CN111337531B - 土壤冻融状态确定方法、装置和电子设备 - Google Patents
土壤冻融状态确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111337531B CN111337531B CN202010122028.8A CN202010122028A CN111337531B CN 111337531 B CN111337531 B CN 111337531B CN 202010122028 A CN202010122028 A CN 202010122028A CN 111337531 B CN111337531 B CN 111337531B
- Authority
- CN
- China
- Prior art keywords
- freeze
- data
- thaw
- state
- soil
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/02—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种土壤冻融状态确定方法、装置和电子设备；该方法包括：获取土壤的第一数据和土壤的第二数据；采用冻融判别式算法确定土壤的第一冻融状态；采用季节性阈值算法确定土壤的第二冻融状态；基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。该方式中，获取不同微波频率下的水平极化通道亮温数据和垂直极化通道亮温数据作为第一数据和第二数据，分别采用冻融判别式算法和季节性阈值算法计算土壤的第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。该方式中，采用冻融判别式算法和季节性阈值算法综合考虑土壤的冻融状态，不单纯依靠一种算法阈值的选择影响算法的精确度，以增加土壤冻融状态确定方法的精确度。
Description
技术领域
本发明涉及遥感技术领域，尤其是涉及一种土壤冻融状态确定方法、装置和电子设备。
背景技术
现有的土壤冻融状态判别算法的精度主要取决于样本的纯度和代表性，基于样本选择算法阈值，算法阈值的选择对于算法的精度影响较大，而陆表的高度复杂性和空间异质性使得阈值选择存在很大困难，导致算法的精确度较低。
发明内容
有鉴于此，本发明的目的在于提供一种土壤冻融状态确定方法、装置和电子设备，以增加算法的精确度。
第一方面，本发明实施例提供了一种土壤冻融状态确定方法，冻融状态包括冻结状态或融化状态；方法包括：获取土壤的第一数据和土壤的第二数据；第一数据为第一微波频率下的水平极化通道亮温数据；第二数据为第二微波频率下的垂直极化通道亮温数据；基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态；基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态；基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。
在本发明较佳的实施例中，上述第一微波频率为6.9GHz；上述第二微波频率为36.5GHz。
在本发明较佳的实施例中，上述基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态的步骤，包括：如果第一数据和第二数据为均为升轨数据，则通过下述函数确定升轨数据对应的冻融指数：
基于升轨数据对应的冻融指数确定第一冻融状态；其中，FTI_A为升轨数据对应的冻融指数；TB37V为第二数据；TB06H为第一数据；如果第一数据和第二数据为均为降轨数据，则通过下述函数确定降轨数据对应的冻融指数：
基于降轨数据对应的冻融指数确定第一冻融状态；其中，FTI_D为降轨数据对应的冻融指数。
在本发明较佳的实施例中，上述基于升轨数据对应的冻融指数确定第一冻融状态的步骤，包括：如果升轨数据对应的冻融指数大于预设的第一阈值，则第一冻融状态为冻结状态；如果升轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态；基于降轨数据对应的冻融指数确定第一冻融状态的步骤，包括：如果降轨数据对应的冻融指数大于第一阈值，则第一冻融状态为冻结状态；如果降轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态。
在本发明较佳的实施例中，上述基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态的步骤，包括：通过下述函数计算土壤的第一判别值：
其中，Δ(t)为第一判别值；Qe6.9H为第一数据和第二数据的比值；Mean(Qe6.9H)为预先获取的预设时间内的Qe6.9H的平均值；STD(Qe6.9H)为预先获取的预设时间内的Qe6.9H的标准差；如果第一判别值大于预设的第二阈值，则第二冻融状态为融化状态；如果第一判别值不大于第二阈值，则第二冻融状态为冻结状态。
在本发明较佳的实施例中，上述基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态的步骤，包括：如果第一冻融状态和第二冻融状态相同，则将第一冻融状态或第二冻融状态作为土壤的最终冻融状态；如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数符合预设的冻融指数范围，则将第一冻融状态作为土壤的最终冻融状态；如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数不符合冻融指数范围，则将第二冻融状态作为土壤的最终冻融状态。
在本发明较佳的实施例中，上述方法还包括：获取第三数据和第四数据；其中，第三数据为地表温度数据，第四数据为地表反照率数据；基于第三数据和第四数据确定土壤的表观热惯量；降低第三数据和表观热惯量的分辨率，以使第三数据和表观热惯量的分辨率均与第一数据的分辨率相同；通过下述函数对第一数据进行二元线性回归，确定第一系数、第二系数和第三系数：FTI＝a*ATI1+b*LST1+c；其中，FTI为第一数据对应的冻融指数；ATI1为降低分辨率后的表观热惯量；LST1为降低分辨率后的第三数据；a为第一系数，b为第二系数，c为第三系数；通过下述函数确定最终第一数据对应的冻融指数：FTI_new＝a*ATI+b*LST+c；其中，FTI_new为最终第一数据对应的冻融指数；ATI为降低分辨率前的表观热惯量；LST为降低分辨率前的第三数据；a为第一系数，b为第二系数，c为第三系数。
