CN112528555B - 一种土壤水分图绘制方法及装置 - Google Patents
一种土壤水分图绘制方法及装置 Download PDFInfo
- Publication number
- CN112528555B CN112528555B CN202011321623.0A CN202011321623A CN112528555B CN 112528555 B CN112528555 B CN 112528555B CN 202011321623 A CN202011321623 A CN 202011321623A CN 112528555 B CN112528555 B CN 112528555B
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- data
- principal component
- module
- training data
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims description 11
- 241000132092 Aster Species 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000012847 principal component analysis method Methods 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001035 drying Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100031880 Helicase SRCAP Human genes 0.000 description 1
- 101000704158 Homo sapiens Helicase SRCAP Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种土壤水分图绘制方法及装置,通过实测土壤水分训练数据集构建一般知识,并利用主成分分析法对多源数据反演得到的环境变量进行降维,结合实测土壤水分训练数据构建模糊概率矩阵,结合软数据点集坐标生成软数据;然后将一般知识、软数据以及实测土壤水分训练数据集相结合,在贝叶斯条件概率规则下,实现试验区土壤水分分布图的绘制。该技术方案既综合了传统地统计学方法对参数变异特性的描述方法,又融合了多源辅助环境变量,不受参数分布特性的约束,可以得到细节信息更为丰富的预测图,并在定量化精度指标上也有了明显提升。
Description
技术领域
本发明涉及土壤制图相关技术领域,尤其涉及一种土壤水分图绘制方法及装置。
背景技术
土壤表层(0-5cm)水分对大气与陆地之间的能量与物质交换起着重要的作用。区域尺度的土壤水分数据,对于农业、气象等领域都具有重要的实用价值。传统的烘干法可以提供高精度可靠的土壤水分数据,但是其成本过高,且耗时耗力,所以往往仅能在特定实验中获取稀疏样本,所以说完全依靠烘干法获取区域尺度的土壤水分信息几乎是不可行的。
传统地统计学方法为区域尺度的土壤水分信息的获取提供了一种优于确定性插值方法的新思路,其中普通克里格方法(以下简称“OK方法”)是最为广泛应用的地统计学方法之一。OK方法可以通过量化空间变异特性,提供待估计点的线性无偏预测值。由于该方法缺少辅助数据的应用,OK方法的准确性受到采样点密度的较大影响,具有明显的缺陷。为了突破这种局限,协同克里格方法和回归克里格方法尝试了应用比目标参数更易获取且相对廉价的辅助数据参与预测,这些方法虽然被证明在辅助数据与目标参数之间存在强相关关系(相关系数>0.75)的情况下可以达到令人满意的预测精度,但是该方法受到线性估计器的自身限制且运算过程较为复杂,其应用仍然存在明显局限性。
基于遥感数据的土壤水分反演算法,为稀疏样本土壤水分测图提供了一系列有理论支撑的方法,能够融合非线性相关辅助数据,而不受数据分布特性的限制。以光学遥感数据为基础,将光谱特征变化与土壤湿度联系起来,采用简单但易受天气条件影响的光学反演算法。热红外法可用于无云条件下裸地或植被稀疏地区土壤水分制图。由于微波与电磁辐射谱获取信息的协同作用,利用微波遥感数据反演方法在裸地土壤水分测图中也具有良好的应用前景。这些方法的操作需要坚实的理论基础,通常需要在野外实验中额外测量辅助参数来驱动模型,如Dubois模型中的均方根高度和相关长度,光学方法中的植被冠层含水量等。尽管一些研究结合光学和微波遥感数据来实现土壤水分植被区域制图,但仅限于光学近红外和微波数据的融合并且将它们分别应用于两类不同的模型再进行关联。由于算法的物理机制的局限性,一个特定的算法可能只有一种或两种类型的遥感数据融合。也就是说,现有常用的土壤水分反演算法几乎不可能同时集成光学、近红外、热红外、微波遥感数据和地形数据等各类辅助数据。
传统烘干法尽管可以获取高精度可靠的土壤水分数据,但其成本过高耗时耗力,几乎无法单独依靠该方法获取区域尺度土壤水分信息。传统地统计学方法中的OK方法受到固有线性估计器特性限制,对数据高斯分布的约束,以及无辅助数据的加入,使其精度受到采样密度影响较大。传统地统计学方法中的协同克里格以及回归克里格方法对辅助数据的应用能力有限,仅可容纳线性相关性较强的辅助数据,且运算形式较为复杂。遥感反演土壤水分的方法尽管可以容纳非线性相关性的遥感数据,但收到模型机理的限制往往某一单独算法仅可以应用一到两种数据,且往往需要在野外试验过程中额外测量除土壤水分外的其他参数作为模型驱动数据。
