CN113218969B - 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 - Google Patents
基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 Download PDFInfo
- Publication number
- CN113218969B CN113218969B CN202110623042.0A CN202110623042A CN113218969B CN 113218969 B CN113218969 B CN 113218969B CN 202110623042 A CN202110623042 A CN 202110623042A CN 113218969 B CN113218969 B CN 113218969B
- Authority
- CN
- China
- Prior art keywords
- data
- evapotranspiration
- remote sensing
- smap
- soil
- 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.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 39
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims abstract description 24
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims abstract description 24
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims abstract description 24
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 claims abstract description 24
- 102100021255 Small acidic protein Human genes 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims description 25
- 238000001704 evaporation Methods 0.000 claims description 15
- 230000008020 evaporation Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 claims description 2
- 208000005156 Dehydration Diseases 0.000 claims description 2
- 238000013213 extrapolation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 claims 5
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000011946 reduction process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (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)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,在SMAP像元尺度内基于地表温度‑植被指数(Ts‑VI)特征空间理论,通过将地表温度与太阳天顶角之间建立余弦函数关系,分别构建干、湿边界函数,并以微波遥感数据为驱动对干边进行参数优化,从而实现将36km的土壤湿度产品降尺度至1km,得到的精度与原始土壤湿度产品得到的精度相当。以土壤湿度降尺度过程中得到的降尺度因子为输入,提出了一个完全基于遥感数据的陆面实际蒸散发模拟框架,本发明实现了完全基于遥感数据对异质区域的土壤湿度和蒸散发量模拟估算,彻底摆脱了对实测数据的依赖。
Description
技术领域
本发明属于土壤水和蒸散发测量技术领域,具体涉及一种基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法。
背景技术
土壤水分作为地表水存储的重要组成部分,在地表径流、下渗以及蒸散发的水文过程中起着关键作用,蒸散是该过程的重要驱动力,以蒸散发为主的耗水是水资源消耗的最终形式,常常近似代表区域水资源消耗量。传统的土壤水分和蒸散发研究通常基于点尺度或景观尺度,土壤水分和蒸散量一般是从气象站和水文站等站点监测数据计算得到,其在站点附近有较好的应用精度。但是,对于在不同尺度下,传统方法中两者的估算精度很难直接实现区域尺度上研究的需求。随着研究的不断深入,光学与被动微波遥感数据相结合的方法已成为当前估算水循环中土壤水分的重要手段,微波具有不受天气条件的限制,已经成为目前估算土壤湿度最常用的一种手段,能满足许多全球尺度研究的需要,但由于微波土壤湿度产品空间分辨率一般较粗,无法保证在区域尺度上的研究。目前针对土壤湿度降尺度的研究有很多,最常用的方法是基于被动微波遥感与光学遥感相结合的降尺度方法,该方法主要是通过被动微波遥感产品提取的土壤水分与可见光-近红外波段之间的响应关系,建立降尺度模型函数关系,进而结合遥感数据、地面辅助数据和大气数据可以估算出区域的蒸散量。
