CN114611699A - 土壤水分降尺度方法、装置、电子设备及存储介质 - Google Patents

土壤水分降尺度方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114611699A
CN114611699A CN202210256638.6A CN202210256638A CN114611699A CN 114611699 A CN114611699 A CN 114611699A CN 202210256638 A CN202210256638 A CN 202210256638A CN 114611699 A CN114611699 A CN 114611699A
Authority
CN
China
Prior art keywords
soil moisture
index
data
class
downscaling
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
Application number
CN202210256638.6A
Other languages
English (en)
Inventor
刘忠
郑曼迪
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202210256638.6A priority Critical patent/CN114611699A/zh
Publication of CN114611699A publication Critical patent/CN114611699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了土壤水分降尺度方法、装置、电子设备及存储介质，该方法有效利用了第一类地表温度数据、第一类地表反射率数据以及第一类高程数据在空间分辨率上的优势以及目标土壤水分指标与土壤水分之间的非线性关系，采用基于决策树模型构建的土壤水分降尺度模型，将其应用于高分辨率的输入数据，可以有效捕捉目标土壤水分指标的空间异质性以及土壤水分随时间的动态变化，并且得到的第一类土壤水分数据与原始的第二类土壤水分数据具有高度的空间对应关系，提供比第二空间分辨率更详细的土壤水分信息。

Description

土壤水分降尺度方法、装置、电子设备及存储介质
技术领域
本发明是关于遥感技术领域，特别是关于一种土壤水分降尺度方法、装置、 电子设备及存储介质。
背景技术
地表土壤水分是水文和气候模型的重要边界调节，在陆地水循环和陆地- 大气能量相互作用中发挥着关键作用。因此，获取准确的土壤水分时空分布与 变化信息对于干旱监测、农业管理、水资源评价、径流预测、作物生长分析和 产量估算等农业相关研究具有重要意义。
传统的土壤水分监测方法主要有干燥称量法、中子计法、时域反射计和频 域反射计。然而，所有的地面方法和技术都只能提供基于点的测量，不能反映 大面积土壤水分的异质性。同时，它们也存在时空分辨率低、成本高、效率低 等缺点。基于遥感的土壤水分反演方法中，基于可见光至近红外波段数据的反 演方法，得到的土壤水分信息拥有较高空间分辨率，其采用热惯量法时适合裸 土和低植被覆盖区域，难以运用于大范围、植被茂密的农田区域；而其采用指 数或特征空间法在特定研究区域反演时，虽然得到的土壤水分信息精度较高， 但存在部分参数计算复杂，泛化性较差等问题。
为此，研究人员提出利用多元统计方法建立中分辨率成像光谱仪 (Moderate-resolution Imaging Spectroradiometer，MODIS)的地表温度、归一 化植被指数(Normalized Difference Vegetation Index，NDVI)和土壤湿度与海 水盐度(SoilMoisture and Ocean Salinity，SMOS)之间的回归关系，以达到降 尺度的目的。此后，许多研究人员开始使用光学、热红外、有源微波等不同数 据源或添加各种辅助参数来提高模型的规模和效率，然后提出用各种指标来 表示不同的辅助参数或不同的场景，比如温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)、温度-植被-降水指数(Temperature Vegetation Precipitation Dryness Index，TVPDI)以及植被健康指数(Vegetation Health Index， VHI)等等。然而，这些方法都是建立在各指标与土壤水分之间的线性关系的 情况下，无法很好的描述土壤水分与各指标之间复杂的非线性关系。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解， 而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员 所公知的现有技术。
发明内容
本发明的目的在于提供一种土壤水分降尺度方法、装置、电子设备及存储 介质，其能够解决土壤水分数据无法适应于精细化研究的问题以及减少植被 对的反演过程影响，实现土壤水分数据的空间尺度转换以及不同波段组合的 土壤水分精细化制图和干旱监测，为土壤水分的长期监测以及获取农业墒情 数据提供可能。
为实现上述目的，本发明提供了一种土壤水分降尺度方法，包括：
获取目标区域的第一空间分辨率的第一类地表温度数据、第一类地表反 射率数据以及第一类高程数据；
基于所述第一类地表反射率数据，计算所述目标区域的目标土壤水分指 标的第一类指标数据，并将所述第一类地表温度数据、所述第一类指标数据以 及所述第一类高程数据输入至土壤水分降尺度模型，得到所述土壤水分降尺 度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二 类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水 分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基 于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述 第一空间分辨率高于所述第二空间分辨率。
在本发明的一实施方式中，所述目标土壤水分指标基于所述目标区域的 初始土壤水分指标得到；所述初始土壤水分指标包括干旱指数、水分指数和/ 或植被指数。
在本发明的一实施方式中，所述目标土壤水分指标基于如下方法得到：
基于所述第二类地表反射率数据计算各初始土壤水分指标的第三类指标 数据；
基于所述各初始土壤水分指标的第三类指标数据以及所述第二类土壤水 分数据，确定所述各初始土壤水分指标与土壤水分之间的相关系数以及最大 信息系数；
基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中 筛选得到所述目标土壤水分指标。
在本发明的一实施方式中，所述基于所述相关系数以及所述最大信息系 数，从所述初始土壤水分指标中筛选得到所述目标土壤水分指标，包括：
计算每个初始土壤水分指标对应的相关系数的绝对值与最大信息系数的 绝对值之间的平均值，并将所述各初始土壤水分指标中对应的平均值大于预 设值的初始土壤水分指标作为所述目标土壤水分指标。
在本发明的一实施方式中，所述干旱指数包括短波红外干旱指数、归一化 多波段干旱指数、垂直干旱指数、修正型垂直干旱指数、第二型修正型垂直干 旱指数、荒漠化差值指数以及盐渍化指数中的至少一项；所述水分指数包括简 单比值水分指数、修正短波红外垂直水分胁迫指数、归一化水体指数、全球植 被水分指数以及短波红外垂直水分胁迫指数中的至少一项；所述植被指数包 括垂直植被指数、增强植被指数、植被指数、差异红外指数6、差异红外指数 7、归一化耕作指数、简单耕作指数以及归一化秸秆指数中的至少一项。
在本发明的一实施方式中，所述土壤水分降尺度方法，还包括：
在得到所述土壤水分降尺度模型之后，对所述土壤水分降尺度模型进行 模型验证操作；所述模型验证操作包括：空间尺度验证、网格尺度验证以及点 尺度验证。
在本发明的一实施方式中，所述决策树模型包括梯度增强决策树模型。
本发明还提供一种土壤水分降尺度装置，包括：
获取模块，用于获取目标区域的第一空间分辨率的第一类地表温度数据、 第一类地表反射率数据以及第一类高程数据；
降尺度模块，用于基于所述第一类地表反射率数据，计算所述目标区域的 目标土壤水分指标的第一类指标数据，并将所述第一类地表温度数据、所述第 一类指标数据以及所述第一类高程数据输入至土壤水分降尺度模型，得到所 述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二 类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水 分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基 于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述 第一空间分辨率高于所述第二空间分辨率。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可 在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一 种所述土壤水分降尺度方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序， 该计算机程序被处理器执行时实现如上述任一种所述土壤水分降尺度方法的 步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被 处理器执行时实现如上述任一种所述土壤水分降尺度方法的步骤。
与现有技术相比，根据本发明的土壤水分降尺度方法、装置、电子设备及 存储介质，首先获取目标区域的第一空间分辨率的第一类地表温度数据、第一 类地表反射率数据以及第一类高程数据；然后基于第一类地表反射率数据，计 算目标区域的目标土壤水分指标的第一类指标数据，并将第一类地表温度数 据、第一类指标数据以及第一类高程数据输入至土壤水分降尺度模型，得到土 壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据。该方法有 效利用了第一类地表温度数据、第一类地表反射率数据以及第一类高程数据 在空间分辨率上的优势以及目标土壤水分指标与土壤水分之间的非线性关系，采用基于决策树模型构建的土壤水分降尺度模型，将其应用于高分辨率的输 入数据，可以有效捕捉目标土壤水分指标的空间异质性以及土壤水分随时间 的动态变化，并且得到的第一类土壤水分数据与原始的第二类土壤水分数据 具有高度的空间对应关系，提供比第二空间分辨率更详细的土壤水分信息。该 方法解决了土壤水分数据无法适应于精细化研究的问题以及减少植被对的反 演过程影响，实现土壤水分数据的空间尺度转换以及不同波段组合的土壤水 分精细化制图和干旱监测，为土壤水分的长期监测以及获取农业墒情数据提 供了可能。
附图说明
图1是本发明一实施方式的土壤水分降尺度方法的流程示意图；
图2是本发明一实施方式的土壤水分降尺度方法的降尺度效果示意图；
图3是本发明一实施方式的土壤水分降尺度方法在A地(a)区域内降尺 度结果、CLDAS数据和月站点数据时间序列对比图；
图4是本发明一实施方式的土壤水分降尺度方法在A地(b)区域内降尺 度结果、CLDAS数据和月站点数据时间序列对比图；
图5是本发明一实施方式的土壤水分降尺度方法在A地(c)区域内降尺 度结果、CLDAS数据和月站点数据时间序列对比图；
图6是本发明一实施方式的土壤水分降尺度装置框图；
图7是本发明一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发 明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括” 或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部 分，而并未排除其它元件或其它组成部分。
图1为本发明实施例中提供的一种土壤水分降尺度方法的流程示意图， 如图1所示，该方法包括：
S1，获取目标区域的第一空间分辨率的第一类地表温度数据、第一类地表 反射率数据以及第一类高程数据；
S2，基于所述第一类地表反射率数据，计算所述目标区域的目标土壤水分 指标的第一类指标数据，并将所述第一类地表温度数据、所述第一类指标数据 以及所述第一类高程数据输入至土壤水分降尺度模型，得到所述土壤水分降 尺度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二 类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水 分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基 于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述 第一空间分辨率高于所述第二空间分辨率。
具体地，本发明实施例中提供的土壤水分降尺度方法，其执行主体为土壤 水分降尺度装置，该装置可以配置于服务器内，该服务器可以是本地服务器， 也可以是云端服务器，本地服务器具体可以是计算机等，本发明实施例中对此 不作具体限定。
首先执行步骤S1，获取目标区域的第一空间分辨率的第一类地表温度数 据、第一类地表反射率数据以及第一类高程数据。其中，目标区域是指在确定 了其第二空间分辨率的第二类土壤水分数据之后，需要对其进行降尺度，以确 定其第一空间分辨率的第一类土壤水分数据的区域。可以理解的是，降尺度的 过程即为提高数据空间分辨率的过程，即有第二空间分辨率小于第一空间分 辨率，例如第二空间分辨率为36km，第一空间分辨率为1km。
在进行降尺度的过程中，需要获取到目标区域的第一类地表温度数据、第 一类地表反射率数据以及第一类高程数据，三者的空间分辨率均为1km。第 一类地表温度数据可以通过分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)采集得到，MODIS可以搭载在Terra或Aqua上。 Terra大约在上午10:30穿过赤道，Aqua大约在下午1:30穿过赤道。本发明实 施例中，可以将MODIS搭载在Terra上，采用MOD11A1进行地表温度数据 的获取，该地表温度数据可以是日地表温度数据，空间分辨率是1km。因此， 可以将该地表温度数据作为第一类地表温度数据。
第一类地表反射率数据也可以通过MODIS采集得到，可以将MODIS搭 载在Terra上，采用MOD09A1进行地表反射率数据的获取，该地表反射率数 据可以是8日地表反射率数据，空间分辨率是500m。此时，需要将MOD09A1 得到的地表反射率数据进行投影、裁剪以及重投影使其空间分辨率转换为1km， 进而得到第一类地表反射率数据。
第一类高程数据可以通过航天飞机雷达地形测绘任务(SRTM)得到的数 字高程模型(Digital Elevation Model，DEM)数据确定，由于DEM数据的空 间分辨率通常为90m，因此也需要对其进行投影、裁剪以及重投影使其空间 分辨率转换为1km，进而得到第一类高程数据。
然后执行步骤S2，通过第一类地表反射率数据，计算目标区域的目标土 壤水分指标的第一类指标数据。其中，目标土壤水分指标可以包括短波红外干 旱指数(Visible andShortwave infrared Drought Index，VSDI)、归一化多波段 干旱指数(NormalizedMulti-band Drought Index，NMDI)、垂直干旱指数 (Perpendicular Drought Index，PDI)、修正型垂直干旱指数(Microwave Polarization Difference Index，MPDI)、第二型修正型垂直干旱指数(Second Microwave Polarization Difference Index，MPDI1)、荒漠化差值指数(Distance Drought Index，DDI)、盐渍化指数(Moisture Stress Index，MSI)、简单比值水 分指数(Simple Ratio Water Index，SRWI)、修正短波红外垂直水分胁迫指数(Modified Shortwave Infrared Perpendicular Water Stress Index，MSPSI)、归一 化水体指数(Normalized Difference Water Index，NDWI)、全球植被水分指数 (GlobalVegetation Moisture Index，GVMI)、短波红外垂直水分胁迫指数 (Shortwave InfraredPerpendicular Water Stress Index，SPSI)、垂直植被指数 (Perpendicular VegetationIndex，PVI)、增强植被指数(Enhanced Vegetation Index，EVI)、植被指数(NormalizedDifference Vegetation Index，NDVI)、差 异红外指数6(Normalized DifferenceInfrared Index 6，NDII6)、差异红外指数 7(Normalized Difference Infrared Index7，NDII7)、归一化耕作指数(Normalized Difference Tillage Index，NDTI)、简单耕作指数(Simple Tillage Index，STI) 以及归一化秸秆指数(Normalized Difference ResidueIndex，NDRI)等20个 指数中的至少一个，此处不作具体限定。
此处，上述20个指数的计算方式如下：
VSDI：1-(R1640+R645-2R469)
NMDI：(R858-(R1640-R2130))/(R858+(R1640-R2130))
PDI：
Figure BDA0003548816380000081
MPDI：
Figure BDA0003548816380000082
MPDI1：
Figure BDA0003548816380000083
DDI：
Figure BDA0003548816380000084
MSI：R1640/R858
SRWI：R858/R1240
MSPSI：
Figure BDA0003548816380000085
NDWI：(R858-R1240)/(R858+R1240)
GVMI：((R858+0.1)-(R1240+0.02))/((R858+0.1)+(R1240+0.02))
SPSI：
Figure BDA0003548816380000091
PVI：
Figure BDA0003548816380000092
EVI：(2.5(R858-R645))/(R858-6R645-7.5R469+1)
NDVI：(R858-R645)/(R858+R645)
NDII6：(R858-R1640)/(R858+R1640)
NDII7：(R858-R2130)/(R858+R2130)
NDTI：(R1640-R2130)/(R1640+R2130)
STI：R1640/R2130
NDRI：(R645-R2130)/(R645+R2130)
其中，Ri表示波长i处的地表反射率，M表示土壤点线性回归得到的土壤 线的斜率。
将第一类地表反射率数据代入至上述各公式中，即可计算得到目标区域 的目标土壤水分指标的第一类指标数据。
此后，可以将第一类地表温度数据、第一类指标数据以及第一类高程数据 输入至土壤水分降尺度模型，通过土壤水分降尺度模型得到第一空间分辨率 的第一类土壤水分数据。
