CN112001121B - 基于太阳辐射的大面积平缓地区预测性土壤制图方法 - Google Patents
基于太阳辐射的大面积平缓地区预测性土壤制图方法 Download PDFInfo
- Publication number
- CN112001121B CN112001121B CN202010862190.3A CN202010862190A CN112001121B CN 112001121 B CN112001121 B CN 112001121B CN 202010862190 A CN202010862190 A CN 202010862190A CN 112001121 B CN112001121 B CN 112001121B
- Authority
- CN
- China
- Prior art keywords
- soil
- surface temperature
- mapping
- angleslp
- earth surface
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- G01N21/17—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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供一种基于太阳辐射的大面积平缓地区预测性土壤制图方法,步骤一,捕捉地表热量响应过程:选定观测日或观测时段后,利用中分辨率成像光谱仪的遥感传感器捕捉地表热量对太阳辐射的动态响应曲线图;步骤二,构建环境协同变量:采用数学方法对步骤一获得的动态响应曲线图进行定量分析并提取特征参数作为环境协同变量;步骤三,建立机器学习模型进行土壤属性预测制图。该方法解决了难以对平缓地区进行有效土壤制图的难题,显著提高了平缓地区土壤推测制图的准确性和效率,减少了土壤调查制图的时间和经济成本,可以满足土壤相关行业对准确土壤空间信息的应用需求。
Description
技术领域
本发明提供一种基于太阳辐射的大面积平缓地区预测性土壤制图方法,属于预测性数字土壤制图领域。
背景技术
常规土壤制图方法是以土壤调查专家通过大量野外调查获得的经验知识为土壤景观模型的基础,以多边形为基本表达方式,通过手工根据地形图或航片等底图将不同的土壤类型或土壤类型组合绘制在空间范围上。该方法的制图准确性不高,效率很低,多边形勾绘方式与现在以栅格表达为主其他地理要素数据不匹配,另外制图更新困难、周期漫长。
随着数字地形分析等地理信息技术的发展,预测性(数字)土壤制图逐渐发展起来,它利用数字格式土壤属性和成土因素数据,采用定量的土壤景观模型,以栅格为表达方式,借助计算机生成数字格式的土壤图。栅格表达使生成的土壤图可更详细地刻画土壤空间变化,定量模型计算机制图使更准确的土壤制图成为可能。预测性土壤制图技术目前仍处于的研发阶段,其模型结构由简单到复杂,已从经典统计(多元回归和判别分析等),发展到空间统计方法(普通克里格、协同克里格、回归克里格、地理加权回归等),再到机器学习方法(聚类分析、分类回归树、支持向量机、人工神经网络、随机森林等)和专家知识推理系统。然而,这些方法应用大多集中在地形梯度较大的山地丘陵区,缺少针对平缓地区的土壤制图方法。
对于平缓地区,最简单的方法是通过大量的土壤采样使用普通克里格等空间插值方法获取空间上连续的土壤分布信息。但该方法需要大量的野外调查样本,成本太高,对于面积大或野外可达性差的区域是不现实的。
第二种方法是遥感解译分类技术,一种方式是对Landsat TM等遥感多波段影像进行假彩色合成,对合成影像进行人工可视化解译,勾绘不同土壤类别图斑,生成土壤分布图;另一种方式是采用最大似然度等分类算法在计算机中对多波段遥感影像进行自动分类,生成土壤分布图。但该方法往往发现平坦区域不同制图单元的影像可分离程度差,制图准确性远低于地形梯度较大的山地丘陵地区,其原因在于,观测到的植被条件与土壤的相关性较弱,遥感影像没能有效地捕捉到该区域土壤空间变化的主导因素信息。
第三种方法是土壤光谱反演技术,基于土壤样本点建立机载或星载可见光-红外光谱遥感光谱与某土壤属性的多元线性回归等统计模型,估算土壤属性空间分布。该方法多光谱遥感通常难以剔除植被的复合影响,应用局限于裸土区域,而且仅能探测土壤表面3-5个毫米的信息;
综上所述,目前平缓地区土壤预测性制图的准确性通常较差,不能满足相关行业对土壤空间信息的应用需求,如何对平缓地区进行土壤制图,尚缺乏有效的方法,一直是数字土壤制图领域的一个难题。
发明内容
本发明为了解决现有技术中存在的上述缺陷和不足,提供了一种基于太阳辐射的大面积平缓地区预测性土壤制图方法。
为解决上述技术问题,本发明提供一种基于太阳辐射的大面积平缓地区预测性土壤制图方法,包括以下步骤:
步骤一,捕捉地表热量响应过程:选定观测日或观测时段后,利用中分辨率成像光谱仪的遥感传感器捕捉地表热量对太阳辐射的动态响应曲线图;
步骤二,构建环境协同变量:采用数学方法对步骤一获得的动态响应曲线图进行定量分析并提取特征参数作为环境协同变量;
步骤三,建立机器学习模型进行土壤属性预测制图。
其中,采用地表温度表征地表热量状态,步骤一具体过程如下:
