CN110907367A - 一种基于高光谱遥感的土壤墒情检测方法 - Google Patents
一种基于高光谱遥感的土壤墒情检测方法 Download PDFInfo
- Publication number
- CN110907367A CN110907367A CN201911091012.9A CN201911091012A CN110907367A CN 110907367 A CN110907367 A CN 110907367A CN 201911091012 A CN201911091012 A CN 201911091012A CN 110907367 A CN110907367 A CN 110907367A
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- moisture content
- model
- 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
Images
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/34—Purifying; Cleaning
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
- G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2866—Grinding or homogeneising
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱数据的土壤墒情检测方法,其特点是该方法包括:1)采集在目标区域具有不同质地、理化性质相异的土壤样本;2)构建土壤墒情‑光谱数据库,获取各土壤样本在不同含水量梯度下的光谱数据;3)构建各个土壤样本的含水量‑光谱反射率辐射传输物理模型和预测最优波段;4)根据光谱角度匹配方法,判断待实测光谱所属模型,获取对应的模型参数,输入对应的最佳波段反射率,解算土壤墒情。本发明与现有技术相比具有坚实的物理基础,模型稳定性和精度均大大提高,并具有较强的普适性,尤其适合不同土壤类型的土壤墒情动态监测和广泛运用。
Description
技术领域
本发明涉及光谱分析技术领域,尤其是一种基于高光谱遥感的土壤墒情检测方法。
背景技术
我国是一个干旱缺水严重的国家,人均水资源量只有世界平均水平的1/4,是全球人均水资源最贫乏的国家之一。土壤墒情(含水量)的变化影响陆地-大气界面的蒸发、渗透、径流、侵蚀等过程,是农业、水文、气象、生态等领域的关键参数。因此,反演土壤墒情信息是非常重要的,准确、快速、无损监测地表土壤含水量在水文、气象和农业科学领域具有重大的意义。
传统的土壤墒情采用定点实测方法,如烘干称重、电阻测量等,在需要精细的空间采样间隔时,存在着成本昂贵、周期长等缺点。遥感方法具有无损、快速的特点,适合大范围土壤墒情的动态监测,现有土壤遥感检测手段中应用较广的方法是微波遥感方法,由于其成像原理限制,空间分辨率较低,因此难以应用于田间、地块尺度。而光学遥感方法大多基于统计学手段,在二维光谱特征空间内建立土壤含水量与光谱反射率之间的回归模型,由于土壤类型多样,理化性质各异,其反射光谱特性在不同土壤类型之间存在显著的差异,因此这类预测模型不具备稳定的物理基础,普适性较差。
综上所述,至今未曾见有公开发表具有明确物理机理的土壤墒情检测方法的学术论文和相关报道。
发明内容
本发明的目的是针对现有技术的不足而设计的一种基于高光谱遥感的土壤墒情检测方法,建立含水土壤反射率光谱模型,采用光谱角度匹配方法,判断待实测光谱所属模型,获取对应的模型参数,输入对应的最佳波段反射率,根据特定波段下的土壤反射率,实现土壤墒情(含水量)的反演,物理机理明确,精度高,具有较强的普适性,尤其适合不同土壤类型的土壤墒情动态监测和广泛运用。
实现本发明目的的具体技术方案是:建立含水土壤反射率光谱模型并获取对应的物理模型参数,使用光谱角度匹配方法判断待实测光谱所属的物理模型,利用皮尔森相关系数判断反演最佳波段,输入对应的最佳波段反射率,根据特定波段下的土壤反射率,解算土壤墒情,具体包括以下步骤:
(1)采集目标区域内不同质地土壤样本,风干、研磨、过筛。
(2)构建土壤含水量-光谱数据库,测量各个土壤样本在不同含水量梯度下的光谱,具体包括下述步骤:
a、将过筛后的各土壤样本加水至过饱和状态,静置,待土壤表面的自由水消失后称重,计算饱和含水量θs并记录,测量该含水量情况下的反射光谱。将土样置于80℃烘箱中,每隔1小时后称重后计算体积含水量,并测量反射光谱,直至土壤完全干燥。
b、光谱采集装置使用美国ASD公司的FiledSpecPro地物光谱仪进行测量,其体积含水量由下述I式计算:
其中:m和m0分别为含水土壤和干燥土壤的质量;ρb为土壤容重;ρwater为水的密度(1.0g·cm-3)。
(3)建立土壤含水量-光谱物理模型,具体包括以下步骤:
a、将步骤(2)中获取的每种土壤样本在不同含水量梯度下的反射光谱,由下述II式建立含水量与光谱反射率之间的物理模型:
式中:R为土壤光谱反射率;θ为土壤墒情(含水量);rθ为Kubelka–Munk方程,即ks与ss分别为达到饱和持水量(θs)的土壤的吸收系数与散射系数;kw、sw分别为土壤水的吸收与散射系数;θs为饱和持水量;rs,t1和t2分别为非线性模型的三个未知参数,其中, 求解未知参数的过程属于辐射传输逆问题。
b、使用遗传算法做为参数寻优算法,计算代价函数最小时模型的各参数值,建立各土壤样本的模型参数随波长变化的查找表,所述代价函数由下述III式计算:
