CN112858632B - 一种综合考虑温度和水分胁迫的草地旱情监测方法 - Google Patents
一种综合考虑温度和水分胁迫的草地旱情监测方法 Download PDFInfo
- Publication number
- CN112858632B CN112858632B CN202110046707.6A CN202110046707A CN112858632B CN 112858632 B CN112858632 B CN 112858632B CN 202110046707 A CN202110046707 A CN 202110046707A CN 112858632 B CN112858632 B CN 112858632B
- Authority
- CN
- China
- Prior art keywords
- drought
- index
- pixel
- vdi
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 49
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000013316 zoning Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 239000002689 soil Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011068 loading method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- 230000035882 stress Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N33/246—Earth materials for water content
-
- 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
-
- 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
- G01N33/245—Earth materials for agricultural purposes
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种综合考虑温度和水分胁迫的草地旱情监测方法，包括以下步骤：S1、获取大尺度遥感数据并进行处理；S2、构建旱情监测模型VDI；S3、划分研究区的旱情基本单元；S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；S5、确定VDI旱情级别阈值；S6、获取旱情分布结果。本发克服了仅采用植被指数和地表温度的干旱指数模型无法及时反映旱情空间分布和变化状态的弊端，并解决了温度指数与植被指数相关性不显著情况下影响旱情监测精度的问题；此外，弥补了单一系数模型的不足，有效提高了大尺度草地旱情监测的准确性。
Description
技术领域
本发明涉及一种旱情监测方法，尤其涉及一种综合考虑温度和水分胁迫的草地旱情监测方法。
背景技术
旱灾持续时间长，影响范围广，短时间内反复发生，是对人类社会特别是农业生产造成损失最严重的自然灾害之一，对国民经济的发展有重大的影响。随着全球气候变暖，干旱发生频率有明显上升的趋势，全世界有20亿人口和41％的地区受到不同程度的干旱影响。准确掌握旱情程度和分布，及时采取有效的防旱抗旱措施，科学地指导农业生产，具有重要的现实意义。
传统的干旱监测方法，主要是根据有限的旱情测量站点测定土壤水分含量来进行旱情监测，采样速度慢、范围有限，而且花费大量的人力物力，难以满足当前实时、大尺度旱情监测的需求。随着遥感技术的迅速发展，通过卫星影像快速获取大尺度数据能够实现实时或准实时大范围旱情监测。目前，现有大尺度旱情监测指数多建立在地表温度与植被指数呈负相关的基础上，在地表温度与植被指数呈现正相关或不相关的地区旱情监测精度存在明显偏差，而且植被指数对土壤水分和干旱的反应具有滞后性，受不同区域地表大气环流、下垫面条件、不同生长期等因素影响，现有的大多数旱情监测指数都有其不同的适用范围，导致了旱情监测结果的精度无法得到有效保证。
综合而言，现有的草地旱情监测方法主要存在以下三大技术缺陷：第一，旱情的监测需要实时快速响应，现有技术仅仅依靠植被指数和温度因子无法及时获取旱情的变化动态，导致了旱情监测响应不够及时；第二，未考虑在植被指数与温度指数相关性不显著的情况，导致不受温度胁迫情况下的旱情监测精度的降低；第三，现有技术仅依赖单一系数模型，未考虑不同下垫面类型的特殊性，导致模型适用的区域和范围十分有限。
由此，基于现有的草地旱情监测技术的局限性，亟需提出一种综合考虑温度和水分胁迫的草地旱情监测方法。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种综合考虑温度和水分胁迫的草地旱情监测方法。
为了解决以上技术问题，本发明采用的技术方案是：一种综合考虑温度和水分胁迫的草地旱情监测方法，包括以下步骤：
S1、获取大尺度遥感数据并进行处理；
S2、构建旱情监测模型VDI；
S3、划分研究区的旱情基本单元；
S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；
S5、确定VDI旱情级别阈值；
S6、获取旱情分布结果。
2、根据权利要求1所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，获取长时间序列公里级中低分辨遥感数据作为大尺度遥感数据，中低分辨遥感数据包括MODIS日产品植被指数NDVI0和地表温度LST0，近红外反射率数据ρNIR0和短波红外反射率数据ρSWIR0，空间分辨率均为1km。