第二方面，本发明实施例还提供一种土壤冻融状态确定装置，冻融状态包括冻结状态或融化状态；装置包括：数据获取模块，用于获取土壤的第一数据和土壤的第二数据；第一数据为第一微波频率下的水平极化通道亮温数据；第二数据为第二微波频率下的垂直极化通道亮温数据；第一冻融状态确定模块，用于基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态；第二冻融状态确定模块，用于基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态；最终冻融状态确定模块，用于基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述的土壤冻融状态确定方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述的土壤冻融状态确定方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种土壤冻融状态确定方法、装置和电子设备，获取不同微波频率下的水平极化通道亮温数据和垂直极化通道亮温数据作为第一数据和第二数据，分别采用冻融判别式算法和季节性阈值算法计算土壤的第一冻融状态和第二冻融状态，基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。该方式中，采用冻融判别式算法和季节性阈值算法综合考虑土壤的冻融状态，不单纯依靠一种算法阈值的选择影响算法的精确度，以增加土壤冻融状态确定方法的精确度。
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一种土壤冻融状态确定方法的流程图；
图2为本发明实施例提供的另一种土壤冻融状态确定方法的流程图；
图3为本发明实施例提供的一种土壤冻融状态确定方法的流程框图；
图4为本发明实施例提供的一种对第一数据进行将降尺度优化处理的流程框图；
图5为本发明实施例提供的一种土壤冻融状态确定装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
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。
地表冻融状态的判别对于理解冰冻圈的碳源碳汇过程、指导农业生产活动具有重要的作用。传统的地表冻融状态遥感监测方法仅局限于使用微波遥感数据，这是由于冻融相态转变过程中液态水含量的变化导致冻融土之间的介电特性有较大差异。然而，基于被动微波遥感的冻融监测产品往往空间分辨率(几十公里)不足，往往仅能用于粗尺度的全球性研究，无法满足目前的实际需要和高分辨建模的应用需求。现有的方案包括决策树方法、双指标方法等。
决策树算法建立在各类型样本的统计特征和先验信息基础之上，其每个叶节点皆属于其相应一个类别，通过分析各类地物不同频率、不同极化亮温的组合方式所表现出的统计特征，确定决策树各结点判别条件，以实现最终分类。决策树分类法属于监督分类，其精度主要取决于样本的纯度和代表性，以及对于各种地表类型微波辐射/散射特征的先验知识的积累。
双指标算法是基于21世纪所研发并发射升空的AMSR-E(Advanced MicrowaveScanning Radiometer-Earth Observing System，微波扫描辐射计)传感器的卫星数据所提出的近地表冻融判别算法。相较于决策树算法利用36.5GHz的垂直极化(V)亮温数据加入了温度信息，同时利用多频多极化亮温值设置阈值近地表冻融状态进行分析，其精度同样依靠阈值的选择。
目前，现有的土壤冻融状态确定算法存在以下问题：
1)现有的基于微波遥感技术的近地表冻融状态判别算法因受限于卫星观测能力，其空间分辨率一般几十公里，未能实现更高分辨率的冻融判别。且大部分算法阈值的选择对于算法的精度影响较大，而陆表的高度复杂性和空间异质性使得阈值选择存在很大困难。
2)早期算法多数基于当地小区域尺度近地表土壤参数的观测数据开展算法开发，数据局限性导致算法难以应用到全球尺度，出现小区域尺度精度过高，大区域尺度精度过低的现象。
3)目前所存在的近地表冻融判别数据其时间序列不长，算法的鲁棒性不足是无法获取长时间序列冻融状态判别产品的一大原因，而对于不同遥感卫星传感器，定标技术手段的差异性使其获取的观测数据不能直接使用以保持时间序列一致性。
4)L波段被认为是获取表层土壤介电特性(液态水含量)的最佳波段，它可以穿透稀疏和中等浓密植被，并能获取一定深度的土壤信息，但L波段对土壤温度的变化不如其他高频波段更敏感，该算法仅用其作为遥感信号因子进行冻融判别过于单一，很难摆脱辅助数据建立可靠的冻融监测算法。
基于此，本发明实施例提供的一种土壤冻融状态确定方法、装置和电子设备，该技术应用于遥感的技术领域，采用冻融判别式算法和季节性阈值算法综合考虑土壤的冻融状态，使用光学遥感观测的地表温度和热惯量作为地表冻融状态的解译变量，进而使用二元线性方程进行被动微波地表冻融状态的降尺度。
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土壤冻融状态确定方法进行详细介绍。
实施例1
本发明实施例提供一种土壤冻融状态确定方法，冻融状态包括冻结状态或融化状态。在寒冷气候条件下，土壤或岩层中冻结的冰在白天融化，晚上冻结，或者夏季融化，冬季冻结，这种融化、冻结的过程称为冻融作用，在冻融的过程中土壤随着时间、季节等环境因素的变化，存在冻结状态或融化状态。
基于上述描述，参见图1所示的一种土壤冻融状态确定方法的流程图，该土壤冻融状态确定方法包括如下步骤：
步骤S102，获取土壤的第一数据和土壤的第二数据；第一数据为第一微波频率下的水平极化通道亮温数据；第二数据为第二微波频率下的垂直极化通道亮温数据。
土壤为待检测冻融状态的土壤，获取该土壤的第一数据和第二数据，其中第一数据的微波频率为第一微波频率，第二数据的微波频率为第二微波频率，第一微波频率和第二微波频率可能相同，也可能不同。第一数据为水平极化通道亮温数据，而第二数据为垂直极化通道亮温数据，其中，水平极化是指卫星向地面发射信号时，其无线电波的振动方向是水平方向；垂直极化是指卫星向地面发射信号时，其无线电波的振动方向是垂直方向；亮温是一种假定温度，同一波长下，若实际物体与黑体(用于热辐射研究的，不依赖具体物性的假想标准物体)的光谱辐射强度相等,则此时黑体的温度被称为实际物体在该波长下的亮度温度，即亮温。