其中:Rk为样本在某一含水量梯度下指定波长的反射率测量值;θk为体积含水量;R(θk)为模拟反射率。
c、计算代价函数最小时模型的各参数值,建立各土壤样本的模型参数随波长变化的查找表。
d、由下述IV式计算皮尔森相关系数:
其中:Rk为样本在某一含水量梯度下指定波长的反射率测量值;θk为体积含水量;R(θk)为模拟反射率。
e、根据皮尔森相关系数,计算各样本与含水量相关性最高的波段,作为后续反演使用的波段。
(4)预测待检测土壤含水量,具体包括以下步骤:
a、采集待检测土壤的光谱,根据光谱角度匹配方法,将步骤(2)中建立的光谱数据库作为参考光谱,由下述V式求解待检测土壤光谱矢量与参考光谱之间的广义夹角α:
式中:nb为波段数;ti为测试光谱;ri为参考光谱,α为待测光谱与参考光谱矢量之间的广义夹角,其值越小,表示与参考光谱越匹配。获取光谱匹配度最高的参考光谱所属土壤含水量-光谱物理模型,根据建立的输入反演波段对应的反射率,计算得到土壤含水量。
本发明与现有技术相比具有物理机理明确,精度高,稳定性强,可根据特定波段下的土壤反射率,实现土壤墒情(含水量)的反演,解算土壤墒情,方法简便,效率高,与以往基于统计学的方法相比,具有坚实的物理基础,模型稳定性和精度均大大提高,并具有较强的普适性,尤其适合不同土壤类型的土壤墒情动态监测和广泛运用。
附图说明
图1为本发明流程示意图;
图2为土壤样本五点采样法示意图;
图3为光谱采集示意图;
图4为不同含水量下的土壤光谱示意图;
图5为Kubelka–Munk理论模型示意图;
图6为遗传算法流程示意图;
图7为模型参数与波长曲线图。
具体实施方案
下面以某一地区的土壤墒情检测为例,对本发明作进一步的详细说明。
实施例1
参阅附图1,按下述进行土壤墒情的检测:
步骤一:采集目标区域内具有不同质地、理化性质相异的土壤样本,其具体方法如下:
参阅附图2,每个采样点位置为2米直径的方圆内,其中心O点、上下为A点和C点、左右为D点和B点,四个角共五处,各采集一部分地表5cm厚度的土壤样本。混合后装进密封袋,采样的样本物理质量应不小于2kg,采集完成后,放在阴影处自然风干,研磨后过100目筛。
步骤二:构建土壤墒情-光谱数据库,获取各土壤样本在不同含水量梯度下的光谱数据,并进行预处理,本步骤的目的是获取各个土壤样本在不同含水量下的反射光谱,作为含水量-反射率辐射传输模型的边界条件,进而通过参数寻优算法获取每种土壤对应的模型参数。不同含水量土壤的制备如下:
a、向容器中加入各土壤样本并加入纯水至过饱和状态,静置,待土壤表面的自由水消失,称重并计算此时的饱和持水量θs,该参数将应用于后续的模型建立过程。将饱和土样置于80℃烘箱中,每隔一小时后称重,并计算体积含水量,直到土壤质量不再变化,达到干燥状态。所述体积含水量通过称重计算,其计算由下述I式计算:
其中:m和m0分别为含水土壤和干燥土壤的质量;ρb为土壤容重;ρwater为水的密度(1.0g·cm-3)。
b、获取土壤样本在各个含水量梯度下的光谱,其光谱数据采集在能够控制光照条件的光学暗室内进行,使用美国ASD公司的FiledSpecPro地物光谱仪进行测量,其波长范围为350~2500nm,波长间隔为1nm。
参阅附图3,为保证光谱数据质量,去除边缘误差较大的光谱波段,最终选择400~2400nm光谱区间。使用Savitzky-Golay平滑滤波算法去除光谱噪声,保持光谱的大部分细节特征。
参阅附图4,为6个土壤样本在不同含水量梯度下的光谱曲线。
步骤三:根据Kubelka–Munk理论模拟光线在土壤颗粒内部的辐射传输过程,建立各个土壤样本的含水量-光谱反射率辐射传输物理模型。Kubelka–Munk理论由两个描述正方向和负方向之间的能量平衡微分方程组成。
参阅附图5,描述了波长为λm的上行辐射通量IW·m-2·sr-1和下行辐射通量JW·m-2·sr-1,在厚度为z的介质层中的散射和吸收情况,且分别由下述a和b式表示为:
式中:k和s分别为散射系数和吸收系数,均为介质自身属性和波长λ的函数。
随着介质层厚度z的增加,透射率趋于零,其反射率R可由下述c式表示为:
其中:k和s分别为土壤的吸收系数和散射系数。
随着含水量的增加,达到饱和持水量(θs)的土壤的吸收系数ks与散射系数ss分别由下述e和f式表示为:
ks=kd+kwθs (e),
ss=sd+swθs (f),
其中:kd、sd分别为干土的吸收与散射系数;kw、sw分别为土壤水的吸收与散射系数。
综上可得下述II式表示的土壤光谱反射率R:
式中:θ为土壤墒情(含水量);rθ为Kubelka–Munk方程,即 ks与ss分别为达到饱和持水量(θs)的土壤的吸收系数与散射系数;kw、sw分别为土壤水的吸收与散射系数;θs为饱和持水量;rs,t1和t2分别为非线性模型的三个未知参数,其中,
建立了土壤光谱反射率与含水量之间的物理模型,该模型中包含有三个未知参数rs,t1和t2,饱和持水量参数θs在步骤二中可测量得到。
步骤四:使用遗传算法在解空间内寻找各物理模型对应的最优参数,利用皮尔森相关系数判断各样本对应的反演最佳波段。本发明建立的辐射传输模型是包含三个未知参数rs,t1和t2的非线性模型,求解未知参数的过程属于典型的辐射传输逆问题,使用遗传算法计算未知参数,其定义代价函数由下述III式计算:
其中:Rk为样本在某一含水量梯度下指定波长的反射率测量值;θk为体积含水量;R(θk)为模拟反射率。
参阅附图6,遗传算法在解空间内寻找在χ2最小时方程的各参数值,使得模型计算出的不同含水量下的土壤反射率尽可能接近实测的反射率。
