CN112395765A - 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置 - Google Patents

一种植被层水分利用效率的确定方法和et-gpp-wue测量装置 Download PDF

Info

Publication number
CN112395765A
CN112395765A CN202011305367.6A CN202011305367A CN112395765A CN 112395765 A CN112395765 A CN 112395765A CN 202011305367 A CN202011305367 A CN 202011305367A CN 112395765 A CN112395765 A CN 112395765A
Authority
CN
China
Prior art keywords
vegetation
temperature
gpp
collector
leaf area
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
Application number
CN202011305367.6A
Other languages
English (en)
Inventor
孙怀卫
严冬
蔺子琪
刘颉
阳勇
陈家宁
曹磊
宋亮
王随玲
陈林
白依文
赵冰茜
鲁梦格
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011305367.6A priority Critical patent/CN112395765A/zh
Publication of CN112395765A publication Critical patent/CN112395765A/zh
Priority to AU2021101693A priority patent/AU2021101693A4/en
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种植被层水分利用效率的确定方法和ET‑GPP‑WUE测量装置，属于农林业水资源保护领域。包括：WUE为GPP和ET的比值，方法包括：GPP采用TG模型计算，ET采用改进MEP计算，输入参数为地表比湿、地表温度、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度，改进MEP模型的输入参数地表比湿、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度是对被测区域实时实地采集得到，TG模型的输入参数叶面积指数基于实地采集到的植被叶面积实时计算得到；改进MEP模型的输入参数地表温度和TG模型的输入参数陆地表面温度是由同一个温度传感器对被测区域实时实地采集得到。本发明通过表面温度和叶面积耦合ET和GPP，避免内部独立的ET和GPP模型之间的不一致。

