CN114461971B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114461971B CN114461971B CN202210040047.5A CN202210040047A CN114461971B CN 114461971 B CN114461971 B CN 114461971B CN 202210040047 A CN202210040047 A CN 202210040047A CN 114461971 B CN114461971 B CN 114461971B
- Authority
- CN
- China
- Prior art keywords
- soil
- water content
- volume
- surface temperature
- saturated
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 227
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000704 physical effect Effects 0.000 title claims description 14
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 35
- 238000013179 statistical model Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000005527 soil sampling Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
一种融合土壤物理特性与遥感数据的地表土壤含水量反演方法，该方法包括构建输入数据集；选取植被覆盖指数FVC与地表温度T*构建T*‑FVC特征空间；依据特征空间计算地表土壤含水量相对指标M0；依据土工试验点数据，建立土壤饱和体积含水量与土壤孔隙率的统计模型，并据此模型计算不同类型土壤的各像元饱和体积含水量。最后将土壤含水量相对指标M0与土壤饱和体积含水量、萎蔫点地表土壤体积含水量耦合在一起，构建了地表土壤体积含水量定量反演模型。本模型融合土壤物理特性与遥感数据进行地表土壤体积含水量反演，解决了传统遥感方法忽略不同类型土壤持水能力的差异而难以高精度计算体积含水量的问题，实现了地表土壤体积含水量的高精度反演。
Description
技术领域
本发明属于土壤含水量反演技术领域，具体涉及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。
背景技术
土壤水分是陆地系统地气能量交换的关键参数，它已经被全球气候观测系统确定为基本陆地气候变量之一。准确确定地表土壤水分的多少、分布及其动态变化在水文、生态、农业、地质灾害监测和全球气候变化的研究中变得越来越重要。目前，基于遥感数据的热惯量法和温度-植被指数法以及以此为基础发展得到的一些改进方法在地表土壤含水量反演方面得到了较为广泛的应用。这些方法的计算模型相对简单，易于计算与使用，在大面积的土壤含水量反演中较传统地面测量与推算方法更具有优势。然而，由于未能考虑不同类型土壤在持水能力方面的区别，这些方法的土壤含水量反演精度受到了影响，限制了方法的推广与使用。为此，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得以提出。
在温度-植被指数法中，基于TVDI特征空间来反演地表土壤含水量是一种常用的土壤水分遥感监测方法。该方法原理较为简单，易于推广，其中主要的遥感数据——温度LST和植被指数VI的算法比较成熟，易于实施。然而，该方法并未考虑土壤孔隙率、土壤饱和含水量与土壤萎蔫系数等土壤物理性质所引起的不同土壤类型持水能力的差异，忽略了土壤饱和含水量与土壤萎蔫系数随土壤类型、土壤孔隙率而变化的特性。此外，基于LST-VI特征空间的反演结果大多是反映土壤含水量的相对指标，而不是地表土壤体积含水量。因此，针对地表土壤水分遥感反演方法未能考虑不同土壤持水能力的差异，难以得到土壤体积含水量且反演精度低等问题，亟需一种将土壤物理性质考虑在内的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。
发明内容
本发明的目的在于提供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；本发明地表土壤含水量反演方法将土壤的物理性质与遥感数据融合在一起，提高土壤含水量反演精度。
根据本发明的内容，提供了一种融合土壤物理性质和遥感数据的地表土壤含水量反演方法，所述方法包括以下步骤：
步骤1：确定所述方法需要的气象站点数据、土工数据以及遥感数据，构建输入数据集；
步骤2：计算植被覆盖指数FVC，并与归一化后的地表温度T*，构建归一化特征空间T*-FVC；
步骤3：基于归一化特征空间T*-FVC计算并获取下垫面的土壤含水量相对指标M0；
步骤4：建立土壤饱和体积含水量与土壤孔隙率的关系，根据土壤孔隙率确定土壤饱和体积含水量，并将土壤饱和体积含水量、植被萎蔫点地表土壤含水量与所述步骤3得到的M0联合反演地表土壤含水量。
所述步骤4中，包括以下步骤：
步骤401、首先依据土壤孔隙比求出对应的土壤孔隙率n，计算公式如下：
其中，e表示土工数据采集点的实测土壤孔隙比；
步骤402、计算土壤容重r，计算公式如下：
r＝d-d·n
其中，d为土工数据采集点土样的土壤比重；
步骤403、根据步骤402得到的土壤容重r与步骤401得到的土壤孔隙率n计算出土壤饱和质量含水量KSSMq-sat，计算公式如下：
步骤404、把土壤饱和质量含水量KSSMq-sat换算成土壤饱和体积含水量KSSMv-sat，计算公式如下：
步骤405、对土壤孔隙率n与步骤404计算的土壤饱和体积含水量KSSMv-sat作最小二乘拟合，建立土壤饱和体积含水量与土壤孔隙率的统计模型，如下公式所示：
其中，为根据土壤孔隙率计算的土壤饱和体积含水量；n为土壤孔隙率；a0和b0分别为通过最小二乘拟合得到的经验系数；
步骤406、将步骤405得到的土壤饱和体积含水量、植被萎蔫点地表土壤体积含水量与所述步骤3得到的M0联合反演地表土壤体积含水量，计算公式如下：
其中，KSSM表示地表土壤体积含水量(m3/m3)；和KSSMres分别表示土壤饱和体积含水量和植被萎蔫点地表土壤体积含水量(m3/m3)；M0由特征空间T*-FVC计算得到。
所述步骤1中，所述输入数据包括气象站点数据、土工数据以及遥感数据；
步骤101、优选地，所述气象站点数据包括地表温度、土壤含水量；
步骤102、优选地，所述土工数据包括土壤采样深度、土壤孔隙比、土壤容重、土壤类型、土壤饱和度以及土壤饱和体积含水量以及植被萎蔫点地表土壤体积含水量；
步骤103、优选地，所述遥感数据包括归一化植被指数、地表温度、TRMM数据。
所述步骤2中，包括以下步骤：
步骤201、作为优选的技术方案，利用下式根据归一化植被指数NDVI计算植被覆盖指数FVC，记为Fv：
其中，NDVI为各像元的植被指数；NDVImax为全植被覆盖的NDVI值；NDVImin为裸土的NDVI值；
步骤202、对地表温度LST进行归一化处理，归一化后的地表温度T*计算公式如下：
其中，T*为归一化后的地表温度；LSTi为任意像元的地表温度；LSTmin为地表温度最小值；LSTmax为地表温度最大值；通过归一化使得不同时相的地表温度值变化范围均为0-1之间，数值越靠近1，地表温度就越高，靠近于0则表示地表温度越低；
步骤203、构建归一化T*-FVC特征空间，根据特征空间散点图提取极限干湿边，利用最小二乘线性拟合获得极限干湿边界条件方程分别如下：
其中，和/>是FVC的函数，分别表示在某FVC值下对应的归一化地表温度的最大值和最小值；a1和b1，a2和b2分别表示干边和湿边的拟合系数。
所述步骤3中，包括以下步骤：
步骤301、依据所述步骤2得到的干湿边方程，计算地表土壤含水量相对指标M0，计算公式如下：
其中，地表温度的最大值和最小值通过最小二乘线性拟合求解；ai、bi(i＝1,2)表示最大、最小温度的拟合系数；M0的值在0-1之间变化，M0越小，越靠近干边，说明土壤含水量越少；相反，M0越大，越靠近湿边，说明土壤含水量越高；但是，M0是表征地表土壤含水量多少的相对指标，并不是实际地表土壤含水量。
本发明提供了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，该土壤含水量反演方法能够顾及不同类型土壤其持水能力的差异，有效地将土壤孔隙率、土壤饱和含水量与萎蔫含水量等土壤物理性质与遥感数据融合，构建了地表土壤体积含水量的反演模型，实现了顾及土壤类型差异的土壤实际体积含水量的高精度计算。本发明解决了传统遥感方法忽略不同类型土壤持水能力的差异而难以高精度计算体积含水量的问题，将土壤物理参数与遥感数据融合并用于地表土壤含水量反演，提高了土壤含水量的反演精度，能够应用于农业干旱监测中。
附图说明
图1为本发明流程图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
实施例1
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，包括以下步骤：
步骤1：确定所述方法需要的输入数据，构建输入数据集；
所述步骤1包括：构建地表土壤含水量反演方法输入数据集，具体包括气象站点数据(例如地表温度、地表土壤含水量)、土工数据(例如土壤采样深度、土壤孔隙比、土壤容重、土壤类型、土壤饱和度以及土壤饱和体积含水量以及植被萎蔫点地表土壤体积含水量)以及遥感数据(例如MODIS的NDVI数据、地表温度，TRMM降雨数据)。
需要说明的是，土工数据来自土工试验点的现场采集和计算所得，根据研究区土壤类型数量与分布复杂程度，土工试验点可以均匀或不均匀分布于研究区；另外，对来自于不同传感器的遥感数据及产品的预处理过程包括：空间投影转换、影像空间配准以及空间裁剪。
步骤2：构建归一化特征空间T*-FVC；
步骤2包括：
步骤201、利用下式根据归一化植被指数NDVI计算各像元植被覆盖指数FVC，记为Fv：
其中，NDVI为各像元的植被指数；NDVImax为全植被覆盖的NDVI值；NDVImin为裸土的NDVI值，NDVImax、NDVImax分别设定为0.87和0.18；
步骤202、对地表温度LST进行归一化处理，以便不同时相的土壤含水量相对指标M0具有可比性，地表温度归一化T*计算公式如下：
其中，T*为归一化后的地表温度；LSTi为任意像元的地表温度；LSTmin为地表温度最小值；LSTmax为地表温度最大值；通过归一化使得不同时相的地表温度值变化范围均为0-1之间，数值越靠近1，地表温度就越高，靠近于0则表示地表温度越低；
步骤203、构建归一化T*-FVC特征空间，并根据特征空间散点图提取极限干湿边，利用最小二乘线性拟合确定极限干湿边条件方程分别如下：
和/>是Fv的函数，分别表示在某FVC值下对应的归一化地表温度的最大值和最小值；a1和b1，a2和b2分别表示干边和湿边的拟合系数；
步骤3：依据所述步骤2得到的干湿边方程，计算地表土壤含水量相对指标M0，计算公式如下：
其中，地表温度的最大值和最小值通过最小二乘线性拟合求解；ai、bi(i＝1,2)表示最大、最小地表温度的拟合系数；M0的值在0-1之间变化，M0越小，越靠近干边，说明土壤含水量越少；相反，M0越大，越靠近湿边，说明土壤含水量相对越高；但是，M0是表征地表土壤含水量多少的相对指标，并不是实际地表土壤含水量。
步骤4：建立土壤饱和体积含水量与土壤孔隙率的关系，根据土壤孔隙率确定土壤饱和体积含水量，并将土壤饱和体积含水量、植被萎蔫点地表土壤含水量与所述步骤3得到的M0联合建模反演地表土壤含水量。
步骤4包括：
步骤401、依据土壤孔隙比求出土壤孔隙率n，计算公式如下：
其中，e表示土工数据采集点的土壤孔隙比；需要说明的是，计算前需要对土工数据进行筛选，选取土工采集点表层土(深度0至10cm处)土壤饱和度大于90％的土壤孔隙比，用于计算土壤孔隙率。
步骤402、计算土壤容重r，计算公式如下：
r＝d-d·n
其中，d为土壤比重；
步骤403、根据步骤402得到的土壤容重r与步骤401得到的土壤孔隙率n计算出土壤饱和质量含水量KSSMq-sat，计算公式如下：
步骤404、把土壤饱和质量含水量KSSMq-sat换算成土壤饱和体积含水量KSSMv-sat，计算公式如下：
其中，各符号代表的意思与前述相同；
步骤405、对土壤孔隙率n与步骤404计算的土壤饱和体积含水量KSSMv-sat作最小二乘拟合，建立土壤饱和体积含水量与土壤孔隙率的统计模型，如下公式所示：
其中，a0和b0为对土工试验点土壤孔隙率n与步骤404计算的土壤饱和体积含水量KSSMv-sat通过最小二乘拟合得到的经验系数；为根据不同类型土壤孔隙率计算的各像元地表土壤饱和体积含水量；n为土壤孔隙率，采用实测值或取同一土壤类型的均值；
步骤406、将步骤405得到的土壤饱和体积含水量、植被萎蔫点地表土壤体积含水量与所述步骤3得到的M0联合反演地表土壤体积含水量，计算公式如下：
其中，KSSM表示地表土壤体积含水量(m3/m3)；为根据土壤孔隙率计算得到的地表土壤饱和体积含水量；KSSMres表示植被萎蔫点地表土壤体积含水量(m3/m3)，采用实测值或其他实验参考数值；M0由特征空间T*-FVC计算得到。
步骤407、利用气象站点土壤含水量对上述步骤406反演得到的土壤含水量精度进行验证。
本发明提出的地表土壤含水量反演方法具有如下特点：(1)能够在利用遥感数据反演地表土壤含水量过程中考虑到不同类型土壤持水能力差异的影响，从而提高地表土壤体积含水量反演精度；(2)不再需要实测地表土壤含水量就可以依据表示土壤相对含水量的遥感指数计算地表土壤体积含水量。
应当理解的是，本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所述的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一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，其特征在于，所述方法包括以下步骤：
步骤1：确定所述方法需要的气象站点数据、土工数据以及遥感数据，构建输入数据集；
步骤2：计算植被覆盖指数FVC，并与归一化后的地表温度T*，构建归一化特征空间T*-FVC；
步骤3：基于归一化特征空间T*-FVC计算并获取下垫面的土壤含水量相对指标M0；
步骤4：建立土壤饱和体积含水量与土壤孔隙率的关系，根据土壤孔隙率确定土壤饱和体积含水量，并将土壤饱和体积含水量、植被萎蔫点地表土壤含水量与所述步骤3得到的M0联合反演地表土壤含水量；
所述步骤4中，包括以下步骤：
步骤401、首先依据土壤孔隙比求出对应的土壤孔隙率n，计算公式如下：
其中，e表示土工数据采集点的实测土壤孔隙比；
步骤402、计算土壤容重r，计算公式如下：
r＝d-d·n
其中，d为土工数据采集点土样的土壤比重；
步骤403、根据步骤402得到的土壤容重r与步骤401得到的土壤孔隙率n计算出土壤饱和质量含水量KSSMq-sat，计算公式如下：
步骤404、把土壤饱和质量含水量KSSMq-sat换算成土壤饱和体积含水量KSSMv-sat，计算公式如下：
步骤405、对土壤孔隙率n与步骤404计算的土壤饱和体积含水量KSSMv-sat作最小二乘拟合，建立土壤饱和体积含水量与土壤孔隙率的统计模型，如下公式所示：
其中，为根据土壤孔隙率计算的土壤饱和体积含水量；n为土壤孔隙率；a0和b0分别为通过最小二乘拟合得到的经验系数；
步骤406、将步骤405得到的土壤饱和体积含水量、植被萎蔫点地表土壤体积含水量与所述步骤3得到的M0联合反演地表土壤体积含水量，计算公式如下：
其中，KSSM表示地表土壤体积含水量(m3/m3)；和KSSMres分别表示土壤饱和体积含水量和植被萎蔫点地表土壤体积含水量(m3/m3)；M0由特征空间T*-FVC计算得到。
2.根据权利要求1所述的土壤含水量反演方法，其特征在于，所述步骤1中，所述输入数据包括气象站点数据、土工数据以及遥感数据；
步骤101、优选地，所述气象站点数据包括地表温度、土壤含水量；
步骤102、优选地，所述土工数据包括土壤采样深度、土壤孔隙比、土壤容重、土壤类型、土壤饱和度以及土壤饱和体积含水量以及植被萎蔫点地表土壤体积含水量；
