CN111861222B - 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 - Google Patents
获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 Download PDFInfo
- Publication number
- CN111861222B CN111861222B CN202010713668.6A CN202010713668A CN111861222B CN 111861222 B CN111861222 B CN 111861222B CN 202010713668 A CN202010713668 A CN 202010713668A CN 111861222 B CN111861222 B CN 111861222B
- Authority
- CN
- China
- Prior art keywords
- data
- period
- ndvi
- roughness
- grassland
- 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 36
- 230000003628 erosive effect Effects 0.000 title claims abstract description 26
- 230000003746 surface roughness Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000001308 synthesis method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 244000025254 Cannabis sativa Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其包括以下步骤:步骤一,下载连续3年的MODIS 13Q1原始数据;步骤二,将NDVI数据和质量标记文件分别输出单独的.tif格式的文件;步骤三,处理得到数据质量良好的NDVI数据;步骤四,提取耕地和草地覆盖区的NDVI数据;步骤五,将每年23期NDVI数据变为24期NDVI数据;步骤六,将24期植被指数转换为24期植被覆盖度数据;步骤七,根据耕地与草地植被覆盖度与粗糙度的关系式得到粗糙度数值;步骤八,得到第某年共24期的粗糙度空间数据。本发明采用MODIS 13Q1数据有效解决了区域大尺度粗糙度的精细化反映问题和其随季节变化的特征;并提出了植被覆盖度与地表粗糙度的关系表达式。
Description
技术领域
本发明涉及土壤风蚀监测技术领域,尤其涉及一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法。
背景技术
粗糙度是表征下垫面特征的一个重要物理量,也是衡量防沙治沙效益的一个重要指标,其大小对风力侵蚀具有重要影响。在风速廓线的基础上计算得到的粗糙度,常被用来描述地表的空气动力学性质。土壤风蚀强度随着粗糙度的增大会表现出迅速变小的现象,两者具有良好的相关性,因此,在土壤风力侵蚀模型中,粗糙度常常成为反映地表对土壤风蚀影响的一个重要因素。作为风力侵蚀发生主要区域的耕地和草地,其粗糙度的准确获取,对于风力侵蚀的评估具有重要意义。
通常情况下,耕地和草地土壤表面的粗糙度取决于地表植被覆盖的高低、地表土块的粒径、地表垄沟的高低等多个因素综合影响。对于地表起伏较小、耕作制度较为一致的区域来说,植被覆盖度的大小在很大程度上对地表粗糙度发挥了重要的贡献。
在现有技术中,地表粗糙度的数据获取,主要包括以下两种方法:(1)根据相似理论,通过将不同高度的风速廓线通过函数拟合迭代得到粗糙度;(2)通过三维超声风温仪高频快速的测量风速和大气温度的脉动,再进一步根据地表的湍流特征与粗糙度参数间的关系,根据超声风温脉动数据确定粗糙度。
但是在大区域尺度的土壤风力侵蚀监测评价中,存在以下两个问题:一方面由于不同空间位置的下垫面植被覆盖状况受地表湿度、种植时间等因素影响,粗糙度在不同空间位置上存在着明显差异;另一方面地表不同下垫面特征是随季节发生快速变化的,这直接导致了粗糙度在年内的快速变化。上述的方法(1)和方法(2)都是基于单个站点的观测开展计算的,基于单点的观测与计算不能有效满足大区域尺度的风力侵蚀评价,因此存在以下两方面的问题迫切需要解决:(1)能够反映空间大尺度的变化;(2)同时能有效反映粗糙度随季节的变化特征。
发明内容
为了克服现有技术的缺陷,本发明提出了一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其目的主要是提供一种随季节发生变化的大区域尺度耕地、草地粗糙度为目标的确定方法。
本发明提出了一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,通过以下技术方案实现:
步骤一,下载连续3年的MODIS 13Q1原始数据;
步骤二,将NDVI数据和质量标记文件分别输出单独的.GIF格式的文件;
步骤三,采用最大值合成法或滤波法处理得到数据质量良好的NDVI数据;
步骤四,提取耕地和草地覆盖区的NDVI数据;
