CN111721714B - 一种基于多源光学遥感数据的土壤含水量估算方法 - Google Patents

一种基于多源光学遥感数据的土壤含水量估算方法 Download PDF

Info

Publication number
CN111721714B
CN111721714B CN202010484759.7A CN202010484759A CN111721714B CN 111721714 B CN111721714 B CN 111721714B CN 202010484759 A CN202010484759 A CN 202010484759A CN 111721714 B CN111721714 B CN 111721714B
Authority
CN
China
Prior art keywords
image
pixel
remote sensing
water content
spatial
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
Application number
CN202010484759.7A
Other languages
English (en)
Other versions
CN111721714A (zh
Inventor
杨曦光
陈洁
范文义
张泽林
田雅慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN202010484759.7A priority Critical patent/CN111721714B/zh
Publication of CN111721714A publication Critical patent/CN111721714A/zh
Application granted granted Critical
Publication of CN111721714B publication Critical patent/CN111721714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于多源光学遥感数据的土壤含水量估算方法，涉及农业环境检测技术领域，针对现有技术中利用探针或重量测量法测定不同深度层次的土壤湿度时，很难实现大区域土壤含水量监测的问题，本发明综合了高光谱数据的光谱特征和高空间分辨率图像的高空间分辨率特征，通过数据复合和拆分，构建高空间分辨率高光谱数据，再利用模型完成土壤水分的估算。本发明可以实现大区域土壤含水量的监测。