步骤S104，基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态。
本实施例中的冻融判别式算法基于第一数据和第二数据的计算冻融指数，基于冻融指数确定第一冻融状态。冻融判别式算法在针对于AMSR-E数据特点的基础上，结合积雪辐射模型、冻土介电模型、AIEM(Advanced Integral Equation Models，改进的积分方程模型)模型建立了寒区地表微波辐射模型。经过对不同环境类型微波辐射模拟，选取与地表发射率较为敏感的准发射率Qe来反应土壤中水分含量变化信息，同时也结合36.5GHz垂直极化(V)亮温数据来反映土壤温度信息。通过费歇判别分析，建立了复杂地表条件下的冻融土判别算法，并使用微波辐射计观测数据进行修正。经验证，该判别算法能够有效区分较长时间序列和大范围的地表冻融状态。
步骤S106，基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态。
本实施例中的季节性阈值算法基于第一数据和第二数据的计算第一判别值，基于第一判别值确定第二冻融状态。季节性阈值算法是基于搭载L波段，如SMAP(Soil MoistureActive and Passive，土壤水分主动与被动卫星)和Aquarius(水瓶座海洋观测卫星)的亮温数据所提出的，其核心步骤在于对全年的亮温数据进行归一化，利用遥感信号在土壤冻融循环事件发生的季节性变化特征，对近地表冻融状态进行判别分析，对于Aquarius的3个不同传感器，阈值经过美国等地区的土壤温湿度密集站网数据进行调整，以不同地表覆盖类型绘制成表进行选取，可根据使用数据的不同来针对选择，而SMAP是将0.5作为阈值直接进行冻融判别。
步骤S108，基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。
确定第一冻融状态和第二冻融状态后，综合考虑第一冻融状态和第二冻融状态，以确定土壤的最终冻融状态。具体来说，如果第一冻融状态和第二冻融状态一致，则土壤冻融状态就是第一冻融状态或第二冻融状态；如果第一冻融状态和第二冻融状态不一致，则需要具体情况具体分析，以确定最终冻融状态。
本发明实施例提供的一种土壤冻融状态确定方法，获取不同微波频率下的水平极化通道亮温数据和垂直极化通道亮温数据作为第一数据和第二数据，分别采用冻融判别式算法和季节性阈值算法计算土壤的第一冻融状态和第二冻融状态，基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。该方式中，采用冻融判别式算法和季节性阈值算法综合考虑土壤的冻融状态，不单纯依靠一种算法阈值的选择影响算法的精确度，以增加土壤冻融状态确定方法的精确度。
实施例2
本发明实施例还提供另一种土壤冻融状态确定方法；该方法在上述实施例方法的基础上实现；该方法增加第一数据分辨率的具体实现方式。如图2所示的另一种土壤冻融状态确定方法的流程图，该土壤冻融状态确定方法包括如下步骤：
步骤S202，获取土壤的第一数据和土壤的第二数据；第一数据为第一微波频率下的水平极化通道亮温数据；第二数据为第二微波频率下的垂直极化通道亮温数据。
其中，第一微波频率为第一微波频率为6.9GHz；第二微波频率为36.5GHz。这样第一数据为星载传感器AMSR-E/2观测所得6.9GHz水平极化通道亮温数据，第二微波频率为星载传感器AMSR-E/2观测所得36.5GHz垂直极化通道亮温数据。
步骤S204，基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态。
首先计算冻融指数FTI，然后基于FTI计算第一冻融状态，可以通过步骤A1-步骤A2执行：
步骤A1，如果第一数据和第二数据为均为升轨数据，则通过下述函数确定升轨数据对应的冻融指数：
基于升轨数据对应的冻融指数确定第一冻融状态；其中，FTI_A为升轨数据对应的冻融指数；TB37V为第二数据；TB06H为第一数据。
第一数据和第二数据为同时采集的数据基于采集的时间其为升轨数据或降轨数据。当卫星从南至北飞过时，称为“升轨”，拍下的遥感图称为升轨数据；当卫星从北往南经过时，称为“降轨”，拍下的遥感图称为降轨数据。如果第一数据和第二数据均为升轨数据，则计算升轨数据对应的冻融指数FTI_A，并基于FTI_A确定第一冻融状态。
步骤A2，如果第一数据和第二数据为均为降轨数据，则通过下述函数确定降轨数据对应的冻融指数：
基于降轨数据对应的冻融指数确定第一冻融状态；其中，FTI_D为降轨数据对应的冻融指数。
如果第一数据和第二数据均为升轨数据，则计算升轨数据对应的冻融指数FTI_D，并基于FTI_D确定第一冻融状态。FTI_A和FTI_D的计算公式的区别在于各自的系数并不相同。
基于升轨数据FTI_A对应的冻融指数确定第一冻融状态的步骤可以通过下述步骤执行：如果升轨数据对应的冻融指数大于预设的第一阈值，则第一冻融状态为冻结状态；如果升轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态。
第一阈值由人工设定，优选为0；即如果FTI_A＞0，则说明第一冻融状态为冻结状态；如果FTI_A≤0，则说明第一冻融状态为融化状态。
基于降轨数据对应的冻融指数FTI_D确定第一冻融状态的步骤，可以通过下述步骤执行：如果降轨数据对应的冻融指数大于第一阈值，则第一冻融状态为冻结状态；如果降轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态。
将降轨数据对应的冻融指数同样与第一阈值进行比对，如果第一阈值为0，即如果FTI_D＞0，则说明第一冻融状态为冻结状态；如果果FTI_D≤0，则说明第一冻融状态为融化状态。
该方式中，首先确定第一数据和第二数据为升轨数据或降轨数据，并采用不同的公式计算升轨数据或降轨数据对应的冻融指数，之后将计算得到的冻融系数与第一阈值比对，以确定第一冻融状态。
步骤S206，基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态。
确定土壤的第二冻融状态主要通过计算土壤的第一判别值Δ(t)来确定，可以通过步骤B1-步骤B3执行：
步骤B1，通过下述函数计算土壤的第一判别值：
其中，Δ(t)为第一判别值；Qe6.9H为第一数据和第二数据的比值；Mean(Qe6.9H)为预先获取的预设时间内的Qe6.9H的平均值；STD(Qe6.9H)为预先获取的预设时间内的Qe6.9H的标准差。