步骤103、优选地，所述遥感数据包括归一化植被指数、地表温度、TRMM数据。
3.根据权利要求1所述的土壤含水量反演方法，其特征在于，所述步骤2中，包括以下步骤：
步骤201、作为优选的技术方案，利用下式根据归一化植被指数NDVI计算植被覆盖指数FVC，记为Fv：
其中，NDVI为各像元的植被指数；NDVImax为全植被覆盖的NDVI值；NDVImin为裸土的NDVI值；
步骤202、对地表温度LST进行归一化处理，归一化后的地表温度T*计算公式如下：
其中，T*为归一化后的地表温度；LSTi为任意像元的地表温度；LSTmin为地表温度最小值；LSTmax为地表温度最大值；通过归一化使得不同时相的地表温度值变化范围均为0-1之间，数值越靠近1，地表温度就越高，靠近于0则表示地表温度越低；
步骤203、构建归一化T*-FVC特征空间，根据特征空间散点图提取极限干湿边，利用最小二乘线性拟合获得极限干湿边界条件方程分别如下：
其中，和/>是FVC的函数，分别表示在某FVC值下对应的归一化地表温度的最大值和最小值；a1和b1，a2和b2分别表示干边和湿边的拟合系数。
4.根据权利要求1所述的土壤含水量反演方法，其特征在于，所述步骤3中，包括以下步骤：
步骤301、依据所述步骤2得到的干湿边方程，计算地表土壤含水量相对指标M0，计算公式如下：
其中，地表温度的最大值和最小值通过最小二乘线性拟合求解；ai、bi(i＝1,2)表示最大、最小温度的拟合系数；M0的值在0-1之间变化，M0越小，越靠近干边，说明土壤含水量越少；相反，M0越大，越靠近湿边，说明土壤含水量越高；但是，M0是表征地表土壤含水量多少的相对指标，并不是实际地表土壤含水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210040047.5A CN114461971B (zh) | 2022-01-13 | 2022-01-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210040047.5A CN114461971B (zh) | 2022-01-13 | 2022-01-13 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114461971A CN114461971A (zh) | 2022-05-10 |
| CN114461971B true CN114461971B (zh) | 2024-04-16 |
Family
ID=81409811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210040047.5A Active CN114461971B (zh) | 2022-01-13 | 2022-01-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114461971B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
| CN112287294A (zh) * | 2020-09-10 | 2021-01-29 | 河海大学 | 一种基于深度学习的时空双向土壤含水量插值方法 |
| CN113533379A (zh) * | 2021-07-19 | 2021-10-22 | 自然资源部国土卫星遥感应用中心 | 一种利用多源卫星亮温数据提取区域日均土壤水分的方法 |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN113887024A (zh) * | 2021-09-15 | 2022-01-04 | 南京信息工程大学 | 基于归一化温度构建的干旱指数反演表层土壤水分方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11493496B2 (en) * | 2020-04-30 | 2022-11-08 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method and system for estimating surface runoff based on pixel scale |
-
2022
- 2022-01-13 CN CN202210040047.5A patent/CN114461971B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
| CN112287294A (zh) * | 2020-09-10 | 2021-01-29 | 河海大学 | 一种基于深度学习的时空双向土壤含水量插值方法 |
| CN113533379A (zh) * | 2021-07-19 | 2021-10-22 | 自然资源部国土卫星遥感应用中心 | 一种利用多源卫星亮温数据提取区域日均土壤水分的方法 |
| CN113887024A (zh) * | 2021-09-15 | 2022-01-04 | 南京信息工程大学 | 基于归一化温度构建的干旱指数反演表层土壤水分方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于地表温度日较差-植被覆盖度特征空间的土壤含水量反演方法;茹晨;段四波;姜小光;冷佩;高懋芳;霍红元;李召良;;中国科学院大学学报;20181115(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114461971A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Allen et al. | Evapotranspiration information reporting: I. Factors governing measurement accuracy | |
