CN112345499A - 基于多源遥感卫星的国际界湖透明度反演方法 - Google Patents
基于多源遥感卫星的国际界湖透明度反演方法 Download PDFInfo
- Publication number
- CN112345499A CN112345499A CN202011067772.9A CN202011067772A CN112345499A CN 112345499 A CN112345499 A CN 112345499A CN 202011067772 A CN202011067772 A CN 202011067772A CN 112345499 A CN112345499 A CN 112345499A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sdd
- inversion
- different
- landsat
- 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
- 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
- G01N21/55—Specular reflectivity
-
- 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)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于多源遥感卫星的国际界湖透明度反演方法,属于环境科学及遥感监测技术领域。首先在国际界湖的国内水域部分均匀布设样点,获取不同时期大量实测SDD数据;其次,获取不同遥感卫星的相关波段水面遥感反射率;然后,将匹配好的点对按比例划分为建模组和验证组;再次,利用建模组与不同遥感卫星的相关波段水面遥感反射率,分别构建适用于不同卫星遥感影像的SDD遥感反演模型,利用验证组数据对模型精度进行评价;最后,选择同一天的不同遥感影像,分别进行遥感反演,将不同传感器反演得到的结果进行一致性评价。本发明通过遥感卫星影像研究SDD可以一次性获得全湖的SDD,时效性强,操作简便;能够提高遥感影像反演方法适用范围。
Description
技术领域
本发明属于环境科学及遥感监测技术领域,涉及一种基于多源遥感影像估算湖泊水库透明度的方法,尤其位于我国国家边界的湖泊水库如何基于多源遥感卫星数据来反演并验证模型精度的方法。
背景技术
湖泊水库的水体透明度(Secchi disk depth,SDD)的定义为:将直径大约为30cm的白色或者黑白相间的圆形盘子垂直放入水中,恰好到达人的肉眼刚刚看不到的深度即为水体的SDD[Tyler,J.E.The secchi disc.Limnology and oceanography13,1-6(1968)]。湖库的SDD是描述湖库水体光学特性的基本参数之一,能直观反映水体清澈和混浊程度,是评价水体富营养化、衡量水质优劣的一个重要指标[禹定峰,邢前国&施平.in海洋科学(eds禹定峰,邢前国,&施平)(2015)],因其测量简单,因而得到了广泛应用。根据湖库SDD的定义可知,SDD不像叶绿素a有其自身明显的吸收曲线特征,而是由水体中的各种光学组份共同决定的,诸如水体中的悬浮泥沙、浮游植物、黏土、微生物、有机和无机碎屑等悬浮颗粒物产生的后向散射使得水面遥感反射率增加,干扰了阳光的透射度,进而导致可见光波段肉眼可见深度降低,湖泊SDD下降[江辉.基于多源遥感的鄱阳湖水质参数反演与分析,南昌大学,(2011)]。然而,随着城市化进程的加快、全球气候变化的胁迫,我国湖库水生态安全面临巨大的威胁,湖库SDD下降,水质恶化加剧,因此,快速、大范围实现湖库SDD的监测,迫在眉睫。
相较于传统湖库调查方法,遥感卫星具有一次性大范围观测、实时性强、免费获取、动态可持续观测等优点,因而许多学者借助遥感卫星影像来探测湖泊水体SDD,常见的反演模型根据其研究机理包括三种:半分析模型、准分析模型和经验模型。相较于半分析、准分析方法虽然在物理机制方面有更好的光学解释和适用性,但这两种模型获取参数较为复杂,受到观测仪器的限制很多参数无法获取[Schmidt,G.,Jenkerson,C.B.,Masek,J.etal.Landsat ecosystem disturbance adaptive processing system(LEDAPS)algorithmdescription.Report No.2331-1258,(US Geological Survey,2013)],且对大气校正效果比较敏感,相比之下经验模型简单,对于样本量较丰富的特定研究区域而言经验模型反演精度也是比较理想的选择。然而国际界湖由于政治因素,野外采集国际界湖只能获取一部分甚至一小部分的水域情况,无法采集到国外水域,这就使得构建模型的可靠性大打折扣。因此,构建一种适用于国际界湖的SDD的模型,并开发专门针对国际界湖的模型验证方法,非常必要。
发明内容
本发明的目的在于解决国际界湖野外采样只能获取部分水域情况,无法采集到国外水域,进而无法验证国外水域的SDD模型估算精度的问题,发明了一种适用于国际界湖SDD遥感估算模型,并提出了一种基于多源遥感卫星反演结果来进行遥感反演模型精度验证的方法。
为达到上述目的,本发明采用的技术方案如下:
一种基于多源遥感卫星的国际界湖SDD反演方法,首先在国际界湖的国内水域部分均匀布设样点,获取不同时期大量实测SDD数据;其次,将所有实测样点与多元遥感卫星进行星地匹配,获取不同遥感卫星的相关波段水面遥感反射率;然后,将匹配好的点对按照2:1的比例划分为建模组和验证组;再次,利用建模组与不同遥感卫星的相关波段水面遥感反射率,分别构建适用于不同卫星遥感影像的SDD遥感反演模型,利用验证组数据对模型精度进行评价;最后,选择同一天的不同遥感影像,分别进行遥感反演,将不同传感器反演得到的结果进行一致性评价。具体包括以下步骤:
第一步,选定合适的国际界湖作为研究区,选择晴朗无云且Landsat卫星过境时间,均匀布设样点,利用黑白相间的圆盘作为测量工具,采集不同样点的SDD,并同时记录样点的经纬度信息。
第二步,将所有野外巡航测量得到的样点的经纬度信息,获取48小时以内过境的LandsatETM+/OLI以及MODIS影像的可见光-近红外波段的水面遥感反射率,去除云层、噪声等影响的无效样点,与匹配的SDD分别制成Landsat有效数组和MODIS有效数组。
第三步,分别将MODIS和Landsat制成的有效数组样点,按照2:1的数量分布划分为建模组和验证组,保证两组的数据都均匀分布在国内水域部分,且两组数据均包含不同期的采样点。
第四步,分别得到SDD基于MODIS卫星影像、Landsat卫星影像的估算模型:
4.1)以SDD为因变量,以MODIS不同波段的单波段、多波段数据排列组合得到波段比值分别作为自变量,依次进行回归分析,筛选决定系数最大的波段或者波段比作为预选SDD反演模型,然后再将预选模型分别应用到验证数据组,选择评价结果最好的SDD估算模型。
4.2)Landsat模型构建和验证步骤同步骤4.1),具体以SDD为因变量,以LandsatETM+/OLI不同波段的单波段、多波段数据排列组合得到波段比值分别作为自变量,依次进行回归分析,筛选决定系数最大的波段或者波段比作为预选SDD反演模型,然后再将预选模型分别应用到验证数据组,选择评价结果最好的SDD估算模型。
第五步,选择同一天的MODIS和Landsat遥感影像,运用第四步构建的模型得到两景SDD反演结果,将Landsat影像反演得到的SDD重采样至500m,导出由Landsat和MODIS反演得到的SDD数据点对,对国际界湖全湖反演结果的一致性进行评价,即可实现国际界湖非采样区域的模型构建效果评价。
与现有的SDD研究方法相比,本发明的有益效果体现在如下几个方面:
(1)与传统的SDD监测方法相比,通过遥感卫星影像研究SDD可以一次性获得全湖的SDD,时效性强,成本低廉,一台笔记本或者普通电脑即可完成,操作简便,且可以获取历史数据,以及由于政治、地形等原因无法获取到的湖区也可以通过遥感卫星影像实现监测。
(2)与现有的SDD反演方法相比,现有的SDD研究目标都是诸如太湖等我国国界以内的完整湖泊,这类湖泊的样点分布是遍布全湖的均匀布设,而本方法的亮点是打破了这一传统思维,将研究目标定位为国际界湖,大大提高了遥感影像反演方法适用范围。
(3)与现有的SDD遥感反演模型验证方法相比,由于国际界湖有相当一部分无法获取实测样点,因而传统的基于实测样点来验证模型精度的方法对国际界湖失效,本发明提出了一种适用于国际界湖的多源遥感卫星分别构建模型,然后相互校正的方法,来验证模型的精度。
附图说明
图1为国际界湖兴凯湖采样点分布图;
图2为兴凯湖SDD基于Landsat卫星影像构建的反演模型和精度评价图;图2(a)为建模组数据的模型构建图,图2(b)为验证组数据的模型评价图;
图3为兴凯湖SDD基于MODIS卫星影像构建的反演模型和精度评价图;图3(a)为建模组数据的模型构建图,图3(b)为验证组数据的模型评价图;
图4为Landsat和MODIS反演结果一致性验证图;图4(a)为MODIS和Landsat8的OLI传感器的反演结果一致性验证图,图4(b)为MODIS和Landsat 7的ETM+传感器的反演结果一致性验证图。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
第一步,如图1所示,本发明选择我国著名的国际界湖——兴凯湖作为研究区,于2013-2018年非冰期晴朗、无风天气进行采样,均匀布设样点,利用黑白相间的圆盘作为测量工具,采集不同样点的SDD,并同时记录样点的经纬度信息,历次采样共获取153个有效采样点。
第二步,将所有野外巡航测量得到的样点的经纬度信息,获取48小时以内过境的LandsatETM+/OLI以及MODIS影像的可见光-近红外波段的水面遥感反射率,去除云层、噪声等影响的无效样点,与匹配的SDD分别制成Landsat有效数组和MODIS有效数组。本发明所用到的多源遥感影像数据源主要包括Landsat卫星的ETM+和OLI影像,Terra卫星和Aqua卫星的MODIS影像。本发明中使用的Landsat系列传感器中的ETM+/OLI影像数据为美国地质调查局(USGS)发布的陆地遥感反射率产品(https://www.usgs.gov/land-resources/nli/landsat/landsat-surface-reflectance),该产品数据使用LEDAPS方法对Landsat提供的原始数据进行大气校正;该数据既可以通过USGS官方网站(https://earthexplorer.usgs.gov/)下载获得,也可以通过Google Earth Engine网站(https://code.earthengine.***.com/)进行访问获取。本发明中使用的MODIS卫星影像数据为NASA发布的MOD09GA产品和MYD09GA产品,二者分别是由上午星Terra和下午星Aqua获取的数据进行大气校正后生成的产品数据。MOD09GA和MYD09GA是日值产品,可以在MODIS数据官网(https://ladsweb.modaps.eosdis.nasa.gov/search/)下载获取,然后基于MRT进行裁剪和批量转换投影,之后借助IDL程序批量进行波段融合。
