CN112782096A - 一种基于反射光谱数据的土壤有机碳密度估算方法 - Google Patents
一种基于反射光谱数据的土壤有机碳密度估算方法 Download PDFInfo
- Publication number
- CN112782096A CN112782096A CN202011487737.2A CN202011487737A CN112782096A CN 112782096 A CN112782096 A CN 112782096A CN 202011487737 A CN202011487737 A CN 202011487737A CN 112782096 A CN112782096 A CN 112782096A
- Authority
- CN
- China
- Prior art keywords
- soil
- organic carbon
- reflection spectrum
- spectrum data
- carbon density
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 156
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 96
- 238000001228 spectrum Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 239000000126 substance Substances 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims 1
- 229910052793 cadmium Inorganic materials 0.000 claims 1
- 229910052708 sodium Inorganic materials 0.000 claims 1
- 239000011734 sodium Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010238 partial least squares regression Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- -1 50W halogen Chemical class 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于反射光谱数据的土壤有机碳密度估算方法,属于计量土壤学技术领域,包括步骤:土壤样品采集和预处理,获取土壤样品的物理化学属性,计算每个土样的单位厘米厚度土壤有机碳密度;测量预处理后的土壤样品反射率,得到反射光谱数据;反射光谱数据预处理,包括断点校正,以及对光谱曲线进行平滑处理;构建单位厘米厚度土壤有机碳密度的反射光谱估算模型;建立土壤有机碳密度与反射光谱数据的函数关系。本发明通过土壤反射光谱数据直接、快速、精确估算土壤碳密度,提高了土壤有机碳储量数据的可获取性。
Description
技术领域
本发明涉及计量土壤学技术领域,尤其涉及一种基于反射光谱数据的土壤有机碳密度估算方法。
背景技术
土壤碳主要包括土壤有机碳和土壤无机碳,其中土壤无机碳较为稳定。土壤有机碳是动植物残体、微生物体、土壤微生物作用生成的腐殖质的合称,主要分布在1米深度的土体内。土壤有机碳对土壤的物理、化学性质有着重要影响,并直接影响着土壤质量。土壤碳库储量约是大气碳库储量与陆地生态圈碳库储量的总和,是最大的陆地生态系统碳库,也是全球第三大碳库。较小的土壤碳库变化会对大气二氧化碳产生较大影响,因此土壤碳储量数据对于减缓土壤中温室气体的排放、预测全球气候变化趋势及采取应对决策具有重要意义。
土壤碳密度是评价和衡量土壤中有机碳储量的一个极其重要的指标。土壤有机碳密度是指单位面积一定深度的土层中土壤有机碳的储量。土壤碳密度的获取以土壤有机碳含量、土壤容重、土层厚度、大于2mm的石砾体积百分比等属性数据为基础。目前对土壤有机碳的测定主要为化学方法,具有污染性、成本高、检测周期长等不足,而容重和石砾含量数据的获取较为困难(有时甚至无法测定),这些因素共同制约了土壤有机碳密度数据的获取。因此,现有技术中急需一种无污染、低成本、快速准确的土壤有机碳密度的检测方法。
发明内容
发明目的:针对以上问题,本发明提出一种基于反射光谱数据的土壤有机碳密度估算方法,以解决目前有机碳密度和碳储量计算过程中有机碳含量测定周期长成本高、以及对容重和石砾含量数据过度依赖的问题。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于反射光谱数据的土壤有机碳密度估算方法,包括如下步骤:
步骤A:土壤样品采集和预处理,获取土壤样品的物理化学属性,计算每个土样的单位厘米厚度土壤有机碳密度SOCDicm;
步骤B:测量预处理后的土壤样品反射率,得到350-2500nm波段的反射光谱数据;
步骤C:反射光谱数据预处理,包括断点校正,以及对光谱曲线进行平滑处理;
步骤D:构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型;
步骤E:基于步骤D,建立土壤有机碳密度与反射光谱数据的函数关系。
