CN111639675A - 一种基于随机森林的smap土壤水分降尺度方法 - Google Patents
一种基于随机森林的smap土壤水分降尺度方法 Download PDFInfo
- Publication number
- CN111639675A CN111639675A CN202010372048.0A CN202010372048A CN111639675A CN 111639675 A CN111639675 A CN 111639675A CN 202010372048 A CN202010372048 A CN 202010372048A CN 111639675 A CN111639675 A CN 111639675A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- data
- smap
- downscaling
- modis
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开一种基于随机森林的SMAP土壤水分降尺度方法,包括:获取目标区域的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据;对获取的数据进行处理以获取与SMAP土壤水分产品空间分辨率相同的目标区域的MODIS数据和SRTM数字高程数据;基于随机森林构建土壤水分降尺度模型并对模型进行训练;最后将SMAP土壤水分数据、MODIS数据和SRTM数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型,获取目标区域1km空间分辨率的土壤水分产品。本发明通过利用MODIS数据在空间分辨率上的优势以及遥感地表参数与土壤水分之间的非线性关系,基于随机森林构建了土壤水分降尺度模型,通过该土壤水分降尺度模型获取高分辨率的土壤水分数据,实现SMAP土壤水分产品的降尺度。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种基于随机森林的SMAP土壤水分降尺度方法。
背景技术
地表土壤水分是水文和气候模型的重要边界条件,对许多水文、生物和生物地球化学过程至关重要。土壤水分在干旱监测、农业管理、水资源评价等环境研究和应用中具有潜在价值。因此,作为许多主要地表过程研究的基础,准确获取地表土壤水分时空分布于变化信息具有重要的意义。
目前,土壤水分的获取手段有多种。传统的站点监测法可以提供高精度的土壤水分观测结果。然而,由于地表土壤水分的空间变异性,站点监测法测量的结果并不能代表本区域,也难快速获取大范围的土壤水分信息,不能够满足科学研究与业务方面的需求。随着遥感技术的发展,这一问题逐渐得到解决。遥感技术将传统站点监测的点信息扩展到更能够表达客观世界的面信息,为区域、全球尺度土壤水分连续观测提供了可能。
微波遥感对植被有一定的穿透能力,且不受天气和光照条件的限制,同时,微波遥感是经过研究最适合于估计土壤水分的方式之一。然而微波土壤水分产品的粗空间分辨率极大限制了许多区域尺度的水文和农业应用。因此,为获得高空间分辨率的土壤水分数据,已经开发了几种方法处理粗分辨率的土壤水分产品,包括:1)主被动微波数据融合方法;2)光学、热红外及微波数据融合方法。同时,也有很多物理模型显示了土壤表面含水率与SWIR转换反射率之间的线性关系。这些方法可以通过来自可见光/红外遥感观测的补充信息,利用粗分辨率微波产品与光学/红外遥感数据之间的相关关系,获得高精度、高分辨率的土壤水分数据。然而,现有的线性算法无法很好地描述土壤水分与遥感地表参数之间复杂的非线性关系。
发明内容
本发明解决的技术问题是提供一种基于随机森林的SMAP土壤水分降尺度方法,利用MODIS数据在空间分辨率上的优势和随机森林的非线性,提高SMAP土壤水分产品的空间分辨率。
为解决上述技术问题,本发明提供一种基于随机森林的SMAP土壤水分降尺度方法,包括以下步骤:
S1、获取目标区域的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据,MODIS数据包括地表温度产品、植被指数产品和地表反射率产品;
S2、对地表温度产品进行数据质量控制;对MODIS数据进行投影转换、拼接、重采样和裁剪处理,对SRTM数字高程数据进行投影转换、重采样和裁剪处理,获取与SMAP土壤水分产品空间分辨率相同的目标区域的MODIS数据和SRTM数字高程数据;
S3、基于随机森林构建土壤水分降尺度模型,并利用SMAP土壤水分数据和处理后的MODIS数据以及SRTM数字高程数据,对土壤水分降尺度模型进行训练;
S4、将SMAP土壤水分数据、MODIS数据和SRTM数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型,获取目标区域1km空间分辨率的土壤水分产品。
进一步地,植被指数产品包括归一化植被指数产品和增强植被指数产品。
进一步地,地表反射率产品包括短波红外波段集中在1640nm和2130nm的短波红外地表反射率产品。
进一步地,数据质量控制为通过MOD11A1质量控制数据集对地表温度产品进行质量控制。
进一步地,步骤S2中投影转换、拼接、重采样均使用MODIS重投影工具MRT,投影转换具体为将数据重投影到规则的经纬度格网,拼接具体为将MODIS每种产品相同日期的数据进行拼接,重采样具体为将地表温度产品、植被指数产品、地表反射率产品和DEM数据使用最邻近法重采样到SMAP土壤水分产品的36km空间分辨率,裁剪具体为利用目标区域的矢量数据将拼接的数据裁剪到目标区域。
进一步地,土壤水分降尺度模型为:
SM=f(NDVI,EVI,LST,Tbh,Tbv,elevation,NSDSI)
式中,SM为土壤水分,f为基于随机森林的非线性模型,NDVI为归一化植被指数,EV为增强植被指数,LST为地表温度,Tbh为SMAP水平极化亮温,Tbv为SMAP垂直极化亮温,elevation为高程,NSDSI为两个短波红外波段所计算出来的归一化裸土土壤水分指数,通过如下公式计算归一化裸土土壤水分指数NSDSI:
NSDSI=(B1-B2)/B1
式中,B1为短波红外波段集中在1640nm的地表反射率,B2短波红外波段集中在2130nm的地表反射率。