首先，我们需要预先获得多个预设时间内第一数据TB06H和第二数据TB37V，预设时间可以为1月、1年等，由人为设定。将预先获得的TB06H和对应的TB37V做比值，记为Qe6.9H，将这些Qe6.9H求取平均值Mean(Qe6.9H)和标准差STD(Qe6.9H)。
之后，获得要计算第二冻融状态的第一数据TB06H和第二数据TB37V，计算二者对应的Qe6.9H，并带入Δ(t)的计算公式即可确定第一判别值Δ(t)的值。
步骤B2，如果第一判别值大于预设的第二阈值，则第二冻融状态为融化状态。
步骤B3，如果第一判别值不大于第二阈值，则第二冻融状态为冻结状态。
第二阈值同样由人为设定，优选为0.5，即Δ(t)＞0.5，则第二冻融状态为融化状态；即Δ(t)≤0.5，则第二冻融状态为冻结状态。该方式中，基于第一数据和第二数据计算第一判别值Δ(t)，将第一判别值Δ(t)与第二阈值进行比对，确定第二冻融状态。
步骤S208，基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。
以冻融指数FTI作为决策指标确定土壤的最终冻融状态，可以通过步骤C1-步骤C3执行：
步骤C1，如果第一冻融状态和第二冻融状态相同，则将第一冻融状态或第二冻融状态作为土壤的最终冻融状态。
如果第一冻融状态和第二冻融状态相同，则无需进行其他的判断，只需要将第一冻融状态或第二冻融状态作为土壤的最终冻融状态即可。
步骤C2，如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数符合预设的冻融指数范围，则将第一冻融状态作为土壤的最终冻融状态。
如果第一冻融状态和第二冻融状态不同，则采用冻融指数FTI作为决策指标，当两者标记算法冻融状态相同时，将像元最终标记成相应冻/融状态，当其发生决策不同时，使用该像元冻融指数FTI与判别阈值及设定冻融指数范围。冻融指数范围优选为小于-0.624或者大于-1.540，即FTI＜-0.624或者FTI＞-1.540，则将第一冻融状态作为土壤的最终冻融状态。
步骤C3，如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数不符合冻融指数范围，则将第二冻融状态作为土壤的最终冻融状态。
如果FTI不符合冻融指数范围，即-0.62I≤FTI≤-1.540，则将述第二冻融状态作为土壤的最终冻融状态。该方式中，以冻融指数FTI作为决策指标，当两者标记算法冻融状态相同时，将像元最终标记成相应冻/融状态，当其发生决策不同时，使用该像元冻融指数与判别阈值-0.624及1.540确定最终冻融状态。
步骤S210，基于地表温度数据和地表反照率数据对第一数据进行二元线性回归，以增加第一冻融状态的分辨率。
针对被动微波传感器空间分辨率较低的问题，此算法对冻融状态判别产品进行了降尺度工作，采取二元线性回归方法实现其空间分辨率从0.25°降尺度到0.05°，可以通过步骤D1-步骤D5执行：
步骤D1，获取第三数据和第四数据；其中，第三数据为地表温度数据，第四数据为地表反照率数据。
MODIS光学传感器是指Moderate-resolution Imaging Spectroradiometer中分辨率成像光谱仪。选取MODIS光学传感器数据和GLASS地表反照率数据作为辅助数据，对第一数据进行将降尺度优化处理。
步骤D2，基于第三数据和第四数据确定土壤的表观热惯量。
表观热惯量ATI是指太阳辐射与地球本身的辐射能量叠加使地表温度差生变化，而地表温度上升或下降往往需要经过一定的时间，这种性质称为表观热惯量。ATI可以通过下述公式计算：ATI＝C(1-α0)/DTA。
其中,C为太阳修正因子,可根据当地纬度和太阳赤纬进行计算得到；a0为地表反照率,使用的为GLASS MODIS 0.05°8天合成产品,DTA为昼夜温差,使用携带MODIS传感器的Aqua和Terra双星LST产品,过境时间段覆盖1:30,10:30,13:30,22:30,通过温度正弦曲线进行分析计算得到当日昼夜温差值。
太阳修正因子的计算公式具体如下,公式所需输入参数主要为太阳赤纬δ和当地纬度
太阳赤纬δ的计算公式为(nd为该日在当年的第几天)：
δ＝0.006918-0.399912cos(Γ)+0.070257sin(Γ)-0.006758cos(2Γ)+0.000907sin(2Γ)-0.002697cos(3Γ)+0.00148sin(3Γ)；
Γ＝(2π(nd-1))/365.25；
由于卫星重访周期的限制,使用极轨卫星数据对研究区域昼夜温差进行估算需要借助正弦曲线的方法进行昼夜温差的计算,MODIS双星升降轨LST产品得到其过境时间并不一定为当地最高/低温度。可以采用以下公式被用来估算当地昼夜温差值:
ψ＝arctan(ξ)+π；
式中,ψ表示相位角,可由四个温度产品计算得到:即表示四个过境时间的t1～4(单位:s)和四个LST产品T1～4(单位:k),而ω表示地球自转角速度,为一个常数:ω＝2π/(24*60*60)rad·s-1。
步骤D3，降低第三数据和表观热惯量的分辨率，以使第三数据和表观热惯量的分辨率均与第一数据的分辨率相同。
计算所得表观热惯量(ATI)及地表温度(LST)皆为0.05°分辨率产品，故进行二元线性回归前需先将其重采样至0.25°分辨率，然后后对单个像元进行回归。
步骤D4，通过下述函数对第一数据进行二元线性回归，确定第一系数、第二系数和第三系数：FTI＝a*ATI1+b*LST1+c。其中，FTI为第一数据对应的冻融指数；ATI1为降低分辨率后的表观热惯量；LST1为降低分辨率后的第三数据；a为第一系数，b为第二系数，c为第三系数。
FTI、ATI1和LST1的分辨率均为0.25°，三者的分辨率相同，因此可以进行二元线性回归，得到第一系数a、第二系数b和第三系数c。
步骤D5，通过下述函数确定最终第一数据对应的冻融指数：FTI_new＝a*ATI+b*LST+c。其中，FTI_new为最终第一数据对应的冻融指数；ATI为降低分辨率前的表观热惯量；LST为降低分辨率前的第三数据；a为第一系数，b为第二系数，c为第三系数。
在确定第一系数a、第二系数b和第三系数c之后，将a、b、c代入职降低分辨率前的ATI和LST的公式内，计算FTI_new。那么最终第一数据对应的冻融指数FTI_new的分辨率与降低分辨率前的表观热惯量ATI和降低分辨率前的第三数据LST分辨率相同，均为0.05°该方式中，通过二元线性回归的方法，选取MODIS光学传感器数据和GLASS地表反照率数据作为辅助数据，对第一数据进行将降尺度优化处理，得到高分辨率冻融指数FTI_new，可以以此为基础得到高分辨率数据下的冻融状态判别产品。