进一步地,步骤A获取的土壤样品的物理化学属性包括有机碳含量、大于2mm石砾所占的体积百分比、土壤容重、土层厚度;单位厘米厚度土壤有机碳密度是单位面积1cm厚度的土壤有机碳储量,表达式为式一:SOCDicm=SOCi×BDi×H×(1-Gi)/10,式中SOCi为第i层的土壤有机碳含量,BDi为第i层的土壤容重,H为土层厚度1cm,Gi为第i层的大于2mm的石砾所占的体积百分比。
进一步地,步骤B采集土壤光谱前首先去除暗电流,然后利用漫反射标准参照板获取相对反射率;光谱采集过程中,光源与垂直方向成一定角度,与土壤样品距离为a;探头垂直于土壤样品进行光谱采集,与土壤样品距离为b;每个土壤样品采集n条光谱曲线,算术平均后得到该土壤样品的350-2500nm波段反射光谱数据。
进一步地,根据计算得到的单位厘米厚度土壤有机碳密度SOCDicm和经过预处理的反射光谱数据Xi,构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型,表达式为式二:SOCDicm=f(Xi);
土层i的有机碳密度SOCDi表示为土壤反射光谱数据的函数关系,表达式为式三:SOCDi=SOCDicm×Hi=f(Xi)×Hi,式中Hi为第i层的土层厚度;
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
光谱分析技术具有分析速度快、成本低、无危险、无破坏、可同时估算多种成分等特点,为土壤研究提供了新的手段与方法。通过本发明提供的一种基于反射光谱数据的土壤有机碳密度估算方法,解决了土壤有机碳密度和碳储量计算过程中属性数据测定费用高周期长、以及对容重和石砾含量数据过度依赖的问题,提供了一种通过土壤反射光谱数据直接、快速、精确估算土壤碳密度的方法,提高了土壤有机碳储量数据的可获取性。本发明为了解土壤有机碳密度状况以及研究土壤碳库对全球气候变化的影响提供了快速获取基础数据的新手段,适合推广应用。
附图说明
图1是本发明整体的方法流程图;
图2是本发明实施例的单位厘米厚度土壤有机碳密度真实值与预测值散点图;
图3是本发明实施例的1m剖面土壤有机碳密度真实值与预测值散点图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于反射光谱数据的土壤有机碳密度估算方法,图1是估算方法流程图,该流程包括如下步骤:
步骤A:土壤样品采集和预处理,获取土壤样品的物理化学属性,包括有机碳含量、大于2mm石砾所占的体积百分比、土壤容重、土层厚度;计算每个土样的单位厘米厚度土壤有机碳密度SOCDicm(t/hm2);单位厘米厚度土壤有机碳密度是单位面积1cm厚度的土壤有机碳储量,表达式为式一:SOCDicm=SOCi×BDi×H×(1-Gi)/10,式中SOCi为第i层的土壤有机碳含量(g/kg),BDi为第i层的土壤容重(g/cm3),H为土层厚度1cm,Gi为第i层的大于2mm的石砾所占的体积百分比(%)。
步骤B:测量预处理后的土壤样品反射率,得到350-2500nm波段的反射光谱数据。
本实施例中,土壤反射光谱数据测量在暗室内采用FieldSpec 3便携式光谱分析仪进行。采集土壤光谱前首先去除暗电流,然后利用40cm×40cm漫反射标准参照板获取相对反射率。光谱采集过程中,光源为一盏50W卤素灯,与垂直方向角度为15°,距离样品30cm;采用5度视场角探头,距土壤样品15cm处垂直进行光谱采集;每个土壤样品采集20条光谱曲线,算术平均后得到该土壤样品的350-2500nm波段反射光谱数据。
步骤C:反射光谱数据预处理;首先使用软件ViewSpecPro进行断点校正,消除仪器自身原因产生的断点,然后对光谱曲线进行Savitzky-Golay平滑处理。
步骤D:根据计算得到的单位厘米厚度土壤有机碳密度SOCDicm和经过预处理的反射光谱数据Xi,构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型,表达式为式二:SOCDicm=f(Xi)。
步骤E:基于步骤D,建立土壤有机碳密度与反射光谱数据的函数关系。
土层i的有机碳密度SOCDi表示为土壤反射光谱数据的函数关系,表达式为式三:SOCDi=SOCDicm×Hi=f(Xi)×Hi,式中Hi为第i层的土层厚度;设某一土体的剖面由m个土层组成,该剖面的有机碳密度SOCD表示为土壤反射光谱数据的函数关系,表达式为式四:
本实施例以江苏省东台市范公堤以东地区土壤有机碳密度反射光谱估算为例。在研究区内与海岸线垂直自东而西依次采集了11个剖面,每个剖面按照特定采样区间采集10个样品,采样深度为0-5cm、5-10cm、10-15cm、15-20cm、20-30cm、30-40cm、40-50cm、50-60cm、60-80cm和80-100cm,共采集土壤样品110个。研究区有机碳含量范围介于1.00g/kg和17.03g/kg之间,平均值为4.67g/kg。通过表达式一计算得到单位厘米厚度土壤有机碳密度SOCDicm,其范围介于0.13t/hm2和1.86t/hm2之间,平均值为0.64t/hm2。