Description

一种植被层水分利用效率的确定方法和ET-GPP-WUE测量装置
技术领域
本发明属于农林业水资源保护领域，更具体地，涉及一种植被层水分利用效率的确定方法和ET-GPP-WUE测量装置。
背景技术
蒸散发(ET)是陆地水循环中第二大水通量，约占降水量的60％-70％。计算ET的方法中，传统的实际蒸散发的获取以地面观测资料为主，模型大多建立在水汽输送及能量平衡约束等基础上采用地面气象站进行计算，得到的都是参考作物蒸发量，而实际蒸散发量的获取还存在不足。而陆地生态系统总初级生产力(GPP)的确定方法目前只能通过较低分辨率的卫星遥感数据和模型(VPM模型、EC-LUE、温度和绿度GT模型等)加以估计，从而降低了结果的准确性，这将导致径流小区、流域和地方尺度的不确定性增大，难以满足实际应用需求。
生态系统WUE(Water User Efficiency，水分利用效率)的其中一种定义为总初级生产力GPP/蒸散发水量ET。Rahman等人2005年提出基于涡度通量塔观测的总初级生产量，引入植被指数和地温，建立气温和绿度模型(TG模型)，估算落叶林和常绿林的总初级生产量，其输入参数为叶面积指数(绿度值)、陆地表面温度、单位转换系数m；Wang JF等人2011年建立了基于最大熵增理论(Maximum EntropyProduction，MEP)的地表潜热(蒸散发)估算方法，计算ET，其输入参数为净辐射、表面温度和表面比湿度。
现有技术中，在WUE计算过程中，TG模型的3个输入变量中，标量m通常是年平均夜间陆地表面温度通过计算所得，陆地表面温度和叶面积指数是基于遥感产品计算得到；MEP模型的3个输入变量中，净辐射和表面温度变量通常由涡度相关数据集FLUXNET2015直接提供，而比湿是基于Clausius-clapeyron方程计算得到。TG模型和MEP模型数据来源不同，导致WUE计算过程中数据内部不一致，进而影响WUE的计算精度。并且，现有的方法大多都是基于遥感数据，导致数据的分辨率较低、难以获得、若受到天气的影响则可靠性值得商榷；基于历史数据得到的GPP产品难以对当下的情形产生合理的预判，影响分析结果的时效性。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种植被层水分利用效率的确定方法和ET-GPP-WUE测量装置，其目的在于通过表面温度T和叶面积的耦合ET和GPP，计算WUE所需变量少(仅仅温度、比湿、叶面积等)，空间分辨率高，更适应田间/林间尺度、大区域尺度等。
为实现上述目的，按照本发明的第一方面，提供了一种植被层水分利用效率的确定方法，水分利用效率WUE为总初级生产力GPP和蒸散发水量ET的比值，
该方法包括：所述GPP采用温度和绿度模型计算，所述ET采用改进最大熵增模型计算，其输入参数为地表比湿、地表温度、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度，所述改进最大熵增模型中蒸散发水量ET的计算公式如下：
Figure BDA0002786782910000021
其中，Es表示土壤蒸发，Ev表示植被散发，Sv表示被测区域中植被叶面积，B表示被测区域面积；
改进最大熵增模型的输入参数地表比湿、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度是对被测区域植被层实时实地采集得到，所述温度和绿度模型的输入参数叶面积指数基于实地采集到的植被叶面积实时计算得到；改进最大熵增模型的输入参数地表温度和温度和绿度模型的输入参数陆地表面温度是由同一个温度传感器对被测区域实时实地采集得到。
优选地，植被散发Ev计算公式如下：
Figure BDA0002786782910000031
Figure BDA0002786782910000032
Figure BDA0002786782910000033
其中，Rn1表示植被净辐射，B(·)为波文比的倒数，σ1为空气温度和表面水汽密度的无量纲函数，λ表示水的相变潜热，Rv表示水汽体常数，cp表示常压下的空气比热，qs1表示空气比湿，Ts1表示空气温度。