参阅附图7,根据单个样本不同含水量下的光谱数据计算得到的各参数随波长的变化情况,计算所有土壤样本的模型参数,建立各参数随波长变化的查找表。
根据皮尔森相关系数,计算各样本光谱与含水量相关性最高的波段,所述皮尔森相关系数由下述IV式计算:
计算400~2400nm光谱区间内各个波段光谱反射率与土壤含水量的相关性,取相关性最高的波段作为后续反演使用的最佳波段。采集待检测土壤的光谱,根据光谱角度匹配方法,找到与待测土壤光谱匹配度最高的参考光谱所属模型,
所述光谱角度匹配将步骤二建立的光谱数据库作为参考光谱,由下述V式求解待检测土壤光谱矢量与参考光谱之间的广义夹角α:
式中:nb为波段数;ti为测试光谱;ri为参考光谱,α为待测光谱与参考光谱矢量之间的广义夹角,其值越小,表示与参考光谱越匹配。
步骤五:采集待测土壤的光谱数据,根据光谱角度匹配方法,判断待实测光谱所属模型,输入对应的最佳波段反射率,解算土壤墒情。将最佳反演波段以及计算得到的预测含水量与真实含水量进行比较,选用均方根误差RMSE,以及式决定系数R2对预测结果进行评价,其预测结果评价见下表1所示:
表1预测结果评价
所述均方根误差RMSE由下述f式计算:
所述系数R2由下述g式计算:
Claims (8)
1.一种基于高光谱遥感的土壤墒情检测方法,其特征在于建立含水土壤反射率光谱模型并获取对应的物理模型参数,使用光谱角度匹配方法判断待实测光谱所属的物理模型,利用皮尔森相关系数判断反演最佳波段,输入对应的最佳波段反射率,根据特定波段下的土壤反射率,实现土壤墒情的反演。具体包括以下步骤:
步骤1:采集目标区域具有不同质地、理化性质相异的土壤样本;
步骤2:构建土壤墒情-光谱数据库,获取各土壤样本在不同含水量梯度下的光谱数据并进行预处理;
步骤3:根据Kubelka–Munk理论模拟光线在土壤颗粒内部的辐射传输过程,建立各个土壤样本的含水量-光谱反射率辐射传输物理模型;
步骤4:使用遗传算法做为参数寻优算法,计算代价函数最小时模型的各参数值,建立各土壤样本的模型参数随波长变化的查找表,利用皮尔森相关系数判断各样本对应的反演最佳波段;
步骤5:采集待测土壤的光谱数据,根据光谱角度匹配方法,判断待实测光谱所属模型,输入对应的最佳波段反射率,解算土壤墒情。
2.根据权利要求1所述基于高光谱遥感的土壤墒情检测方法,其特征在于所述采集目标区域不同质地土壤样本,具体为:每个采样点位于2米直径的方圆内,采集中心点以及上、下和左、右四角共五处的地表土壤样本,其地表厚度为5cm,质量不小于2kg,在阴凉处自然风干后研磨,并100目丝网过筛。
8.根据权利要求5所述基于高光谱遥感的土壤墒情检测方法,其特征在于所述遗传算法在解空间内寻找在χ2最小时方程的各参数值,使得模型计算出的不同含水量下的土壤反射率尽可能接近实测的反射率,计算所有土壤样本的模型参数,建立各参数随波长变化的查找表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091012.9A CN110907367B (zh) | 2019-11-09 | 2019-11-09 | 一种基于高光谱遥感的土壤墒情检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091012.9A CN110907367B (zh) | 2019-11-09 | 2019-11-09 | 一种基于高光谱遥感的土壤墒情检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110907367A true CN110907367A (zh) | 2020-03-24 |
CN110907367B CN110907367B (zh) | 2022-10-04 |
Family
ID=69816982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911091012.9A Active CN110907367B (zh) | 2019-11-09 | 2019-11-09 | 一种基于高光谱遥感的土壤墒情检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907367B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075012A (zh) * | 2021-03-29 | 2021-07-06 | 南京晓庄学院 | 一种遥感监测近地表土壤湿度的水分蒸发装置 |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN114354545A (zh) * | 2021-12-22 | 2022-04-15 | 东北林业大学 | 一种考虑有机质影响的土壤水分遥感反演方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN104865274A (zh) * | 2015-04-08 | 2015-08-26 | 环境保护部卫星环境应用中心 | 基于单极化雷达数据的土壤含水量反演方法及系统 |
CN106096656A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院合肥物质科学研究院 | 一种基于稀疏表示及bp神经网络技术的土壤近红外光谱分析方法 |
CN106645037A (zh) * | 2016-11-17 | 2017-05-10 | 安徽理工大学 | 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法 |