对预处理后的土壤样品采用美国ASD公司生产的FieldSpec 3便携式光谱分析仪分别测定110个土壤样品的反射率,得到350-2500nm波段反射光谱数据。需要说明的是,光谱采集过程中,盛于容器内的土样随自动旋转平台旋转的同时测反射率,每个样本得到20条光谱曲线,算术平均后得到该土样的反射光谱数据。ASD光谱仪由三个光谱仪组成,在1000nm和1800nm附近会出现由于仪器转换产生的断点,因此使用软件ViewSpecPro进行断点校正,然后对光谱曲线进行Savitzky-Golay平滑处理。
偏最小二乘回归集典型相关分析、主成分分析与多元线性回归分析于一体,可以较好地解决自变量多重共线性问题,允许在样本个数少于变量个数条件下进行回归建模。该方法广泛应用于反射光谱估算土壤属性的研究。使用Unscrambler软件,采用偏最小二乘回归分析方法构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型。
图2为本发明实施例的单位厘米厚度土壤有机碳密度真实值与预测值散点图,可以发现采用偏最小二乘回归分析方法构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型精度较高,建模决定系数R2高达0.93,建模均方根误差RMSE仅有0.12t/hm2,说明模型具有高精度预测能力。该结果表明,本发明的方法可以通过反射光谱数据准确、快速地估算单位厘米厚度土壤有机碳密度。
在采用偏最小二乘回归分析方法构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型基础上,计算得到土层i的有机碳密度SOCDi和1m剖面的有机碳密度SOCD。图3是本发明实施例的1m剖面土壤有机碳密度真实值与预测值散点图,决定系数R2高达0.90,说明基于偏最小二乘回归分析方法构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型可以用于估算1m剖面土壤有机碳密度,且估算精度很高。
在上述实施例中虽然仅使用了偏最小二乘回归分析方法构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型,但本方法仍然适用于其它建模方法(如多元线性回归、人工神经网络、支持向量机等)来构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型。
本发明方法针对土壤有机碳密度和碳储量计算过程中属性数据测定费用高周期长、以及对容重和石砾含量数据过度依赖的问题,通过单位厘米厚度土壤有机碳密度SOCDicm与反射光谱数据的拟合程度较高,建立了一种通过土壤反射光谱数据直接、快速、精确的估算土壤碳密度的新方法,进而提高了土壤碳储量数据的可获取性。本发明方法适合推广应用。
Claims (4)
1.一种基于反射光谱数据的土壤有机碳密度估算方法,其特征在于,步骤如下:
步骤A:土壤样品采集和预处理,获取土壤样品的物理化学属性,计算每个土样的单位厘米厚度土壤有机碳密度SOCDicm;
步骤B:测量预处理后的土壤样品反射率,得到350-2500nm波段的反射光谱数据;
步骤C:反射光谱数据预处理,包括断点校正,以及对光谱曲线进行平滑处理;
步骤D:构建单位厘米厚度土壤有机碳密度SOCDicm的反射光谱估算模型;
步骤E:基于步骤D,建立土壤有机碳密度与反射光谱数据的函数关系。
2.根据权利要求1所述的基于反射光谱数据的土壤有机碳密度估算方法,其特征在于,所述步骤A获取的土壤样品的物理化学属性包括有机碳含量、大于2mm石砾所占的体积百分比、土壤容重、土层厚度;单位厘米厚度土壤有机碳密度是单位面积1cm厚度的土壤有机碳储量,表达式为式一:SOCDicm=SOCi×BDi×H×(1-Gi)/10,式中SOCi为第i层的土壤有机碳含量,BDi为第i层的土壤容重,H为土层厚度1cm,Gi为第i层的大于2mm的石砾所占的体积百分比。
3.根据权利要求1所述的基于反射光谱数据的土壤有机碳密度估算方法,其特征在于,所述步骤B采集土壤光谱前首先去除暗电流,然后利用漫反射标准参照板获取相对反射率;光谱采集过程中,光源与垂直方向成一定角度,与土壤样品距离为a;探头垂直于土壤样品进行光谱采集,与土壤样品距离为b;每个土壤样品采集n条光谱曲线,算术平均后得到该土壤样品的350-2500nm波段反射光谱数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011487737.2A CN112782096A (zh) | 2020-12-16 | 2020-12-16 | 一种基于反射光谱数据的土壤有机碳密度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011487737.2A CN112782096A (zh) | 2020-12-16 | 2020-12-16 | 一种基于反射光谱数据的土壤有机碳密度估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112782096A true CN112782096A (zh) | 2021-05-11 |
Family
