中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
四千年農夫 中國、朝鮮和日本的永續農業
-
>
(精)中華古樹名木(全2冊)
-
>
線辣椒優質高產栽培
-
>
生命的藝術:動物解剖學的神秘歷史之旅
-
>
正確使用農藥知識問答
-
>
龍眼譜:外二種
-
>
迷你花園:打造你的玻璃生態瓶
人工智能驅動的土壤水分數據時空序列重建研究(精) 版權信息
- ISBN：9787030720696
- 條形碼：9787030720696 ; 978-7-03-072069-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能驅動的土壤水分數據時空序列重建研究(精) 內容簡介
土壤水分能夠直接影響植被蒸騰及光合作用，開展土壤水分監測對于農作物長勢分析與產量估算具有重要意義。衛星微波遙感技術是獲取優選尺度、連續時間序列的陸地表層土壤水分數據的重要手段，但是當前衛星土壤水分數據難以滿足農業生產領域的監測應用與研究分析需求。本書利用人工智能算法在多維數據非線性特征映射中的優勢，發展高分辨率高精度土壤水分重構模型，研制可靠的高時空分辨率土壤水分數據，解決遙感土壤水分數據時空分辨率低、區域尺度適用性差等問題。這不僅對于提高星載微波土壤水分數據的質量和精度，推進土壤水分數據重建算法的構建具有重要的參考價值，而且對于農田旱澇預警及作物估產研究、優選生態系統演替及水循環研究也具有重要的科學意義。 本書主要面向高等院校和科研院所地球科學相關專業的師生與科研人員。通過閱讀本書，讀者可以認識高分辨率高精度土壤水分數據獲取的復雜性和重要性，并在此基礎上獲得新的知識，發現新的問題。
人工智能驅動的土壤水分數據時空序列重建研究(精) 目錄
目錄
第1章 緒論 1
1.1 研究背景與意義 1
1.2 國內外研究進展 3
1.3 相關研究中存在的主要問題 23
1.4 研究內容與技術路線 25
第2章 多源數據融合遙感土壤水分數據時空序列重建技術方法 27
2.1 衛星遙感土壤水分數據質量評價指標 27
2.2 基于皮爾遜相關系數與顯著性檢驗的時空序列重建因子選擇 28
2.3 重建因子空間濾波補全與時間序列平滑 29
2.4 基于多源數據融合的機器學習時空序列重建算法 31
2.5 本章小結 36
第3章 全球典型區遙感土壤水分產品驗證分析研究 38
3.1 全球典型區土壤水分監測網絡 38
3.2 全球典型區遙感土壤水分產品比較 44
3.3 全球典型區遙感土壤水分產品時間序列驗證分析 57
3.4 本章小結 63
第4章 遙感土壤水分數據時空序列重建因子選擇研究 65
4.1 解釋變量體系建立的理論依據 66
4.2 皮爾遜相關系數與顯著性檢驗 69
4.3 本章小結 75
第5章 遙感土壤水分產品時間序列重建及精度評價 77
5.1 土壤水分重建值綜合驗證 77
5.2 土壤水分空間重建結果 92
5.3 本章小結 101
第6章 多源數據融合的遙感土壤水分產品空間降尺度及精度評價 104
6.1 降尺度流程 104
6.2 多源數據融合的衛星土壤水分產品空間降尺度結果 106
6.3 土壤水分降尺度數據綜合評價 121
6.4 誤差來源與分析 147
6.5 本章小結 152
第7章 亞洲及歐洲、非洲部分地區土壤水分降尺度重建 153
7.1 基于RF算法的土壤水分降尺度重建 153
7.2 土壤水分降尺度產品評價驗證與分析 158
7.3 土壤水分降尺度產品時空分布特征 170
7.4 本章小結 171
第8章 風云衛星土壤水分數據真實性驗證分析研究 172
8.1 風云衛星系列土壤水分產品 172
8.2 站點實測數據 172
8.3 真實性驗證分析方法 175
8.4 結論 176
8.5 本章小結 191
第9章 衛星土壤水分數據插補重建方法研究——以美國俄克拉何馬州區域為例 192