Description

一种基于多源光学遥感数据的土壤含水量估算方法
技术领域
本发明涉及农业环境检测技术领域，具体为一种基于多源光学遥感数据的土壤含水量估算方法。
背景技术
土壤水分是水分循环的重要组成部分，在地-气间的物质与能量交换中发挥着重要作用。同时，土壤水分也是生态系统的重要组成部分，是动、植物以及微生物生存生活的重要资源之一，同时也是研究陆地表面水循环、农业灌溉管理、气候变化和环境监测等系统中的一个重要变量，因此，准确估算土壤水分的时空变化对于陆表生态环境研究是至关重要的。
目前，土壤含水量的监测方法有传统测量方法和非接触性参数估计。传统测量土壤含水量的方法是利用探针或重量测量法测定不同深度层次的土壤湿度，其优点是测量精度较高，且不易受大气、植被和土壤质地、类型的影响，但这些方法只适应于小区域土壤水分信息的采集，很难实现大区域土壤含水量的监测。
发明内容
本发明的目的是：针对现有技术中利用探针或重量测量法测定不同深度层次的土壤湿度时，很难实现大区域土壤含水量监测的问题，提出一种基于多源光学遥感数据的土壤含水量估算方法。
本发明为了解决上述技术问题采取的技术方案是：
一种基于多源光学遥感数据的土壤含水量估算方法，包括以下步骤：
步骤一：获取待测区域的高光谱图像IMH，并对其进行混合像元分解，得到不同地物类型纯像元数据集，并提取不同地物类型纯像元数据集的反射光谱RH，RH＝{RH1，RH2，RH3，RH4……RHn}，其中RH1，RH2，RH3，RH4……RHn为待测区域n种不同纯地物类型反射光谱；
步骤二：获取待测区域的高空间分辨率图像IMg，并对其进行混合像元分解，得到各地物类型在单个像素中端元丰度数据集，并定义高空间分辨率图像任意像元的像元值Rg＝Fg*Rgc，其中Rgc为纯地物类型光谱矩阵，Rgc＝{Rgc1，Rgc2，Rgc3，…Rgcn}，Fg为不同类型地物在一个像元内端元丰度分布函数，Fg＝{Fg1，Fg2，Fg3，…Fgn}；
步骤三：对高光谱图像IMH进行重采样，使高光谱图像IMH像素分辨率与高空间分辨率图像IMg像素大小相同，并定义重采样图像为IMrs，其像素值定义为Rrs；
步骤四：计算重采样之后高光谱图像IMrs的像素值，用Rrs表示，并根据步骤一提取不同地物类型纯像元数据集的反射光谱RH和步骤二得到像元内端元丰度分布函数Fg，重构图像每个像元的高光谱反射特征，即Rrs＝RH*Fg，即IMrs的像素值；
步骤五：获取野外土壤水分数据及其反射光谱值，然后筛选出相关系数高的波段建立土壤水分反演自变量集合，之后将土壤水分反演自变量集合与野外土壤水分数据输入到神经网络模型中，通过网络拟合建立土壤水分遥感反演神经网络模型；
步骤六：将IMrs的像素值输入土壤水分遥感反演神经网络模型中，完成土壤含水量的估算。
进一步的，所述步骤一中对高光谱图像IMH进行混合像元分解是利用非负矩阵分解进行的。
进一步的，所述步骤二中对高空间分辨率图像IMg进行混合像元分解是利用非负矩阵分解进行的。
进一步的，所述神经网络为BP神经网络。
进一步的，所述BP神经网络的激活函数为高斯函数。
进一步的，在所述步骤一中对高光谱图像IMH进行混合像元分解之前，对高光谱图像进行预处理，所述预处理包括空间预处理和光谱预处理，所述空间预处理用于获取空间均质且纯度较高的端元，所述光谱预处理用于端元提取。
进一步的，在所述步骤二中对高空间分辨率图像IMg进行混合像元分解之前，对高空间分辨率图像进行空间预处理，所述空间预处理用于获取空间均质且纯度较高的端元。
进一步的，所述空间预处理的步骤为：
首先计算空间预处理过程中的空间权重因子，其表达式为：
Figure GDA0003017773720000021
α(i,j)表示它与邻域像元的空间相似性程度，
然后计算空间预处理后的图像，
Figure GDA0003017773720000022
其中，R(i,j)'为加权后的图像的值，
Figure GDA0003017773720000023
为原始图像IMg的所有像元的光谱均值。
本发明的有益效果是：本发明综合了高光谱数据的光谱特征和高空间分辨率图像的高空间分辨率特征，通过数据复合和拆分，构建高空间分辨率高光谱数据，再利用模型完成土壤水分的估算。本发明可以实现大区域土壤含水量的监测。
附图说明
图1为本发明土壤含水量估算方法程序框图；
图2为预测值与实测值比较图；
图3为反演效果图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种基于多源光学遥感数据的土壤含水量估算方法，包括以下步骤：
步骤一：获取待测区域的高光谱图像IMH，并对其进行混合像元分解，得到不同地物类型纯像元数据集，并提取不同地物类型纯像元数据集的反射光谱RH，RH＝{RH1，RH2，RH3，RH4……RHn}，其中RH1，RH2，RH3，RH4……RHn为不同纯地物类型反射光谱；
步骤二：获取待测区域的高空间分辨率图像IMg，并对其进行混合像元分解，得到各地物类型在单个像素中端元丰度数据集，并定义高空间分辨率图像任意像元的像元值Rg＝Fg*Rgc，其中Rg为纯地物类型光谱矩阵，Rgc＝{Rgc1，Rgc2，Rgc3，…Rgcn}，Fg为不同类型地物(端元)在一个像元内端元丰度分布函数，Fg＝{Fg1，Fg2，Fg3，…Fgn}；
步骤三：对高光谱图像IMH进行重采样，使高光谱图像IMH像素分辨率与高空间分辨率图像IMg像素大小相同，并定义重采样图像为IMrs，其像素值为Rrs；
步骤四：计算重采样之后高光谱图像IMrs的像素值，并定义该图像每个像元值为Rrs，并根据步骤一提取不同地物类型纯像元数据集的反射光谱RH和步骤二得到像元内端元丰度分布函数Fg，重构图像每个像元的高光谱反射特征，即Rrs＝RH*Fg，即IMrs的像素值；
步骤五：获取野外土壤水分数据及其反射光谱值，然后筛选出相关系数高的波段建立土壤水分反演自变量集合，之后将土壤水分反演自变量集合与野外土壤水分数据输入到神经网络模型中，通过网络拟合建立土壤水分遥感反演神经网络模型；
步骤六：将IMrs的像素值输入土壤水分遥感反演神经网络模型中，完成待测区域土壤含水量的估算。
本发明的具体流程图如图1所示，本发明是在应用高光谱特征基础上，从高空间分辨率图像上估算土壤含水量。本方法充分兼顾光谱特征和高空间分辨率特征，利用定量遥感方法进行参数估计，得到高空间分辨率的土壤含水量数据。具体流程如下：
高光谱图像IMH进行混合像元分解，提取纯像元，建立纯像元数据集；
使用非负矩阵分解对高光谱图像IMH进行混合像元分解，得到不同地物类型纯像元数据集，并提取其反射光谱RH，RH＝{RH1，RH2，RH3，RH4……RHn}，其中RH1，RH2，RH3，RH4……RHn为待测区域n种不同纯地物类型反射光谱。
