CN112733906A - 一种全球高分辨率每日地表动量粗糙度长度估算方法 - Google Patents
一种全球高分辨率每日地表动量粗糙度长度估算方法 Download PDFInfo
- Publication number
- CN112733906A CN112733906A CN202011628578.3A CN202011628578A CN112733906A CN 112733906 A CN112733906 A CN 112733906A CN 202011628578 A CN202011628578 A CN 202011628578A CN 112733906 A CN112733906 A CN 112733906A
- Authority
- CN
- China
- Prior art keywords
- data
- roughness length
- global
- momentum
- scale
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003746 surface roughness Effects 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004907 flux Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 238000012216 screening Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/24—Measuring arrangements characterised by the use of mechanical techniques for measuring angles or tapers; for testing the alignment of axes
- G01B5/243—Measuring arrangements characterised by the use of mechanical techniques for measuring angles or tapers; for testing the alignment of axes for measuring chamfer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种全球高分辨率每日地表动量粗糙度长度估算方法,它包括数据的获取、对数据进行预处理、构建数据库、计算每日地表动量粗糙度长度、构建全球尺度地表动量粗糙度长度随机森林模型的训练数据集、估算模型并使用该模型生产每日全球尺度地表粗糙度长度产品。发明旨在解决目前没有全球尺度地表动量粗糙度长度遥感产品的空缺,可准确反映真实的地表动量粗糙度长度的算法模型,有助于提升全球陆表、水文、气候模型精度。
Description
技术领域
本发明涉及遥感地表蒸散发估算技术领域和机器学习领域,具体涉及一种全球高分辨率每日地表动量粗糙度长度估算方法。
背景技术
地表动量粗糙度长度是陆地表面的重要特征之一,对大气与地表之间的动量交换有重要影响,是陆地表面系统模型、水文模型和气候模型的重要输入参数。
由于地表动量粗糙度长度估算所需相关参数(如摩擦速度、风速、大气稳定度等)无法在全球范围内准确获取,因此,目前仍未有全球尺度地表粗糙度长度遥感产品。在实际应用中,大部分的地球系统模型中地表动量粗糙度长度常常给定一个固定值,或者是给定阈值范围由月尺度植被信息相关的函数估算出来,并不能准确反映真实的地表动量粗糙度长度,从而严重影响模型的精度。因此,发展一套全球尺度地表动量粗糙度长度的算法模型,获取全球尺度地表粗糙度长度遥感产品,对提升全球陆表、水文、气候模型精度等具有重要意义。
发明内容
本发明为了解决上述技术问题提供一种全球高分辨率每日地表动量粗糙度长度估算方法。
为达到上述目的,本发明采用的技术方案如下:
一种全球高分辨率每日地表动量粗糙度长度估算方法,包括以下步骤:
S1.获取全球尺度的气象站点观测数据和初始遥感影像数据,对所述气象站点观测数据和初始遥感影像数据进行预处理,构建气象站点观测数据库和遥感影像数据库;
S2.利用所述气象站点观测数据库数据计算大气稳定度判定指标,筛选出属于中性稳定大气条件下的气象观测数据,并利用风廓线方程结合成本函数计算站点尺度每日地表动量粗糙度长度;
S3.根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据与上述站点尺度每日地表动量粗糙度长度的计算结果,构建全球尺度地表动量粗糙度长度随机森林模型的训练数据集;
S4.利用随机森林模型的训练数据集训练全球尺度地表粗糙度长度估算模型,并使用该模型生产每日全球尺度地表粗糙度长度产品。
进一步的,通过获取全球尺度气象站点观测数据和初始遥感影像数据,对所述气象站点观测数据进行预处理,过程步骤包括提取参数和质量控制,其中,提取的参数包括摩擦速度、风速、空气温度、大气压强和显热通量,时间分辨率为30分钟,质量控制的控制条件有三个,三个条件分别为:
u>1.5 (2)