9.1 ECV土壤水分數據 192
9.2 插補重建方法 193
9.3 土壤水分重構技術流程 195
9.4 特征空間三角形與RF重建結果分析 196
9.5 本章小結 212
第10章 決策樹驅動的土壤水分降尺度方法研究——以法國南部區域為例 213
10.1 ECV、SMAP數據原始精度 213
10.2 研究區與數據源 219
10.3 降尺度模型構建 221
10.4 結果分析 223
10.5 本章小結 239
第11章 討論與結論 240
11.1 討論 240
11.2 結論 244
11.3 創新點 246
11.4 展望 247
參考文獻 249
第1章 緒論 1
1.1 研究背景與意義 1
1.2 國內外研究進展 3
1.3 相關研究中存在的主要問題 23
1.4 研究內容與技術路線 25
第2章 多源數據融合遙感土壤水分數據時空序列重建技術方法 27
2.1 衛星遙感土壤水分數據質量評價指標 27
2.2 基于皮爾遜相關系數與顯著性檢驗的時空序列重建因子選擇 28
2.3 重建因子空間濾波補全與時間序列平滑 29
2.4 基于多源數據融合的機器學習時空序列重建算法 31
2.5 本章小結 36
第3章 全球典型區遙感土壤水分產品驗證分析研究 38
3.1 全球典型區土壤水分監測網絡 38
3.2 全球典型區遙感土壤水分產品比較 44
3.3 全球典型區遙感土壤水分產品時間序列驗證分析 57
3.4 本章小結 63
第4章 遙感土壤水分數據時空序列重建因子選擇研究 65
4.1 解釋變量體系建立的理論依據 66
4.2 皮爾遜相關系數與顯著性檢驗 69
4.3 本章小結 75
第5章 遙感土壤水分產品時間序列重建及精度評價 77
5.1 土壤水分重建值綜合驗證 77
5.2 土壤水分空間重建結果 92
5.3 本章小結 101
第6章 多源數據融合的遙感土壤水分產品空間降尺度及精度評價 104
6.1 降尺度流程 104
6.2 多源數據融合的衛星土壤水分產品空間降尺度結果 106
6.3 土壤水分降尺度數據綜合評價 121
6.4 誤差來源與分析 147
6.5 本章小結 152
第7章 亞洲及歐洲、非洲部分地區土壤水分降尺度重建 153
7.1 基于RF算法的土壤水分降尺度重建 153
7.2 土壤水分降尺度產品評價驗證與分析 158
7.3 土壤水分降尺度產品時空分布特征 170
7.4 本章小結 171
第8章 風云衛星土壤水分數據真實性驗證分析研究 172
8.1 風云衛星系列土壤水分產品 172
8.2 站點實測數據 172
8.3 真實性驗證分析方法 175
8.4 結論 176
8.5 本章小結 191
第9章 衛星土壤水分數據插補重建方法研究——以美國俄克拉何馬州區域為例 192
9.1 ECV土壤水分數據 192
9.2 插補重建方法 193
9.3 土壤水分重構技術流程 195
9.4 特征空間三角形與RF重建結果分析 196
9.5 本章小結 212
第10章 決策樹驅動的土壤水分降尺度方法研究——以法國南部區域為例 213
10.1 ECV、SMAP數據原始精度 213
10.2 研究區與數據源 219
10.3 降尺度模型構建 221
10.4 結果分析 223
10.5 本章小結 239
第11章 討論與結論 240
11.1 討論 240
11.2 結論 244
11.3 創新點 246
11.4 展望 247
參考文獻 249
展開全部
人工智能驅動的土壤水分數據時空序列重建研究(精) 節選