进一步地，步骤S1中，通过近红外波段与短波红外波段运算，获取日植被水分指数NDWI，如式1所示：
式中，ρNIR为近红外反射率产品；ρSWIR为短波红外反射率产品；NDWI为植被水分指数，反映植被冠层的水分含量；
通过多项式平滑算法消除云的影响，构建逐日植被指数NDVI0、地表温度LST0、植被水分指数NDWI0长时间序列数据集；然后，根据数据质量标志和每个旬的可用天数，将植被指数、地表温度、植被水分指数以旬为周期进行均值合成，得到旬植被指数、旬地表温度以及旬植被水分指数，并获取逐旬极大值NDVImax、LSTmax和NDWImax，以及逐旬极小值NDVImin、LSTmin和NDWImin；
获取长时间序列站点的气温AT0和降水数据PR0，通过反距离加权法分别将站点数据AT0和PR0插值为长时间序列栅格数据集ATL和PRL，空间分辨率为1km，对长时间序列栅格数据集ATL和PRL分别求取均值，得到年平均气温
和
年平均降水数据，此部分数据用于旱情区划基本单元的制备；
获取长时间序列地面观测区域的草地根区土壤水分站点旬数据SM以及田间持水量站点数据FC，将土壤水分数据转化为相对土壤相对湿度，具体计算如式2所示：
式中，RSM为站点相对土壤相对湿度，此部分数据用于旱情程度分级阈值的确定。
进一步地，步骤S2中，旱情监测模型VDI的构建过程为：
1)计算温度状态指数TCI和植被条件指数VCI；
利用旬地表温度LST数据集以及旬植被指数NDVI数据集，逐像元计算出温度状态指数TCI和植被条件指数VCI，计算公式如式3和式4所示：
式中，NDVImax和NDVImin分别是旬植被水分指数NDVI的历史最大值和最小值，LSTmax和LSTmin分别是旬地表温度LST的历史最大值和最小值。
2)计算水分状态指数WCI；
逐像元构建水分状态指数WCI，如式5所示：
式中，NDWImax和NDWImin分别是植被水分指数NDWI的历史最大值和最小值，WCI是水分状态指数，表征植被含水情况；WCI越大表示水分状况越好，反之，WCI越小则干旱越严重；
3)构建旱情监测模型，如式6所示：
式中，TCI为温度状态指数，VCI为植被条件指数，WCI为水分状态指数，VDI为旱情监测指数模型；RNDVI&LST为植被指数NDVI与地表温度LST之间相关系数，当RNDVI&LST≤-0.4时表明NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；t、v和w分别为模型系数，由步骤S4估算得到。
进一步地，步骤S3中，研究区的旱情基本单元划分过程为：先进行草地类型划分，通过ENVI的N维可视化器在每个草地类型区内分别进行监督分类，完成每个草地类型旱情单元的划分。
进一步地，步骤S4中，结合步骤S2中获取的指数数据集，即：温度状态指数TCI、植被条件指数VCI、水分状态指数WCI，逐像元获取各个主成分的载荷来估算VDI权重系数，然后结合旱情区划单元数据，在每个区划单元内估算VDI综合权重系数；
VDI权重系数估算包括四个步骤：1)指数矩阵的标准化处理；2)单个主成分荷载的确定；3)基于像元的指数权重系数的确定；4)基于旱情区划单元的指数权重系数确定。
进一步地，当RNDVI&LST≤-0.4时，旱情监测指数模型表示为：VDI＝t×TCI+v×VCI+w×WCI；
VDI权重系数估算的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列的温度状态指数TCI、植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：
其中，CIp j,n为原矩阵对应的元素，p表示第p个像元，j表示第j个指数，j∈[1,3]，分别对应TCI、VCI和WCI三个指数，n为年数，n∈[1,20]；
为标准化后的结果，
为第j个指数对应的平均值，
为第j个指数对应的标准差，
为标准化处理后的数据矩阵；
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化三个指数的贡献度，主成分可表示为特征值、特征向量和三个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到三个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p,a3i,p)，i∈[1,3]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与三个指数的线性组合，lij,p的计算公式如下：
式中，i表示第i个主成分，j表示第j个指数，i,j∈[1,3]，分别对应TCI、VCI和WCI；lij,p为第p个像元第i个主成分第j个指数对应的载荷；λi,p为第p个像元第i个特征值，aij,p表示第p个像元第i个特征向量的第j个分量；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，如式11-13所示：
式中，i表示第i个主成分，i∈[1,3]，λi,p为第p个像元第i个特征值；tp、vp、wp为基于像元的权重系数，分别对应TCI、VCI和WCI；li1,p、li2,p和li3,p分别为第p个像元的第i个主成分对应的TCI、VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重tp、vp和wp,通过算数平均法得到整个区划单元的权重系数，如式14-16所示：
式中，u表示第u个单元，p表示第p个像元，u∈[1,U]，p∈[1,q]，q为区划单元u对应的像元总数；tp、vp和wp为基于像元的权重系数，分别对应TCI、VCI和WCI，即：分别表示第u个单元中的第p个像元对应TCI、VCI和WCI的系数；tu、vu和wu分别为第u个单元对应的TCI、VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
