CN115346120A - 一种草地地上生物量及其固碳量遥感估算方法 - Google Patents
一种草地地上生物量及其固碳量遥感估算方法 Download PDFInfo
- Publication number
- CN115346120A CN115346120A CN202210979267.4A CN202210979267A CN115346120A CN 115346120 A CN115346120 A CN 115346120A CN 202210979267 A CN202210979267 A CN 202210979267A CN 115346120 A CN115346120 A CN 115346120A
- Authority
- CN
- China
- Prior art keywords
- area
- vegetation
- grassland
- coverage
- lai
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种草地地上生物量及其固碳量遥感估算方法,包括:获取工作区域的植被生长旺盛期的高分辨率遥感数据和时间序列的中分辨率遥感数据;获取土地利用数据,进而获得草地的分布区域;基于遥感数据获取植被指数,基于分布区域与植被指数获取植被区域;基于归一化植被指数对植被区域覆盖程度进行划分;选择满足不同覆盖程度的植被指数协同计算叶面积植被指数;基于叶面积植被指数进行草地生物量和固碳量估算;本发明在充分考虑高分辨率和中等分辨率遥感的优势和各种植被指数适用性,以及时间序列的植被动态特征的基础上,提出一种草地生物量遥感反演方法及其固碳量的估算方法,提高草地生物量及其固碳量估算结果的准确性。
Description
技术领域
本发明属于生态学和遥感领域,特别是涉及一种草地地上生物量及其固碳量遥感估算方法。
背景技术
面向草地生物量及其每年的固碳量估算和管理,进行有效的生物量估算和固碳量估算,对于草地管理、冷冻灾害风险预测及释氧固碳、营养物质维持、生物多样性保护等林地生态效益估算等具有重要意义。然而,对于区域尤其是干旱半干旱地区相对复杂的下垫面,有效的获取地上生物量与固碳信息具有一定的难度。
目前,遥感技术进入快速发展的阶段,其光谱、空间和时间分辨率的不断提高,使之在资源环境领域得到有效的应用,为大面积草地信息的提取提供有效的支撑。然而,草地不但包括草地类型而且也包括极高覆盖、高覆盖、中等覆盖、低覆盖和极低覆盖程度的草地,由于草地生物量的复杂性,在草地生物量的高精度的估算还有一定的难度。
虽然,目前遥感数据的时空谱尺度不断提高,时间分辨率的提高可以以更高频率获取草地信息,空间分辨率的提高可以更精细的识别草地的空间分布,光谱波段分辨率的提高可以更加精准的获得植被的光谱信息,已得到更高的生物量反演精度。然而,对于存在不同覆盖程度的草地,精准的反演获得草地的生物量还具有一定的难度,其主要原因是目前获得植被覆盖信息主要通过遥感的红光和近红外波段为主的信息,通过相应的辐射传输模型或者植被指数反演植被覆盖程度,进而得到高精度的生物量。目前,植被指数法是反演草地生物量最有效的方法之一,然而,当面向覆盖程度差异比较大的草地还需要进一步优化模型和方法。
目前,应用遥感的技术提取草地植被覆盖的方法中,植被指数是比较有效的方法,然而由于近红外波段和红光波段在面向高覆盖和低覆盖的时候,模型具有一定的局限性,导致目前应用植被指数获得草地生物量及其固碳量估算结果具有较大的不确定性。
发明内容
本发明的目的是提供一种草地地上生物量及其固碳量遥感估算方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种草地地上生物量及其固碳量遥感估算方法,包括:
获取工作区域中植被生长旺盛期的高分辨率遥感数据和时间序列的中分辨率遥感数据;
基于所述中分辨率遥感数据获取近年的土地利用数据,基于所述土地利用数据获得草地的分布区域;
基于所述高分辨率遥感数据获取归一化植被指数,基于所述分布区域与所述归一化植被指数获取植被区域;
基于所述归一化植被指数对所述植被区域覆盖程度进行划分;
选择满足不同覆盖程度的植被指数协同计算叶面积植被指数;
选择估算生物量的时间点,基于所述叶面积植被指数进行草地生物量估算;
基于所述叶面积植被指数估算草地固碳量。
可选的,所述高分辨率的遥感数据分辨率范围为0.3-5m,所述中分辨率遥感数据包括20-40m的高光谱或者多光谱数据。
可选的,所述获取植被区域的过程包括:采用NDVI阈值法进行植被区域提取,当NDVI大于等于固定值时,为植被覆盖区,小于固定值时,为非植被覆盖区,其中,所述固定值为预设值。
可选的,所述植被区域按照覆盖程度分为低覆盖草地区域、中等覆盖草地区域、中高覆盖草地区域和高覆盖草地区域。
可选的,所述选择满足不同覆盖程度的植被指数的过程包括:应用PVI指数估算低覆盖草地区域的LAI,应用NDVI计算中等覆盖草地区域的LAI,应用EVI估算中高覆盖草地区域的LAI,其中,LAI为叶面积植被指数,PVI为垂直植被指数,EVI为增强植被指数。
可选的,所述高覆盖草地区域的LAI计算公式为:LAIh=b3.(1+vt),其中,LAIh为监测时间点t的高覆盖的草地LAI,b3为中高覆盖草地范围内的最高LAI值,vt为时间t-t0的时间区间叶面积指数增长速率,bi为监测时间点t的草地中高或中等或低覆盖的LAI值,b0为监测时间点t0的草地中高或中等或低覆盖的LAI值。
可选的,所述草地生物量估算过程包括:设草地生物量与LAI存在线性关系,则有:BM(LAI)=d.LAI+e,其中,BM(LAI)为单位面积草地生物量估算值,d和e为系数和截距,基于草地类型和所属区域确定d和e。
可选的,所述草地固态量估算公式为:GT=ε.BM(LAI).s,其中,GT为包括不同覆盖程度的草地的固碳总量,ε为生物量转化为碳的折算系数,s为草地的面积。
本发明的技术效果为:
在充分考虑高分辨率和中等分辨率遥感的优势和各种植被指数适用性,以及时间序列的植被动态特征的基础上,提出一种草地生物量遥感反演方法及其固碳量的估算方法,提高草地生物量及其固碳量估算结果的准确性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种草地地上生物量及其固碳量遥感估算方法,包括:
获取工作区域中植被生长旺盛期的高分辨率遥感数据和时间序列的中分辨率遥感数据;
获取近年的土地利用数据,基于土地利用数据获得草地的分布区域;
基于遥感数据获取归一化植被指数,基于分布区域与归一化植被指数获取植被区域;
基于归一化植被指数对植被区域覆盖程度进行划分;
选择满足不同覆盖程度的植被指数协同计算叶面积植被指数;
选择估算生物量的时间点,基于叶面积植被指数进行草地生物量估算;
基于叶面积植被指数估算草地固碳量。
可选的,高分辨率的遥感数据分辨率范围为0.3-5m,中分辨率遥感数据包括20-40m的高光谱或者多光谱数据。
可选的,获取植被区域的过程包括:采用NDVI阈值法进行植被区域提取,当NDVI大于等于固定值时,为植被覆盖区,小于固定值时,为非植被覆盖区,其中,固定值为预设值。
可选的,植被区域按照覆盖程度分为低覆盖草地区域、中等覆盖草地区域、中高覆盖草地区域和高覆盖草地区域。
可选的,选择满足不同覆盖程度的植被指数的过程包括:应用PVI指数估算低覆盖草地区域的LAI,应用NDVI计算中等覆盖草地区域的LAI,应用EVI估算中高覆盖草地区域的LAI,其中,LAI为叶面积植被指数,PVI为垂直植被指数,EVI为增强植被指数。
可选的,高覆盖草地区域的LAI计算公式为:LAIh=b3.(1+vt),其中,LAIh为监测时间点t的高覆盖的草地LAI,b3为中高覆盖草地范围内的最高LAI值,vt为时间t-t0的时间区间叶面积指数增长速率,bi为监测时间点t的草地中高或中等或低覆盖的LAI值,b0为监测时间点t0的草地中高或中等或低覆盖的LAI值。
可选的,草地生物量估算过程包括:设草地生物量与LAI存在线性关系,则有:BM(LAI)=d.LAI+e,其中,BM(LAI)为单位面积草地生物量估算值,d和e为系数和截距。
可选的,草地固态量估算公式为:GT=ε.BM(LAI).s,其中,GT为不同覆盖的草地固碳总量,ε为生物量转化为碳的折算系数,s为草地的面积。
实施例二
1.数据准备
获取工作区域的植被生长旺盛期的高分辨率的遥感数据和时间序列的中分辨率遥感数据。高分辨率的遥感数据根据区域情况,可以选择0.3-5m分辨率不等;中分辨率的遥感数据可以视工作区情况可以选择20-40m不等的高光谱或多光谱数据。
选择近年的土地利用的数据,并通过土地利用数据获得草地的分布区域。
2.植被区域获取
提取植被区域,主要采用NDVI阈值法,即:NDVI≥a1时,判断为植被覆盖区,否则为非植被覆盖区。
NDVI为归一化植被指数,Rnir为近红外波段的反射率,Rr为红波段的反射率。
3.根据NDVI数值确定所采用的植被指数和区段阈值的确定
根据NDVI数值,将LAI划分为低覆盖的LAI、中等覆盖的LAI、中高覆盖的LAI和高覆盖的LAI。参照相关研究,确定,低覆盖草地区域选用PVI、中等覆盖草地区域选用NDVI、中高覆盖草地区域选用EVI和高覆盖草地区域运用红、近红外饱和(不敏感)的指数模型。
设定:
a1<NDVI≤a2为低覆盖草地区域
a2<NDVI≤a3为中等覆盖草地区域
a3<NDVI≤a4为中高覆盖草地区域
a4<NDVI为高覆盖草地区域
4.优选满足不同覆盖程度的植被指数协同计算LAI
根据植被覆盖情况,优选植被指数PVI、NDVI、和EVI,协同计算方法如下:
(1)应用PVI指数估算低覆盖下的LAI方法
经验模型模拟方法:
LAIpvi=F(pvi)
LAIpvi≤b1
式中,LAIpvi为应用PVI估算得到的叶面积指数估算值;F(pvi)为植被叶面积指数的模拟方程,b1为界定的不同数值范围内的低覆盖草地最高LAI值。
建立查找表的方法:
通过模拟低覆盖的草地LAI与PVI指数的关联性,建立PVI和LAI的查找表。
(2)NDVI计算中等覆盖的LAI方法
LAIndvi≤b2
(3)EVI估算中高覆盖草地LAI方法
经验模型模拟的方法:
LAIevi=G(evi)
LAIevi≤b3
式中,LAIevi为应用EVI估算得到的叶面积指数估算值;G(evi)为基于EVI的植被叶面积指数的模拟方程,b3为界定的不同数值范围内的中高覆盖草地最高LAI值。
建立查找表的方法:
通过模拟中高覆盖的草地LAI与EVI指数的关联性,建立EVI和LAI的查找表。
(4)高覆盖叶面积指数计算方法
该方法主要避免近红外和红光波段饱和问题,因此采用LAI变化量比较方法:
LAIh=b3·(1+vt)
式中,LAIh为监测时间点t的高覆盖的草地LAI,vt为时间t-t0的时间区间叶面积指数增长速率。
式中,bi为监测时间点t的草地中高或中等或低覆盖的LAI值,b0为监测时间点t0的草地中高或中等或低覆盖的LAI值。
5.草地生物量的遥感估算方法
(1)估算生物量的时间点的选择
如果存在:
则时间节点t0得到的LAI数据作为监测所用的数据
(2)草地生物量估算
设草地生物量与LAI存在线性关系,则有:
BM(LAI)=d.LAI+e
式中,BM(LAI)为单位面积草地生物量估算值,d和e为系数和截距。
6.不同覆盖的草地固碳量估算
GT=ε.BM(LAI).s
式中,GT为不同覆盖的草地固碳总量,ε为生物量转化为碳的折算系数,s为草地的面积。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种草地地上生物量及其固碳量遥感估算方法,其特征在于,包括以下步骤:
获取工作区域中植被生长旺盛期的高分辨率遥感数据和时间序列的中分辨率遥感数据;
基于所述中分辨率遥感数据获取近年的土地利用数据,基于所述土地利用数据获得草地的分布区域;
基于所述高分辨率遥感数据获取归一化植被指数,基于所述分布区域与所述归一化植被指数获取植被区域;
基于所述归一化植被指数对所述植被区域覆盖程度进行划分;
选择满足不同覆盖程度的植被指数协同计算叶面积植被指数;
选择估算生物量的时间点,基于所述叶面积植被指数进行草地生物量估算;
基于所述叶面积植被指数估算草地固碳量。
2.根据权利要求1所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述高分辨率的遥感数据分辨率范围为0.3-5m,所述中分辨率遥感数据包括20-40m的高光谱或者多光谱数据。
3.根据权利要求1所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述获取植被区域的过程包括:采用NDVI阈值法进行植被区域提取,当NDVI大于等于固定值时,为植被覆盖区,小于固定值时,为非植被覆盖区,其中,所述固定值为预设值。
4.根据权利要求1所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述植被区域按照覆盖程度分为低覆盖草地区域、中等覆盖草地区域、中高覆盖草地区域和高覆盖草地区域。
5.根据权利要求4所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述选择满足不同覆盖程度的植被指数的过程包括:应用PVI指数估算低覆盖草地区域的LAI,应用NDVI计算中等覆盖草地区域的LAI,应用EVI估算中高覆盖草地区域的LAI,其中,LAI为叶面积植被指数,PVI为垂直植被指数,EVI为增强植被指数。
8.根据权利要求1所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述草地生物量估算过程包括:设草地生物量与LAI存在线性关系,则有:BM(LAI)=d.LAI+e,其中,BM(LAI)为单位面积草地生物量估算值,d和e为系数和截距,基于草地类型和所属区域确定d和e。
9.根据权利要求1所述的草地地上生物量及其固碳量遥感估算方法,其特征在于,所述草地固态量估算公式为:GT=ε.BM(LAI).s,其中,GT为包括不同覆盖程度的草地的固碳总量,ε为生物量转化为碳的折算系数,s为草地的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979267.4A CN115346120B (zh) | 2022-08-16 | 2022-08-16 | 一种草地地上生物量及其固碳量遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979267.4A CN115346120B (zh) | 2022-08-16 | 2022-08-16 | 一种草地地上生物量及其固碳量遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115346120A true CN115346120A (zh) | 2022-11-15 |
CN115346120B CN115346120B (zh) | 2023-06-20 |
Family
ID=83952578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979267.4A Active CN115346120B (zh) | 2022-08-16 | 2022-08-16 | 一种草地地上生物量及其固碳量遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346120B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292267A (zh) * | 2023-11-27 | 2023-12-26 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678914A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于卫星遥感数据的高寒草地土壤呼吸估算方法 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN108121854A (zh) * | 2017-12-04 | 2018-06-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于遥感资料的区域碳通量估算方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108876172A (zh) * | 2018-06-28 | 2018-11-23 | 武汉大学 | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 |
CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
US20200334458A1 (en) * | 2019-04-16 | 2020-10-22 | Precision Silver, LLC | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data |
CN112861810A (zh) * | 2021-03-23 | 2021-05-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 |
CN114254707A (zh) * | 2021-12-22 | 2022-03-29 | 南京大学 | 一种基于GlobeLand30的历史地表覆盖快速重建方法 |
-
2022
- 2022-08-16 CN CN202210979267.4A patent/CN115346120B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678914A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于卫星遥感数据的高寒草地土壤呼吸估算方法 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN108121854A (zh) * | 2017-12-04 | 2018-06-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于遥感资料的区域碳通量估算方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108876172A (zh) * | 2018-06-28 | 2018-11-23 | 武汉大学 | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 |
US20200334458A1 (en) * | 2019-04-16 | 2020-10-22 | Precision Silver, LLC | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data |
CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
CN112861810A (zh) * | 2021-03-23 | 2021-05-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 |
CN114254707A (zh) * | 2021-12-22 | 2022-03-29 | 南京大学 | 一种基于GlobeLand30的历史地表覆盖快速重建方法 |
Non-Patent Citations (3)
Title |
---|
XIULIANG JIN ET AL.: "Combined Multi-Temporal Optical and Radar Parameters for Estimating LAI and Biomass in Winter Wheat Using HJ and RADARSAR-2 Data", REMOTE SENSING, pages 13251 - 13272 * |
刘明 等: "基于MODIS-NDVI 的春玉米叶面积指数和地上生物量估算", 中国农学通报, pages 80 - 87 * |
赵天舸;于瑞宏;张志磊;白雪松;曾庆奥;: "湿地植被地上生物量遥感估算方法研究进展", 生态学杂志, no. 07, pages 1936 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292267A (zh) * | 2023-11-27 | 2023-12-26 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
CN117292267B (zh) * | 2023-11-27 | 2024-02-02 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115346120B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Global nitrogen and phosphorus fertilizer use for agriculture production in the past half century: shifted hot spots and nutrient imbalance | |
Guiot et al. | Inverse vegetation modeling by Monte Carlo sampling to reconstruct palaeoclimates under changed precipitation seasonality and CO2 conditions: application to glacial climate in Mediterranean region | |