第1章緒論 1.1研究背景與意義 土壤水分（Soil Moisture，SM）是表示一定深度土層土壤干濕程度的物理量，又稱土壤水分含量。地表土壤水分是陸地表面水分存儲和交換的重要介質與形式，對氣候和環境變化有顯著的反饋機制（González-Zamora et al.，2019；Mei et al.，2017；李得勤等，2015；Guo et al.，2006；Koster et al.，2004）。土壤水分是表征農業干旱、水文過程、地表蒸散量和區域氣候變化的一個重要指標（Feng et al.，2017；Seneviratne et al.，2010；程街亮，2008；Drusch，2007；Western et al.，2003），也是全球氣候變化、環境演替研究的重要組成部分及數據基礎（Jing et al.，2018a；McNally et al.，2016；Shi et al.，2011；Koster et al.，2004）。系統研究土壤水分有利于分析作物長勢、進行旱情分析和產量預測（Jiang and Weng，2017；Seneviratne et al.，2011）。 當前眾多國際組織和機構致力于研究土壤水分空間分布特征和時間序列變化。美國國家航空航天局（National Aeronautics and Space Administration，NASA）和歐洲空間局（European Space Agency，ESA）建立陸地表層土壤水分航空實驗（Passive and Active Land Band Sensor，PALS），主要針對土壤水分基礎理論開展實驗研究，分析空間微波遙感探測地表土壤水分的*佳波段（Dorigo et al.，2017；Dorigo et al.，2015）；美國國家航空航天局開展Hydros計劃，監測全球凍土狀態并進行全球土壤水分變化制圖（Balsamo et al.，2006；O'Neill et al.，2006a）；美國國家航空航天局發起土壤濕度主動-被動探測（Soil Moisture Active Passive，SMAP）項目，通過獲取土壤水分和凍融數據，分析地球水、能量和碳循環之間的關聯性，并提升監測和預測諸如洪水和干旱等自然災害的能力（鄭興明，2012；Das et al.，2011；O'Neill et al.，2010）。 土壤水分時空序列演替被廣泛認為是水、能量和碳循環的主要驅動力之一，在氣候系統中起著至關重要的作用，是近年來土壤水分領域研究的熱點（Paulik et al.，2014；Legates et al.，2011；Xu et al.，2004）。因此，一些研究聚焦于土壤水分在諸如蒸發（Miralles et al.，2014）、降水（De Jeu et al.，2011）、熱浪（Hirschi et al.，2010）的發生和植被發育（Schrier et al.，2013）等過程中的作用。此外，土壤水分也是影響陸氣相互作用的重要水文變量（Jing et al.，2018b；Vereecken et al.，2008；Western et al.，2004；Brubaker and Entekhabi，1996）。感熱通量和潛熱通量之間的能量分配受地表濕度的強烈控制（Dirmeyer et al.，1999；Cahill et al.，1999）。通過這種控制，土壤水分影響局地氣象要素，包括邊界層高度和云量等（Betts and Ball，1998）。 因此，土壤水分數據對于深刻理解氣候變化和全球水循環有深刻意義，在干旱監測、植被長勢分析、農產品估產等方面具有高度應用價值。 隨著航天技術、通信技術和信息技術的飛速發展，對地觀測限制條件越來越少，數據獲取更加方便、更新能力大幅提升。伴隨微波、近紅外、可見光遙感的發展，逐漸出現一系列多元化基于衛星的土壤水分反演數據。與可見光-近紅外波段相比，微波具有穿云透霧的感知力，監測地面數據不受天氣狀況影響。因此主流的基于衛星的土壤水分數據主要是微波遙感數據，分為主動微波和被動微波兩種。 被動微波傳感器重返周期多為1～1.5天，空間分辨率普遍較低（約25km）。該類數據多用于估計大尺度范圍、長時間序列的土壤水分及制圖中。