进一步地，当RNDVI&LST＞-0.4时，旱情监测指数模型表示为：VDI＝v×VCI+w×WCI；
VDI权重系数估算的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列的植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数；按照式8对该矩阵进行标准化处理，结果如下：
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化两个指数的贡献度，主成分可表示为特征值、特征向量和两个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到两个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p)，i∈[1,2]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与两个指数的线性组合，lij,p按公式10进行计算；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，如式19-20所示：
式中，i表示第i个主成分，i∈[1,2]，λi,p为第p个像元第i个特征值；vp、wp为基于像元的权重系数，分别对应VCI和WCI；li1,p、li2,p分别为第p个像元的第i个主成分对应的VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重vp和wp,通过算数平均法得到整个区划单元的权重系数，分别按公式15、16进行计算，确定VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
进一步地，步骤S5中，通过旱情监测模型公式5计算出不同草地类型对应的不同旱情区划单元对应的长时间序列的VDI数据，利用土壤相对湿度站点数据RSM坐标信息提取对应位置的旱情监测指数VDI，将RSM和VDI进行多项式拟合，构建模型如下：
VDI＝f(RSM)＝μ1+μ2×RSM+μ3×RSM2+μ4×RSM3 式21
式中，μ1、μ2、μ3和μ4分别为拟合模型的系数，f是RSM和VDI之间构建的多项式拟合模型；
结合上述公式21以及不同旱情等级对应的RSM阈值，确定不同RSM区间对应的VDI阈值。
进一步地，根据获得的旱情监测指数模型，按照是否受到温度胁迫影响，选择相应的旱情监测指数模型来估算VDI指数值，计算不同旱情等级所对应的VDI阈值，再对VDI结果进行分级即可获取每一个像元的确切的旱情等级状态，其识别结果分为五种状态：特大干旱、严重干旱、中度干旱、轻度干旱和无干旱；最后，结合旱情状态的识别结果，绘制出区域旱情状态空间分布图。
本发明公开了一种综合考虑温度和水分胁迫的草地旱情监测方法，除了采用植被条件指数和温度状态指数之外，还额外将与植被冠层水分含量实时变化密切相关的植被水分指数引入新建了水分状态指数，克服了仅采用植被指数的干旱指数模型无法及时反映旱情空间分布和变化状态的弊端。本发明还通过建立分段函数将草地旱情分为受温度胁迫和不受温度胁迫两种情况，解决了温度指数与植被指数相关性不显著情况下影响旱情监测精度的问题。此外，考虑到不同下垫面类型，通过主成分分析根据不同旱情区划类型分类获取权重系数，弥补了单一系数模型的不足，有效提高了大尺度草地旱情监测的准确性。
附图说明
图1为本发明的方法流程示意图。
图2为本发明具体实施的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种综合考虑温度和水分胁迫的草地旱情监测方法，首先，利用中低分辨率遥感每日数据获取大尺度遥感旬产品，估算温度状态指数TCI、植被条件指数VCI以及水分状态指数WCI构建旱情监测模型，结合气温、降雨以及反射率数据实现不同草地类型内部旱情基本单元的划分，在不同旱情区划单元通过主成分分析法确定最优权重系数，最终实现大尺度高精度旱情级别分布图的制作。本发明所公开的综合考虑温度和水分胁迫的草地旱情监测方法，其总体技术流程如图1所示，包括以下六个步骤：
S1、获取大尺度遥感数据并进行处理；
S2、构建旱情监测模型VDI；
S3、划分研究区的旱情基本单元；
S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；
S5、确定VDI旱情级别阈值；
S6、获取旱情分布结果。
下面对具体的处理过程，做详细的介绍。
S1、获取大尺度遥感数据并进行处理
结合旱情监测的空间分辨率和时间尺度需求，从现有的公开网站(如美国NASA官网)上下载长时间序列(>＝20年)公里级中低分辨遥感数据，所下载的中低分辨遥感数据即本发明所需的大尺度遥感数据，包括MODIS日产品植被指数NDVI0和地表温度LST0，近红外反射率数据ρNIR0和短波红外反射率数据ρSWIR0，空间分辨率均为1km。
其中，近红外反射率产品(中心波长介于0.77um-0.90um)和短波红外反射率产品(中心波长介于1.55um-1.75um)；
通过近红外波段与短波红外波段运算，获取日植被水分指数NDWI，如式1所示：
式中，ρNIR为近红外反射率产品；ρSWIR为短波红外反射率产品；NDWI为植被水分指数，反映植被冠层的水分含量；
通过多项式平滑算法消除云的影响，构建逐日植被指数NDVI0、地表温度LST0、植被水分指数NDWI0长时间序列数据集；然后，根据数据质量标志和每个旬的可用天数，将植被指数、地表温度、植被水分指数以旬为周期进行均值合成，得到旬反射率数据、旬植被指数、旬地表温度、旬植被水分指数，并获取逐旬极大值NDVImax、LSTmax和NDWImax，以及逐旬极小值NDVImin、LSTmin和NDWImin；
获取长时间序列站点的气温AT0和降水数据PR0，通过反距离加权法分别将站点数据AT0和PR0插值为长时间序列栅格数据集ATL和PRL，空间分辨率为1km，对长时间序列栅格数据集ATL和PRL分别求取均值，得到年平均气温