步骤五,数据序列拓展,将每年23期NDVI数据变为24期NDVI数据;
步骤六,将24期植被指数转换为24期植被覆盖度数据;
将NDVI数据利用公式(1)转换为相应的植被覆盖度FVC:
其中,FVCij表示第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;j表示第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数;FVCij介于0-100之间;NDVIij表示第i期第j个栅格的NDVI值;NDVImax,NDVImin分别表示纯植被栅格和纯裸土栅格所在的NDVIIk表示非线性系数,NDVImax,NDVImin可以采用现有技术中的累积频率法获取,
根据FVCij获得相应的每一期植被覆盖度FVCi;
步骤七,根据耕地与草地植被覆盖度与粗糙度的关系式,对土地利用为耕地和草地的栅格逐期逐栅格计算得到其24期的粗糙度数值;
耕地和草地的半月遥感植被覆盖度与地表粗糙度的关系表达式,表达式如式(2)所示:
其中,Zij为第i期第j个栅格的粗糙度数值,无量纲;FVCi为第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;i表示计算的第i期遥感影像的第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数;
步骤八,得到第某年共24期的粗糙度空间数据;
将第i期的Zij根据栅格进行组合,就可以获得第i期的粗糙度空间数据,因此根据表达式(2)可以获得第某年共24期的粗糙度空间数据。
优选的,所述步骤三采用最大值合成法或滤波法处理得到数据质量良好的NDVI数据,具体为:在matlab文件中,读取pixel_reliabilit.GIF质量标记文件,根据质量标记文件pixel_reliability.GIF中的属性标记为云和数据质量不佳的区域,对NDVI数据文件NDVI.GIF中的相应区域,如果3年内数据质量均不佳的,采用滤波法处理,否则选择近3年内相同时段的NDVI,采用最大值合成法处理。
优选的,所述步骤五数据序列拓展,将每年23期NDVI数据变为24期NDVI数据具体为:将第8期和第9期数据取均值,作为24期数据中的第9期数据,原第9期数据作为第10期数据,原第10期数据作为第11期数据,以此类推,得到1年24期的NDVI数据。
优选的,所述步骤六中的公式(1)中纯植被和纯裸土NDVImax,NDVImin使用累积频率法分别确定为98%和2%;k取1.0。
与现有技术相比,本发明具有以下有益效果:
1、采用MODIS 13Q1数据有效解决了区域大尺度粗糙度的精细化反映问题和其随季节变化的特征。
2、提出了植被覆盖度与地表粗糙度的关系表达式,可以更便捷高效的计算得到时间序列的地表粗糙度。
附图说明
图1是获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法流程图;
图2是MRT软件界面示意图;以及
图3是示例性的1期粗糙度空间数据可视化显示图。
具体实施方式
本发明是一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其具体实施方式包括步骤:
步骤一,下载连续3年的MODIS 13Q1原始数据。
下载第某年及之前2年的MODIS 13Q1原始数据,全球的MOD13Q1数据是一个采用Sinusoidal投影方式的3级网格数据产品,具有250米的空间分辨率,每隔16天提供一次,因此每年有23期数据。那么连续3年的MODIS 13Q1原始数据共有23*3=69期。
步骤二,通过MRT(MODIS重投影工具Modis Reprojection Tool)将NDVI数据和质量标记文件分别输出单独的.GIF格式的文件。
使用现有技术通过MRT读取MODIS 13Q1原始数据,然后进行投影转换。MODIS 13Q1原始数据的原投影为桑逊投影(Sinusoidal),投影转换为Albers投影,标准纬线确设定为25°N与47°N,中央经线为105°E,栅格大小250m,分别输出NDVI数据文件NDVI.GIF和质量标记文件pixel_reliability.GIF;NDVI(植被指数)数据文件中包括有MODIS 13Q1中的NDVI(植被指数)数据,质量标记文件中包括相应的质量图层。
步骤三,采用最大值合成法或滤波法处理得到数据质量良好的第某年NDVI数据。
因为NDVI数据可能受到云、大气、太阳高度角等因素的影响,因此第某年NDVI数据不可能全部良好。通过在步骤一中下载连续3年的MODIS 13Q1原始数据,进行处理可以提高第某年NDVI数据。具体采用以下方式:
在matlab文件中,读取pixel_reliabilit.GIF质量标记文件,根据质量标记文件pixel_reliability.GIF中的属性标记为云和数据质量不佳的区域,对NDVI数据文件NDVI.GIF中的相应区域,如果3年内数据质量均不佳的,采用滤波法处理,否则选择近3年内相同时段的NDVI,采用最大值合成法处理。最大值合成法和滤波法都是现有的对NDVI数据进行处理的方法,根据不同情况选择不同的处理方法,最终得到数据质量良好的第某年NDVI数据,减少了云、大气、太阳高度角等对NDVI数据的影响。