该土壤水分降尺度模型可以基于决策树模型构建，并通过目标区域的第 二空间分辨率的第二类地表温度数据、第二类高程数据、第二类土壤水分数据 以及所述目标土壤水分指标的第二类指标数据，对决策树模型训练得到。第二 类地表温度数据、第二类高程数据、第二类土壤水分数据以及目标土壤水分指 标的第二类指标数据的空间分辨率均为第二空间分辨率，若获取到的数据并 非是第二空间分辨率，则需要将其进行投影、裁剪以及重投影使其空间分辨率 转换为36km，进而得到第二类地表温度数据、第二类高程数据、第二类土壤 水分数据以及第二类指标数据。
第二类土壤水分数据可以通过土壤水分主动被动(Soil Moisture Active andPassive，SMAP)卫星采集得到，SMAP卫星是第一颗地球观测卫星，其1.41GHz 的L波段辐射计在太阳时间6时(下降轨道)和18时(上升轨道)穿过赤道， 每2～3天同时覆盖地球一次。SMAP卫星采集得到的数据库可以提供“推荐 检索”功能，用于过滤低于0.02m3/m3和高于0.50m3/m3的土壤水分值。
SMAP卫星可以通过单通道算法V-POL(SCA-V)反演得到第二类土壤 水分数据。由于表层土壤受近地表空气和植被冠层热平衡条件的影响，夜间更 容易受到扰动，因此选择下降轨道(AM)数据经过投影以及最近邻方法重新 采样至第二空间分辨率，即36km。
可以理解的是，决策树模型是非参数的监督学习模型，是构造能够从样本 数据的特征属性中，通过学习简单的决策规则——IF THEN规则预测目标变 量的模型。由于它具有天然的可解释性，对于噪声的干扰具有很好的鲁棒性， 同时也不需要更多的计算代价即可实现目标。
本发明实施例中提供的土壤水分降尺度方法，首先获取目标区域的第一 空间分辨率的第一类地表温度数据、第一类地表反射率数据以及第一类高程 数据；然后基于第一类地表反射率数据，计算目标区域的目标土壤水分指标的 第一类指标数据，并将第一类地表温度数据、第一类指标数据以及第一类高程 数据输入至土壤水分降尺度模型，得到土壤水分降尺度模型输出的第一空间 分辨率的第一类土壤水分数据。该方法有效利用了第一类地表温度数据、第一 类地表反射率数据以及第一类高程数据在空间分辨率上的优势以及目标土壤 水分指标与土壤水分之间的非线性关系，采用基于决策树模型构建的土壤水分降尺度模型，将其应用于高分辨率的输入数据，可以有效捕捉目标土壤水分 指标的空间异质性以及土壤水分随时间的动态变化，并且得到的第一类土壤 水分数据与原始的第二类土壤水分数据具有高度的空间对应关系，提供比第 二空间分辨率更详细的土壤水分信息。该方法解决了土壤水分数据无法适应 于精细化研究的问题以及减少植被对的反演过程影响，实现土壤水分数据的 空间尺度转换以及不同波段组合的土壤水分精细化制图和干旱监测，为土壤 水分的长期监测以及获取农业墒情数据提供了可能。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度方法，所 述目标土壤水分指标基于所述目标区域的初始土壤水分指标得到；所述初始 土壤水分指标包括干旱指数、水分指数和/或植被指数。
具体地，本发明实施例中，目标土壤水分指标可以通过对目标区域的初始 土壤水分指标进行筛选得到。该初始土壤水分指标可以包括干旱指数、水分指 数和/或植被指数。干旱指数可以包括短波红外干旱指数、归一化多波段干旱 指数、垂直干旱指数、修正型垂直干旱指数、第二型修正型垂直干旱指数、荒 漠化差值指数以及盐渍化指数中的至少一项。水分指数可以包括简单比值水 分指数、修正短波红外垂直水分胁迫指数、归一化水体指数、全球植被水分指 数以及短波红外垂直水分胁迫指数中的至少一项。植被指数可以包括垂直植 被指数、增强植被指数、植被指数、差异红外指数6、差异红外指数7、归一 化耕作指数、简单耕作指数以及归一化秸秆指数中的至少一项。
上述各初始土壤水分指标可以采用MOD09A1多波段第二类地表反射率 数据和一些常用系数，利用不同波段的组合与土壤水分之间的响应程度不同 来进行计算。
此处，可以直接将目标区域的初始土壤水分指标作为目标土壤水分指标， 也可以对目标区域的初始土壤水分指标进行筛选进而得到目标土壤水分指标， 此时，筛选采用的筛选规则可以根据需要设定，此处不作具体限定。
本发明实施例中，给出了更加全面的目标土壤水分指标，可以保证降尺度 的准确性。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度方法，所 述目标土壤水分指标基于如下方法得到：
基于所述第二类地表反射率数据计算各初始土壤水分指标的第三类指标 数据；
基于所述各初始土壤水分指标的第三类指标数据以及所述第二类土壤水 分数据，确定所述各初始土壤水分指标与土壤水分之间的相关系数以及最大 信息系数；
基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中 筛选得到所述目标土壤水分指标。
具体地，本发明实施例中，在确定目标土壤水分指标时，可以先根据第二 类地表反射率数据计算各初始土壤水分指标的第三类指标数据，即将第二类 地表反射率数据代入至上述20个公式中，计算得到各初始土壤水分指标的第 三类指标数据。
然后根据各初始土壤水分指标的第三类指标数据以及第二类土壤水分数 据，确定各初始土壤水分指标与土壤水分之间的相关系数以及最大信息系数。 该相关系数可以采用Pearson相关系数进行表示，该相关系数可以表示各初始 土壤水分指标与土壤水分之间的线性相关关系。考虑到各初始土壤水分指标 与土壤水分之间可能存在非线性相关关系，因此可以采用最大信息系数来反 映各初始土壤水分指标与土壤水分之间的非线性相关关系。
通过计算相关系数以及最大信息系数，既保留了与土壤水分强相关的指 数，又补充了与土壤水分弱相关的指数之间的关系，且最大信息系数更具有代 表性来衡量相关性强弱。
最后，通过各初始土壤水分指标与土壤水分之间的相关系数以及最大信 息系数，即可从初始土壤水分指标中筛选得到目标土壤水分指标。
本发明实施例中，通过对各初始土壤水分指标进行筛选，可以降低降尺度 的复杂度，提高土壤水分降尺度模型的预测精度、鲁棒性和可解释性，筛选得 到的目标土壤水分指标的可靠与否，直接决定土壤水分降尺度模型预测结果 的准确性。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度方法，所 述基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中筛 选得到所述目标土壤水分指标，包括：
计算每个初始土壤水分指标对应的相关系数的绝对值与最大信息系数的 绝对值之间的平均值，并将所述各初始土壤水分指标中对应的平均值大于预 设值的初始土壤水分指标作为所述目标土壤水分指标。
具体地，本发明实施例中，在通过各初始土壤水分指标与土壤水分之间的 相关系数以及最大信息系数，从各初始土壤水分指标中筛选得到目标土壤水 分指标时，可以先计算每个初始土壤水分指标对应的相关系数的绝对值与最 大信息系数的绝对值之间的平均值，然后将平均值作为评价初始土壤水分指 标优劣的依据，并按照平均值的高低对各初始土壤水分指标按升序排列，位置 越靠前，对应的初始土壤水分指标越可靠。
此后，可以直接选取排列结果中的前预设数量个初始土壤水分指标，将其 作为目标土壤水分指标。也可以设定预设值，并将各初始土壤水分指标中对应 的平均值大于预设值的初始土壤水分指标作为目标土壤水分指标。其中，预设 值可以根据需要进行设定，此处不作具体限定。
本发明实施例中，可以通过每个初始土壤水分指标对应的相关系数的绝 对值与最大信息系数的绝对值之间的平均值，选取更加可靠的初始土壤水分 指标作为目标土壤水分指标，以使后续得到的土壤水分降尺度模型的预测结 果更加准确。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度方法，所 述决策树模型包括梯度增强决策树模型。
具体地，本发明实施例中采用的梯度增强决策树(Gradient Boosting DecisionTree，GBDT)模型是一种被广泛用于分类和回归问题，它为异常值 和不平衡数据，并有很强的敏感性，对变量之间的非线性关系可以很好的表达， 还可以解决传统的拟合决策树的问题。它主要构造一组弱决策树学习器，利用 其损失函数的负梯度在每次迭代中拟合损失的近似值，并使残差项变小以实 现回归。
GBDT模型是以Boosting的整合方式将若干个弱学习器整合成性能更加 强大的学习器，有以下特点：(1)Boosting是每轮训练集不变的。(2)在样例 权重和预测函数方面，Boosting是根据每个弱学习器的误差调整样例的权重， 误差越大样例权重越高，预测函数的权重也越高，在叠加的过程中不断减小误 差从而提升模型精度。(3)Boosting在不断迭加过程中逐步减少偏差。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度方法，还 包括：
在得到所述土壤水分降尺度模型之后，对所述土壤水分降尺度模型进行 模型验证操作；所述模型验证操作包括：空间尺度验证、网格尺度验证以及点 尺度验证。
具体地，本发明实施例中，针对土壤水分降尺度模型的准确性，利用A地 土壤水分实测数据、站点数据以及再分析数据运用多角度不同的方法对土壤 水分降尺度模型进行模型验证操作，以证明该土壤水分降尺度方法的实用性 与普适性。
模型验证操作包括：空间尺度验证、网格尺度验证以及点尺度验证。
空间尺度验证：从A地的空间分布来看，大多数地区都保留了与原始 SMAP相似的空间格局，空间细节同时得到改善。经过统计之后，每个尺度下 的不同土壤水分含量对应像元占比相近，不存在强烈的空间变异性。
如图2所示，分别为由上至下的四行图像分别对应于拍摄时间2018/23/04、 2019/10/06、2020/08/12和2018/14/09，每行中从左至右的图像分别为土壤水 分的原始SMAP图像(其空间分辨率为36km)、降尺度结果(其空间分辨率 为1km)和像素分布统计。
网格尺度验证：图3为A地(a)区域内降尺度结果、CLDAS数据和月 站点数据时间序列对比图，图4为A地(b)区域内降尺度结果、CLDAS数 据和月站点数据时间序列对比图，图5为A地(c)区域内降尺度结果、CLDAS 数据和月站点数据时间序列对比图。
针对探究A地不同区域的土壤水分降尺度在时间尺度上的效果，选取三 个不同区域在2017-2020年的站点月均数据与降尺度结果，利用时间序列折线 图的方式进行分析，它可以直观的显示不同区域下不同土壤水分数据集的动 态变化情况。
从区域尺度来衡量一定时间序列下三种土壤水分数据的动态变化情况， 三者的变化规律和变化幅度基本一致，降尺度结果与站点观测数据的一致性 要高于CLDAS数据，后者的含量要明显高于其他三种数据。
点尺度验证：利用实地采样数据来评估土壤水分的降尺度效果，详细的介 绍见表2，可以看出土壤水分降尺度模型从整体上R2较原始SMAP都有所提 升，其中(a)区域一致保持较好的估算能力，(e)区域R2的提升效果最好， 从0.326提升至0.598。在偏差方面，降尺度后的SM偏差小于原始SMAP的 SM，说明在降尺度的过程中，偏差得以改善。
表2降尺度模型与原始SMAP数据的统计指标对比
Figure BDA0003548816380000151
基于土壤水分降尺度模型的SM与实测数据的差异性通过散点密度图也 同样阐明，散点图主要阐述了原始SMAP的SM和实测数据之间的关系，经 过降尺度的过程之后，土壤水分降尺度模型降尺度之后的数据能更好的沿1:1 线分布。
综上所述，本发明实施例中提供的土壤水分降尺度方法，通过计算多种原 始土壤水分指数，包括植被指数、水分指数和/或干旱指数，利用土壤水分与 短波红外波段反射率的负相关关系以及各原始土壤水分指数与SMAP数据之 间的相关系数和最大信息系数，挑选出性能良好的原始土壤水分指数作为土 壤水分降尺度模型的输入，建立基于回归决策树的梯度增强决策树模型，在多 角度长时间序列下的验证过程中得出，该方法的实用性得到保障，准确率较高， 估算效率高，计算成本低。
如图6所示，在上述实施例的基础上，本发明实施例中提供了一种土壤 水分降尺度装置，包括：
获取模块61，用于获取目标区域的第一空间分辨率的第一类地表温度数 据、第一类地表反射率数据以及第一类高程数据；
降尺度模块62，用于基于所述第一类地表反射率数据，计算所述目标区 域的目标土壤水分指标的第一类指标数据，并将所述第一类地表温度数据、所 述第一类指标数据以及所述第一类高程数据输入至土壤水分降尺度模型，得 到所述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二 类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水 分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基 于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述 第一空间分辨率高于所述第二空间分辨率。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，所 述目标土壤水分指标基于所述目标区域的初始土壤水分指标得到；所述初始 土壤水分指标包括干旱指数、水分指数和/或植被指数。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，包 括筛选模块，用于：
基于所述第二类地表反射率数据计算各初始土壤水分指标的第三类指标 数据；
基于所述各初始土壤水分指标的第三类指标数据以及所述第二类土壤水 分数据，确定所述各初始土壤水分指标与土壤水分之间的相关系数以及最大 信息系数；
基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中 筛选得到所述目标土壤水分指标。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，所 述筛选模块，具体用于：
计算每个初始土壤水分指标对应的相关系数的绝对值与最大信息系数的 绝对值之间的平均值，并将所述各初始土壤水分指标中对应的平均值大于预 设值的初始土壤水分指标作为所述目标土壤水分指标。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，所 述干旱指数包括短波红外干旱指数、归一化多波段干旱指数、垂直干旱指数、 修正型垂直干旱指数、第二型修正型垂直干旱指数、荒漠化差值指数以及盐渍 化指数中的至少一项；所述水分指数包括简单比值水分指数、修正短波红外垂 直水分胁迫指数、归一化水体指数、全球植被水分指数以及短波红外垂直水分 胁迫指数中的至少一项；所述植被指数包括垂直植被指数、增强植被指数、植 被指数、差异红外指数6、差异红外指数7、归一化耕作指数、简单耕作指数 以及归一化秸秆指数中的至少一项。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，还 包括验证模块，用于：
在得到所述土壤水分降尺度模型之后，对所述土壤水分降尺度模型进行 模型验证操作；所述模型验证操作包括：空间尺度验证、网格尺度验证以及点 尺度验证。
在上述实施例的基础上，本发明实施例中提供的土壤水分降尺度装置，所 述决策树模型包括梯度增强决策树模型。
具体地，本发明实施例中提供的土壤水分降尺度装置中各模块的作用与 上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致 的，具体参见上述实施例，本发明实施例中对此不再赘述。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备 可以包括：处理器(processor)710、通信接口(Communications Interface)720、存 储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器 730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中 的逻辑指令，以执行上述各实施例中提供的土壤水分降尺度方法，该方法包括： 获取目标区域的第一空间分辨率的第一类地表温度数据、第一类地表反射率 数据以及第一类高程数据；基于所述第一类地表反射率数据，计算所述目标区 域的目标土壤水分指标的第一类指标数据，并将所述第一类地表温度数据、所 述第一类指标数据以及所述第一类高程数据输入至土壤水分降尺度模型，得 到所述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据； 其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二类地 表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水分指 标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基于所 述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述第一 空间分辨率高于所述第二空间分辨率。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实 现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质 中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的 部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件 产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是 个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全 部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁 碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括 计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机 程序被处理器执行时，计算机能够执行上述各实施例中提供的土壤水分降尺 度方法，该方法包括：获取目标区域的第一空间分辨率的第一类地表温度数据、 第一类地表反射率数据以及第一类高程数据；基于所述第一类地表反射率数 据，计算所述目标区域的目标土壤水分指标的第一类指标数据，并将所述第一 类地表温度数据、所述第一类指标数据以及所述第一类高程数据输入至土壤 水分降尺度模型，得到所述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据；其中，所述土壤水分降尺度模型基于目标区域的第二空间 分辨率的第二类地表温度数据、第二类高程数据、第二类土壤水分数据以及所 述目标土壤水分指标的第二类指标数据，对决策树模型训练得到，且所述第二 类指标数据基于所述目标区域的第二空间分辨率的第二类地表反射率数据计 算得到，所述第一空间分辨率高于所述第二空间分辨率。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计 算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的 土壤水分降尺度方法，该方法包括：获取目标区域的第一空间分辨率的第一类 地表温度数据、第一类地表反射率数据以及第一类高程数据；基于所述第一类 地表反射率数据，计算所述目标区域的目标土壤水分指标的第一类指标数据， 并将所述第一类地表温度数据、所述第一类指标数据以及所述第一类高程数 据输入至土壤水分降尺度模型，得到所述土壤水分降尺度模型输出的第一空 间分辨率的第一类土壤水分数据；其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二类地表温度数据、第二类高程数据、第二类土壤水 分数据以及所述目标土壤水分指标的第二类指标数据，对决策树模型训练得 到，且所述第二类指标数据基于所述目标区域的第二空间分辨率的第二类地 表反射率数据计算得到，所述第一空间分辨率高于所述第二空间分辨率。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明 的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或 者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单 元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方 案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解 并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图 和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程 和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、 嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通 过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的 装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器 中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或 多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上， 使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的 处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图 一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。 这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教 导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解 释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并 利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发 明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种土壤水分降尺度方法，其特征在于，包括：
获取目标区域的第一空间分辨率的第一类地表温度数据、第一类地表反射率数据以及第一类高程数据；
基于所述第一类地表反射率数据，计算所述目标区域的目标土壤水分指标的第一类指标数据，并将所述第一类地表温度数据、所述第一类指标数据以及所述第一类高程数据输入至土壤水分降尺度模型，得到所述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述第一空间分辨率高于所述第二空间分辨率。
2.根据权利要求1所述的土壤水分降尺度方法，其特征在于，所述目标土壤水分指标基于所述目标区域的初始土壤水分指标得到；所述初始土壤水分指标包括干旱指数、水分指数和/或植被指数。
3.根据权利要求2所述的土壤水分降尺度方法，其特征在于，所述目标土壤水分指标基于如下方法得到：
基于所述第二类地表反射率数据计算各初始土壤水分指标的第三类指标数据；
基于所述各初始土壤水分指标的第三类指标数据以及所述第二类土壤水分数据，确定所述各初始土壤水分指标与土壤水分之间的相关系数以及最大信息系数；
基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中筛选得到所述目标土壤水分指标。
4.根据权利要求3所述的土壤水分降尺度方法，其特征在于，所述基于所述相关系数以及所述最大信息系数，从所述初始土壤水分指标中筛选得到所述目标土壤水分指标，包括：
计算每个初始土壤水分指标对应的相关系数的绝对值与最大信息系数的绝对值之间的平均值，并将所述各初始土壤水分指标中对应的平均值大于预设值的初始土壤水分指标作为所述目标土壤水分指标。
5.根据权利要求2所述的土壤水分降尺度方法，其特征在于，所述干旱指数包括短波红外干旱指数、归一化多波段干旱指数、垂直干旱指数、修正型垂直干旱指数、第二型修正型垂直干旱指数、荒漠化差值指数以及盐渍化指数中的至少一项；所述水分指数包括简单比值水分指数、修正短波红外垂直水分胁迫指数、归一化水体指数、全球植被水分指数以及短波红外垂直水分胁迫指数中的至少一项；所述植被指数包括垂直植被指数、增强植被指数、植被指数、差异红外指数6、差异红外指数7、归一化耕作指数、简单耕作指数以及归一化秸秆指数中的至少一项。
6.根据权利要求1-5中任一项所述的土壤水分降尺度方法，其特征在于，还包括：
在得到所述土壤水分降尺度模型之后，对所述土壤水分降尺度模型进行模型验证操作；所述模型验证操作包括：空间尺度验证、网格尺度验证以及点尺度验证。
7.根据权利要求1-5中任一项所述的土壤水分降尺度方法，其特征在于，所述决策树模型包括梯度增强决策树模型。
8.一种土壤水分降尺度装置，其特征在于，包括：
获取模块，用于获取目标区域的第一空间分辨率的第一类地表温度数据、第一类地表反射率数据以及第一类高程数据；
降尺度模块，用于基于所述第一类地表反射率数据，计算所述目标区域的目标土壤水分指标的第一类指标数据，并将所述第一类地表温度数据、所述第一类指标数据以及所述第一类高程数据输入至土壤水分降尺度模型，得到所述土壤水分降尺度模型输出的第一空间分辨率的第一类土壤水分数据；
其中，所述土壤水分降尺度模型基于目标区域的第二空间分辨率的第二类地表温度数据、第二类高程数据、第二类土壤水分数据以及所述目标土壤水分指标的第二类指标数据，对决策树模型训练得到，且所述第二类指标数据基于所述目标区域的第二空间分辨率的第二类地表反射率数据计算得到，所述第一空间分辨率高于所述第二空间分辨率。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述土壤水分降尺度方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述土壤水分降尺度方法的步骤。