| Trombetta et al. | Calibration of the AquaCrop model for winter wheat using MODIS LAI images | |
| Ghulam et al. | Designing of the perpendicular drought index | |
| Mahmood et al. | Impacts of land use/land cover change on climate and future research priorities | |
| Bøgh et al. | Incorporating remote sensing data in physically based distributed agro-hydrological modelling | |
| Windahl et al. | An intercomparison of Landsat land surface temperature retrieval methods under variable atmospheric conditions using in situ skin temperature | |
| Chang et al. | A modified MOD16 algorithm to estimate evapotranspiration over alpine meadow on the Tibetan Plateau, China | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| CN115796344A (zh) | 一种区域尺度上森林植被碳储量的估算方法 | |
| CN108154193A (zh) | 一种长时间序列降水数据降尺度方法 | |
| CN106644919A (zh) | 一种测定表土属性变化与侵蚀效应的试验方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
| CN106525753A (zh) | 一种简便的遥感土壤水分监测方法 | |
| CN114461971B (zh) | 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 | |
| Montpellier et al. | Microelevational differences affect longleaf pine (Pinus palustris Mill.) sensitivity to tropical cyclone precipitation: a case study using LiDAR | |
| Wang et al. | Application of image technology to simulate optimal frequency of automatic collection of volumetric soil water content data | |
| CN113030431B (zh) | 一种土壤田间持水量的测定方法及系统 | |
| CN115641502A (zh) | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 | |
| Pang et al. | The review of soil moisture multi-scale verification methods | |
| Van den Hurk et al. | Assimilation of land surface temperature data from ATSR in an NWP environment--a case study | |
| CN112949182A (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
| Ponciano et al. | An empiric model for predicting soil daily evaporations: soil and atmospheric variables. | |
| Huang et al. | Assimilation of remote sensing data products into common land model for evapotranspiration forecasting | |
| Alam et al. | Determining pasture evapotranspiration using active optical sensor derived normalized difference vegetation 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 |