CN113466143A - 土壤养分反演方法、装置、设备及介质 - Google Patents
土壤养分反演方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113466143A CN113466143A CN202110743172.8A CN202110743172A CN113466143A CN 113466143 A CN113466143 A CN 113466143A CN 202110743172 A CN202110743172 A CN 202110743172A CN 113466143 A CN113466143 A CN 113466143A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- soil
- actual measurement
- ground
- satellite
- 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.)
- Granted
Links
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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种土壤养分反演方法、装置、设备及存储介质,涉及土壤勘探技术领域。该方法包括:获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱;获取地面实测光谱与所述土壤端元光谱的映射关系;根据所述地面实测光谱与所述土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,所述反演结果用于表示所述土壤养分的关系。相对于现有技术,本申请避免了土壤反演的精度和广度受限的问题。
Description
技术领域
本发明涉及土壤勘探技术领域,具体而言,涉及一种土壤养分反演方法、装置、设备及存储介质。
背景技术
土壤是地面最常见,同时也是非常重要的资源,土壤是植被、作物生长形成的重要基础,也是环境和自然生态的主要组成部分。土壤是否处于良好的状态对于环境和生态影响重大,而土壤养分作为评价土壤的重要指标,一直以来都受到土壤研究的关注,土壤养分的反演研究则是一种重要的研究方法。
目前的技术中,一方面是通过卫星光谱数据,基于卫星光谱数据混合像元进行土壤养分的反演研究,另一方面,基于地面实测光谱的土壤养分反演主要通过野外地面实测的土壤光谱曲线结合实测土壤的养分数据去建立土壤养分的反演模型。
但是通过卫星光谱数据进行反演,由于卫星光谱数据在多地物的混合像元,因此导致反演精度较低。通过地面实测光谱结合土壤养分数据建立反演模型则受制于测量尺度,无法实现大范围的反演。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种土壤养分反演方法、装置、设备及存储介质,以解决土壤反演的精度和广度受限的问题。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种土壤养分反演方法,包括:
获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱;
获取地面实测光谱与所述土壤端元光谱的映射关系;
根据所述地面实测光谱与所述土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,所述反演结果用于表示所述土壤养分的关系。
可选的,所述获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱,包括:
获取采集的目标区域土壤的卫星光谱;
采用最小体积约束的非负矩阵分解算法,对所述卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值;
基于所述像元值大于预设阈值的丰度图像,得到所述土壤端元光谱。
可选的,所述获取地面实测光谱与所述土壤端元光谱的映射关系,包括:
将所述土壤端元光谱作为自变量,所述地面实测光谱作为因变量,采用预设分析算法建立所述地面实测光谱与所述土壤端元光谱的映射关系。
可选的,所述采用最小体积约束的非负矩阵分解算法,对所述卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值之前,还包括:
对所述卫星光谱进行预处理,获取预处理后的卫星光谱,所述卫星光谱的预处理包括下述至少一项:条带去除、大气校正和正射校正。
可选的,所述方法还包括:
在预设时间内,监测获取所述目标区域的地面实测光谱;
根据所述目标区域的土壤样品,以预设指标分析获取土壤养分信息;
根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型。
可选的,所述根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型,包括:
对地面实测光谱和土壤养分进行相关性分析,将所述地面实测光谱中相关性系数达到预设条件的波段作为特征波段;
将所述特征波段的光谱反射率作为自变量,将所述预设指标作为因变量,建立所述地面实测光谱和土壤养分的关系模型。
可选的,所述根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型之前,还包括:
对所述地面实测光谱进行预处理,获取预处理后的地面实测光谱,所述地面实测光谱的预处理包括下述至少一项:光谱去噪、光谱重采样和光谱数学变换。
第二方面,本申请实施例还提供一种土壤养分反演装置,包括:
第一获取模块,用于获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱;
第二获取模块,用于获取地面实测光谱与所述土壤端元光谱的映射关系;
第三获取模块,用于根据所述地面实测光谱与所述土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,所述反演结果用于表示所述土壤养分的关系。
第三方面,本申请实施例还提供一种计算机设备,包括:存储器、处理器和总线,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所提供的任一土壤养分反演方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述第一方面所提供的任一土壤养分反演方法。
本申请的有益效果是:采用本申请的土壤养分反演方法,先获取采集的目标区域土壤的卫星光谱,并采用预设算法从卫星光谱中提取土壤端元光谱,然后获取地面实测光谱与所述土壤端元光谱的映射关系,就可以根据地面实测光谱与土壤端元光谱的映射关系,以及地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,反演结果用于表示土壤养分的关系。由于本申请中建立了地面实测光谱与土壤端元光谱的映射关系,使得从卫星光谱中提取的土壤端元光谱可以直接用于地面实测光谱和土壤养分的关系模型,从而避免了土壤养分反演研究中精度和广度不高的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的一种土壤养分反演方法的流程示意图;
图2为本申请另一实施例提供的一种土壤养分反演方法的流程示意图;
图3为本申请另一实施例提供的一种土壤养分反演方法的流程示意图;
图4为本申请另一实施例提供的一种土壤养分反演方法的流程示意图;
图5为本申请一实施例提供的一种土壤养分反演装置的示意图;
图6为本申请另一实施例提供的一种土壤养分反演装置的示意图;
图7为本申请实施例提供的计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
如下通过多个具体的应用示例,对本申请所提供的一种土壤养分反演方法进行示例说明。
图1为本发明一实施例提供的一种土壤养分反演方法的流程示意图,该方法可由通过软件和/或硬件的方式实现。图2所示,该方法可包括:
S11、获取采集的目标区域土壤的卫星光谱,并采用预设算法从卫星光谱中提取土壤端元光谱。
在确定目标区域后,可以先对目标区域的土壤进行研究分析。分析方式例如可以是对含水量、氧化铁含量,或是其它的化合形态物质的分析,也可以是对植被的分析,本申请实施例在此不做限制。通过前置的研究分析,可以确定是否有不确定因素影响光谱,进一步可以指导野外地面实测光谱采集,以及后续处理降低干扰效应。
举例说明,在本申请的一个实施例中,选取高寒地区土壤作为目标区域,确定高寒地区土壤的整体情况包括土壤的理化特性、植被覆盖、土壤类型、土壤水分含量情况等,以青海省木里矿区作为应用示范区域,该区域地表土壤裸露,植被覆盖较少,适合遥感技术开展地面土壤调查工作。土壤以高山草甸土为主,还有少量高山寒漠土,岩性主要为泥岩、粉砂岩、砂岩等。通过对木里矿区土壤分布情况的调查分析,分析与其他区域土质的主要区别,同时排查可能影响土壤光谱变化的其它因素诸如土壤含水量、氧化铁、成土母质等。
卫星光谱的获取,可以通过公开的或未公开的数据库下载,可以直接通过卫星通信等路径获取到目标区域的卫星光谱,在此不作限制。具体实现过程中,还可以选择不同卫星的光谱数据,例如可以是HJ-1A卫星光谱数据。
由于地球自然表面几乎不是由均一物质所组成,同时卫星存在空间分辨率的影响,当具有不同波谱属性的物质出现在同一个像素内时,就会出现波谱混合现象。卫星光谱中通常都是混合像元,混合像元包括多种端元,例如混合像元可以包括植被、水体、土壤等地物的端元,而不仅仅是纯净的土壤端元光谱,因此需要采用算法提取土壤端元光谱,以使得光谱更加适于分析研究。常用的算法包括纯净像元指数法(PPI)、N-FINDR、凸锥分析法(CCA)、顶点组分分析法(VCA)、最小二乘法等,可以根据不同的需要选择合适的算法,本申请实施例在此不做限制。
S12、获取地面实测光谱与土壤端元光谱的映射关系。
获取地面实测光谱与土壤端元光谱的映射关系,将地面实测光谱与土壤端元光谱对应,可以使得土壤端元光谱转化为地面实测光谱,便于土壤端元光谱的使用。
S13、根据地面实测光谱与土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,反演结果用于表示土壤养分的关系。
由于已经获取地面实测光谱与土壤端元光谱之间的映射关系,以及地面实测光谱和土壤养分的关系模型,那么基于目标区域的土壤端元光谱,可以得到对应土壤端元光谱的土壤养分结果,那么就可以得到该目标区域的土壤养分反演结果,以获知最终的目标区域的土壤养分情况。
本实施例所提供的土壤养分反演方法中,可获取目标区域土壤的卫星光谱,并从卫星光谱中提取出土壤端元光谱,获取地面实测光谱与土壤端元光谱的映射关系,根据该映射关系、地面实测光谱和土壤养分的关系模型,确定目标区域的土壤养分反演结果,该反演结果能表示目标区域的土壤养分具体情况。
可选的,在上述实施例的基础上,本申请实施例还可提供一种土壤养分反演方法,如下结合附图对上述方法的实现过程进行实例说明。图2为本申请另一实施例提供的一种土壤养分反演方法的流程示意图,如图2所示,步骤S11的具体实现包括:
S111、获取采集的目标区域土壤的卫星光谱。
S112、采用最小体积约束的非负矩阵分解算法,对卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值。
其中,采用最小体积约束的非负矩阵分解算法:
第一步,输入观测光谱矩阵M∈Yl×n(l为波段个数,n为像元个数)。
第二步,利用联合仿真平台PERA.Hysim估计端元个数m。
第三步,从M中任意选择k列充当初始源矩阵A∈Yl×m。
第四步,生成初始的系数矩阵S∈Rm×n,根据下述公式(1)对系数矩阵S进行归一化处理。
其中,g表示第g个波段,j表示第j个像元
第五步,设置最大的迭代次数MaxIter;
第六步,根据下述公式(2)分别更新A和S,然后对系数矩阵再做一次归一化处理;
k的含义是迭代次数,fA表示将目标函数对A矩阵求偏导数,fS表示将目标函数对S矩阵求偏导数。
第七步,设置最大的迭代次数MaxIter;
第八步,若MaxIter已经到达最大值或者目标值不再收敛,则算法结束,否则重复第六步。
S113、基于像元值大于预设阈值的丰度图像,得到土壤端元光谱。
最小体积约束的非负矩阵分解算法可以同时分离出土壤端元的丰度图像以及相应的像元值。像元值代表了土壤端元在混合像元中所占的比例。
可选的,预设阈值可以根据实际情况或研究要求确定,例如可以确定为0.6,也可以为0.8,但应当不大于1。预设阈值越高,代表土壤端元在混合像元中所占的比例越高,那么基于像元值大于预设阈值的对应丰度图像,即可以得到更加纯净的土壤端元光谱。
地面实测光谱和土壤端元光谱之间的映射关系对于土壤端元光谱能否正确应用于地面实测光谱和土壤养分的关系模型至关重要,如果映射关系存在问题,那么就无法使用土壤端元光谱来得到正确的土壤养分反演结果,因此在本申请的一些实施例中,步骤S12的具体实现可以包括:
将土壤端元光谱作为自变量,地面实测光谱作为因变量,采用预设分析算法建立地面实测光谱与土壤端元光谱的映射关系。
土壤端元光谱作为自变量,地面实测光谱作为因变量,那么土壤端元光谱可以被看作输入,地面实测光谱可以作为输出,当土壤端元光谱变化时,可以得到对应的地面实测光谱。
可选的,预设分析算法建立地面实测光谱与土壤端元光谱的映射关系。预设分析算法可以是线性、非线性回归分析方法,也可以是其它用于确定两种或两种以上变数间相互依赖的定量关系的统计分析方法,本申请实施例在此不做限制。
通过将土壤端元光谱作为自变量,地面实测光谱作为因变量,采用预设分析算法建立两者间的映射关系,可以保证通过土壤端元光谱就能方便得到正确的土壤养分反演结果。
由于光谱仪器本身存在误差,同时加上外界环境因素的影响,会对光谱造成不同程度的干扰,因此需要在对卫星光谱中的混合像元进行丰度提取之前,对卫星光谱进行预处理。因此在本申请的一些实施例中,在步骤S112之前还包括:
对卫星光谱进行预处理,获取预处理后的卫星光谱,卫星光谱的预处理包括下述至少一项:条带去除、大气校正和正射校正。
具体的,由于HJ-1A卫星成像过程中部分波段存在条带,存在条带的波段多集中在蓝光部分,且条带类型多为竖直条带,每个波段都存在不同程度的条带影响,条带的存在将对后续的分析造成影响。条带去除可以包括利用全局去条纹方法,从全局对每个波段的条纹进行修复,在修复条纹的基础上能够保持卫星光谱信息。全局去条纹法根据像元列平均值、标准差和波段数据的平均值、标准差之间的差异性去进行条带的修复,采用下述公式(3):
DN′i,j,g=fi,g*DNi,j,g+Big 公式(3)
DNi,j,g为HJ-1A原始卫星光谱影像的像元值,DN′i,j,g为去除条带之后的像元值,fi,g为增益量,Big为偏移量,g表示第g个波段,i表示第i列像元值。增益量的计算采用下述公式(4):
偏移量的计算采用下述公式(5):
Stdg代表卫星光谱影像第g个波段像元值的标准差;代表卫星光谱影像第g个波段像元值的平均值;Stdi,g代表卫星光谱影像第g个波段第i列像元值的标准差;代表卫星光谱影像第g个波段第i列像元值的平均值。
具体的,由于卫星传感器最终测得的地面目标的光谱并不是地表真实光谱反映,其中包含了由大气吸收,尤其是散射作用造成的误差,为了尽可能消除这些误差影响,进行大气校正,大气校正可以包括,利用完整的遥感图像处理平台(The Environment forVisualizing Images,简称ENVI)软件对HJ-1A卫星光谱数据进行大气校正,采用大气校正模块(FLAASH Atmospheric correction)完成,大气模型为中纬度冬季(Mid-LatitudeWinter),气溶胶模型为乡村(Rural)。
具体的,正射校正可以包括,影像正射校正主要校正因传感器、地形起伏不均衡等因素引起的像元上的偏移,并利用数字高程模型(Digital Elevation Model,简称DEM)及地面控制点通过相应的数学算法模型来进行校正。正射校正的目的是通过消除影像的几何变形,减少地形起伏的改变对光谱造成的影响。以5米的DEM数据作为基准数据源,利用ENVI软件完成HJ-1A卫星光谱影像的正射校正。
通过对卫星光谱进行包括条带去除、大气校正和正射校正中的至少一项的预处理,能够去除包括传感器本身、外部环境带来的卫星光谱干扰,使得后续分析能够基于更精确的卫星光谱进行,提高了反演过程的准确性。
地面实测光谱和土壤养分的关系模型作为土壤养分反演的一个关键环节,决定了最终的土壤养分反演结果是否能够真实反映土壤养分具体情况。建立合适的关系模型对于输出正确的反演结果是必要的。
因此,在上述任一实施例所示的土壤养分反演方法的基础上,本申请实施例还提供一种土壤养分反演方法中建立所述地面实测光谱和土壤养分的关系模型的实现方式。图3为本申请另一实施例提供的一种土壤养分反演方法中建立所述地面实测光谱和土壤养分的关系模型的流程示意图,如图3所示,在本申请的一些实施例中,土壤养分反演方法还可包括:
S21、在预设时间内,监测获取所述目标区域的地面实测光谱。
可选的,土壤的光谱测量可以采用便携式光谱仪(ASD),便携式光谱仪能够测量土壤在400至2500纳米(nm)波段范围的反射率和通过率,利用探测到的地物吸收特征对目标进行成分识别,并定量化地物的化学组分。为了保证有足够的太阳高度角,可以选择在一天时间内的上午十点至下午两点之间进行地面实测,使用探头以垂直方向对目标进行测量,目的是与多数的卫星传感器采集光谱数据的方式一致,便于将地面实测光谱与卫星光谱进行比较。
具体的,可以采用ASD Field Spec FR光谱仪,采用8°视场角光谱探头,其测量波长范围为350nm-2500nm,其中350nm-1000nm之间的光谱分辨率为3nm,采样间隔为1.4nm,1000nm-2500nm之间的光谱分辨率为l0nm,采样间隔为1nm。观测时,手持光谱探头,面对太阳,光谱探头置于测量目标正上方20cm处。先对白板进行校正,获取绝对反射率,并在保证目标区域与参考白板之间对应相同的光照条件下,测目标区域地面土壤的辐射亮度5次,获取地面实测光谱曲线,以5次地面实测光谱曲线测量的平均值作为最终的地面实测光谱曲线。
S22、根据目标区域的土壤样品,以预设指标分析获取土壤养分信息。
可选的,土壤样品的采集方法可以根据需要选择,例如对角线采样法、梅花形采样法、棋盘式采样法、蛇形采样法等,本申请实施例在此不做限制。
具体的,可采用地球化学探查调查规范制定的方法,采样点均匀分布在网格内。为保证样品的代表性,首先要求按设计的采样网格图在网格单元内,按梅花桩法采集基础样。拨开土壤表层落叶、腐殖质等影响物质,利用铁锹采集表层20cm以内的土壤样品,采集500g左右土壤样品装入样品袋,通过筛分和组合构成一个子样。在此基础上,进行二次组合和缩分,形成一个组合样。子样和组合样均需观测描述和拍照记录,包括点位、渣土特征、样品编码等。样品采集完成后,将所有土壤样品进行晾晒,自然风干后进行研磨,去除土壤中的石子、塑料、植被根系等杂质,过2mm孔径的筛子。将处理好的土壤样品进行土壤养分的化验分析,主要包括全磷(TP)、全氮(TN)、全钾(TK)、土壤有机质(Soil Organic Matter,简称SOM)等指标。其中,土壤有机质含量利用重铬酸钾外加热法进行测定;全氮含量利用凯氏蒸馏法进行测定;全磷含量利用钼锑抗比色法进行测定;全钾含量利用碱熔-火焰光度法进行测定。
S23、根据地面实测光谱和土壤养分信息,建立地面实测光谱和土壤养分的关系模型。
通过在预设时间内,监测获取目标区域的地面实测光谱,根据目标区域的土壤样品,以预设指标分析获取土壤养分信息,根据地面实测光谱和土壤养分信息,能够建立可靠的地面实测光谱和土壤养分的关系模型,以提高反演结果的准确性。
上述任一实施例所示的土壤养分反演方法的基础上,本申请实施例还提供一种土壤养分反演方法中建立地面实测光谱和土壤养分的关系模型的实现方式。图4为本申请另一实施例提供的一种土壤养分反演方法中建立地面实测光谱和土壤养分的关系模型的流程示意图,如图3所示,在本申请的一些实施例中,步骤S23的具体实现包括:
S231、对地面实测光谱和土壤养分进行相关性分析,将地面实测光谱中相关性系数达到预设条件的波段作为特征波段。
具体的,为了确定地面实测光谱和土壤养分之间的关系,利用相关性分析模型,分析地面实测光谱及其一阶微分、倒数对数、二阶微分等数学变换形式与土壤养分之间的相关性,依据相关系数r的大小确定用来建模的光谱范围。如果波段对应处的相关系数r通过0.01显著性检验,说明地面实测光谱与土壤养分之间的相关性达到了显著性水平,地面实测光谱可以作为特征波段进行关系模型的构建。利用皮尔森相关系数计算土壤光谱与养分含量之间的相关系数r,具体计算采用下述公式(6):
S232、将特征波段的光谱反射率作为自变量,将预设指标作为因变量,建立地面实测光谱和土壤养分的关系模型。
可选的,在关系模型的构建中,可以选择多元逐步回归(SMLR),偏最小二乘回归(PLSR)和BP神经网络(BPNN),或是其它适合的算法,本申请实施例在此不做限制。具体的,可以采用偏最小二乘法进行模型的构建,该算法是一种多因变量Y对多自变量X的回归建模方法,该算法在建立回归的过程中,既考虑了尽量提取Y和X中的主成分(PrincipalComponent Analysis,简称PCA),又考虑了使分别从X和Y提取出的主成分之间的相关性最大化,能够较好的解决自变量的多重共线性和样本数少于维数的问题。
具体的,将特征波段的光谱反射率作为自变量,将预设指标包括土壤养分中的TN、TP、TK、SOM含量作为因变量,设有p个自变量{x1,…,xp}和q个因变量{y1,…,yq}。为了研究自变量和因变量的统计关系,观测n个样本点,构成自变量与因变量的数据表X={x1,……,xp}和Y={y1,…,yq}。偏最小二乘回归分别在X与Y中提取出成分t1和u1,t1是x1,x2,…,xp的线形组合,u1是y1,y2,…,yq的线形组合。在提取成分t1和u1时,应当满足两个要求,一是t1和u1应尽可能大地携带他们各自数据表中的变异信息,二是t1和u1的相关程度能够达到最大。满足这两个要求的意义是,t1和u1应尽可能好的代表数据表X和Y,同时自变量的成分t1对因变量的成分u1又有最强的解释能力。
