CN117152611A - 利用生物量累积指数和种植年限监测土壤有机质的方法 - Google Patents
利用生物量累积指数和种植年限监测土壤有机质的方法 Download PDFInfo
- Publication number
- CN117152611A CN117152611A CN202311108147.8A CN202311108147A CN117152611A CN 117152611 A CN117152611 A CN 117152611A CN 202311108147 A CN202311108147 A CN 202311108147A CN 117152611 A CN117152611 A CN 117152611A
- Authority
- CN
- China
- Prior art keywords
- planting
- soil
- biomass accumulation
- index
- remote sensing
- 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 54
- 239000002028 Biomass Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009825 accumulation Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 239000005416 organic matter Substances 0.000 claims abstract description 11
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000004016 soil organic matter Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008264 cloud Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004181 pedogenesis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了利用生物量累积指数和种植年限监测土壤有机质的方法，包括以下步骤：步骤S1：获取待测区域的地面调查数据；步骤S2：获取待测区域在待估算时期之前的Landsat卫星遥感影像历史序列；步骤S3：对S2中获取的Landsat序列卫星遥感影像历史序列进行预处理操作；步骤S4：计算经预处理的单幅Landsat序列卫星遥感影像的生物量指数；本发明实现了高植被覆盖区域表层土壤的有机质含量估算。
Description
技术领域
本发明涉及遥感反演领域，特别是利用生物量累积指数和种植年限监测土壤有机质的方法。
背景技术
土壤有机质是土壤的重要组成部分，影响着土壤形成、土壤肥力以及土壤生产力。对于农业生态系统而言，土壤质量的高低最终也会影响粮食安全。特别是在干旱半干旱地区，生态环境脆弱，土壤荒漠化问题突出，耕地质量的高低直接影响人类的生存。土壤有机质作为耕地质量评价的重要指标，实现土壤有机质的监测和可视化对于土壤资源、尤其是耕地的开发和保护具有重要意义。地面调查和实验室测定是土壤有机质含量信息的最直接获取手段和来源，能精确表示采样点土壤有机质的含量和分布，与传统野外调查方法相比，卫星遥感具有空间范围覆盖广，空间分辨率高、时间重返周期短等特点，可以快速提供有关地物的光谱信息，已经逐渐成为土壤有机质监测的重要方法。
光学遥感卫星已经被广泛应用于土壤有机质方面的研究，以往的研究多集中使用单一日期、多时相遥感数据。而单幅影像所提供的信息是静态的，无法反映植被生长的动态变化；尽管多时相能够有效弥补单一时期遥感影像的不足，能够粗略的捕获被观察对象随时间的变化。然而，单一日期、多时相遥感数据易受雨雪、沙尘或云层阴影等外界因素的干扰。而时间序列遥感影像数据与单一日期与多时相数据相比，能够以高时间分辨率捕捉被观察对象随时间的变化。目前已有研究开始尝试将长时间序列遥感影像用于土壤有机质研究，但在探索长时间序列遥感信息时存在一些不足，这些研究往往忽略了植被生长过程中反复交替的枯枝落叶以及还田秸秆的周年累积效应。此外，在农业生态系统中，人类长期且频繁的耕作导致土壤表层大部分时间处于动态变化。目前土地利用变量是描述人类活动对耕地干扰的最常用变量，但是对于种植结构单一的区域，土地利用变量往往存在限制。如何准确量化人类对耕地土壤的干扰时长(即种植年限信息，本发明定义种植年限为自然土壤被开发为耕地开始种植作物至研究所需的日期)对于土壤有机质估算具有重要意义。综上所述，针对植被枯枝落叶和还田秸秆的周年累积效应以及人类活动对耕地的干扰时长，需要对时间序列遥感影像进行时间序列分析，实现高植被覆盖区域表层土壤(0～0.2m)的有机质含量估算。
发明内容
本发明的目的在于解决现有技术中存在的问题，提供利用生物量累积指数和种植年限监测土壤有机质的方法。
