CN110826173B - 一种土壤水分数据获取方法、***、存储介质及设备 - Google Patents
一种土壤水分数据获取方法、***、存储介质及设备 Download PDFInfo
- Publication number
- CN110826173B CN110826173B CN201910905363.2A CN201910905363A CN110826173B CN 110826173 B CN110826173 B CN 110826173B CN 201910905363 A CN201910905363 A CN 201910905363A CN 110826173 B CN110826173 B CN 110826173B
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- data
- inversion model
- decision tree
- albedo
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种土壤水分数据获取方法、***、存储介质及设备,通过将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型,模拟土壤水分与地表参数的反演关系,再通过获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取所述目标分辨率的土壤水分数据。相对于现有技术,本发明可实现中高分辨率卫星遥感土壤水分数据的获取,提高土壤水分数据的分辨率。
Description
技术领域
本发明涉及地理信息技术领域,尤其是涉及一种土壤水分数据获取方法、***、存储介质及设备。
背景技术
土壤水分反映了农业干旱程度,以土壤水分为指标,可以指导农业灌溉。土壤的含水状况俗称土壤墒情,还包括土壤性质、深度等状态,其关系到农作物的优质生长。土壤水分的高低直接影响作物对养分的吸收速率,土壤中有机养分的分解矿化离不开水分,施入土壤中的化学肥料只有在水中才能溶解,养分离子向根系表面迁移以及作物根系对养分的吸收都必须通过水分介质来实现,如果不能及时、足量灌溉,或过量灌溉,都可能导致农作物根茎不能从土壤及时吸收水分,影响农作物的正常生长。
土壤水分数据对农业的发展与规划具有重大意义,然而现有的土壤水分数据存在空间分辨率较低和精度不足的问题,其难以具体定位土壤水分节点的具***置,不利于生产应用。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种高精度的土壤水分数据获取方法、***、存储介质及设备。
一种土壤水分数据获取方法,包括以下步骤:
获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
其中,所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;
获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据。
相对于现有技术,本发明通过将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型,模拟土壤水分与地表参数的反演关系。再通过获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取所述目标分辨率的土壤水分数据,用户可利用本发明实现中高分辨率卫星遥感土壤水分数据的获取,提高土壤水分数据的分辨率。
在本发明一个实施例中,所述将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤包括:
按照以下方式最小化训练损失函数,得到土壤水分反演模型的最小残差:
其中,γ为正则项系数;
对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
其中,fk是单个决策树的预测结果,K为决策树棵数;
令迭代次数t与决策树的棵数k在所述训练数据集中遍历,计算每种t、k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。所述土壤水分反演模型基于土壤水份与地表参数的密切相关关系,模拟了土壤水分与地表参数的反演关系。
在本发明一个实施例中,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤之前,还包括:对所述训练数据集的数据进行预处理,该步骤具体包括:
对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;
使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。通过对所述训练数据集的数据进行预处理,使植被数据的预测值更加准确和全面。
本发明还提供了一种土壤水分数据获取***,包括:
土壤水分反演模型构建模块,用于获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
其中,所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;
土壤水分反演模型反演模块,用于获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据。
在本发明一个实施例中,所述土壤水分反演模型构建模块包括:
参数获取单元,用于给定数据集所述极端梯度提升算法以决策树作为学习单元,所述学习单元的损失函数为迭代次数t和决策树的棵数k,其中,xi为模型的解释变量,yi为实际输出结果,为所述土壤水分反演模型输出结果;
损失函数训练单元,用于按照以下方式最小化训练损失函数:
其中,γ为正则项系数;
预测值获取单元,用于对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
其中,fk是单个决策树的预测结果,K为决策树棵数;
参数选取单元,用于令迭代次数t与决策树的棵数k在所述训练数据集中遍历,计算每种迭代次数t与决策树的棵数k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。
在本发明一个实施例中,所述土壤水分数据获取***还包括数据预处理模块,所述数据预处理单元用于对所述训练数据集数据进行预处理;所述预处理模块包括:
滤波单元,用于对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
统一单元,用于统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;
水体过滤单元,用于使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。
本发明还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的土壤水分数据获取方法的步骤。
本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的土壤水分数据获取方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1是本发明实施例中一种土壤水分数据获取方法的流程图;