步骤四,耕地、草地NDVI数据的提取。
结合研究区的土地利用矢量或栅格格式的文件,将土地利用类别标记为耕地和草地的类筛选出来,通过ArcGIS软件的数据裁减功能,将耕地和草地覆盖区的23期NDVI数据分别裁减出来,得到23期耕地、草地类型区的NDVI数据。
步骤五,数据序列拓展。
通过数据拓展的方式将每年23期NDVI数据变为24期NDVI数据。因为MOD13Q1数据每隔16天提供一次,因此每年有23期数据。但是由于目前日常统计时通常年月日为单位,如果以半个月为一个周期,那么每年应该有24期数据,为了方便以后不同数据之间的相互配合,需要将23期NDVI数据,变为24期数据。因此本申请采用将第8期和第9期数据取均值,作为24期数据中的第9期数据,原第9期数据作为第10期数据,原第10期数据作为第11期数据,以此类推,得到1年24期的NDVI数据。
步骤六,将24期植被指数转换为24期植被覆盖度数据。
将NDVI数据利用公式(1)转换为相应的植被覆盖度FVC:
其中,FVCij表示第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;j表示第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数;FVCij介于0-100之间;NDVIij表示第i期第j个栅格的NDVI值;NDVImax,NDVImin分别表示纯植被栅格和纯裸土栅格所在的NDVI,k表示非线性系数。NDVImax,NDVImin可以采用现有技术中的累积频率法获取,在本实施例中纯植被和纯裸土NDVImax,NDVImin使用累积频率法分别确定为98%和2%;k在默认情况下取1.0,在有野外实测资料的时候,k的取值可以结合野外实测资料取值。
因为公式(1)通过NDVIij值可以计算获得每一期每个耕地和草地栅格的植被覆盖度FVCij,那么根据FVCij就可以获得相应的每一期植被覆盖度FVCi。
步骤七,根据耕地与草地植被覆盖度与粗糙度的关系式,对土地利用为耕地和草地的栅格逐期逐栅格计算得到其24期的粗糙度数值。
耕地和草地的半月遥感植被覆盖度与地表粗糙度的关系表达式,表达式如式(2)所示:
其中,Zij为第i期第j个栅格的粗糙度数值,无量纲;FVCi为第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;i表示计算的第i期遥感影像的第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数。
本实施例中耕地和草地的半月遥感植被覆盖度与地表粗糙度的关系表达式是根据历史记录中,野外调查当日监测采集的植被覆盖度和地表粗糙度的现有数据,在excel中对x(植被覆盖度)和y(地表粗糙度)散点描出图像曲线,可看到其基本为一条直线。因此根据现有数据的植被覆盖度和地表粗糙度使用最小二乘法作线性拟合,可得到植被覆盖度和地表粗糙度表达式。本实施例中采用我国西北半干旱草原区的中宁县、沙坡头区和东部黄泛平原区的巨野县、成武县、定陶区、高唐县、宁津县、惠民县、无棣县、沾化区等区域2016-2019年4年间野外实际测量的植被覆盖度和地表粗糙度数据,数据样点共计近380个,在Matlab软件中采用regress函数作最小二乘法作线性拟合得到耕地和草地的半月遥感植被覆盖度与地表粗糙度的关系表达式,可以反映不同季节的植被覆盖度和地表粗糙度状况。对公式(2)使用其它地区数据进行公式检验,在0.1显著性水平上达到显著,表明该表达式可以较好的展示植被覆盖度与地表粗糙度之间的相关关系,使用本公式获得的数值和实际值基本吻合,因此本公式是有效的。
步骤八,得到第某年共24期的粗糙度空间数据。
将第i期的Zij根据栅格进行组合,就可以获得第i期的粗糙度空间数据,因此根据表达式(2)可以获得第某年共24期的粗糙度空间数据。
粗糙度作为风力侵蚀的一个重要影响因素,其在空间上的数值和年内变化的精确计算对风力侵蚀评价至关重要。通过本发明计算得到的24期粗糙度空间数据可以有效解决两大问题:(1)耕地、草地地表粗糙度在区域空间上分布的精细反映;(2)耕地、草地地表粗糙度在年内季节变化的精细反映。通过对耕地和草地地表粗糙度更好的模拟与反映,可以有效提高地表风力侵蚀的计算精度,为风力侵蚀监测评价、水土保持措施布置、水土流失防治提供科学依据。
最后应说明的是:以上所述的各实施例仅用于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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,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范围。
Claims (4)
1.一种获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其特征在于:其包括以下步骤:
步骤一,下载连续3年的MODIS 13Q1原始数据;
步骤二,将NDVI数据和质量标记文件分别输出单独的.GIF格式的文件;
步骤三,采用最大值合成法或滤波法处理得到数据质量良好的NDVI数据;
步骤四,提取耕地和草地覆盖区的NDVI数据;
步骤五,数据序列拓展,将每年23期NDVI数据变为24期NDVI数据;