和
年平均降水数据，此部分数据用于旱情区划基本单元的制备；
获取长时间序列(>＝20年)地面观测区域的草地根区土壤水分站点旬数据SM以及田间持水量站点数据FC，将土壤水分数据转化为相对土壤相对湿度，具体计算如式2所示：
式中，RSM为站点相对土壤相对湿度，此部分数据用于旱情程度分级阈值的确定。
S2、构建旱情监测模型VDI
旱情监测模型VDI的构建包括三步，分别是温度状态指数TCI和植被条件指数VCI的估算；水分状态指数WCI的构建和估算；旱情监测模型VDI的构建。具体过程为：
1)计算温度状态指数TCI和植被条件指数VCI；
利用旬地表温度LST数据集以及旬植被指数NDVI数据集，逐像元计算出温度状态指数TCI和植被条件指数VCI，计算公式如式3和式4所示：
式中，NDVImax和NDVImin分别是植被水分指数NDVI的历史最大值和最小值，LSTmax和LSTmin分别是旬地表温度LST的历史最大值和最小值。
2)计算水分状态指数WCI；
为消除旬植被水分指数NDWI受到短期或长期生态系统变化、气候差异等的影响，以及NDWI在时空范围内无法直接比较的问题，逐像元构建水分状态指数WCI，如式5所示：
式中，NDWImax和NDWImin分别是旬植被水分指数NDWI的历史最大值和最小值，WCI是水分状态指数，表征植被含水情况；WCI越大表示水分状况越好，反之，WCI越小则干旱越严重；
3)构建旱情监测模型，如式6所示：
式中，TCI为温度状态指数，VCI为植被条件指数，WCI为水分状态指数，VDI为旱情监测指数模型；RNDVI&LST为植被指数NDVI与地表温度LST之间相关系数，当RNDVI&LST≤-0.4时表明NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；t、v和w分别为模型系数，由步骤S4估算得到。
S3、旱情基本单元划分
研究区的旱情基本单元划分过程为：先进行草地类型划分，根据旱情呈现差异一般将草地划分为荒漠草地、草原草地、森林草地、高原草地等类型，可根据实际情况确定最终的草地类型划分。
可通过ENVI的N维可视化器在每个草地类型区内分别进行监督分类，即对平均气温
降水数据
以及近红外、短波红外反射率数据进行N维可视化，通过目视判断和旋转散点图的几何特性寻找光谱端元，将所有端元划分成对应的单元，最终，完成每个草地类型旱情单元的划分。此处的草地类型中旱情单元的划分结果将应用于步骤S4中，用于权重系数的估算。
S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数
结合步骤S2中获取的指数数据集，指数数据集指的是：温度状态指数TCI、植被条件指数VCI、水分状态指数WCI，逐像元获取各个主成分的载荷来估算VDI权重系数，然后结合旱情区划单元数据，在每个区划单元内估算VDI综合权重系数；概括来说，包括以下四个步骤：1)指数矩阵的标准化处理；2)单个主成分荷载的确定；3)基于像元的指数权重系数的确定；4)基于旱情区划单元的指数权重系数确定。
根据公式6构建的旱情监测指数模型VDI，可分为两种情况来驱动模型权重系数；
(1)第一种情况，当RNDVI&LST≤-0.4时，NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；此时，旱情监测指数模型表示为：VDI＝t×TCI+v×VCI+w×WCI；
VDI权重系数估算的四个处理步骤的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列(>＝2年)的温度状态指数TCI、植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，
处理结果如下：
其中，CIp j,n为原矩阵对应的元素，p表示第p个像元，j表示第j个指数，j∈[1,3]，分别对应TCI、VCI和WCI三个指数，n为年数，n∈[1,20]；
为标准化后的结果，
为第j个指数对应的平均值，
为第j个指数对应的标准差，
为标准化处理后的数据矩阵；
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化三个指数的贡献度，主成分可表示为特征值、特征向量和三个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到三个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p,a3i,p)，i∈[1,3]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与三个指数的线性组合，lij,p的计算公式如下：
式中，i表示第i个主成分，j表示第j个指数，i,j∈[1,3]，分别对应TCI、VCI和WCI；lij,p为第p个像元各个主成分的载荷；λi,p为第p个像元第i个特征值，aij,p表示第p个像元第i个特征向量的第j个分量；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，具体计算如式11-13所示：
式中，i表示第i个主成分，i∈[1,3]，λi,p为第p个像元第i个特征值；tp、vp、wp为基于像元的权重系数，分别对应TCI、VCI和WCI；li1,p、li2,p和li3,p分别为第p个像元的第i个主成分对应的TCI、VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重tp、vp和wp,通过算数平均法得到整个区划单元的权重系数，具体计算如式14-16所示：
式中，u表示第u个单元，p表示第p个像元，u∈[1,U]，p∈[1,q]，q为区划单元u对应的像元总数；tp、vp和wp为基于像元的权重系数，分别对应TCI、VCI和WCI，即：分别表示第u个单元中的第p个像元对应TCI、VCI和WCI的系数；tu、vu和wu分别为第u个单元对应的TCI、VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