为实现上述目的，按照本发明的第二方面，提供了一种适用于不同植被层ET-GPP-WUE测量装置，该装置包括：固定机构、调节机构、测量机构、集成控制中心和电源；
固定机构为高度可调节的伸缩杆，在测量过程中，其一端插入被测区域用于固定整个测量装置，其高度根据被测区域植被层高度调节，另一端与调节机构连接；
调节机构包括支座和轴承，支座与固定机构连接，轴承与测量机构连接，用于调节测量机构的测量角度；
测量机构包括：地表比湿采集器、地表温度采集器、植被叶面积采集器、地表净辐射采集器、植被净辐射采集器、空气比湿采集器和空气温度采集器，分别通过蓝牙与集成控制中心进行实时通信；
集成控制中心采用如第一方面所述的方法确定ET、GPP和WUE；
电源与测量机构、集成控制中心连接，在测量过程中为其供电。
优选地，地表比湿采集器、地表温度采集器、地表净辐射采集器集成于相同位置，植被净辐射采集器、空气比湿采集器和空气温度采集器集成于相同位置。采集地表的集成采集器靠近地表，采集植被/空气的集成采集器靠近并高于植被层，一般架设在植被层上方1～2m处。
优选地，集成控制中心将测量结果ET、GPP和WUE通过有线或者无线的方式传输到数据存储器或者数据库中。
优选地，所述植被叶面积采集器包括：激光扫描仪和植被叶面积计算模块；
激光扫描仪用于发射平行的两束激光，入射到林间/田间叶片表面后，采集叶片图像；
植被叶面积计算模块用于根据叶片图像计算植被叶面积，计算公式如下：
Sv＝(a*d*d)/(s*s)
其中，a表示叶片在图像上像素，d表示两激光点之间的距离，s表示光点在图像上间距像素。
优选地，植被层温度采集器、空气比湿采集器、植被层净辐射采集器分别采用红外温度传感器、Finna Sensors近红外湿度传感器、净辐射仪。
优选地，该装置还包括显示模块，用于直观显示净辐射、比湿、植被叶面积、叶面积指数、表面温度以及测量结果ET、GPP和WUE。总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明采用温度和绿度模型计算GPP，采用改进最大熵增模型计算ET，改进最大熵增模型的输入参数地表比湿、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度是对被测区域植被层实时实地采集得到，所述温度和绿度模型的输入参数叶面积指数基于实地采集到的植被叶面积实时计算得到；改进最大熵增模型的输入参数地表温度和温度和绿度模型的输入参数陆地表面温度是由同一个温度传感器对被测区域实时实地采集得到。温度和叶面积变化这些都是连续的状态，而遥感数据很难实现持续的监控，本发明通过表面温度T和叶面积的耦合ET和GPP，且使用实时实地测量的数据，避免了内部独立的ET和GPP模型之间的不一致，具有模拟精度高，所需变量少，易于实现，更为可靠，受天气影响小，易于获得的优点。
(2)本发明改进了MEP模型，既考虑了温度、太阳辐射对其的影响，也考虑了植被的覆盖度对ET的估算的影响。改进后的MEP模型仅需要叶面积指数、表面温度、比湿、净辐射就可以计算得出ET的连续变化趋势。
(3)本发明通过将数据以无线的方式传输到终端中，形成数据仓库，可以通过数据挖掘的OLAP技术进行深入分析，更有利于对ET和GPP的耦合效果进行深入评估。
附图说明
图1为本发明提供的一种植被层水分利用效率的确定方法流程图；
图2为本发明提供的一种适用于不同植被层ET-GPP-WUE测量装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方其中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种植被层水分利用效率的确定方法，水分利用效率WUE为总初级生产力GPP和蒸散发水量ET的比值，
该方法包括：所述GPP采用温度和绿度模型计算，所述ET采用改进最大熵增模型计算，其输入参数为地表比湿、地表温度、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度，所述改进最大熵增模型中蒸散发水量ET的计算公式如下：
Figure BDA0002786782910000061
其中，Es表示土壤蒸发，Ev表示植被散发，Sv表示被测区域中植被叶面积，B表示被测区域面积；
改进最大熵增模型的输入参数地表比湿、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度是对被测区域植被层实时实地采集得到，所述温度和绿度模型的输入参数叶面积指数基于实地采集到的植被叶面积实时计算得到；改进最大熵增模型的输入参数地表温度和温度和绿度模型的输入参数陆地表面温度是由同一个温度传感器对被测区域实时实地采集得到。
优选地，植被散发Ev计算公式如下：
Figure BDA0002786782910000062
Figure BDA0002786782910000063
Figure BDA0002786782910000064
其中，Rn1表示植被净辐射，B(·)为波文比的倒数，σ1为空气温度和表面水汽密度的无量纲函数，λ表示水的相变潜热，Rv表示水汽体常数，cp表示常压下的空气比热，qs1表示空气比湿，Ts1表示空气温度。
如图2所示，本发明提供了一种适用于不同植被层ET-GPP-WUE测量装置，主要包括：红外温度传感器、Finna Sensors近红外(NIR)湿度传感器、净辐射仪、图像采集和处理系统、集成控制中心、数据库存储系统、数据传输接口、视频监控系统、显示器、激光管、外壳、支架。
图像采集和处理系统以先进的物联网、云计算、大数据以及互联网等信息技术对检测区域的温度、湿度、净辐射、叶面积指数等植被层信息进行统一分析处理，将系统分析后的结果以直观形象的方式展现给管理者。管理者通过实时的视频已经数据处理结果来掌握GPP、ET、WUE等信息。对提高管理水和碳资源的能力具有辅助作用。
其中，红外温度传感器可以从植被层信息中提取多点表面温度信息；FinnaSensors近红外(NIR)湿度传感器用于从植被层信息中提取多点表面比湿。
激光管固定在支架上，发射平行的两束激光，入射到林间/田间叶片表面，摄像头进行图像采集，图像处理系统对采集的状态信息和过程量信息进行分析，得到特征参数和阈值。
设两激光点之间的距离为d，光点在图像上间距像素为s，叶片在图像上像素为a，则有叶面积Sv计算公式：
Sv＝(a×d×d)/(s×s)
其中，像素a由程序计数得到，间距s由图像处理程序得到，采用灰度重心公式：
Figure BDA0002786782910000071
Figure BDA0002786782910000081
其中，i0是第i行的第一个坐标，if是第i行的最后一个坐标，j0是第j列的第一个坐标，jf是第j列的最后一个坐标，T是光点图像灰度阈值，f是各像素点的灰度值，x和y是光点灰度中心坐标。激光发射的两束光形成的两个激光点灰度中心坐标之差即为间距s。
灰度重心算法精度是0.02像素，图像处理系统中每像素对应0.1毫米，本装置光点标定精度为0.002毫米。
LAI(叶面积指数)或绿度值按照公式：LAI＝Sv/B计算可得。其中，B为扫描仪中相对植物叶面积所占的整个区域面积。Sv为扫描仪呈现出的图像中，植物叶面积所占的栅格图像的对应面积，即整幅图层中不为白色的部分所占的面积，由图像处理系统计算得出。
植物叶面散发、总初级生产力、水分利用效率集成获取装置的使用方法具体如下：通过非接触式多传感器(红外温度传感器、Finna Sensors近红外(NIR)湿度传感器、激光扫描仪)获取田块植被层的温度、湿度、叶面积等信息，依据架设平台特性，按照植被类型计算植被层LAI(叶面积指数或绿度值)；从植被层信息中提取多点表面温度信息，基于温度和绿度模型的总初级生产力。所需的净辐射，通过净辐射仪进行采集处理；从植被层信息中提取多点表面比湿，基于最大熵增模型的实际蒸散发计算，按照GPP/ET计算水分利用效率。本发明的数据的分析及存贮可以通过无线方式传输到配置的笔记本电脑终端的数据存储器或者数据库中。
最大熵增蒸散(MEP)模型是在综合借鉴贝叶斯概率论、信息熵概念、非平衡态热力学理论和大气边界层湍流相似性理论的基础上，建立的全新地表蒸散理论框架，克服了经典模型的主要缺陷。MEP-ET模型的计算式为：
Es＝B(σ)H
Figure BDA0002786782910000091
Es+H+Q＝Rn
Figure BDA0002786782910000092
其中，H为进入大气的(湍流)感热通量，Q为进入表面介质(土壤或者植被)的传导热通量；Rn为地表净辐射；B为波文比的倒数；σ是表面温度和表面水汽密度的无量纲函数，是模型中的重要参变量，它定量描述了表面水分温度条件对蒸散过程的相对重要性，特别是水的相变在表面能量平衡和地气水热交换过程中的主导作用，具体见下式：
Figure BDA0002786782910000093
其中，qs为蒸发表面的空气比湿；Ts(K)为蒸发体的表面温度；λ为水的相变潜热(J/kg)；cp为空气的(定压)比热；Rv为水汽的气体常数[461J/(kg·K)]；ɑ为边界层中水汽湍流扩散率与热扩散率的比值，理论上2个扩散率可以不同，一般假设ɑ＝1。
Figure BDA0002786782910000094
Figure BDA0002786782910000095
LAI为实测值，Es为土壤蒸发、Ev为植被散发、E为蒸散速率(潜热通量)，Sv为植被面积，B为扫描仪中相对植物叶面积所占的整个区域面积。
GPP的计算采用TG(temperature and greenness model)模型。TG模型是基于遥感的GPP估算模型，不需要地面观测数据作为模型输入，是一个完全基于遥感数据的GPP模型。
GPP＝m×(LAIscaled×LSTscaled)
LAIscaled＝LAI-0.1
LSTscaled＝min[(LST/30)；(2.5-(0.05LST))]
其中，参数m通过模型标定得到；LST(Land surface temperature)是地表温度。
集成控制中心，是本发明的核心模块，一方面接收来自多种传感器的数据信息，对传感数据进行信号处理、特征提取、阈值计算等操作；另一方面，通过数据分析结果向终端发送植被层信息和在线监测过程中的原始数据。
测量结果显示在笔记本电脑终端上，通过数据传输接口以有线或者无线的方式传递到数据库存储系统中，可以接串口USB模块记录在U盘文件上，接串口SD模块可记录在SD卡文件上，接串口无线模块可与服务器数据库无线连接，也可以通过DSP的网络接口连接到网上，同样可以实现蓝牙传输、无线网传输等方式。数据传输接口主要用于集成控制中心与视频监控中心的数据通讯。
通过非接触式多传感器获取林间、田块植被层信息，通过架设的平台，将激光入射到林间、田块的叶片表面，进而通过图像采集和处理系统将获取的特征参数和阈值加以处理，传输到集成控制中心，计算得到制备层叶面积指数(或绿度值)。红外温度传感器和Finna Sensors近红外(NIR)湿度传感器将获取到的表面温度信息和比湿传输到集成控制中心，计算得到基于最大熵增模型(MEP)的实际T值。在集成控制中心将叶面积指数(或绿度)和多点表面温度信息耦合，计算得到基于温度和绿度模型的GPP，最终按照GPP/T得到水分利用效率。
将T和GPP耦合在一起进行一并获取和快速计算，这一方法和装置拥有高时空分辨率和一定程度的空间整合(即将整个林冠层看成一个整体，而不是着眼于某一株植物)，此外“近地”遥感比卫星遥感更有针对性，高清晰的数字图像亦可作为地面验证信息，而且数字图像处理起来比卫星图像容易得多。这将对于未来的GPP的估算和应用具有广泛而深远的影响。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种植被层水分利用效率的确定方法，水分利用效率WUE为总初级生产力GPP和蒸散发水量ET的比值，其特征在于，
该方法包括：所述GPP采用温度和绿度模型计算，所述ET采用改进最大熵增模型计算，其输入参数为地表比湿、地表温度、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度，所述改进最大熵增模型中蒸散发水量ET的计算公式如下：
Figure FDA0002786782900000011
其中，Es表示土壤蒸发，Ev表示植被散发，Sv表示被测区域中植被叶面积，B表示被测区域面积；
改进最大熵增模型的输入参数地表比湿、植被叶面积、地表净辐射、植被净辐射、空气比湿和空气温度是对被测区域植被层实时实地采集得到，所述温度和绿度模型的输入参数叶面积指数基于实地采集到的植被叶面积实时计算得到；改进最大熵增模型的输入参数地表温度和温度和绿度模型的输入参数陆地表面温度是由同一个温度传感器对被测区域实时实地采集得到。
2.如权利要求1所述的方法，其特征在于，植被散发Ev计算公式如下：
Figure FDA0002786782900000012
Figure FDA0002786782900000013
Figure FDA0002786782900000014
其中，Rn1表示植被净辐射，B(·)为波文比的倒数，σ1为空气温度和表面水汽密度的无量纲函数，λ表示水的相变潜热，Rv表示水汽体常数，cp表示常压下的空气比热，qs1表示空气比湿，Ts1表示空气温度。
3.一种适用于不同植被层ET-GPP-WUE测量装置，其特征在于，该装置包括：固定机构、调节机构、测量机构、集成控制中心和电源；
固定机构为高度可调节的伸缩杆，在测量过程中，其一端插入被测区域用于固定整个测量装置，其高度根据被测区域植被层高度调节，另一端与调节机构连接；
调节机构包括支座和轴承，支座与固定机构连接，轴承与测量机构连接，用于调节测量机构的测量角度；
测量机构包括：地表比湿采集器、地表温度采集器、植被叶面积采集器、地表净辐射采集器、植被净辐射采集器、空气比湿采集器和空气温度采集器，分别通过蓝牙与集成控制中心进行实时通信；
集成控制中心采用如权利要求1或2所述的方法确定ET、GPP和WUE；
电源与测量机构、集成控制中心连接，在测量过程中为其供电。
4.如权利要求3所述的装置，其特征在于，地表比湿采集器、地表温度采集器、地表净辐射采集器集成于相同位置，植被净辐射采集器、空气比湿采集器和空气温度采集器集成于相同位置。
5.如权利要求3或4所述的装置，其特征在于，集成控制中心将测量结果ET、GPP和WUE通过有线或者无线的方式传输到数据存储器或者数据库中。
6.如权利要求3所述的装置，其特征在于，所述植被叶面积采集器包括：激光扫描仪和植被叶面积计算模块；
激光扫描仪用于发射平行的两束激光，入射到林间/田间叶片表面后，采集叶片图像；
植被叶面积计算模块用于根据叶片图像计算植被叶面积，计算公式如下：
Sv＝(a*d*d)/(s*s)
其中，a表示叶片在图像上像素，d表示两激光点之间的距离，s表示光点在图像上间距像素。
7.如权利要求3所述的装置，其特征在于，植被层温度采集器、空气比湿采集器、植被层净辐射采集器分别采用红外温度传感器、Finna Sensors近红外湿度传感器、净辐射仪。
8.如权利要求3所述的装置，其特征在于，该装置还包括显示模块，用于直观显示净辐射、比湿、植被叶面积、叶面积指数、表面温度以及测量结果ET、GPP和WUE。
CN202011305367.6A 2020-11-19 2020-11-19 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置 Pending CN112395765A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011305367.6A CN112395765A (zh) 2020-11-19 2020-11-19 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置
AU2021101693A AU2021101693A4 (en) 2020-11-19 2021-04-01 Method for determining water use efficiency of vegetation layer and evapotranspiration water-gross primary production-water use efficiency measuring device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011305367.6A CN112395765A (zh) 2020-11-19 2020-11-19 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置

Publications (1)

Publication Number Publication Date
CN112395765A true CN112395765A (zh) 2021-02-23

Family

ID=74606880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011305367.6A Pending CN112395765A (zh) 2020-11-19 2020-11-19 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置

Country Status (2)

Country Link
CN (1) CN112395765A (zh)
AU (1) AU2021101693A4 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034302A (zh) * 2021-03-11 2021-06-25 中国水利水电科学研究院 一种农田尺度作物水分利用效率遥感评价方法
CN117314184A (zh) * 2023-09-19 2023-12-29 沈阳农业大学 年总初级生产力时空变化结果的确定方法、装置及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795819A (zh) * 2022-11-11 2023-03-14 南京大学 基于sebs模型和casa模型的水分利用效率模拟方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253529A1 (en) * 2011-03-29 2012-10-04 Hydropoint Data Systems, Inc. Controlling a Resource Demand System
CN203100701U (zh) * 2013-03-22 2013-07-31 胡长华 便携式非接触叶面积测量仪
CN103630091A (zh) * 2013-11-05 2014-03-12 河南理工大学 一种基于激光与图像处理技术的叶面积测量方法
CN105466558A (zh) * 2015-11-16 2016-04-06 北京师范大学 植被冠层光合有效辐射吸收比和地表反照率观测系统和方法
CN109405769A (zh) * 2018-12-10 2019-03-01 中国气象局兰州干旱气象研究所 植被冠层叶面积指数测量装置
CN110147620A (zh) * 2019-05-23 2019-08-20 中国科学院寒区旱区环境与工程研究所 一种冰冻圈水文过程分析方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253529A1 (en) * 2011-03-29 2012-10-04 Hydropoint Data Systems, Inc. Controlling a Resource Demand System
CN203100701U (zh) * 2013-03-22 2013-07-31 胡长华 便携式非接触叶面积测量仪
CN103630091A (zh) * 2013-11-05 2014-03-12 河南理工大学 一种基于激光与图像处理技术的叶面积测量方法
CN105466558A (zh) * 2015-11-16 2016-04-06 北京师范大学 植被冠层光合有效辐射吸收比和地表反照率观测系统和方法
CN109405769A (zh) * 2018-12-10 2019-03-01 中国气象局兰州干旱气象研究所 植被冠层叶面积指数测量装置
CN110147620A (zh) * 2019-05-23 2019-08-20 中国科学院寒区旱区环境与工程研究所 一种冰冻圈水文过程分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋小宁;赵英时;李新辉;: "半干旱地区遥感双层蒸散模型研究", 干旱区资源与环境, vol. 24, no. 09, 15 September 2010 (2010-09-15), pages 64 - 67 *
李志威等: "基于最大熵增原理的蒸发蒸腾量模型应用", 清华大学学报(自然科学版), vol. 56, no. 6, 15 June 2012 (2012-06-15), pages 785 - 790 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034302A (zh) * 2021-03-11 2021-06-25 中国水利水电科学研究院 一种农田尺度作物水分利用效率遥感评价方法
CN117314184A (zh) * 2023-09-19 2023-12-29 沈阳农业大学 年总初级生产力时空变化结果的确定方法、装置及设备
CN117314184B (zh) * 2023-09-19 2024-04-30 沈阳农业大学 年总初级生产力时空变化结果的确定方法、装置及设备

Also Published As

Publication number Publication date
AU2021101693A4 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
CN112395765A (zh) 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置
Li et al. Internet of Things to network smart devices for ecosystem monitoring
Madugundu et al. Performance of the METRIC model in estimating evapotranspiration fluxes over an irrigated field in Saudi Arabia using Landsat-8 images
Zhang et al. Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery
CN109871637B (zh) 一种云天条件下近地面气温估算方法
CN103398957A (zh) 基于高光谱与激光雷达提取叶面积垂直分布的方法
Zhang et al. Estimating aboveground biomass of Pinus densata-dominated forests using Landsat time series and permanent sample plot data
CN109919250B (zh) 考虑土壤水分的蒸散发时空特征融合方法及装置
Cao et al. Estimation of forest structural parameters using UAV-LiDAR data and a process-based model in ginkgo planted forests
CN108226224A (zh) 一种基于无人机热成像技术的作物病害监测方法和系统
Du et al. Impact of the Zhalong Wetland on neighboring land surface temperature based on remote sensing and GIS
Yin et al. Estimation of grassland height based on the random forest algorithm and remote sensing in the Tibetan Plateau
Song et al. Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data
CN111950336A (zh) 基于背包式激光雷达的植被冠层生态水估算方法
Hou et al. Spatiotemporal patterns of the impact of surface roughness and morphology on urban heat island
CN111582575A (zh) 一种多时空尺度下城市热环境形成发展主导因素识别方法
Yuan et al. Examination of the quantitative relationship between vegetation canopy height and LAI
Brunsell et al. Validating remotely sensed land surface fluxes in heterogeneous terrain with large aperture scintillometry
Liu et al. Analysis of cotton height spatial variability based on UAV-LiDAR
CN211477203U (zh) 基于高分辨率遥感影像的精细化监测设备系统
Wang et al. A scaling-based method for the rapid retrieval of FPAR from fine-resolution satellite data in the remote-sensing trend-surface framework
Ellsäßer et al. Predicting evapotranspiration from drone-based thermography–a method comparison in a tropical oil palm plantation
Wei et al. Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction
CN212861863U (zh) 基于无人机的植物群落统计监测系统
Green Geospatial tools and techniques for vineyard management in the twenty-first century

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