发明内容
基于现有技术的上述情况,本发明的目的在于提供一种高效且可行性强的制图方法,可以整合光学、近红外、热红外等各类非线性相关性辅助数据,在仅有土壤水分参数稀疏采样条件下实现土壤水分制图。
为达到上述目的,根据本发明的一个方面,提供了一种土壤水分图绘制方法,包括步骤:
利用实测土壤水分训练数据,构建表示先验信息的一般知识;
将多源数据进行反演,提取出多源数据的主成分,并得到各主成分的权重因子;
结合分位数断点法和等距断点法,构建各主成分的模糊概率矩阵;
根据所述主成分的权重因子和模糊概率矩阵生成软数据;
将表示先验信息的一般知识、软数据以及实测土壤水分训练数据相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
进一步的,所述将多源数据进行反演,包括将Landsat 8卫星数据和ASTER GDEM数据进行反演
进一步的,所述得到各主成分的权重因子,包括通过以下公式得到权重因子:
其中,γFk为主成分Fk的权重因子,PFk为该主成分对总方差的解释百分比,p为提取的主成分的总数。
进一步的,所述构建各主成分的模糊概率矩阵中,所述模糊概率矩阵MP为:
其中,CountF_i为每个主成分类别中的元素数量,CountSM_i为采用等距断点法分组得到的特定组中样本的总数。
进一步的,所述方法还包括:采用普通克里格法获取训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。
根据本发明的另一个方面,提供了一种土壤水分图绘制装置,包括一般知识构建模块、主成分提取模块、模糊概率矩阵构建模块、软数据生成模块、以及土壤水分图绘制模块;其中,
所述一般知识构建模块,利用实测土壤水分训练数据,构建表示先验信息的一般知识;
所述主成分提取模块,将多源数据进行反演,提取出多源数据的主成分,并得到各主成分的权重因子;
所述模糊概率矩阵构建模块,结合分位数断点法和等距断点法,构建各主成分的模糊概率矩阵;
所述软数据生成模块,根据所述主成分的权重因子和模糊概率矩阵生成软数据;
所述土壤水分图绘制模块,将所述代表先验信息的一般知识、软数据以及实测土壤水分训练数据相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
进一步的,所述多源数据,包括Landsat 8卫星数据和ASTER GDEM数据。
进一步的,所述主成分提取模块,通过以下公式得到各主成分的权重因子:
其中,γFk为主成分Fk的权重因子,PFk为该主成分对总方差的解释百分比,p为提取的主成分的总数。
进一步的,所述模糊概率矩阵构建模块,通过如下公式构建各主成分的模糊概率矩阵MP:
其中,CountF_i为每个主成分类别中的元素数量,CountSM_i为采用等距断点法分组得到的特定组中样本的总数。
进一步的,所述装置还包括验证模块;
所述验证模块,采用普通克里格法获取训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。
综上所述,本发明提供一种土壤水分图绘制方法及装置,将多源数据进行反演,提取出多源数据的主成分,构建模糊概率矩阵,将多源数据与实测土壤水分训练数据相结合,然后根据贝叶斯调节规则进行土壤水分图的绘制,本发明提供的技术方案既综合了传统统计学方法对参数变异特性的描述方法,又可以融合多源辅助环境变量,不受参数分布特性的约束,不受线性估计器的限制,不需要做二阶平稳及内蕴假设,可以得到细节信息更为丰富的预测结果,改善了传统OK方法结果中在高土壤水分区间低估和低土壤水分区间高估的问题,在定量化精度指标上也有了明显提升。
附图说明
图1是本发明的一个实施例提供的一种土壤水分图绘制方法的流程图;
图2是本发明的一个实施例提供的另一种土壤水分图绘制方法的流程图;
图3是土壤水分图的制图结果比较图;其中,图3(a)是采用传统OK方法绘制的土壤水分图,图3(b)是采用本发明的实施例提供的绘制方法绘制的土壤水分图;
图4是土壤水分图制图结果的散点图比较图;其中,图4(a)是采用传统OK方法绘制的土壤水分图的散点图,图4(b)是采用本发明的实施例提供的绘制方法绘制的土壤水分图的散点图;
图5是本发明的一个实施例提供的土壤水分图绘制装置的组成框图。
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明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
下面结合附图对本发明的技术方案进行详细说明。根据本发明的一个实施例,提供了一种土壤水分图绘制方法,该绘制方法的流程图如图1和2所示,该方法包括如下步骤:
对实测土壤水分训练数据进行数据校准处理,利用校准后的数据,基于信息论的最大熵原理,引入拉格朗日乘子,构建表示先验信息的一般知识。
采用包括Landsat 8卫星数据和ASTER GDEM数据在内的多源数据进行融合,其中,Landsat 8卫星数据为陆地卫星计划的第八颗卫星的数据,本实施中采用的Landsat 8卫星数据包括了光学、近红外、以及热红外数据。ASTER GDEM数据,全称为先进星载热发射和反射辐射仪全球数字高程模型,二者均为廉价获得途径便利的遥感数据。将Landsat 8卫星数据和ASTER GDEM数据分别进行数据预处理,然后进行辅助环境变量反演,得到包括比值植被指数(RVI)、归一化植被指数(NDVI)、增强型植被指数(EVI)、基于SWR1波段的归一化水指数(NDWI_SWR1)、基于SWR2波段的归一化水指数(NDWI_SWR2)、地表温度(LST)、地表反照率(Albedo)、坡度(Slope)、表面粗糙度(m)在内的9种辅助环境变量,利用这9个辅助环境变量构建基于模糊概率的软数据,从而有助于在基于贝叶斯最大熵(Bayesian MaximumEntropy,以下简称“BME”)框架下用离散概率近似真实概率。根据某些实施例,可以采用分位数断点法得到离散区间,软数据的构建过程可以包括以下步骤:
第一步:考虑到9个辅助环境变量之间的共线相关性可能导致土壤水分制图过程中引入信息冗余,采用PCA方法作为环境辅助变量数据降维算法,得到代表环境辅助变量大部分信息的主成分。提取的主成分图像记录为Fk,总数为p,例如可以得到3个多源数据的主成分。
第二步:利用分位数断点法对第一步中导出的各主成分进行分类。分位数是通过对特定主成分图像中所有像素进行统计分析来计算的。主成分分类记录为GF_i,每个主成分的类别数为Nf。
第三步:采用等距断点法将采集到的多个土壤水分样品分成不同的组。运算过程需要求出所有样本的最大值和最小值,然后按等间距划分值的范围,以匹配BME框架下等距直方图软数据格式。土壤水分组记为GSM_i,组个数为Nsm。
第四步:对属于特定土壤水分组的土壤水分样本进行识别和计数,并将该组样本的总数记录为计数CountSM_i。从一幅特定的主成分图像中提取与这些样本相同位置的像素值,然后将其分类到第二步中得到的不同主成分类别中。此后,对每个主成分类别中的元素数量进行计数,并记录为CountF_i。
第五步:对于特定的土壤水分组,按照第四步中,对第一步中获得的所有主成分图像进行计数和记录。随后,按照上述步骤对第三步中获得的所有土壤水分组进行计数和记录。
第六步:利用公式可以得到特定主成分图像的模糊概率矩阵MP。任何位置的值代表在已知土壤含水量组的前提下出现主成分类别的概率。
第七步:考虑到各主成分解释总方差能力的差异,根据各主成分解释能力的归一化系数建立权重因子。γFk代表Fk主成分的权重因子,PFk是其对总方差的解释百分比。公式如下:
第八步:根据第六步得到的模糊概率矩阵和第七步得到的主成分权重系数构造软数据。
将所述一般知识的先验信息、软数据以及实测土壤水分训练数据(即硬数据)相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
为了验证该方法的可行性,通过实测土壤水分数据构建OK模型训练数据集,以得到OK模型,并进一步获取OK方法的训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。对各土壤水分图从目视对比、定量精度指标及散点图特征三个方面进行综合评价。结果表明,利用本实施例所提供的土壤水分图绘制方法,即基于BME框架的绘制方法获得的土壤水分图具有明显的优势。BME框架包容了辅助数据的不确定性,仍然得到了令人满意的预测结果,即本实施例中涉及的9种辅助环境变量,均使用Landsat8卫星数据或者ASTER GDEM数据进行反演得到,反演过程引入了不确定性,而采用本实施提供的方法对其具有包容性仍然取得了较高精度结果。采用本实施所提供的绘制方法绘制出的土壤水分图,显示出更丰富的细节信息,比较结果如图3所示,可以看出,图3(b)中示出的采用本发明的实施例提供的绘制方法绘制的土壤水分图,量化指标的准确性较高(RMSE=0.0423cm3/cm3,MAE=0.0399cm3/cm3,and PCC=0.7846)。与此同时,如图4所示,BME方法结果的高土壤水分值区间低估以及低土壤水分值区间高估的问题比OK方法有了显著改善,且与OK方法结果相比,BME方法散点与1:1线更为贴合,这反应了该方法的预测结果更符合实际情况。
根据本发明的另一个实施例,提供了一种土壤水分图绘制装置,该装置的组成框图如图5所示,该装置包括:一般知识构建模块、主成分提取模块、模糊概率矩阵构建模块、软数据生成模块、土壤水分图绘制模块、以及验证模块。下面对各模块进行详细说明。
一般知识构建模块,利用实测土壤水分训练数据,构建表示先验信息的一般知识。利用校准后的数据,基于信息论的最大熵原理,引入拉格朗日乘子,构建表示先验信息的一般知识。
主成分提取模块,将多源数据进行反演,提取出多源数据的主成分,并得到各主成分的权重因子。该多源数据包括Landsat 8卫星数据和ASTER GDEM数据。权重因子可通过下式获得:
其中,γFk为主成分Fk的权重因子,PFk为该主成分对总方差的解释百分比,p为提取的主成分的总数。
模糊概率矩阵构建模块,结合分位数断点法和等距断点法,构建各主成分的模糊概率矩阵。该模糊概率矩阵可通过下式构建:
其中,CountF_i为每个主成分类别中的元素数量,CountSM_i为采用等距断点法分组得到的特定组中样本的总数。
软数据生成模块,根据所述主成分的权重因子和模糊概率矩阵生成软数据。
土壤水分图绘制模块,将所述代表先验信息的一般知识、软数据以及实测土壤水分训练数据(即硬数据)相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
验证模块,采用普通克里格法获取训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。