图2是本发明实施例中所述土壤水分数据获取方法步骤S10的流程图;
图3是本发明实施例中所述土壤水分数据获取方法步骤S11的流程图;
图4是本发明实施例中土壤水分数据获取***的结构示意图;
图5是本发明实施例中数据预处理模块10的结构示意图
图6是本发明实施例中土壤水分反演模型构建模块11的结构示意图。
具体实施方式
实施例
请参阅图1,本发明提供了一种土壤水分数据获取方法,包括以下步骤:
步骤S1:获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
在本实施例中,中高分辨率卫星遥感土壤水分数据基于土壤水(Soil Moisture,SM)与动态变量和稳态变量的密切相关关系,在卫星土壤水分原始空间分辨率0.25°(约25km)尺度建立非线性回归映射模型,模拟土壤水分与地表参数的反演关系。在其它实施例中,所述空间分辨率也可根据用户需求进行设定。其中,所述动态变量包括:反照率(Albedo)、蒸散发(Evapotranspiration,ET)、地表温度(Land Surface Temperature,LST)、植被指数(Normalized Difference Vegetation Index,NDVI),稳态变量包括:经纬度位置(Longitude and Latitude,LL)及高程数据(Digital Elevation Model,DEM)。
在一个优选的实施例中,所述将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤之前,还包括:对所述训练数据集数据进行预处理,如图2所示,该步骤具体包括:
步骤S101:对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
步骤S102:统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;在本实施例中,所述空间分辨率为0.25°像元分辨率。
步骤S103:使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。
所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;所述土壤水分反演模型源于梯度增强思想,为一种基于适当代价函数的优化算法。本发明通过将极端梯度提升算法应用在具有空间位置属性的多源卫星遥感数据场景中,以实现土壤水分时空序列数据集高分辨率重建。
所述将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤包括:
步骤S114:按照以下方式最小化训练损失函数,得到土壤水分反演模型的最小残差:
其中,γ为正则项系数;
步骤S115:对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
步骤S116:令迭代次数t与决策树棵数k在所述训练数据集中遍历,计算每种t、k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。
步骤S2:获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据。通过将所述土壤水分反演模型中土壤水分与地表参数的反演关系,应用在1km/500m分辨率的多源地表参数数据集,反演研制出1km/500m中高分辨率卫星遥感土壤水分数据集。
本发明还提供了一种土壤水分数据获取***,包括:
土壤水分反演模型构建模块11,用于获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
其中,所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;
在一个实施例中,如图5所示,所述土壤水分数据获取***还包括数据预处理模块10,所述数据预处理模块10用于对所述训练数据集数据进行预处理;所述预处理模块10包括:
滤波单元101,用于对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
统一单元102,用于统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;
水体过滤单元103,用于使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。
如图6所示,所述土壤水分反演模型构建模块11包括:
参数获取单元111,用于给定数据集所述极端梯度提升算法以决策树作为学习单元,所述学习单元的损失函数为迭代次数t和决策树的棵数k,其中,xi为模型的解释变量,yi为实际输出结果,为所述土壤水分反演模型输出结果;
损失函数训练单元114,用于按照以下方式最小化训练损失函数:
其中,γ为正则项系数;
预测值获取单元115,用于对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
其中,fk是单个决策树的预测结果,K为决策树棵数;
参数选取单元116,用于令迭代次数t与决策树的棵数k在所述训练数据集中遍历,计算每种t、k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。
土壤水分反演模型反演模块2,用于获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据;
本发明还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现上述任意一项所述的土壤水分数据获取方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的土壤水分数据获取方法的步骤。
相对于现有技术,本发明通过将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型,模拟土壤水分与地表参数的反演关系。再通过获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取所述目标分辨率的土壤水分数据,用户可利用本发明实现中高分辨率卫星遥感土壤水分数据的获取,提高土壤水分数据的分辨率。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (8)
1.一种土壤水分数据获取方法,其特征在于,包括以下步骤:
获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
其中,所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;
获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据。
2.根据权利要求1所述的土壤水分数据获取方法,其特征在于:所述将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤包括:
按照以下方式最小化训练损失函数,得到土壤水分反演模型的最小残差:
其中,γ为正则项系数;
对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
其中,fk是单个决策树的预测结果,K为决策树棵数;
令迭代次数t与决策树的棵数k在所述训练数据集中遍历,计算每种t、k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。
3.根据权利要求1所述的土壤水分数据获取方法,其特征在于:将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型的步骤之前,还包括:对所述训练数据集的数据进行预处理,该步骤具体包括:
对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;
使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。
4.一种土壤水分数据获取***,其特征在于:包括:
土壤水分反演模型构建模块,用于获取卫星土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为训练数据集,将所述反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据作为解释变量,将土壤水分数据作为因变量,基于极端梯度提升算法,建立土壤水分反演模型;
其中,所述土壤水分反演模型以若干决策树作为学习单元,所述土壤水分反演模型根据上一决策树输出结果与实际值的残差拟合下一决策树,通过对若干决策树输出结果进行求和获得土壤水分预测值;
土壤水分反演模型反演模块,用于获取具有目标分辨率的解释变量作为解释变量数据集,将所述解释变量数据集输入所述土壤水分反演模型进行降尺度反演,获取具有所述目标分辨率的土壤水分数据。
5.根据权利要求4所述的土壤水分数据获取***,其特征在于:所述土壤水分反演模型构建模块包括:
参数获取单元,用于给定数据集所述极端梯度提升算法以决策树作为学习单元,所述学习单元的损失函数为迭代次数t和决策树的棵数k,其中,xi为模型的解释变量,yi为实际输出结果,为所述土壤水分反演模型输出结果;
损失函数训练单元,用于按照以下方式最小化训练损失函数:
其中,γ为正则项系数;
预测值获取单元,用于对所有单个决策树的预测结果进行求和,获得土壤水分预测值:
其中,fk是单个决策树的预测结果,K为决策树棵数;
参数选取单元,用于令迭代次数t与决策树的棵数k在所述训练数据集中遍历,计算每种迭代次数t与决策树的棵数k组合输出结果的精度,选取输出结果的精度最高的迭代次数与决策树的棵数作为所述土壤水分反演模型的参数。
6.根据权利要求4所述的土壤水分数据获取***,其特征在于:所述土壤水分数据获取***还包括数据预处理模块,所述数据预处理单元用于对所述训练数据集数据进行预处理;所述预处理模块包括:
滤波单元,用于对反照率、蒸散发、地表温度、植被指数进行基于低通滤波处理的时空序列重建,平滑掉异常值;
统一单元,用于统一所述土壤水分数据、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据的空间投影、地理坐标、空间分辨率和时间分辨率;
水体过滤单元,用于使用水体掩膜数据过滤土壤水分、反照率、蒸散发、地表温度、植被指数、经纬度位置及高程数据中的水体区域。
7.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-3任意一项所述的土壤水分数据获取方法的步骤。
8.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述的土壤水分数据获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905363.2A CN110826173B (zh) | 2019-09-24 | 2019-09-24 | 一种土壤水分数据获取方法、***、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905363.2A CN110826173B (zh) | 2019-09-24 | 2019-09-24 | 一种土壤水分数据获取方法、***、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826173A CN110826173A (zh) | 2020-02-21 |
CN110826173B true CN110826173B (zh) | 2020-10-23 |
Family
ID=69548250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905363.2A Active CN110826173B (zh) | 2019-09-24 | 2019-09-24 | 一种土壤水分数据获取方法、***、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826173B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162014A (zh) * | 2020-09-02 | 2021-01-01 | 塔里木大学 | 基于电磁感应数据的棉田土壤剖面水分数据处理方法 |
CN112214923A (zh) * | 2020-09-09 | 2021-01-12 | 广州地理研究所 | 卫星土壤水分重建方法、装置及设备 |
CN113111567A (zh) * | 2021-02-26 | 2021-07-13 | 中国科学院空天信息创新研究院 | 蒸散发成分分离方法、成分分离装置、设备及介质 |
CN112989286B (zh) * | 2021-03-22 | 2021-09-07 | 自然资源部国土卫星遥感应用中心 | 一种时空信息融合的微波遥感土壤水分产品降尺度方法 |
CN115308386B (zh) * | 2022-07-18 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种基于cygnss卫星数据的土壤盐分反演方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
CN109307752A (zh) * | 2017-07-28 | 2019-02-05 | 中国农业大学 | 一种用于获取土壤多深度水分含量的传感器及方法 |
CN109425636A (zh) * | 2017-08-28 | 2019-03-05 | 上海花小二科技有限公司 | 基于tdr方式的四段土壤水分检测传感器 |
CN109613216A (zh) * | 2019-02-25 | 2019-04-12 | 赵云红 | 一种土壤内水分连续性检测***及其检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160192B (zh) * | 2015-09-17 | 2017-12-26 | 浙江大学 | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 |