相比而言，主動微波傳感器獲取的數據空間分辨率較高（10～30m），但重訪周期顯著較長（16～25天）。合成孔徑雷達（Synthetic Aperture Radar，SAR）的后向散射頻率更高，對植被覆蓋區和農作物區域的土壤水分估計精度明顯低于裸地，誤差較大。因此，在進行土地覆被類型多元化（包含原生植被、景觀植被、農田、裸地等）區域土壤水分數據時空序列分析時，多采用基于被動遙感或主被動遙感結合的衛星土壤水分數據。 衛星過境時并非地表所有位置在重訪周期內都能過境一次，而是基于衛星極地軌道高度、成像寬度、重訪周期、升/軌掃描間隙等因素的權衡，因此造成土壤水分數據頻繁出現空值。人為發射無線電信號干擾微波信號接收、濃密森林覆蓋的區域微波無法穿透植被，以及被動微波傳感器難以將土壤和植被的混合信號分解開等問題，進一步降低了衛星遙感微波土壤水分產品的完整性和質量。這些問題進一步限制了它在中小區域尺度的實際應用，如區域水文模型構建、地表循環過程分析、植被長勢分析、農作物估產、流域土壤持水力估算中的精度等。綜上所述，當前衛星遙感微波土壤水分產品存在空間破碎度高、數據不完整、空間分辨率低等問題，亟須發展時空連續的高分辨率土壤水分數據產品。時空連續高精度數據是研究土壤水分的關鍵基礎支撐，而目前土壤水分重建方法繁多，參數選擇自由度高，尚缺乏成熟、通用、高質量的理論體系和實踐方法。因此，探索高效自動的衛星土壤水分數據重建及降尺度算法，生成時空連續數據，對于提升土壤水分產品精度和質量，推動土壤水分多源遙感數據融合具有重要理論意義和參考價值。 1.2國內外研究進展 1.2.1星載傳感器土壤水分反演算法的主要原理和方法 自20世紀80年代以來，隨著機載和星載遙感的發展和普及，遙感反演土壤水分的方法得到迅速發展。1980年，一項針對雷達L波段數據與土壤水分之間關系的研究結果表明，L波段數據與裸土土壤水分之間存在正相關關系（Chang et al.，1980）。1985年，表觀熱慣量（Apparent Thermal Inertia，ATI）概念的提出，使利用可見光-近紅外反射率及熱紅外輻射溫度差計算熱慣量并估算土壤水分成為可能（Price，1985）。1988年，有學者開始利用掃描多通道微波輻射計（Scanning Multi-channel Microwave Radiometer，SMMR）和改進型甚高分辨率輻射計（Advanced Very High Resolution Radiometer，AVHRR）數據估算土壤水分，并分析了SMMR的極化方式及亮度溫度與土壤水分之間的相關性（Choudhury and Golus，1988）。1999年，L波段ESTAR（Electronically Scanned Thinned Array Radiometer）被用于從被動微波數據中反演土壤水分，與實測數據的驗證表明，反演算法合理有效（Jackson et al.，1999）。2001年，有研究基于SMMR SSM/I（Special Sensor Microwave/Imager）微波數據，建立C波段極化指數和X波段極化指數來反演土壤水分（Paloscia et al.，2002）。傳感器通過衛星升軌降軌運行來獲取微波輻射值，當衛星由南向北運行時，稱為升軌；由北向南運行時，稱為降軌。星載傳感器常用微波為L波段、C波段和X波段（Marzialetti and Laneve，2016；Kim et al.，2009；Angiulli et al.，2004），其頻率范圍、波長范圍如表1.1所示。 AMSR和SMOS是目前土壤水分研究中時間序列完整、全球尺度范圍的被動微波土壤水分數據，ECV是現存時間序列*長，由七種主被動微波土壤水分產品合成的衛星土壤水分數據。本書研究擬選取這三類土壤水分產品進行對比和分析、降尺度重建和評價。基于本書的研究對象，主要對三種微波遙感土壤水分算法進行介紹。