1.1选取春、夏或秋季的晴天作为观测日或观测时段,记录24小时内的当日1:30、10:30、13:30、22:30和次日1:30五个时间点的地表温度;
1.2制作以时间序列作为自变量、地表温度作为变量的地表温度变化曲线图,该地表温度变化曲线图即为地表对太阳辐射的动态响应曲线图。
其中,步骤二的具体过程如下:
2.1从量级和形态两个方面对将地表对太阳辐射的动态响应曲线图进行参数化;
2.11量级方面,用最低地表温度bottom和最高地表温度plateau表示,最低地表温度bottom的值为当日凌晨1:30和次日凌晨1:30两个时间点地表温度的平均值;最高地表温度plateau的值为上午10:30和下午13:30两个时间点地表温度的平均值;
2.12形态方面,采用坡度角指数angleslp来表示,分别计算当日1:30、10:30、13:30、22:30和次日1:30五个时间点的坡度角指数,以10:30为例,计算10:30时间点处的坡度角指数angleslp10:30公式如下:
angleslp10:30=β10:30*slope
其中,a,b,c是地表温度变化曲线图中当日1:30、10:30和13:30三个时间点中相邻两个时间点之间的欧式距离,β10:30为10:30时间点处的弧度角,slope是线段c的斜率,相邻两时间点之间的时间距离为1;
采用相同的计算方法,分别计算出13:30和22:30两个时间点的坡度角指数angleslp13:30和angleslp22:30;
2.2统计步骤2.1计算出的五个环境协同变量:最低地表温度bottom、最高地表温度plateau、10:30时间点处的坡度角指数angleslp10:30、13:30时间点处的坡度角指数angleslp13:30和22:30时间点处的坡度角指数angleslp22:30。
其中,步骤三的具体过程如下:
3.1采用随机森林算法建立土壤属性和环境协同变量之间的关系模型;
3.2将步骤3.1建立的关系模型应用到全部制图区域内:将制图区域内某个地理位置处的环境协同变量数值带入3.1建立的关系模型中,得到该地理位置处的土壤属性预测值;
3.3历遍每个位置后,即可获得全部制图区域内的土壤属性空间分布图。
本发明所达到的有益技术效果:本发明提供了一种对平缓地区进行预测性土壤制图的方法,解决了难以对平缓地区进行有效土壤制图的难题,显著提高了平缓地区土壤推测制图的准确性和效率,减少了土壤调查制图的时间和经济成本,可以满足土壤相关行业对准确土壤空间信息的应用需求。
附图说明
图1本发明之地表温度变化曲线图;
图2具体实施例中采用本发明方法和采用普通克里格空间插值法制得土壤空间分布图的对比。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下面结合附图和实施例对本发明专利进一步说明。
本发明提供一种基于太阳辐射的大面积平缓地区预测性土壤制图方法,包括以下步骤:
步骤一,捕捉地表热量响应过程:选定观测日或观测时段后,利用中分辨率成像光谱仪的遥感传感器捕捉地表热量对太阳辐射的动态响应曲线图;
春、夏或秋季,这三个季节晴朗天气的太阳辐射量级相对较高,可使地表产生明显的响应,即清晰的地表热量响应;利用高时间分辨率的美国Terra和Aqua卫星的MODIS(中分辨率成像光谱仪Moderate Resolution Imaging Spectroradiometer)遥感传感器观测捕捉一日之内地表对太阳辐射的动态响应,表现为时间序列的地表热量状态变化,即采用地表温度表征地表热量状态:Terra卫星携带的MODIS传感器MOD11A1获取1km分辨率的逐日地表温度数据,并包括上午10:30和晚上22:30两个时间点的影像数据;Aqua卫星携带的MODIS传感器MYD11A1获取1km分辨率的逐日地表温度数据,并包括下午13:30和凌晨01:30两个时间点的影像数据,从而得到地表温度在24小时内的变化规律。
具体过程如下:
1.1根据逐日气象资料显示的气温和降水等因素,选取春、夏或秋季的晴天作为观测日或观测时段,记录24小时内的当日1:30、10:30、13:30、22:30和次日1:30五个时间点的地表温度;
1.2制作以时间序列作为自变量、地表温度作为变量的地表温度变化曲线图,该地表温度变化曲线图即为地表对太阳辐射的动态响应曲线图;如图1所示。
步骤二,构建环境协同变量:采用数学方法对步骤一获得的动态响应曲线图进行定量分析并提取特征参数作为环境协同变量;具体过程如下:
2.1从量级和形态两个方面对将地表对太阳辐射的动态响应曲线图进行参数化;
2.11量级方面,用最低地表温度bottom和最高地表温度plateau表示,最低地表温度bottom的值为当日凌晨1:30和次日凌晨1:30两个时间点地表温度的平均值;最高地表温度plateau的值为上午10:30和下午13:30两个时间点地表温度的平均值;
2.12形态方面,采用坡度角指数angleslp来表示,分别计算当日1:30、10:30、13:30、22:30和次日1:30五个时间点的坡度角指数,以10:30为例,计算10:30时间点处的坡度角指数angleslp10:30公式如下:
angleslp10:30=β10:30*slope
