Research on downscaling Soil Moisture (SM) provides a technical means to solve the coarse resolution problem of passive microwave SM products and to better serve small-scale regional applications. On the basis of SMAP SM products and multiple remote sensing auxiliary data including the MODIS product and so on, supported by the land use data, a hybrid downscaling method was developed by combining the parameter statistics and spatio-temporal fusion downscaling method. And taking Oklahoma, USA as the study area, the downscaled results were evaluated using SMAP 9 km products and in-site data. The results show that: the hybrid downscaling method could obtain downscaled results with rich details and complete spatial coverage. Compared with the two single downscaling method based on parameter statistics or spatio-temporal fusion, the spatial distribution of the hybrid downscaled result was the most similar to the real SMAP 9 km product, and it has the highest temporal accuracy against site data whether on the whole or under different land use. Therefore, the proposed hybrid downscaling method combining parameter statistics and spatio-temporal fusion was feasible.
另外,实验使用了DEM地形数据和地表分类数据,其中DEM地形数据来源于NOAA发布的全球1 km DEM高程产品(https:∥www.ngdc.noaa.gov/),地表分类数据来源于美国农业部制作的地表分类数据集(https:∥www.nass.usda.gov/)。与一般地表覆盖数据不同的是,其着重于对已开发土地类型特别是农业用地类型的划分。如图2所示,其主要分为耕种地、非农业用地、农业—城市用地、商业用地和水体;其中耕种地按被耕种比例不同又被分为75%以上被耕种,51%~75%被耕种,15%~50%被耕种和15%以下被耕种4类。
Downscaling AMSR-E soil moisture data based on temperature vegetation drought index in Eastern China
[J]. , 2016, 37(5): 956-963.
辛强, 李兆富, 李瑞娟,等.
基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究
[J]. , 2016, 37(5): 956-963.
WangJ, LingZ W, WangY, et al.
Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products
DisPATCh as a tool to evaluate coarse-scale remotely sensed soil moisture using localized in situ measurements: application to SMOS and AMSR-E data in Southeastern Australia
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法推广
1
2013
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status
1
2002
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分
1
2020
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分
1
2020
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究
1
2011
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究
1
2011
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究
0
2016
基于温度植被干旱指数的华东地区AMSR-E土壤水分数据的空间降尺度研究
0
2016
Improving spatial representation of soil moisture by integration of microwave observations and the temperature-vegetation-drought index derived from MODIS products
1
2016
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
Disaggregation of SMOS soil moisture in Southeastern australia
1
2012
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
DisPATCh as a tool to evaluate coarse-scale remotely sensed soil moisture using localized in situ measurements: application to SMOS and AMSR-E data in Southeastern Australia
1
2016
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
Global Downscaling of remotely sensed soil moisture using neural networks
1
2018
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
Downscaling SMAP soil moisture estimation with gradient boosting decision tree regression over the tibetan plateau
1
2019
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
A soil moisture spatial and temporal resolution improving algorithm based on multi-source remote sensing data and GRNN model
1
2020
... 近些年关于土壤水分降尺度的研究越来越多,总结来看,降尺度方法大概分为两大类:基于参量统计的降尺度方法与基于时空融合模型(STF)的降尺度方法.基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据,在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系,将其应用到细尺度上从而预测高分辨率的土壤水分.现在应用较为广泛的是Piles等[13]基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型.在此基础上,王安琪等[14]选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程.同时,基于Sandholt 等[15]提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间[16], TVDI等一系列指数被用于土壤水分的降尺度研究中,如曹永攀等[17-19]的一系列降尺度研究.另外,Merlin等[20-21]从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法,并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好.为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系,机器学习算法也被广泛应用于降尺度关系模型的建立当中.Alemohammad等[22]利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km;Wei等[23]采用梯度提升决策树回归(GBDT)表达土壤水分与辅助变量之间的非线性关系,获取了青藏高原地区的高精度、高分辨率土壤水分数据;Cui等[24]首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度.上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的,不存在尺度差异;而且此方法会受制于辅助数据的质量,在不同区域的应用效果也不一样. ...
On the blending of the landsat and MODIS surface reflectance: predicting daily landsat surface reflectance