CN106770054A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于光谱吸收特征的黑土含水量速测方法 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
CN107167446A (zh) * | 2017-05-16 | 2017-09-15 | 武汉大学 | 一种土壤重金属可见及近红外反射光谱特征诊断方法 |
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110333195A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 植物叶片水分含量检测方法及装置 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
-
2019
- 2019-11-09 CN CN201911091012.9A patent/CN110907367B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735697A (zh) * | 2011-04-07 | 2012-10-17 | 中国科学院电子学研究所 | 深层土壤湿度微波遥感探测方法与装置 |
CN104865274A (zh) * | 2015-04-08 | 2015-08-26 | 环境保护部卫星环境应用中心 | 基于单极化雷达数据的土壤含水量反演方法及系统 |
CN106096656A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院合肥物质科学研究院 | 一种基于稀疏表示及bp神经网络技术的土壤近红外光谱分析方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
CN106645037A (zh) * | 2016-11-17 | 2017-05-10 | 安徽理工大学 | 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法 |
CN106770054A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于光谱吸收特征的黑土含水量速测方法 |
CN106767687A (zh) * | 2017-02-22 | 2017-05-31 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN107167446A (zh) * | 2017-05-16 | 2017-09-15 | 武汉大学 | 一种土壤重金属可见及近红外反射光谱特征诊断方法 |
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110333195A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 植物叶片水分含量检测方法及装置 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
Non-Patent Citations (6)
Title |
---|
D. SINGH ET AL.: "AN EFFICIENT MODELING WITH GA APPROACH TO RETRIEVE SOIL TEXTURE, MOISTURE AND ROUGHNESS FROM ERS-2 SAR DATA", 《PROGRESS IN ELECTROMAGNETICS RESEARCH》 * |
JING YUAN ET AL.: "Soil Moisture Retrieval Model for Remote Sensing Using Reflected Hyperspectral Information", 《REMOTE SENSING》 * |
LIN LI ET AL.: "Retrieval of Fresh Leaf Fuel Moisture Content Using Genetic Algorithm Partial Least Squares (GA-PLS) Modeling", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
MORTEZA SADEGHI ET AL.: "A linear physically-based model for remote sensing of soil moisture using short wave infrared bands", 《REMOTE SENSING OF ENVIRONMENT》 * |
吴代晖 等: "高光谱遥感监测土壤含水量研究进展", 《光谱学与光谱分析》 * |
马淏: "光谱及高光谱成像技术在作物特征信息提取中的应用研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075012A (zh) * | 2021-03-29 | 2021-07-06 | 南京晓庄学院 | 一种遥感监测近地表土壤湿度的水分蒸发装置 |