其中,如图1所示,a,b,c是地表温度变化曲线图中当日1:30、10:30和13:30三个时间点中相邻两个时间点之间的欧式距离,β10:30为10:30时间点处的弧度角,slope是线段c的斜率,相邻两时间点之间的时间距离为1;若早晨(10:30之前)地表升温较为缓慢,这个坡度角将接近π;如果这段时间升温较为快速,10:30时刻地表温度已接近当日最高地表温度,这个角度将接近π/2。高的坡度角指数值代表一个大而快速的总体地表温度增加。
采用相同的计算方法,分别计算出13:30和22:30两个时间点的坡度角指数angleslp13:30和angleslp22:30;坡度角指数angleslp10:30反映了地表温度在太阳辐射下上升过程的特征,angleslp01:30反映地表温度先上升后下降过程的特征,angleslp22:30反映地表温度下降的过程的特征;
2.2统计步骤2.1计算出的五个环境协同变量:最低地表温度bottom、最高地表温度plateau、10:30时间点处的坡度角指数angleslp10:30、13:30时间点处的坡度角指数angleslp13:30和22:30时间点处的坡度角指数angleslp22:30。
步骤三,建立机器学习模型进行土壤属性预测制图,具体过程如下:
3.1采用随机森林算法建立土壤属性和环境协同变量之间的关系模型;采集土壤调查样本,建立与环境协同变量环境协同变量(bottom,plateau,angleslp10:30,angleslp13:30,angleslp22:30)关系模型;采用随机森林(random forest)算法,该算法是由多个回归或分类树模型组成的集合式机器学习算法,可处理复杂的土壤环境关系,在样本有限时往往也有较为准确和稳定的表现。算法参数中,单棵树节点二叉树的变量个数mtry设置为3,单棵树的数量ntree设置为500,单棵树终结点的最小值minnode设置为5。在R软件环境下调用random forest包建立模型
3.2将步骤3.1建立的关系模型应用到全部制图区域内:将制图区域内某个地理位置处的环境协同变量数值带入3.1建立的关系模型中,得到该地理位置处的土壤属性预测值;
3.3历遍每个位置后,即可获得全部制图区域内的土壤属性空间分布图。
本发明利用太阳辐射作为对地表的输入,地表会产生对于太阳辐射的动态响应,对于平缓地区,太阳辐射在较大空间范围上可认为是均匀的,在地形和植被条件相同的情况下,该响应将主要取决于土壤属性。因此,基于太阳辐射的地表动态响应能够反应土壤空间环境协同变量的差异,准确地对大面积平缓地区进行土壤属性推测制图;该发明解决了难以对平缓地区进行有效土壤制图的难题,显著提高了平缓地区土壤推测制图的准确性和效率,减少了土壤调查制图的时间和经济成本,可以满足土壤相关行业对准确土壤空间信息的应用需求。
实施例
为了说明本发明的技术效果,现以江苏省中部一平原地区为制图区为例进行说明,具体步骤如下:
参考逐日气象资料,选取2014年11月28日为观测时段;
获取观测时段MODIS(中分辨率成像光谱仪)地表温度遥感数据MOD11A1和MYD11A1,得到地表温度在24小时内的变化曲线图;
对研究区每个像元位置的地表温度变化曲线图进行参数化计算,得到bottom,plateau,angleslp10:30,angleslp13:30和angleslp22:30五个参数值,遍历完所有位置,相应就生成了整个研究区一组环境协同变量;数据分析显示,构建的环境变量与表层土壤质地、有机质含量和土壤pH的相关系数均达到0.6以上;
基于144个网格调查土壤样本点,提取这些样本点的环境协同变量数值,在R软件环境下,调用randomForest函数包,建立表层土壤砂粒含量与环境变量之间的随机森林模型;
读入构建的环境协同变量图层数据文件(bottom,plateau,angleslp10:30,angleslp13:30和angleslp22:30)作为模型输入,在制图区内每个位置运行模型,得到所有位置的土壤属性预测结果,生成制图区表层土壤砂粒含量分布图,结果见图2左图;
采用留一交叉验证法对制图结果进行精度评价,即每次留下1个样点作为测试点,其他所有样点用于建模,对该测试点的土壤属性进行预测,这样就得到所有样点的预测值,与观测值进行比较,从而计算制图精度指数R2和RMSE等,结果显示了较高的制图精度,土壤质地制图精度R2达到了0.71,RMSE达到了7.5%。
综上,结果显示:
第一,构建的环境协同变量与表层土壤质地、有机质含量和土壤pH的相关系数均达到0.6以上,说明构建的环境协同变量对土壤属性的空间差异具有较强的指示能力;
第二,在12000km2平原地区,仅用144个网格调查样本点的情况下,随机森林算法对土壤质地的制图精度为决定系数R2达到0.71,均方根误差RMSE达到7.5%,仅用11个代表性调查样本点的情况下,案例推理算法对土壤质地的制图精度也达到同一水平,这说明本发明可仅采集少量有限的土壤样本就可达到较好的制图精度,效率较高,这显著减少了对土壤调查工作量,节约了时间和经济花费,与常规土壤调查制图技术相比,精度提高20%,速度提高至少10倍、降低费用约2/3。
第三,制图结果的空间精细度显著高于普通克里格空间插值方法的结果,如图2所示,在使用同样144个土壤样本情况下,本发明制图结果空间细节丰富,而普通克里格插值结果只有粗略的空间分布趋势,说明本发明制图效果好于常规方法。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。
