CN111610159B - 地表温度降尺度估算方法及植被水分胁迫监测方法 - Google Patents
地表温度降尺度估算方法及植被水分胁迫监测方法 Download PDFInfo
- Publication number
- CN111610159B CN111610159B CN202010393630.5A CN202010393630A CN111610159B CN 111610159 B CN111610159 B CN 111610159B CN 202010393630 A CN202010393630 A CN 202010393630A CN 111610159 B CN111610159 B CN 111610159B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- pixel
- surface temperature
- remote sensing
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 239000002689 soil Substances 0.000 claims description 50
- 238000001579 optical reflectometry Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 42
- 238000002310 reflectometry Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 4
- 241000209504 Poaceae Species 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General 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)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种地表温度降尺度估算方法及植被水分胁迫监测方法,根据低空间分辨率的第二类遥感影像,确定出初始地表温度模拟方程,并通过高空间分辨率的第一类遥感影像的每景影像中每一像元的叶面积指数估计值进行修正,得到第一类遥感影像的每景影像中每一像元对应的地表温度模拟方程,即地表温度降尺度模拟方程,进而可以确定出高空间分辨率的地表温度,并估算了城市、水体及周边区域和农林草覆盖区植被水分胁迫。本发明实施例中提供的地表温度降尺度估算方法,估算了农林草等植被覆盖区域、水体及周边区域和城市区域的高空间分辨率的地表温度,得到的农林草覆盖区地表温度空间分辨率更高,结果更加准确。
Description
技术领域
本发明涉及生态学和遥感技术领域,更具体地,涉及地表温度降尺度估算方法及植被水分胁迫监测方法。
背景技术
遥感技术的快速发展,可见光-近红外-短波红外等空间分辨率的不断提高,使之在资源环境领域得到广泛而有效的应用。热红外波段由于其对陆表下垫面植被覆盖程度、土地利用类型等比较敏感,因此其在植被水分胁迫等方面得到有效应用,更加有效的识别植被水分胁迫。
在实际应用中发现一个普遍性的问题是卫星的多光谱或高光谱数据可以达到100m、50m、30m、15m、10m甚至更高的空间分辨率,但是与之相配套的热红外空间分辨率却比较低。因此,在研究或应用当中采用多光谱/高光谱空间升尺度或者热红外降尺度的方法开展热红外波段和多光谱/高光谱波段配合使用。其中,热红外降尺度的方法无疑会提高空间分辨率,对于地物精细应用具有更大的潜力。
目前,用于地表温度降尺度的方法主要包括DisTrad方法、TsHARP方法和MIRF方法等。DisTrad方法主要通过生成的线性方程模拟归一化植被指数(Normalized DifferenceVegetation Index,NDVI)与地表温度(Ts)之间构成的特征空间中的回归关系,进行估算得到地表温度;TsHARP方法和MIRF方法均是克服NDVI-Ts的局限性的改进方法。上述经典的地表温度降尺度的方法在一定程度上可以确定出地表温度,然而当植被达到一定覆盖程度后,其NDVI变化很小,这将导致根据NDVI-Ts估算得到的地表温度变化不明显,估算的准确度降低。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种地表温度降尺度估算方法及植被水分胁迫监测方法。
第一方面,本发明实施例提供了一种地表温度降尺度估算方法,包括:
获取目标区域的目标空间分辨率的第一类时间序列遥感影像;
确定所述第一类时间序列遥感影像的每景影像中的植被像元,基于所述植被像元的叶面积指数估计值以及所述植被像元对应的地表温度模拟方程,确定所述植被像元对应的地表温度;
其中,所述植被像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中的植被像元的叶面积指数估计值以及植被像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的植被像元的叶面积指数估计值进行修正得到。
优选地,所述的地表温度降尺度估算方法还包括:
基于所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值以及所述目标区域内的水体区域,确定所述目标区域内的不受水分胁迫区域,并确定不受水分胁迫像元的叶面积指数估计值;
基于所述不受水分胁迫像元对应的地表温度模拟方程,确定所述不受水分胁迫像元对应的地表温度,并基于所述不受水分胁迫像元对应的地表温度,确定所述第一类时间序列遥感影像的每景影像中的水体像元对应的地表温度;
其中,所述不受水分胁迫像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中不受水分胁迫像元的叶面积指数估计值以及不受水分胁迫像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的不受水分胁迫像元的叶面积指数估计值进行修正得到。
优选地,所述的地表温度降尺度估算方法还包括:
确定所述第一类时间序列遥感影像的每景影像中的土壤像元,并基于所述土壤像元的叶面积指数估计值以及所述土壤像元对应的地表温度模拟方程,确定所述土壤像元对应的地表温度;
其中,所述土壤像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中土壤像元的叶面积指数估计值以及土壤像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的土壤像元的叶面积指数估计值进行修正得到。
优选地,所述的地表温度降尺度估算方法还包括:
确定所述第一类时间序列遥感影像的每景影像中的城镇居民点像元,并基于所述城镇居民点像元的叶面积指数估计值以及地表温度查找表,确定所述城镇居民点像元对应的地表温度;
所述地表温度查找表基于所述第二类遥感影像的每景影像中的城镇居民点像元的叶面积指数估计值以及城镇居民点像元对应的地表温度确定。
优选地,所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值通过如下方法确定:
获取所述第一类时间序列遥感影像的每景影像中每一像元的红光波段反射率以及近红外波段反射率,基于所述红光波段反射率以及所述近红外波段反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的归一化植被指数NDVI或者比值植被指数RVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的NDVI或者RVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值;或者,
获取所述第一类时间序列遥感影像的每景影像中每一像元的植被红光反射率、土壤红光反射率、土壤近红外光反射率以及植被近红外光反射率,基于所述植被红光反射率、所述土壤红光反射率、所述土壤近红外光反射率以及所述植被近红外光反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的垂直植被指数PVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的PVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值。
优选地,所述植被像元对应的地表温度模拟方程具体为:
其中,TsH(LAI)m,n表示所述第一类时间序列遥感影像的每景影像的每景影像中的第m行第n列植被像元对应的地表温度,表示所述第m行第n列植被像元的叶面积指数估计值,Δewmn表示所述第m行第n列植被像元对应的模拟误差值,ai,j和bi,j均基于所述第二类遥感影像的每景影像中的第i行第j列植被像元的叶面积指数估计值以及所述第i行第j列植被像元对应的地表温度确定,所述第m行第n列植被像元在所述第二类时间序列遥感影像的每景影像的每景影像中的对应位置包含在所述第i行第j列植被像元中,f为系统误差分配系数。
优选地,所述水体区域通过如下方法确定:
对于所述第一类时间序列遥感影像的每景影像中存在绿光反射率以及短波红外反射率的每一像元,基于所述像元的绿光反射率以及短波红外反射率,确定所述像元的改进的归一化差值水体指数MNDWI,并基于所述像元的MNDWI,判断所述像元是否对应于水体;
对于所述第一类时间序列遥感影像的每景影像中存在绿光反射率、红光反射率以及近红外反射率的每一像元,基于所述像元的绿光反射率、红光反射率以及近红外反射率,确定所述像元的水体修正指数FCI,并基于所述像元的FCI,判断所述像元是否对应于水体。
第二方面,本发明实施例提供了一种基于第一方面提供的地表温度降尺度估算方法的植被水分胁迫监测方法,包括:
确定所述目标区域的湿边和干边,并确定所述第一类时间序列遥感影像的每景影像中所述干边的每一植被像元的温度植被干旱指数;所述温度植被干旱指数用于表征所述干边的每一植被像元与所述湿边的具有相同叶面积指数估计值的每一植被像元的地表温度之间的差异;
基于所述温度植被干旱指数,对所述目标区域的干边进行植被水分胁迫监测。
优选地,所述温度植被干旱指数具体通过如下公式计算:
其中,TVDIk为所述第一类时间序列遥感影像的每景影像中所述干边的第k个植被像元的温度植被干旱指数,TsHd(LAI)k为所述第一类时间序列遥感影像的每景影像中所述干边的第k个植被像元对应的地表温度,TsHw(LAI)为所述第一类时间序列遥感影像的每景影像中所述湿边的具有与所述干边的第k个植被像元相同的叶面积指数估计值的像元对应的地表温度,TsLd(LAI)k为所述第二类时间序列遥感影像的每景影像中所述干边的第k’个植被像元对应的地表温度,TsLw(LAI)为所述第二类时间序列遥感影像的每景影像中所述湿边的具有相同叶面积指数估计值的第k’像元对应的地表温度;所述第k个植被像元在所述第二类时间序列遥感影像的每景影像的每景影像中的对应位置包含在所述第k’个植被像元中。
第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的地表温度降尺度估算方法或第二方面所述的植被水分胁迫监测方法的步骤。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的地表温度降尺度估算方法或第二方面所述的植被水分胁迫监测方法的步骤。
本发明实施例提供的一种地表温度降尺度估算方法及植被水分胁迫监测方法,根据低空间分辨率的第二类遥感影像,确定出初始地表温度模拟方程,并通过高空间分辨率的第一类遥感影像的每景影像中每一像元的叶面积指数估计值进行修正,得到第一类遥感影像的每景影像中每一像元对应的地表温度模拟方程,即地表温度降尺度模拟方程,进而可以确定出高空间分辨率的地表温度,并估算了城市、水体及周边区域和农林草覆盖区植被水分胁迫。本发明实施例中提供的地表温度降尺度估算方法,估算了农林草等植被覆盖区域、水体及周边区域和城市区域的高空间分辨率的地表温度,得到的农林草覆盖区地表温度空间分辨率更好,结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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地表温度降尺度估算方法的流程示意图;
图2为本发明实施例提供的一种植被水分胁迫监测方法的流程示意图;
图3为本发明实施例提供的一种地表温度降尺度估算系统的结构示意图;
图4为本发明实施例提供的一种植被水分胁迫监测系统的结构示意图;
图5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,下面将结合本发明实施例中的附图,对本发明实施例中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。
如图1所示,本发明实施例提供了一种地表温度降尺度估算方法,包括:
S11,获取目标区域的目标空间分辨率的第一类时间序列遥感影像;
S12,确定所述第一类时间序列遥感影像的每景影像中的植被像元,基于所述植被像元的叶面积指数估计值以及所述植被像元对应的地表温度模拟方程,确定所述植被像元对应的地表温度;
其中,所述植被像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中的植被像元的叶面积指数估计值以及植被像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的植被像元的叶面积指数估计值进行修正得到。
具体地,本发明实施例中提供的地表温度降尺度估算方法,其执行主体为服务器,具体可以是本地服务器,例如电脑、平板以及智能手机等,也可以是云端服务器,本发明实施例中对此不作具体限定。
首先执行步骤S11。其中,目标区域是指待研究的地表区域,用以确定该目标区域的地表温度。目标空间分辨率具体可以是中高空间分辨率,例如大于30m。第一类时间序列遥感影像包括多景影像,具体包含的景数可以根据需要进行设定。
然后执行步骤S12。其中,确定第一类时间序列遥感影像的每景影像中的植被像元的具体方式可以是根据第一类时间序列遥感影像,应用遥感技术方法,提取目标区域中的土地利用信息,土地利用信息包括土壤、农业植被、林业植被、草地、水体以及城镇居民点。提取土地利用信息后,即可确定每景影像中的土壤像元、植被像元、水体像元以及城镇居民点像元。其中,植被像元包括农业植被像元、林业植被像元以及草地像元。所有土壤像元构成土壤区域,所有植被像元构成植被区域,所有水体像元构成水体区域,所有城镇居民点像元构成城镇居民点区域。所有农业植被像元构成农业植被区域、所有林业植被像元构成林业植被区域,所有草地像元构成草地区域,且有植被区域包括农业植被区域、林业植被区域以及草地区域。
第一类时间序列遥感影像的每景影像中植被像元的叶面积指数(Leaf AreaIndex,LAI)估计值的确定,可以通过现有技术中的方式实现,本发明实施例中对此不作具体限定。第一类时间序列遥感影像的每景影像中植被像元对应的地表温度模拟方程,是事先根据目标时间分辨率的第二类遥感影像的每景影像中的植被像元的叶面积指数估计值以及植被像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的植被像元的叶面积指数估计值进行修正得到。目标时间分辨率具体可以是高时间分辨率,例如1天、8天或16天等。由于第二类遥感影像具有目标时间分辨率,其空间分辨率较第一类遥感影像要低。由第二类遥感影像的每景影像中植被像元的叶面积指数估计值与地表温度之间的对应关系,确定初始地表温度模拟方程,具体可以通过公式(1)表示。
其中,TsL(LAI)i,j表示第二类遥感影像的每景影像中第i行第j列植被像元的地表温度,表示第二类遥感影像的每景影像中第i行第j列植被像元的叶面积指数估计值。ai,j和bi,j均为常数,且ai,j和bi,j对于不同像元取值不同。
在初始地表温度模拟方程的基础上,通过第一类遥感影像的每景影像中位于第二类遥感影像的每景影像中第i行第j列植被像元之内的植被像元的叶面积指数估计值对初始地表温度模拟方程进行修正,即在公式(1)的基础上,引入系统误差分配系数f,如公式(2)所示。
其中,表示第一类遥感影像的每景影像中位于第二类遥感影像的每景影像中第i行第j列植被像元之内的第m行第n列植被像元的叶面积指数估计值,g1为第二类遥感影像的每景影像中第i行第j列植被像元之内包含有第一类遥感影像的每景影像中的植被像元的行数或列数。本发明实施例中g1可取值为3,即第二类遥感影像的每景影像中的每个植被像元中包含有9个第一类遥感影像的每景影像中的植被像元。
相应地,得到的植被像元对应的地表温度模拟方程可以通过如下公式(3)表示。
其中,TsH(LAI)m,n表示所述第一类时间序列遥感影像的每景影像的每景影像中的第m行第n列植被像元对应的地表温度,表示所述第m行第n列植被像元的叶面积指数估计值,Δewmn表示所述第m行第n列植被像元对应的模拟误差值,ai,j和bi,j均基于所述第二类遥感影像的每景影像中的第i行第j列植被像元的叶面积指数估计值以及所述第i行第j列植被像元对应的地表温度确定,所述第m行第n列植被像元在所述第二类时间序列遥感影像的每景影像的每景影像中的对应位置包含在所述第i行第j列植被像元中,f为系统误差分配系数。。
结合步骤S12中得到的植被像元的LAI估计值,代入至植被像元对应的地表温度模拟方程,即可确定不受水分胁迫区域内每一植被像元对应的地表温度。
本发明实施例中提供的地表温度降尺度估算方法,根据低空间分辨率的第二类遥感影像,确定出初始地表温度模拟方程,并通过高空间分辨率的第一类遥感影像的每景影像中植被像元的叶面积指数估计值进行修正,得到植被像元对应的地表温度模拟方程,进而可以确定出植被像元对应的地表温度,即确定出目标区域内植被区域的高空间分辨率的地表温度。本发明实施例中提供的地表温度降尺度估算方法,研究了植被区域的地表温度,不受植被覆盖程度的影响,得到的地表温度精度较高,且更加准确。
在上述实施例的基础上,本发明实施例中提供的地表温度降尺度估算方法,还包括:
基于所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值以及所述目标区域内的水体区域,确定所述目标区域内的不受水分胁迫区域,并确定不受水分胁迫像元的叶面积指数估计值;
基于所述不受水分胁迫像元对应的地表温度模拟方程,确定所述不受水分胁迫像元对应的地表温度,并基于所述不受水分胁迫像元对应的地表温度,确定所述第一类时间序列遥感影像的每景影像中的水体像元对应的地表温度;
其中,所述不受水分胁迫像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中不受水分胁迫像元的叶面积指数估计值以及不受水分胁迫像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的不受水分胁迫像元的叶面积指数估计值进行修正得到。
具体地,本发明实施例中,目标区域内的水体区域的确定,可以通过现有技术中的方式实现,本发明实施例中对此不作具体限定。在确定目标区域内的不受水分胁迫区域时,首先确定LAI估计值开始变小的边界线,并以此边界线作为目标区域内的不受水分胁迫区域的外界线,然后确定外界线与目标区域内的水体区域的边界之间的环状或弧状区域,将该环状或弧状区域作为目标区域内的不受水分胁迫区域。不受水分胁迫像元是指不受水分胁迫区域内包含的像元,在此基础上,即可确定出不受水分胁迫像元的LAI估计值。
不受水分胁迫像元对应的地表温度模拟方程的确定方式和上述实施例中植被像元对应的地表温度模拟方程原理一致,本发明实施例中在此不再赘述。将不受水分胁迫像元的LAI估计值代入至不受水分胁迫像元对应的地表温度模拟方程,即可求得不受水分胁迫像元对应的地表温度。
然后,可以直接采用最近距离法,将与每一水体像元距离最近的不受水分胁迫像元对应的地表温度作为该水体像元对应的地表温度,最终可以确定出目标区域内的水体区域的地表温度。
本发明实施例中提供的地表温度降尺度估算方法,根据低空间分辨率的第二类遥感影像,确定出初始地表温度模拟方程,并通过高空间分辨率的第一类遥感影像的每景影像中每一像元的叶面积指数估计值进行修正,得到不受水分胁迫像元对应的地表温度模拟方程,进而可以确定出不受水分胁迫像元对应的地表温度,即确定出目标区域内水体区域的高空间分辨率的地表温度。本发明实施例中提供的地表温度降尺度估算方法,研究了水体区域的地表温度,得到的地表温度精度较高,且更加准确。
在上述实施例的基础上,本发明实施例中提供的地表温度降尺度估算方法,还包括:
确定所述第一类时间序列遥感影像的每景影像中的土壤像元,并基于所述土壤像元的叶面积指数估计值以及所述土壤像元对应的地表温度模拟方程,确定所述土壤像元对应的地表温度;
其中,所述土壤像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中土壤像元的叶面积指数估计值以及土壤像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的土壤像元的叶面积指数估计值进行修正得到。
具体地,本发明实施例中,在确定水体区域的地表温度的基础上,还可以确定土壤像元对应的地表温度,进而可以确定土壤区域的地表温度。土壤像元的叶面积指数估计值的确定,可以通过现有技术中的方式实现,本发明实施例中对此不作具体限定。土壤像元对应的地表温度模拟方程是事先根据第二类遥感影像的每景影像中土壤像元的叶面积指数估计值以及土壤像元对应的地表温度确定,并基于第一类遥感影像的每景影像中土壤像元的叶面积指数估计值进行修正得到。
然后将土壤像元的叶面积指数估计值,代入至土壤像元对应的地表温度模拟方程,得到土壤像元对应的地表温度。
本发明实施例中提供的地表温度降尺度估算方法,研究了土壤区域的高空间分辨率的地表温度,得到的地表温度精度较高,且更加准确。
在上述实施例的基础上,本发明实施例中提供的地表温度降尺度估算方法,还包括:
确定所述第一类时间序列遥感影像的每景影像中的城镇居民点像元,并基于所述城镇居民点像元的叶面积指数估计值以及地表温度查找表,确定所述城镇居民点像元对应的地表温度;
所述地表温度查找表基于所述第二类遥感影像的每景影像中的城镇居民点像元的叶面积指数估计值以及城镇居民点像元对应的地表温度确定。
具体地,本发明实施例中,对于第一类时间序列遥感影像的每景影像中的城镇居民点像元,首先确定出城镇居民点像元的叶面积指数估计值,然后采用预先确定的地表温度查找表确定出城镇居民点像元对应的地表温度。地表温度查找表的确定是基于第二类遥感影像的每景影像中的城镇居民点像元的叶面积指数估计值以及城镇居民点像元对应的地表温度确定。
本发明实施例中提供的地表温度降尺度估算方法,研究了城镇居民点区域的高空间分辨率的地表温度,得到的地表温度精度较高,且更加准确。
在上述实施例的基础上,本发明实施例中提供的地表温度降尺度估算方法,所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值通过如下方法确定:
获取所述第一类时间序列遥感影像的每景影像中每一像元的红光波段反射率以及近红外波段反射率,基于所述红光波段反射率以及所述近红外波段反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的归一化植被指数NDVI或者比值植被指数RVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的NDVI或者RVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值;或者,
获取所述第一类时间序列遥感影像的每景影像中每一像元的植被红光反射率、土壤红光反射率、土壤近红外光反射率以及植被近红外光反射率,基于所述植被红光反射率、所述土壤红光反射率、所述土壤近红外光反射率以及所述植被近红外光反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的垂直植被指数PVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的PVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值。
具体地,本发明实施例中,在确定第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值时,具体可以采用归一化植被指数(Normalized DifferenceVegetation Index,NDVI)、比值植被指数(Ratio Vegetation Index,RVI)以及垂直植被指数(Perpendicular Vegetation Index,PVI)。具体方法如下:
获取第一类时间序列遥感影像的每景影像中每一像元的红光波段反射率以及近红外波段反射率,基于红光波段反射率以及近红外波段反射率,通过如下公式(4)计算第一类时间序列遥感影像的每景影像中每一像元的NDVI,或者通过如下公式(5)计算第一类时间序列遥感影像的每景影像中每一像元的RVI。
其中,Rnir为近红外波段反射率,Rr为红波段反射率。
然后,根据公式(4)计算得到的第一类时间序列遥感影像的每景影像中每一像元的NDVI,确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值。如公式(6)所示。
其中,LAIndvi为应用NDVI计算得到的LAI估算值;a1为LAI的最低值,a2为LAI的最高值,b1、b2和bi为NDVI的最低值、最高值和像元i的NDVI值。
或者,获取第一类时间序列遥感影像的每景影像中每一像元的植被红光反射率、土壤红光反射率、土壤近红外光反射率以及植被近红外光反射率,基于植被红光反射率、土壤红光反射率、土壤近红外光反射率以及植被近红外光反射率,采用如下公式(7)计算第一类时间序列遥感影像的每景影像中每一像元的PVI。
其中,Sr为土壤红光反射率,Vr为植被红光反射率,Snir为土壤近红外反射率,Vnir为植被近红外反射率。
然后,根据公式(7)计算得到的第一类时间序列遥感影像的每景影像中每一像元的PVI,确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值。如公式(8)所示。
其中,LAIpvi为应用PVI计算得到的LAI估算值;a3为LAI的最高值,c1、c2和ci为PVI的最低值、最高值和像元i的PVI值。
或者,根据公式(5)计算得到的第一类时间序列遥感影像的每景影像中每一像元的RVI,确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值。如公式(9)所示。
其中,LAIrvi为应用RVI计算得到的LAI估算值;a4为LAI的最高值,d1、d2和di为RVI的最低值、最高值和像元i的RVI值。
当a1≤LAI<a2时,使用公式(6)确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值;当a2≤LAI<a3时,使用公式(8)确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值;当a3≤LAI<a4时,使用公式(9)确定第一类时间序列遥感影像的每景影像中每一像元的LAI估计值。对区域中LAI差异比较大时,选择公式(6)、公式(8)以及公式(9)中的一个、两个或三个同时应用。
在上述实施例的基础上,本发明实施例中提供的地表温度降尺度估算方法,所述水体区域通过如下方法确定:
对于所述第一类时间序列遥感影像的每景影像中存在绿光反射率以及短波红外反射率的每一像元,基于所述像元的绿光反射率以及短波红外反射率,确定所述像元的改进的归一化差值水体指数MNDWI,并基于所述像元的MNDWI,判断所述像元是否对应于水体;
对于所述第一类时间序列遥感影像的每景影像中存在绿光反射率、红光反射率以及近红外反射率的每一像元,基于所述像元的绿光反射率、红光反射率以及近红外反射率,确定所述像元的水体修正指数FCI,并基于所述像元的FCI,判断所述像元是否对应于水体。
具体地,本发明实施例中,在确定目标区域内的水体区域时,具体以下两种不同的方法确定。
对于第一类时间序列遥感影像的每景影像中存在绿光反射率以及短波红外反射率的每一像元,基于像元的绿光反射率以及短波红外反射率,采用如下公式(10)确定像元的改进的归一化差值水体指数(Modified Normalized Difference Water Index,MNDWI)。
其中,Rg为绿光反射率,Rswir为短波红外反射率。
然后根据像元的MNDWI,判断像元是否对应于水体。即判断像元的MNDWI是否大于预设阈值,若大于,则判断得到像元对应于水体,否则说明像元不对应于水体。
对于第一类时间序列遥感影像的每景影像中存在绿光反射率、红光反射率以及近红外反射率的每一像元,基于像元的绿光反射率、红光反射率以及近红外反射率,采用如下公式(11)确定像元的水体修正指数FCI。
其中,Rnir为近红外反射率,Rr为红光反射率。
然后根据像元的FCI,判断像元是否对应于水体。即判断像元的FCI是否大于预设阈值,若大于,则判断得到像元对应于水体,否则说明像元不对应于水体。
如图2所示,在上述实施例的基础上,本发明实施例中提供了一种基于上述实施例提供的地表温度降尺度估算方法实现的植被水分胁迫监测方法,包括:
S21,确定所述目标区域的湿边和干边,并确定所述第一类时间序列遥感影像的每景影像中所述干边的每一植被像元的温度植被干旱指数;所述温度植被干旱指数用于表征所述干边的每一植被像元与所述湿边的具有相同叶面积指数估计值的每一植被像元的地表温度之间的差异;
S22,基于所述温度植被干旱指数,对所述目标区域的干边进行植被水分胁迫监测。
具体地,本发明实施例中提供的植被水分胁迫监测方法,其执行主体为服务器,具体可以是本地服务器,例如电脑、平板以及智能手机等,也可以是云端服务器,本发明实施例中对此不作具体限定。
首先执行步骤S21。其中,具体可以将所述不受水分胁迫区域作为确定所述目标区域的湿边,将所述目标区域内除所述水体区域以及所述不受水分胁迫区域之外的区域作为所述目标区域的干边。第一类时间序列遥感影像的每景影像中干边的每一植被像元的温度植被干旱指数用于表征干边的每一植被像元与湿边的具有相同叶面积指数估计值的每一植被像元的地表温度之间的差异。具体可以通过如下方法确定:首先确定出第一类时间序列遥感影像的每景影像中干边的每一植被像元对应的地表温度、第一类时间序列遥感影像的每景影像中湿边的具有与所述干边的每一植被像元相同的叶面积指数估计值的植被像元对应的地表温度、第二类时间序列遥感影像的每景影像中干边的每一植被像元对应的地表温度以及所述第二类时间序列遥感影像的每景影像中湿边的具有与干边的每一植被像元相同的叶面积指数估计值的植被像元对应的地表温度。然后基于确定的地表温度,采用如下公式(12)计算温度植被干旱指数。
其中,TVDIk为第一类时间序列遥感影像的每景影像中干边的第k植被像元的温度植被干旱指数,TsHd(LAI)k为第一类时间序列遥感影像的每景影像中干边的第k植被像元对应的地表温度,TsHw(LAI)为第一类时间序列遥感影像的每景影像中所述湿边的具有与干边的第k植被像元相同的叶面积指数估计值的像元对应的地表温度,TsLd(LAI)k为第二类时间序列遥感影像的每景影像中干边的第k’植被像元对应的地表温度,TsLw(LAI)为第二类时间序列遥感影像的每景影像中湿边的具有相同叶面积指数估计值的第k’植被像元对应的地表温度;第k植被像元在所述第二类时间序列遥感影像的每景影像的每景影像中的对应位置包含在第k’植被像元中。
需要说明的是,正常年份,考虑到城镇不同的植被类型受人工水分养护的影响,干边可以近似认为不受水分胁迫。
综上所述,本发明实施例中提供了一种地表温度降尺度估算方法及植被水分胁迫监测方法,既综合考虑不同的植被覆盖情况导致的植被指数表达的局限性,又考虑了植被、土壤和其他地物混合的复杂下垫面情况,有效的解决了复杂下垫面温度降尺度的方法,并进一步对植被水分胁迫进行降尺度识别。
如图3所示,在上述实施例的基础上,本发明实施例中提供了一种地表温度降尺度估算系统,包括:影像获取模块31以及地表温度确定模块32。其中,
影像获取模块31用于获取目标区域的目标空间分辨率的第一类时间序列遥感影像;
地表温度确定模块32用于确定所述第一类时间序列遥感影像的每景影像中的植被像元,基于所述植被像元的叶面积指数估计值以及所述植被像元对应的地表温度模拟方程,确定所述植被像元对应的地表温度;
其中,所述植被像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中的植被像元的叶面积指数估计值以及植被像元对应的地表温度确定,并基于第一类遥感影像的每景影像中的植被像元的叶面积指数估计值进行修正得到。
具体地,本发明实施例中提供的地表温度降尺度估算系统中各模块的作用与上述地表温度降尺度估算方法的实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
如图4所示,在上述实施例的基础上,本发明实施例中提供了一种植被水分胁迫监测系统,包括:温度植被干旱指数确定模块41和植被水分胁迫监测模块42。其中,
温度植被干旱指数确定模块41用于确定所述目标区域的湿边和干边,并确定所述第一类时间序列遥感影像的每景影像中所述干边的每一植被像元的温度植被干旱指数;所述温度植被干旱指数用于表征所述干边的每一植被像元与所述湿边的具有相同叶面积指数估计值的每一植被像元的地表温度之间的差异;
植被水分胁迫监测模块42用于基于所述温度植被干旱指数,对所述目标区域的干边进行植被水分胁迫监测。
具体地,本发明实施例中提供的植被水分胁迫监测系统中各模块的作用与上述植被水分胁迫监测方法的实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图5所示,在上述实施例的基础上,本发明实施例中提供了一种电子设备,包括:处理器(processor)501、存储器(memory)502、通信接口(Communications Interface)503和通信总线504;其中,
所述处理器501、存储器502、通信接口503通过通信总线504完成相互间的通信。所述存储器502存储有可被所述处理器501执行的程序指令,处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图5所示的处理器501、通信接口503、存储器502和通信总线504,其中处理器501、通信接口503和存储器502通过通信总线504完成相互间的通信,且处理器501可以调用存储器502中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法。
在上述实施例的基础上,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种植被水分胁迫监测方法,其特征在于,包括:
确定目标区域的湿边和干边,根据不受水分胁迫区域确定所述目标区域的湿边,根据所述目标区域内除水体区域以及所述不受水分胁迫区域之外的区域确定所述目标区域的干边;并确定第一类时间序列遥感影像的每景影像中所述干边的每一植被像元的温度植被干旱指数;
基于所述温度植被干旱指数,对所述目标区域的干边进行植被水分胁迫监测;
所述温度植被干旱指数具体通过如下公式计算:
其中,TVDIk为所述第一类时间序列遥感影像的每景影像中所述干边的第k个植被像元的温度植被干旱指数,TsHd(LAI)k为所述第一类时间序列遥感影像的每景影像中所述干边的第k个植被像元对应的地表温度,TsHw(LAI)为所述第一类时间序列遥感影像的每景影像中所述湿边的具有与所述干边的第k个植被像元相同的叶面积指数估计值的像元对应的地表温度,TsLd(LAI)k为第二类遥感影像的每景影像中所述干边的第k’个植被像元对应的地表温度,TsLw(LAI)为所述第二类遥感影像的每景影像中所述湿边的具有与所述干边的第k’个植被像元相同的叶面积指数估计值的像元对应的地表温度;所述第k个植被像元在所述第二类遥感影像的每景影像中的对应位置包含在所述第k’个植被像元中;
所述地表温度基于如下的地表温度降尺度估算方法得到:
获取目标区域的目标空间分辨率的第一类时间序列遥感影像;
确定所述第一类时间序列遥感影像的每景影像中的植被像元,基于所述植被像元的叶面积指数估计值以及所述植被像元对应的地表温度模拟方程,确定所述植被像元对应的地表温度;
其中,所述植被像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中的植被像元的叶面积指数估计值以及植被像元对应的地表温度确定,并基于所述第一类时间序列遥感影像的每景影像中的植被像元的叶面积指数估计值进行修正得到;所述第二类遥感影像的空间分辨率比所述第一类时间序列遥感影像低;
所述地表温度降尺度估算方法还包括:
基于所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值以及所述目标区域内的水体区域,确定所述目标区域内的不受水分胁迫区域,并确定不受水分胁迫区域的像元的叶面积指数估计值;
基于所述不受水分胁迫区域的像元对应的地表温度模拟方程,确定所述不受水分胁迫区域的像元对应的地表温度,并基于所述不受水分胁迫区域的像元对应的地表温度,确定所述第一类时间序列遥感影像的每景影像中的水体像元对应的地表温度;
其中,所述不受水分胁迫区域的像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中不受水分胁迫区域的像元的叶面积指数估计值以及不受水分胁迫区域的像元对应的地表温度确定,并基于所述第一类时间序列遥感影像的每景影像中的不受水分胁迫区域的像元的叶面积指数估计值进行修正得到。
2.根据权利要求1所述的植被水分胁迫监测方法,其特征在于,所述地表温度降尺度估算方法还包括:
确定所述第一类时间序列遥感影像的每景影像中的土壤像元,并基于所述土壤像元的叶面积指数估计值以及所述土壤像元对应的地表温度模拟方程,确定所述土壤像元对应的地表温度;
其中,所述土壤像元对应的地表温度模拟方程基于目标时间分辨率的第二类遥感影像的每景影像中土壤像元的叶面积指数估计值以及土壤像元对应的地表温度确定,并基于所述第一类时间序列遥感影像的每景影像中的土壤像元的叶面积指数估计值进行修正得到。
3.根据权利要求1所述的植被水分胁迫监测方法,其特征在于,所述地表温度降尺度估算方法还包括:
确定所述第一类时间序列遥感影像的每景影像中的城镇居民点像元,并基于所述城镇居民点像元的叶面积指数估计值以及地表温度查找表,确定所述城镇居民点像元对应的地表温度;
所述地表温度查找表基于所述第二类遥感影像的每景影像中的城镇居民点像元的叶面积指数估计值以及城镇居民点像元对应的地表温度确定。
4.根据权利要求1-3中任一项所述的植被水分胁迫监测方法,其特征在于,所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值通过如下方法确定:
获取所述第一类时间序列遥感影像的每景影像中每一像元的红光波段反射率以及近红外波段反射率,基于所述红光波段反射率以及所述近红外波段反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的归一化植被指数NDVI或者比值植被指数RVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的NDVI或者RVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值;或者,
获取所述第一类时间序列遥感影像的每景影像中每一像元的植被红光反射率、土壤红光反射率、土壤近红外光反射率以及植被近红外光反射率,基于所述植被红光反射率、所述土壤红光反射率、所述土壤近红外光反射率以及所述植被近红外光反射率,计算所述第一类时间序列遥感影像的每景影像中每一像元的垂直植被指数PVI,并基于所述第一类时间序列遥感影像的每景影像中每一像元的PVI,确定所述第一类时间序列遥感影像的每景影像中每一像元的叶面积指数估计值。
5.一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的植被水分胁迫监测方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的植被水分胁迫监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393630.5A CN111610159B (zh) | 2020-05-11 | 2020-05-11 | 地表温度降尺度估算方法及植被水分胁迫监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393630.5A CN111610159B (zh) | 2020-05-11 | 2020-05-11 | 地表温度降尺度估算方法及植被水分胁迫监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111610159A CN111610159A (zh) | 2020-09-01 |
CN111610159B true CN111610159B (zh) | 2023-04-07 |
Family
ID=72197727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010393630.5A Active CN111610159B (zh) | 2020-05-11 | 2020-05-11 | 地表温度降尺度估算方法及植被水分胁迫监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610159B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514402B (zh) * | 2021-04-12 | 2023-03-07 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
CN113984212B (zh) * | 2021-10-27 | 2023-06-27 | 中国气象科学研究院 | 农业灌区提取方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760978B (zh) * | 2015-07-22 | 2019-11-19 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
CN109060133B (zh) * | 2018-05-31 | 2020-06-05 | 北京师范大学 | 遥感地表温度降尺度算法 |
CN109063330B (zh) * | 2018-08-02 | 2022-11-22 | 中国科学院地理科学与资源研究所 | 考虑土壤水分影响的地表温度降尺度方法 |