u*>0.1 (3)
进一步的,所述初始遥感影像数据包括500米空间分辨率MODIS反射率数据、MODIS土地覆被数据和全球数字高程数据DEM,所述初始遥感影像数据预处理过程包括矢量裁剪和定标,构建遥感影像数据库。
进一步的,根据气象站点观测数据库数据计算大气稳定度判定指标,筛选出属于中性稳定大气条件下的气象观测数据,其计算过程为:使用莫宁﹣奥布霍夫长度L来衡量大气的稳定度情况,当|L|>500时,此时的大气处于中性稳定状态,L的计算公式为:
式中,Ta为空气温度℃,p0为标准大气压1.013×105Pa,pa为实际大气压Pa,k为冯卡曼常数0.4,g为重力加速度9.81m/s,H为显热通量W/m2,ρ为空气密度1.293kg/m3;cp为定压比热1005J/(kg·K)。
在中性稳定大气条件下,采用简化的风廓线方程结合成本函数计算每日地表动量粗糙度长度,所述简化的风廓线方程为:
式中,zm为风速u的观测高度m,d为零平面位移m,zo为动量粗糙度长度,这里假设d=6.667zo。
进一步的,本模型中对于耕地和草地选择的观测窗口为7天,对于其他土地选择的观测窗口为15天,假定各地物类型在一个时间窗口内zo保持不变,并利用成本函数求得对应时间窗口内的zo,当成本函数的误差最小时的zo为最优解,其中,成本函数J定义为:
具体计算过程为:将所有观测数据代入到成本函数J中求解,n是气象观测数据的次数,其中限制n>30,对于成本函数J而言,可以通过最小二乘法求解,当J最小时,对应的zo值即代表对应时间窗口中间日的站点地表动量粗糙度长度。
进一步的,所述根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据库与上述站点尺度每日地表动量粗糙度长度计算结果,利用所述站点尺度地表动量粗糙度长度结果,根据站点的经纬度位置信息,提取所述遥感影像数据库对应空间位置的像元值。
进一步的,构建全球尺度地表粗糙度长度随机森林模型的训练数据集,所述数据集包括四类数据,分别为500米空间分辨率土地类别MCD12Q1产品、反射率数据、高程DEM和站点尺度地表动量粗糙度长度,所述数据集构建方法为:将上述四类数据集通过随机抽样法拆分为测试数据和验证数据,其中测试数据:验证数据=7:3,测试数据用来训练随机森林模型和测试模型最优参数,验证数据用来验证训练好的随机森林模型的精度。
进一步的,所述使用模型生产每日全球尺度地表粗糙度长度产品,具体为将所述遥感影像数据库输入到训练好的随机森林模型,用于完成全球尺度每日地表粗糙度长度估算。
与现有技术相比,本发明具有以下有益效果:
1、解决目前没有全球尺度地表粗糙度长度遥感产品的空缺;
2、可准确反映真实的地动量粗糙度长度的算法模型;
3、提升全球陆表、水文、气候模型精度。
附图说明
图1是本发明的系统模块框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一
如图1所示,本发明公开的一种全球高分辨率每日地表动量粗糙度长度估算方法,包括以下步骤:
S1.获取全球尺度的气象站点观测数据和初始遥感影像数据,对所述气象站点观测数据和初始遥感影像数据进行预处理,构建气象站点观测数据库和遥感影像数据库;
S2.利用所述气象站点观测数据库数据计算大气稳定度判定指标,筛选出属于中性稳定大气条件下的气象观测数据,并利用风廓线方程结合成本函数计算站点尺度每日地表动量粗糙度长度;
S3.根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据与上述站点尺度每日地表动量粗糙度长度的计算结果,构建全球尺度地表动量粗糙度长度随机森林模型的训练数据集;
S4.利用随机森林模型的训练数据集训练全球尺度地表粗糙度长度估算模型,并使用该模型生产每日全球尺度地表粗糙度长度产品。
全球尺度的气象站点观测数据来源于AmeriFlux和FLUXNET全球通量观测网站,对气象站点观测数据进行预处理,其过程包括提取参数和质量控制两个步骤,其中,提取的参数包括摩擦速度、风速、空气温度、大气压强和显热通量,时间分辨率为30分钟;质量控制是为了减少地表动量粗糙度长度计算过程中的不确定性,控制条件有三个,当三个条件同时满足时,利用上述气象站点提取的参数用来构建地表动量粗糙度长度估算模型气象观测数据库,三个条件分别为:
u>1.5 (2)
u*>0.1 (3)
初始遥感影像数据包括500米空间分辨率MODIS的反射率产品MCD43A4(B1-B7波段)、MODIS土地覆被产品MCD12Q1(IGBP分类标准)和全球数字高程SRTM产品(DEM),初始遥感影像数据预处理过程包括矢量裁剪和定标,构建遥感影像数据库。
根据气象站点观测数据库数据计算大气稳定度判定指标,筛选出属于中性稳定大气条件下的气象观测数据,其计算过程为:使用莫宁﹣奥布霍夫长度(L)来衡量大气的稳定度情况,当|L|>500时,此时的大气处于中性稳定状态,L的计算公式为:
式中,Ta为空气温度(℃),p0为标准大气压(1.013×105Pa),pa为实际大气压(Pa),k为冯卡曼常数(0.4),g为重力加速度(9.81m/s),H为显热通量(W/m2),ρ为空气密度(1.293kg/m3);cp为定压比热(1005J/(kg·K))。
利用风廓线方程结合成本函数计算每日地表动量粗糙度长度,其中,中性稳定大气条件下,风廓线方程可以简化为:
式中,zm为风速u的观测高度(m),d为零平面位移(m),zo为动量粗糙度长度,这里假设d=6.667zo。
利用风廓线方程结合成本函数计算站点尺度每日地表粗糙度长度zo,其原理为:理论上,zo在短时间内是保持不变的,因此,利用成本函数求得一个时间窗口内的平均zo具有更好的鲁棒性,也更符合实际情况,本模型中假定耕地和草地7天内zo保持不变,其他土地(林地、灌木、湿地等)15天内zo保持不变,然后利用成本函数求得对应时间窗口内的zo,当成本函数的误差最小时的zo为最优解。其中,成本函数(J)定义为:
具体计算过程为:如计算某一天耕地和草地的zo,选择这一天及其前3天和后3天(对于林地等其它地类,对应选取前7天和后7天)的30分钟气象观测数据,将所有观测数据代入到成本函数J中求解,n是气象观测数据的次数(这里限制n>30,即保证当前的观测时间内平均每天至少有2次观测结果),对于成本函数J而言,可以通过最小二乘法求解,当J最小时,对应的zo值即代表这一天的站点地表动量粗糙度长度。
根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据库与上述站点尺度每日地表动量粗糙度长度计算结果,具体方法为:利用站点尺度地表动量粗糙度长度结果,根据站点的经纬度位置信息,提取遥感影像数据库对应空间位置的像元值。
构建全球尺度地表粗糙度长度随机森林模型训练数据集,数据集包括四类数据,分别为500米空间分辨率土地类别MCD12Q1产品、反射率MCD43A4(B1-B7)、高程(DEM)和站点尺度地表动量粗糙度长度,数据集构建方法为:将上述四类数据集通过随机抽样法拆分为测试数据和验证数据(测试数据:验证数据=7:3),测试数据用来训练随机森林模型和测试模型最优参数,验证数据用来验证训练好的随机森林模型的精度,当模型精度保持稳定且精度达到要求,即完成模型训练工作。
使用模型生产每日全球尺度地表粗糙度长度产品,具体为将遥感影像数据库输入到训练好的随机森林模型,即可完成全球尺度每日地表粗糙度长度估算。
实施例二
基于实施例一,本实施例提出一种地表动量粗糙度长度估算方法的系统,包括:
数据获取单元,用于获取全球尺度的气象站点观测数据和初始遥感影像数据;
数据预处理单元,用于对气象站点观测数据和初始遥感影像数据进行预处理;
数据库构建单元,用于构建气象站点观测数据库和遥感影像数据库;
稳定度计算单元,用于对气象站点观测数据库数据计算大气稳定度判定指标;
大气条件筛选单元,用于筛选出属于中性稳定大气条件下的气象观测数据;
粗糙度长度计算单元,用于利用风廓线方程结合成本函数计算站点尺度每日地表动量粗糙度长度;
数据匹配单元,用于在像元尺度上匹配遥感影像数据与上述站点尺度每日地表动量粗糙度长度的计算结果;
数据集训练单元,用于构建全球尺度地表动量粗糙度长度随机森林模型训练数据集;
模型估算单元,用于利用随机森林模型训练数据集训练全球尺度地表粗糙度长度估算模型;
模型生产单元,用于使用该模型生产每日全球尺度地表粗糙度长度产品。
实施例三
基于实施例一,本申请提供了一种电子设备,所述电子设备包括存储器、处理器以及用于执行任务的硬件模组,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
实施例四
基于实施例一,本实施例提出一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述任一项所述方法的步骤。
当然,本发明还可有其它多种实施方式,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:包括以下步骤:
S1.获取全球尺度的气象站点观测数据和初始遥感影像数据,对所述气象站点观测数据和初始遥感影像数据进行预处理,构建气象站点观测数据库和遥感影像数据库;
S2.利用所述气象站点观测数据库数据计算大气稳定度判定指标,筛选出属于中性稳定大气条件下的气象观测数据,并利用风廓线方程结合成本函数计算每日地表动量粗糙度长度;
S3.根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据与上述站点尺度每日地表动量粗糙度长度的计算结果,构建全球尺度地表动量粗糙度长度随机森林模型的训练数据集;
S4.利用随机森林模型的训练数据集训练全球尺度地表粗糙度长度估算模型,并使用该模型生产每日全球尺度地表粗糙度长度产品。
3.根据权利要求1所述的一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:所述初始遥感影像数据包括500米空间分辨率MODIS反射率数据、MODIS土地覆被数据和全球数字高程数据DEM,所述初始遥感影像数据预处理过程包括矢量裁剪和定标,构建遥感影像数据库。
6.根据权利要求1所述的一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:本模型中对于耕地和草地选择的观测窗口为7天,对于其他土地选择的观测窗口为15天,假定各地物类型在一个时间窗口内zo保持不变,并利用成本函数求得对应时间窗口内的zo,当成本函数的误差最小时的zo为最优解,其中,成本函数J定义为:
具体计算过程为:将所有观测数据代入到成本函数J中求解,n是气象观测数据的次数,其中限制n>30,对于成本函数J而言,可以通过最小二乘法求解,当J最小时,对应的zo值即代表对应时间窗口中间日的站点地表动量粗糙度长度。
7.根据权利要求3或6所述的一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:所述根据气象站点经纬度位置信息,在像元尺度上匹配遥感影像数据库与上述站点尺度每日地表动量粗糙度长度计算结果,利用所述站点尺度地表动量粗糙度长度结果,根据站点的经纬度位置信息,提取所述遥感影像数据库对应空间位置的像元值。
8.根据权利要求1所述的一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:构建全球尺度地表粗糙度长度随机森林模型的训练数据集,所述数据集包括四类数据,分别为土地类别MCD12Q1、反射率数据、高程DEM和站点尺度地表动量粗糙度长度,所述数据集构建方法为:将上述四类数据集通过随机抽样法拆分为测试数据和验证数据,其中测试数据:验证数据=7:3,测试数据用来训练随机森林模型和测试模型最优参数,验证数据用来验证训练好的随机森林模型的精度。
9.根据权利要求3或8所述的一种全球高分辨率每日地表动量粗糙度长度估算方法,其特征在于:所述使用模型生产每日全球尺度地表粗糙度长度产品,具体为将所述遥感影像数据库输入到训练好的随机森林模型,用于完成全球尺度每日地表粗糙度长度估算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628578.3A CN112733906B (zh) | 2020-12-30 | 2020-12-30 | 一种全球高分辨率每日地表动量粗糙度长度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628578.3A CN112733906B (zh) | 2020-12-30 | 2020-12-30 | 一种全球高分辨率每日地表动量粗糙度长度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733906A true CN112733906A (zh) | 2021-04-30 |
CN112733906B CN112733906B (zh) | 2022-11-25 |
Family
ID=75608174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628578.3A Active CN112733906B (zh) | 2020-12-30 | 2020-12-30 | 一种全球高分辨率每日地表动量粗糙度长度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656419A (zh) * | 2021-07-30 | 2021-11-16 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841847A (zh) * | 2016-03-21 | 2016-08-10 | 北京师范大学 | 一种估算地表潜热通量的方法 |
CN107065036A (zh) * | 2017-04-19 | 2017-08-18 | 中国农业科学院农业资源与农业区划研究所 | 一种联合遥感和气象数据获取全天候蒸散发的方法 |
WO2019224347A1 (en) * | 2018-05-25 | 2019-11-28 | Basf Agro Trademarks Gmbh | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level |
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 |
-
2020
- 2020-12-30 CN CN202011628578.3A patent/CN112733906B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841847A (zh) * | 2016-03-21 | 2016-08-10 | 北京师范大学 | 一种估算地表潜热通量的方法 |
CN107065036A (zh) * | 2017-04-19 | 2017-08-18 | 中国农业科学院农业资源与农业区划研究所 | 一种联合遥感和气象数据获取全天候蒸散发的方法 |
WO2019224347A1 (en) * | 2018-05-25 | 2019-11-28 | Basf Agro Trademarks Gmbh | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level |
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 (2)
