CN113139901A - 一种流域尺度植被净初级生产力遥感精细反演方法 - Google Patents

一种流域尺度植被净初级生产力遥感精细反演方法 Download PDF

Info

Publication number
CN113139901A
CN113139901A CN202110405061.6A CN202110405061A CN113139901A CN 113139901 A CN113139901 A CN 113139901A CN 202110405061 A CN202110405061 A CN 202110405061A CN 113139901 A CN113139901 A CN 113139901A
Authority
CN
China
Prior art keywords
vegetation
pixel
remote sensing
data
primary productivity
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
CN202110405061.6A
Other languages
English (en)
Inventor
董杰
刘洪华
邢同菊
王帅
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.)
Qingdao Geological Engineering Survey Institute
Original Assignee
Qingdao Geological Engineering Survey Institute
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 Qingdao Geological Engineering Survey Institute filed Critical Qingdao Geological Engineering Survey Institute
Priority to CN202110405061.6A priority Critical patent/CN113139901A/zh
Publication of CN113139901A publication Critical patent/CN113139901A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种流域尺度植被净初级生产力遥感精细反演方法,包括获取被测区域的植被类型分布图、遥感影像数据和站点气象数据;对植被类型分布图解译;对遥感影像数据进行计算得到归一化植被指数时间序列数据;对站点气象数据进行空间插值得到与归一化植被指数时间序列数据分辨率相同的栅格数据;使用全约束最小二乘混合像元分解和亚像元空间引力模型提高数据的分辨率;配置静态参数;采用改进的NPP估算模型反演植被净初级生产力NPP。本发明在现有较低分辨率遥感数据的基础之上,提出一种利用亚像元制图来提高产品分辨率的方法,准确估算植被净初级生产力,提高净初级生产力的估算精度,实现流域尺度的植被净初级生产力遥感精细反演。

