CN113009482A - 一种植被覆盖下地表盐渍土含盐量的监测方法 - Google Patents

一种植被覆盖下地表盐渍土含盐量的监测方法 Download PDF

Info

Publication number
CN113009482A
CN113009482A CN202110136537.0A CN202110136537A CN113009482A CN 113009482 A CN113009482 A CN 113009482A CN 202110136537 A CN202110136537 A CN 202110136537A CN 113009482 A CN113009482 A CN 113009482A
Authority
CN
China
Prior art keywords
soil
model
vegetation
saline soil
saline
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
CN202110136537.0A
Other languages
English (en)
Inventor
董显聪
李晓洁
郑兴明
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202110136537.0A priority Critical patent/CN113009482A/zh
Publication of CN113009482A publication Critical patent/CN113009482A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties

Landscapes

  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种植被覆盖下地表盐渍土含盐量的监测方法，本发明涉及一种地表盐渍土含盐量的监测方法。本发明解决了植被影响盐渍土壤卫星反演的精度问题。方法：准备研究区域的雷达影像和光学卫星影像，并获取卫星参数，反演植被含水量，模拟盐渍土壤的复介电常数。将复介电常数输入改进积分方程模型模拟裸露盐渍土壤雷达影像后向散射系数，然后构建水云模型，将模拟裸土后向散射系数作为水云模型底层土壤参量，耦合介电常数模型、AIEM模型和水云模型，建立遥感反演植被覆盖下盐渍土壤含盐量的正演模型，通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量。本发明量化植被散射对植被覆盖下的盐渍土壤总体后向散射的贡献，反演的精度高。