本发明的有益效果是:本发明通过利用MODIS数据在空间分辨率上的优势以及遥感地表参数与土壤水分之间的非线性关系,基于随机森林构建了土壤水分降尺度模型;并利用获取的SMAP土壤水分数据和处理后的MODIS数据以及SRTM数字高程数据对土壤水分降尺度模型进行训练;最后利用该土壤水分降尺度模型来获取高分辨率的土壤水分数据,实现SMAP土壤水分产品的降尺度;本发明模型训练及应用较简单,数据获取简单,便于操作和应用。
进一步地,数据质量控制为通过MOD11A1质量控制数据集对地表温度产品进行质量控制,去除受云层干扰以及其他错误估计的数据,保留数据质量较好的数据,确保模型的准确性。
附图说明
图1为本发明基于随机森林的SMAP土壤水分降尺度方法的原理流程图;
图2为本发明SMAP土壤水分降尺度模型建立与应用的原理流程图;
图3为本发明目标区域的高程图;
图4为本发明提供的一种降尺度模型在交叉验证时的拟合效果图;
图5为本发明提供的一种目标区域SMAP土壤水分降尺度前后对比图。
具体实施方式
下面将结合附图对本发明的作进一步的说明:
本发明通过利用MODIS数据在空间分辨率上的优势以及遥感地表参数与土壤水分之间的非线性关系,基于随机森林构建了土壤水分降尺度模型;并利用获取的SMAP土壤水分数据和处理后的MODIS数据以及SRTM数字高程数据对土壤水分降尺度模型进行训练;最后利用该土壤水分降尺度模型来获取高分辨率的土壤水分数据,实现SMAP土壤水分产品的降尺度。
本发明公开了一种基于随机森林的SMAP土壤水分降尺度方法,如图1所示,包括以下步骤:
S1、获取目标区域的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据,MODIS数据包括地表温度产品、植被指数产品和地表反射率产品。
获取目标区域特定时间段的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据。其中,SMAP土壤水分产品的SPL3SMP包括SMAP水平极化亮温Tbh和SMAP垂直极化亮温Tbv;MODIS数据包括地表温度产品(1km MODIS每日地表温度产品MOD11A1 LST)、归一化植被指数产品(1km MODIS 16日植被指数产品MOD13A2 NDVI)、增强植被指数产品(1km MODIS 16日植被指数产品MOD13A2 EVI)和短波红外波段集中在1640nm以及2130nm的短波红外地表反射率产品(MOD09A1第六波段与第七波段),以及空间分辨率为90m的SRTM数字高程(DEM)数据。
例如,获取目标区域2018年4月1日至2018年9月30日以及目标区域2019年4月1日至2019年9月30日SMAP土壤水分数据SPL3SMP、MOD11A1、MOD13A2、MOD09A1,同时还获取目标区域SRTM DEM数据。其中,高程图如图3所示。
S2、对地表温度产品进行数据质量控制;对MODIS数据进行投影转换、拼接、重采样和裁剪处理,对SRTM数字高程数据进行投影转换、重采样和裁剪处理,获取与SMAP土壤水分产品空间分辨率相同的目标区域的MODIS数据和SRTM数字高程数据。
首先需要对地表温度产品LST进行质量控制。由于光学遥感数据受云层影响的原因,在数据运用之前,首先通过MOD11A1质量控制(QC)数据集对LST进行质量控制,去除受云层干扰以及其他错误估计的数据,保留数据质量较好的数据,确保模型的准确性。
接着对获取的数据进行一系列的处理,包括:
投影转换,具体为将数据重投影到规则的经纬度格网。由于SMAP土壤水分产品为全球圆柱形36公里等面积可扩展的地球格网投影(EASE-Grid 2.0),MODIS产品则为全球1km SIN格网投影或者全球500m SIN格网投影,两者投影并不统一,因此需进行投影转换到统一的坐标系之中,便于后续的处理及计算。故可将MOD11A1、MOD13A2、MOD09A1数据重投影到规则的经纬度格网,并将同一天的数据拼接并裁剪到目标区域。
拼接,具体为将MODIS每种产品相同日期的数据进行拼接。获取目标区域的MODIS数据为7个瓦片拼接而成,需要将7个瓦片拼接成完整的目标区域。目标区域由MODIS数据7个瓦片完整覆盖,为使数据处理方便,需将MODIS每种产品相同日期的数据进行拼接。
重采样,具体为将LST、NDVI、EVI、地表反射率和DEM数据使用最邻近法重采样到SMAP土壤水分产品的36km空间分辨率。进行模型建立时,将以SMAP土壤水分数据作为基准,为将MODIS以及DEM数据与SMAP土壤水分数据匹配,将空间分辨率1km的MOD11A1LST、MOD13A2 NDVI、MOD13A2 EVI数据,空间分辨率500m的MOD09A1地表反射率数据,以及空间分辨率90m的SRTM DEM数据使用最邻近法重采样到SMAP土壤水分产品的36km空间分辨率。
裁剪,具体为利用目标区域的矢量数据将拼接的数据裁剪到目标区域。利用目标区域的矢量数据裁剪SMAP土壤水分数据、MOD11A1、MOD13A2、MOD09A1及SRTM DEM数据,获得目标区域的完整数据。
MODIS数据投影转换、拼接、重采样均使用MODIS重投影工具(MRT)处理。
S3、基于随机森林构建SMAP土壤水分降尺度模型,并利用SMAP土壤水分数据和处理后的MODIS数据以及SRTM数字高程数据,对土壤水分降尺度模型进行训练。
土壤水分降尺度模型的建立如图2所示,具体包括:
第一,计算归一化裸土土壤水分指数NSDSI,公式如下:
NSDSI=(B1-B2)/B1
式中,B1为短波红外波段集中在1640nm的地表反射率,B2短波红外波段集中在2130nm的地表反射率。
第二,建立土壤水分降尺度模型。
基于计算的裸土土壤水分指数,以及步骤S2中处理后的数据,建立基于随机森林的训练模型。随机森林是一种深度学习技术,最适合用于回归和分类问题。当预测因子和响应变量关系复杂且高度非线性时,随机森林中所涉及的决策规则的自适应、随机化和去相关特性能够自动对数据中的非线性关系建模,能够有效的处理此类问题。
构建的土壤水分降尺度模型为:
SM=f(NDVI,EVI,LST,Tbh,Tbv,elevation,NSDSI)