CN113075012B (zh) * | 2021-03-29 | 2021-11-30 | 南京晓庄学院 | 一种遥感监测近地表土壤湿度的水分蒸发装置 |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN113655003B (zh) * | 2021-09-02 | 2024-01-12 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN114354545A (zh) * | 2021-12-22 | 2022-04-15 | 东北林业大学 | 一种考虑有机质影响的土壤水分遥感反演方法 |
CN114354545B (zh) * | 2021-12-22 | 2023-11-28 | 东北林业大学 | 一种考虑有机质影响的土壤水分遥感反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110907367B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110907367B (zh) | 一种基于高光谱遥感的土壤墒情检测方法 | |
CN104897592B (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
CN107421894A (zh) | 基于无人机高光谱反演土壤中重金属污染监测方法 | |
CN108801934A (zh) | 一种土壤有机碳含量高光谱预测模型的建模方法 | |
Duan et al. | Comparison of different semi-empirical algorithms to estimate chlorophyll-a concentration in inland lake water | |
CN114018833B (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
Stramski et al. | Optical properties of Asian mineral dust suspended in seawater | |
CN105738317B (zh) | 纺织品近红外模型转移方法 | |
CN110376139A (zh) | 基于地面高光谱的土壤有机质含量定量反演方法 | |
Mobasheri et al. | Leaf Equivalent Water Thickness assessment using reflectance at optimum wavelengths | |
Verpoorter et al. | Visible, near‐infrared spectrometry for simultaneous assessment of geophysical sediment properties (water and grain size) using the Spectral Derivative–Modified Gaussian Model | |
CN110596028A (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
Huan-Jun et al. | Quantitative analysis of moisture effect on black soil reflectance | |
CN108918606A (zh) | 介电法测定土壤含水量的土壤原位率定曲线的获取方法 | |
CN107907490A (zh) | 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法 | |
CN111929261B (zh) | 基于高光谱植被指数的叶片多酚含量估算方法 | |
Yanmin et al. | Soil moisture monitoring using hyper-spectral remote sensing technology | |
CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
CN110567385A (zh) | 基于高光谱技术的建筑反射隔热涂料施工厚度检测方法 | |
CN104132928B (zh) | 一种茶叶中美术绿含量的检测方法 | |
Li et al. | Comparison of two methods for estimation of soil water content from measured reflectance | |
Yuan et al. | Semi-empirical soil organic matter retrieval model with spectral reflectance | |
CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 | |
Ma et al. | Detection and analysis of soil water content based on experimental reflectance spectrum data | |
Ren et al. | Quantitative Research on the Relationship between Salinity and Crack Length of Soda Saline-Alkali Soil. |
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 |