(2)当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；旱情监测指数模型表示为：VDI＝v×VCI+w×WCI；
此时，VDI权重系数估算的四个处理步骤的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列(>＝20年)的植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化两个指数的贡献度，主成分可表示为特征值、特征向量和两个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到两个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p)，i∈[1,2]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与两个指数的线性组合，lij,p按公式10进行计算；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，具体计算如式19-20所示：
式中，i表示第i个主成分，i∈[1,2]，λi,p为第p个像元第i个特征值；vp、wp为基于像元的权重系数，分别对应VCI和WCI；li1,p、li2,p分别为第p个像元的第i个主成分对应的VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重vp和wp,通过算数平均法得到整个区划单元的权重系数，分别按公式15、16进行计算，确定VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
S5、确定VDI旱情级别阈值
将步骤S1中获取的土壤相对湿度数据RSM，结合中华人民共和国水利行业标准SL424-2008的《土壤相对湿度旱情等级划分标准》，以土壤相对湿度可划分为特大干旱、严重干旱、中度干旱、轻度干旱和无干旱五级，不同级别对应的RSM具体值域范围如表1；通过旱情监测模型公式5能够计算出不同草地类型对应的不同旱情区划单元对应的长时间序列的VDI数据，利用土壤相对湿度站点数据RSM坐标信息提取对应位置的旱情监测指数VDI，将RSM和VDI进行多项式拟合，构建模型如下：
VDI＝f(RSM)＝μ1+μ2×RSM+μ3×RSM2+μ4×RSM3 式21
式中，μ1、μ2、μ3和μ4分别为拟合模型的系数，f是RSM和VDI之间构建的多项式拟合模型；
结合上述公式以及表1中不同旱情等级对应的RSM阈值，可以确定不同RSM区间对应的VDI阈值，即不同旱情等级所对应的VDI阈值；
表1旱情程度分级表
相应的，基于VDI的各个旱情等级阈值可以表示为：
V1＝f(30) 式22
V2＝f(40) 式23
V3＝f(50) 式24
V4＝f(60) 式25
S6、获取旱情分布结果
根据上述步骤获得的旱情监测指数模型，可以按照是否受到温度胁迫影响，选择相应的旱情监测指数模型来估算VDI指数值，然后结合公式22-25计算的不同旱情等级所对应的VDI阈值，再对VDI结果进行分级即可获取每一个像元的确切的旱情等级状态，其识别结果分为五种状态：特大干旱、严重干旱、中度干旱、轻度干旱和无干旱；最后，结合旱情状态的识别结果，绘制出区域旱情状态空间分布图。
由此，对于本发明所公开的综合考虑温度和水分胁迫的草地旱情监测方法，与现有技术相比，本发明具有以下技术优势：
(1)考虑到常用干旱指数对于旱情的滞后反映，将与植被冠层水分含量实时变化密切相关的植被水分指数NDWI引入了水分状态指数WCI的构建，实现了旱情空间分布和变化的及时精确描述和表征；
(2)通过建立分段函数构建旱情监测指数模型，充分考虑了受温度胁迫和不受温度胁迫的两种情况，解决了温度指数与植被指数相关性不显著情况所导致的旱情监测精度降低的问题；
(3)通过划分不同草地类型的旱情单元，根据不同旱情单元获取不同的权重系数，有效提高了旱情监测模型的针对性，确保了旱情监测模型的普适性，同时也提高了不同下垫面旱情评估的精度。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (9)
1.一种综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：包括以下步骤：
S1、获取大尺度遥感数据并进行处理；
S2、构建旱情监测模型VDI；
S3、划分研究区的旱情基本单元；
S4、基于旱情区划单元，在每个区划单元内估算VDI权重系数；
S5、确定VDI旱情级别阈值；
S6、获取旱情分布结果；
其中，旱情监测模型VDI的构建过程为：
1)计算温度状态指数TCI和植被条件指数VCI；
利用旬地表温度LST数据集以及旬植被绿度指数NDVI数据集，逐像元计算出温度状态指数TCI和植被条件指数VCI，计算公式如式3和式4所示：
式中，NDVImax和NDVImin分别是旬植被绿度指数NDVI的历史最大值和最小值，LSTmax和LSTmin分别是旬地表温度LST的历史最大值和最小值；
2)计算水分状态指数WCI；
逐像元构建水分状态指数WCI，如式5所示：
式中，NDWImax和NDWImin分别是植被水分指数NDWI的历史最大值和最小值，WCI是水分状态指数，表征植被含水情况；WCI越大表示水分状况越好，反之，WCI越小则干旱越严重；
3)构建旱情监测模型，如式6所示：
式中，TCI为温度状态指数，VCI为植被条件指数，WCI为水分状态指数，VDI为旱情监测指数模型；RNDVI&LST为植被指数NDVI与地表温度LST之间相关系数，当RNDVI&LST≤-0.4时表明NDVI与LST之间相关性显著，旱情监测指数模型VDI由TCI、VCI和WCI三种指数共同构成；当RNDVI&LST＞-0.4时，表明NDVI与LST之间没有显著的相关性，旱情不受温度胁迫，旱情监测指数模型VDI由VCI和WCI构成；t、v和w分别为模型系数，由步骤S4估算得到。