Description

一种流域尺度植被净初级生产力遥感精细反演方法
技术领域
本发明涉及遥感技术领域,具体涉及一种流域尺度植被净初级生产力遥感精细反演方法。
背景技术
植被净初级生产力NPP不仅直接反映了植被群落在自然环境条件下的生产能力,而且是判定生态系统碳源、碳汇,调节生态过程的主要因子。植被净初级生产力现在已广泛应用于土地利用评价、区域生态规划、植被长势监测、农作物估产、水土侵蚀评估、生态效益评估等方面。
现有的净初级生产力估算模型大体分为气候生产力模型、生理生态过程模型、生态遥感耦合模型和光能利用率模型四类。气候生产力模型是以气候数据和站点实测NPP数据为基础,通过建立简单的回归模型来估算植被NPP,但该模型的估算结果表示的只是潜在的植被NPP,而不代表现实中该区域的实际植被净NPP。生理生态过程模型比较复杂、所需参数太多且难以获得,因而很难得到推广。生态遥感耦合模型在估算自养呼吸消耗时,过分依赖与叶面积指数,因此叶面积指数的估算精度对最终的NPP估算结果影响较大。光能利用率模型较为简单,许多植被参数可以通过遥感手段获取,适用于大区域及全球尺度上的NPP估算。目前,全国范围内一般用MODIS影像生成空间分辨率为250米的NPP产品,省级范围内多用Landsat卫星影像生成空间分辨率为30米的NPP产品。河流流域的植被净初级生产力对河流流域生态环境的保护和区域可持续发展具有重要意义,可以为河流流域的植被监测与生态建设提供一定的参考,有利于为合理开发、利用自然资源及对全球变化所产生的影响采取相应的策略提供科学依据。但河流流域一般面积较小,需要进行更加精细的NPP反演,但现有大部分净初级生产力产品分辨率较低,无法对流域尺度进行精细分析,同时也缺少利用现有遥感数据进行NPP遥感精细反演的方法,因此,亟需一种适用于流域尺度的植被净初级生产力遥感精细反演方法。
发明内容
针对现有光能利用率模型估算植被NPP方法存在的不足,本发明提出一种流域尺度植被净初级生产力遥感精细反演方法。
为了实现上述技术目的,本发明采用如下技术方案:
一种流域尺度植被净初级生产力遥感精细反演方法,包括如下步骤:
S1:数据获取:获取被测区域的植被类型分布图、遥感影像数据和站点气象数据;
S2:数据处理:对植被类型分布图进一步解译,得到新的植被类型分布图;对遥感影像数据进行计算,得到归一化植被指数时间序列数据;对站点气象数据进行空间插值,得到与归一化植被指数时间序列数据分辨率相同的栅格数据;
S3:亚像元制图:使用全约束最小二乘混合像元分解和亚像元空间引力模型提高步骤S2处理后的数据的分辨率;
S4:配置静态参数:配置不同植被类型的归一化植被指数最大值NDVImax、归一化植被指数最小值NDVImin、比值植被指数最大值SRmax、比值植被指数最小值SRmin和最大光能利用率εmax参数;
S5:反演植被净初级生产力NPP:采用改进的NPP估算模型,利用步骤S3中亚像元制图提高分辨率后的数据和步骤S4中配置好的静态参数反演植被净初级生产力NPP。
与现有技术相比,本发明的有益效果:
本发明利用改进的光能利用率模型,在现有较低分辨率遥感数据的基础之上,提出一种利用亚像元制图来提高产品分辨率的方法,准确估算植被净初级生产力,提高净初级生产力的估算精度、空间分辨率以及时间分辨率,从而实现流域尺度的植被净初级生产力遥感精细反演。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域中的普通技术人员来说,在不付出创造性劳动的前提下,还可根据这些附图获得其他附图。
图1为流域尺度植被净初级生产力遥感精细反演方法流程图;
图2为大沽河区域植被净初级生产力计算结果。
具体实施方式
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,都属于本发明保护的范围。
如图1所示,一种流域尺度植被净初级生产力遥感精细反演方法,包括如下步骤:
S1:数据获取:以青岛市大沽河区域为例,通过Landsat卫星数据进行实验,实验区域数据大小为3588×2083像素,分辨率为30米,获取时间是2018年。获取大沽河区域的植被类型分布图、遥感影像数据和站点气象数据;站点气象数据包括月平均气温、月总降水量、月太阳总辐射。
S2:数据处理:在已获取的其他年份植被类型分布图的基础上,参考之前高分辨率卫星影像解译得出的植被类型图,对各植被类型重新筛选、合并和编码处理,利用ENVI软件对之前高分辨率卫星影像解译得出的植被类型图监督分类,首先设置可分离度阈值,可分离度阈值为1.8,当可分离度大于可分离度阈值时视为合格,否则对训练区做出调整;然后,通过最大似然法对训练区进行监督分类,设置似然度阈值,似然度阈值选择单值,设为空,通过似然度与似然度阈值比较对训练区分类,得到具有耕地、河流、坡面草地、落叶阔叶林、城市、常绿针叶林的新的植被类型分布图。
对遥感影像数据进行计算,得到30米分辨率的归一化植被指数时间序列数据;对站点气象数据进行空间插值,得到与归一化植被指数时间序列数据分辨率相同的栅格数据;其中月平均气温、月总降水量采用克里金插值,月太阳总辐射采用反距离加权插值,得到插值结果后,将其在ENVI软件中进行波段合成,得到新的数据文件。
S3:亚像元制图:使用全约束最小二乘混合像元分解和亚像元空间引力模型提高步骤S2处理后的数据的分辨率,将步骤S2处理后的数据的分辨率提高至10米。
全约束最小二乘混合像元分解包括如下步骤:首先使用最小噪声分离变换达到数据降维的目的,然后计算纯净像元指数;接着通过设置纯净像元指数阈值选出较为纯净的像元投影到最小噪声分离变换变换主成分空间,其中,最小阈值设置为10,最大阈值设置为空。最后结合n维可视化工具确定端元类型。
亚像元空间引力模型中,相关性通过空间引力描述,通过计算像元内各个亚像元和其对应的邻域像元间空间引力大小,来确定各亚像元的类别;记为pi为低分辨率图像第a行第b列的像元Pab内的一个亚像元,则亚像元pi受到像元Pab所有邻域像元中第c类分量的引力之和Dc(pi)为:
Figure BDA0003021978360000031
其中,NA为邻域像元的个数,Pk为像元Pab的第k个邻域像元,dk为亚像元pi几何中心与像元Pk几何中心的欧氏距离,Fc(Pk)为像元Pk对应于第c类分量的类别比例;最后根据引力之和Dc(pi)的大小来确定像元Pab内属于c类的亚像元,把对应引力之和Dc(pi)最大的亚像元pi归于c类。
S4:配置静态参数:配置不同植被类型的归一化植被指数最大值NDVImax、归一化植被指数最小值NDVImin、比值植被指数最大值SRmax、比值植被指数最小值SRmin和最大光能利用率εmax参数;其中NDVImax和SRmax的计算需要大沽河区域的植被类型分布图和归一化植被指数时间序列最大值数据。配置好的静态参数如表1所示。
表1植被类型对应的静态参数
植被类型 NDVI<sub>max</sub> NDVI<sub>min</sub> SR<sub>max</sub> SR<sub>min</sub> ε<sub>max</sub>
耕地 0.604 0.023 4.0505 1.05 0.542
河流 0.604 0.023 4.0505 1.05 0.542
坡面草地 0.604 0.023 4.0505 1.05 0.542
落叶阔叶林 0.700 0.023 5.6666 1.05 0.692
城市 0.604 0.023 4.0505 1.05 0.542
常绿针叶林 0.640 0.023 4.5555 1.05 0.389
S5:反演植被净初级生产力NPP:采用改进的NPP估算模型,利用步骤S3中亚像元制图提高分辨率后的数据和步骤S4中配置好的静态参数反演植被净初级生产力NPP。
改进的NPP估算模型将植被类型引入模型,考虑植被类型精度对NPP估算的影响;并利用站点气象数据,结合已有的区域蒸散模型来实现水分胁迫因子的估算,这样一方面可以保证数据源的可靠性和可获得性,另一方面则在一定程度上对有关参数实行了简化,使其实际的可操作性得到加强。
反演植被净初级生产力NPP的步骤如下:
像元x在t月的植被净初级生产力NPP(x,t)估算公式为:
NPP(x,t)=APAR(x,t)×ε(x,t)
其中,APAR(x,t)表示像元x在t月的植物吸收的光合有效辐射,gC·m-2·month-1;ε(x,t)表示像元x在t月的实际光能利用率,gC·MJ-1
植被吸收的光合有效辐射APAR取决于太阳总辐射和植物本身的特性,其计算公式如下:
APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5
其中,SOL(x,t)表示像元x在t月的太阳辐射量,MJ·m-2·month-1;FPAR(x,t)表示像元x在t月的植被层对入射光合有效辐射的吸收比例;0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例;
在一定范围内,植物的光合有效辐射吸收比例FPAR与归一化植被指数NDVI之间存在着线性关系,即:
Figure BDA0003021978360000051
其中,NDVI(x,t)表示像元x在t月的归一化植被指数,NDVIi,max、NDVIi,min分别表示第i种植被类型的NDVI的最大值和最小值,FPARmax、FPARmin分别表示FPAR的最大值和最小值,分别为0.95和0.001,FPARNDVI表示FPAR通过NDVI估算的结果;
此外,植物的光合有效辐射吸收比例FPAR与比值植被指数SR之间存在的线性关系,即:
Figure BDA0003021978360000052
其中,SR(x,t)表示像元x在t月的比值植被指数,SRi,max、SRi,min分别表示第i种植被类型的SR的最大值和最小值,
Figure BDA0003021978360000053
FPARSR表示FPAR通过SR估算的结果;
令植物的光合有效辐射吸收比例FPAR的估算值为:
FPAR(x,t)=αFPARNDVI+(1-α)FPARSR
其中,α为调整系数;
现实条件下实际光能利用率ε(x,t)受温度和水分的影响,其计算公式如下:
ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×εmax
其中,Tε1(x,t)和Tε2(x,t)分别表示低温、高温对光能利用率的胁迫作用,Wε(x,t)表示水分对光能利用率的胁迫作用,εmax表示理想条件下的最大光能利用率。

Claims (10)

1.一种流域尺度植被净初级生产力遥感精细反演方法,其特征在于,包括如下步骤:
S1:数据获取:获取被测区域的植被类型分布图、遥感影像数据和站点气象数据;
S2:数据处理:对植被类型分布图进一步解译,得到新的植被类型分布图;对遥感影像数据进行计算,得到归一化植被指数时间序列数据;对站点气象数据进行空间插值,得到与归一化植被指数时间序列数据分辨率相同的栅格数据;
S3:亚像元制图:使用全约束最小二乘混合像元分解和亚像元空间引力模型提高步骤S2处理后的数据的分辨率;
S4:配置静态参数:配置不同植被类型的归一化植被指数最大值NDVImax、归一化植被指数最小值NDVImin、比值植被指数最大值SRmax、比值植被指数最小值SRmin和最大光能利用率εmax参数;
S5:反演植被净初级生产力NPP:采用改进的NPP估算模型,利用步骤S3中亚像元制图提高分辨率后的数据和步骤S4中配置好的静态参数反演植被净初级生产力NPP。
2.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S1中站点气象数据包括月平均气温、月总降水量、月太阳总辐射。
3.根据权利要求2所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S2中月平均气温、月总降水量采用克里金插值,月太阳总辐射采用反距离加权插值。
4.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S2中新的植被类型分布图获取方法如下:在已获取的其他年份植被类型分布图的基础上,参考之前高分辨率卫星影像解译得出的植被类型图,对各植被类型重新筛选、合并和编码处理,得到具有耕地、河流、坡面草地、落叶阔叶林、城市、常绿针叶林的新的植被类型分布图。
5.根据权利要求4所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:对各植被类型重新筛选、合并和编码处理的方法如下:利用ENVI软件对之前高分辨率卫星影像解译得出的植被类型图监督分类,首先设置可分离度阈值,当可分离度大于可分离度阈值时视为合格,否则对训练区做出调整;然后,通过最大似然法对训练区进行监督分类,设置似然度阈值,通过似然度与似然度阈值比较对训练区分类。
6.根据权利要求4所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:可分离度阈值为1.8,似然度阈值选择单值,设为空。
7.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S3中全约束最小二乘混合像元分解包括如下步骤:首先使用最小噪声分离变换达到数据降维的目的,然后计算纯净像元指数;接着通过设置纯净像元指数阈值选出较为纯净的像元投影到最小噪声分离变换变换主成分空间,最后结合n维可视化工具确定端元类型。
8.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S3中亚像元空间引力模型中,相关性通过空间引力描述,通过计算像元内各个亚像元和其对应的邻域像元间空间引力大小,来确定各亚像元的类别;记为pi为低分辨率图像第a行第b列的像元Pab内的一个亚像元,则亚像元pi受到像元Pab所有邻域像元中第c类分量的引力之和Dc(pi)为:
Figure FDA0003021978350000021
其中,NA为邻域像元的个数,Pk为像元Pab的第k个邻域像元,dk为亚像元pi几何中心与像元Pk几何中心的欧氏距离,Fc(Pk)为像元Pk对应于第c类分量的类别比例;最后根据引力之和Dc(pi)的大小来确定像元Pab内属于c类的亚像元,把对应引力之和Dc(pi)最大的亚像元pi归于c类。
9.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S5中反演植被净初级生产力NPP的步骤如下:
像元x在t月的植被净初级生产力NPP(x,t)估算公式为:
NPP(x,t)=APAR(x,t)×ε(x,t)
其中,APAR(x,t)表示像元x在t月的植物吸收的光合有效辐射,gC·m-2·month-1;ε(x,t)表示像元x在t月的实际光能利用率,gC·MJ-1
植被吸收的光合有效辐射APAR取决于太阳总辐射和植物本身的特性,其计算公式如下:
APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5
其中,SOL(x,t)表示像元x在t月的太阳辐射量,MJ·m-2·month-1;FPAR(x,t)表示像元x在t月的植被层对入射光合有效辐射的吸收比例;0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例;
在一定范围内,植物的光合有效辐射吸收比例FPAR与归一化植被指数NDVI之间存在着线性关系,即:
Figure FDA0003021978350000031
其中,NDVI(x,t)表示像元x在t月的归一化植被指数,NDVIi,max、NDVIi,min分别表示第i种植被类型的NDVI的最大值和最小值,FPARmax、FPARmin分别表示FPAR的最大值和最小值,FPARNDVI表示FPAR通过NDVI估算的结果;
此外,植物的光合有效辐射吸收比例FPAR与比值植被指数SR之间存在的线性关系,即:
Figure FDA0003021978350000032
其中,SR(x,t)表示像元x在t月的比值植被指数,SRi,max、SRi,min分别表示第i种植被类型的SR的最大值和最小值,
Figure FDA0003021978350000033
FPARSR表示FPAR通过SR估算的结果;
令植物的光合有效辐射吸收比例FPAR的估算值为:
FPAR(x,t)=αFPARNDVI+(1-α)FPARSR
其中,α为调整系数;
现实条件下实际光能利用率ε(x,t)受温度和水分的影响,其计算公式如下:
ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×εmax
其中,Tε1(x,t)和Tε2(x,t)分别表示低温、高温对光能利用率的胁迫作用,Wε(x,t)表示水分对光能利用率的胁迫作用,εmax表示理想条件下的最大光能利用率。
10.根据权利要求1所述的流域尺度植被净初级生产力遥感精细反演方法,其特征在于:步骤S3中将步骤S2处理后的数据的分辨率提高至10米。
CN202110405061.6A 2021-04-15 2021-04-15 一种流域尺度植被净初级生产力遥感精细反演方法 Pending CN113139901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110405061.6A CN113139901A (zh) 2021-04-15 2021-04-15 一种流域尺度植被净初级生产力遥感精细反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110405061.6A CN113139901A (zh) 2021-04-15 2021-04-15 一种流域尺度植被净初级生产力遥感精细反演方法

Publications (1)

Publication Number Publication Date
CN113139901A true CN113139901A (zh) 2021-07-20

Family

ID=76812907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110405061.6A Pending CN113139901A (zh) 2021-04-15 2021-04-15 一种流域尺度植被净初级生产力遥感精细反演方法

Country Status (1)

Country Link
CN (1) CN113139901A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779796A (zh) * 2021-09-13 2021-12-10 中国科学技术大学 一种基于卫星被动微波遥感的植被总初级生产力估算方法
CN114021348A (zh) * 2021-11-05 2022-02-08 中国矿业大学(北京) 一种精细土地利用类型的矿区植被碳汇遥感反演方法
CN115271991A (zh) * 2022-09-27 2022-11-01 航天宏图信息技术股份有限公司 一种农作物净初级生产力的估算方法及装置
CN115358095A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 山地高空间分辨率植被总初级生产力估算方法
CN115952702A (zh) * 2022-08-30 2023-04-11 中国气象科学研究院 一种基于forcchn模型和遥感数据的森林nep的计算方法
CN116701819A (zh) * 2023-06-13 2023-09-05 昆明理工大学 一种植被总初级生产力的遥感反演方法
CN117689923A (zh) * 2023-09-20 2024-03-12 中国测绘科学研究院 一种高精度的土地利用与覆被碳收支变化分类方法
CN117710804A (zh) * 2024-02-02 2024-03-15 南京信息工程大学 基于改进植被指数法的遥感亚像元反演径流量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102650587A (zh) * 2012-05-11 2012-08-29 中国农业大学 基于sebal-hj模型的农作物生物量反演方法
CN103345567A (zh) * 2013-05-21 2013-10-09 青海师范大学 一种基于遥感影像测量生态补偿量的方法
CN106446564A (zh) * 2016-09-29 2017-02-22 华南农业大学 一种植被净初级生产力遥感估算方法
CN108152212A (zh) * 2017-12-12 2018-06-12 中国科学院地理科学与资源研究所 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法
CN110084747A (zh) * 2019-03-15 2019-08-02 南京航空航天大学 基于全色锐化技术支持下的空间引力模型亚像元定位方法
CN110276304A (zh) * 2019-06-25 2019-09-24 北京师范大学 基于降尺度的高分辨率植被生产力遥感估算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102650587A (zh) * 2012-05-11 2012-08-29 中国农业大学 基于sebal-hj模型的农作物生物量反演方法
CN103345567A (zh) * 2013-05-21 2013-10-09 青海师范大学 一种基于遥感影像测量生态补偿量的方法
CN106446564A (zh) * 2016-09-29 2017-02-22 华南农业大学 一种植被净初级生产力遥感估算方法
CN108152212A (zh) * 2017-12-12 2018-06-12 中国科学院地理科学与资源研究所 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法
CN110084747A (zh) * 2019-03-15 2019-08-02 南京航空航天大学 基于全色锐化技术支持下的空间引力模型亚像元定位方法
CN110276304A (zh) * 2019-06-25 2019-09-24 北京师范大学 基于降尺度的高分辨率植被生产力遥感估算方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
刘金平等: "多尺度遥感数据融合的荒漠净初级生产力估算", 《干旱区研究》 *
吴尚蓉等: "基于改进空间引力模型的农作区遥感影像亚像元定位", 《农业工程学报》 *
张娜: "黑河流域植被总初级生产力遥感估算及驱动因素分析", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
张婷媛: "植被净初级生产力估算及与城市化水平的关系研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
李微: "基于混合像元分解的辽河口滨海湿地分类", 《湿地科学与管理》 *
王立国,赵春晖著: "《高光谱图像处理技术》", 31 May 2013 *
郭达志: "《空间信息技术与资源环境保护》", 30 November 2007 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779796A (zh) * 2021-09-13 2021-12-10 中国科学技术大学 一种基于卫星被动微波遥感的植被总初级生产力估算方法
CN113779796B (zh) * 2021-09-13 2023-08-29 中国科学技术大学 一种基于卫星被动微波遥感的植被总初级生产力估算方法
CN114021348A (zh) * 2021-11-05 2022-02-08 中国矿业大学(北京) 一种精细土地利用类型的矿区植被碳汇遥感反演方法
CN115952702A (zh) * 2022-08-30 2023-04-11 中国气象科学研究院 一种基于forcchn模型和遥感数据的森林nep的计算方法
CN115271991A (zh) * 2022-09-27 2022-11-01 航天宏图信息技术股份有限公司 一种农作物净初级生产力的估算方法及装置
CN115271991B (zh) * 2022-09-27 2023-01-06 航天宏图信息技术股份有限公司 一种农作物净初级生产力的估算方法及装置
CN115358095A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 山地高空间分辨率植被总初级生产力估算方法
CN116701819A (zh) * 2023-06-13 2023-09-05 昆明理工大学 一种植被总初级生产力的遥感反演方法
CN117689923A (zh) * 2023-09-20 2024-03-12 中国测绘科学研究院 一种高精度的土地利用与覆被碳收支变化分类方法
CN117710804A (zh) * 2024-02-02 2024-03-15 南京信息工程大学 基于改进植被指数法的遥感亚像元反演径流量方法
CN117710804B (zh) * 2024-02-02 2024-04-30 南京信息工程大学 基于改进植被指数法的遥感亚像元反演径流量方法