步骤六,将24期植被指数转换为24期植被覆盖度数据;
将NDVI数据利用公式(1)转换为相应的植被覆盖度FVC:
其中,FVCij表示第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;j表示第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数;FVCij介于0-100之间;NDVIij表示第i期第j个栅格的NDVI值;NDVImax,NDVImin分别表示纯植被栅格和纯裸土栅格所在的NDVI,k表示非线性系数,NDVImax,NDVImin可以采用现有技术中的累积频率法获取,
根据FVCij获得相应的每一期植被覆盖度FVCi;
步骤七,根据耕地与草地植被覆盖度与粗糙度的关系式,对土地利用为耕地和草地的栅格逐期逐栅格计算得到其24期的粗糙度数值;
耕地和草地的半月遥感植被覆盖度与地表粗糙度的关系表达式,表达式如式(2)所示:
其中,Zij为第i期第j个栅格的粗糙度数值,无量纲;FVCi为第i期第j个栅格的植被覆盖度;i表示要计算的遥感植被覆盖度数据的期数,i=1,2,3,..24,共计24期;i表示计算的第i期遥感影像的第j个栅格,j=1,2,3,..n,共计n个栅格;n表示计算的第i期遥感数据的总栅格数;
步骤八,得到第某年共24期的粗糙度空间数据;
将第i期的Zij根据栅格进行组合,就可以获得第i期的粗糙度空间数据,因此根据表达式(2)可以获得第某年共24期的粗糙度空间数据。
2.根据权利要求1所述的获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其特征在于:所述步骤三采用最大值合成法或滤波法处理得到数据质量良好的NDVI数据,具体为:
在matlab文件中,读取pixel_reliabilit.GIF质量标记文件,根据质量标记文件pixel_reliability.GIF中的属性标记为云和数据质量不佳的区域,对NDVI数据文件NDVI.GIF中的相应区域,如果3年内数据质量均不佳的,采用滤波法处理,否则选择近3年内相同时段的NDVI,采用最大值合成法处理。
3.根据权利要求1所述的获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其特征在于:所述步骤五数据序列拓展,将每年23期NDVI数据变为24期NDVI数据具体为:
将第8期和第9期数据取均值,作为24期数据中的第9期数据,原第9期数据作为第10期数据,原第10期数据作为第11期数据,以此类推,得到1年24期的NDVI数据。
4.根据权利要求1所述的获取面向区域尺度风力侵蚀的耕地和草地粗糙度的方法,其特征在于:所述步骤六中的公式(1)中纯植被和纯裸土NDVImax,NDVImin使用累积频率法分别确定为98%和2%;k取1.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713668.6A CN111861222B (zh) | 2020-07-22 | 2020-07-22 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713668.6A CN111861222B (zh) | 2020-07-22 | 2020-07-22 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861222A CN111861222A (zh) | 2020-10-30 |
CN111861222B true CN111861222B (zh) | 2023-11-14 |
Family
ID=72951041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713668.6A Active CN111861222B (zh) | 2020-07-22 | 2020-07-22 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868826B (zh) * | 2021-06-24 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 一种基于栅格尺度耕地农田生产能力重心变化的测度方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050063615A (ko) * | 2003-12-22 | 2005-06-28 | 재단법인 포항산업과학연구원 | 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법 |
CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
CN103810706A (zh) * | 2014-01-27 | 2014-05-21 | 鲁东大学 | 一种地表粗糙度参与阴影模型的遥感图像反立体校正方法 |
CN104657995A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 利用区域分裂技术的遥感影像分割方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN109345611A (zh) * | 2018-10-31 | 2019-02-15 | 龙源(北京)风电工程设计咨询有限公司 | 一种基于遥感影像的地表粗糙度图的制图方法 |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
CN110441305A (zh) * | 2019-08-16 | 2019-11-12 | 中国航发北京航空材料研究院 | 一种二次喷丸的表面覆盖率检验方法 |
CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
CN111143999A (zh) * | 2019-12-26 | 2020-05-12 | 广东电网有限责任公司电力科学研究院 | 一种区域地表粗糙度的计算方法、装置和设备 |
CN111368258A (zh) * | 2020-03-04 | 2020-07-03 | 中国科学院东北地理与农业生态研究所 | 一种湿润地区日蒸散量的估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170172125A1 (en) * | 2015-12-22 | 2017-06-22 | Shelby LaCroix | Fishing-lure enhanced rattle apparatus and method |
-
2020
- 2020-07-22 CN CN202010713668.6A patent/CN111861222B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050063615A (ko) * | 2003-12-22 | 2005-06-28 | 재단법인 포항산업과학연구원 | 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법 |
CN103810706A (zh) * | 2014-01-27 | 2014-05-21 | 鲁东大学 | 一种地表粗糙度参与阴影模型的遥感图像反立体校正方法 |
CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
CN104657995A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 利用区域分裂技术的遥感影像分割方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN109345611A (zh) * | 2018-10-31 | 2019-02-15 | 龙源(北京)风电工程设计咨询有限公司 | 一种基于遥感影像的地表粗糙度图的制图方法 |
CN109615215A (zh) * | 2018-12-06 | 2019-04-12 | 西安理工大学 | 一种区域植被恢复的特征分析方法 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
CN110441305A (zh) * | 2019-08-16 | 2019-11-12 | 中国航发北京航空材料研究院 | 一种二次喷丸的表面覆盖率检验方法 |
CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
CN111143999A (zh) * | 2019-12-26 | 2020-05-12 | 广东电网有限责任公司电力科学研究院 | 一种区域地表粗糙度的计算方法、装置和设备 |
CN111368258A (zh) * | 2020-03-04 | 2020-07-03 | 中国科学院东北地理与农业生态研究所 | 一种湿润地区日蒸散量的估算方法 |
Non-Patent Citations (10)
Title |
---|
农田与草地下垫面空气动力学粗糙度的研究;鞠英芹等;科技通报;第32卷(第8期);全文 * |
几种典型地表粗糙度计算方法的比较研究;周艳莲;孙晓敏;朱治林;温学发;田静;张仁华;;地理研究(第05期);全文 * |
喀斯特地区区域尺度土壤侵蚀地形因子研究;赵斯琦;王晓红;舒天竹;唐睿;;干旱区资源与环境(第05期);全文 * |
基于NDVI的云南省植被覆盖变化的研究分析;张学林等;现代化农业;全文 * |
基于泥沙记录和坡面示踪的祁连山现代地表侵蚀速率研究;耿豪鹏;中国博士学位论文全文数据库 农业科技辑(第1期);全文 * |
基于遥感的海南岛橡胶林零平面位移和粗糙度估算;刘少军;易雪;张京红;蔡大鑫;田光辉;李伟光;;热带作物学报(第10期);全文 * |
植被覆盖地表土壤水分遥感反演;周鹏;丁建丽;王飞;古丽加玛丽・吾不力;张治广;;遥感学报(第05期);全文 * |
淮河流域黄泛区风水侵蚀格局及其驱动因子研究;王友胜;中国优秀硕士学位论文全文数据库 农业科技辑(第2期);全文 * |
藏北高原那曲地区不同下垫面地表粗糙度的变化特征研究;刘啸然;李茂善;胡文斌;;高原气象(第02期);全文 * |