高光谱图像进行混合像元分解时，一个主要问题是有可能出现负值，这是不符合常理的。非负矩阵分解作为一种盲源分解方法，其最大的特点是分解前后的矩阵结果具有非负性，保证了混合像元分解的正确性。采用非负矩阵分解法是混合像元分解正确性的第一重保障。
高光谱图像在进行混合像元分解过程之前，可以先对高光谱图像进行预处理，包括空间和光谱的预处理。空间预处理将高光谱图像中的空间信息加入到只依赖光谱信息来提取端元的算法中。空间预处理的特点是第一，空间预处理不用对端元提取算法做任何修改；第二空间预处理可以增强图像中均质区域的端元搜索能力，很适用于那些有大量均质地物的图像。空间光谱预处理目的是获取空间均质且纯度较高的端元。目的是使计算的丰度分布函数更为准确，空间光谱预处理能够提供端元提取精度，降低噪声，但不会增加提取的复杂性。
效果：使用非负矩阵分解对高光谱图像进行混合像元分解，较其他方法相比，不会出现负值，因此，较其他方法错误率有明显降低。使用预处理的效果：预处理可以达到对预选端元优化的目的，预处理之后的预选单元可以为非负矩阵分解提供更好的初始值，提高分解预算速度，得到更好的混合像元分解结果。经测试，使用预处理的混合像元分解结果与未使用预处理混合像元分解结果对比发现，未使用预处理分解结果与参考结果之间的均方根误差RMSE为0.0749；使用空间处理的结果与参考结果之间均方根误差RMSE为0.0619；而使用光谱预处理结果与参考结果之间RMSE为0.0542。
高空间分辨率图像IMg混合像元分解，得到各地物类型在单个像素中端元丰度数据集；
使用非负矩阵分解对高空间分辨率图像IMg进行混合像元分解，得到各地物类型在单个像素中端元丰度数据集，并定义高空间分辨率图像任意像元的像元值Rg＝Fg*Rgc，其中Rgc为纯地物类型光谱矩阵，Rgc＝{Rgc1，Rgc2，Rgc3，…Rgcn}，Fg为不同类型地物(端元)在一个像元内端元丰度分布函数，Fg＝{Fg1，Fg2，Fg3，…Fgn}。
根据邻域像元的光谱相似程度所提出的比例因子对原始单形体进行修正，使得单形体顶点更有可能是位于空间均质区域的纯像元。
Figure GDA0003017773720000041
上式中，R(i,j)'为加权后的图像的值，
Figure GDA0003017773720000042
为原始图像IMg的所有像元的光谱均值。
为空间权重因子，其表达式为：
Figure GDA0003017773720000051
α(i,j)表示它与邻域像元的空间相似性程度，可通过以R(i,j)为中心建立的一个Q*Q(Q为奇数)的正方形邻居窗口计算得到。
考虑到高空间分辨率数据光谱维度信息较少，对高空间分辨率图像进行混合像元分解前，只做空间预处理，在保证精度的前提下，提高数据处理速度。
高光谱图像IMH进行重采样，使其与高空间分辨率图像分辨率相同；
对高光谱图像IMH进行重采样，使其像素分辨率与高空间分辨率图像IMg像素大小相同，并定义重采样图像为IMrs。
重采样的高光谱数据进行光谱重建；
计算重采样之后高光谱图像IMrs的像素值。定义该图像每个像元值为Rrs，那么根据混合像元分解原理可知，该像元反射光谱Rrs等于像元内不同类型地物(端元)反射光谱Rrsd及其丰度比例Frsd的加权平均，即Rrs＝Frsd*Rrsd。重构图像中，每个像元中不同类型地物(端元)不同类型地物(端元)在一个像元中丰度比例Frsd与高空间分辨率图像每个像元不同地物所占比例应该是相同的，所以，Frsd＝Fg。而纯像元的反射光谱应与IMH纯像元反射光谱相同，即，Rrsd＝RH。而Fg和RH是可以通过第1和2步计算，从而得到重构图像每个像元的高光谱反射特征Rrs＝RH*Fg，即IMrs的像素值。
基于光谱的神经网络模型进行土壤水分估算；
主要是在结合光谱分析基础上，利用调查数据对神经网络模型进行训练和参数拟合，在一定精度要求下得到最优训练网络，建立光谱的土壤水分估算方法。
具体操作包括，首先利用野外采集的土壤水分数据及其反射光谱值进行统计分析，筛选出相关系数高的波段建立土壤水分反演自变量集合。其次将自变量集与土壤含水量数据输入到神经网络模型中，通过网络拟合建立土壤水分遥感反演神经网络模型。本研究使用的是改进的误差反向传输神经网络。误差反向传输神经网络模型是使用较多的一种神经网络模型，但它存在收敛速度慢；学习算法陷入局部极小值；训练过程容易震荡，而导致网络不收敛等缺点。针对以上问题，我们对BP神经网络的激活函数进行修改，使用高斯函数作为激活函数建立误差反向传输神经网络模型，构建改进的误差反向传输神经网络模型。
使用同一组数据拟合比较，与传统的BP相比，改进的BP神经网络模型最小迭代次数为1208，最大迭代次数为2176，平均迭代1679，预测的RMSE为0.128。而传统的BP神经网络模型最小迭代次数为5570，最大迭代次数为8499，平均迭代6841，预测的RMSE为0.136。通过对比可以发现，改进的BP神经网络模型在保证精度的前提下大大降低了迭代次数，从而有效的节省了网络训练时间。
高空间分辨率土壤水分空间分布制图；
将训练好的神经网络模型应用到进行光谱重建的重采样图像上，得到研究区域土壤含水量空间分布制图。
本发明的创新点在于综合了高光谱数据的光谱特征和高空间分辨率图像的高空间分辨率特征，通过数据复合和拆分，构建高空间分辨率高光谱数据，再利用模型完成土壤水分的估算。高分2号遥感数据属于高空间分辨率数据，其空间分辨率为2m，波段数4个，光谱分辨率大于100nm。而高分5号遥感数据为高光谱数据，其空间分辨率为30m，波段数为330个，光谱分辨率为5-10nm。本发明以高分2号和高分5号遥感数据作为样例数据进行分析。如图3所示。
1、单纯使用高分2号遥感数据进行土壤水分含量估算，其反射光谱与土壤含水量之间的相关系数为0.4046，预测误差大于30％，RMSE＝0.0204g/g。
2、单纯使用高分5号遥感数据进行土壤水分含量估算，反射光谱与土壤含水量之间的相关系数为0.53，模型的均方根误差为0.020g/g。
3、而利用本方法结合神经网络建立土壤含水量遥感估算模型预测误差为10.21％，预测值与实测值相关系数为0.91，RMSE为0.0041g/g。反演结果优于任何一种单一遥感数据，并且反演过程中使用了高光谱数据的光谱特征，反演结果兼具了高空间分辨率特征。该方法不仅保证了空间分辨率，同时增加了光谱可辨识度。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (8)

1.一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于包括以下步骤：
步骤一：获取待测区域的高光谱图像IMH，并对其进行混合像元分解，得到不同地物类型纯像元数据集，并提取不同地物类型纯像元数据集的反射光谱RH，RH＝{RH1，RH2，RH3，RH4……RHn}，其中RH1，RH2，RH3，RH4……RHn为待测区所包含的n种不同纯地物类型反射光谱；
步骤二：获取待测区域的高空间分辨率图像IMg，并对其进行混合像元分解，得到各地物类型在单个像素中端元丰度数据集，并定义高空间分辨率图像任意像元的像元值Rg＝Fg*Rgc，其中Rgc为纯地物类型光谱矩阵，Rgc＝{Rgc1，Rgc2，Rgc3，…Rgcn}，Fg为不同类型地物在一个像元内端元丰度分布函数，Fg＝{Fg1，Fg2，Fg3，…Fgn}；
步骤三：对高光谱图像IMH进行重采样，使高光谱图像IMH像素分辨率与高空间分辨率图像IMg像素大小相同，并定义重采样图像为IMrs，其像素值定义为Rrs；
步骤四：计算重采样之后高光谱图像IMrs的像素值，用Rrs表示，并根据步骤一提取不同地物类型纯像元数据集的反射光谱RH和步骤二得到像元内端元丰度分布函数Fg，重构图像每个像元的高光谱反射特征，即Rrs＝RH*Fg，即IMrs的像素值；
步骤五：获取野外土壤水分数据及其反射光谱值，然后筛选出相关系数高的波段建立土壤水分反演自变量集合，之后将土壤水分反演自变量集合与野外土壤水分数据输入到神经网络模型中，通过网络拟合建立土壤水分遥感反演神经网络模型；
步骤六：将IMrs的像素值输入土壤水分遥感反演神经网络模型中，完成待测区域土壤含水量的估算。
2.根据权利要求1所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于所述步骤一中对高光谱图像IMH进行混合像元分解是利用非负矩阵分解进行的。
3.根据权利要求1所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于所述步骤二中对高空间分辨率图像IMg进行混合像元分解是利用非负矩阵分解进行的。
4.根据权利要求1所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于所述神经网络为BP神经网络。
5.根据权利要求4所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于所述BP神经网络的激活函数为高斯函数。
6.根据权利要求1所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于在所述步骤一中对高光谱图像IMH进行混合像元分解之前，对高光谱图像进行预处理，所述预处理包括空间预处理和光谱预处理，所述空间预处理用于获取空间均质且纯度较高的端元，所述光谱预处理用于端元提取。
7.根据权利要求1所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于在所述步骤二中对高空间分辨率图像IMg进行混合像元分解之前，对高空间分辨率图像进行空间预处理，所述空间预处理用于获取空间均质且纯度较高的端元。
8.根据权利要求6或7所述的一种基于多源光学遥感数据的土壤含水量估算方法，其特征在于所述空间预处理的步骤为：
首先计算空间预处理过程中的空间权重因子，其表达式为：
Figure FDA0003017773710000021
α(i,j)表示它与邻域像元的空间相似性程度，
然后计算空间预处理后的图像，
Figure FDA0003017773710000022
其中，R(i,j)'为加权后的图像的值，
Figure FDA0003017773710000023
为原始图像IMg的所有像元的光谱均值。
CN202010484759.7A 2020-06-01 2020-06-01 一种基于多源光学遥感数据的土壤含水量估算方法 Active CN111721714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010484759.7A CN111721714B (zh) 2020-06-01 2020-06-01 一种基于多源光学遥感数据的土壤含水量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010484759.7A CN111721714B (zh) 2020-06-01 2020-06-01 一种基于多源光学遥感数据的土壤含水量估算方法