CN109271605B (zh) * | 2018-10-12 | 2021-07-27 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
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 |
-
2020
- 2020-05-11 CN CN202010393630.5A patent/CN111610159B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111610159A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711446B (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
Yu et al. | Improvement of sugarcane yield estimation by assimilating UAV-derived plant height observations | |
Xie et al. | A comparison of two models with Landsat data for estimating above ground grassland biomass in Inner Mongolia, China | |
Sehgal et al. | Inversion of radiative transfer model for retrieval of wheat biophysical parameters from broadband reflectance measurements | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
Vélez et al. | Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery | |
Choudhary et al. | Agriculture phenology monitoring using NDVI time series based on remote sensing satellites: a case study of Guangdong, China | |
CN111610159B (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
US20230091677A1 (en) | Monitoring and intelligence generation for farm field | |
Ying et al. | Satellite-based detection of bamboo expansion over the past 30 years in Mount Tianmushan, China | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
US11816834B2 (en) | Unmanned aerial system genotype analysis using machine learning routines | |
Zhang et al. | Improving wheat yield estimates using data augmentation models and remotely sensed biophysical indices within deep neural networks in the Guanzhong Plain, PR China | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
Fathololoumi et al. | Surface biophysical features fusion in remote sensing for improving land crop/cover classification accuracy | |
Jewan et al. | The feasibility of using a low-cost near-infrared, sensitive, consumer-grade digital camera mounted on a commercial UAV to assess Bambara groundnut yield | |
Lee et al. | A comparative study on generating simulated Landsat NDVI images using data fusion and regression method—the case of the Korean Peninsula | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Lu et al. | Modelling the invasion of a Central American Mimosoid tree species (Leucaena leucocephala) in a tropical coastal region of Taiwan | |
Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager | |
Jia et al. | Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area | |
Sánchez-Piñero et al. | Evaluation of a simplified methodology to estimate the CWSI in olive orchards |
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 |