窗口包括所述遥感影像中的多个像元;
根据所述输入数据集计算所述滑动窗口的每个像元的临界地表温度,并根据所述临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;
将与所述中心像元的土壤水分状态类别相同的像元作为相似像元;
根据所述输入数据集确定所述相似像元的权重;并根据所述输入数据集和所述权重生成目标地表蒸散发值。
2.根据权利要求1所述的方法,其特征在于,所述构建输入数据集的步骤,包括:
获取原始第一遥感数据和原始第二遥感数据;
对所述原始第一遥感数据和所述原始第二遥感数据进行预处理,所述预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定;
将经过预处理的所述原始第一遥感数据、经过预处理的所述原始第二遥感数据和所述地面观测数据作为输入数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据所述输入数据集计算所述滑动窗口的每个像元的临界地表温度的步骤,包括:
按照以下公式计算端元的温度:
其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;
按照以下公式计算临界地表温度:
其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述临界地表温度和实际地表温度确定每个像元的土壤水分状态类别的步骤,具体包括:
如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;
如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;
如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;
如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;
其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述输入数据集确定所述相似像元的权重的步骤,包括:
按照以下公式计算低空间分辨率相似像元光谱向量和高空间分辨率相似像元光谱向量之间的第一相关系数:
Fi={F(xi,yi,tm,BS),F(xi,yi,tm,BSWIR),F(xi,yi,tm,BTIR),F(xi,yi,tn,BS),F(xi,yi,tn,BSWIR),F(xi,yi,tn,BTIR))
Ci={C(xi,yi,tm,BS),C(xi,yi,tm,BSWIR),C(xi,yi,tm,BTIR),C(xi,yi,tn,BS),C(xi,yi,tn,BSWIR),C(xi,yi,tn,BTIR))
其中,Si表示第一相关系数,Fi表示第i个相似像元不同波段构成的高空间分辨率光谱向量,Ci表示第i个相似像元不同波段构成的低空间分辨率光谱向量,Bs表示可见光波段的反射率数据,BSWIR代表短波红外波段的反射率数据,BNIR表示辐射亮度数据,(xi,yi)表示像元i的坐标数据;
按照以下公式计算相似像元地表状况向量与中心像元地表状况向量之间的第二相关系数;所述地表状况包括以下至少一种:植被指数、地表温度、蒸散发数据或相对土壤水分:
WSCi=corrcoef([F(xi,yj,NDVI),F(xi,yj,LST),F(xi,yj,ET)),F(xi,yj,SM)],[F(xw/2,yw/2,NDVI),F(xw/2,yw/2,LST),F(xw/2,yw/2,ET),F(xw/2,yw/2,SM)])
其中,WSCi表示第二相关系数,corrcoef表示求向量间的相关系数,NDVI表示高空间分辨率像元(xi,yi)的归一化植被指数,LST表示高空间分辨率像元(xi,yi)的地表温度,ET表示高空间分辨率像元(xi,yi)的蒸散发数据,SM表示高空间分辨率像元(xi,yi)的相对土壤水分;
按照以下公式计算相似像元与中心像元之间的距离权重:
其中,(xi,yi)表示像元i的坐标数据,(xw/2,yw/2)表示中心像元的坐标数据,di表示距离权重,w表示中心像元的边长;
按照以下公式根据所述第一相关系数、所述第二相关系数和所述距离权重确定所述相似像元的空间权重:
其中,Wi表示空间权重,di表示距离权重,Si表示第一相关系数,WSCi表示第二相关系数,di表示距离权重;
按照以下公式根据相似像元在当前时间的蒸散发数据和在已知日期的蒸散发数据确定时间权重:
其中,ETC(xi,yi,tk)表示时间为k(k=m,n)时像元(xi,yi)的低空间分辨率地表蒸散发数据,ETC(xi,yi,tp)表示时间为p时像元(xi,yi)的低空间分辨率地表蒸散发数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述输入数据集和所述权重生成目标地表蒸散发值的步骤,包括:
按照以下公式生成目标地表蒸散发值:
ETF(xw/2,yw/2,tp)=Tm×ETF,m(xw/2,yw/2,tp)+Tn×ETF,n(xw/2,yw/2,tp)
其中,ETF(xw/2,yw/2,tp)是时间为p时的目标地表蒸散发值,ETF,k(xw/2,yw/2,tp)是利用k时刻高空间分辨率数据计算出的p时刻地表高空间分辨率蒸散发数据,其中,k=m或n,Tm是时间为m时的时间权重,Tn是时间为n时的时间权重,ETF(xw/2,yw/2,tk)是时间为k时的高空间分辨率地表蒸散发数据,ETC(xi,yi,tp)是时间为p时的低空间分辨率地表蒸散发数据,ETC(xi,yi,tk)是时间为k时的低空间分辨率地表蒸散发数据。
7.一种考虑土壤水分的蒸散发时空特征融合装置,其特征在于,包括:
构建模块,用于构建输入数据集;所述输入数据集包括:第一遥感数据、第二遥感数据和地面观测数据,所述第一遥感数据的空间分辨率精度高于所述第二遥感数据的空间分辨率精度;
获取模块,用于获取遥感影像,并根据所述遥感影像确定滑动窗口和所述滑动窗口所包含的中心像元;所述滑动窗口包括所述遥感影像中的多个像元;
类别模块,用于根据所述输入数据集计算所述滑动窗口的每个像元的临界地表温度,并根据所述临界地表温度和实际地表温度确定每个像元的土壤水分状态类别;
筛选模块,用于将与所述中心像元的土壤水分状态类别相同的像元作为相似像元;
计算模块,用于根据所述输入数据集确定所述相似像元的权重;并根据所述输入数据集和所述权重生成目标地表蒸散发值。
8.根据权利要求7所述的装置,其特征在于,所述构建模块,具体用于:
获取原始第一遥感数据和原始第二遥感数据;
对所述原始第一遥感数据和所述原始第二遥感数据进行预处理,所述预处理包括以下至少一种:投影转换、影像空间配准、重采样、空间裁剪或滑动窗口大小确定;
将经过预处理的所述原始第一遥感数据、经过预处理的所述原始第二遥感数据和所述地面观测数据作为输入数据集。
9.根据权利要求7所述的装置,其特征在于,所述类别模块包括温度单元,所述温度单元用于:
按照以下公式计算端元的温度:
其中,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,ρ为空气密度(kg/m3);Cp是定压比热(J/(m·K));γ为干湿球常数(kPa/℃);Δ为饱和水汽压对温度曲线的斜率(kPa/℃);VPD为水气压亏缺(kPa);Ta为近地表气温(K);rvw为供水充足的植被冠层阻抗(s/m);rav和ras分别为植被和土壤上层的空气动力学阻抗(s/m);Rn,s为土壤组分净辐射、Rn,v为植被组分净辐射、Gs为土壤热通量;
按照以下公式计算临界地表温度:
其中,T*为像元的临界地表温度,Tsd为干燥裸土端元的温度,Tvw为水分充足植被端元的温度,Fv为植被覆盖度。
10.根据权利要求7所述的装置,其特征在于,所述类别模块包括状态单元,所述状态单元用于:
如果对应的温度满足TR,m≥T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第一类;
如果满足TR,m≥T* m,TR,n<T* n,确定像元的土壤水分状态类别为第二类;
如果满足TR,m<T* m,TR,n≥T* n,确定像元的土壤水分状态类别为第三类;
如果满足TR,m<T* m,TR,n<T* n,确定像元的土壤水分状态类别为第四类;
其中,T* m为m时间对应的像元的临界地表温度,T* n为n时间对应的像元的临界地表温度,TR,m为m时间对应的像元的实际地表温度,TR,n为n时间对应的像元的实际地表温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210548.1A CN109919250B (zh) | 2019-03-19 | 2019-03-19 | 考虑土壤水分的蒸散发时空特征融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210548.1A CN109919250B (zh) | 2019-03-19 | 2019-03-19 | 考虑土壤水分的蒸散发时空特征融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919250A true CN109919250A (zh) | 2019-06-21 |
CN109919250B CN109919250B (zh) | 2021-01-05 |
Family
ID=66965709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910210548.1A Active CN109919250B (zh) | 2019-03-19 | 2019-03-19 | 考虑土壤水分的蒸散发时空特征融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919250B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110319938A (zh) * | 2019-06-26 | 2019-10-11 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN111401790A (zh) * | 2020-04-14 | 2020-07-10 | 清华大学 | 地表用水量计算方法、装置、计算机设备和存储介质 |
CN113419046A (zh) * | 2021-06-17 | 2021-09-21 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN116776651A (zh) * | 2023-08-23 | 2023-09-19 | 中国科学院空天信息创新研究院 | 地表蒸散发测算方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
CN109142674A (zh) * | 2018-08-02 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 根区与表层相对土壤水分同时估算的遥感反演方法 |
CN109187360A (zh) * | 2018-09-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 基于反射率-植被覆盖度二维空间的蒸散发遥感反演方法和应用 |
-
2019
- 2019-03-19 CN CN201910210548.1A patent/CN109919250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
CN109142674A (zh) * | 2018-08-02 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 根区与表层相对土壤水分同时估算的遥感反演方法 |
CN109187360A (zh) * | 2018-09-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 基于反射率-植被覆盖度二维空间的蒸散发遥感反演方法和应用 |
Non-Patent Citations (3)
Title |
---|
YUAN W P: "Global estimates of evapotranspiration and gross primary production based on MODIS and global meteorology data", 《REMOTE SENSING OF ENVIRONMENT》 * |
李召良: "热红外地表温度遥感反演方法研究进展", 《遥感学报》 * |