2.根据权利要求1所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，获取长时间序列公里级中低分辨遥感数据作为大尺度遥感数据，中低分辨遥感数据包括MODIS日产品植被指数NDVI0和地表温度LST0，近红外反射率数据ρNIR0和短波红外反射率数据ρSWIR0，空间分辨率均为1km。
3.根据权利要求2所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S1中，通过近红外波段与短波红外波段运算，获取日植被水分指数NDWI，如式1所示：
式中，ρNIR为近红外反射率产品；ρSWIR为短波红外反射率产品；NDWI为植被水分指数，反映植被冠层的水分含量；
通过多项式平滑算法消除云的影响，构建逐日植被指数NDVI0、地表温度LST0、植被水分指数NDWI0长时间序列数据集；然后，根据数据质量标志和每个旬的可用天数，将植被指数、地表温度、植被水分指数以旬为周期进行均值合成，得到旬植被绿度指数、旬地表温度以及旬植被水分指数，并获取逐旬极大值NDVImax、LSTmax和NDWImax，以及逐旬极小值NDVImin、LSTmin和NDWImin；
获取长时间序列站点的气温AT0和降水数据PR0，通过反距离加权法分别将站点数据AT0和PR0插值为长时间序列栅格数据集ATL和PRL，空间分辨率为1km，对长时间序列栅格数据集ATL和PRL分别求取均值，得到年平均气温
和
年平均降水数据，此部分数据用于旱情区划基本单元的制备；
获取长时间序列地面观测区域的草地根区土壤水分站点旬数据SM以及田间持水量站点数据FC，将土壤水分数据转化为相对土壤相对湿度，具体计算如式2所示：
式中，RSM为站点相对土壤相对湿度，此部分数据用于旱情程度分级阈值的确定。
4.根据权利要求3所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S3中，研究区的旱情基本单元划分过程为：先进行草地类型划分，通过ENVI的N维可视化器在每个草地类型区内分别进行监督分类，完成每个草地类型旱情单元的划分。
5.根据权利要求4所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S4中，结合步骤S2中获取的指数数据集，即：温度状态指数TCI、植被条件指数VCI、水分状态指数WCI，逐像元获取各个主成分的载荷来估算VDI权重系数，然后结合旱情区划单元数据，在每个区划单元内估算VDI综合权重系数；
VDI权重系数估算包括四个步骤：1)指数矩阵的标准化处理；2)单个主成分荷载的确定；3)基于像元的指数权重系数的确定；4)基于旱情区划单元的指数权重系数确定。
6.根据权利要求5所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：当RNDVI&LST≤-0.4时，旱情监测指数模型表示为：VDI＝t×TCI+v×VCI+w×WCI；
VDI权重系数估算的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列的温度状态指数TCI、植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：
其中，CIp j,n为原矩阵对应的元素，p表示第p个像元，j表示第j个指数，j∈[1,3]，分别对应TCI、VCI和WCI三个指数，n为年数，n∈[1,20]；
为标准化后的结果，
为第j个指数对应的平均值，
为第j个指数对应的标准差，
为标准化处理后的数据矩阵；
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化三个指数的贡献度，主成分可表示为特征值、特征向量和三个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到三个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p,a3i,p)，i∈[1,3]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与三个指数的线性组合，lij,p的计算公式如下：
式中，i表示第i个主成分，j表示第j个指数，i,j∈[1,3]，分别对应TCI、VCI和WCI；lij,p为第p个像元第i个主成分第j个指数对应的载荷；λi,p为第p个像元第i个特征值，aij,p表示第p个像元第i个特征向量的第j个分量；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，如式11-13所示：
式中，i表示第i个主成分，i∈[1,3]，λi,p为第p个像元第i个特征值；tp、vp、wp为基于像元的权重系数，分别对应TCI、VCI和WCI；li1,p、li2,p和li3,p分别为第p个像元的第i个主成分对应的TCI、VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重tp、vp和wp,通过算数平均法得到整个区划单元的权重系数，如式14-16所示：
式中，u表示第u个单元，p表示第p个像元，u∈[1,U]，p∈[1,q]，q为区划单元u对应的像元总数；tp、vp和wp为基于像元的权重系数，分别对应TCI、VCI和WCI，即：分别表示第u个单元中的第p个像元对应TCI、VCI和WCI的系数；tu、vu和wu分别为第u个单元对应的TCI、VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