Claims (1)
1.一种基于太阳辐射的大面积平缓地区预测性土壤制图方法,其特征在于包括以下步骤:
步骤一,捕捉地表热量响应过程:选定观测日或观测时段后,利用中分辨率成像光谱仪的遥感传感器捕捉地表热量对太阳辐射的动态响应曲线图;具体过程如下:
步骤1.1选取春、夏或秋季的晴天作为观测日或观测时段,记录24小时内的当日1:30、10:30、13:30、22:30和次日1:30五个时间点的地表温度;
步骤1.2制作以时间序列作为自变量、地表温度作为变量的地表温度变化曲线图,该地表温度变化曲线图即为地表对太阳辐射的动态响应曲线图;
步骤二,构建环境协同变量:采用数学方法对步骤一获得的动态响应曲线图进行定量分析并提取特征参数作为环境协同变量;具体过程如下:
步骤2.1从量级和形态两个方面对将地表对太阳辐射的动态响应曲线图进行参数化;
步骤2.11量级方面,用最低地表温度bottom和最高地表温度plateau表示,最低地表温度bottom的值为当日凌晨1:30和次日凌晨1:30两个时间点地表温度的平均值;最高地表温度plateau的值为上午10:30和下午13:30两个时间点地表温度的平均值;
步骤2.12形态方面,采用坡度角指数angleslp来表示,分别计算当日1:30、10:30、13:30、22:30和次日1:30五个时间点的坡度角指数,以10:30为例,计算10:30时间点处的坡度角指数angleslp10:30公式如下:
angleslp10:30=β10:30*slope
其中,a,b,c是地表温度变化曲线图中当日1:30、10:30和13:30三个时间点中相邻两个时间点之间的欧式距离,β10:30为10:30时间点处的弧度角,slope是线段c的斜率,相邻两时间点之间的时间距离为1;
采用相同的计算方法,分别计算出13:30和22:30两个时间点的坡度角指数angleslp13:30和angleslp22:30;
步骤2.2统计步骤2.1计算出的五个环境协同变量:最低地表温度bottom、最高地表温度plateau、10:30时间点处的坡度角指数angleslp10:30、13:30时间点处的坡度角指数angleslp13:30和22:30时间点处的坡度角指数angleslp22:30;
步骤三,建立机器学习模型进行土壤属性预测制图;具体过程如下:
步骤3.1采用随机森林算法建立土壤属性和环境协同变量之间的关系模型;
步骤3.2将步骤3.1建立的关系模型应用到全部制图区域内:将制图区域内某个地理位置处的环境协同变量数值带入3.1建立的关系模型中,得到该地理位置处的土壤属性预测值;
步骤3.3历遍每个位置后,即可获得全部制图区域内的土壤属性空间分布图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862190.3A CN112001121B (zh) | 2020-08-25 | 2020-08-25 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
US17/405,426 US11379742B2 (en) | 2020-08-25 | 2021-08-18 | Method for predictive soil mapping based on solar radiation in large flat area |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862190.3A CN112001121B (zh) | 2020-08-25 | 2020-08-25 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001121A CN112001121A (zh) | 2020-11-27 |
CN112001121B true CN112001121B (zh) | 2022-01-28 |
Family
ID=73471811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862190.3A Active CN112001121B (zh) | 2020-08-25 | 2020-08-25 | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11379742B2 (zh) |
CN (1) | CN112001121B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324823B (zh) * | 2021-12-30 | 2022-10-11 | 河南农业大学 | 一种土壤有机碳含量时空预测制图方法 |
CN114925152A (zh) * | 2022-05-19 | 2022-08-19 | 河北大学 | 基于反距离加权法和克里金法的土壤养分空间插值方法 |