本实施例中土壤冻融状态确定方法的整体框图可以参见图3所示的一种土壤冻融状态确定方法的流程框图，获取第一数据TB6.9H和第二数据TB36.5V，判断其为升轨数据还是降轨数据，并计算对应的FTI_A或FTI_D，得到第一冻融状态DFTpix，其中，DFTpix＝2表示第一冻融状态为冻结状态，DFTpix＝1表示第一冻融状态为融化状态。
计算第一判别值Δ(t)，并以此确定第二冻融状态ZFTpix，如果Δ(t)大于0.5，则ZFTpix＝1，第二冻融状态为融化状态，如果Δ(t)不大于0.5，则ZFTpix＝2，第二冻融状态为冻结状态。
如果DFTpix＝ZFTpix，则将DFTpix或ZFTpix作为最终冻融状态FTpix。如果DFTpix不等于ZFTpix，则需要判断FTI是否大于1.540或者小于-0.624，如果是，则FTpix＝DFTpix；如果否，则FTpix＝ZFTpix。
减少第一数据尺度的步骤，可以参见图4所示的一种对第一数据进行将降尺度优化处理的流程框图，如图4所示，计算的FTI是0.25°的分辨率，对LST和ATI进行重采样，使其分辨率由0.05°增大至0.25°，进行二元线性回归，得到三个系数a、b和c，重新计算的FTI的分辨率就是0.05°，可以用来确定第一冻融状态。
本发明实施例提供的上述方法在精度方面，算法相比其他算法有较为明显的提升。以半干旱区为例，经过地域适应性优化后的判别式算法精度为89.17％，季节性阈值算法为79.13％，而本发明实施例提供的方法可以达到91.92％；干旱区的冻融状态判别一直是冻融反演算法中的难题，对于干旱区典型代表阿里地区，判别式算法和季节性阈值算法的精度分别为81.92％和78.76％，但本发明实施例提供的方法可以达到89.00％。
在时间分辨率方面，AMSR-E/2传感器上各通道亮度温度数据具有一日两次过境的时间分辨率，升降轨时间分别是下午13时30分及上午1时30分，故本发明实施例提供的方法所形成的产品很好的兼顾到地表冻融的日变化。
在空间分辨率方面，针对于冻融判别式算法进行了高分辨率降尺度优化，通过高分辨率的辅助光学数据可以得到0.05°冻融产品。
实施例3
对应于上述方法实施例，本发明实施例提供了一种土壤冻融状态确定装置，冻融状态包括冻结状态或融化状态；如图5所示的一种土壤冻融状态确定装置的结构示意图，该土壤冻融状态确定装置包括：
数据获取模块51，用于获取土壤的第一数据和土壤的第二数据；第一数据为第一微波频率下的水平极化通道亮温数据；第二数据为第二微波频率下的垂直极化通道亮温数据；
第一冻融状态确定模块52，用于基于第一数据和第二数据，采用冻融判别式算法确定土壤的第一冻融状态；
第二冻融状态确定模块53，用于基于第一数据和第二数据，采用季节性阈值算法确定土壤的第二冻融状态；
最终冻融状态确定模块54，用于基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。
本发明实施例提供的一种土壤冻融状态确定装置，获取不同微波频率下的水平极化通道亮温数据和垂直极化通道亮温数据作为第一数据和第二数据，分别采用冻融判别式算法和季节性阈值算法计算土壤的第一冻融状态和第二冻融状态，基于第一冻融状态和第二冻融状态，确定土壤的最终冻融状态。该方式中，采用冻融判别式算法和季节性阈值算法综合考虑土壤的冻融状态，不单纯依靠一种算法阈值的选择影响算法的精确度，以增加土壤冻融状态确定方法的精确度。
在一些实施例中，第一微波频率为6.9GHz；第二微波频率为36.5GHz。
在一些实施例中，第一冻融状态确定模块，用于：如果第一数据和第二数据为均为升轨数据，则通过下述函数确定升轨数据对应的冻融指数：
基于升轨数据对应的冻融指数确定第一冻融状态；其中，FTI_A为升轨数据对应的冻融指数；TB37V为第二数据；TB06H为第一数据；如果第一数据和第二数据为均为降轨数据，则通过下述函数确定降轨数据对应的冻融指数：
基于降轨数据对应的冻融指数确定第一冻融状态；其中，FTI_D为降轨数据对应的冻融指数。
在一些实施例中，第一冻融状态确定模块，用于：如果升轨数据对应的冻融指数大于预设的第一阈值，则第一冻融状态为冻结状态；如果升轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态；第一冻融状态确定模块，用于：如果降轨数据对应的冻融指数大于第一阈值，则第一冻融状态为冻结状态；如果降轨数据对应的冻融指数不大于第一阈值，则第一冻融状态为融化状态。
在一些实施例中，第二冻融状态确定模块，用于：通过下述函数计算土壤的第一判别值：
其中，Δ(t)为第一判别值；Qe6.9H为第一数据和第二数据的比值；Mean(Qe6.9H)为预先获取的预设时间内的Qe6.9H的平均值；STD(Qe6.9H)为预先获取的预设时间内的Qe6.9H的标准差；如果第一判别值大于预设的第二阈值，则第二冻融状态为融化状态；如果第一判别值不大于第二阈值，则第二冻融状态为冻结状态。
在一些实施例中，最终冻融状态确定模块，用于：如果第一冻融状态和第二冻融状态相同，则将第一冻融状态或第二冻融状态作为土壤的最终冻融状态；如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数符合预设的冻融指数范围，则将第一冻融状态作为土壤的最终冻融状态；如果第一冻融状态和第二冻融状态不同，并且第一冻融状态对应的冻融指数不符合冻融指数范围，则将第二冻融状态作为土壤的最终冻融状态。
在一些实施例中，上述装置还包括分辨率优化模块，用于：获取第三数据和第四数据；其中，第三数据为地表温度数据，第四数据为地表反照率数据；基于第三数据和第四数据确定土壤的表观热惯量；降低第三数据和表观热惯量的分辨率，以使第三数据和表观热惯量的分辨率均与第一数据的分辨率相同；通过下述函数对第一数据进行二元线性回归，确定第一系数、第二系数和第三系数：FTI＝a*ATI1+b*LST1+c；其中，FTI为第一数据对应的冻融指数；ATI1为降低分辨率后的表观热惯量；LST1为降低分辨率后的第三数据；a为第一系数，b为第二系数，c为第三系数；通过下述函数确定最终第一数据对应的冻融指数：FTI_new＝a*ATI+b*LST+c；其中，FTI_new为最终第一数据对应的冻融指数；ATI为降低分辨率前的表观热惯量；LST为降低分辨率前的第三数据；a为第一系数，b为第二系数，c为第三系数。