式中,SM为土壤水分,f为基于随机森林的非线性模型,NDVI为归一化植被指数,EV为增强植被指数,LST为地表温度,Tbh为SMAP水平极化亮温,Tbv为SMAP垂直极化亮温,elevation为高程,NSDSI为两个短波红外波段所计算出来的归一化裸土土壤水分指数。
训练时,随机选取目标区域所有数据的三分之二进行模型训练,这样可以最小化过拟合的风险。
第三,模型验证,将剩余三分之一数据用于交叉验证,降尺度模型在交叉验证时的拟合效果图如图4所示。从图中可以发现,模型预测的土壤水分与SMAP原始土壤水分相关性为0.966,均方根误差为0.02m3/m3,效果较为良好。
S4、将SMAP土壤水分数据、MODIS数据和SRTM数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型,获取目标区域1km空间分辨率的土壤水分产品。
在使用模型之前,需将空间分辨率为90m的DEM数据、空间分辨率为500m的地表反射率数据、空间分辨率为36km的SMAP亮温数据重采样为空间分辨率1km,用以匹配空间分辨率为1km的MOD11A1与MOD13A2。将重采样后的SMAP亮温数据、MODIS数据以及DEM数据作为输入数据,输入到训练好的土壤水分降尺度模型,就可以获得目标区域1km空间分辨率的土壤水分产品,SMAP土壤水分降尺度前后对比图如图5所示。图5中左图为SMAP原始土壤水分数据,右图为降尺度之后的土壤水分数据,可以看到,降尺度后的土壤水分数据提高了SMAP原始土壤水分的空间分辨率,能够显示出更多的细节信息,同时也保留了原始土壤水分的空间分布特征。
本发明能够有效利用利用MODIS数据在空间分辨率上的优势以及遥感地表参数与土壤水分之间的非线性关系,基于随机森林构建了土壤水分降尺度模型,将其应用于高分辨率输入数据,得到的降尺度土壤水分能够有效捕捉土壤参数的空间异质性以及土壤水分随时间的动态变化,并且与原始SMAP土壤水分具有高度的空间对应关系,提供比36km分辨率更详细的土壤水分信息。
最后说明的是,以上实施例仅为本发明的较佳实施例而已,用以说明本发明的技术方案,而非限制本发明,本领域的普通技术人员应当理解,可以对本发明的技术方进行改进或者变换,而不脱离本发明原理的前提下,其均应涵盖在本发明所附权利要求的保护范围当中。
Claims (10)
1.一种基于随机森林的SMAP土壤水分降尺度方法,其特征在于,包括以下步骤:
S1、获取目标区域的SMAP土壤水分产品、MODIS数据和SRTM数字高程数据,所述MODIS数据包括地表温度产品、植被指数产品和地表反射率产品;
S2、对地表温度产品进行数据质量控制;对MODIS数据进行投影转换、拼接、重采样和裁剪处理,对SRTM数字高程数据进行投影转换、重采样和裁剪处理,获取与SMAP土壤水分产品空间分辨率相同的目标区域的MODIS数据和SRTM数字高程数据;
S3、基于随机森林构建土壤水分降尺度模型,并利用SMAP土壤水分数据和处理后的MODIS数据以及SRTM数字高程数据,对土壤水分降尺度模型进行训练;
S4、将SMAP土壤水分数据、MODIS数据和SRTM数字高程数据重采样到1km空间分辨率并输入到土壤水分降尺度模型,获取目标区域1km空间分辨率的土壤水分产品。
2.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,所述植被指数产品包括归一化植被指数产品和增强植被指数产品。
3.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,所述地表反射率产品包括短波红外波段集中在1640nm和2130nm的短波红外地表反射率产品。
4.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,所述数据质量控制为通过MOD11A1质量控制数据集对地表温度产品进行质量控制。
5.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,步骤S2中投影转换、拼接、重采样均使用MODIS重投影工具MRT。
6.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,步骤S2中投影转换具体为将数据重投影到规则的经纬度格网。
7.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,步骤S2中拼接具体为将MODIS每种产品相同日期的数据进行拼接。
8.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,步骤S2中重采样具体为将地表温度产品、植被指数产品、地表反射率产品和DEM数据使用最邻近法重采样到SMAP土壤水分产品的36km空间分辨率。
9.根据权利要求1所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,步骤S2中裁剪具体为利用目标区域的矢量数据将拼接的数据裁剪到目标区域。
10.根据权利要求1-9任一所述的基于随机森林的SMAP土壤水分降尺度方法,其特征在于,所述土壤水分降尺度模型为:
SM=f(NDVI,EVI,LST,Tbh,Tbv,elevation,NSDSI)
式中,SM为土壤水分,f为基于随机森林的非线性模型,NDVI为归一化植被指数,EVI为增强植被指数,LST为地表温度,Tbh为SMAP水平极化亮温,Tbv为SMAP垂直极化亮温,elevation为高程,NSDSI为两个短波红外波段所计算出来的归一化裸土土壤水分指数,通过如下公式计算归一化裸土土壤水分指数NSDSI:
NSDSI=(B1-B2)/B1
式中,B1为短波红外波段集中在1640nm的地表反射率,B2短波红外波段集中在2130nm的地表反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372048.0A CN111639675A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林的smap土壤水分降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372048.0A CN111639675A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林的smap土壤水分降尺度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639675A true CN111639675A (zh) | 2020-09-08 |
