CN113705928B - 基于大气再分析数据对植被生长季顶峰时间的预测方法 - Google Patents
基于大气再分析数据对植被生长季顶峰时间的预测方法 Download PDFInfo
- Publication number
- CN113705928B CN113705928B CN202111078258.XA CN202111078258A CN113705928B CN 113705928 B CN113705928 B CN 113705928B CN 202111078258 A CN202111078258 A CN 202111078258A CN 113705928 B CN113705928 B CN 113705928B
- Authority
- CN
- China
- Prior art keywords
- data
- ndvi
- atmospheric analysis
- pos
- peak time
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大气再分析数据对植被生长季顶峰时间的预测方法,包括以下步骤,采集目标地区的生长季NDVI数据,通过对生长季NDVI数据进行平滑处理,获取具有时空连续性质的NDVI数据;采集目标地区的大气再分析数据ERA5,获取目标地区在每年四到六月份的大气再分析变量;根据NDVI数据的空间分辨率,对大气再分析变量进行重新采样后,与NDVI数据进行匹配;根据匹配结果并依据大气再分析变量,构建广义相加POS预测模型,用于预测得到植被生长顶峰时间;相比于传统物候模型,本发明提供的方法不再需要在主观确定阈值,并且考虑了更多的影响因素,提高了预测结果的准确性,且能提前1‑2个月进行POS的预测。
Description
技术领域
本申请涉及气象遥感技术领域,特别是涉及利用大气再分析数据提前预测植被达到生长季顶峰时间的方法。
背景技术
植被物候是指受到气候、水文等环境影响而导致的以年为单位循环的植被自然现象。它是反映气候变化和植被生长的敏感指标,在植被活动和生态系统功能方面起到重要作用。
植被生长季顶峰时间(POS)作为植被物候的重要关键参数之一,一般发生在生长季中后期(七八月份),通常被用来反映植被到达成熟期所需的时间。然而,人工测量方法不仅受人为的主观因素影响较大,且难以获取大范围连续的植被生长季顶峰时间。目前,遥感方法能够获得大范围的物候观测数据,为植被生长季顶峰时间的估算提供了可能。但是,遥感方法只能在事后对植被生长季顶峰时间进行提取,无法提前预测。传统基于气温或者降水的物候模型是也能够预测植被生长季顶峰时间,但它通常没有考虑其他大气参数对物候现象的影响,且需要通过人为经验设定阈值来估算植被生长顶峰时间,因此在实际应用中可能会遇到诸多限制,不具有普适性。
发明内容
本发明的目的是提供一种利用大气再分析数据提前预测植被生长顶峰时间的方法,方法简单,结果准确。
为实现上述目的,本发明提供了基于大气再分析数据对植被生长季顶峰时间的预测方法,包括以下步骤:
采集目标地区的生长季NDVI数据,通过对生长季NDVI数据进行平滑处理,获取具有时空连续性质的NDVI数据;
采集目标地区的大气再分析数据ERA5,获取目标地区在每年四到六月份的大气再分析变量;
根据NDVI数据的空间分辨率,对大气再分析变量进行重新采样后,与NDVI数据进行匹配;
根据匹配结果并依据大气再分析变量,构建广义相加POS预测模型,用于预测得到植被生长顶峰时间。
优选地,在获取NDVI数据的余弦函数表达的过程中,还包括,将NDVI数据转化为对于时间的余弦函数。
优选地,在获取目标地区在每年四到六月份的大气再分析变量的过程中,大气再分析变量至少包括平均气温数据、平均降水数据、平均风速数据、平均太阳辐射数据、平均土壤水分数据。
优选地,在构建广义相加POS预测模型的过程中,根据重新采样后的大气再分析变量和NDVI数据,构建基础广义线性POS预测模型;
基于基础广义线性POS预测模型,通过将重新采样前的大气再分析变量作为非线性参数,判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系;
根据判断结果,构建广义相加POS预测模型。
优选地,在判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系的过程中,以大气再分析变量对于植被生长顶峰时间的平滑自由度EDF作为判断标准。
优选地,在获取具有时空连续性质的NDVI数据的过程中,根据GIMMS NDVI3g产品提供的每15天合成的生长季NDVI数据,利用Double Logistic函数对其进行平滑去噪,并对缺失数据的像元进行填充,其表示如下:
其中,NDVI(t)表示t时间的NDVI值,b,c,d,f分别为平滑参数,可以根据生长季的NDVI进行拟合得到。
优选地,在获取具有时空连续性质的NDVI数据的过程中,利用平滑后的NDVI数据,分别从平滑的NDVI时间序列数据中获取NDVI最小值p,NDVI最大振幅q,将NDVI表示为时间的t余弦函数:
其中,POS表示植被生长顶峰时间,n表示当年总天数。
优选地,在构建基础广义线性POS预测模型的过程中,基础广义线性POS预测模型的表达式为:
POS=S0+β1×SM+β2×Ta+β3×P+β4×WS+β5×SR
其中,S0表示该模型的截距项,β1-β5分别表示各大气再分析数据所对应的斜率,SM为平均土壤水分,Ta为平均气温,P为平均降水,WS为平均风速,SR为平均太阳辐射。
优选地,在判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系的过程中,平滑自由度EDF为1对应的变量为线性相关变量,其余变量为非线性变量。
优选地,在构建广义相加POS预测模型的过程中,广义相加POS预测模型的方程表达式为:
POS=S0+β1×X1+...+βn×Xn+sn+I(Xn+1)+...+sn+m(Xn+m)
其中,βi(i=1…n)分别表示线性相关变量Xi(i=1…n)的斜率,sj(Xj)(j=n+1…m)表示与植被生长顶峰时间呈非线性相关的大气再分析变量的平滑函数。
本发明公开了以下技术效果:
本发明提供基于大气再分析数据提前预测植被生长顶峰时间的方法,从ERA5再分析数据集中获取大气再分析产品数据(土壤水分、气温、降水、风速、太阳辐射);从GIMMSNDVI3g遥感植被指数数据中获取长时间序列的NDVI并对其进行平滑去噪处理;基于平滑后的NDVI,将其表征为随时间变化的余弦函数;利用前项选择法决定植被生长顶峰时间的线性及非线性相关的大气再分析变量,从而建立广义相加模型,最后预测植被生长顶峰时间。相比于传统物候模型,本发明方法不再需要在主观确定阈值,并且考虑了更多的影响因素,提高了预测结果的准确性,且能提前1-2个月进行POS的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的利用大气再分析数据提前预测植被生长顶峰时间的流程图;
图2为本发明实施例所述的预测生态站点植被生长顶峰时间与遥感数据获取的植被生长顶峰时间对比图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,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。
如图1-2所示,本发明提供了基于大气再分析数据对植被生长季顶峰时间的预测方法,包括以下步骤:
采集目标地区的生长季NDVI数据,通过对生长季NDVI数据进行平滑处理,获取具有时空连续性质的NDVI数据;
采集目标地区的大气再分析数据ERA5,获取目标地区在每年四到六月份的大气再分析变量;
根据NDVI数据的空间分辨率,对大气再分析变量进行重新采样后,与NDVI数据进行匹配;
根据匹配结果并依据大气再分析变量,构建广义相加POS预测模型,用于预测得到植被生长顶峰时间。
进一步地,在获取NDVI数据的余弦函数表达的过程中,还包括,将NDVI数据转化为对于时间的余弦函数。
进一步地,在获取目标地区在每年四到六月份的大气再分析变量的过程中,大气再分析变量至少包括平均气温数据、平均降水数据、平均风速数据、平均太阳辐射数据、平均土壤水分数据。
进一步地,在构建广义相加POS预测模型的过程中,根据重新采样后的大气再分析变量和NDVI数据,构建基础广义线性POS预测模型;
基于基础广义线性POS预测模型,通过将重新采样前的大气再分析变量作为非线性参数,判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系;
根据判断结果,构建广义相加POS预测模型。
进一步地,在判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系的过程中,以大气再分析变量对于植被生长顶峰时间的平滑自由度EDF作为判断标准。
进一步地,在获取具有时空连续性质的NDVI数据的过程中,根据GIMMS NDVI3g产品提供的每15天合成的生长季NDVI数据,利用Double Logistic函数对其进行平滑去噪,并对确实数据的像元进行填充,其表示如下:
其中,NDVI(t)表示t时间的NDVI值,b,c,d,f分别为平滑参数,可以根据生长季的NDVI进行拟合得到。
进一步地,在获取具有时空连续性质的NDVI数据的过程中,利用平滑后的NDVI数据,分别从平滑的NDVI时间序列数据中获取NDVI最小值p,NDVI最大振幅q,将NDVI表示为时间的t余弦函数:
NDVI(t)=p+q×(1+cos(2π×(t-POS)/n))/2
其中,POS表示植被生长顶峰时间,n表示当年总天数。
进一步地,在构建基础广义线性POS预测模型的过程中,基础广义线性POS预测模型的表达式为:
POS=S0+β1×SM+β2×Ta+β3×P+β4×WS+β5×SR
其中,S0表示该模型的截距项,β1-β5分别表示各大气再分析数据所对应的斜率,SM为平均土壤水分,Ta为平均气温,P为平均降水,WS为平均风速,SR为平均太阳辐射。
进一步地,在判断大气再分析变量与植被生长顶峰时间的关系是否为线性关系的过程中,平滑自由度EDF为1对应的变量为线性相关变量,其余变量为非线性变量。
进一步地,在构建广义相加POS预测模型的过程中,广义相加POS预测模型的方程表达式为:
POS=S0+β1×X1+...+βn×Xn+sn+1(Xn+1)+...+sn+m(Xn+m)
其中,βi(i=1…n)分别表示线性相关变量Xi(i=1…n)的斜率,sj(Xj)(j=n+1…m)表示与植被生长顶峰时间呈非线性相关的大气再分析变量的平滑函数。
本申请还提供了基于大气再分析数据对植被生长季顶峰时间的预测系统,包括,
第一数据采集处理模块,用于采集目标地区的生长季NDVI数据,通过对生长季NDVI数据进行平滑处理,获取具有时空连续性质的NDVI数据;
第二数据采集处理模块,用于采集目标地区的大气再分析数据ERA5,获取目标地区在每年四到六月份的大气再分析变量;
第一数据处理模块,用于根据NDVI数据的空间分辨率,对大气再分析变量进行重新采样后,与NDVI数据进行匹配;
第二数据处理模块,用于根据匹配结果并依据大气再分析变量,构建广义相加POS预测模型,用于预测得到植被生长顶峰时间。
预测系统还包括,
数据存储模块,用于存储系统产生的系统数据,系统数据至少包括大气再分析变量、生长季NDVI数据、NDVI数据、植被生长顶峰时间等;
数据显示模块,用于显示NDVI数据、植被生长顶峰时间以及目标地区的区位图;
通信模块用于该系统与外界进行数据交互;
本申请提供的预测系统通过计算机硬件设备实现其功能。
实施例1:本发明提供了一种利用大气再分析数据提前预测植被生长顶峰时间的方法,该方法包括以下步骤:
S1,从遥感植被指数产品中提取生长季NDVI;
S2,对NDVI数据进行平滑处理,得到时空连续的NDVI;
S3,基于S2中平滑后的NDVI数据,将NDVI表示为时间的余弦函数;
S4,从大气再分析数据产品中获取每年四至六月的平均气温,平均降水,平均风速,平均太阳辐射,平均土壤水分数据,并重采样到NDVI数据的空间分辨率;
S5,将S4中的所有大气再分析变量(平均气温,平均降水,平均风速,平均太阳辐射,平均土壤水分)与NDVI进行匹配,建立基础广义线性POS预测模型;
S6,利用前向选择法,将S4中的大气再分析变量(平均气温,平均降水,平均风速,平均太阳辐射,平均土壤水分)依次作为非线性参数加入S5中建立的基础广义线性POS预测模型,并以平滑自由度(EDF)为判断标准,判断每个大气再分析变量与植被生长顶峰时间的关系为线性或者非线性;
S7,根据S6中的参数选择结果,建立生长顶峰时间与大气再分析变量(平均气温,平均降水,平均风速,平均太阳辐射,平均土壤水分)之间的广义相加POS预测模型,预测得到植被生长顶峰时间。
可选的,所述步骤S2中,根据GIMMS NDVI3g产品(空间分辨率为0.08°)提供的每15天合成的NDVI数据,利用Double Logistic函数对其进行平滑去噪,并对缺失数据的像元进行填充,其表示如下:
其中,NDVI(t)表示t时间的NDVI值,b,c,d,f分别为平滑参数,可以根据生长季的NDVI进行拟合得到。
可选的,所述步骤S3中,利用平滑后时空连续的NDVI数据,分别从平滑的NDVI时间序列数据中获取NDVI最小值p,NDVI最大振幅q,将NDVI表示为时间的t余弦函数:
NDVI(t)=p+q×(1+cos(2π×(t-POS)/n))/2 (2)
其中,POS表示植被生长顶峰时间,n表示当年总天数(平年为365,闰年为366)。
可选的,所述步骤S4中,从大气再分析数据ERA5(空间分辨率为0.1°)中获取4-6月平均气温,平均降水,平均风速,平均太阳辐射,平均土壤水分,并将其重采样到0.08°。
可选的,所述步骤S5中,假设S4中获取的重采样后的4-6月0.08°的大气再分析变量(平均降水,平均风速,平均太阳辐射,平均土壤水分)全部为线性相关变量,建立基础广义线性POS预测模型:
POS=S0+β1×SM+β2×Ta+β3×P+β4×WS+β5×SR (3)
其中,S0表示该模型的截距项,β1-β5分别表示各大气再分析数据所对应的斜率,SM为平均土壤水分,Ta为平均气温,P为平均降水,WS为平均风速,SR为平均太阳辐射。
可选的,所述步骤S6中,利用前向选择法,再将重采样后的4-6月0.08°的大气再分析变量(平均降水,平均风速,平均太阳辐射,平均土壤水分)依次作为非线性相关参数加入基础广义线性POS预测模型,分别计算其平滑自由度(EDF),其中EDF值为1对应的变量为线性相关变量,其余变量为非线性变量。
可选的,所述步骤S7中,根据S6中变量选择的结果,建立植被生长顶点与大气再分析变量之间的广义相加模型:
POS=SO+β1×X1+...+βn×Xn+sn+1(Xn+1)+...+sn+m(Xn+m) (4)
其中,βi(i=1…n)分别表示线性相关变量Xi(i=1…n)的斜率,sj(Xj)(j=n+1…m)表示与植被生长顶峰时间呈非线性相关的大气再分析变量的平滑函数。由公式(4)即可根据大气再分析数据预测得到植被生长顶峰时间POS。
由于植被生长顶峰时间(POS)一般发生在7-8月份,根据上述过程可知,本方法根据每年4-6月份的大气再分析数据,即可提前1-2个月预测当年的植被生长顶峰时间。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.基于大气再分析数据对植被生长季顶峰时间的预测方法,其特征在于,包括以下步骤:
采集目标地区的生长季NDVI数据,通过对所述生长季NDVI数据进行平滑处理,获取具有时空连续性质的NDVI数据,并将所述NDVI数据转化为对于时间的余弦函数;
采集所述目标地区的大气再分析数据ERA5,获取所述目标地区在每年四到六月份的大气再分析变量;
根据所述NDVI数据的空间分辨率,对所述大气再分析变量进行重新采样后,与所述NDVI数据进行匹配;
根据匹配结果并依据所述大气再分析变量,构建广义相加POS预测模型,用于预测得到植被生长顶峰时间;
在获取具有时空连续性质的NDVI数据的过程中,根据GIMMS NDVI3g产品提供的每15天合成的所述生长季NDVI数据,利用Double Logistic函数对其进行平滑去噪,并对缺失数据的像元进行填充,其表示如下:
其中,NDVI(t)表示t时间的NDVI值,b,c,d,f分别为平滑参数,根据生长季的NDVI进行拟合得到;
利用平滑后的所述NDVI数据,分别从平滑的NDVI时间序列数据中获取NDVI最小值p,NDVI最大振幅q,将NDVI表示为时间的t余弦函数:
NDVI(t)=p+q×(1+cos(2π×(t-POS)/n))/2
其中,POS表示植被生长顶峰时间,n表示当年总天数;
在构建广义相加POS预测模型的过程中,根据重新采样后的所述大气再分析变量和所述NDVI数据,构建基础广义线性POS预测模型;
基于所述基础广义线性POS预测模型,通过将重新采样前的所述大气再分析变量作为非线性参数,判断所述大气再分析变量与所述植被生长顶峰时间的关系是否为线性关系;
根据判断结果,构建所述广义相加POS预测模型;
所述基础广义线性POS预测模型的表达式为:
POS=S0+β1×SM+β2×Ta+β3×P+β4×WS+β5×SR
其中,S0表示该模型的截距项,β1-β5分别表示各大气再分析数据所对应的斜率,SM为平均土壤水分,Ta为平均气温,P为平均降水,WS为平均风速,SR为平均太阳辐射;
所述广义相加POS预测模型的方程表达式为:
POS=S0+β1×X1+...+βn×Xn+sn+1(Xn+1)+...+sn+m(Xn+m)
其中,βi,i=1…n表示线性相关变量Xi的斜率,sj(Xj),j=n+1…m表示与植被生长顶峰时间呈非线性相关的大气再分析变量的平滑函数。
2.根据权利要求1所述基于大气再分析数据对植被生长季顶峰时间的预测方法,其特征在于:
在获取所述目标地区在每年四到六月份的大气再分析变量的过程中,所述大气再分析变量至少包括平均气温数据、平均降水数据、平均风速数据、平均太阳辐射数据、平均土壤水分数据。
3.根据权利要求2所述基于大气再分析数据对植被生长季顶峰时间的预测方法,其特征在于:
在判断所述大气再分析变量与所述植被生长顶峰时间的关系是否为线性关系的过程中,以所述大气再分析变量对于所述植被生长顶峰时间的平滑自由度EDF作为判断标准。
4.根据权利要求3所述基于大气再分析数据对植被生长季顶峰时间的预测方法,其特征在于:
在判断所述大气再分析变量与所述植被生长顶峰时间的关系是否为线性关系的过程中,所述平滑自由度EDF为1对应的变量为线性相关变量,其余变量为非线性变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078258.XA CN113705928B (zh) | 2021-09-15 | 2021-09-15 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078258.XA CN113705928B (zh) | 2021-09-15 | 2021-09-15 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705928A CN113705928A (zh) | 2021-11-26 |
CN113705928B true CN113705928B (zh) | 2023-09-12 |
Family
ID=78660454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111078258.XA Active CN113705928B (zh) | 2021-09-15 | 2021-09-15 | 基于大气再分析数据对植被生长季顶峰时间的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705928B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190810A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
CN109272144A (zh) * | 2018-08-16 | 2019-01-25 | 天津大学 | 基于bpnn的中国北方草原地区ndvi的预测方法 |
CN110427594A (zh) * | 2019-07-18 | 2019-11-08 | 北京中科资环信息技术研究院 | 适合小型实验室的气象要素数据获取系统 |
CN111323352A (zh) * | 2020-04-09 | 2020-06-23 | 中南大学 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
WO2021062147A1 (en) * | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295576B (zh) * | 2016-08-12 | 2017-12-12 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
-
2021
- 2021-09-15 CN CN202111078258.XA patent/CN113705928B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190810A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
CN109272144A (zh) * | 2018-08-16 | 2019-01-25 | 天津大学 | 基于bpnn的中国北方草原地区ndvi的预测方法 |
CN110427594A (zh) * | 2019-07-18 | 2019-11-08 | 北京中科资环信息技术研究院 | 适合小型实验室的气象要素数据获取系统 |
WO2021062147A1 (en) * | 2019-09-27 | 2021-04-01 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN111323352A (zh) * | 2020-04-09 | 2020-06-23 | 中南大学 | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于大气再分析数据的内蒙古半干旱草原植被 物候预测研究;马雪晴;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705928A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laipelt et al. | Long-term monitoring of evapotranspiration using the SEBAL algorithm and Google Earth Engine cloud computing | |
Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
Tran et al. | Monitoring drought vulnerability using multispectral indices observed from sequential remote sensing (Case Study: Tuy Phong, Binh Thuan, Vietnam) | |
Wu et al. | Establishing and assessing the Integrated Surface Drought Index (ISDI) for agricultural drought monitoring in mid-eastern China | |
Symeonakis et al. | Monitoring desertification and land degradation over sub-Saharan Africa | |
Mohammadi et al. | Modelling forest stand volume and tree density using Landsat ETM+ data | |
Du et al. | Detecting the effects of climate change on canopy phenology in coniferous forests in semi-arid mountain regions of China | |
Van Hoolst et al. | FAO’s AVHRR-based Agricultural Stress Index System (ASIS) for global drought monitoring | |
Zhang et al. | Mapping bamboo with regional phenological characteristics derived from dense Landsat time series using Google Earth Engine | |
Verhegghen et al. | A global NDVI and EVI reference data set for land-surface phenology using 13 years of daily SPOT-VEGETATION observations | |
Tottrup et al. | Mapping fractional forest cover across the highlands of mainland Southeast Asia using MODIS data and regression tree modelling | |
Acevedo-Opazo et al. | A model for the spatial prediction of water status in vines (Vitis vinifera L.) using high resolution ancillary information | |
Beriaux et al. | Multiyear independent validation of the water cloud model for retrieving maize leaf area index from SAR time series | |
Greaves et al. | Applying terrestrial lidar for evaluation and calibration of airborne lidar-derived shrub biomass estimates in Arctic tundra | |
Yagci et al. | The effect of corn–soybean rotation on the NDVI-based drought indicators: a case study in Iowa, USA, using Vegetation Condition Index | |
Setiawan et al. | Characterizing temporal vegetation dynamics of land use in regional scale of Java Island, Indonesia | |
Asam et al. | Derivation of leaf area index for grassland within alpine upland using multi-temporal RapidEye data | |
Mostafiz et al. | Tasseled cap transformation for assessing hurricane landfall impact on a coastal watershed | |
Alganci et al. | Vineyard site suitability analysis by use of multicriteria approach applied on geo-spatial data | |
CN111504425A (zh) | 一种估算干旱平原地区生态地下水位的方法及装置 | |
Cherubini et al. | Spatial, seasonal, and topographical patterns of surface albedo in Norwegian forests and cropland | |
Meroni et al. | Evaluation of the Standardized Precipitation Index as an early predictor of seasonal vegetation production anomalies in the Sahel | |
Yang et al. | Estimating evapotranspiration from terrestrial groundwater-dependent ecosystems using Landsat images | |
d’Andrimont et al. | Monitoring African water bodies from twice-daily MODIS observation | |
Mateus et al. | Assessment of two techniques to merge ground-based and TRMM rainfall measurements: a case study about Brazilian Amazon Rainforest |
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 |