7.根据权利要求5所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：当RNDVI&LST＞-0.4时，旱情监测指数模型表示为：VDI＝v×VCI+w×WCI；
VDI权重系数估算的具体处理过程为：
1)指数矩阵的标准化处理
逐像元将第二步中获取的长时间序列的植被条件指数VCI和水分状态指数WCI数据集构成数据矩阵如下：
数据矩阵CIP中的元素表示为CIp j,n，表示第p个像元第j个指数第n年对应的值，其中j∈[1,2]，分别对应VCI和WCI两个指数，n为年数，n∈[1,20]；按照式8对该矩阵进行标准化处理，结果如下：
2)单个主成分载荷的确定
通过主成分分析法确定主成分载荷，量化两个指数的贡献度，主成分可表示为特征值、特征向量和两个指数的线性组合；逐像元利用上一步标准化处理后的数据矩阵
计算得到两个指数的相关系数矩阵
依次计算出矩阵Rp的特征值λi,p及其对应的特征向量ai,p＝(a1i,p,a2i,p)，i∈[1,2]，λi,p为第p个像元第i个特征值，ai,p为λi,p对应的单位特征向量；
第p个像元的主成分表示为载荷lij,p与两个指数的线性组合，lij,p按公式10进行计算；
3)基于像元的指数权重系数的确定
逐像元对各指数在主成分线性组合中的载荷做加权平均并进行归一化处理，确定该像元的各个指数权重，如式19-20所示：
式中，i表示第i个主成分，i∈[1,2]，λi,p为第p个像元第i个特征值；vp、wp为基于像元的权重系数，分别对应VCI和WCI；li1,p、li2,p分别为第p个像元的第i个主成分对应的VCI和WCI指数的载荷；
4)基于旱情区划单元的指数权重系数确定
结合旱情区划单元数据，将每一个草地类型对应的区划单元内的每个像元对应的指数权重vp和wp,通过算数平均法得到整个区划单元的权重系数，分别按公式15、16进行计算，确定VCI和WCI的综合权重系数；
由此，每个草地类型对应的区划单元内权重系数均能依次确定。
8.根据权利要求6或7所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：步骤S5中，通过旱情监测模型公式5计算出不同草地类型对应的不同旱情区划单元对应的长时间序列的VDI数据，利用土壤相对湿度站点数据RSM坐标信息提取对应位置的旱情监测指数VDI，将RSM和VDI进行多项式拟合，构建模型如下：
VDI＝f(RSM)＝μ1+μ2×RSM+μ3×RSM2+μ4×RSM3 式21
式中，μ1、μ2、μ3和μ4分别为拟合模型的系数，f是RSM和VDI之间构建的多项式拟合模型；
结合上述公式21以及不同旱情等级对应的RSM阈值，确定不同RSM区间对应的VDI阈值。
9.根据权利要求8所述的综合考虑温度和水分胁迫的草地旱情监测方法，其特征在于：根据获得的旱情监测指数模型，按照是否受到温度胁迫影响，选择相应的旱情监测指数模型来估算VDI指数值，计算的不同旱情等级所对应的VDI阈值，再对VDI结果进行分级即可获取每一个像元的确切的旱情等级状态，其识别结果分为五种状态：特大干旱、严重干旱、中度干旱、轻度干旱和无干旱；最后，结合旱情状态的识别结果，绘制出区域旱情状态空间分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110046707.6A CN112858632B (zh) | 2021-01-14 | 2021-01-14 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110046707.6A CN112858632B (zh) | 2021-01-14 | 2021-01-14 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112858632A CN112858632A (zh) | 2021-05-28 |
| CN112858632B true CN112858632B (zh) | 2023-01-13 |
Family
ID=76003607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110046707.6A Active CN112858632B (zh) | 2021-01-14 | 2021-01-14 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112858632B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113533695A (zh) * | 2021-07-26 | 2021-10-22 | 山东省农业机械科学研究院 | 一种农田墒情数据估计方法及系统 |
| CN113984964B (zh) * | 2021-10-15 | 2024-02-09 | 甘肃省农业科学院作物研究所 | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 |
| CN113984212B (zh) * | 2021-10-27 | 2023-06-27 | 中国气象科学研究院 | 农业灌区提取方法及系统 |
| CN114331023B (zh) * | 2021-12-02 | 2022-07-01 | 中国水利水电科学研究院 | 一种植被干旱监测评估方法 |
| CN116522145B (zh) * | 2023-05-11 | 2024-02-13 | 中国科学院空天信息创新研究院 | 一种顾及时空约束和植被状况的旱情预测方法 |