在水文模型中,基于原位观测值校准模型已经得到广泛应用,此模型中常用的方法是Ts-VI特征空间法,采用线性回归插值估算出每日的通量值,但该方法的准确性主要取决于干湿边界的选取。然而,所有Ts-VI特征空间法方法的主要假设是所选研究域内的所有像元都共享公共干湿边界,这为从原位观测中反演这些边界奠定了理论基础。但这些方法校准的前提是实测站点数据的质量或数量不会对反演结果产生较大的误差。因此,本发明提出一种彻底摆脱对实测数据的依赖,完全基于卫星遥感数据对异质区域进行水热过程的监测。
发明内容
针对上述技术问题,本发明提出一种基于优化Ts-VI特征空间下的土壤湿度降尺度,在像元尺度,通过将地表温度与太阳天顶角之间建立余弦函数关系拟合关键参数,基于光学/热红外数据和微波土壤湿度产品,以数据驱动和参数化的方式研发新的特征空间干湿边界提取算法,获得高分辨率的MTVDI指数后与SMAP产品建立拟合关系进行粗分辨率产品降尺度研究。并以降尺度过程中的降尺度因子(1-MTVDI)为驱动,提出一个完全基于遥感数据的陆面实际蒸散发模拟框架,获得研究区日尺度的蒸散发量时空模拟结果。
具体的技术方案为:
基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,包括以下步骤:
(1)下载研究区的遥感影像并进行预处理;获取相应站点位置的土壤湿度、蒸发比和蒸散发实测数据;
(2)在同一条土壤湿度等值线上,像元的地表温度主要受植被覆盖度影响,其中,植被覆盖度由MOD13A2产品提取NDVI后进行计算得到,随着植被覆盖度的增加,地表温度Ts趋向于空气温度Ta,空气温度是根据MOD06_L2和MOD07_L2产品提取的参数并采用大气廓线外推法估算得到,瞬时气温Ts,i可以由植被覆盖度与Tcmax,i和Tsmax,i之间的加权和来表示,其中Tcmax,i和Tsmax,i分别表示在极端水胁迫下,全植被覆盖和裸土的最大地表温度;
(3)在下垫面均匀和稳定的条件下,Tsmax的季节性变化以接收到的太阳辐射为主,Tsmax的变化通过太阳天顶角θ来捕获,Tsmax算法表达式:
Tsmax,j=A cos(aθj+b) (1)
其中,下标j表示不同日期的白天时间,Tsmax,j表示每天每个小研究区内地表温度最大值,θj为MOD03提取的太阳天顶角参数,则干边中的参数a和b可以通过余弦函数拟合得到,振幅参数A利用优化算法确定;
(4)湿边Tw的计算相对干边来说比较简单,算法表达式为:
Tw=min(Tsmin,j,Tmin,j) (2)
其中,Tmin,j表示每天每个小研究区内遥感观测的地表温度最小值。
(5)参数优化步骤为:
在优化过程中,需要满足以下的条件:
条件1:对于研究区域内所有像元:
0≤MTVDI≤1 (3)
条件2:对所有研究区内的Tsmax,j都应满足:
Tmax,j≤Tsmax,j≤U (4)
其中,U为Tsmax,j的上界;
最优振幅A的确定根据数据驱动目标和限制条件计算得到,数据驱动目标表示为:
其中n为逐个36km范围内晴天天数,i和j分别代表不同像元和不同日期,SMi,j代表逐个像元每天的微波土壤湿度数据。将SMAP被动微波遥感数据作为驱动与36km范围内MODIS数据的平均值作为输入,优化步长为1K,计算对应的SMAP微波产品像元位置MTVDI和SMAP提供的微波土壤水分之间的相关性最强时的A;
(6)结合步骤(3)、步骤(4)和步骤(5)计算的变量,反演MTVDI,计算公式表示为:
(7)通过逐个SMAP像元范围内建立降尺度因子1-MTVDI与粗分辨率SMAP土壤水分产品之间的关系,获得高分辨土壤湿度产品方法进行降尺度,降尺度公式如式(7)所示:
其中,W为SMAP降尺度后的1km的土壤湿度,SMSMAP为原始SMAP的产品,MTVDIH为高分辨率的MTVDI,(1-MTVDIH)SMAP为一个SMAP像元内MTVDI的均值;
(8)构建蒸散发估算的模型,蒸散发估算遵循Priestley-Taylor方程,算法表达式为:
公式中,ET是蒸散发,Rn是地表净辐射量,G是土壤热通量,Δ是饱和水汽压随温度变化曲线的斜率,γ一般为0.658hPa℃-1,参数φ等于1.26;
(9)蒸发比EF的如下表达式:
其中,Δ可通过空气温度Ta进行估算,对于参数φ,当土壤为非饱和状态时,可使用Komatsu提出的参数化方案从MTVDI中检索;
(10)采用蒸发比不变的方法将瞬时蒸散发量转化为研究区的日蒸散发量,日尺度蒸散发中土壤热通量G为0,日尺度蒸散发量的算法表达式为:
ET24=Rn24·EF (10)
其中,Rn24为日尺度的地表净辐射,ET24为日尺度的蒸散发。
步骤(1)中,所述的遥感影像数据,包括地表温度MOD11A1、计算空气温度所需的数据MOD06_L2与MOD07_L2、太阳高度角数据MOD03、归一化植被指数数据MOD13A2以及进行土壤湿度降尺度的SMAP数据。站点数据包括STAMP系统提取的土壤湿度数据和EBBR系统提取的蒸发比和蒸散发数据。
步骤(2)中,所述的MODIS遥感数据预处理,包括格式转化、提取参数和有效值、研究区裁剪、重采样与插值;SMAP产品预处理包括:采用HEG工具进行参数提取和坐标转化、提取有效值、研究区裁剪和重采样;站点数据预处理,包括格式转化和提取对应的参数,保证与遥感数据的获取时间一致,最终获得时间分辨率为1天、空间分辨率为1km的影像数据。使用到的处理工具主要包括:ArcGIS、Python、HEG、MRT。
与现有技术比较,本发明的有益效果为:
本发明提出了基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,并将其应用到大型异质区域-美国南大平原土壤湿度和蒸散发的估算,克服了传统特征空间方法在反演土壤湿度过程中存在的复杂性和不确定性。本发明通过在微波像元尺度内建立地表温度与太阳天顶角之间的余弦函数关系,分别构建干、湿边界函数,并以微波遥感数据为驱动对干边进行参数优化,从而实现将36km的土壤湿度产品降尺度至1km。在构建陆面实际蒸散发模型框架时,通过引入降尺度过程中获得的因子,并采用P-T公式对研究区的日尺度的蒸散发量进行了估算研究,结果表明:基于微波遥感数据驱动下的参数化优化方案,不仅减少了传统方法中对实测数据的依赖,降尺度得到的精度与原始土壤湿度产品得到的精度相当,而且实现了完全基于遥感数据的陆面实际蒸散发模拟估算。本发明通过使用主被动遥感数据进行土壤湿度降尺度研究,获得了与原始土壤湿度产品精度相当的高分辨率产品,同时实现了蒸散发量的模拟估算。
附图说明
图1本发明的流程图;
图2地表温度-植被覆盖度特征空间图;
图3所有站点蒸发比估算的精度;
图4所有站点蒸散发估算的精度;
具体实施方式
结合实例说明本发明的具体技术方案。
以2019年美国南部大平原地区为研究对象,对基于微波遥感土壤水分驱动下的蒸散发估算技术进行了验证,按照图1的流程,具体验证过程如下:
下载美国南大平原区域2019年MODIS遥感影像数据,具体包括地表温度数据(MOD11A1)、计算空气温度所需的数据(MOD06_L2与MOD07_L2)、太阳高度角数据(MOD03)以及归一化植被指数数据(MOD13A2),获取2019年研究区土壤湿度、蒸发比和蒸散发的实测数据,如图2所示,对遥感影像以及实测数据进行预处理操作。通过使用MRT和HEG工具对各遥感产品进行格式转化、坐标系统转化和相应参数的提取,并使用Python语言对模型中涉及到的公式进行批量计算。在SMAP像元尺度内构建具有坚实物理基础的理论模型,通过将地表温度与太阳天顶角之间建立余弦函数关系,基于光学/热红外数据和微波土壤湿度产品,在像元尺度上采用Ts-VI特征空间,以数据驱动和参数化的方式研发新的特征空间干湿边界提取算法,获得高分辨率的MTVDI指数后与SMAP产品建立拟合关系进行粗分辨率产品降尺度研究。根据降尺度前SMAP卫星获取的土壤湿度产品和降尺度后1km的土壤湿度产品分别与站点实测数据之间进行精度对比,16个站点位置的评估结果如表1所示,同降尺度后的精度对比发现,所有站点的精度指标相较于降尺度前精度相差不大。
表1 SMAP产品提供的土壤湿度和降尺度后的土壤湿度分别与实测土壤湿度数据精度对比
以降尺度过程中的降尺度因子(1-MTVDI)为驱动,根据Priestley-Taylor方程提出一个完全基于遥感数据的陆面实际蒸散发模拟框架,获得研究区瞬时蒸发比和日尺度蒸散发量的模拟结果,并使用站点数据对两者的模拟结果进行验证分析。图3为蒸发比的验证精度,本发明提取的蒸发比时间序列曲线更类似于正弦曲线,而观测值生成的时间序列曲线波动稍大,受季节影响较明显,但二者在年内变化趋势基本吻合。图4为蒸散发量的验证精度,8个站点总的相关系数r为0.836,各站点ET实测值与估计值具有较好的正相关关系,且各站点拟合线的斜率接近1。
Claims (3)
1.基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,其特征在于,包括以下步骤:
(1)下载研究区的遥感影像并进行预处理;获取相应站点位置的土壤湿度、蒸发比和蒸散发实测数据;
(2)在同一条土壤湿度等值线上,像元的地表温度主要受植被覆盖度影响,其中,植被覆盖度由MOD13A2产品提取NDVI后进行计算得到,随着植被覆盖度的增加,地表温度Ts趋向于空气温度Ta,空气温度是根据MOD06_L2和MOD07_L2产品提取的参数并采用大气廓线外推法估算得到,瞬时气温Ts,i可以由植被覆盖度与Tsmax,i和Tcmax,i之间的加权和来表示,其中Tsmax,i和Tcmax,i分别表示在极端水胁迫下,全植被覆盖和裸土的最大地表温度;
(3)在下垫面均匀和稳定的条件下,Tsmax的季节性变化以接收到的太阳辐射为主,Tsmax的变化通过太阳天顶角θ来捕获,则不同日期的Tsmax,j算法表达式:
Tsmax,j=A cos(aθj+b) (1)
其中,下标j表示不同日期的白天时间,Tsmax,j表示每天每个小研究区内地表温度最大值,θj为MOD03提取的太阳天顶角参数,则干边中的参数a和b可以通过余弦函数拟合得到,振幅参数A利用优化算法确定;
(4)湿边Tw的计算相对干边来说比较简单,算法表达式为:
Tw=min(Tsmin,j,Tmin,j) (2)
其中,Tmin,j表示每天每个小研究区内遥感观测的地表温度最小值;
(5)参数优化步骤为:
在优化过程中,需要满足以下的条件:
条件1:对于研究区域内所有像元:
0≤MTVDI≤1 (3)
条件2:对所有研究区内的Tsmax,j都应满足:
Tmax,j≤Tsmax,j≤U (4)
其中,U为Tsmax,j的上界;
最优振幅A的确定根据数据驱动目标和限制条件计算得到,数据驱动目标表示为:
其中n为逐个36km范围内晴天天数,i和jj分别代表不同像元和不同日期,SMi,j代表逐个像元每天的微波土壤湿度数据;将SMAP被动微波遥感数据作为驱动与36km范围内MODIS数据的平均值作为输入,优化步长为1K,计算对应的SMAP微波产品像元位置MTVDI和SMAP提供的微波土壤水分之间的相关性最强时的A;
(6)结合步骤(3)、步骤(4)和步骤(5)计算的变量,反演MTVDI,不同像元MTVDIi的计算公式表示为:
(7)通过逐个SMAP像元范围内建立降尺度因子1-MTVDI与粗分辨率SMAP土壤水分产品之间的关系,获得高分辨土壤湿度产品方法进行降尺度,降尺度公式如式(7)所示:
其中,W为SMAP降尺度后的1km的土壤湿度,SMSMAP为原始SMAP的产品,MTVDIH为高分辨率的MTVDI,(1-MTVDIH)SMAP为一个SMAP像元内MTVDI的均值;
(8)构建蒸散发估算的模型,蒸散发估算遵循Priestley-Taylor方程,算法表达式为:
公式中,ET是蒸散发,Rn是地表净辐射量,G是土壤热通量,Δ是饱和水汽压随温度变化曲线的斜率,γ为0.658hPa℃-1,参数φ等于1.26;
(9)蒸发比EF的如下表达式:
其中,Δ可通过空气温度Ta进行估算;对于参数φ,当土壤为非饱和状态时,可使用Komatsu提出的参数化方案从MTVDI中检索;
(10)采用蒸发比不变的方法将瞬时蒸散发量转化为研究区的日蒸散发量,日尺度蒸散发中土壤热通量G为0,日尺度蒸散发量的算法表达式为:
ET24=Rn24·EF (10)
其中,Rn24为日尺度的地表净辐射,ET24为日尺度的蒸散发。
2.根据权利要求1所述的基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,其特征在于,步骤(1)中,所述的遥感影像数据,包括地表温度MOD11A1、计算空气温度所需的数据MOD06_L2与MOD07_L2、太阳高度角数据MOD03、归一化植被指数数据MOD13A2以及进行土壤湿度降尺度的SMAP数据;站点数据包括STAMP系统提取的土壤湿度数据和EBBR系统提取的蒸发比和蒸散发数据。
3.根据权利要求1所述的基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法,其特征在于,步骤(2)中,所述的MODIS遥感数据预处理,包括格式转化、提取参数和有效值、研究区裁剪、重采样与插值;SMAP产品预处理包括:采用HEG工具进行参数提取和坐标转化、提取有效值、研究区裁剪和重采样;站点数据预处理,包括格式转化和提取对应的参数,保证与遥感数据的获取时间一致,最终获得时间分辨率为1天、空间分辨率为1km的影像数据;使用到的处理工具主要包括:ArcGIS、Python、HEG、MRT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623042.0A CN113218969B (zh) | 2021-06-04 | 2021-06-04 | 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623042.0A CN113218969B (zh) | 2021-06-04 | 2021-06-04 | 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113218969A CN113218969A (zh) | 2021-08-06 |
CN113218969B true CN113218969B (zh) | 2022-03-01 |
Family
ID=77082795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110623042.0A Expired - Fee Related CN113218969B (zh) | 2021-06-04 | 2021-06-04 | 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113218969B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324410A (zh) * | 2021-12-31 | 2022-04-12 | 黄陵县农产品质量安全检验检测站 | 一种多地形的微波遥感土壤湿度降尺度方法 |
CN115661671B (zh) * | 2022-12-22 | 2023-03-21 | 中国科学院地理科学与资源研究所 | 一种基于特征空间的土壤水分微波产品降尺度方法 |
CN116205086B (zh) * | 2023-05-04 | 2023-08-01 | 中国科学院地理科学与资源研究所 | 一种日尺度蒸散发时空连续遥感估算方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303855A (ja) * | 2006-05-09 | 2007-11-22 | System Box Japan株式会社 | 地球情報分析システム |
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN110781602A (zh) * | 2019-11-04 | 2020-02-11 | 中国科学院地理科学与资源研究所 | 基于特征空间法来获取时空连续的土壤水方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1007358A3 (nl) * | 1993-07-28 | 1995-05-23 | Vos Frans De | Hydro-energetische omzetinrichting. |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
-
2021
- 2021-06-04 CN CN202110623042.0A patent/CN113218969B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303855A (ja) * | 2006-05-09 | 2007-11-22 | System Box Japan株式会社 | 地球情報分析システム |
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN110781602A (zh) * | 2019-11-04 | 2020-02-11 | 中国科学院地理科学与资源研究所 | 基于特征空间法来获取时空连续的土壤水方法 |
Non-Patent Citations (2)
Title |
---|
An observation-driven optimization method for continuous estimation of soil moisture over large heterogeneous areas;Wenbin Zhu等;《Remote Sensing Letters》;20200302;第11卷(第6期);第505-514页 * |
变角度下主被动微波遥感联合降尺度方法;郭鹏等;《遥感学报》;20210430;第25卷(第4期);第952-961页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113218969A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113218969B (zh) | 基于微波遥感土壤水分产品驱动下的陆面蒸散发估算方法 | |
CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
CN103810387A (zh) | 基于modis数据的地表蒸散发全遥感反演方法及系统 | |
CN112884672B (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
CN110968955B (zh) | 一种蒸发比观测的时空拓展方法 | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
CN115526098B (zh) | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
CN110736704B (zh) | 土壤水与蒸发比耦合模拟及相互转化的方法 | |
CN114461983A (zh) | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 | |
CN117409320A (zh) | 一种基于卫星遥感的流域洪水监测方法、系统及存储介质 | |
Yadav et al. | Estimation of soil moisture through water cloud model using sentinel-1A SAR data | |
Lee et al. | Improvement of AMSR2 soil moisture products over South Korea | |
CN110781602B (zh) | 基于特征空间法来获取时空连续的土壤水方法 | |
CN107688712B (zh) | 一种基于dem和ndvi的气温降尺度方法 | |
CN114818386B (zh) | 一种顾及温度滞后性效应的地表温度角度归一化方法 | |
CN112949182B (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
CN116310778A (zh) | 一种微波遥感土壤水分数据图像降尺度方法 | |
CN109871552B (zh) | 一种不同深度的土壤温度估算方法 | |
Oiha et al. | Sequential downscaling of the SMOS soil moisture at 100 m resolution via a variable intermediate spatial resolution | |
Ding et al. | A spatial downscaling approach for land surface temperature by considering descriptor weight | |
Zheng et al. | Evaluation of different methods for soil heat flux estimation at large scales using remote sensing observations | |
CN115661671B (zh) | 一种基于特征空间的土壤水分微波产品降尺度方法 | |
CN116341352B (zh) | 地表温度观测信息约束的静止卫星陆上红外亮温模拟方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220301 |