CN115235997A - 一种基于卫星高光谱影像的土壤质地反演方法 - Google Patents
一种基于卫星高光谱影像的土壤质地反演方法 Download PDFInfo
- Publication number
- CN115235997A CN115235997A CN202210778069.1A CN202210778069A CN115235997A CN 115235997 A CN115235997 A CN 115235997A CN 202210778069 A CN202210778069 A CN 202210778069A CN 115235997 A CN115235997 A CN 115235997A
- Authority
- CN
- China
- Prior art keywords
- satellite
- hyperspectral
- data
- soil
- soil texture
- 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 133
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 24
- 238000005527 soil sampling Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 11
- 239000004016 soil organic matter Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000007705 chemical test Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013098 chemical test method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卫星高光谱影像的土壤质地反演方法,属于地质勘察技术领域,包括:(1)卫星高光谱影像获取及预处理、(2)表层土壤样品采集并获取土壤质地参数、(3)采样点位卫星高光谱数据获取及处理、(4)土壤质地参数与卫星高光谱数据的相关性分析、(5)构建土壤质地参数高光谱反演模型、(6)对模型参数的计算结果进行验证和优化、(7)获取并输出土壤质地参数反演结果。本发明突破了常规使用的土壤质地空间插值估测方法,借助高光谱卫星载荷获取了真实的土壤颗粒散射和反射信息,反演模型的精度和稳定性表现良好,使得本发明方法适用性更强,提高了大幅宽区域中不同土壤类型的质地估测准确度,也提高了土壤质地调查的工作效率。
Description
技术领域
本发明涉及地质勘察技术领域,尤其涉及一种基于卫星高光谱影像的土壤质地反演方法。
背景技术
土壤质地是土壤物理性质之一,代表土壤中不同大小的矿物颗粒的组合状况。土壤质地与土壤通气、保肥、保水及耕作方式等有密切关系,也是土壤利用、管理、改良的重要依据。土壤质地的监测和改良是国家进行土地整治和高标准农田建设等工作中的重要部分,关系到土壤墒情、耕犁播种、配比施肥等多个农业生产环节。传统的土壤质地调查方法一般要消耗大量的时间和人力、物力、财力去进行实地采样和测试分析,获取的数据不连续,难以满足大范围、高效率的土壤质地监测需求。普通的多光谱卫星遥感数据也难以满足土壤性质的定量研究和反演,使得利用遥感技术对土壤质地进行监测难以实施。近年来,随着多颗高光谱卫星的发射和使用,星载高光谱遥感技术以其大幅宽、快重访、高信噪比、低成本等优势为土壤质地监测和反演提供了新的途径。不同土壤质地对光线的散射和反射各有不同,高光谱分辨率的遥感数据很精细地捕捉了这些光谱信息,从而为土壤质地的大范围快速遥感监测提供了数据支撑。
目前高光谱遥感技术通过卫星,飞机,无人机,移动车载设备等对土壤进行高效率扫描形成高光谱图像,从而用图像以面带点的表示土壤成分及其变化趋势的方法已有许多案例。现有技术中,土壤质地的反演方法主要有空间插值法、遥感经验指数法和遥感多源回归分析法等,其中空间插值法无需遥感影像数据,通过土壤数据的趋势面分析进行反距离权重或普通克里金插值。遥感经验指数法主要针对多光谱遥感数据,利用多种土壤光谱经验指数的计算值来建模,上述方法均难以准确定量分析。基于高光谱的遥感反演方法是利用遥感数据建立多因素模型,从而对土壤参数进行研究的热点技术,例如在可见光和近红外波段中土壤有机质含量具有特定的光谱特性,即土壤有机质含量越高,整体反射率越低,特征波段吸收强度越明显。遥感反演方法的显著优势在于其能够开展区域尺度、大范围连续的土壤理化性质时空变化研究,但是其在土壤质地方面的应用还未见报道。
中国专利CN202011165167.5公开了一种机载高光谱土壤信息反演方法,包括:(1)对机载光谱原始数据进行几何校正、辐射校正和大气校正,生成机载高光谱反射率图像数据;(2)在机载高光谱反射率图像数据上生成土壤采样点图像光谱库;(3)对土壤采样点图像光谱库筛选出与采样点地面测量光谱最接近的图像光谱集合;(4)构建高光谱土壤地化信息矩阵,计算土壤信息回归方程;(5)采用筛选出的土壤采样点图像光谱集合,对机载高光谱反射率图像数据进行光谱角分类;生成掩模后的图像反射率数据;(6)将掩模后的图像反射率数据,根据土壤信息的回归方程计算,获取土壤信息反演结果。该方法使用机载高光谱获取土壤信息,成本投入大、效率低,数据代表性有限,不易于大范围推广。
中国专利CN201910718391.3公开了一种基于地面高光谱的土壤有机质含量定量反演方法包括以下步骤:步骤1、采集土壤样品;步骤2、采用地物光谱仪采集土壤样品的卫星高光谱影像,并采用平滑曲线方法进行去噪预处理;步骤3、对土壤样品的有机质含量进行化学测试分析,以获得对应土壤样本有机质含量数据;步骤4、将经过预处理的土壤高光谱曲线数据与化学测试分析后的土壤有机质化学分析数据进行相关性分析,选择相关性系数较大的前若干个反射率光谱作为特征光谱;步骤5、将卫星高光谱影像中的特征光谱采用动态参数多元回归法得到土壤有机质拟合模型,用以拟合整个区域的土壤有机质含量。该方法获取的土壤有机质含量因耕作方式、作物种类、季节更替等因素变化较大,需要长期进行土壤采样与化学测试,成本高、投入大,不适用于土壤质地的反演需求。
因此,需要研究一种基于卫星高光谱影像的土壤质地反演方法,克服传统的长期大量实地采样并测试分析后用空间插值方法或不适用的光谱特征波段参数反演方法来估测土壤质地而带来的投入大、效率低、精度差、不易推广等诸多问题,以方便大面积、高效连续的对固定区域的土壤质地进行高光谱卫星遥感反演和监测。
发明内容
本发明的目的是针对现有技术不足,提供一种基于卫星高光谱影像的土壤质地反演方法,该方法基于高光谱卫星遥感数据进行土壤质地反演主要采用高光谱多源回归分析法,构建多因变量对多自变量的回归模型,解决了现有技术中实地采样分析方法投入大、效率低、数据不连续、多光谱难定量等多个技术问题本发明包括以下步骤:
步骤1,卫星高光谱影像获取及预处理:获取目标区域卫星高光谱影像,对所述卫星高光谱影像进行预处理;
步骤2,表层土壤样品采集并获取土壤质地参数:在目标区域中按一定间隔均匀的采集n个具有代表性的采样点位采集表层土壤样品并记录采样点位信息,检测表层土壤样品中砂粒、粉粒、粘粒的含量进行土壤质地参数测试分析;
步骤3,采样点位卫星高光谱影像获取及处理:选取步骤2中的70%-80%*n个土壤采样点信息作为建模数据和步骤1中预处理后的高光谱卫星遥感影像进行数据连接,提取土壤采样点所在像元的卫星高光谱数据,导出采样点位的卫星高光谱数据并进行异常值剔除和滤波平滑处理;
步骤4,土壤质地参数与卫星高光谱数据相关性分析:对步骤2中获取的土壤质地参数数据和卫星高光谱波段数据进行相关性分析和统计分析,根据统计分析结果剔除异常值,建立土壤质地参数与卫星高光谱反射率数据矩阵;
步骤5,构建土壤质地参数高光谱反演模型:采用偏最小二乘法对土壤质地参数与不同波段的卫星高光谱数据矩阵最小化误差的平方和找到每一组数据的最佳函数匹配,根据土壤质地参数与卫星高光谱数据矩阵计算的实际情况调节波段参数选择范围,根据拟合结果确定合适的模型参数;
步骤6,对模型参数的计算结果进行验证和优化:取步骤2中的20%-30%*n个土壤采样点信息作为验证数据,将验证数据带入步骤5的模型参数中,获取土壤质地参数估算结果,与验证数据的实际土壤质地参数进行对比,评估模型的实际表现,根据反演精度要求适当调整模型参数,最终确定最优的模型参数;
步骤7,获取并输出土壤质地参数反演结果:将步骤6最后确定的最优模型参数编译为运算代码对目标区域的卫星高光谱影像数据进行反演计算,输出土壤质地参数反演结果。
在本发明的有的实施例中,本发明的卫星高光谱影像的土壤质地反演方法的步骤1中卫星高光谱影像来自高分五号或者资源一号02D等卫星的AHSI可见短波红外高光谱相机载荷。
在本发明的有的实施例中,本发明的卫星高光谱影像的土壤质地反演方法的步骤1中预处理包括:
步骤1.1,辐射校正:对所述卫星高光谱影像进行辐射校正获得高光谱辐射亮度数据;
步骤1.2,大气校正:运用ENVI软件中的FLAASH大气纠正模块对辐射校正后的高光谱辐射亮度数据进行大气校正,得到高光谱影像反射率数据;
步骤1.3,几何校正:通过选取控制点对得到的高光谱影像反射率数据进行几何校正。
在本发明的有的实施例中,本发明的卫星高光谱影像的土壤质地反演方法的步骤3中采用ArcGIS软件将建模数据和预处理后的高光谱卫星遥感影像进行数据连接,提取土壤采样点所在像元的卫星高光谱反射率数据至点文件中,导出采样点位的卫星高光谱数据并进行异常值剔除和滤波平滑处理。
在本发明的有的实施例中,本发明的卫星高光谱影像的土壤质地反演方法的步骤4中采用SPSS数学分析软件对土壤质地参数数据和卫星高光谱反射率数据进行相关性分析和统计分析,根据统计分析结果剔除超过3σ的异常值,建立土壤质地参数与采样点位的卫星高光谱反射率数据矩阵。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果:
本发明的一种基于卫星高光谱影像的土壤质地反演方法包括:(1)卫星高光谱影像获取及预处理、(2)表层土壤样品采集并获取土壤质地参数、(3)采样点位卫星高光谱影像获取及处理、(4)土壤质地参数与卫星高光谱像元反射率相关性分析、(5)构建土壤质地参数高光谱反演模型、(6)对模型参数的计算结果进行验证和优化、(7)获取并输出土壤质地参数反演结果。本发明突破了常规使用的土壤质地空间插值估测方法,借助高光谱卫星载荷获取了真实的土壤颗粒散射和反射信息,反演模型的精度和稳定性表现良好,使得本发明方法适用性更强,同时极大地减少了地面采样工作投入的人力、物力、财力,显著提高了大幅宽区域中不同土壤类型的质地估测准确度,也提高了土壤质地调查的工作效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定:
图1为本发明的卫星高光谱影像的土壤质地反演方法的流程图;
图2为某研究区土壤质地卫星高光谱反演结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图,详细说明本发明各实施例提供的技术方案。
参照图1,本发明实施例提供一种基于卫星高光谱影像的土壤质地反演方法,该方法基于高光谱卫星遥感数据进行土壤质地反演主要采用高光谱多源回归分析法,构建多因变量对多自变量的回归模型具体步骤如下:
步骤1,卫星高光谱影像获取及预处理:采用高分五号卫星或者资源一号02D卫星高光谱成像载荷获取目标区域卫星高光谱影像,对所述卫星高光谱影像进行预处理,对所述卫星高光谱影像进行辐射校正获得高光谱辐射亮度数据;运用ENVI软件中的FLAASH大气纠正模块对辐射校正后的高光谱辐射亮度数据进行大气校正,得到高光谱影像反射率数据;通过选取控制点对得到的高光谱影像反射率数据进行几何校正,获取覆盖研究区的60km幅宽和30m空间分辨率的高光谱反射率影像。
步骤2,表层土壤样品采集并获取土壤质地参数:在目标区域中按不低于1个点/km2的间隔均匀的采集若干具有代表性的表层土壤样品并记录采样点位信息,检测表层土壤样品中砂粒、粉粒、粘粒的含量进行土壤质地(见表1)参数测试分析。
表1 卡庆斯基制土壤质地分类标准
步骤3,采样点位卫星高光谱反射率数据获取及处理:选取步骤2中的70%-80%*n个土壤采样点信息作为建模数据,采用ArcGIS软件将建模数据和步骤1中预处理后的高光谱卫星遥感影像进行数据连接,提取土壤采样点所在像元的卫星高光谱反射率数据至点文件中,导出采样点位的卫星高光谱数据后剔除数据异常波段和水汽吸收波段并进行Savitzky-Golay滤波平滑处理;
步骤4,土壤质地参数与卫星高光谱数据相关性分析:采用SPSS数学分析软件对步骤2中获取的土壤质地参数数据和卫星高光谱波段数据进行相关性分析和统计分析,根据统计分析结果剔除超过3σ的异常值,建立土壤质地参数与卫星高光谱反射率矩阵,如表2所示。
表2土壤质地参数与卫星高光谱反射率矩阵示意表
步骤5,构建土壤质地参数高光谱反演模型:采用偏最小二乘法对土壤质地参数与不同波段的卫星高光谱反射率数据矩阵最小化误差的平方和找到每一组数据的最佳函数匹配,根据土壤质地参数与卫星高光谱数据矩阵计算的实际情况调节波段参数选择范围,根据拟合结果确定合适的模型参数;
步骤6,对模型参数的计算结果进行验证和优化:取步骤2中的20%-30%*n个土壤采样点信息作为验证数据,将验证数据带入步骤5的模型参数中,获取土壤质地参数估算结果,与验证数据的实际土壤质地参数进行对比,评估模型的实际表现,根据反演精度要求适当调整模型参数,最终确定最优的土壤质地高光谱遥感反演模型。以土壤质地中的砂粒含量反演为例,10波段的预测模型其决定系数可达到0.8左右。该模型如下所示:
Y=a1*R 430.2 +a2*R 1408.5 +a3*R 1357.9 +a4*R 438.6 +a5*R 447.1 +a6*R 559.2 +a7*R 1425.3 +a8* R 507.7 +a9*R 731.0 +a10*R 1812.0 +b
其中Y是土壤质地中的砂粒含量预测值,R是对应其下标位置的波段反射率,a1-a10是各波段反射率的拟合系数,b是偏移值。
步骤7,获取并输出土壤质地参数反演结果:将步骤6最后确定的最优模型参数编译为运算代码对目标区域的卫星高光谱影像数据进行反演计算,输出土壤质地参数反演结果如图2所示。利用ArcGIS软件进行彩色制图可以更好的区分出土壤质地卫星高光谱反演结果的差异。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种基于卫星高光谱影像的土壤质地反演方法,其特征在于,包括以下步骤:
步骤1,卫星高光谱影像获取及预处理:获取目标区域卫星高光谱影像,对所述卫星高光谱影像进行预处理;
步骤2,表层土壤样品采集并获取土壤质地参数:在目标区域中按一定间隔均匀的采集n个具有代表性的采样点位采集表层土壤样品并记录采样点位信息,检测表层土壤样品中砂粒、粉粒、粘粒的含量进行土壤质地参数测试分析;
步骤3,采样点位卫星高光谱数据获取及处理:选取步骤2中的70%-80%*n个土壤采样点信息作为建模数据和步骤1中预处理后的高光谱卫星遥感影像进行数据连接,提取土壤采样点所在像元的卫星高光谱数据,导出采样点位的卫星高光谱反射率数据并进行异常值剔除和滤波平滑处理;
步骤4,土壤质地参数与卫星高光谱数据相关性分析:对步骤2中获取的土壤质地参数数据和卫星高光谱波段数据进行相关性分析和统计分析,根据统计分析结果剔除异常值,建立土壤质地参数与卫星高光谱反射率数据矩阵;
步骤5,构建土壤质地参数高光谱反演模型:采用偏最小二乘法对土壤质地参数与不同波段的卫星高光谱数据矩阵最小化误差的平方和找到每一组数据的最佳函数匹配,根据土壤质地参数与卫星高光谱数据矩阵计算的实际情况调节波段参数选择范围,根据拟合结果确定合适的模型参数;
步骤6,对模型参数的计算结果进行验证和优化:取步骤2中的20%-30%*n个土壤采样点信息作为验证数据,将验证数据带入步骤5的模型参数中,获取土壤质地参数估算结果,与验证数据的实际土壤质地参数进行对比,评估模型的实际表现,根据反演精度要求适当调整模型参数,最终确定最优的模型参数;
步骤7,获取并输出土壤质地参数反演结果:将步骤6最后确定的最优模型参数编译为运算代码对目标区域的卫星高光谱影像数据进行反演计算,输出土壤质地参数反演结果。
2.根据权利要求1所述的一种基于卫星高光谱影像的土壤质地反演方法,其特征在于,所述步骤1中卫星高光谱影像来自高分五号或者资源一号02D等卫星的AHSI可见短波红外高光谱相机。
3.根据权利要求1所述的一种基于卫星高光谱影像的土壤质地反演方法,其特征在于,所述步骤1中预处理包括:
步骤1.1,辐射校正:对所述卫星高光谱影像进行辐射校正获得高光谱辐射亮度数据;
步骤1.2,大气校正:运用ENVI软件中的FLAASH大气纠正模块对辐射校正后的高光谱辐射亮度数据进行大气校正,得到高光谱影像反射率数据;
步骤1.3,几何校正:通过选取控制点对得到的高光谱影像反射率数据进行几何校正。
4.根据权利要求1所述的一种基于卫星高光谱影像的土壤质地反演方法,其特征在于,所述步骤3中采用ArcGIS软件将建模数据和预处理后的高光谱卫星遥感影像进行数据连接,提取土壤采样点所在像元的卫星高光谱反射率数据至点文件中,导出采样点位的卫星高光谱数据并进行异常值剔除和滤波平滑处理。
5.根据权利要求1所述的一种基于卫星高光谱影像的土壤质地反演方法,其特征在于,所述步骤4中采用SPSS数学分析软件对土壤质地参数数据和卫星高光谱波段数据进行相关性分析和统计分析,根据统计分析结果剔除超过3σ的异常值,建立土壤质地参数与卫星高光谱反射率数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778069.1A CN115235997A (zh) | 2022-07-04 | 2022-07-04 | 一种基于卫星高光谱影像的土壤质地反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778069.1A CN115235997A (zh) | 2022-07-04 | 2022-07-04 | 一种基于卫星高光谱影像的土壤质地反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115235997A true CN115235997A (zh) | 2022-10-25 |
Family
ID=83671348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210778069.1A Pending CN115235997A (zh) | 2022-07-04 | 2022-07-04 | 一种基于卫星高光谱影像的土壤质地反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115235997A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830472A (zh) * | 2023-01-12 | 2023-03-21 | 北京英视睿达科技股份有限公司 | 一种城市复杂下垫面甲烷排放源识别方法 |
CN116562161A (zh) * | 2023-05-17 | 2023-08-08 | 中国矿业大学 | 一种黑土可蚀性的反演模型构建方法 |
CN116952849A (zh) * | 2023-08-01 | 2023-10-27 | 中国科学院东北地理与农业生态研究所 | Msi的表层土壤质地反演方法 |
CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
-
2022
- 2022-07-04 CN CN202210778069.1A patent/CN115235997A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830472A (zh) * | 2023-01-12 | 2023-03-21 | 北京英视睿达科技股份有限公司 | 一种城市复杂下垫面甲烷排放源识别方法 |
CN116562161A (zh) * | 2023-05-17 | 2023-08-08 | 中国矿业大学 | 一种黑土可蚀性的反演模型构建方法 |
CN116952849A (zh) * | 2023-08-01 | 2023-10-27 | 中国科学院东北地理与农业生态研究所 | Msi的表层土壤质地反演方法 |
CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
CN117688835B (zh) * | 2023-12-11 | 2024-06-04 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
Schlerf et al. | Retrieval of chlorophyll and nitrogen in Norway spruce (Picea abies L. Karst.) using imaging spectroscopy | |
Jin et al. | Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration | |
Fang | Canopy clumping index (CI): A review of methods, characteristics, and applications | |
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
Lu et al. | Prediction of soil properties using laboratory VIS–NIR spectroscopy and Hyperion imagery | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
Sehgal et al. | Inversion of radiative transfer model for retrieval of wheat biophysical parameters from broadband reflectance measurements | |
Shukla et al. | An Overview of Hyperspectral Remote Sensing and its applications in various Disciplines | |
CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
Lavanya et al. | Terrain mapping of LandSat8 images using MNF and classifying soil properties using ensemble modelling | |
Li et al. | Assessing a soil-removed semi-empirical model for estimating leaf chlorophyll content | |
CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
Du et al. | Application of spectral indices and reflectance spectrum on leaf nitrogen content analysis derived from hyperspectral LiDAR data | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN112434569A (zh) | 一种无人机热成像系统 | |
Liu et al. | Combining spatial and spectral information to estimate chlorophyll contents of crop leaves with a field imaging spectroscopy system | |
Sahoo et al. | Drone remote sensing of wheat N using hyperspectral sensor and machine learning | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Jiang et al. | Analyzing the spatial scaling bias of rice leaf area index from hyperspectral data using wavelet–fractal technique |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Building 16, Zilang Technology City, No. 60 Chongzhou Avenue, Innovation Zone, Nantong City, Jiangsu Province, 226009 Applicant after: Nantong Yangtze River Delta Intelligent Perception Research Institute Address before: Building 16, Zilang Technology City, No. 60 Chongzhou Avenue, Innovation Zone, Nantong City, Jiangsu Province, 226009 Applicant before: Nantong Institute of intelligent perception Country or region before: China |
|
CB02 | Change of applicant information |