CN115690598A (zh) * | 2022-10-21 | 2023-02-03 | 江苏省气候中心 | 基于卫星数据和随机森林模型室外环境温度遥感反演方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363420A (zh) * | 2007-08-10 | 2009-02-11 | 通用电气公司 | 通过信号的组合的事件监控 |
CN103413059A (zh) * | 2013-08-23 | 2013-11-27 | 山东建筑大学 | 一种固体截面温变测定系统 |
CN103955953A (zh) * | 2014-04-21 | 2014-07-30 | 中国科学院南京土壤研究所 | 一种面向数字土壤制图的地形协同变量选取方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
RU2621876C1 (ru) * | 2016-01-14 | 2017-06-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Способ дистанционного мониторинга рисовых оросительных систем |
CN109063895A (zh) * | 2018-06-27 | 2018-12-21 | 李林 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
CN109357765A (zh) * | 2018-09-13 | 2019-02-19 | 中国科学院南京土壤研究所 | 一种面向土壤属性预测与制图的亮温/陆面温度协同变量构建选择方法 |
-
2020
- 2020-08-25 CN CN202010862190.3A patent/CN112001121B/zh active Active
-
2021
- 2021-08-18 US US17/405,426 patent/US11379742B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363420A (zh) * | 2007-08-10 | 2009-02-11 | 通用电气公司 | 通过信号的组合的事件监控 |
CN103413059A (zh) * | 2013-08-23 | 2013-11-27 | 山东建筑大学 | 一种固体截面温变测定系统 |
CN103955953A (zh) * | 2014-04-21 | 2014-07-30 | 中国科学院南京土壤研究所 | 一种面向数字土壤制图的地形协同变量选取方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
RU2621876C1 (ru) * | 2016-01-14 | 2017-06-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Способ дистанционного мониторинга рисовых оросительных систем |
CN109063895A (zh) * | 2018-06-27 | 2018-12-21 | 李林 | 基于土壤类型归并与土壤中有益生物含量预测方法 |
CN109357765A (zh) * | 2018-09-13 | 2019-02-19 | 中国科学院南京土壤研究所 | 一种面向土壤属性预测与制图的亮温/陆面温度协同变量构建选择方法 |
Non-Patent Citations (1)
Title |
---|
基于地表温度的干旱平缓区土壤属性制图;王俊雅,刘峰 等;《土壤通报》;20181206;第49卷(第6期);第1-2-1.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001121A (zh) | 2020-11-27 |
US11379742B2 (en) | 2022-07-05 |
US20220067553A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836610B (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 | |
Ge et al. | Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China | |
CN112001121B (zh) | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 | |
Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
Fu et al. | Estimating landscape net ecosystem exchange at high spatial–temporal resolution based on Landsat data, an improved upscaling model framework, and eddy covariance flux measurements | |