CN108169161B (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
Sun et al. | Crop leaf area index retrieval based on inverted difference vegetation index and NDVI | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
Wang et al. | Biophysical estimation in tropical forests using JERS‐1 SAR and VNIR imagery. II. Aboveground woody biomass | |
Zhang et al. | Assessing the coordination of ecological and agricultural goals during ecological restoration efforts: A case study of Wuqi County, Northwest China | |
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 | |
CN114821349B (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
CN115346120B (zh) | 一种草地地上生物量及其固碳量遥感估算方法 | |
Trudinger et al. | Interannual variability in Australia's terrestrial carbon cycle constrained by multiple observation types | |
WO2023088366A1 (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 | |
CN104143031B (zh) | 一种基于小波多尺度分解的植被指数时序数据重构方法 | |
Deng et al. | Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel | |
Gao et al. | Mapping growing stock volume and biomass carbon storage of larch plantations in Northeast China with L-band ALOS PALSAR backscatter mosaics | |
Zhang et al. | Long-term trend and interannual variability of precipitation-use efficiency in Eurasian grasslands | |
Fu et al. | Study on the effect of fractional derivative on the hyperspectral data of soil organic matter content in arid region | |
Delvaux et al. | The FORBIO Climate data set for climate analyses | |
Tu et al. | Long-term dynamics of peak photosynthesis timing and environmental controls in the Tibetan Plateau monitored by satellite solar-induced chlorophyll fluorescence | |
Amantai et al. | Climate overtakes vegetation greening in regulating spatiotemporal patterns of soil moisture in arid Central Asia in recent 35 years | |
CN117611997A (zh) | 一种可解释的森林地上生物量遥感估算方法及装置 | |
Horton | Models for estimation of hourly soil temperature at 5 cm depth and for degree-day accumulation from minimum and maximum soil temperature | |
Wen et al. | Estimating seasonal aboveground biomass of a riparian pioneer plant community: An exploratory analysis by canopy structural data | |
Li et al. | Triple collocation-based merging of multi-source gridded evapotranspiration data in the Nordic Region |
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 |