本发明实施例提供的土壤冻融状态确定装置，与上述实施例提供的土壤冻融状态确定方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
实施例4
本发明实施例还提供了一种电子设备，用于运行上述土壤冻融状态确定方法；参见图6所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述土壤冻融状态确定方法。
进一步地，图6所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述土壤冻融状态确定方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的土壤冻融状态确定方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和/或电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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 (9)
1.一种土壤冻融状态确定方法，其特征在于，所述冻融状态包括冻结状态或融化状态；所述方法包括：
获取土壤的第一数据和所述土壤的第二数据；所述第一数据为第一微波频率下的水平极化通道亮温数据；所述第二数据为第二微波频率下的垂直极化通道亮温数据；
基于所述第一数据和所述第二数据，采用冻融判别式算法确定所述土壤的第一冻融状态；
基于所述第一数据和所述第二数据，采用季节性阈值算法确定所述土壤的第二冻融状态；
基于所述第一冻融状态和所述第二冻融状态，确定所述土壤的最终冻融状态；
获取第三数据和第四数据；其中，所述第三数据为地表温度数据，所述第四数据为地表反照率数据；
基于所述第三数据和所述第四数据确定所述土壤的表观热惯量；
降低所述第三数据和所述表观热惯量的分辨率，以使所述第三数据和所述表观热惯量的分辨率均与所述第一数据的分辨率相同；
通过下述函数对所述第一数据进行二元线性回归，确定第一系数、第二系数和第三系数：FTI＝a*ATI1+b*LST1+c；
其中，FTI为所述第一数据对应的冻融指数；ATI1为降低分辨率后的所述表观热惯量；LST1为降低分辨率后的所述第三数据；a为所述第一系数，b为所述第二系数，c为所述第三系数；
通过下述函数确定最终第一数据对应的冻融指数：FTI_new＝a*ATI+b*LST+c；
其中，FTI_new为所述最终第一数据对应的冻融指数；ATI为降低分辨率前的所述表观热惯量；LST为降低分辨率前的所述第三数据。
2.根据权利要求1所述的方法，其特征在于，所述第一微波频率为6.9GHz；所述第二微波频率为36.5GHz。
3.根据权利要求2所述的方法，其特征在于，基于所述第一数据和所述第二数据，采用冻融判别式算法确定所述土壤的第一冻融状态的步骤，包括：
如果所述第一数据和所述第二数据为均为升轨数据，则通过下述函数确定所述升轨数据对应的冻融指数：
基于所述升轨数据对应的冻融指数确定第一冻融状态；其中，所述FTI_A为所述升轨数据对应的冻融指数；TB37V为所述第二数据；TB06H为所述第一数据；
如果所述第一数据和所述第二数据为均为降轨数据，则通过下述函数确定所述降轨数据对应的冻融指数：
基于所述降轨数据对应的冻融指数确定第一冻融状态；其中，所述FTI_D为所述降轨数据对应的冻融指数。
4.根据权利要求3所述的方法，其特征在于，基于所述升轨数据对应的冻融指数确定第一冻融状态的步骤，包括：
如果所述升轨数据对应的冻融指数大于预设的第一阈值，则所述第一冻融状态为所述冻结状态；如果所述升轨数据对应的冻融指数不大于所述第一阈值，则所述第一冻融状态为所述融化状态；
基于所述降轨数据对应的冻融指数确定第一冻融状态的步骤，包括：
如果所述降轨数据对应的冻融指数大于所述第一阈值，则所述第一冻融状态为所述冻结状态；如果所述降轨数据对应的冻融指数不大于所述第一阈值，则所述第一冻融状态为所述融化状态。
5.根据权利要求1所述的方法，其特征在于，基于所述第一数据和所述第二数据，采用季节性阈值算法确定所述土壤的第二冻融状态的步骤，包括：
通过下述函数计算所述土壤的第一判别值：
其中，Δ(t)为所述第一判别值；Qe6.9H为所述第一数据和所述第二数据的比值；Mean(Qe6.9H)为预先获取的预设时间内的所述Qe6.9H的平均值；STD(Qe6.9H)为预先获取的所述预设时间内的所述Qe6.9H的标准差；
如果所述第一判别值大于预设的第二阈值，则所述第二冻融状态为所述融化状态；
如果所述第一判别值不大于所述第二阈值，则所述第二冻融状态为所述冻结状态。
6.根据权利要求3所述的方法，其特征在于，基于所述第一冻融状态和所述第二冻融状态，确定所述土壤的最终冻融状态的步骤，包括：
如果所述第一冻融状态和所述第二冻融状态相同，则将所述第一冻融状态或所述第二冻融状态作为所述土壤的最终冻融状态；
如果所述第一冻融状态和所述第二冻融状态不同，并且所述第一冻融状态对应的冻融指数符合预设的冻融指数范围，则将所述第一冻融状态作为所述土壤的最终冻融状态；
如果所述第一冻融状态和所述第二冻融状态不同，并且所述第一冻融状态对应的冻融指数不符合所述冻融指数范围，则将所述第二冻融状态作为所述土壤的最终冻融状态。
7.一种土壤冻融状态确定装置，其特征在于，所述冻融状态包括冻结状态或融化状态；所述装置包括：
数据获取模块，用于获取土壤的第一数据和所述土壤的第二数据；所述第一数据为第一微波频率下的水平极化通道亮温数据；所述第二数据为第二微波频率下的垂直极化通道亮温数据；
第一冻融状态确定模块，用于基于所述第一数据和所述第二数据，采用冻融判别式算法确定所述土壤的第一冻融状态；
第二冻融状态确定模块，用于基于所述第一数据和所述第二数据，采用季节性阈值算法确定所述土壤的第二冻融状态；
最终冻融状态确定模块，用于基于所述第一冻融状态和所述第二冻融状态，确定所述土壤的最终冻融状态；