Similar Documents

Publication Publication Date Title
CN113139901A (zh) 一种流域尺度植被净初级生产力遥感精细反演方法
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Han et al. Annual paddy rice planting area and cropping intensity datasets and their dynamics in the Asian monsoon region from 2000 to 2020
Liu et al. Shifting farming–pastoral ecotone in China under climate and land use changes
CN111598045B (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
Wei et al. Monitoring drought dynamics in China using Optimized Meteorological Drought Index (OMDI) based on remote sensing data sets
Yao et al. Spatiotemporal changes of eco-environmental quality based on remote sensing-based ecological index in the Hotan Oasis, Xinjiang
CN116757357B (zh) 一种耦合多源遥感信息的土地生态状况评估方法
Chen et al. Recent global cropland water consumption constrained by observations
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
Ju et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China
Wang et al. Changes of cropland evapotranspiration and its driving factors on the loess plateau of China
CN112857583B (zh) 一种基于卫星遥感数据的植被温度和裸地温度估算方法
CN102156886A (zh) 基于统计数据和遥感影像数据的区域化肥投入空间化方法
CN117437538A (zh) 一种热带雨林生态系统时空格局特征提取及预测方法
Zhang et al. Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain
Li et al. Detection of spatiotemporal changes in ecological quality in the Chinese mainland: Trends and attributes
Gessesse et al. Land use dynamics and base and peak flow responses in the Choke mountain range, Upper Blue Nile Basin, Ethiopia
Wang et al. Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion
Gemechu et al. Analysis of spatiotemporal variability of water productivity in Ethiopian sugar estates: using open access remote sensing source
Liu et al. Unrevealing past and future vegetation restoration on the Loess Plateau and its impact on terrestrial water storage
Pan et al. Urban expansion and intra-urban land evolution as well as their natural environmental constraints in arid/semiarid regions of China from 2000–2018
Ghosh et al. Assessing the cropping intensity dynamics of the Gosaba CD block of Indian Sundarbans using satellite-based remote sensing
Bao et al. A fine digital soil mapping by integrating remote sensing-based process model and deep learning method in Northeast China
CN111192315B (zh) 一种基于多源信息的实际灌溉面积提取方法

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: 20210720

RJ01 Rejection of invention patent application after publication