并在表1.2中總括各系列算法的優缺點。 1.AMSR算法 AMSR算法*初是根據微波亮度Tb與陸地表層土壤水分之間的耦合關系，借助迭代方程組同步計算表層土壤水分、植被含水量和地表溫度（Land Surface Temperature，LST）。Njoku和Li（1999）主要使用AMSR傳感器量測土壤水分在C、Ka和X波段的微波輻射值。在此基礎上，Njoku和Chan（2006）進一步對算法優化升級，融合地形地貌與植被狀態為一個變量，發展得到了歸一化極化差異算法（Normalized Polarization Difference Algorithm，NPDA）。該方法**步是整合地形地貌與植被狀態為一個變量：式中，Tb為植被覆蓋區的地表亮溫；Ts為單一地表亮溫;Q為水平粗糙相關長度；g為地形與植被狀態整合后的綜合變量；α為相關系數;h為地表粗糙度參數;ζc為指數衰減參數;rp、rq分別為兩種異質性極化方式的理想光滑平面反射率值。 該算法將使用極化率來替代表示單一通道亮溫，目的是盡量削弱地表溫度對土壤水分反演的影響，表達式如下：（1.3）式中，MPDI為極化率；TB，V為垂直極化得到的地表像元亮溫；TB，H為水平極化得到的地表像元亮溫。 基于以上參數反演土壤水分時，利用極化率分別在10.7GHz和18.7GHz的頻率取值計算g，并在此基礎上以極化率在10.7GHz頻段的每年的逐月*小取值，通過回歸擬合方程反演土壤水分mv值：式中，a0、a1為擬合經驗參數值。 在計算植被光學厚度（Vegetation Optical Thickness）的基礎上采用非線性迭代Brent方法計算表層土壤介電常數（Seiler and Seiler，2010），*后根據Wigneron模型反演表層土壤水分（Wigneron et al.，2007）。 AMSR土壤水分反演產品在全球范圍得到廣泛應用，但C、X波段近年來受到人為輻射頻率干擾，有研究使用多時空魯棒衛星技術（Robust Satellite Techniques）在全球范圍評價了2002～2011年AMSR土壤水分反演產品的這兩個波段受到的輻射干擾。結果表明，歐洲地區（尤其是英國和意大利）遭到X波段的射頻干擾；印度、南美洲和日本受到的C波段強干擾（Lacava et al.，2012）。這一研究結論與前人的諸多調查結果相符。因此，不同頻率波段的輻射干擾成為衛星遙感微波土壤水分產品區域性精度差異的主導因素之一。 2.SMOS反演算法 SMOS衛星土壤水分產品是基于衛星搭載的L波段頻率1.42GHz合成孔徑微波成像儀獲取地表數據，對土壤水分和海水鹽度開展反演的數據產品，其中土壤水分的反演基于優化植被參數和迭代算法展開。有學者研究發現，SMOS二維微波干涉儀數據可以對多類地表參數進行高質量反演，其多視角結構傳感器以二維綜合孔徑原理為理論基礎（Wigneron et al.，2000）。隨后，多位學者通過深入研究提出用于反演全球大尺度范圍地表參數的L波段亮溫與土地覆被結構模型（Wigneron et al.，2007；Pellarin et al.，2006）。該模型根據地表覆蓋和土地利用狀態，將SMOS傳感器接收的地表像元亮溫（TB）分解為不同土地利用/土地覆被類型的加權組合形式：（1.5）式中，fB、fF、fH、fW分別為混合像元內裸土、森林、草地、水體的覆蓋比例；TB，B、TB，F、TB，H、TB，W分
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
有舍有得是人生
- >
名家帶你讀魯迅:朝花夕拾
- >
山海經
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
史學評論
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
小考拉的故事-套裝共3冊
本類暢銷