Publications (2)

Publication Number Publication Date
CN111721714A CN111721714A (zh) 2020-09-29
CN111721714B true CN111721714B (zh) 2021-07-09

Family

ID=72565636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010484759.7A Active CN111721714B (zh) 2020-06-01 2020-06-01 一种基于多源光学遥感数据的土壤含水量估算方法

Country Status (1)

Country Link
CN (1) CN111721714B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466143B (zh) * 2021-07-01 2023-08-29 中煤航测遥感集团有限公司 土壤养分反演方法、装置、设备及介质
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
CN115372282B (zh) * 2022-10-19 2023-04-18 深圳大学 一种基于无人机高光谱影像的农田土壤含水量监测方法
CN116229285B (zh) * 2023-05-06 2023-08-04 深圳大学 融合物联网数据和空间场景的土壤含水量监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829872B (zh) * 2019-01-22 2022-11-22 河南农业大学 一种用于内陆水体遥感的多时相多源遥感影像融合方法

Also Published As

Publication number Publication date
CN111721714A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111721714B (zh) 一种基于多源光学遥感数据的土壤含水量估算方法
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN112348812B (zh) 林分年龄信息测量方法及装置
Xie et al. A comparison of two models with Landsat data for estimating above ground grassland biomass in Inner Mongolia, China
Jia et al. Long-term global land surface satellite (GLASS) fractional vegetation cover product derived from MODIS and AVHRR data
Sun et al. Satellite data cloud detection using deep learning supported by hyperspectral data
CN112836610A (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN105975912B (zh) 基于神经网络的高光谱图像非线性解混方法
CN105608293A (zh) 融合光谱与纹理特征的森林地上生物量反演方法及系统
CN106483147B (zh) 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN112861435B (zh) 一种红树林质量遥感反演方法及智能终端
CN110807744B (zh) 一种基于卷积神经网络的图像去雾方法
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN116403048B (zh) 一种基于多模态数据融合的农作物生长估计模型构建方法
Niemi et al. Bayesian spatial point process modeling of line transect data
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
Rakuasa et al. Analysis of Vegetation Index in Ambon City Using Sentinel-2 Satellite Image Data with Normalized Difference Vegetation Index (NDVI) Method based on Google Earth Engine
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN116432849B (zh) 一种基于初级生产力数据同化的叶面积指数预测方法
CN112464172A (zh) 生长参数主被动遥感反演方法及装置
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Ayub et al. Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning
CN114782835B (zh) 作物倒伏面积比例检测方法及装置
Liu et al. Multifractal detrended fluctuation analysis of regional precipitation sequences based on the CEEMDAN-WPT

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