CN113887024B - 基于归一化温度构建的干旱指数反演表层土壤水分方法 - Google Patents
基于归一化温度构建的干旱指数反演表层土壤水分方法 Download PDFInfo
- Publication number
- CN113887024B CN113887024B CN202111081810.0A CN202111081810A CN113887024B CN 113887024 B CN113887024 B CN 113887024B CN 202111081810 A CN202111081810 A CN 202111081810A CN 113887024 B CN113887024 B CN 113887024B
- Authority
- CN
- China
- Prior art keywords
- normalized
- temperature
- soil
- vegetation
- soil moisture
- 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
Images
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
基于归一化温度构建的干旱指数反演表层土壤水分方法,属于测绘、地理信息技术类领域。本发明所述方法利用归一化温度和归一化植被指数构建特征空间,以归一化温度为横坐标,归一化植被指数为纵坐标,将TVDI内温度/植被指数特征空间与PDI内近红外/红外波段特征空间相结合,构建出归一化温度/归一化植被指数特征空间。该特征空间描述出从全植被覆盖、部分植被覆盖及裸土覆盖三种地表覆盖类型,通过特征空间内散点的分布确定土壤线分布,该土壤线描述出土壤水分从干到湿的变化过程,从而构建新的干旱指数NTDI,提高植被覆盖区地表土壤水分的反演精度,为大尺度复杂地表覆盖土壤水分估算提供支撑。
Description
技术领域
本发明属于测绘、地理信息技术类领域,具体涉及一种基于归一化温度构建的干旱指数反演表层土壤水分方法。
背景技术
土壤水分参与陆地与大气能量交换,是陆地表面蒸散、水分运移以及碳循环过程中的重要因子,是水文、气象和农业研究中的重要参数,对水文过程以及气候变化有着重要的调节作用。利用遥感手段反演地表土壤水分主要包括微波遥感和光学遥感方法,微波遥感又分为主动微波和被动微波,它们都是利用干燥土壤和水分在介电特性上的巨大差异来反演土壤水分,虽然该类方法不受天气影响,但是数据难获得、成本高、反演机理复杂,受地表粗糙度等几何结构影响较大。而光学遥感数据获取方便,波段信息丰富,成像质量好,时空分辨率高,与植被和地表土壤水分有着较高的敏感度,因此非常适合于地表土壤水分的反演研究。
目前光学遥感反演地表土壤水分方法主要包括基于植被指数方法、基于地表温度方法以及基于特征空间方法。基于植被指数方法简单直接,但是对短暂的水分胁迫不敏感,应用范围受到极大限制;基于地表温度方法物理意义明确,结果可靠,但是受外在因素影响较大,模型较复杂。基于特征空间的方法应用最广泛,包括地表温度植被指数特征空间、近红外/红外波段特征空间等。温度植被干旱指数(Temperature Vegetation DrynessIndex,TVDI)是基于地表温度和植被指数构成的三角形特征空间并由Sandholt等[1]提出,该指数不仅可以表示出地表植被的覆盖状况,同时能够估计得到水分胁迫的瞬时状态,将植被与土壤的物理特性与地表土壤水分估计之间建立紧密联系,但是该指数对大气条件及其地表起伏有着较高的要求,需要包含从裸土、部分植被覆盖到全植被覆盖所有地表覆盖类型的足够大区域,以确保特征空间内包含完全湿润和完全干燥的边缘,但在土壤水分研究中,研究区的覆盖情况往往不能同时包含所有地表覆盖类型,由这些“不完全符合条件”的散点得到的干边和湿边本质上只是特征空间内部存在的边,而不是理论上的干湿边。Ghulam等在近红外/红外波段特征空间的基础上提出垂直干旱指数(PerpendicularDrought Index,PDI)[2]和改进的垂直干旱指数(Modified Perpendicular DroughtIndex,MPDI)[3]。PDI计算简单,可以有效地监测裸土地表的干湿状况,但在茂密植被覆盖及不同土壤类型的非平坦地形下表现不佳,土壤线的计算容易受到土壤类型、施肥条件等因素的影响,受植被在红光、近红外的多次反射作用影响,仅适合裸地或植被覆盖低的区域。MPDI是在PDI基础上引入植被覆盖度及混合像元信息,纠正PDI在不同植被覆盖类型下反演土壤水分的不足,其适合于高植被覆盖下地表干湿状况的监测,但是其过于依赖观测数据,近红外波段和红外波段的植被反射率由经验获得,适用性受到极大的限制。对于不同的植被生长,MPDI容易受到植被活动、植被绿度以及植被应激水平等因素影响。(参考文献:[1]Sandholt,I.;Rasmussen,K.;Andersen,J.A simple interpretation of the surfacetemperature/vegetation index space for assessment of surface moisturestatus.Remote Sens.Environ.2002,79,213-224.;[2]Ghulam,A.;Qin,Q.;Zhan,Z.Designing of the perpendicular drought index.Environmental Geology 2007,52,1045-1052.;[3]Ghulam,A.;Qin,Q.;Teyip,T.;Li,Z.-L.Modified perpendiculardrought index(MPDI):a real-time drought monitoring method.ISPRSJ.Photogramm.Remote Sens.2007,62,150-164.)
发明内容
解决的技术问题:针对上述技术问题,本发明提供一种基于归一化温度构建的干旱指数反演表层土壤水分方法,针对大尺度复杂地表覆盖区表层土壤水分反演研究而设计,用于解决PDI和MPDI等指数容易受地表覆盖类型、植被绿度及受胁迫程度等因素影响,克服MPDI中植被冠层在红光及近红外波段反射率的计算问题。利用地表温度与土壤水分的高敏感性,在新干旱指数中引入归一化温度,提高地表土壤水分反演精度,为农业灌溉和干旱监测提供有效的科学指导和技术支持。
技术方案:基于归一化温度构建的干旱指数反演表层土壤水分方法,步骤如下:
步骤一.根据研究区的遥感影像数据分别计算得到归一化植被指数与归一化温度,研究区内地面覆盖类型包含全植被覆盖、部分植被覆盖及裸土覆盖三种地表覆盖类型,计算得到归一化植被指数NDVI(Normalized Differential Vegetation Index)和归一化温度LSTnor(Normalized Temperature),所述归一化植被指数NDVI由近红外波段与红外波段计算得到:式中ρred和ρNIP分别为红外波段和近红外波段反射率值;所述归一化温度LSTnor利用地表温度及其最大值、最小值计算得到:
步骤二.以归一化植被指数NDVI为纵坐标,归一化温度LSTnor为横坐标建立LSTnor/NDVI特征空间,根据离散点的分布特征得到土壤线的分布,并计算得到土壤线的斜率M,土壤线公式如下:NDVI=M·LSTnor+I,式中M为土壤线斜率,I为土壤线截距;
步骤四.利用地面采样点的地理坐标提取各采样点的干旱指数NTDI值,根据地面实测数据建立干旱指数NTDI与实测土壤水分的拟合关系,从而得到研究区的土壤水分分布。
作为优选,研究区的遥感影像数据包括下载得到NASA提供的MODIS的500m每日反射率产品数据MOD09GA和1km每日地面温度产品数据MOD11A1,并对其进行辐射定标及大气校正预处理。
作为优选,研究区的数据还包括获取与遥感影像相同时间及地点的地面实测土壤水分数据,并对地面实测数据进行校正处理。
作为优选,所述步骤二中特征空间的建立包含遥感影像所有像元点的参与。
作为优选,该方法基于ENVI平台运用IDL语言编程实现。
有益效果:本发明是针对复杂地表覆盖区表层土壤水分反演研究而设计的一种方法。该方法利用归一化温度LSTnor和归一化植被指数NDVI构建特征空间,以LSTnor为横坐标,NDVI为纵坐标,将TVDI内温度/植被指数特征空间与PDI内近红外/红外波段特征空间相结合,构建出LSTnor/NDVI特征空间。该特征空间描述出从全植被覆盖、部分植被覆盖及裸土覆盖三种地表覆盖类型,通过特征空间内散点的分布确定土壤线分布,该土壤线描述出土壤水分从干到湿的变化过程,从而构建新的干旱指数NTDI(Normalized TemperatureDrought Index),提高植被覆盖区地表土壤水分的反演精度,为大尺度复杂地表覆盖土壤水分估算提供支撑。
本发明将两个特征空间相结合,将地表温度和植被指数信息引入到光谱特征空间中,弥补了PDI指数只能应用于裸土或稀疏植被覆盖区域的不足,使得建立的NTDI指数和地表土壤水分联系更密切。相对于TVDI,本发明提出的NTDI指数只需要计算最高温度和最低温度,使得计算更加简单容易,而TVDI在干湿边的基础上建立起来的,而建立干湿边的过程相对复杂,而且误差较大,使得TVDI受到很大的精度限制。
利用本发明提供的方法,可以快速高效地反演得到大尺度复杂地表覆盖土壤水分,所建立的干旱植被指数充分考虑植被覆盖类型和植被冠层的影响,提高土壤水分反演精度,为农业生产和科学研究提供技术支持。
本发明所建立的干旱指数由归一化植被指数和归一化地表温度计算得到,充分考虑地表植被覆盖信息以及与地表土壤水分密切相关的影响因子。本发明在指导农业灌溉及干旱监测等生产实践中有着极大的优势,不受地表覆盖类型及植被生长状态的限制,不局限于特定研究区域及范围,能够实时快速实现表层土壤水分估算,为农业生产提供极大便利。
附图说明
图1为实施例所述利用归一化温度/归一化植被指数特征空间构建干旱指数反演地表土壤水分方法流程图;
图2为本发明实施例中用于构建归一化温度/归一化植被指数特征空间的示意图,图中线段AD代表地表植被生长从全植被覆盖(A)和部分植被覆盖(E)到裸土覆盖(D)的变化,而线段BC表示湿区(B)和半干旱地表到极度干旱地表(C)的土壤水分状况,也表示其干旱严重程度的方向,称之为土壤线BC,线段L表示经过原点并与土壤线BC垂直的假想线,线段EF表示特征空间中任意一点到线段L的距离,即为所求干旱指数NTDI值。
具体实施方式
下面结合附图和具体实施例对本发明作进一步描述,但不用来限制本发明的范围。
实施例1
图1所示是本发明的一种利用归一化温度/归一化植被指数特征空间构建干旱指数反演地表土壤水分方法流程图,数据采集用中分辨率成像光谱仪(Moderate-resolutionImaging Spectrometer,MODIS)的地表温度1km日产品MOD11A1和地表反射率500m日产品MOD09GA。
所述方法具体包括以下步骤:数据预处理(包括研究区的遥感影响数据和获取与遥感影像相同时间及地点的地面实测土壤水分数据),利用MOD11A1和MOD09GA产品重采样或重投影及裁剪分别得到地表温度、红外波段和近红外波段反射率等研究区的遥感影响数据;利用地表温度数据计算归一化温度LSTnor(式中LSTmax和LSTmin分别为研究区范围内地面温度的最大值和最小值,LST为地表温度),利用红外波段和近红外波段反射率数据计算NDVI(式中ρred和ρNIR分别为红外波段和近红外波段反射率值);以归一化植被指数NDVI为纵坐标,归一化温度LSTnor为横坐标建立LSTnor/NDVI特征空间(构建时特征空间的建立包含遥感影像所有像元点的参与),根据离散点的分布特征得到土壤线的分布,并计算得到土壤线的斜率M,土壤线公式如下:NDVI=M·LSTnor+I,式中M为土壤线斜率,I为土壤线截距;根据归一化植被指数和归一化温度,将土壤线斜率代入干旱指数NTDI的公式中,NTDI的公式如下:计算得到整个研究区的干旱指数NTDI分布图;利用地面采样点的地理坐标提取各采样点的干旱指数NTDI值,根据地面实测数据建立干旱指数NTDI与实测土壤水分的拟合关系(实测水分数据的获取为与遥感影像相同时间及地点的地面实测土壤水分数据),从而得到研究区的土壤水分分布,最终实现根据土壤线斜率和归一化地表温度、NDVI计算新的干旱指数,并与地面实测数据相结合反演出地表土壤水分。
以干旱指数值作为干旱等级划分指标,将干旱划分为5级:湿润(0<NTDI≤0.2)、正常(0.2<NTDI≤0.4)、轻旱(0.4<NTDI≤0.6)、干旱(0.6<NTDI≤0.8)、重旱(0.8<NTDI≤1)。
本发明所述方法基于ENVI平台运用IDL语言编程实现。
所述归一化植被指数(Normalized Differential Vegetation Index,NDVI)作为植被绿度和生长状态的指示参数,主要用于区域植被状况与干旱监测,由近红外波段与红外波段计算得到。
在干旱情况下,地表温度(Land Surface Temperature,LST)能够用于土壤和植被水分胁迫的估算。在地表土壤水分不足的情况下,叶片温度和地表温度会相应增加,使得地表温度可以指示土壤水分的变化。归一化温度可以利用地表温度及其最大值、最小值计算得到。
以NDVI为纵坐标,归一化温度为横坐标建立归一化温度/NDVI特征空间,如图2所示,在此特征空间中提取特征点,确定土壤线,具体确定方法可以参考“Tang R,Li Z L,Tang B.An application of the Ts–VI triangle method with enhanced edgesdetermination for evapotranspiration estimation from MODIS data in arid andsemi-arid regions:Implementation and validation[J].Remote Sensing ofEnvironment,2010,114(3):540-551.”中提取特征空间干边的方法。根据土壤线的散点分布计算其斜率,可以得到如下土壤线公式:
NDVI=M·LSTnor+I (1)
其中,M为土壤线斜率,I为土壤线截距。
由于本发明所建立的NDVI/LSTnor特征空间与PDI中近红外/红外特征空间相类似,因此根据PDI的定义,同时为了达到上述发明目的,本发明提出了一种新的干旱指数,该指数以NDVI/LSTnor特征空间为基础,充分考虑植被冠层及地表覆盖类型的影响,由下式计算得到:
通过计算得到的NTDI以及地面实测数据进行拟合,建立出NTDI及地表土壤水分的经验关系,即可实现地表土壤水分的反演。
本发明所述已知的地表温度和植被指数产品以NASA提供的2019年MODIS的MOD09GA每日反射率产品数据和MOD11A1每日地面温度产品,结合地面站点实测数据,对地表土壤水分反演结果进行验证分析。
本发明实验区位于澳大利亚东南部的维多利亚州,地处140°58'~149°59'E,33°59'~39°12'S,海拔1000~2000m。研究区的土地覆盖类型复杂,主要包括木本植被、牧场/草地和谷类作物。维多利亚的气候主要为夏季炎热的半干旱温带气候。维多利亚最温暖的地区夏季平均气温为32℃,冬季平均气温为15℃。维多利亚最冷的地区冬季平均气温低于9℃。年平均降水量超过1800毫米。
为了有效降低云等对MODIS产品数据的影响,本发明选取2019年共18天的无云及白天影像,计算得到18天的NTDI、PDI、MPDI和TVDI数据,与实验区内地面站点数据进行计算,得到如下的数据精度列表,以决定系数R2和均方根误差RMSE为评价指标。从表中可知,对于大多数时间内,本发明提出的NTDI反演精度显著高于PDI、MPDI和TVDI等指数,决定系数R2最高可以达到79%。
表NTDI、PDI、MPDI和TVDI指数与地面实测土壤水分18天的评价结果
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,对于建立新的干旱指数所构建的特征空间还可以做出各种变化,因此所有等同的技术方案也属于本发明的范畴。
Claims (5)
1.基于归一化温度构建的干旱指数反演表层土壤水分方法,其特征在于,步骤如下:
步骤一.根据研究区的遥感影像数据分别计算得到归一化植被指数与归一化温度,研究区内地面覆盖类型包含全植被覆盖、部分植被覆盖及裸土覆盖三种地表覆盖类型,计算得到归一化植被指数NDVI和归一化温度LSTnor,所述归一化植被指数NDVI由近红外波段与红外波段计算得到:式中ρred和ρNIR分别为红外波段和近红外波段反射率值,归一化温度LSTnor利用地表温度及其最大值、最小值计算得到:
步骤二.以归一化植被指数NDVI为纵坐标,归一化温度LSTnor为横坐标建立LSTnor/NDVI特征空间,根据离散点的分布特征得到土壤线的分布,并计算得到土壤线的斜率M,土壤线公式如下:NDVI=M·LSTnor+I,式中M为土壤线斜率,I为土壤线截距;
步骤四.利用地面采样点的地理坐标提取各采样点的干旱指数NTDI值,根据地面实测数据建立干旱指数NTDI与实测土壤水分的拟合关系,从而得到研究区的土壤水分分布。
2.根据权利要求1所述的基于归一化温度构建的干旱指数反演表层土壤水分方法,其特征在于,研究区的遥感影像数据包括下载得到NASA提供的MODIS的500m每日反射率产品数据MOD09GA和1km每日地面温度产品数据MOD11A1,并对其进行辐射定标及大气校正预处理。
3.根据权利要求1所述的基于归一化温度构建的干旱指数反演表层土壤水分方法,其特征在于,研究区的数据还包括获取与遥感影像相同时间及地点的地面实测土壤水分数据,并对地面实测数据进行校正处理。
4.根据权利要求1所述的基于归一化温度构建的干旱指数反演表层土壤水分方法,其特征在于,所述步骤二中特征空间的建立包含遥感影像所有像元点的参与。
5.根据权利要求1所述的基于归一化温度构建的干旱指数反演表层土壤水分方法,其特征在于,该方法基于ENVI平台运用IDL语言编程实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081810.0A CN113887024B (zh) | 2021-09-15 | 2021-09-15 | 基于归一化温度构建的干旱指数反演表层土壤水分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081810.0A CN113887024B (zh) | 2021-09-15 | 2021-09-15 | 基于归一化温度构建的干旱指数反演表层土壤水分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887024A CN113887024A (zh) | 2022-01-04 |
CN113887024B true CN113887024B (zh) | 2022-05-17 |
Family
ID=79009435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081810.0A Active CN113887024B (zh) | 2021-09-15 | 2021-09-15 | 基于归一化温度构建的干旱指数反演表层土壤水分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887024B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461971B (zh) * | 2022-01-13 | 2024-04-16 | 桂林理工大学 | 一种融合土壤物理性质与遥感数据的地表土壤含水量反演方法 |
CN117634183A (zh) * | 2023-11-28 | 2024-03-01 | 中国水利水电科学研究院 | 一种基于红和红边波段的土壤含水量反演方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106290782A (zh) * | 2016-07-14 | 2017-01-04 | 西安科技大学 | 基于双抛物线型NDVI‑Ts特征空间的土壤湿度遥感监测方法 |
CN106897551A (zh) * | 2017-02-09 | 2017-06-27 | 中国科学院华南植物园 | 一种基于被动微波遥感的干旱指数构建方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
CN109358162A (zh) * | 2018-11-06 | 2019-02-19 | 福州大学 | 一种基于空间几何原理的新型遥感生态指数的构建方法 |
CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及系统 |
CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
-
2021
- 2021-09-15 CN CN202111081810.0A patent/CN113887024B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290782A (zh) * | 2016-07-14 | 2017-01-04 | 西安科技大学 | 基于双抛物线型NDVI‑Ts特征空间的土壤湿度遥感监测方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
CN106897551A (zh) * | 2017-02-09 | 2017-06-27 | 中国科学院华南植物园 | 一种基于被动微波遥感的干旱指数构建方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
CN109358162A (zh) * | 2018-11-06 | 2019-02-19 | 福州大学 | 一种基于空间几何原理的新型遥感生态指数的构建方法 |
CN110610054A (zh) * | 2019-09-23 | 2019-12-24 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及系统 |
CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
Non-Patent Citations (3)
Title |
---|
《a new drought index for soil moisture monitoring based on MPDI-NDVI trapezoid space using modis data》;Liangliang Tao等;《remote sensing》;20201231;全文 * |
《PROSAIL模型和水云模型藕合反演农田土壤水分》;蔡庆空等;《农业工程学报》;20181031;第34卷(第20期);全文 * |
《土壤水分反演特征变量研究综述》;王俊霞等;《土壤学报》;20190131;第56卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113887024A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
Herwitz et al. | Three-dimensional modeling of canopy tree interception of wind-driven rainfall | |
Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
CN113887024B (zh) | 基于归一化温度构建的干旱指数反演表层土壤水分方法 | |
Fieuzal et al. | Combined use of optical and radar satellite data for the monitoring of irrigation and soil moisture of wheat crops | |
CN103198314B (zh) | 遥感图像辐射校正方法 | |
Cai et al. | Regional drought monitoring and analyzing using MODIS data—A case study in Yunnan Province | |
CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
CN103994976A (zh) | 基于modis数据的农业旱情遥感监测方法 | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
CN103424405A (zh) | 一种基于hj-1a/1b ccd数据的干旱监测方法 | |
Hadria et al. | Potentiality of optical and radar satellite data at high spatio-temporal resolutions for the monitoring of irrigated wheat crops in Morocco | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN110208878A (zh) | 绿色屋顶气象监测与热岛效应影响评估方法 | |
CN113552320A (zh) | 一种基于Chan方法的土壤水分遥感反演方法 | |
Yan et al. | Reliability evaluation and migration of wetland samples | |
CN114486783A (zh) | 基于无人机多源遥感的冬小麦田土壤水分反演方法 | |
Wei et al. | Regional water-saving potential calculation method for paddy rice based on remote sensing | |
Qin et al. | An two-dimensional spectral space based model for drought monitoring and its re-examination | |
CN112733445A (zh) | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 | |
Deng et al. | Monitoring of drought in central Yunnan, china based on TVDI model | |
Huang et al. | Estimating soil moisture using the optical trapezoid model (optram) in a semi-arid area of songnen plain, China based on Landsat-8 data | |
Bai et al. | Global changes of remotely sensed greenness and simulated biomass production since 1981; Towards mapping global soil degradation. | |
Yang et al. | Extraction of maize vegetation coverage based on UAV multi-spectral remote sensing and pixel dichotomy |
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 |