Zhao et al. | Downscaling of soil moisture products using deep learning: Comparison and analysis on Tibetan Plateau | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
Hou et al. | On the value of available MODIS and Landsat8 OLI image pairs for MODIS fractional snow cover mapping based on an artificial neural network | |
Huang et al. | A novel fusion method for generating surface soil moisture data with high accuracy, high spatial resolution, and high spatio‐temporal Continuity | |
Bartkowiak et al. | Land surface temperature reconstruction under long-term cloudy-sky conditions at 250 m spatial resolution: case study of vinschgau/venosta valley in the european alps | |
Cawse-Nicholson et al. | Evaluation of a CONUS-wide ECOSTRESS DisALEXI evapotranspiration product | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
Li et al. | Derivation of the Green Vegetation Fraction of the Whole China from 2000 to 2010 from MODIS Data | |
Zhan et al. | A data assimilation method for simultaneously estimating the multiscale leaf area index from time-series multi-resolution satellite observations | |
Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
CN116738161A (zh) | 冻土活动层厚度反演方法、装置、设备及存储介质 | |
CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
Menze et al. | Multitemporal fusion for the detection of static spatial patterns in multispectral satellite images—With application to archaeological survey | |
He et al. | Bayesian temporal tensor factorization-based interpolation for time-series remote sensing data with large-area missing observations | |
Danoedoro et al. | Preliminary study on the use of digital surface models for estimating vegetation cover density in a mountainous area | |
Jemy et al. | Quadruple stacked-based concept: A novel approach for change detection | |
Jing et al. | A Rigorously-Incremental Spatiotemporal Data Fusion Method for Fusing Remote Sensing Images | |
Pérez-Goya et al. | RGISTools: Downloading, Customizing, and Processing Time Series of Remote Sensing Data in R | |
CN114238217B (zh) | 土地覆盖样本时空迁移方法、系统 | |
Schneider et al. | Estimating relationships between snow water equivalent, snow covered area, and topography to extend the Airborne Snow Observatory dataset |
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 |