李放: "地表遥感蒸散发模型研究进展", 《资源科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110319938A (zh) * | 2019-06-26 | 2019-10-11 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN110319938B (zh) * | 2019-06-26 | 2020-10-20 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN111401790A (zh) * | 2020-04-14 | 2020-07-10 | 清华大学 | 地表用水量计算方法、装置、计算机设备和存储介质 |
CN111401790B (zh) * | 2020-04-14 | 2020-12-01 | 清华大学 | 地表用水量计算方法、装置、计算机设备和存储介质 |
CN113419046A (zh) * | 2021-06-17 | 2021-09-21 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN113419046B (zh) * | 2021-06-17 | 2022-02-18 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN116776651A (zh) * | 2023-08-23 | 2023-09-19 | 中国科学院空天信息创新研究院 | 地表蒸散发测算方法、装置、电子设备及存储介质 |
CN116776651B (zh) * | 2023-08-23 | 2023-11-14 | 中国科学院空天信息创新研究院 | 地表蒸散发测算方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109919250B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yue et al. | Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices | |
CN109919250A (zh) | 考虑土壤水分的蒸散发时空特征融合方法及装置 | |
Herrmann et al. | Ground-level hyperspectral imagery for detecting weeds in wheat fields | |
Chen et al. | Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network | |
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
CN106226260A (zh) | 一种结合微波和红外遥感影像的土壤水分反演方法 | |
CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
CN109142359A (zh) | 一种基于时间序列遥感数据的农作物长势监测方法 | |
CN108985959A (zh) | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 | |
CN107229913A (zh) | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 | |
CN111582575B (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN106934405A (zh) | 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法 | |
CN107688003A (zh) | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 | |
CN106644092A (zh) | 基于可见光信息的红外纹理温度场调制方法 | |
Campos et al. | Analyzing the effect of shadow on the relationship between ground cover and vegetation indices by using spectral mixture and radiative transfer models | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
Ambast et al. | An operational model for estimating regional evapotranspiration through surface energy partitioning (RESEP) | |
Mridha et al. | Comparative evaluation of inversion approaches of the radiative transfer model for estimation of crop biophysical parameters | |
Qin et al. | An illumination estimation and compensation method for radiometric correction of UAV multispectral images | |
Cui et al. | Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses | |
Tofigh et al. | A comparison of actual evapotranspiration estimates based on Remote Sensing approaches with a classical climate data driven method | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
Prikaziuk et al. | Simulation of ecosystem fluxes with the SCOPE model: Sensitivity to parametrization and evaluation with flux tower observations |
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 |