在第一个成分t1和u1被提取后,偏最小二乘回归分别实施X对t1的回归以及Y对u1的回归。如果回归方程已经达到满意的精度,则算法终止;否则,将利用X被t1解释后的残余信息以及Y被t2解释后的残余信息进行第二轮的成分提取。重复该步骤,直到能达到一个较满意的精度为止。若最终对X共提取了v个成分t1,t2,…,tv,偏最小二乘回归将通过实施yk对t1,t2,…,tv的回归,然后再表达成yk关于原变量X1,X2,…,Xp的回归方程,k=1,2,…,q。
模型验证,采用舍一交叉验证的方法对模型进行验证。舍一交叉验证将样本集分为U份,每次留下一份作为测试集,剩下的数据作为训练集,最终实现测试U次,训练U次。将全部样本集的30%留作验证集,70%作为训练集,构建地面实测光谱和土壤养分的关系模型。
精度验证,在关系模型建立后还需要对关系模型的精度和适用性进行评价,可选的,可以通过以下公式对关系模型进行评价:
公式均方误差(MSE)的计算采用下述公式(7):
均方根误差(RMSE)的计算采用下述公式(8):
观测值标准差(SD)的计算采用下述公式(9):
决定系数(R2)的计算采用下述公式(10):
其中,yw代表验证集中第w个土壤养分含量测量值;代表验证集中土壤养分含量测量值的平均值;代表第w个土壤养分含量的预测值;h为验证集样本个数,e为样本集总个数。这些误差指标从不同方面反映了模型构建的精度和稳定性,是预测模型适用性的重要考量指标。
由于便携式光谱仪本身的设备原因,外部环境的影响以及便携式光谱仪与卫星传感器之间的差异,使得便携式光谱仪采集的地面实测光谱无法直接使用,因此必须进行预处理,以使得后续的分析结果更为准确。因此在本申请的一些实施例中,在步骤S23之前还包括:
对地面实测光谱进行预处理,获取预处理后的地面实测光谱,地面实测光谱的预处理包括下述至少一项:光谱去噪、光谱重采样和光谱数学变换。
由于光谱仪波段间对能量响应上的差异,使光谱曲线总存在一些噪声,出现很多小毛刺,锯齿状波形,不够平滑,因此需要对地面实测光谱曲线进行平滑处理,去除包含在信号内的少量噪声。
可选的,去噪方法包括有移动平均法、静态平均法、傅里叶级数近似以及其它方法。具体的,可采用加权移动平均法对地面实测光谱曲线进行平滑去噪处理。加权移动平均法,首先通过取地面实测光谱曲线上测定点前后某一范围的平均值作为该测定点的值。具体的计算采用下述公式(11)是:
R′t是经过平滑后的样本反射率值,t表示波长,k的含义是迭代次数。
然后根据距离中心点的距离远近对每个点赋予不同的权值,离中心点越近权值越高。
由于便携式光谱仪光谱与卫星光谱之间由于传感器之间存在差异性,导致光谱采样间隔之间存在差异,不具有统一性。因此,将地面实测光谱按照卫星光谱的采样间隔进行重采样,使其中心波长、光谱分辨率和卫星光谱的中心波长、光谱分辨率保持一致。利用python语言编写算法实现光谱重采样处理,有效减少数据冗余,便于后续光谱处理和数学变换。
由于便携式光谱仪采集的是地面地物的相对反射率光谱,测量时不可避免的会受到环境因素(风、云)、目标物大小、形状、分布等物理因素不均一等影响。因此,为了减少物理环境因素的影响,还对地面实测光谱进行了数学变换,得到了一阶微分(FDR)、倒数之对数log(1/R),以及倒数之对数一阶微分,倒数之对数一阶微分的具体计算采用下述公式(12)如下:
FDR(λ)=[R(λb+1)-R(λb)]/(λb+1-λb)公式(12)
式中,R为实测反射率,λ为波段,b为波段计数。
通过光谱数学变换可以突出对土壤中TP、TN、TK、SOM含量敏感的特征波段,便于进行地面实测光谱特征的分析。
通过对地面实测光谱进行包括光谱去噪、光谱重采样和光谱数学变换中至少一项的预处理,使得对地面实测光谱信号的干扰减小,且易于与卫星光谱建立映射关系,提高了反演过程的操作精度。
下述对用以执行的本申请所提供的土壤养分反演装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图5为本申请实施例提供的一种土壤养分反演装置的示意图,如图5所示,该土壤养分反演装置可包括:
第一获取模块501,用于获取采集的目标区域土壤的卫星光谱,并采用预设算法从卫星光谱中提取土壤端元光谱。
第二获取模块502,用于获取地面实测光谱与土壤端元光谱的映射关系。
第三获取模块503,用于根据地面实测光谱与土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,反演结果用于表示土壤养分的关系。
可选的,第一获取模块501,具体用于获取采集的目标区域土壤的卫星光谱;采用最小体积约束的非负矩阵分解算法,对卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值;基于像元值大于预设阈值的丰度图像,得到土壤端元光谱。
可选的,第二获取模块502,具体用于将土壤端元光谱作为自变量,地面实测光谱作为因变量,采用预设分析算法建立地面实测光谱与土壤端元光谱的映射关系。
可选的,第二获取模块502,具体还用于在采用最小体积约束的非负矩阵分解算法,对卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值之前,对卫星光谱进行预处理,获取预处理后的卫星光谱,卫星光谱的预处理包括下述至少一项:条带去除、大气校正和正射校正。
如图6所示,一种土壤养分反演装置,还包括:
模型建立模块51,用于在预设时间内,监测获取目标区域的地面实测光谱;根据目标区域的土壤样品,以预设指标分析获取土壤养分信息;根据地面实测光谱和土壤养分信息,建立地面实测光谱和土壤养分的关系模型。
可选的,模型建立模块51,具体用于对地面实测光谱和土壤养分进行相关性分析,将地面实测光谱中相关性系数达到预设条件的波段作为特征波段;将特征波段的光谱反射率作为自变量,将预设指标作为因变量,建立地面实测光谱和土壤养分的关系模型。
可选的,模型建立模块51,具体还用于在根据地面实测光谱和土壤养分信息,建立地面实测光谱和土壤养分的关系模型之前,对地面实测光谱进行预处理,获取预处理后的地面实测光谱,地面实测光谱的预处理包括下述至少一项:光谱去噪、光谱重采样和光谱数学变换。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图7为本申请一实施例提供的一种计算机设备的结构示意图,该设备可以集成于设备或者设备的芯片。该计算机设备包括:存储器701、处理器702和总线703。存储器701和处理器702通过总线703连接。
存储器701用于存储程序,处理器702调用存储器701存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种土壤养分反演方法,其特征在于,包括:
获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱;
获取地面实测光谱与所述土壤端元光谱的映射关系;
根据所述地面实测光谱与所述土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取所述目标区域的土壤养分的反演结果,所述反演结果用于表示所述土壤养分的关系。
2.根据权利要求1所述的方法,其特征在于,所述获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱,包括:
获取采集的目标区域土壤的卫星光谱;
采用最小体积约束的非负矩阵分解算法,对所述卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值;
基于所述像元值大于预设阈值的丰度图像,得到所述土壤端元光谱。
3.根据权利要求1所述的方法,其特征在于,所述获取地面实测光谱与所述土壤端元光谱的映射关系,包括:
将所述土壤端元光谱作为自变量,所述地面实测光谱作为因变量,采用预设分析算法建立所述地面实测光谱与所述土壤端元光谱的映射关系。
4.根据权利要求1-2任一项所述的方法,其特征在于,所述采用最小体积约束的非负矩阵分解算法,对所述卫星光谱中的混合像元进行丰度提取,得到土壤的丰度图像及其像元值之前,还包括:
对所述卫星光谱进行预处理,获取预处理后的卫星光谱,所述卫星光谱的预处理包括下述至少一项:条带去除、大气校正和正射校正。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在预设时间内,监测获取所述目标区域的地面实测光谱;
根据所述目标区域的土壤样品,以预设指标分析获取土壤养分信息;
根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型,包括:
对地面实测光谱和土壤养分进行相关性分析,将所述地面实测光谱中相关性系数达到预设条件的波段作为特征波段;
将所述特征波段的光谱反射率作为自变量,将所述预设指标作为因变量,建立所述关系模型。
7.根据权利要求5或6所述的方法,其特征在于,所述根据所述地面实测光谱和所述土壤养分信息,建立所述地面实测光谱和土壤养分的关系模型之前,还包括:
对所述地面实测光谱进行预处理,获取预处理后的地面实测光谱,所述地面实测光谱的预处理包括下述至少一项:光谱去噪、光谱重采样和光谱数学变换。
8.一种土壤养分反演装置,其特征在于,包括:
第一获取模块,用于获取采集的目标区域土壤的卫星光谱,并采用预设算法从所述卫星光谱中提取土壤端元光谱;
第二获取模块,用于获取地面实测光谱与所述土壤端元光谱的映射关系;
第三获取模块,用于根据所述地面实测光谱与所述土壤端元光谱的映射关系、地面实测光谱和土壤养分的关系模型,获取目标区域的土壤养分的反演结果,所述反演结果用于表示所述土壤养分的关系。
9.一种计算机设备,其特征在于,所述设备包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述设备运行时,所述处理器与所述存储介质之间通过所述总线通信,所述处理器执行所述机器可读指令,以实现上述权利要求1-7任一项所述的土壤养分反演方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-7任一项所述的土壤养分反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743172.8A CN113466143B (zh) | 2021-07-01 | 2021-07-01 | 土壤养分反演方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743172.8A CN113466143B (zh) | 2021-07-01 | 2021-07-01 | 土壤养分反演方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466143A true CN113466143A (zh) | 2021-10-01 |
CN113466143B CN113466143B (zh) | 2023-08-29 |
Family
ID=77877026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743172.8A Active CN113466143B (zh) | 2021-07-01 | 2021-07-01 | 土壤养分反演方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113466143B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
CN117330507A (zh) * | 2023-10-12 | 2024-01-02 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
CN101221243A (zh) * | 2007-11-01 | 2008-07-16 | 复旦大学 | 基于非负矩阵因式分解的遥感图像混合像元分解方法 |
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
KR101570297B1 (ko) * | 2014-08-01 | 2015-11-18 | 성균관대학교산학협력단 | 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램 |
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
CN111721714A (zh) * | 2020-06-01 | 2020-09-29 | 东北林业大学 | 一种基于多源光学遥感数据的土壤含水量估算方法 |
CN112577906A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地土壤含水率检测方法 |
-
2021
- 2021-07-01 CN CN202110743172.8A patent/CN113466143B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
CN101221243A (zh) * | 2007-11-01 | 2008-07-16 | 复旦大学 | 基于非负矩阵因式分解的遥感图像混合像元分解方法 |
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
CN103196862A (zh) * | 2013-02-25 | 2013-07-10 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
KR101570297B1 (ko) * | 2014-08-01 | 2015-11-18 | 성균관대학교산학협력단 | 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램 |
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106501186A (zh) * | 2016-11-02 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种土壤含水量产品降尺度方法 |
US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN111721714A (zh) * | 2020-06-01 | 2020-09-29 | 东北林业大学 | 一种基于多源光学遥感数据的土壤含水量估算方法 |
CN112577906A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地土壤含水率检测方法 |
Non-Patent Citations (6)
Title |
---|
LINHUI WANG ET AL: "Dynamic Inversion of Inland Aquaculture Water Quality Based on UAVs-WSN Spectral Analysis", REMOTE SENSING, vol. 12, no. 3, pages 402 * |
万余庆等: "土壤氮、磷、钾含量的高光谱遥感探测方法", 《中国煤炭地质》 * |
万余庆等: "土壤氮、磷、钾含量的高光谱遥感探测方法", 《中国煤炭地质》, vol. 30, 30 September 2018 (2018-09-30), pages 19 - 22 * |
包平等: "结合实测光谱的ASTER数据岩性识别方法:以西昆仑其木干二长花岗岩提取为例", 《地质科技情报》 * |
包平等: "结合实测光谱的ASTER数据岩性识别方法:以西昆仑其木干二长花岗岩提取为例", 《地质科技情报》, vol. 34, no. 03, 31 May 2015 (2015-05-31), pages 214 - 219 * |
张婷;丁建丽;王飞;: "基于实测端元光谱的多光谱图像光谱模拟研究", 光谱学与光谱分析, vol. 30, no. 11, pages 2889 - 2893 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
CN116580318B (zh) * | 2023-05-11 | 2024-01-05 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
CN117330507A (zh) * | 2023-10-12 | 2024-01-02 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
CN117330507B (zh) * | 2023-10-12 | 2024-04-05 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113466143B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
Malenovský et al. | Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer | |
Dube et al. | Investigating the robustness of the new Landsat-8 Operational Land Imager derived texture metrics in estimating plantation forest aboveground biomass in resource constrained areas | |
Pacheco et al. | Evaluating multispectral remote sensing and spectral unmixing analysis for crop residue mapping | |
Bartholomeus et al. | Soil organic carbon mapping of partially vegetated agricultural fields with imaging spectroscopy | |
Vohland et al. | Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT+ SAIL | |
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 | |
Laurent et al. | A Bayesian object-based approach for estimating vegetation biophysical and biochemical variables from APEX at-sensor radiance data | |
CN112395808A (zh) | 一种结合随机森林和协同克里金的生物量遥感制图方法 | |
Fang et al. | Atmospheric effects on the performance and threshold extrapolation of multi-temporal Landsat derived dNBR for burn severity assessment | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
Bayat et al. | Retrieval of land surface properties from an annual time series of Landsat TOA radiances during a drought episode using coupled radiative transfer models | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
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 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Cho et al. | Mapping beech (Fagus sylvatica L.) forest structure with airborne hyperspectral imagery | |
Mélin et al. | Assessment of satellite ocean colour radiometry and derived geophysical products | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN114814167B (zh) | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 | |
Bohn et al. | Coupled retrieval of the three phases of water from spaceborne imaging spectroscopy measurements | |
Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
Mota et al. | Cross-ECV consistency at global scale: LAI and FAPAR changes | |
Sun et al. | Improving the retrieval of Forest canopy chlorophyll content from MERIS dataset by introducing the vegetation clumping index |
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 |