分辨率优化模块，用于获取第三数据和第四数据；其中，所述第三数据为地表温度数据，所述第四数据为地表反照率数据；基于所述第三数据和所述第四数据确定所述土壤的表观热惯量；降低所述第三数据和所述表观热惯量的分辨率，以使所述第三数据和所述表观热惯量的分辨率均与所述第一数据的分辨率相同；通过下述函数对所述第一数据进行二元线性回归，确定第一系数、第二系数和第三系数：FTI＝a*ATI1+b*LST1+c；其中，FTI为所述第一数据对应的冻融指数；ATI1为降低分辨率后的所述表观热惯量；LST1为降低分辨率后的所述第三数据；a为所述第一系数，b为所述第二系数，c为所述第三系数；通过下述函数确定最终第一数据对应的冻融指数：FTI_new＝a*ATI+b*LST+c；其中，FTI_new为所述最终第一数据对应的冻融指数；ATI为降低分辨率前的所述表观热惯量；LST为降低分辨率前的所述第三数据。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的土壤冻融状态确定方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现权利要求1至6任一项所述的土壤冻融状态确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010122028.8A CN111337531B (zh) | 2020-02-26 | 2020-02-26 | 土壤冻融状态确定方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010122028.8A CN111337531B (zh) | 2020-02-26 | 2020-02-26 | 土壤冻融状态确定方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337531A CN111337531A (zh) | 2020-06-26 |
| CN111337531B true CN111337531B (zh) | 2021-04-27 |
Family
ID=71181990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010122028.8A Active CN111337531B (zh) | 2020-02-26 | 2020-02-26 | 土壤冻融状态确定方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337531B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484338A (zh) * | 2021-06-24 | 2021-10-08 | 中国科学院空天信息创新研究院 | 一种基于被动微波遥感的多年冻土监测与分类方法 |
| CN115048986B (zh) * | 2022-05-19 | 2023-04-07 | 河海大学 | 一种基于多分类器动态剪枝选择的地表冻融状态分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832962A (zh) * | 2010-04-13 | 2010-09-15 | 中国农业大学 | 土壤冻融过程的测量方法及装置 |
| KR101675368B1 (ko) * | 2015-08-10 | 2016-11-11 | 한국건설기술연구원 | 투명 삼축온도제어형 셀을 이용한 흙의 동결융해 시험장치 및 이를 이용한 흙의 동결융해 시험방법 |
| CN106372434A (zh) * | 2016-08-31 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种被动微波遥感瞬时地表发射率估算方法及装置 |
| CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
| CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
| CN109668922A (zh) * | 2019-01-18 | 2019-04-23 | 安徽建筑大学 | 一种冻土模型试验用监测装置及其使用方法 |
-
2020
- 2020-02-26 CN CN202010122028.8A patent/CN111337531B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832962A (zh) * | 2010-04-13 | 2010-09-15 | 中国农业大学 | 土壤冻融过程的测量方法及装置 |
| KR101675368B1 (ko) * | 2015-08-10 | 2016-11-11 | 한국건설기술연구원 | 투명 삼축온도제어형 셀을 이용한 흙의 동결융해 시험장치 및 이를 이용한 흙의 동결융해 시험방법 |
| CN106372434A (zh) * | 2016-08-31 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种被动微波遥感瞬时地表发射率估算方法及装置 |
| CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
| CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
| CN109668922A (zh) * | 2019-01-18 | 2019-04-23 | 安徽建筑大学 | 一种冻土模型试验用监测装置及其使用方法 |
Non-Patent Citations (1)
| Title |
|---|
| 青藏高原地区近地表冻融状态判别算法研究;张子谦 等;《遥感学报》;20200205;第24卷(第7期);第904-914页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111337531A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lazzarini et al. | Temperature-land cover interactions: The inversion of urban heat island phenomenon in desert city areas | |
| Westermann et al. | Spatial and temporal variations of summer surface temperatures of high-arctic tundra on Svalbard—Implications for MODIS LST based permafrost monitoring | |
| Malakar et al. | A water vapor scaling model for improved land surface temperature and emissivity separation of MODIS thermal infrared data | |
| Coolbaugh et al. | Detection of geothermal anomalies using advanced spaceborne thermal emission and reflection radiometer (ASTER) thermal infrared images at Bradys Hot Springs, Nevada, USA | |
| Nichol et al. | Urban heat island diagnosis using ASTER satellite images and ‘in situ’air temperature | |
| Tan et al. | A comparison of radiometric correction techniques in the evaluation of the relationship between LST and NDVI in Landsat imagery | |
| Bonafoni et al. | Downscaling Landsat land surface temperature over the urban area of Florence | |
| Gao et al. | Monitoring the spatial distribution and changes in permafrost with passive microwave remote sensing | |
| Adolph et al. | Near-surface temperature inversion during summer at Summit, Greenland, and its relation to MODIS-derived surface temperatures | |
| CN109709558A (zh) | 一种星载微波遥感陆地上空pwv的物理反演算法 | |
| CN111337531B (zh) | 土壤冻融状态确定方法、装置和电子设备 | |
| Yuan et al. | Seasonal variations of the urban thermal environment effect in a tropical coastal city | |
| Fan et al. | Sea ice surface temperature retrieval from Landsat 8/TIRS: Evaluation of five methods against in situ temperature records and MODIS IST in Arctic region | |
| Copertino et al. | Comparison of algorithms to retrieve land surface temperature from Landsat-7 ETM+ IR data in the Basilicata Ionian band | |
| Garajeh et al. | A comparative approach of data-driven split-window algorithms and MODIS products for land surface temperature retrieval | |
| Franco et al. | Study of temperature profile on various land use and land cover for emerging heat island | |
| Guo et al. | Analysis of Driving Force and Driving Mechanism of the Spatial Change of LST Based on Landsat 8 | |
| Yang et al. | The dynamics of Paiku Co lake area in response to climate change | |
| Vander Jagt et al. | On the characterization of vegetation transmissivity using LAI for application in passive microwave remote sensing of snowpack | |
| Zikan et al. | Comparison of MODIS surface temperatures to in situ measurements on the Greenland Ice Sheet from 2014 to 2017 | |
| Solberg et al. | Multi-sensor and time-series approaches for monitoring of snow parameters | |
| Şekertekin et al. | Analysing the effects of different land cover types on land surface temperature using satellite data | |
| Boori et al. | A comparison of land surface temperature, derived from AMSR-2, Landsat and ASTER satellite data | |
| Salzano et al. | Continuous monitoring of spectral albedo of snowed surfaces in Ny-Ålesund | |
| Azmi et al. | Estimation of spatial distribution and temporal variability of land surface temperature over Casablanca and the surroundings of the city |
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 |