| CN116645593B (zh) * | 2023-07-20 | 2023-10-24 | 南京信息工程大学 | 监测海草床分布的遥感方法、装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2497112C1 (ru) * | 2012-06-08 | 2013-10-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ дистанционного определения деградации почвенного покрова |
| CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
| CN111160596A (zh) * | 2019-09-26 | 2020-05-15 | 深圳市东深电子股份有限公司 | 一种基于旱情站点计算区域权重的优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140343855A1 (en) * | 2013-05-15 | 2014-11-20 | The Regents Of The University Of California | Drought Monitoring and Prediction Tools |
-
2021
- 2021-01-14 CN CN202110046707.6A patent/CN112858632B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2497112C1 (ru) * | 2012-06-08 | 2013-10-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ дистанционного определения деградации почвенного покрова |
| CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
| CN111160596A (zh) * | 2019-09-26 | 2020-05-15 | 深圳市东深电子股份有限公司 | 一种基于旱情站点计算区域权重的优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| NDWI与NDVI指数在区域干旱监测中的比较分析――以2003年江西夏季干旱为例;刘小磊等;《遥感技术与应用》;20071015;第22卷(第05期);全文 * |
| 典型农业干旱遥感监测指数的比较及分类体系;孙灏等;《农业工程学报》;20120715;第28卷(第14期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112858632A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
| CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
| Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
| CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
| CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN112668705B (zh) | 基于深度学习的干旱指数监测方法及系统 | |
| Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
| CN101692037A (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
| AU2016273991A1 (en) | Detection of environmental conditions | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| CN115443889A (zh) | 作物精准灌溉方法及装置 | |
| Zhang et al. | Combining spectral and texture features of UAV hyperspectral images for leaf nitrogen content monitoring in winter wheat | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
| CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
| CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
| Zhang et al. | Estimation of relative water content in rice panicle based on hyperspectral vegetation indexes under water saving irrigation | |
| US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
| CN116307729A (zh) | 基于多源卫星遥感数据的干热风灾害评估方法 | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
| Singh et al. | Improved yield estimation technique for rice and wheat in Uttar Pradesh, Madhya Pradesh and Maharashtra States in India |
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 |