具体技术方案如下：
利用生物量累积指数和种植年限监测土壤有机质的方法，包括以下步骤：
步骤S1：获取待测区域的地面调查数据；
步骤S2：获取待测区域在待估算时期之前的Landsat卫星遥感影像历史序列；
步骤S3：对S2中获取的Landsat序列卫星遥感影像历史序列进行预处理操作；
步骤S4：计算经预处理的单幅Landsat序列卫星遥感影像的生物量指数；
计算公式为：
其中NIR为近红外波段，R为红外波段；
步骤S5：以年为时间单位，针对某一具体年内所有Landsat序列卫星遥感影像进行年内生物量指数最大值合成；
步骤S6：基于步骤S5中获得的数据分别计算周年最大生物量累积指数和提取代表耕地种植时长的种植年限信息；
步骤S7：利用周年最大生物量累积指数和种植年限信息并联合多元线性回归模型估算土壤有机质含量。
优选地，周年最大生物量累积指数的公式为：
其中，AMBAI代表周年最大生物量累积指数；x,y分别代表给定像元的地理坐标；t为研究时间，范围为1到T；NIR为所用影像的近红外波段和R为所用影像的红外波段。
优选地，提取代表耕地种植时长的种植年限信息包括以下子步骤：
子步骤S61：耕地与自然土壤的划分，将周年最大生物量累积指数以光谱指数阈值法对耕地与自然土壤进行区分；
子步骤S62：将区分的耕地赋值为1，自然土壤赋值为0；
子步骤S63：将赋值后的影像文件进行相加，得到耕地的种植年限变量。
优选地，种植年限并联合多元线性回归模型的计算公式为：
SOM＝A+B×AMBAI+C×PY
其中，SOM代表土壤有机质，AMBAI代表周年最大生物量累积指数，PY代表种植年限，A、B、C分别代表回归系数。
本发明利用生物量累积指数和种植年限监测土壤有机质的方法有益效果如下：
1.本发明基于时间序列的Landsat卫星遥感数据集和地面实测土壤有机质数据，提出了一种高精度监测土壤有机质含量的方法。
2.通过本发明的方法对土壤有机质含量进行估算，进一步挖掘了时间序列遥感影像所包含的隐藏信息，为高植被覆盖区域土壤有机质含量的估算提供了新思路和新方法，这有利于耕地土壤的科学管理和耕地质量评估，具有一定的理论、实践意义和推广应用价值。
附图说明
图1为本研究开发的两个变量。(a)周年最大生物量累积指数，(b)种植年限。
图2为实施例中训练集与测试集的拟合效果图。
(a)土壤有机质实测值1
(b)土壤有机质实测值2
图3为实施例中南疆棉田土壤有机质含量分布图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
在本发明的一个较佳实施例中提供了一种利用时间序列遥感影像联合估算高植被覆盖区域(通常以农业生态系统为代表)土壤有机质含量的方法。该方法与其他利用遥感影像估算土壤有机质含量的方法而言，能够进一步挖掘遥感影像所包含的隐藏信息，能够以较高精度估算高植被覆盖区域的土壤有机质含量。该方法的具体步骤如下：
S1:获取待测区域在待估测时期下对应的地面调查数据；同时获取待估测区域在待估测时期之前的Landsat序列卫星遥感影像历史序列。
其中，地面调查数据的采集过程中，每个土壤采样点的深度为0～0.2m。为了使土壤样品采集点处于Landsat影像像元内，规定在30m×30m的正方形区域内进行土壤样品的采集。具体采集步骤为采用五点取样法采集5个土壤样品，最终将5个土壤样品通过四分法混合为一个土壤样品。
在本实施例中的Landsat卫星遥感影像空间分辨率均为30m，但是时间空间分辨率因数据质量等客观原因存在差异，后续需要进行统一。
S2:将S1中获取的Landsat卫星遥感影像历史序列进行预处理操作，预处理操作包括辐射校正和大气校正以及影像拼接等操作。
S3:对S2中获取的Landsat卫星遥感影像历史序列的时间分辨率进行规范化处理，得到空间分辨率和时间分辨率均统一的年平均Landsat影像数据集。在本实施例中，空间分辨率均为30m，时间分辨率均为一年。对卫星影像进行规范化处理时，主要是对一年中存在的多景卫星遥感的数据进行处理。将同一年中所有的Landsat卫星遥感影像进行生物量指数的计算，具体计算公式为，其中NIR和R分别代表遥感影像的近红外波段和红外波段。进一步将同一年中经生物量指数计算的遥感影像按年尺度进行生物量最大值合成。在具体实现时，遥感影像在年尺度的生物量最大值合成时采用栅格逐像元计算方法，对单幅影像以年为目标时间单位进行分类，对分类至同一年中的所有单幅Landsat卫星遥感影像进行生物量指数计算，逐个像元地将同一位置的栅格值选取最大值，即可得到长时间序列、空间分辨率为30m，时间分辨率为1年的Landsat年内最大生物量栅格数据集。
S4:基于S3中获得的数据分别计算周年最大生物量累积指数(Annual maximumbiomass accumulation index,AMBAI)和提取代表耕地种植时长的种植年限(Plantingyears,PY)变量。
具体步骤如下：
S41:周年最大生物量指数的计算:
将S3中处理得到的年尺度生物量指数最大栅格数据集以目标时间序列进行逐像元相加，即可得到周年最大生物量累积指数(Annual maximum biomass accumulationindex,AMBAI)。其中，目标时间序列为待估算时长。其具体计算公式如下：
其中，AMBAI代表周年最大生物量累积指数；x,y分别代表给定像元的地理坐标；t为研究时间，范围为1到T；NIR和R分别代表所用影像的近红外和红外波段。
S42:种植年限变量的提取:
针对种植年限，其提取过程包括以下步骤：首先是耕地与自然土壤的划分，将上述S3中最大值合成的年内生物量指数，以光谱指数阈值法对耕地与自然土壤进行区分。进一步地将区分的耕地赋值为1，自然土壤赋值为0。最终将赋值后的影像栅格数据相加，即可得到耕地的种植年限变量。
在本实施例中，采用多元线性回归模型估算土壤有机质含量。
所述线性回归模型形式为：
SOM＝A+B×AMBAI+C×PY
其中，SOM代表土壤有机质，AMBAI代表周年最大生物量累积指数，PY代表种植年限，A、B、C分别代表回归系数。
为了进一步便于理解本发明的优点，下面将上述实施例中S1～S4步骤的利用时间序列遥感影像联合估算土壤有机质含量的方法应用于一个具体实例中，以便于展示具体的技术效果。
实施例1
在本案例中，选取新疆维吾尔自治区阿拉尔垦区(40°22'–40°57'N,80°30'–81°58'E)棉田种植田块作为研究区域，利用2019年10月21日至11月15日地面调查获取的土壤样点数据，通过H2SO4-K2Cr2O7外加热法得到的土壤有机质含量数据作为因变量，以2019年11月之前的Landsat卫星历史序列的影像数据作为自变量，基于多元线性回归构建回归模型，最终获得土壤有机质含量的空间分布数据。该估算方法的基本步骤如前述实施例中S1～S4所述，不再完全重复赘述，下面主要展示具体的数据和实现细节。
步骤1)数据获取：在研究区域获取土层深度为0～0.2m的土壤表层样品(小空间范围、小样本)；在相同研究区域，获取遥感卫星的历史时间序列影像(大空间、长时间序列)。
其中，Landsat系列数据是美国地质调查局(USGS)发布的L1级产品。Landsat系列卫星重访周期为16d，空间分辨率为30m，扫幅宽度为185km，轨道高度为705km。影像获取时间为1990年1月至2019年11月，共获取了473景影像，该数据可在美国地质调查局(USGS)下载。
步骤2)数据预处理:将步骤1)获取的表层土壤经实验室预处理后利用H2SO4-K2Cr2O7外加热法进行有机质含量的测定，最终共获得308个土壤有机质含量数据。
将步骤1)获取的Landsat遥感数据进行预处理；利用Environment forVisualizing Images 5.3(ENVI 5.3)平台的Radiometric Calibration和FLAASHAtmospheric Correction模块对Landsat数据进行辐射校准和大气校正，将MSI图像转换为表面反射率格式输出；得到473景空间分辨率为30m的Landsat影像；以年为目标时间单位分类，将473景单幅Landsat影像中的NIR和R波段采用逐像元计算方法，逐个像元最大值合成，共获得30景最大值合成影像；将30景最大值合成影像相加，得到空间分辨率为30m，时间分辨率为30年的周年最大生物量影像数据。
进一步地，将30景最大值合成的影像以生物量指数为0.4作为光谱指数阈值对耕地与非耕地土壤进行划分，将耕地土壤赋值为1，非耕地土壤赋值为0；然后将30景经过赋值的影像相加，得到耕地的种植年限数据。需要注意的是，不同研究区域可能因种植方式以及农业经营模式的不同导致此阈值存在差异，本发明的阈值范围仅代表本发明所实施的研究区，具体区域具体分析。
步骤3)对步骤1)后得到的1期空间分辨率为30m、时间分辨率为30年的Landsat时间序列影像，提取其周年最大生物量累积指数和种植年限数据。
步骤4)土壤有机质含量估算:基于步骤2)后得到的308个土壤样点，依次按照有机质含量高低进行排序，以3:1的比例划分为训练集和测试集；其中包含231个训练集，77个测试集。以五折交叉验证法对训练集数据进行回归模型的训练，防止模型过拟合。
基于多元线性回归模型对研究区土壤有机质含量进行估算:
SOM＝A+B×AMBAI+C×PY
其中，A＝2.12，B＝0.56，C＝0.26。
如图所示，以本发明实施例估算的土壤有机质含量模型在训练集和测试集中均表现良好，在训练集中R2＝0.71，测试集中R2＝0.66。
选取新疆维吾尔自治区阿拉尔垦区的棉花种植田块作为研究区，以本实施例估算得到的2019年0～0.2m的土壤有机质含量分布图如图3所示，空间分辨率为30m。
本文中应用具体个例对本发明的实施方式进行了阐述，以上所述的实施例旨在用于帮助用户理解本发明的方法以及核心思想。本领域的普通技术人员应当理解:本实施例只是本发明的一种较佳的方案，并非用以限制本发明。在不脱离本发明的精神和范围的情况下，还可以对本发明做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均在本发明的保护范围内。
Claims (4)
1.利用生物量累积指数和种植年限监测土壤有机质的方法，其特征在于，包括以下步骤：
步骤S1：获取待测区域的地面调查数据；
步骤S2：获取待测区域在待估算时期之前的Landsat卫星遥感影像历史序列；
步骤S3：对S2中获取的Landsat序列卫星遥感影像历史序列进行预处理操作；
步骤S4：计算经预处理的单幅Landsat序列卫星遥感影像的生物量指数；
计算公式为：
其中NIR为近红外波段，R为红外波段；
步骤S5：以年为时间单位，针对某一具体年内所有Landsat序列卫星遥感影像进行年内生物量指数最大值合成；
步骤S6：基于步骤S5中获得的数据分别计算周年最大生物量累积指数和提取代表耕地种植时长的种植年限信息；
步骤S7：利用周年最大生物量累积指数和种植年限信息并联合多元线性回归模型估算土壤有机质含量。
2.根据权利要求1所述的利用生物量累积指数和种植年限监测土壤有机质的方法，其特征在于，
所述周年最大生物量累积指数的公式为：
其中，AMBAI代表周年最大生物量累积指数；x,y分别代表给定像元的地理坐标；t为研究时间，范围为1到T；NIR为所用影像的近红外波段和R为所用影像的红外波段。
3.根据权利要求1所述的利用生物量累积指数和种植年限监测土壤有机质的方法，其特征在于，所述提取代表耕地种植时长的种植年限信息包括以下子步骤：
子步骤S61：耕地与自然土壤的划分，将周年最大生物量累积指数以光谱指数阈值法对耕地与自然土壤进行区分；
子步骤S62：将区分的耕地赋值为1，自然土壤赋值为0；
子步骤S63：将赋值后的影像文件进行相加，得到耕地的种植年限变量。
4.根据权利要求1所述的利用生物量累积指数和种植年限监测土壤有机质的方法，其特征在于，所述种植年限并联合多元线性回归模型的计算公式为：
SOM＝A+B×AMBAI+C×PY
其中，SOM代表土壤有机质，AMBAI代表周年最大生物量累积指数，PY代表种植年限，A、B、C分别代表回归系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108147.8A CN117152611A (zh) | 2023-08-31 | 2023-08-31 | 利用生物量累积指数和种植年限监测土壤有机质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108147.8A CN117152611A (zh) | 2023-08-31 | 2023-08-31 | 利用生物量累积指数和种植年限监测土壤有机质的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152611A true CN117152611A (zh) | 2023-12-01 |
Family
ID=88886231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311108147.8A Pending CN117152611A (zh) | 2023-08-31 | 2023-08-31 | 利用生物量累积指数和种植年限监测土壤有机质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152611A (zh) |
-
2023
- 2023-08-31 CN CN202311108147.8A patent/CN117152611A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Remote sensing of vegetation dynamics in drylands: Evaluating vegetation optical depth (VOD) using AVHRR NDVI and in situ green biomass data over West African Sahel | |
| CN114076738B (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
| Hall et al. | Optical remote sensing applications in viticulture‐a review | |
| Kowalski et al. | Quantifying drought effects in Central European grasslands through regression-based unmixing of intra-annual Sentinel-2 time series | |
| Dalezios et al. | Cotton yield estimation based on NOAA/AVHRR produced NDVI | |
| 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 | |
| Mundava et al. | Evaluation of vegetation indices for rangeland biomass estimation in the Kimberley area of Western Australia | |
| CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| Mannschatz et al. | Uncertainties of LAI estimation from satellite imaging due to atmospheric correction | |
| Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
| Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| CN105974091B (zh) | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 | |
| Pathmanandakumar | A study of land cover change detection in Oddusuddan DS Division of Mullaitivu District in Sri Lanka based on GIS and RS technology | |
| CN117152611A (zh) | 利用生物量累积指数和种植年限监测土壤有机质的方法 | |
| Metzger et al. | Impact of land‐use intensity on the relationships between vegetation indices, photosynthesis and biomass of intensively and extensively managed grassland fens | |
| Jahan | Vegetation indices, FAPAR and spatial seasonality analysis of crops in southern Sweden | |
| Wang et al. | Assessing the effectiveness of a central flux tower in representing the spatial variations in gross primary productivity in a semi-arid pine forest | |
| Cai | Vegetation Observation in the Big Data Era: Sentinel-2 data for mapping the seasonality of land vegetation | |
| Truckenbrodt et al. | Seasonal evolution of soil and plant parameters on the agricultural Gebesee test site: a database for the set-up and validation of EO-LDAS and satellite-aided retrieval models | |
| Setiawan et al. | VEGETATION INDICES FROM LANDSAT-8 DATA IN PALABUHANRATU | |
| Alvarado-Barrientos et al. | Comparison of satellite-derived potential evapotranspiration (MOD16A3) with in situ measurements from Quintana Roo, Mexico | |
| Kim | Quantifying plant physiological responses to drought and high-temperature stress in the Midwest US: Through scaling from proximal hyperspectral sensing to satellite monitoring | |
| Cavalaris et al. | Modeling of Durum Wheat Yield Based on Sentinel-2 Imagery. Agronomy 2021, 11, 1486 | |
| Loiseau et al. | Int J Appl Earth Obs Geoinformation |
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 |