Description

一种植被覆盖下地表盐渍土含盐量的监测方法
技术领域
本发明涉及一种地表盐渍土含盐量的监测方法。
背景技术
盐碱地是一种动态发育的土壤类型，及时掌握盐渍土壤的性质、范围、分布状态和含盐量等方面的信息，是改良和治理盐碱地，防止土地进一步退化的重要前提。在过去的几十年里，卫星遥感已经展现出了它在监测盐渍土方面的有效性。但是土壤盐渍化退化区域大多出现在农耕放牧地区和滨海地区，区域内往往生长有大量耐碱性植物如碱蓬、碱茅、芦苇等。通常来说，植被的覆盖情况可以作为土壤盐渍化的指示，随着盐渍化程度的加重，植被覆盖比例越低。然而，对于一些耐碱性植物来说，适当的盐分累积反而更有利于其生长发育，仅以植被覆盖为指示所进行的盐渍化程度监测往往具有较大误差。此外，当前众多学者利用遥感手段对土壤盐渍化的监测基本都处于针对裸露或稀疏植被覆盖的土壤盐渍化监测上，以至于对正在退化中的草场或者被耐盐植物覆盖的盐渍化区域监测不足，对盐渍土的改良复垦指示作用不佳。因此，有效的去除植被对卫星反演的影响对盐渍土壤监测至关重要。
当前，众多的学者提出了不同的光学植被指数来描述植被的光谱信息，用于植被覆盖下的盐渍土壤反演，但是一部分植被指数的敏感性和植被的类型有关，与土壤盐分的相关性较弱，单独的利用植被指数并不能很好的反演盐渍土壤盐分。已有的盐渍土壤反演模型也多以裸露盐渍土壤为基准建立，很少涉及植被覆盖区域。
在微波波段，盐渍化土壤会影响土壤的介电常数，进而直接影响其自身的后向散射系数，这为雷达监测土壤盐渍化提供了可能。此外，对于微波遥感而言，由于其波段波长较长，穿透性大大强于光学波段，可以穿透部分地表植被，反演土壤表层的特征。因此利用微波遥感技术监测植被覆盖下的盐渍化土壤是一个对光学遥感很好的补充和发展。但是，植被也会吸收和散射部分入射的微波辐射，同时还会反射底层土壤的部分散射，降低了雷达回波信号对底层土壤的敏感性，导致土壤回波信号较弱，增加了微波遥感信息解译和反演的困难和复杂性。有效去除地表植被覆盖对盐渍土遥感反演的影响依然是亟需克服的瓶颈。
发明内容
本发明为了解决植被影响盐渍土壤卫星反演的精度问题，而提供了一种植被覆盖下地表盐渍土含盐量的监测方法。
本发明植被覆盖下地表盐渍土含盐量的监测方法按照以下步骤进行：
步骤一、准备研究区域的SAR雷达影像和光学卫星影像；
步骤二、根据步骤一的SAR雷达影像和光学卫星影像分别获取雷达和光学卫星参数，然后利用归一化水分指数NDWI反演植被含水量；
步骤三、利用盐渍土壤介电常数模型模拟盐渍土壤的复介电常数，盐渍土壤介电常数模型表示为：
Figure BDA0002926908330000021
Figure BDA0002926908330000022
其中，ρb为土壤容重；S表示盐渍土壤含盐量；mv为土壤体积含水量；
步骤四、将复介电常数输入改进积分方程(AIEM)模型模拟裸露盐渍土壤雷达影像后向散射系数，其中改进积分方程(AIEM)模型表示为：
Figure BDA0002926908330000023
其中
Figure BDA0002926908330000024
为单次散射项；
Figure BDA0002926908330000025
Figure BDA0002926908330000026
Figure BDA0002926908330000027
其中，pp为极化方式；δ为表面均方根高度标准离差；k＝2π/λ为自由空间的波束；kz＝kcosθ，kx＝sinθ；Wn是一直表面相关公式的第n次傅里叶变换；多次散射项为：
Figure BDA0002926908330000028
当kδ<0.3时，则n＝1，单次散射项退化为一阶小扰动模型；
Figure BDA0002926908330000029
多次散射项退化为二阶小扰动模型：
Figure BDA0002926908330000031
当kδ>3时，应用驻留相位近似法简化积分方程为：
Figure BDA0002926908330000032
Figure BDA0002926908330000033
Figure BDA0002926908330000034
当表面粗糙度满足kl>6，l2>2.76δλ时，单次散射项退化为几何光学模型解；
步骤五、构建水云模型，将模拟裸土后向散射系数作为水云模型底层土壤参量，水云模型为：
Figure BDA0002926908330000035
Figure BDA0002926908330000036
Figure BDA0002926908330000037
其中，pq代表不同的极化类型，
Figure BDA0002926908330000038
代表总体的后向散射系数，
Figure BDA0002926908330000039
代表植被冠层的后向散射系数，
Figure BDA00029269083300000310
是底层土壤的后向散射系数；θ是雷达入射角，τ2是植被和土壤相互作用的双向衰减指数；常数A为覆盖植被冠层的加权系数，常数B是植被冠层的衰减系数；V1和V2为植被参数；
步骤六、将步骤四的改进积分方程模型模拟获取的植被覆盖下的裸露土壤后向散射系数作为步骤五的水云模型的输入参量；
步骤七、盐碱介电常数模型、改进积分方程模型和水云模型，建立遥感反演植被覆盖下盐渍土壤含盐量的正演模型；
步骤八、通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量，即实现了对植被覆盖下地表盐渍土含盐量的监测。
本发明将盐渍土壤介电常数模型、土壤微波后向散射特性理论模型与水云模型相耦合，借助光学和微波遥感数据，利用光学数据获取地表上层植被参数，将水云模型中底层土壤散射系数部分用土壤介电模型和微波后向散射特性理论模型进行拟合替代，以量化植被散射对植被覆盖下的盐渍土壤总体后向散射的贡献，本发明的方法反演精度高，解决植被影响盐渍土壤卫星反演的精度问题，协同反演植被覆盖下盐渍土壤含盐量，实现对长有植被区域的盐渍土壤盐渍化程度的有效监测。对土地信息管理和盐渍土的改良复垦提供充分的信息支持具有重要意义。
附图说明
图1是实施例1的模型构建反演流程图；
图2是实施例1的模型后向散射系数拟合精度；
图3是实施例1的盐渍土壤含盐量反演精度。
具体实施方式
具体实施方式一：本实施方式植被覆盖下地表盐渍土含盐量的监测方法按照以下步骤进行：
步骤一、准备研究区域的SAR雷达影像和光学卫星影像；
步骤二、根据步骤一的SAR雷达影像和光学卫星影像分别获取雷达和光学卫星参数，然后利用归一化水分指数NDWI反演植被含水量；
步骤三、利用盐渍土壤介电常数模型模拟盐渍土壤的复介电常数，盐渍土壤介电常数模型表示为：
Figure BDA0002926908330000041
Figure BDA0002926908330000042
其中，ρb为土壤容重；S表示盐渍土壤含盐量；mv为土壤体积含水量；
步骤四、将复介电常数输入改进积分方程(AIEM)模型模拟裸露盐渍土壤雷达影像后向散射系数，其中改进积分方程(AIEM)模型表示为：
Figure BDA0002926908330000043
其中
Figure BDA0002926908330000044
为单次散射项。
Figure BDA0002926908330000051
Figure BDA0002926908330000052
Figure BDA0002926908330000053
其中，pp为极化方式；δ为表面均方根高度标准离差；k＝2π/λ为自由空间的波束；kz＝kcosθ，kx＝sinθ；Wn是一直表面相关公式的第n次傅里叶变换；多次散射项为：
Figure BDA0002926908330000054
当kδ<0.3时，则n＝1，单次散射项退化为一阶小扰动模型；
Figure BDA0002926908330000055
多次散射项退化为二阶小扰动模型：
Figure BDA0002926908330000056
当kδ>3时，应用驻留相位近似法简化积分方程为：
Figure BDA0002926908330000057
Figure BDA0002926908330000058
Figure BDA0002926908330000059
当表面粗糙度满足kl>6，l2>2.76δλ时，单次散射项退化为几何光学模型解；
步骤五、构建水云模型，将模拟裸土后向散射系数作为水云模型底层土壤参量，水云模型为：
Figure BDA0002926908330000061
Figure BDA0002926908330000062
Figure BDA0002926908330000063
其中，pq代表不同的极化类型，
Figure BDA0002926908330000064
代表总体的后向散射系数，
Figure BDA0002926908330000065
代表植被冠层的后向散射系数，
Figure BDA0002926908330000066
是底层土壤的后向散射系数；θ是雷达入射角，τ2是植被和土壤相互作用的双向衰减指数；常数A为覆盖植被冠层的加权系数，常数B是植被冠层的衰减系数；V1和V2为植被参数；
步骤六、将步骤四的改进积分方程模型模拟获取的植被覆盖下的裸露土壤后向散射系数作为步骤五的水云模型的输入参量；
步骤七、耦合介电常数模型、改进积分方程模型和水云模型，建立遥感反演植被覆盖下盐渍土壤含盐量的正演模型；
步骤八、通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量，即实现了对植被覆盖下地表盐渍土含盐量的监测。
本实施方式步骤三是基于Dobson介电常数模型改进使其适用于含水含盐土壤，模拟盐渍土壤的介电常数。
本实施方式步骤四是利用改进积分方程(AIEM)模型模拟裸露盐渍土壤雷达影像后向散射系数。
本实施方式步骤四五是将植被冠层看成一个包含相同水滴随机分布的“云”，即一层在地表之上，由大量相同散射体(水滴)组成并具有一定厚度的消光介质，构建水云模型。
实施例1以吉林省西部盐渍土壤含盐量反演为例。
植被覆盖下地表盐渍土含盐量的监测方法按照以下步骤进行：
步骤一、准备研究区域的SAR雷达影像和光学卫星影像；
步骤二、根据步骤一的SAR雷达影像和光学卫星影像分别获取雷达和光学卫星参数，然后利用归一化水分指数NDWI反演植被含水量；
步骤三、利用盐渍土壤介电常数模型模拟盐渍土壤的复介电常数，盐渍土壤介电常数模型表示为：
Figure BDA0002926908330000071
Figure BDA0002926908330000072
其中，ρs为干燥土壤颗粒密度；ρb为土壤容重；S(S表示的是总公式)表示盐渍土壤含盐量；mv为土壤体积含水量；
步骤四、将复介电常数输入改进积分方程(AIEM)模型模拟裸露盐渍土壤雷达影像后向散射系数，其中改进积分方程(AIEM)模型表示为：
Figure BDA0002926908330000073
其中
Figure BDA0002926908330000074
为单次散射项。
Figure BDA0002926908330000075
Figure BDA0002926908330000076
Figure BDA0002926908330000077
其中，pp为极化方式；δ为表面均方根高度标准离差；k＝2π/λ为自由空间的波束；kz＝kcosθ，kx＝sinθ；Wn是一直表面相关公式的第n次傅里叶变换；多次散射项为：
Figure BDA0002926908330000078
当kδ<0.3时，则n＝1，单次散射项退化为一阶小扰动模型；
Figure BDA0002926908330000079
多次散射项退化为二阶小扰动模型：
Figure BDA00029269083300000710
当kδ>3时，应用驻留相位近似法简化积分方程为：
Figure BDA00029269083300000711
Figure BDA0002926908330000081
Figure BDA0002926908330000082
当表面粗糙度满足kl>6，l2>2.76δλ时，单次散射项退化为几何光学模型解；
步骤五、构建水云模型，将模拟裸土后向散射系数作为水云模型底层土壤参量，水云模型为：
Figure BDA0002926908330000083
Figure BDA0002926908330000084
Figure BDA0002926908330000085
其中，pq代表不同的极化类型，
Figure BDA0002926908330000086
代表总体的后向散射系数，
Figure BDA0002926908330000087
代表植被冠层的后向散射系数，
Figure BDA0002926908330000088
是底层土壤的后向散射系数；θ是雷达入射角，τ2是植被和土壤相互作用的双向衰减指数；常数A为覆盖植被冠层的加权系数，常数B是植被冠层的衰减系数；V1和V2为植被参数；
步骤六、将步骤四的改进积分方程模型模拟获取的植被覆盖下的裸露土壤后向散射系数作为步骤五的水云模型的输入参量；
步骤七、耦合介电常数模型、改进积分方程模型和水云模型，建立遥感反演植被覆盖下盐渍土壤含盐量的正演模型；
步骤八、通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量，即实现了对植被覆盖下地表盐渍土含盐量的监测。
本实施例步骤三是基于Dobson介电常数模型改进使其适用于含水含盐土壤，模拟盐渍土壤的介电常数。
本实施例步骤四是利用改进积分方程(AIEM)模型模拟裸露盐渍土壤雷达影像后向散射系数。
本实施例步骤四五是将植被冠层看成一个包含相同水滴随机分布的“云”，即一层在地表之上，由大量相同散射体(水滴)组成并具有一定厚度的消光介质，构建水云模型。
本实施例模型构建反演流程图如图1所示，如图所示，本发明耦合盐渍土壤介电常数模型、土壤微波后向散射特性理论模型与水云模型，提出一种准确反演植被覆盖下盐渍土壤含盐量的方法，主要分为三个框架：
一、以介电常数模型为基础，利用土壤含水量、土壤含盐量、土壤颗粒密度等参数模拟盐渍土壤介电常数。
二、通过SAR雷达影像卫星参数和上述获取的盐渍土壤介电常数构建盐渍土壤微波后向散射模型，模拟裸露的盐渍土壤微波后向散射系数。
三、获取光学卫星参数，利用归一化水分指数NDWI反演植被含水量。构建水云模型，将上述获取的裸露盐渍土壤后向散射系数作为水云模型底层土壤参量，量化植被微波散射。
本实施例的遥感反演植被覆盖下盐渍土壤含盐量的正演模型非常精确的模拟了植被覆盖区域的雷达后向散射系数(模型后向散射系数拟合精度)，如图2所示，其拟合相关系数达到0.84，均方根误差为2.94。通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量，反演精度如图3，反演值和真实值的相关系数达到0.72，均方根误差为0.74。
通过本发明建立的模型可以很好的量化植被对微波后向散射系数的影响，减轻植被层的存在对盐渍土反演的影响。

Claims (1)

1.一种植被覆盖下地表盐渍土含盐量的监测方法按照以下步骤进行：
步骤一、准备研究区域的SAR雷达影像和光学卫星影像；
步骤二、根据步骤一的SAR雷达影像和光学卫星影像分别获取雷达和光学卫星参数，然后利用归一化水分指数NDWI反演植被含水量；
步骤三、利用盐渍土壤介电常数模型模拟盐渍土壤的复介电常数，盐渍土壤介电常数模型表示为：
Figure FDA0002926908320000011
Figure FDA0002926908320000012
其中，ρb为土壤容重；S表示盐渍土壤含盐量；mv为土壤体积含水量；
步骤四、将复介电常数输入改进积分方程模型模拟裸露盐渍土壤雷达影像后向散射系数，其中改进积分方程模型表示为：
Figure FDA0002926908320000013
其中
Figure FDA0002926908320000014
为单次散射项；
Figure FDA0002926908320000015
Figure FDA0002926908320000016
Figure FDA0002926908320000017
其中，pp为极化方式；δ为表面均方根高度标准离差；k＝2π/λ为自由空间的波束；kz＝kcosθ，kx＝sinθ；Wn是一直表面相关公式的第n次傅里叶变换；多次散射项为：
Figure FDA0002926908320000018
当kδ<0.3时，则n＝1，单次散射项退化为一阶小扰动模型；
Figure FDA0002926908320000019
多次散射项退化为二阶小扰动模型：
Figure FDA00029269083200000110
当kδ>3时，应用驻留相位近似法简化积分方程为：
Figure FDA0002926908320000021
Figure FDA0002926908320000022
Figure FDA0002926908320000023
当表面粗糙度满足kl>6，l2>2.76δλ时，单次散射项退化为几何光学模型解；
步骤五、构建水云模型，将模拟裸土后向散射系数作为水云模型底层土壤参量，水云模型为：
Figure FDA0002926908320000024
Figure FDA0002926908320000025
Figure FDA0002926908320000026
其中，pq代表不同的极化类型，
Figure FDA0002926908320000027
代表总体的后向散射系数，
Figure FDA0002926908320000028
代表植被冠层的后向散射系数，
Figure FDA0002926908320000029
是底层土壤的后向散射系数；θ是雷达入射角，τ2是植被和土壤相互作用的双向衰减指数；常数A为覆盖植被冠层的加权系数，常数B是植被冠层的衰减系数；V1和V2为植被参数；
步骤六、将步骤四的改进积分方程模型模拟获取的植被覆盖下的裸露土壤后向散射系数作为步骤五的水云模型的输入参量；
步骤七、盐碱介电常数模型、改进积分方程模型和水云模型，建立遥感反演植被覆盖下盐渍土壤含盐量的正演模型；
步骤八、通过最优化查找表法反演植被覆盖下的盐渍土壤含盐量，即实现了对植被覆盖下地表盐渍土含盐量的监测。
CN202110136537.0A 2021-02-01 2021-02-01 一种植被覆盖下地表盐渍土含盐量的监测方法 Pending CN113009482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110136537.0A CN113009482A (zh) 2021-02-01 2021-02-01 一种植被覆盖下地表盐渍土含盐量的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110136537.0A CN113009482A (zh) 2021-02-01 2021-02-01 一种植被覆盖下地表盐渍土含盐量的监测方法

Publications (1)

Publication Number Publication Date
CN113009482A true CN113009482A (zh) 2021-06-22

Family

ID=76384751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110136537.0A Pending CN113009482A (zh) 2021-02-01 2021-02-01 一种植被覆盖下地表盐渍土含盐量的监测方法

Country Status (1)

Country Link
CN (1) CN113009482A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113865523A (zh) * 2021-09-29 2021-12-31 中国科学院东北地理与农业生态研究所 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法
CN114740022A (zh) * 2022-04-08 2022-07-12 广东工业大学 基于多源遥感技术的土壤水分检测方法、装置以及设备
CN114994087A (zh) * 2022-05-27 2022-09-02 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPR618401A0 (en) * 2001-07-06 2001-08-02 Gecoz Pty Ltd Method for determining soil salinity
CN101614818A (zh) * 2009-07-09 2009-12-30 中国科学院遥感应用研究所 一种土壤盐碱化的雷达遥感监测方法
JP2011191097A (ja) * 2010-03-12 2011-09-29 Mitsubishi Space Software Kk 誘電率特定装置、誘電率特定方法及び誘電率特定プログラム
CN105606631A (zh) * 2016-02-01 2016-05-25 中国科学院遥感与数字地球研究所 一种盐度卫星双波段亮温数据联合反演土壤水分的方法
CN105928987A (zh) * 2016-04-15 2016-09-07 中国科学院东北地理与农业生态研究所 基于探地雷达的盐碱地电导率测定方法
CN108303044A (zh) * 2018-02-01 2018-07-20 苏州市农业科学院 一种叶面积指数获取方法及系统
CN108681652A (zh) * 2018-06-04 2018-10-19 中国科学院遥感与数字地球研究所 一种基于高分三号数据的植被覆盖区土壤水分反演方法
AU2020102098A4 (en) * 2020-09-02 2020-10-08 Gautam, Deepesh Kumar MR Soil salinity degradation estimation by regression algorithm using agricultural internet of things