阴山北麓耕地地表空气动力学粗糙度的试验研究;申向东;张雅静;;农业环境科学学报(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861222A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Satellite-derived LAI products exhibit large discrepancies and can lead to substantial uncertainty in simulated carbon and water fluxes | |
Marek et al. | Post-processing techniques for reducing errors in weighing lysimeter evapotranspiration (ET) datasets | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
Hubbard | Spatial variability of daily weather variables in the high plains of the USA | |
Jönsson et al. | TIMESAT—a program for analyzing time-series of satellite sensor data | |
CN108717044B (zh) | 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法 | |
CN106019408B (zh) | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 | |
CN107014753B (zh) | 作物长势监测方法和系统 | |
Liou et al. | An application of the immersed boundary method for recovering the three-dimensional wind fields over complex terrain using multiple-Doppler radar data | |
WO2020192586A1 (zh) | 一种田间小麦茎蘖数提取方法 | |
Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Yin et al. | Estimation of grassland height based on the random forest algorithm and remote sensing in the Tibetan Plateau | |
CN111861222B (zh) | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 | |
CN110569523A (zh) | 土壤风蚀模型建立方法及风蚀快速估算系统 | |
Raziei et al. | Performance evaluation of NCEP/NCAR reanalysis blended with observation-based datasets for estimating reference evapotranspiration across Iran | |
Hu et al. | Phenotyping of poplar seedling leaves based on a 3D visualization method | |
CN115327666A (zh) | 一种新型气象站用参考作物蒸散量测定方法及设备 | |
Zhang et al. | Soil Moisture Estimation for Winter-Wheat Waterlogging Monitoring by Assimilating Remote Sensing Inversion Data into the Distributed Hydrology Soil Vegetation Model | |
CN112733445A (zh) | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 | |
Liu et al. | Vegetation mapping for regional ecological research and management: a case of the Loess Plateau in China | |
Ribeiro et al. | Role of measurement uncertainty in the comparison of average areal rainfall methods | |
Yidan et al. | Rapeseed 3D reconstruction and morphological parameter measurement based on laser point cloud |
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 |