CN202210256638.6A 2022-03-16 2022-03-16 土壤水分降尺度方法、装置、电子设备及存储介质 Pending CN114611699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210256638.6A CN114611699A (zh) 2022-03-16 2022-03-16 土壤水分降尺度方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210256638.6A CN114611699A (zh) 2022-03-16 2022-03-16 土壤水分降尺度方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114611699A true CN114611699A (zh) 2022-06-10

Family

ID=81862617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210256638.6A Pending CN114611699A (zh) 2022-03-16 2022-03-16 土壤水分降尺度方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114611699A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307383A (zh) * 2023-03-15 2023-06-23 中国烟草总公司重庆市公司烟叶分公司 一种基于生态平衡的土地精细化保育改良方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307383A (zh) * 2023-03-15 2023-06-23 中国烟草总公司重庆市公司烟叶分公司 一种基于生态平衡的土地精细化保育改良方法及系统
CN116307383B (zh) * 2023-03-15 2023-11-07 中国烟草总公司重庆市公司烟叶分公司 一种基于生态平衡的土地精细化保育改良方法及系统

Similar Documents

Publication Publication Date Title
Lu et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems
Thapa et al. Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
Garioud et al. Recurrent-based regression of Sentinel time series for continuous vegetation monitoring
CN110427995B (zh) 一种基于多源遥感数据的贝叶斯土壤水分估算方法
Moreno et al. Mapping daily global solar irradiation over Spain: a comparative study of selected approaches
Zhang et al. Estimating soil salinity with different fractional vegetation cover using remote sensing
Chen et al. Estimating soil moisture over winter wheat fields during growing season using machine-learning methods
CN110287457B (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
Odebiri et al. Deep learning-based national scale soil organic carbon mapping with Sentinel-3 data
Montzka et al. Modelling the water balance of a mesoscale catchment basin using remotely sensed land cover data
Jia et al. Rice biomass retrieval from multitemporal ground-based scatterometer data and RADARSAT-2 images using neural networks
CN114740180A (zh) 基于多源遥感数据的土壤有机碳估算方法及装置
WO2018107245A1 (en) Detection of environmental conditions
CN112861435B (zh) 一种红树林质量遥感反演方法及智能终端
CN114926748A (zh) Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法
CN114140591B (zh) 一种结合机器学习和地统计的土壤有机质遥感制图方法
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
CN115796344A (zh) 一种区域尺度上森林植被碳储量的估算方法
CN114062439B (zh) 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
Qi et al. Soil salinity inversion in coastal cotton growing areas: An integration method using satellite‐ground spectral fusion and satellite‐UAV collaboration
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
Garg et al. Digital mapping of soil landscape parameters

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