综上所述,本发明涉及一种土壤水分图绘制方法及装置,在贝叶斯最大熵框架(BME)软数据构建阶段,使用了一种简便并且可行性强的方法,通过主成分权重分配以及模糊概率矩阵相结合的方法,以一种离散概率逼近土壤水分与目标参数之间的复杂非线性关系,从而构建软数据,并将软数据与一般知识的先验信息和硬数据相结合,完成土壤水分图的绘制。该技术方案融合了包括光学、近红外、热红外和DEM数据在内的不确定性多源数据,利用这些辅助环境变量与目标变量土壤水分之间的非线性相关关系构建模糊概率型软数据,进而结合野外试验获取的土壤水分硬数据,以及基于硬数据的带有先验信息的一般知识,实现了区域尺度的土壤水分制图。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种土壤水分图绘制方法,其特征在于,包括步骤:
利用实测土壤水分训练数据,构建表示先验信息的一般知识;
将多源数据进行反演,提取出多源数据的主成分,并得到各主成分的权重因子,通过以下公式得到权重因子:
根据所述主成分的权重因子和模糊概率矩阵生成软数据;
将表示先验信息的一般知识、软数据以及实测土壤水分训练数据相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
2.根据权利要求1所述的方法,其特征在于,所述将多源数据进行反演,包括将Landsat8卫星数据和ASTER GDEM数据进行反演。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:采用普通克里格法获取训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。
4.一种土壤水分图绘制装置,其特征在于,包括一般知识构建模块、主成分提取模块、模糊概率矩阵构建模块、软数据生成模块、以及土壤水分图绘制模块;其中,
所述一般知识构建模块,利用实测土壤水分训练数据,构建表示先验信息的一般知识;
所述主成分提取模块,将多源数据进行反演,提取出多源数据的主成分,并得到各主成分的权重因子,通过以下公式得到各主成分的权重因子:
所述软数据生成模块,根据所述主成分的权重因子和模糊概率矩阵生成软数据;
所述土壤水分图绘制模块,将所述代表先验信息的一般知识、软数据以及实测土壤水分训练数据相结合,根据贝叶斯条件概率规则进行土壤水分图的绘制。
5.根据权利要求4所述的装置,其特征在于,所述多源数据,包括Landsat8卫星数据和ASTER GDEM数据。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括验证模块;
所述验证模块,采用普通克里格法获取训练数据,并采用所述训练数据对所述绘制的土壤水分图进行对比验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321623.0A CN112528555B (zh) | 2020-11-23 | 2020-11-23 | 一种土壤水分图绘制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321623.0A CN112528555B (zh) | 2020-11-23 | 2020-11-23 | 一种土壤水分图绘制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528555A CN112528555A (zh) | 2021-03-19 |
CN112528555B true CN112528555B (zh) | 2023-02-21 |
Family
ID=74992773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321623.0A Active CN112528555B (zh) | 2020-11-23 | 2020-11-23 | 一种土壤水分图绘制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528555B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109460789A (zh) * | 2018-11-07 | 2019-03-12 | 中国农业科学院农田灌溉研究所 | 一种基于贝叶斯最大熵的土壤水分融合方法 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573393B (zh) * | 2015-01-28 | 2017-10-13 | 北京师范大学 | 一种基于贝叶斯理论的土壤水分站点数据升尺度方法 |
CN105893736A (zh) * | 2016-03-23 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于多源数据类型的被动微波土壤水分真实性检验方法 |
CN111678866B (zh) * | 2020-05-28 | 2021-08-17 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
-
2020
- 2020-11-23 CN CN202011321623.0A patent/CN112528555B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109460789A (zh) * | 2018-11-07 | 2019-03-12 | 中国农业科学院农田灌溉研究所 | 一种基于贝叶斯最大熵的土壤水分融合方法 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
Non-Patent Citations (2)
Title |
---|
"基于遥感图像的土壤含水量信息提取研究";崔丽霞 等;《唐山学院学报》;20170615(第6期);1-4 * |