ID=75751058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011487737.2A Pending CN112782096A (zh) | 2020-12-16 | 2020-12-16 | 一种基于反射光谱数据的土壤有机碳密度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782096A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420412A (zh) * | 2021-05-26 | 2021-09-21 | 南京信息工程大学 | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 |
CN114279976A (zh) * | 2021-12-27 | 2022-04-05 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338495A (zh) * | 2016-10-09 | 2017-01-18 | 塔里木大学 | 一种盐渍化土壤有机碳含量的检测方法 |
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
CN111539380A (zh) * | 2020-05-14 | 2020-08-14 | 中国科学院地球化学研究所 | 一种基于岩石裸露率的喀斯特山地土壤有机碳储量与碳密度估算方法 |
-
2020
- 2020-12-16 CN CN202011487737.2A patent/CN112782096A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338495A (zh) * | 2016-10-09 | 2017-01-18 | 塔里木大学 | 一种盐渍化土壤有机碳含量的检测方法 |
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
CN111539380A (zh) * | 2020-05-14 | 2020-08-14 | 中国科学院地球化学研究所 | 一种基于岩石裸露率的喀斯特山地土壤有机碳储量与碳密度估算方法 |
Non-Patent Citations (1)
Title |
---|
刘艳芳等: "结合高光谱信息的土壤有机碳密度地统计模型", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420412A (zh) * | 2021-05-26 | 2021-09-21 | 南京信息工程大学 | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 |
CN114279976A (zh) * | 2021-12-27 | 2022-04-05 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
CN114279976B (zh) * | 2021-12-27 | 2023-09-19 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583214B (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN112782096A (zh) | 一种基于反射光谱数据的土壤有机碳密度估算方法 | |
CN114236645B (zh) | 一种大规模降雨监测异常站点筛查方法 | |
CN112782385B (zh) | 一种土壤有机碳密度和储量估算方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN108981616A (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 | |
CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN113420412B (zh) | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN110907318A (zh) | 一种近地面大气总悬浮颗粒物质量浓度遥感物理估算方法 | |
CN108170951B (zh) | 基于采样数据时空匹配示踪试验的纵向离散系数确定方法 | |
CN113607710B (zh) | 一种在线监测水质的方法及其应用的装置和系统 | |
CN114005027A (zh) | 一种基于无人机影像的城市单木检测系统及方法 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
CN115598027A (zh) | 一种基于遥感和机器学习技术的pm2.5反演方法 | |
CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 | |
CN111814397A (zh) | 结合源解析与机器学习以提升森林生物量的估算精度 | |
CN116973321A (zh) | 一种基于高光谱的缓流水体总氮浓度估算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |
|
RJ01 | Rejection of invention patent application after publication |