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPR618401A0 (en) * 2001-07-06 2001-08-02 Gecoz Pty Ltd Method for determining soil salinity
CN101614818A (zh) * 2009-07-09 2009-12-30 中国科学院遥感应用研究所 一种土壤盐碱化的雷达遥感监测方法
JP2011191097A (ja) * 2010-03-12 2011-09-29 Mitsubishi Space Software Kk 誘電率特定装置、誘電率特定方法及び誘電率特定プログラム
CN105606631A (zh) * 2016-02-01 2016-05-25 中国科学院遥感与数字地球研究所 一种盐度卫星双波段亮温数据联合反演土壤水分的方法
CN105928987A (zh) * 2016-04-15 2016-09-07 中国科学院东北地理与农业生态研究所 基于探地雷达的盐碱地电导率测定方法
CN108303044A (zh) * 2018-02-01 2018-07-20 苏州市农业科学院 一种叶面积指数获取方法及系统
CN108681652A (zh) * 2018-06-04 2018-10-19 中国科学院遥感与数字地球研究所 一种基于高分三号数据的植被覆盖区土壤水分反演方法
AU2020102098A4 (en) * 2020-09-02 2020-10-08 Gautam, Deepesh Kumar MR Soil salinity degradation estimation by regression algorithm using agricultural internet of things

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIANCONG DONG ET AL.: "Effect of Saline Soil Cracks on Satellite Spectral Inversion Electrical Conductivity", 《REMOTE SENSING》 *
尼格拉·塔什甫拉提: "渭干河—库车河三角绿洲土壤盐渍化遥感与近感协同监测方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *
董显聪: "草原植被覆盖度遥感估算模型的适用性比较", 《测绘通报》 *
陈思: "基于光学和SAR数据的土壤表面粗糙度反演研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113865523A (zh) * 2021-09-29 2021-12-31 中国科学院东北地理与农业生态研究所 一种基于雷达和光学遥感数据同时估算裸露土壤表面水分和粗糙度的方法
CN114740022A (zh) * 2022-04-08 2022-07-12 广东工业大学 基于多源遥感技术的土壤水分检测方法、装置以及设备
CN114994087A (zh) * 2022-05-27 2022-09-02 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法
CN114994087B (zh) * 2022-05-27 2024-05-17 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法

Similar Documents

Publication Publication Date Title
CN113009482A (zh) 一种植被覆盖下地表盐渍土含盐量的监测方法
Prevot et al. Estimating surface soil moisture and leaf area index of a wheat canopy using a dual-frequency (C and X bands) scatterometer
Wagner Soil moisture retrieval from ERS scatterometer data
Narvekar et al. Soil moisture retrieval using L-band radar observations
Paloscia et al. Multifrequency passive microwave remote sensing of soil moisture and roughness
Jagdhuber Soil parameter retrieval under vegetation cover using SAR polarimetry
CN108681652A (zh) 一种基于高分三号数据的植被覆盖区土壤水分反演方法
Eroglu et al. Response of GNSS-R on dynamic vegetated terrain conditions
Quegan et al. Statistical models for polarimetric data: consequences, testing and validity
CN110221301A (zh) 土壤水分反演方法及装置
Villard et al. Forest biomass from radar remote sensing
Mandapaka et al. Diurnal cycle of precipitation over complex Alpine orography: inferences from high‐resolution radar observations
Marliani et al. Simulating coherent backscattering from crops during the growing cycle
Chew et al. Flooding and inundation maps using interpolated CYGNSS reflectivity observations
CN108761397B (zh) 基于电磁散射模拟的极化sar模型分解评价方法
Gallegos et al. An incubation procedure for estimating carbon-to-chlorophyll ratios and growth-irradiance relationships of estuarine phytoplankton
Nitu et al. Reducing risks in agriculture
Saatchi et al. Estimation of canopy water content in Konza Prairie grasslands using synthetic aperture radar measurements during FIFE
CN107144841B (zh) 一种基于最小剩余功率的极化sar图像目标分解方法
Assefa et al. Evaluation of the effect of salt affected soil on selected hydraulic properties of soils in Meki Ogolcha Area in East Showa Zone of Oromia Region, Ethiopia
Eroglu et al. Preliminary Results of a GNSS-R Simulation to Sense Canopy Parameters
Koyama et al. A novel approach to estimate soil moisture under vegetation using partial polarimetric ALOS PALSAR data
Roberts et al. Modelling Microwave Backscatter from Corn with 3D Models and EM Solvers in a Periodic Environment
Bliven Presenting the rain-sea interaction facility
Krul Some results of microwave remote sensing research in the Netherlands with a view to land applications in the 1990s

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