CN105760814B (zh) * | 2016-01-25 | 2019-07-02 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
CN106991412B (zh) * | 2017-04-19 | 2020-03-20 | 中国农业科学院农业资源与农业区划研究所 | 一种获取全天候有效土壤水分的方法 |
CN108764688B (zh) * | 2018-05-21 | 2021-11-23 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
CN109115807A (zh) * | 2018-10-26 | 2019-01-01 | 中国气象局气象探测中心 | 一种土壤水分自动观测数据异常值检测方法及*** |
-
2019
- 2019-09-24 CN CN201910905363.2A patent/CN110826173B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109307752A (zh) * | 2017-07-28 | 2019-02-05 | 中国农业大学 | 一种用于获取土壤多深度水分含量的传感器及方法 |
CN109425636A (zh) * | 2017-08-28 | 2019-03-05 | 上海花小二科技有限公司 | 基于tdr方式的四段土壤水分检测传感器 |
CN109115995A (zh) * | 2018-08-30 | 2019-01-01 | 清华大学 | 土壤水分信息获取方法、装置、计算机设备和存储介质 |
CN109613216A (zh) * | 2019-02-25 | 2019-04-12 | 赵云红 | 一种土壤内水分连续性检测***及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110826173A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826173B (zh) | 一种土壤水分数据获取方法、***、存储介质及设备 | |
Pecchi et al. | Species distribution modelling to support forest management. A literature review | |
US10824861B2 (en) | System and method using image based machine learning process for earth observation and analysis | |
AU2016294138B2 (en) | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data | |
CN107918776A (zh) | 一种基于机器视觉的用地规划方法、***及电子设备 | |
Hill et al. | The use of CO 2 flux time series for parameter and carbon stock estimation in carbon cycle research | |
CN114357879A (zh) | 一种未来土地利用模拟方法、装置、存储介质及终端设备 | |
CN110852149B (zh) | 基于分类和回归树算法的植被指数预测方法、***及设备 | |
CN110852475B (zh) | 基于极端梯度提升算法的植被指数预测方法、***及设备 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
CN114219917A (zh) | 一种激光雷达点云数据的漏洞修复方法 | |
Sverdrup et al. | Developing an approach for Sweden, Switzerland, United States and France for setting critical loads based on biodiversity including management, pollution and climate change | |
Portier et al. | Plot size matters: Toward comparable species richness estimates across plot‐based inventories | |
Milliken et al. | Designing experiments to evaluate the effectiveness of precision agricultural practices on research fields: part 1 concepts for their formulation | |
Thakur et al. | Water–energy, climate, and habitat heterogeneity mutually drives spatial pattern of tree species richness in the Indian Western Himalaya | |
CN109636018A (zh) | 计算气温与气候因子遥相关关系的方法及装置 | |
CN111582703B (zh) | 全球中高分辨率植被总初级生产力产品的计算方法及装置 | |
CN111460965A (zh) | 一种基于无人机影像的涝渍区智能分析***及其方法 | |
Taylor et al. | Improving spatial predictions of Eucalypt plantation growth by combining interpretable machine learning with the 3-PG model | |
CN116127273B (zh) | 积雪指数获取方法、装置、存储介质和设备 | |
Chemin et al. | GRASS GIS: a peer-reviewed scientific platform and future research repository | |
CN110837913B (zh) | 一种基于极端梯度算法的陆地水储量预测方法及设备 | |
US20230056985A1 (en) | Microbial efficiency-matrix stabilization (mems) ecosystem model and methods | |
Estacio | Simulating the future of the Ifugao rice terraces through observations of the past | |
Payyala | Optimization of Irrigation Decision in Cornsoywater |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |