CN113779796B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113779796B
CN113779796B CN202111070505.1A CN202111070505A CN113779796B CN 113779796 B CN113779796 B CN 113779796B CN 202111070505 A CN202111070505 A CN 202111070505A CN 113779796 B CN113779796 B CN 113779796B
Authority
CN
China
Prior art keywords
vegetation
data
satellite
microwave
light energy
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
Application number
CN202111070505.1A
Other languages
English (en)
Other versions
CN113779796A (zh
Inventor
王怿璞
李锐
胡继恒
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202111070505.1A priority Critical patent/CN113779796B/zh
Publication of CN113779796A publication Critical patent/CN113779796A/zh
Application granted granted Critical
Publication of CN113779796B publication Critical patent/CN113779796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radiation Pyrometers (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及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，包括：获取卫星微波植被含水量指数数据、植被类型数据、植被高度数据、潜在植被光能利用率查找表数据和气象数据；进行数据预处理；计算出归一化卫星微波植被含水量指数，并结合太阳辐射数据，确定植被吸收的光合有效辐射；确定环境和生物约束因子，并结合潜在植被光能利用率确定实际的植被光能利用率；计算植被总初级生产力GPP。本发明仅利用卫星被动微波观测和气象数据，结合光能利用率模型即可反演出每日的植被总初级生产力，能够直接应用于晴空和云天条件，这对利用卫星微波反演有云区域的植被总初级生产力起到了推动作用。

Description

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
技术领域
本发明涉及大气遥感和生态学技术领域，尤其是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。
背景技术
陆地植被总初级生产力是研究植被-大气系统碳循环过程中的关键环节，也是评价生态系统碳汇碳源的重要因子。利用传统的通量站点能获取较为精确的点尺度植被总生产力，但难以推广至空间尺度，无法满足在区域尺度上的实际应用和研究需求。
利用卫星植被遥感观测和光能利用率模型为获取区域尺度上的植被总初级生产力提供了有力工具。目前，基于卫星遥感的植被总初级生产力估算方法长期依赖于卫星光学观测，导致该类方法在有云天气下的应用不确定性较大。卫星被动微波遥感观测对云具有更强的穿透能力，在全天候、多时相监测地表植被状态方面具有重要价值。但目前卫星微波遥感在定量估算植被总初级生产力的应用中还十分有限，因此需要发展一种基于微波的全天候陆地植被总初级生产力方法。
发明内容
本发明的目的在于提供一种基于光能利用率模型，具备明确的物理机制，能够直接估算不同云况下植被总初级生产力的基于卫星被动微波遥感的植被总初级生产力估算方法。
为实现上述目的，本发明采用了以下技术方案：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，该方法包括以下顺序的步骤：
(1)获取卫星微波植被含水量指数数据、植被类型数据、植被高度数据、潜在植被光能利用率查找表数据和气象数据，其中，气象数据包括太阳辐射数据和气温数据；
(2)进行数据预处理：遍历卫星微波像元中心，依据空间最邻近像元匹配方法匹配不同数据源；
(3)根据植被类型数据和卫星微波植被含水量指数数据，计算出归一化卫星微波植被含水量指数，并结合太阳辐射数据，确定植被吸收的光合有效辐射；
(4)根据植被类型数据，利用卫星微波植被含水量指数数据、植被高度数据和气象数据，确定环境和生物约束因子，并结合潜在植被光能利用率确定实际的植被光能利用率；
(5)根据所确定的植被吸收的光合有效辐射和生物约束因子，计算植被总初级生产力GPP。
所述卫星微波植被含水量指数数据是指基于卫星被动微波反演的植被含水量EDVI数据。
所述步骤(2)具体是指：首先，对不同数据源进行异常值、缺损值移除处理，然后遍历卫星微波像元中心，按照空间最邻近像元匹配方法进行数据匹配：遍历所有卫星微波像元，读取每个卫星微波像元中心经纬度,标记为(lonc,latc),再分别读取卫星微波植被含水量指数数据、植被类型数据、植被高度数据和气象数据的像元中心经纬度，标记为(loni,lati),根据公式(1)找出在(lonc,latc)周围20km以内的最小距离的卫星微波像元，选取该卫星微波像元与(lonc,latc)进行匹配，匹配公式如下：
其中，di表示离卫星微波像元中心最近的距离。
所述步骤(3)具体是指：根据不同植被类型，利用卫星微波植被含水量指数数据和太阳辐射数据，估算植被吸收的光合有效辐射，所述植被吸收的光合有效辐射与归一化卫星微波植被含水量指数之间存在线性关系，计算公式为：
APAR＝SWin×0.45×nEDVIK (2)
其中，APAR为植被吸收的光合有效辐射，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数；
其中，nEDVI的计算公式为：
其中，EDVI为卫星微波植被含水量指数，EDVImin和EDVImax分别为植被在生长季期间的最小EDVI阈值和最大EDVI阈值。
所述步骤(4)具体是指：首先，确定气温对植被光能利用率的影响函数f(Ta)：
其中，Ta为环境温度，直接从气象数据中读取；Tn,T0和Tx分别为植被活动所需的最
小、最优和最大温度，取值分别为：Tn＝2.7,T0＝31.1,Tx＝45.3；
然后，确定植被水分约束对植被光能利用率的影响函数f(Ws)：
f(Ws)＝EF (5)
其中，EF为植被的蒸散比，其计算公式为：
其中，α为Priestley-Taylor系数，取值1.26；γ为湿度计常数，取值为0.0665，Δ为饱和水汽压随温度变化的斜率，ra为近地面空气动力学阻抗，rc为植被的冠层阻抗；
Δ通过空气温度计算得到，其计算公式为：
ra的计算公式为：
其中，κ为卡曼常数，取值为0.41；Z是参照高度，取值为10；d为零平面位移，Z0是表面粗糙长度，hc为植被高度；uz为参照高度处的风速，从气象数据中直接读取；
零平面位移d和表面粗糙长度Z0的计算公式如下：
d＝0.63hc (9)
Z0＝0.13hc (10)
其中，植被高度hc直接从植被高度数据中读取；
植被的冠层阻抗rc的计算公式为：
其中，f(Ta)，f(PAR)，f(VPD)，f(Ψ)，f(CO2)分别为环境温度Ta、光合有效辐射PAR、饱和水汽压亏损VPD、植被叶片水势Ψ以及周围空气中的CO2浓度对植被气孔阻抗的约束因子；rcuticle为树叶边界层阻抗，取值为105；rstamota为气孔阻抗；rcmin为植被生长季中最小冠层阻抗；rcmin0为最小冠层阻抗的最低阈值；nEDVI为归一化卫星微波植被含水量指数；
f(PAR)的计算公式为：
其中，C为依赖于植被类型的常数，当植被类型为森林时，C＝100，当植被类型为非森林时，C＝400；光合有效辐射PAR通过每日太阳总辐射SWin计算，PAR＝2.05SWin；饱和水汽压亏损VPD、植被叶片水势Ψ以及CO2浓度对植被阻抗的总体约束计算公式为：
dEDVI＝EDVIi-EDVIi-1 (16)
其中，dEDVI为前后两天的EDVI的差值；m和n是影响系数，m＝1.186，n＝105.755；根据植被类型，利用利比希最低量法则确定不同植被类型的实际的植被光能利用率LUE：
LUE ＝LUEmax×Min(f(Ta),f(Ws)) (17)
其中，LUEmax为潜在植被光能利用率，取决于植被类型；LUEmax从潜在植被光能利用率查找表中读取，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
所述植被总初级生产力GPP的计算公式如下：
GPP ＝SWin×0.45×nEDVIK×LUEmax×Min(f(Ta),f(Ws)) (18)
其中，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数，LUEmax为潜在植被光能利用率，f(Ta)和f(Ws)分别代表气温和水分因子对GPP的约束函数，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
由上述技术方案可知，本发明的有益效果为：第一，本发明与现有技术相比，仅利用卫星被动微波观测和气象数据，结合光能利用率模型即可反演出每日的植被总初级生产力，能够直接应用于晴空和云天条件，避免了传统卫星光学遥感方法受云污染的问题，这对利用卫星微波反演有云区域的植被总初级生产力起到了推动作用，本发明相对更高的时间分辨率(逐日)也使其在近实时应用中具有一定潜力；第二，本发明的植被参数输入来源于卫星遥感观测，太阳辐射、温度、风速等输入来源于气象再分析资料，上述数据均可公开获取，提高了在反演过程中数据采集的效率，并且可为无地表观测资料区域的植被总初级生产力计算提供参考。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示，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，其特征在于：该方法包括以下顺序的步骤：
(1)获取卫星微波植被含水量指数数据、植被类型数据、植被高度数据、潜在植被光能利用率查找表数据和气象数据，其中，气象数据包括太阳辐射数据和气温数据；
(2)进行数据预处理：遍历卫星微波像元中心，依据空间最邻近像元匹配方法匹配不同数据源；
(3)根据植被类型数据和卫星微波植被含水量指数数据，计算出归一化卫星微波植被含水量指数，并结合太阳辐射数据，确定植被吸收的光合有效辐射；
(4)根据植被类型数据，利用卫星微波植被含水量指数数据、植被高度数据和气象数据，确定环境和生物约束因子，并结合潜在植被光能利用率确定实际的植被光能利用率；
(5)根据所确定的植被吸收的光合有效辐射和生物约束因子，计算植被总初级生产力GPP。
所述卫星微波植被含水量指数数据是指基于卫星被动微波反演的植被含水量EDVI数据。
所述步骤(2)具体是指：首先，对不同数据源进行异常值、缺损值移除处理，然后遍历卫星微波像元中心，按照空间最邻近像元匹配方法进行数据匹配：遍历所有卫星微波像元，读取每个卫星微波像元中心经纬度,标记为(lonc,latc),再分别读取卫星微波植被含水量指数数据、植被类型数据、植被高度数据和气象数据的像元中心经纬度，标记为(loni,lati),根据公式(1)找出在(lonc,latc)周围20km以内的最小距离的卫星微波像元，选取该卫星微波像元与(lonc,latc)进行匹配，匹配公式如下：
其中，di表示离卫星微波像元中心最近的距离。
所述步骤(3)具体是指：根据不同植被类型，利用卫星微波植被含水量指数数据和太阳辐射数据，估算植被吸收的光合有效辐射，所述植被吸收的光合有效辐射与归一化卫星微波植被含水量指数之间存在线性关系，计算公式为：
APAR＝SWin×0.45×nEDVIK (2)
其中，APAR为植被吸收的光合有效辐射，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数；
其中，nEDVI的计算公式为：
其中，EDVI为卫星微波植被含水量指数，EDVImin和EDVImax分别为植被在生长季期间的最小EDVI阈值和最大EDVI阈值。
所述步骤(4)具体是指：首先，确定气温对植被光能利用率的影响函数f(Ta)：
其中，Ta为环境温度，直接从气象数据中读取；Tn,T0和Tx分别为植被活动所需的最
小、最优和最大温度，取值分别为：Tn＝2.7,T0＝31.1,Tx＝45.3；
然后，确定植被水分约束对植被光能利用率的影响函数f(Ws)：
f(Ws)＝EF (5)
其中，EF为植被的蒸散比，其计算公式为：
其中，α为Priestley-Taylor系数，取值1.26；γ为湿度计常数，取值为0.0665，Δ为饱和水汽压随温度变化的斜率，ra为近地面空气动力学阻抗，rc为植被的冠层阻抗；
Δ通过空气温度计算得到，其计算公式为：
ra的计算公式为：
其中，κ为卡曼常数，取值为0.41；Z是参照高度，取值为10；d为零平面位移，Z0是表面粗糙长度，hc为植被高度；uz为参照高度处的风速，从气象数据中直接读取；
零平面位移d和表面粗糙长度Z0的计算公式如下：
d＝0.63hc (9)
Z0＝0.13hc (10)
其中，植被高度hc直接从植被高度数据中读取；
植被的冠层阻抗rc的计算公式为：
其中，f(Ta)，f(PAR)，f(VPD)，f(Ψ)，f(CO2)分别为环境温度Ta、光合有效辐射PAR、饱和水汽压亏损VPD、植被叶片水势Ψ以及周围空气中的CO2浓度对植被气孔阻抗的约束因子；rcuticle为树叶边界层阻抗，取值为105；rstamota为气孔阻抗；rcmin为植被生长季中最小冠层阻抗；rcmin0为最小冠层阻抗的最低阈值；nEDVI为归一化卫星微波植被含水量指数；
f(PAR)的计算公式为：
其中，C为依赖于植被类型的常数，当植被类型为森林时，C＝100，当植被类型为非森林时，C＝400；光合有效辐射PAR通过每日太阳总辐射SWin计算，PAR＝2.05SWin；饱和水汽压亏损VPD、植被叶片水势Ψ以及CO2浓度对植被阻抗的总体约束计算公式为：
dEDVI＝EDVIi-EDVIi-1 (16)
其中，dEDVI为前后两天的EDVI的差值；m和n是影响系数，m＝1.186，n＝105.755；根据植被类型，利用利比希最低量法则确定不同植被类型的实际的植被光能利用率LUE：
LUE ＝LUEmax×Min(f(Ta),f(Ws)) (17)
其中，LUEmax为潜在植被光能利用率，取决于植被类型；LUEmax从潜在植被光能利用率查找表中读取，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
所述植被总初级生产力GPP的计算公式如下：
GPP ＝SWin×0.45×nEDVIK×LUEmax×Min(f(Ta),f(Ws)) (18)
其中，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数，LUEmax为潜在植被光能利用率，f(Ta)和f(Ws)分别代表气温和水分因子对GPP的约束函数，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
本发明所需数据均可从网上申请下载获取，包括：卫星被动微波植被指数EDVI数据(http://rse.ustc.edu.cn/)、MODIS植被覆盖类型数据(https://ladsweb.nascom.nasa.gov/search/)、植被高度数据(https://webmap.ornl.gov/wcsdown/dataset.jsp？ds_id＝10023)，ECMWF气象再分析资料的太阳辐射、气温数据(https://apps.ecmwf.int/datasets/)。
综上所述，本发明仅利用卫星被动微波观测和气象数据，结合光能利用率模型即可反演出每日的植被总初级生产力，能够直接应用于晴空和云天条件，避免了传统卫星光学遥感方法受云污染的问题，这对利用卫星微波反演有云区域的植被总初级生产力起到了推动作用，本发明相对更高的时间分辨率(逐日)也使其在近实时应用中具有一定潜力；本发明的植被参数输入来源于卫星遥感观测，太阳辐射、温度、风速等输入来源于气象再分析资料，上述数据均可公开获取，提高了在反演过程中数据采集的效率，并且可为无地表观测资料区域的植被总初级生产力计算提供参考。

Claims (4)

1.一种基于卫星被动微波遥感的植被总初级生产力估算方法，其特征在于：该方法包括以下顺序的步骤：
(1)获取卫星微波植被含水量指数数据、植被类型数据、植被高度数据、潜在植被光能利用率查找表数据和气象数据，其中，气象数据包括太阳辐射数据和气温数据；
(2)进行数据预处理：遍历卫星微波像元中心，依据空间最邻近像元匹配方法匹配不同数据源；
(3)根据植被类型数据和卫星微波植被含水量指数数据，计算出归一化卫星微波植被含水量指数，并结合太阳辐射数据，确定植被吸收的光合有效辐射；
(4)根据植被类型数据，利用卫星微波植被含水量指数数据、植被高度数据和气象数据，确定环境和生物约束因子，并结合潜在植被光能利用率确定实际的植被光能利用率；
(5)根据所确定的植被吸收的光合有效辐射和生物约束因子，计算植被总初级生产力GPP；
所述步骤(2)具体是指：首先，对不同数据源进行异常值、缺损值移除处理，然后遍历卫星微波像元中心，按照空间最邻近像元匹配方法进行数据匹配：遍历所有卫星微波像元，读取每个卫星微波像元中心经纬度,标记为(lonc,latc),再分别读取卫星微波植被含水量指数数据、植被类型数据、植被高度数据和气象数据的像元中心经纬度，标记为(loni,lati),根据公式(1)找出在(lonc,latc)周围20km以内的最小距离的卫星微波像元，选取该卫星微波像元与(lonc,latc)进行匹配，匹配公式如下：
其中，di表示离卫星微波像元中心最近的距离；
所述步骤(4)具体是指：首先，确定气温对植被光能利用率的影响函数f(Ta)：
其中，Ta为环境温度，直接从气象数据中读取；Tn,T0和Tx分别为植被活动所需的最小、最优和最大温度，取值分别为：Tn＝2.7,T0＝31.1,Tx＝45.3；
然后，确定植被水分约束对植被光能利用率的影响函数f(Ws)：
f(Ws)＝EF (5)
其中，EF为植被的蒸散比，其计算公式为：
其中，α为Priestley-Taylor系数，取值1.26；γ为湿度计常数，取值为0.0665，Δ为饱和水汽压随温度变化的斜率，ra为近地面空气动力学阻抗，rc为植被的冠层阻抗；
Δ通过空气温度计算得到，其计算公式为：
ra的计算公式为：
其中，κ为卡曼常数，取值为0.41；Z是参照高度，取值为10；d为零平面位移，Z0是表面粗糙长度，hc为植被高度；uz为参照高度处的风速，从气象数据中直接读取；
零平面位移d和表面粗糙长度Z0的计算公式如下：
d＝0.63hc (9)
Z0＝0.13hc (10)
其中，植被高度hc直接从植被高度数据中读取；
植被的冠层阻抗rc的计算公式为：
其中，f(Ta)，f(PAR)，f(VPD)，f(Ψ)，f(CO2)分别为环境温度Ta、光合有效辐射PAR、饱和水汽压亏损VPD、植被叶片水势Ψ以及周围空气中的CO2浓度对植被气孔阻抗的约束因子；rcuticle为树叶边界层阻抗，取值为105；rstamota为气孔阻抗；rcmin为植被生长季中最小冠层阻抗；rcmin0为最小冠层阻抗的最低阈值；nEDVI为归一化卫星微波植被含水量指数；
f(PAR)的计算公式为：
其中，C为依赖于植被类型的常数，当植被类型为森林时，C＝100，当植被类型为非森林时，C＝400；光合有效辐射PAR通过每日太阳总辐射SWin计算，PAR＝2.05SWin；
饱和水汽压亏损VPD、植被叶片水势Ψ以及CO2浓度对植被阻抗的总体约束计算公式为：
dEDVI＝EDVIi-EDVIi-1 (16)
其中，dEDVI为前后两天的EDVI的差值；m和n是影响系数，m＝1.186，
n＝105.755；
根据植被类型，利用利比希最低量法则确定不同植被类型的实际的植被光能利用率LUE：
LUE＝LUEmax×Min(f(Ta),f(Ws)) (17)
其中，LUEmax为潜在植被光能利用率，取决于植被类型；LUEmax从潜在植被光能利用率查找表中读取，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
2.根据权利要求1所述的基于卫星被动微波遥感的植被总初级生产力估算方法，其特征在于：所述卫星微波植被含水量指数数据是指基于卫星被动微波反演的植被含水量EDVI数据。
3.根据权利要求1所述的基于卫星被动微波遥感的植被总初级生产力估算方法，其特征在于：所述步骤(3)具体是指：根据不同植被类型，利用卫星微波植被含水量指数数据和太阳辐射数据，估算植被吸收的光合有效辐射，所述植被吸收的光合有效辐射与归一化卫星微波植被含水量指数之间存在线性关系，计算公式为：
APAR＝SWin×0.45×nEDVIK (2)
其中，APAR为植被吸收的光合有效辐射，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数；
其中，nEDVI的计算公式为：
其中，EDVI为卫星微波植被含水量指数，EDVImin和EDVImax分别为植被在生长季期间的最小EDVI阈值和最大EDVI阈值。
4.根据权利要求1所述的基于卫星被动微波遥感的植被总初级生产力估算方法，其特征在于：所述植被总初级生产力GPP的计算公式如下：
GPP＝SWin×0.45×nEDVIK×LUEmax×Min(f(Ta),f(Ws)) (18)
其中，SWin为每日太阳总辐射，nEDVI为归一化卫星微波植被含水量指数，K为GPP对nEDVI的敏感性参数，LUEmax为潜在植被光能利用率，f(Ta)和f(Ws)分别代表气温和水分因子对GPP的约束函数，Min函数表示实际的光能利用率取决于更小的环境变量约束函数。
CN202111070505.1A 2021-09-13 2021-09-13 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 Active CN113779796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111070505.1A CN113779796B (zh) 2021-09-13 2021-09-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111070505.1A CN113779796B (zh) 2021-09-13 2021-09-13 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

Publications (2)

Publication Number Publication Date
CN113779796A CN113779796A (zh) 2021-12-10
CN113779796B true CN113779796B (zh) 2023-08-29

Family

ID=78843342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111070505.1A Active CN113779796B (zh) 2021-09-13 2021-09-13 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

Country Status (1)

Country Link
CN (1) CN113779796B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115292966B (zh) * 2022-09-28 2022-12-30 长江信达软件技术（武汉）有限责任公司 一种地下水深埋区农业水生产力模拟方法
CN116108667B (zh) * 2023-01-30 2023-08-08 中国科学院大气物理研究所 基于光合生理特性的红树林gpp评估方法
CN116432849B (zh) * 2023-04-19 2024-03-26 哈尔滨工业大学 一种基于初级生产力数据同化的叶面积指数预测方法
CN116628979B (zh) * 2023-05-23 2024-04-30 中国科学院重庆绿色智能技术研究院 多元回归的总初级生产力逐像元预测方法、装置及介质
CN116701819B (zh) * 2023-06-13 2024-06-14 昆明理工大学 一种植被总初级生产力的遥感反演方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101570297B1 (ko) * 2014-08-01 2015-11-18 성균관대학교산학협력단 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램
CN113139901A (zh) * 2021-04-15 2021-07-20 青岛地质工程勘察院(青岛地质勘查开发局) 一种流域尺度植被净初级生产力遥感精细反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101570297B1 (ko) * 2014-08-01 2015-11-18 성균관대학교산학협력단 인공위성 영상 자료를 이용한 동북아시아 가뭄 지도 제작 시스템, 방법 및 컴퓨터프로그램
CN113139901A (zh) * 2021-04-15 2021-07-20 青岛地质工程勘察院(青岛地质勘查开发局) 一种流域尺度植被净初级生产力遥感精细反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马红章 ; 刘素美 ; 朱晓波 ; 孙根云 ; 孙林 ; 柳钦火 ; .基于被动微波遥感技术的玉米冠层叶面积指数反演.国土资源遥感.2013,(03),全文. *

Also Published As

Publication number Publication date
CN113779796A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113779796B (zh) 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
Oechel et al. Change in Arctic CO2Flux over two decades: Effects of climate change at Barrow, Alaska
CN103954973A (zh) 一个从viirs数据反演地表温度的方法
CN112014542B (zh) 植被覆盖区土壤水分图制作方法、装置、储存介质及设备
Yao et al. Estimation of rice yield with a process-based model and remote sensing data in the middle and lower reaches of Yangtze River of China
He et al. Retrieval of rugged mountainous areas Land Surface Temperature from high-spatial-resolution thermal infrared remote sensing data
Borak et al. Time series vegetation aerodynamic roughness fields estimated from MODIS observations
Xie et al. TAVIs: Topographically adjusted vegetation index for a reliable proxy of gross primary productivity in mountain ecosystems
Jackson et al. The effect of explicit convection on climate change in the West African monsoon and central West African Sahel rainfall
Kar Quaternary aeolian landscape development in Thar Desert and its drivers
Chen et al. A high spatiotemporal resolution land surface temperature research over Qinghai-Tibet Plateau for 2000–2020
Koster et al. Length scales of hydrological variability as inferred from SMAP soil moisture retrievals
Zhou et al. Estimation of Hourly Air Temperature in China Based on LightGBM and Himawari-8
Traversa et al. Analysis of Megadune Fields in Antarctica
Wang et al. Weakening of the Silk Road pattern in August after the mid-1990s
Dwipayana et al. Utilization of Remote Sensing and GIS Applications for Detecting Vegetation Density and Land Surface Temperature Using Landsat 8 Imagery (Banyuwangi Regency Case Study in 2019)
Xi et al. Methane emissions from land and aquatic ecosystems in Western Siberia: An analysis with methane biogeochemistry models
Kim et al. Toward improved solar irradiance forecasts: introduction of post-processing to correct the direct normal irradiance from the weather research and forecasting model
Sethi et al. Aerosol optical properties over Delhi during a dust event in summer 2014: plausible implications
Yin et al. Retrieval and analysis of land surface temperature in permafrost regions in Northeast China based on AMSR2 data
Eun et al. Analysis of the Cloud Removal Effect of Sentinel-2A/B NDVI Monthly Composite Images for Rice Paddy and High-altitude Cabbage Fields
Yameen et al. Normalized difference vegetation index as a tool for wheat crop coefficient and evapotranspiration estimation: a case study of Nankana Sahib District Pakistan
Karatoprak et al. Determination of evapotranspiration on Dicle Basin
Kimball et al. Satellite observations of annual variability in terrestrial carbon cycles and seasonal growing seasons at high northern latitudes
Kim et al. Estimating Global Evapotranspiration Using Smap Surface and Root-Zone Moisture Content

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