Title |
---|
XIAOLONG HU等: "Improving surface roughness lengths estimation using machine learning algorithms", 《AGRICULTURAL AND FOREST METEOROLOGY》 * |
肯巴提·波拉提: "城市下垫面零平面位移和粗糙长度的计算", 《中国优秀硕士学位论文全文数据库 电子期刊 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656419A (zh) * | 2021-07-30 | 2021-11-16 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
CN113656419B (zh) * | 2021-07-30 | 2023-06-13 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112733906B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
CN104142142B (zh) | 全球植被覆盖度估算方法 | |
Benestad et al. | Empirical-statistical downscaling | |
Jönsson et al. | TIMESAT—a program for analyzing time-series of satellite sensor data | |
CN109142679B (zh) | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 | |
Lo | Population estimation using geographically weighted regression | |
CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
CN109543353A (zh) | 三维水汽反演方法、装置、设备和计算机可读存储介质 | |
Liu et al. | A novel entropy-based method to quantify forest canopy structural complexity from multiplatform lidar point clouds | |
CN104063718A (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
Aires et al. | Statistical approaches to assimilate ASCAT soil moisture information—I. Methodologies and first assessment | |
CN115357847B (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
Chen et al. | The smoothness of HASM | |
Mondal et al. | Mountain agriculture extraction from time-series MODIS NDVI using dynamic time warping technique | |
CN113639893B (zh) | 一种基于多气象因子的近地加权平均温度信息获取方法 | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
CN115855272A (zh) | 一种生成近实时逐小时全天候地表温度的方法 | |
CN105841847A (zh) | 一种估算地表潜热通量的方法 | |
Mugume et al. | Comparison of parametric and nonparametric methods for analyzing the bias of a numerical model | |
Chen et al. | Surface modeling of DEMs based on a sequential adjustment method | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
Mateus et al. | Assessment of two techniques to merge ground-based and TRMM rainfall measurements: a case study about Brazilian Amazon Rainforest | |
CN112733906B (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 |
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 |