Family
ID=72331918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372048.0A Pending CN111639675A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林的smap土壤水分降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639675A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112730465A (zh) * | 2020-12-09 | 2021-04-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种smap l波段亮温的农业干旱监测方法 |
CN113591759A (zh) * | 2021-08-09 | 2021-11-02 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
CN114324410A (zh) * | 2021-12-31 | 2022-04-12 | 黄陵县农产品质量安全检验检测站 | 一种多地形的微波遥感土壤湿度降尺度方法 |
CN117313563A (zh) * | 2023-11-30 | 2023-12-29 | 江汉大学 | 物理约束与深度学习耦合下土壤水分重建模型的配置方法 |
CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
CN110646587A (zh) * | 2019-09-29 | 2020-01-03 | 武汉大学 | 结合多源遥感数据的高分辨率农业干旱监测方法及装置 |
-
2020
- 2020-05-06 CN CN202010372048.0A patent/CN111639675A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359394A (zh) * | 2018-10-23 | 2019-02-19 | 华南农业大学 | 土壤湿度降尺度因子模型构建方法及系统 |
CN110646587A (zh) * | 2019-09-29 | 2020-01-03 | 武汉大学 | 结合多源遥感数据的高分辨率农业干旱监测方法及装置 |
Non-Patent Citations (4)
Title |
---|
JUEYING BAI等: "An Approach for Downscaling SMAP Soil Moisture by Combining Sentinel-1 SAR and MODIS Data", 《REMOTE SENSING》 * |
YUE, JIBO等: "Development of soil moisture indices from differences in water absorption between shortwave-infrared bands", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
ZUSHUAI WEI等: "Downscaling SMAP soil moisture estimation with gradient boosting decision tree regression over the Tibetan Plateau", 《REMOTE SENSING OF ENVIRONMENT》 * |
李尚楠: "基于SMAP主被动微波数据的土壤水分协同反演研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112730465A (zh) * | 2020-12-09 | 2021-04-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种smap l波段亮温的农业干旱监测方法 |
CN112730465B (zh) * | 2020-12-09 | 2022-08-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种smap l波段亮温的农业干旱监测方法 |
CN113591759A (zh) * | 2021-08-09 | 2021-11-02 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
CN113591759B (zh) * | 2021-08-09 | 2022-03-25 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
CN114324410A (zh) * | 2021-12-31 | 2022-04-12 | 黄陵县农产品质量安全检验检测站 | 一种多地形的微波遥感土壤湿度降尺度方法 |
CN117313563A (zh) * | 2023-11-30 | 2023-12-29 | 江汉大学 | 物理约束与深度学习耦合下土壤水分重建模型的配置方法 |
CN117313563B (zh) * | 2023-11-30 | 2024-02-27 | 江汉大学 | 物理约束与深度学习耦合下土壤水分重建模型的配置方法 |
CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
CN117852417B (zh) * | 2024-03-07 | 2024-06-07 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639675A (zh) | 一种基于随机森林的smap土壤水分降尺度方法 | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
Sun et al. | Quantifying different types of urban growth and the change dynamic in Guangzhou using multi-temporal remote sensing data | |
Hagenlocher et al. | Integrated assessment of the environmental impact of an IDP camp in Sudan based on very high resolution multi-temporal satellite imagery | |
Yan et al. | Testing an energy exchange and microclimate cooling hypothesis for the effect of vegetation configuration on urban heat | |
CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
Orusa et al. | Landsat 8 thermal data to support urban management and planning in the climate change era: A case study in Torino area, NW Italy | |
Ebrahimy et al. | Downscaling MODIS land surface temperature product using an adaptive random forest regression method and Google Earth Engine for a 19-years spatiotemporal trend analysis over Iran | |
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 | |
Kidd et al. | Digital mapping of a soil drainage index for irrigated enterprise suitability in Tasmania, Australia | |
US20220067553A1 (en) | Method for predictive soil mapping based on solar radiation in large flat area | |
Xu et al. | Analysis of three-dimensional space expansion characteristics in old industrial area renewal using GIS and Barista: A case study of Tiexi District, Shenyang, China | |
Alganci et al. | Vineyard site suitability analysis by use of multicriteria approach applied on geo-spatial data | |
Walz et al. | Integrating time and the third spatial dimension in landscape structure analysis | |
Falcone et al. | From architectural survey to continuous monitoring: graph-based data management for cultural heritage conservation with digital twins | |
Tang et al. | Spatial–temporal landscape pattern change under rapid urbanization | |
CN116738161A (zh) | 冻土活动层厚度反演方法、装置、设备及存储介质 | |
CN112733587A (zh) | 一种沙漠化进程演变监测方法 | |
Sliuzas et al. | The spatial and temporal nature of urban objects | |
Browning et al. | Temporal dynamics of shrub proliferation: linking patches to landscapes | |
Abujayyab et al. | Automated prediction system for vegetation cover based on modis-ndvi satellite data and neural networks | |
CN105321157B (zh) | 被动微波亮温数据降尺度方法和系统 | |
Ludwig et al. | Mesoscale water balance modelling in the Upper Danube watershed using sub-scale land cover information derived from NOAA-AVHRR imagery and GIS-techniques | |
Maravelakis et al. | Automatic building identification and features extraction from aerial images: Application on the historic 1866 square of Chania Greece | |
CN113705928B (zh) | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |