CN114324410A - 一种多地形的微波遥感土壤湿度降尺度方法 - Google Patents
一种多地形的微波遥感土壤湿度降尺度方法 Download PDFInfo
- Publication number
- CN114324410A CN114324410A CN202111663938.8A CN202111663938A CN114324410A CN 114324410 A CN114324410 A CN 114324410A CN 202111663938 A CN202111663938 A CN 202111663938A CN 114324410 A CN114324410 A CN 114324410A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image data
- sensing image
- downscaling
- soil humidity
- 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.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011160 research Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000005549 size reduction Methods 0.000 abstract 2
- 230000006872 improvement Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种多地形的微波遥感土壤湿度降尺度方法,包括获取研究区域的微波遥感影像数据和热红外影像数据,并进行预处理,再进行区域划分,并截取同一区域下的遥感影像数据,获得该区域的地表高程数据,再结合土壤湿度原始数据,构建关系表达式,来确定降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,完成微波遥感土壤湿度降尺度作业,通过融合数据的形式,使得研究区域的土壤湿度分辨率提高,来达到降尺度的效果,继而能够获得多组降尺度因子,再通过应用具有降尺度因子的关系表达式获得高分辨率土壤湿度,达到降尺度的效果,使得本发明适应于多地形的土壤湿度降尺度作业。
Description
技术领域
本发明涉及土壤湿度降尺度技术领域,尤其涉及一种多地形的微波遥感土壤湿度降尺度方法。
背景技术
全球气候模式能很好地预估未来全球气候变化,但目前它输出的空间分辨率(通常为300千米左右)较低,缺少详细的区域气候信息,难以对区域气候做出合理的预测。降尺度可以弥补全球气候模式预测区域气候变化的局限,它可以把全球气候模式提供的大尺度气候信息转化为区域尺度的气候信息(如气温、降水等),从而实现对区域气候预测;
通常定义降尺度是为了建立代表大尺度信息变量与小尺度信息变量之间的关系,大尺度变量的变化过程缓慢,它代表一个广大区域的环流特征,如大气涛动、环流型等;而小尺度变量的变化过程较快速,它代表局地的气温、降水等,之所以提出降尺度,是为了解决模式的预测能力无法满足现实预测预估的需要这一问题,虽然,大尺度变量的可预报性较高,但现实中我们需要更多的局地气象要素信息,而模式直接输出的气象要素不能满足精度要求,这就需要把大尺度变量进行降尺度处理,来得到小尺度的要素信息;
土壤水分参与地气水分和能量交换,从而对作物生长、流域水文过程和气候变化产生重要影响,继而准确获取土壤湿度时空变化分布信息具有重要意义,而传统的多地形微波遥感土壤湿度降尺度方法通常只是采用单一的降尺度因子来进行研究,受范围限制,不能适应于多地形的区域进行土壤湿度研究,同时,微波遥感影像数据的空间分辨率较为粗糙,难以满足现在的应用需求,因此本发明提出一种多地形的微波遥感土壤湿度降尺度方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种多地形的微波遥感土壤湿度降尺度方法,该种多地形的微波遥感土壤湿度降尺度方法通过引入热红外遥感影像数据以及地表高程数据,来与微波遥感影像数据进行融合,并结合多降尺度因子,来解决现有技术中空间分辨粗糙。不能适应于多地形的问题。
为实现本发明的目的,本发明通过以下技术方案实现:一种多地形的微波遥感土壤湿度降尺度方法,包括以下步骤:
步骤一:确定研究区域,并获取该研究区域的微波遥感影像数据和热红外影像数据,然后对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,之后对经过预处理后的微波遥感影像数据和热红外遥感影像数据进行区域划分,并截取同一区域下的遥感影像数据,再获得该截取区域的地表高程数据;
步骤二:将步骤一获得的预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据与土壤湿度原始数据进行结合,构建关系表达式,来确定降尺度因子,然后再将预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据进行融合,得到融合后的数据;
步骤三:将步骤二中得到的融合后的数据以及降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,从而提升微波遥感土壤湿度地区的空间分辨率,完成微波遥感土壤湿度降尺度作业。
进一步改进在于:所述步骤一中,对于研究区域的微波遥感影像数据和热红外遥感影像数据的获取,是需获取同一时间区间下的遥感影像数据。
进一步改进在于:所述步骤一中,对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,其处理方式是进行遥感图像校正,再对经过遥感图像校正后的微波遥感影像数据以及热红外遥感影像数据进行重采样,使校正后的微波遥感影像数据以及热红外遥感影像数据处于同一分辨率下。
进一步改进在于:采用双线性插值方法来对影像数据进行重采样,并生成多组不同分辨率下的遥感影像数据。
进一步改进在于:所述步骤二中,在降尺度因子的确定过程中,需要选择对土壤水分敏感的因子指标,继而来确定多组不同类型的降尺度因子。
进一步改进在于:所述步骤二中,根据得到的融合后的数据,来采集确定的降尺度因子所对应的参数。
进一步改进在于:所述步骤三中,随机森林模型的计算公式为:
SM=fRF(C)
式中,SM表示土壤湿度值,fRF表示一个非线性函数,C表示为输入向量。
进一步改进在于:对于不同分辨率下的遥感影像数据,取其中分辨率最高的遥感影像数据作为降尺度模型的输入数据,其他的遥感影像数据作为降尺度模型的训练数据。
进一步改进在于:所述步骤三中,降尺度因子的参数是从融合后的数据中提取出。
本发明的有益效果为:该种多地形的微波遥感土壤湿度降尺度方法通过引入热红外遥感影像数据以及地表高程数据,来与微波遥感影像数据进行融合,即通过融合数据的形式,使得研究区域的土壤湿度分辨率提高,来达到降尺度的效果,继而能够获得多组降尺度因子,再通过应用具有降尺度因子的关系表达式获得高分辨率土壤湿度,达到降尺度的效果,使得本发明适应于多地形的土壤湿度降尺度作业。
附图说明
图1是本发明的步骤流程示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1所示,本实施例提出了一种多地形的微波遥感土壤湿度降尺度方法,包括以下步骤:
步骤一:确定研究区域,并获取该研究区域的微波遥感影像数据和热红外影像数据,然后对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,之后对经过预处理后的微波遥感影像数据和热红外遥感影像数据进行区域划分,并截取同一区域下的遥感影像数据,再获得该截取区域的地表高程数据,所述步骤一中,对于研究区域的微波遥感影像数据和热红外遥感影像数据的获取,是需获取同一时间区间下的遥感影像数据,所述步骤一中,对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,其处理方式是进行遥感图像校正,再对经过遥感图像校正后的微波遥感影像数据以及热红外遥感影像数据进行重采样,使校正后的微波遥感影像数据以及热红外遥感影像数据处于同一分辨率下;
步骤二:将步骤一获得的预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据与土壤湿度原始数据进行结合,构建关系表达式,来确定降尺度因子,然后再将预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据进行融合,得到融合后的数据,所述步骤二中,在降尺度因子的确定过程中,需要选择对土壤水分敏感的因子指标,继而来确定多组不同类型的降尺度因子,所述步骤二中,根据得到的融合后的数据,来采集确定的降尺度因子所对应的参数;
步骤三:将步骤二中得到的融合后的数据以及降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,从而提升微波遥感土壤湿度地区的空间分辨率,完成微波遥感土壤湿度降尺度作业,降尺度因子的参数是从融合后的数据中提取出,所述步骤三中,随机森林模型的计算公式为:
SM=fRF(C)
式中,SM表示土壤湿度值,fRF表示一个非线性函数,C表示为输入向量。
实施例二
本实施例提出了一种多地形的微波遥感土壤湿度降尺度方法,包括以下步骤:
步骤一:确定研究区域,并获取该研究区域的微波遥感影像数据和热红外影像数据,然后对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,之后对经过预处理后的微波遥感影像数据和热红外遥感影像数据进行区域划分,并截取同一区域下的遥感影像数据,再获得该截取区域的地表高程数据,对于研究区域的微波遥感影像数据和热红外遥感影像数据的获取,是需获取同一时间区间下的遥感影像数据,对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,其处理方式是进行遥感图像校正,再对经过遥感图像校正后的微波遥感影像数据以及热红外遥感影像数据进行重采样,使校正后的微波遥感影像数据以及热红外遥感影像数据处于同一分辨率下,采用双线性插值方法来对影像数据进行重采样,并生成多组不同分辨率下的遥感影像数据,对于不同分辨率下的遥感影像数据,取其中分辨率最高的遥感影像数据作为降尺度模型的输入数据,其他的遥感影像数据作为降尺度模型的训练数据;
步骤二:将步骤一获得的预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据与土壤湿度原始数据进行结合,构建关系表达式,来确定降尺度因子,然后再将预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据进行融合,得到融合后的数据,在降尺度因子的确定过程中,需要选择对土壤水分敏感的因子指标,继而来确定多组不同类型的降尺度因子,根据得到的融合后的数据,来采集确定的降尺度因子所对应的参数;
步骤三:将步骤二中得到的融合后的数据以及降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,从而提升微波遥感土壤湿度地区的空间分辨率,完成微波遥感土壤湿度降尺度作业,所述步骤三中,降尺度因子的参数是从融合后的数据中提取出,所述步骤三中,随机森林模型的计算公式为:
SM=fRF(C)
式中,SM表示土壤湿度值,fRF表示一个非线性函数,C表示为输入向量。
实施例三:
本实施例提出了一种多地形的微波遥感土壤湿度降尺度方法,包括以下步骤:
步骤一:确定研究区域,并获取该研究区域的微波遥感影像数据和热红外影像数据,然后对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,之后对经过预处理后的微波遥感影像数据和热红外遥感影像数据进行区域划分,并截取同一区域下的遥感影像数据,再获得该截取区域的地表高程数据,对于研究区域的微波遥感影像数据和热红外遥感影像数据的获取,是需获取同一时间区间下的遥感影像数据,对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,其处理方式是进行遥感图像校正,再对经过遥感图像校正后的微波遥感影像数据以及热红外遥感影像数据进行重采样,使校正后的微波遥感影像数据以及热红外遥感影像数据处于同一分辨率下,采用双线性插值方法来对影像数据进行重采样,并生成多组不同分辨率下的遥感影像数据,对于不同分辨率下的遥感影像数据,取其中分辨率最高的遥感影像数据作为降尺度模型的输入数据,其他的遥感影像数据作为降尺度模型的训练数据;
步骤二:将步骤一获得的预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据与土壤湿度原始数据进行结合,构建关系表达式,来确定降尺度因子,然后再将预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据进行融合,得到融合后的数据,在降尺度因子的确定过程中,需要选择对土壤水分敏感的因子指标,继而来确定多组不同类型的降尺度因子,根据得到的融合后的数据,来采集确定的降尺度因子所对应的参数;
步骤三:将步骤二中得到的融合后的数据以及降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,从而提升微波遥感土壤湿度地区的空间分辨率,完成微波遥感土壤湿度降尺度作业,所述步骤三中,随机森林模型的计算公式为:
SM=fRF(C)
式中,SM表示土壤湿度值,fRF表示一个非线性函数,C表示为输入向量。
步骤四:通过基于研究区域站点网络实测数据对降尺度的结果进行评估,即将降尺度的结果与原位站点实测数据进行对应,判断其是否具有较好的一致性,来对降尺度的结果进行精度验证。
其中,降尺度因子包括地表温度、高程、归一化差异水体指数、土壤质地和地表反照率。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:包括以下步骤:
步骤一:确定研究区域,并获取该研究区域的微波遥感影像数据和热红外影像数据,然后对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,之后对经过预处理后的微波遥感影像数据和热红外遥感影像数据进行区域划分,并截取同一区域下的遥感影像数据,再获得该截取区域的地表高程数据;
步骤二:将步骤一获得的预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据与土壤湿度原始数据进行结合,构建关系表达式,来确定降尺度因子,然后再将预处理后的微波遥感影像数据、热红外遥感影像数据以及地表高程数据进行融合,得到融合后的数据;
步骤三:将步骤二中得到的融合后的数据以及降尺度因子,利用随机森林算法将影响土壤湿度的降尺度因子通过随机森林模型构建其与土壤湿度之间的联系,从而提升微波遥感土壤湿度地区的空间分辨率,完成微波遥感土壤湿度降尺度作业。
2.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤一中,对于研究区域的微波遥感影像数据和热红外遥感影像数据的获取,是需获取同一时间区间下的遥感影像数据。
3.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤一中,对获取的微波遥感影像数据和热红外遥感影像数据进行预处理,其处理方式是进行遥感图像校正,再对经过遥感图像校正后的微波遥感影像数据以及热红外遥感影像数据进行重采样,使校正后的微波遥感影像数据以及热红外遥感影像数据处于同一分辨率下。
4.根据权利要求3所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:采用双线性插值方法来对影像数据进行重采样,并生成多组不同分辨率下的遥感影像数据。
5.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤二中,在降尺度因子的确定过程中,需要选择对土壤水分敏感的因子指标,继而来确定多组不同类型的降尺度因子。
6.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤二中,根据得到的融合后的数据,来采集确定的降尺度因子所对应的参数。
7.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤三中,随机森林模型的计算公式为:
SM=fRF(C)
式中,SM表示土壤湿度值,fRF表示一个非线性函数,C表示为输入向量。
8.根据权利要求4所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:对于不同分辨率下的遥感影像数据,取其中分辨率最高的遥感影像数据作为降尺度模型的输入数据,其他的遥感影像数据作为降尺度模型的训练数据。
9.根据权利要求1所述的一种多地形的微波遥感土壤湿度降尺度方法,其特征在于:所述步骤三中,降尺度因子的参数是从融合后的数据中提取出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663938.8A CN114324410A (zh) | 2021-12-31 | 2021-12-31 | 一种多地形的微波遥感土壤湿度降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663938.8A CN114324410A (zh) | 2021-12-31 | 2021-12-31 | 一种多地形的微波遥感土壤湿度降尺度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114324410A true CN114324410A (zh) | 2022-04-12 |
Family
ID=81021930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111663938.8A Pending CN114324410A (zh) | 2021-12-31 | 2021-12-31 | 一种多地形的微波遥感土壤湿度降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324410A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659853A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院地理科学与资源研究所 | 一种非线性混合效应变系数降尺度方法和系统 |
Citations (5)
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 |
WO2017070199A1 (en) * | 2015-10-22 | 2017-04-27 | Colorado State University Research Foundation | Soil moisture downscaling using topography, soil and vegetation data |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
CN113218969A (zh) * | 2021-06-04 | 2021-08-06 | 中国科学院地理科学与资源研究所 | 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 |
-
2021
- 2021-12-31 CN CN202111663938.8A patent/CN114324410A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017070199A1 (en) * | 2015-10-22 | 2017-04-27 | Colorado State University Research Foundation | Soil moisture downscaling using topography, soil and vegetation data |
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 |
CN111639675A (zh) * | 2020-05-06 | 2020-09-08 | 武汉大学 | 一种基于随机森林的smap土壤水分降尺度方法 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN113218969A (zh) * | 2021-06-04 | 2021-08-06 | 中国科学院地理科学与资源研究所 | 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 |
Non-Patent Citations (2)
Title |
---|
孙静等: "土地利用遥感动态监测技术方法介绍", 山东国土资源, vol. 21, no. 4, 25 July 2005 (2005-07-25), pages 38 - 41 * |
盛佳慧,饶鹏: "基于风云气象卫星的土壤湿度数据降尺度方法研究", 红外与毫米波学报, vol. 40, no. 1, 15 February 2021 (2021-02-15), pages 75 - 87 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659853A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院地理科学与资源研究所 | 一种非线性混合效应变系数降尺度方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
Mu et al. | Validating GEOV1 fractional vegetation cover derived from coarse-resolution remote sensing images over croplands | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
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 | |
CN108154193B (zh) | 一种长时间序列降水数据降尺度方法 | |
Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
Zheng et al. | The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
Pathak et al. | Assessment of annual water-balance models for diverse Indian watersheds | |
Tang et al. | A modified flexible spatiotemporal data fusion model | |
CN110852474B (zh) | 一种基于决策树算法的陆地水储量预测方法、装置及设备 | |
KR101870263B1 (ko) | 기후변화시나리오의 역학적 상세화 방법을 이용한 기후변화 고해상도 자료생상 및 표출시스템 | |
CN114324410A (zh) | 一种多地形的微波遥感土壤湿度降尺度方法 | |
CN115795402B (zh) | 一种基于变分法的多源降水数据融合方法和系统 | |
Li et al. | Synthesis method for simulating snow distribution utilizing remotely sensed data for the Tibetan Plateau | |
CN116070792A (zh) | 一种多源降水数据的融合方法、装置、存储介质和设备 | |
CN115830476A (zh) | 地形因子空间降尺度方法 | |
CN104573239A (zh) | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 | |
Sun et al. | Deep learning in statistical downscaling for deriving high spatial resolution gridded meteorological data: A systematic review | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN107688712A (zh) | 一种基于dem和ndvi的气温降尺度方法 | |
CN109359394B (zh) | 土壤湿度降尺度因子模型构建方法及系统 | |
Wang et al. | Spatial distribution modeling of temperature increase for the uplifted mountain terrains and its characteristics in Southwest China |
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 |