"被动微波土壤水分产品真实性检验研究进展";王春梅 等;《浙江农业学报》;20190515;第31卷(第5期);1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528555A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Houborg et al. | Joint leaf chlorophyll content and leaf area index retrieval from Landsat data using a regularized model inversion system (REGFLEC) | |
Maahn et al. | Optimal estimation retrievals and their uncertainties: What every atmospheric scientist should know | |
Sobrino et al. | Synergistic use of MERIS and AATSR as a proxy for estimating Land Surface Temperature from Sentinel-3 data | |
Lockhoff et al. | Evaluation of satellite-retrieved extreme precipitation over Europe using gauge observations | |
WO2014203664A1 (ja) | 収量予測システムおよび収量予測装置 | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
Zhang et al. | Subgrid variations of the cloud water and droplet number concentration over the tropical ocean: satellite observations and implications for warm rain simulations in climate models | |
Yin et al. | Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model | |
Foresti et al. | Exploration of alpine orographic precipitation patterns with radar image processing and clustering techniques | |
Venema et al. | Surrogate cloud fields generated with the iterative amplitude adapted Fourier transform algorithm | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
Peterson et al. | Thunderstorm cloud-type classification from space-based lightning imagers | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和*** | |
Dungan | Toward a comprehensive view of uncertainty in remote sensing analysis | |
Hong et al. | 15 Global Precipitation Estimation and Applications | |
CN117809183A (zh) | 一种荒漠化监测方法、***、电子设备及介质 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、***及介质 | |
CN112528555B (zh) | 一种土壤水分图绘制方法及装置 | |
Chiu et al. | Bayesian retrieval of complete posterior PDFs of oceanic rain rate from microwave observations | |
Zhu et al. | Coupled and continuous estimation of soil moisture and evaporative fraction within the remotely sensed surface temperature-vegetation index framework | |
La et al. | Image simulation from multitemporal landsat images | |
Mngadi et al. | Quantifying carbon stock variability of species within a reforested urban landscape using texture measures derived from remotely sensed imagery |
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 |