第三步,分别将MODIS和Landsat制成的有效数组样点,按照2:1的数量分布划分为建模组和验证组,保证两组的数据都均匀分布在国内水域部分,且两组数据均包含不同期的采样点。在获取的153个有效SDD样点中,其中可以匹配到时间窗口48小时以内过境Landsat卫星影像的有效样点有103个,这其中的69个点对用于模型构建,另外独立的34个点对用于模型验证;匹配到时间窗口48小时以内过境MODIS卫星影像的有效样点有128个,这其中的84个点对用于模型构建,另外独立的44个点对用于模型验证。
第四步,以SDD为因变量,以Landsat不同波段的单波段、多波段数据排列组合得到波段比值分别作为自变量,依次进行回归分析,筛选决定系数最大的波段或者波段比作为预选SDD反演模型,然后再将预选模型分别应用到验证数据组,选择评价结果最好的SDD估算模型。MODIS模型构建和验证步骤同上。
最终得到的SDD基MODIS卫星影像的估算模型见公式(1):
SDDMODIS=0.4554×exp(4.1823×Green/Red) (1)
式中,Green和Red分别是MODIS遥感卫星影像的绿波段和红波段,分别对应于MODIS的4波段和1波段,其具体的模型构建和估算效果评价见图3。
最终得到的SDD基于Landsat卫星影像的估算模型见公式(2):
SDDETM+/OLI=0.1631×exp(5.1092×Green/Red) (2)
式中,Green和Red分别是Landsat遥感卫星影像的绿波段和红波段,分别对应于ETM+的2波段和3波段、OLI传感器的传感器的3波段和4波段,其具体的模型构建和估算效果评价见图2。
第五步,然而,以上模型的构建和验证均是基于兴凯湖在我国境内的水域采样点展开的,俄罗斯境内由于政治因素无法获取实测采样数据,因此无法通过实测采样数据来进行模型精度的评价。为了解决模型在国际界湖的可用性验证评估,本研究开创性的提出了一个通过多源遥感卫星互相验证的新思路,即通过构建的Landsat和MODIS反演模型,分别反演同期的ETM+和MODIS影像、OLI和MODIS同期影像,如果模型估算准确,可用性好,那么ETM+和MODIS样点对、OLI和MODIS的样点对就会均匀的分布在1:1线的两侧。需要特别注意的是,Landsat系列传感器的影像空间分辨率为30m,而MODIS影像空间分辨率为500m,为了验证二者反演效果的一致性,需要首先将Landsat ETM+和OLI反演得到的SDD影像进行重采样到500m空间分辨率。
基于以上的假设,本发明随机选择了同期过境的2016年9月26日的OLI影像和MOD09GA数据,得到的验证效果如图4a所示,样点均匀分布在1:1线两侧,且RMSE和MRE均非常低,因此OLI和MODIS反演结果一致性很好;同理,基于2017年9月21日同期过境的ETM+和MODIS数据,得到的验证效果如图4b所示,样点也均匀分布在1:1线两侧,且RMSE和MRE均非常低,因此ETM+和MODIS反演结果一致性很好。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (1)
1.一种基于多源遥感卫星的国际界湖SDD反演方法,其特征在于,首先在国际界湖的国内水域部分均匀布设样点,获取不同时期大量实测SDD数据;其次,将所有实测样点与多元遥感卫星进行星地匹配,获取不同遥感卫星的相关波段水面遥感反射率;然后,将匹配好的点对按比例划分为建模组和验证组;再次,利用建模组与不同遥感卫星的相关波段水面遥感反射率,分别构建适用于不同卫星遥感影像的SDD遥感反演模型,利用验证组数据对模型精度进行评价;最后,选择同一天的不同遥感影像,分别进行遥感反演,将不同传感器反演得到的结果进行一致性评价;具体包括以下步骤:
第一步,选定合适的国际界湖作为研究区,选择晴朗无云且Landsat卫星过境时间,均匀布设样点,利用黑白相间的圆盘作为测量工具,采集不同样点的SDD,并同时记录样点的经纬度信息;
第二步,将所有野外巡航测量得到的样点的经纬度信息,获取48小时以内过境的LandsatETM+/OLI以及MODIS影像的可见光-近红外波段的水面遥感反射率,去除无效样点,与匹配的SDD分别制成Landsat有效数组和MODIS有效数组;
第三步,分别将MODIS和Landsat制成的有效数组样点,按照2:1的数量分布划分为建模组和验证组,保证两组的数据都均匀分布在国内水域部分,且两组数据均包含不同期的采样点;
第四步,分别得到SDD基于MODIS卫星影像、Landsat卫星影像的估算模型:
4.1)以SDD为因变量,以MODIS不同波段的单波段、多波段数据排列组合得到波段比值分别作为自变量,依次进行回归分析,筛选决定系数最大的波段或者波段比作为预选SDD反演模型,再将预选模型分别应用到验证数据组,选择评价结果最好的SDD估算模型;
4.2)以SDD为因变量,以Landsat ETM+/OLI不同波段的单波段、多波段数据排列组合得到波段比值分别作为自变量,依次进行回归分析,筛选决定系数最大的波段或者波段比作为预选SDD反演模型,再将预选模型分别应用到验证数据组,选择评价结果最好的SDD估算模型;
第五步,选择同一天的MODIS和Landsat遥感影像,运用第四步构建的模型得到两景SDD反演结果,将Landsat影像反演得到的SDD重采样至500m,导出由Landsat和MODIS反演得到的SDD数据点对,对国际界湖全湖反演结果的一致性进行评价,即可实现国际界湖非采样区域的模型构建效果评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067772.9A CN112345499B (zh) | 2020-10-07 | 2020-10-07 | 基于多源遥感卫星的国际界湖透明度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067772.9A CN112345499B (zh) | 2020-10-07 | 2020-10-07 | 基于多源遥感卫星的国际界湖透明度反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345499A true CN112345499A (zh) | 2021-02-09 |
CN112345499B CN112345499B (zh) | 2022-03-29 |
Family
ID=74361615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011067772.9A Active CN112345499B (zh) | 2020-10-07 | 2020-10-07 | 基于多源遥感卫星的国际界湖透明度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345499B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
CN116738734A (zh) * | 2023-06-19 | 2023-09-12 | 中国人民解放军国防科技大学 | 一种基于正则化约束的水体透明度融合计算方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053394A (zh) * | 2016-07-20 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种利用固有光学参数反演水体透明度的方法 |
CN106053370A (zh) * | 2016-08-02 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种基于hico模拟的反演近海岸水体透明度的方法 |
CN110836870A (zh) * | 2019-11-27 | 2020-02-25 | 中国科学院南京地理与湖泊研究所 | 基于gee的大区域湖泊透明度快速制图方法 |
-
2020
- 2020-10-07 CN CN202011067772.9A patent/CN112345499B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053394A (zh) * | 2016-07-20 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种利用固有光学参数反演水体透明度的方法 |
CN106053370A (zh) * | 2016-08-02 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种基于hico模拟的反演近海岸水体透明度的方法 |
CN110836870A (zh) * | 2019-11-27 | 2020-02-25 | 中国科学院南京地理与湖泊研究所 | 基于gee的大区域湖泊透明度快速制图方法 |
Non-Patent Citations (3)
Title |
---|
GUOFENG WU ET AL: "Comparison of MODIS and Landsat TM5 images for mapping tempo spatial dynamics of Secchi disk depths in Poyang Lake National Nature Reserve, China", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
禹定峰等: "基于实测数据和卫星数据的黄东海透明度估测模型研究", 《海洋环境科学》 * |
邬国锋等: "基于遥感技术的鄱阳湖采砂对水体透明度的影响", 《生态学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
CN113552034B (zh) * | 2021-07-12 | 2022-05-13 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
CN116738734A (zh) * | 2023-06-19 | 2023-09-12 | 中国人民解放军国防科技大学 | 一种基于正则化约束的水体透明度融合计算方法及*** |
CN116738734B (zh) * | 2023-06-19 | 2024-04-09 | 中国人民解放军国防科技大学 | 一种基于正则化约束的水体透明度融合计算方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112345499B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112345499B (zh) | 基于多源遥感卫星的国际界湖透明度反演方法 | |
Tapiador et al. | Global precipitation measurements for validating climate models | |
Bresciani et al. | Mapping phytoplankton blooms in deep subalpine lakes from Sentinel-2A and Landsat-8 | |
Dekker et al. | Remote sensing for inland water quality detection and monitoring: state-of-the-art application in Friesland waters | |
CN110516816B (zh) | 基于机器学习的全天候地表温度生成方法及装置 | |
ES2944938T3 (es) | Dispositivo de simulación, método de simulación y soporte de memoria | |
Jones et al. | The Rossby Centre regional atmospheric climate model part I: model climatology and performance for the present climate over Europe | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
Choudhary et al. | Agriculture phenology monitoring using NDVI time series based on remote sensing satellites: a case study of Guangdong, China | |
Zhang et al. | THE MODEL OF WHEAT YIELD FORECAST BASED ON MODIS-NDVI–A CASE STUDY OF XINXIANG | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN103411846A (zh) | 基于高光谱技术的叶面降尘量测定方法 | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
AU2016273991A1 (en) | Detection of environmental conditions | |
CN105352979A (zh) | 基于北斗geo卫星信号的土壤湿度估计方法 | |
Li et al. | Terrestrial CO2 fluxes, concentrations, sources and budget in Northeast China: Observational and modeling studies | |
CN114092837B (zh) | 一种基于长时间尺度的遗址环境遥感监测方法及*** | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data | |
Eskandari Damaneh et al. | Evaluation of spatiotemporal changes and correclations of aerosol optical depth, NDVI and climatic data over Iran | |
Li et al. | Fractional vegetation coverage downscaling inversion method based on Land Remote-Sensing Satellite (System, Landsat-8) and polarization decomposition of Radarsat-2 | |
CN111579565B (zh) | 农业干旱监测方法、***及存储介质 | |
AU2021105817A4 (en) | Method for Reconstructing global Surface Temperature | |
CN115931783A (zh) | 一种基于GEE的大尺度区域湖库叶绿素a制图方法 |
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 |