融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法与流程

本发明涉及到一种融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法，属于土壤研究工具技术领域。

背景技术：

土壤水是水资源的重要组成部分，在近地表物质能量循环中起着至关重要的作用。当前，诸多关系到土壤水的农业、水文和环境问题，如农田水肥精准管理、水资源合理调控、面源污染物控制等，其研究尺度均集中于几十米至几千米的中小尺度[2,3]。上述问题的解决，很大程度上依赖于人们对该尺度土壤水分布和变化信息的了解程度。这就要求人们既要准确掌握研究区土壤宏观水量及其动态变化。另外，由于土壤水具有高度空间变异性，空间自相关距离通常仅为数十米[4,5]，因而也需要监测方法具有足够的空间分辨率，以便掌握其空间变化信息[6,7]。

目前，土壤水监测以点尺度和遥感大尺度的方法为主。点尺度测量包括了采样烘干称重法、介电式传感器(时域反射法、频域反射法)、中子法、张力计法等[8,9]；大尺度方法则以卫星和载人航空等高空遥感为主，所用技术包括可见光-近红外、热红外和微波遥感等[10-12]。然而，点测量的代表尺度通常在一米以内，而高空遥感的像元尺寸则通常在公顷、平方千米至更大级别。因此，两类监测方法间存在尺度空缺。针对人们关心的上述农业、水文、环境等中小尺度问题来说，前者的空间代表性过小，与问题研究尺度差别大；而后者空间分辨率则过于粗糙，在问题尺度上无法有效反映土壤水的空间变化信息。

人们也尝试采用各种尺度转换方法来实现现有的点监测和遥感监测数据与研究问题所在中小尺度的匹配。其中，点数据常采用的是空间插值或者随机模拟等尺度扩展技术[13-15]。然而，尺度扩展会增加结果的不确定性，而采样点和传感器布置不合理也会造成整体误差[16,17]。此外，高昂的采样劳动力和设备成本也限制了监测点密度的增加。当前看来，由于没有高效、可靠的替代方法，这仍然是获取中小尺度土壤水数据的最重要的方式。另一方面，大尺度、粗空间分辨率的土壤水高空遥感数据则会采用同化高分辨率的辅助数据集的方式进行空间降尺度[18,19]。同样，数据降尺度也会增加结果的不确定性，而且其可靠性会严重依赖于同化数据集的稳定性和两者的相关程度。目前来说，遥感数据降尺度的方法主要用在地面数据难以获取、成本预算低等应用情况。

总体看来，虽然通过尺度转换利用现有监测技术可满足部分中小尺度研究的需要，但仍然存在诸多缺点，越来越无法满足区域化、精量化的未来研究要求。因此，解决该矛盾的根本方式在于研发和创新基于中小尺度的土壤水监测新方法。要求该类方法既要具有足够的空间分辨率来反映土壤水的空间变异性，同时监测范围还能够衔接高空遥感等大尺度方法，以填补点尺度和大尺度之间数十米至几千米范围的尺度空缺。

近年来，人们已充分认识到中小尺度土壤水监测的重要性，开始着力于新测量技术的研发，因而涌现出了多种可用于中小尺度土壤水监测的新方法。具有代表性的有：宇宙射线中子法、无人机遥感、探地雷达、高密度电法仪，以及拉曼散射tdr[20-23]等。

宇宙射线中子法是一种通过宇宙射线快中子探测器(cosmic-rayneutronprobe，简称crnp)监测近地表宇宙射线中子流变化来预测土壤含水量的方法。其突出特点在于原生百米尺度的监测范围，因而应用于中小尺度研究时避免了尺度变换引起的误差。crnp的监测范围称为支持容量(supportvolume)，大小通常为以crnp为轴心，水平方向半径数百米，土壤中垂向距离数十厘米的区域[1,24,25]。crnp的测量结果为支持容量内土壤水含量的加权均值，且水平和垂直权重随会径向距离和深度的增大而减小，水平权重回随径向距离的增大而减小[1]。

crnp结果直接反映的是近地表氢含量。虽然近地表最大的氢库通常即为土壤水，但仍存在植被、土壤矿物结晶水、有机质、地表水和大气水等氢源，因此需要对结果进行校正[25-27]。其中，由于植被空间分布存在强空间变异性和长期动态变化特征，使得其成为最复杂的影响因素。直到现在，人们对环境空间变异性对crnp影响的认识仍然远远不够，迫切需要快速、直观准确对植被和其他环境条件进行定量评价的技术方法，以推进crnp方法更广泛的应用。

实际应用中，crnp对支持容量内土壤水的宏观含量水平普遍具有较高的测量精度。根据不同地区的试验结果，crnp对土壤水的平均测量误差普遍在±0.03gg^-1范围，若能对植被等影响因素精准校正，误差可能会更低[28-31]。

无人机遥感是近年来快速发展的又一项中小尺度监测新技术。无人机遥感在继承了高空遥感的大范围、非接触和非破坏性等优点的同时，可获得亚米甚至厘米级的空间分辨率[32-35]。近地面(<100m)工作时，可见光和近红外影像的空间分辨率可达厘米级，热红外影像也可达分米级；基于差分gps定位的高精度摄影测量对地表物体位置的测量误差在分米级，而lidar的精度更高甚至可到厘米级[36-38]。同时该技术还具有时间安排灵活、应用成本低等优点。

无人机遥感可对土壤水的空间分布进行直接反演。方法包括：利用物体可见-近红外以及热红外波段的光谱反射特性的特征波长或植被指数法[11,39-41]，基于热红外光谱的温度-植被指数法、热惯量法[42]，以及基于土壤介电常数的微波遥感等[43-45]。

此外，无人机遥感可进行精准地表覆盖调查：既可用可见-近红外、热红外等成像多/高光谱等技术识别物体类型，又可利用摄影测量和lidar技术估算物体体积和质量[46-48]。目前，该类技术已大量应用于农田作物的覆盖区识别、叶面积指数、叶片色素、养分含量预测等方面[49-51]，其测量精度也明显高于传统地面调查，而且省时、省力[52-54]。对于中小尺度土壤水监测来说，该技术也可以用于辅助解决宇宙射线中子法的植被、土壤等干扰氢源校正问题。

目前看来，针对中小尺度土壤水监测，已有多种机理、特点各不相同的方法，然而各种方法的发展并不十分成熟，单独应用时仍分别存在一些问题。

对于宇宙射线中子法来说，其结果缺乏对空间变异性表达，用于中小尺度土壤水反演时，并不能提供有效的空间分布特征。而且，crnp的结果会受近地表含氢物质的干扰。要正确解读crnp数据，还需要对影响因素特别是植被因素进行精准校正[55-57]。无人机遥感，特别是基于可见-近红外和热红外等轻便设备对土壤水的遥感监测，虽然简便、无损、具有亚米甚至厘米级的空间分布细节，但易受环境因素干扰和建模方法影响，结果与实测值存在整体误差[22,58]。探地雷达虽然可以反演田间土壤含水量空间分布，但地表植被茂盛条件下，该方法将难以实施，而且其操作要求高，时间连续性也较弱[20]。ert的主要优势在测深方面，但其受众多环境因素影响，对土壤含水量的解析水平并不高，尤其是在土壤含盐量高、空间变异明显的地区[59]。拉曼散射tdr等线测量技术实际与上述面上监测方法的空间维度有差别，应用于中小尺度研究仍需进行尺度转换，因此还会存在尺度扩展引起的不确定性问题；而且这些技术目前大多仍处于实验探索阶段，距离形成稳定可靠的监测仪器仍然较远，短期内难以实践应用。

实际上，宇宙射线中子法和无人机遥感是目前中小尺度土壤水监测领域发展相对较为成熟的两项技术。基于上文分析还可发现，两种方法在特点上存在很大的互补性：前者由于宏观水分估计校准，能用作无人机遥感的整体含水量校准；而且无人机遥感还能基于地表覆盖调查解决crnp数据的干扰氢源校准问题。若将无人机遥感与宇宙射线中子法相融合，则可在校准宏观水量的同时，实现中小尺度上土壤水高分辨率空间分布的反演，进而帮助解决上文提出的中小尺度水分监测难题。目前，已有研究将宇宙射线中子法与卫星遥感技术相结合的应用[29,60]。宇宙射线中子法与高空遥感结合虽然可以利用crnp数据对遥感反演结果进行校准；但是由于高空遥感的空间分辨率不足，研究结果无法提供中小尺度高空间分辨率的水分监测数据[61]。针对该研究目的，高空遥感并不能替代无人机遥感。然而，由于技术发展和工作积累限制，目前仍鲜有融合宇宙射线中子法与无人机遥感方法的土壤水监测研究。

技术实现要素：

本发明的目的是克服现有技术的不足，提供一种融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及监测方法。

本发明采用的技术方案为：一种融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统，包括：

宇宙射线快中子监测系统，该系统由crnp、太阳能供电系统和支架组成，crnp、太阳能供电系统均架设在支架上，太阳能供电系统给crnp供电；

自动气象站，设置于crnp周边，测量气压、大气相对湿度等相关气象数据；

无人机遥感系统，搭载可见光、近红外、热红外成像和/或激光测距雷达(lidar)装置的具备航拍功能的无人机；

远程数据传输系统，用于将crnp、自动气象站、无人机遥感数据传输到数据处理中心；

数据处理中心，用于接收和处理crnp、自动气象站、无人机遥感系统监测得到的数据，并计算输出被测区的土壤含水量信息。

优选的，无人机遥感系统的遥感范围为在以宇宙射线中子监测系统为中心的100-300米半径范围[1]。

本发明还公开了一种融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测方法，基于上述的融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统实现，其步骤包括：

a、crnp测量一定时段内被测区近地表的宇宙射线快中子数量；

b、自动气象站测量相应时段内被测区的气压、大气相对湿度气象数据，并利用所测气象数据对宇宙射线中子数据进行气压、大气水汽含量校正[25,62]；

c、无人机遥感获取被测区范围内的遥感数据，并将被测区的可见光谱影像、近红外光谱影像和热红外影像处理为相应的可见光正射图、近红外光谱正射图和植被指数分布图及相应的数字表面模型、热红外光谱图，将lidar数据处理为三维点云和数字表面模型[50,63]；

d、利用无人机遥感获得的可见光和近红外的植被指数数据对被测区进行地物分类；估算研究区土壤粘土颗粒和有机质含量，用以校正土壤晶格水及有机质对宇宙射线快中子数据的影响；利用植被指数和点云、数字表面模型数据，估算被测区植被生物量、高度、分布密度参数，用以校正植被对宇宙射线快中子数据的影响[25,64-66]；

e、基于上述校正后的宇宙射线快中子数据，计算被测区的土壤含水量θcrnp：

式1中，θcrnp为基于宇宙射线中子法所得被测区土壤体积含水量，单位为cm³·cm^-3；ρb和ρw分别为被测区土壤容重(g·cm^-3)和水的密度(g·cm^-3)；n0为被测区在相对干燥条件下的快中子数，通过田间试验进行标定；n为经过修正的快中子数；a0、a1、a2皆为常数，可根据被测区实测数据进行标定[25,67]；

f、基于无人机遥感白天和夜间的热红外辐射特征，获取被测区昼夜地表温度变化的空间分布，并以热红外图像像元为单位，计算各像元的热惯量δt(i,j)[68,69]；同时，基于无人机遥感所得可见-近红外反射光谱，计算被测区内各像元的ndvi(i,j)、grwdrvi(i,j)植被指数[60]；基于上述热惯量和植被指数估算被测区以像元为单位的土壤含水量θrs(i，j)的空间分布[10,70,71]；

h、根据宇宙射线中子法的径向距离分配函数[1]

式2中，wr为径向距离加权函数；r为取样点距crnp的距离，m；fi均为常数，其值由经验公式得出，具体参考对比文件1；建立关系式θcrnp＝∑wrθrs(i,j)，利用θcrnp对θrs(i，j)进行校准，从而获得被测区的宏观水量准确，空间分辨率高的土壤水分分布结果θcr(i，j)。

本发明通过融合宇宙射线中子法宏观土体水量监测准确，与无人机遥感空间分辨率高的优点，建立了一种中小尺度的土壤水监测新方法和装置，填补了点尺度和遥感大尺度土壤水监测之间的技术空缺。

附图说明

图1为本发明融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测装置的结构示意图。

图2为融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测方法的流程示意图。

下面结合具体实施例对本发明作进一步的说明。

具体实施方式

实施例1

本融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统，包括：

宇宙射线快中子监测系统，该系统由crnp1、太阳能供电系统2和支架3组成，crnp、太阳能供电系统均架设在支架上，太阳能供电系统给crnp供电；

自动气象站4，设置于crnp周边，测量气压、大气相对湿度等相关气象数据；

无人机遥感系统，搭载可见光、近红外、热红外成像和/或激光测距雷达(lidar)装置的具备航拍功能的无人机5；

远程数据传输系统，用于将crnp、自动气象站、无人机遥感数据传输到数据处理中心；

数据处理中心6，用于接收和处理crnp、自动气象站、无人机遥感系统监测得到的数据，并计算输出被测区的土壤含水量信息。

实施例2

本融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测方法，其步骤包括：

a、crnp测量一定时段内被测区近地表的宇宙射线快中子数量；

b、自动气象站测量相应时段内被测区的气压、大气相对湿度气象数据，并利用所测气象数据对宇宙射线中子数据进行气压、大气水汽含量校正；

c、无人机遥感获取被测区范围内的遥感数据，并将被测区的可见光谱影像、近红外光谱影像和热红外影像处理为相应的可见光正射图、近红外光谱正射图和植被指数分布图及相应的数字表面模型、热红外光谱图，将lidar数据处理为三维点云和数字表面模型；

d、利用无人机遥感获得的可见光和近红外的植被指数数据对被测区进行地物分类；估算研究区土壤粘土颗粒和有机质含量，用以校正土壤晶格水及有机质对宇宙射线快中子数据的影响；利用植被指数和点云、数字表面模型数据，估算被测区植被生物量、高度、分布密度参数，用以校正植被对宇宙射线快中子数据的影响；

e、基于上述校正后的宇宙射线快中子数据，计算被测区的土壤含水量θcrnp：

式1中，θcrnp为基于宇宙射线中子法所得被测区土壤体积含水量，单位为cm³·cm^-3；ρb和ρw分别为被测区土壤容重和水的密度；n0为被测区在相对干燥条件下的快中子数，通过野外试验进行标定；n为经过修正的快中子数；a0、a1、a2皆为常数，可根据被测区实测数据进行标定；

f、基于无人机遥感白天和夜间的热红外辐射特征，获取被测区昼夜地表温度变化的空间分布，并以热红外图像像元为单位，计算各像元的热惯量δt(i,j)；同时，基于无人机遥感所得可见-近红外反射光谱，计算被测区内各像元的ndvi(i,j)、grwdrvi(i,j)植被指数；基于上述热惯量和植被指数估算被测区以像元为单位的土壤含水量θrs(i，j)的空间分布；

i、根据宇宙射线中子法的径向距离分配函数

式2中，wr为径向距离加权函数；r为取样点距crnp的距离，m；fi均为常数，其值由经验公式得出；建立关系式θcrnp＝∑wrθrs(i,j)，利用θcrnp对θrs(i，j)进行校准，从而获得被测区的宏观水量准确，空间分辨率高的土壤水分分布结果θcr(i，j)。

步骤f方法参考

土壤热惯量是土壤抵抗温度变化的能力，与含水量具有正线性关系[68,69]。同时植被也影响土壤热传导，在植被覆盖高得地区引入植被指数会有效提高热惯量法预测土壤含水量的精度[72]。基于温度-植被指数的土壤含水量计算方法可表述为：

式中，θ为土壤体积含水量，t为植被表面温度，tair和tsoil分别为地表空气温度和干燥土壤表面温度，a1、a2和a3为常数[70]。基于热惯量预测土壤含水量可简单表达为：

θ＝1/(a-bδt)

式中，δt为昼夜温度差，a和b为常数[71]。

参考文献：

1.m.,etal.,footprintcharacteristicsrevisedforfield-scalesoilmoisturemonitoringwithcosmic-rayneutrons.waterresourcesresearch,2015.51(7):p.5772-5790.

2.杨诗秀,etal.,农田尺度土壤水分的监测.水科学进展,1996.7(1):p.14-19.

3.makarewicz,j.c.,etal.,theimpactofagriculturalbestmanagementpracticesondownstreamsystems:soillossandnutrientchemistryandfluxtoconesuslake,newyork,usa.journalofgreatlakesresearch,2009.35(jun2009):p.23-36.

4.western,a.w.,etal.,spatialcorrelationofsoilmoistureinsmallcatchmentsanditsrelationtodominantspatialhydrologicalprocesses.journalofhydrology,2004.286(1):p.113-134.

5.famiglietti,j.s.,etal.,fieldobservationsofsoilmoisturevariabilityacrossscales.waterresourcesresearch,2008.44(1):p.186-192.

6.entin,j.k.,etal.,temporalandspatialscalesofobservedsoilmoisturevariationsintheextratropics.journalofgeophysicalresearchatmospheres,2000.105(d9):p.11865-11877.

7.walker,j.p.andp.r.houser,temporalandspatialresolutionrequirementsforasoilmoisturemission.geoscience&remotesensingsymposium.igarss.ieeeinternational,2001.1:p.6-8.

8.herkelrath,w.n.,s.p.hamburg,andf.murphy,automatic,real-timemonitoringofsoilmoistureinaremotefieldareawithtimedomainreflectometry.waterresourcesresearch,1991.27(5):p.857–864.

9.chanzy,a.,etal.,soilmoisturemonitoringatthefieldscaleusingautomaticcapacitanceprobes.europeanjournalofsoilscience,1998.49(4):p.637–648.

10.sandholt,i.,k.rasmussen,andj.andersen,asimpleinterpretationofthesurfacetemperature/vegetationindexspaceforassessmentofsurfacemoisturestatus.remotesensingofenvironment,2002.79(2):p.213-224.

11.maltese,a.,etal.athermalinertiamodelforsoilwatercontentretrievalusingthermalandmultispectralimages.insocietyofphoto-opticalinstrumentationengineersconferenceseries.2010.

12.wang,l.andj.j.qu,satelliteremotesensingapplicationsforsurfacesoilmoisturemonitoring:areview.frontiersofearthscienceinchina,2009.3(2):p.237-247.

13.kuilenburg,j.v.,etal.,accuracyofspatialinterpolationbetweenpointdataonsoilmoisturesupplycapacity,comparedwithestimatesfrommappingunits.geoderma,1982.27(4):p.311-325.

14.yao,x.,etal.,comparisonoffourspatialinterpolationmethodsforestimatingsoilmoistureinacomplexterraincatchment.plosone,2013.8(1):p.e54660.

15.li,x.,etal.,soiltexturedistributionsimulationandriskassessmentusingtransitionprobability-basedgeostatistics.internationalagrophysics,2014.28(4):p.447-457.

16.liao,k.,etal.,uncertaintyinpredictingthespatialpatternofsoilwatertemporalstabilityatthehillslopescale.soilresearch,2016.54(6).

17.bourennan,h.,etal.,uncertaintyassessmentofsoilwatercontentspatialpatternsusinggeostatisticalsimulations:anempiricalcomparisonofasimulationaccountingforsingleattributeandasimulationaccountingforsecondaryinformation.ecologicalmodelling,2007.205(3):p.323-335.

18.merlin,o.,etal.,animprovedalgorithmfordisaggregatingmicrowave-derivedsoilmoisturebasedonred,near-infraredandthermal-infrareddata.remotesensingofenvironment,2010.114(10):p.2305-2316.

19.赵泽斌,etal.,基于sib2模型的土壤水分降尺度指标的适用性研究.遥感技术与应用,2017.32(2):p.195-205.

20.ardekani,m.r.m.,off-andon-groundgprtechniquesforfield-scalesoilmoisturemapping.geoderma,2013.200-201(6):p.55-66.

21.zreda,m.,etal.,measuringsoilmoisturecontentnon-invasivelyatintermediatespatialscaleusingcosmic-rayneutrons.geophysicalresearchletters,2008.35(21):p.-.

22.wang,h.f.,etal.,inversionofsoilmoisturecontentbasedonmultispectralremotesensingdataoflowaltitudeuav.watersavingirrigation,2018.

23.曹鼎峰,土壤含水率分布式光纤测量试验研究.2014,南京大学.

24.zhu,x.,etal.,applicationoftemporalstabilityanalysisindepth-scalingestimatedsoilwatercontentbycosmic-rayneutronprobeonthenortherntibetanplateau.journalofhydrology,2017.546:p.299-308.

25.zreda,m.,etal.,cosmos:thecosmic-raysoilmoistureobservingsystem.hydrology&earthsystemsciences,2012.17(3):p.1065-1066.

26.tian,z.,etal.,soilwatercontentdeterminationwithcosmic-rayneutronsensor:correctingabovegroundhydrogeneffectswiththermal/fastneutronratio.journalofhydrology,2016.540:p.923-933.

27.rosolem,r.,etal.,theeffectofatmosphericwatervaporonneutroncountinthecosmic-raysoilmoistureobservingsystem.journalofhydrometeorology,2013.14(5):p.1659-1671.

28.nguyen,h.h.,h.kim,andm.choi,evaluationofthesoilwatercontentusingcosmic-rayneutronprobeinaheterogeneousmonsoonclimate-dominatedregion.advancesinwaterresources,2017.108(2017):p.125-138.

29.蔡静雅,基于宇宙射线中子法的荒漠草原像元尺度土壤水分监测与验证,in中国水利水电科学研究院.2017,中国水利水电科学研究院.

30.焦其顺,etal.,宇宙射线快中子法在农田土壤水分测量中的研究与应用.地球科学进展,2013.28(10):p.1136-1143.

31.王秋铭,王胜,and樊军,宇宙射线快中子法在土壤水分测量中的应用——以陕北六道沟流域为例.中国水土保持科学,2015.13(5):p.125-131.

32.lucieer,a.,s.a.robinson,andd.turner,usinganunmannedaerialvehicle(uav)forultra-highresolutionmappingofantarcticmossbeds,in15thaustralasianremotesensing&photogrammetryconference.2010:alicesprings.

33.berni,j.a.j.,l.suárez,ande.fereres,remotesensingofvegetationfromuavplatformsusinglightweightmultispectralandthermalimagingsensors.2008.

34.kavvadias,a.,etal.,precisionagriculture–comparisonandevaluationofinnovativeveryhighresolution(uav)andlandsatdata.

35.zarco-tejada,p.j.,etal.,treeheightquantificationusingveryhighresolutionimageryacquiredfromanunmannedaerialvehicle(uav)andautomatic3dphoto-reconstructionmethods.europeanjournalofagronomy,2014.55(2):p.89-99.

36.li,w.,etal.,combineduseofairbornelidarandsatellitegf-1datatoestimateleafareaindex,height,andabovegroundbiomassofmaizeduringpeakgrowingseason.ieeejournalofselectedtopicsinappliedearthobservations&remotesensing,2015.8(9):p.4489-4501.

37.wei,l.,etal.,vegetationfilteringalgorithmforuav-bornelidarpointclouds:acasestudyinthemiddle-loweryangtzeriverriparianzone.internationaljournalofremotesensing,2016:p.1-12.

38.koenig,k.,etal.,comparativeclassificationanalysisofpost-harvestgrowthdetectionfromterrestriallidarpointcloudsinprecisionagriculture.isprsjournalofphotogrammetry&remotesensing,2015.104:p.112-125.

39.史舟,土壤地面高光谱遥感原理与方法.2014:科学出版社.

40.王海峰,etal.,低空无人机多光谱遥感数据的土壤含水率反演.节水灌溉,2018(01):p.90-94+102.

41.王斌,基于无人机采集图像的土壤湿度预测模型研究.2009,中国石油大学.

42.soliman,a.,etal.,remotesensingofsoilmoistureinvineyardsusingairborneandground-basedthermalinertiadata.remotesensing,2013.5(8):p.3729-3748.

43.gasiewski,a.j.,etal.,highresolutionuav-basedpassivemicrowavel-bandimagingofsoilmoisture,inagu.2013.

44.lawrence,r.,t.ozoroski,andg.martin.autonomousaerialobservationsystemconceptsformicrowaveremotesensing.ininfotech@aerospace.2013.

45.赵天杰,etal.,利用主被动微波数据联合反演土壤水分.地球科学进展,2009.24(7):p.769-775.

46.zarco-tejada,p.j.,etal.,estimatingleafcarotenoidcontentinvineyardsusinghighresolutionhyperspectralimageryacquiredfromanunmannedaerialvehicle(uav).agriculturalandforestmeteorology,2013.171:p.281-294.

47.hoffmann,h.,etal.,cropwaterstressmapsforentiregrowingseasonsfromvisibleandthermaluavimagery.biogeosciences,2016.13:p.6545-6563.

48.杨贵军,etal.,农用无人机多传感器遥感辅助小麦育种信息获取.农业工程学报,2015.31(21):p.184-190.

49.赵晓庆,etal.,基于无人机载高光谱空间尺度优化的大豆育种产量估算.农业工程学报,2017.33(1):p.110-116.

50.汪小钦,etal.,基于可见光波段无人机遥感的植被信息提取.农业工程学报,2015(5):p.152-159.

51.elarab,m.,etal.,estimatingchlorophyllwiththermalandbroadbandmultispectralhighresolutionimageryfromanunmannedaerialsystemusingrelevancevectormachinesforprecisionagriculture.internationaljournalofappliedearthobservationandgeoinformation,2015.43:p.32-42.

52.zarco-tejada,p.j.,etal.,treeheightquantificationusingveryhighresolutionimageryacquiredfromanunmannedaerialvehicle(uav)andautomatic3dphoto-reconstructionmethods.europeanjournalofagronomy,2014.55:p.89-99.

53.bendig,j.,etal.,estimatingbiomassofbarleyusingcropsurfacemodels(csms)derivedfromuav-basedrgbimaging.remotesensing,2014.6(11):p.10395-10412.

54.kalisperakis,i.,etal.,leafareaindexestimationinvineyardsfromuavhyperspectraldata,2dimagemosaicsand3dcanopysurfacemodels.theinternationalarchivesofphotogrammetry,remotesensingandspatialinformationsciences,2015.40(1):p.299.

55.rosolem,r.,etal.,translatingabove-groundcosmic-rayneutronintensitytohigh-frequencysoilmoistureprofileatsub-kilometerscale.hydrology&earthsystemsciences,2014.18(11):p.4363-4379.

56.baatz,r.,etal.,anempiricalvegetationcorrectionforsoilwatercontentquantificationusingcosmicrayprobes.waterresourcesresearch,2015.51(4):p.2030-2046.

57.franz,t.e.,etal.,auniversalcalibrationfunctionfordeterminationofsoilmoisturewithcosmic-rayneutrons.hydrology&earthsystemsciences,2013.17(2):p.453-460.

58.amici,s.,etal.,uavthermalinfraredremotesensingofanitalianmudvolcano.advancesinremotesensing,2013.02(4):p.358-364.

59.a.,etal.,electricalresistivitysurveyinsoilscience:areview.soil&tillageresearch,2005.83(2):p.173-193.

60.dong,x.,improvingtheaccuracyofcosmic-rayneutronprobeestimateofsoilwatercontentusingmultipledetectorsandremotesensingestimatesofvegetation.2017,universityofnebraska.

61.黄健熙,etal.,基于时间序列lai和et同化的冬小麦遥感估产方法比较.农业工程学报,2015.31(4):p.197-203.

62.赵纯,etal.,宇宙射线土壤水分观测方法在黄土高原草地植被的应用.土壤学报,2015.52(6):p.1438-1444.

63.salamí,e.,c.barrado,ande.pastor,uavflightexperimentsappliedtotheremotesensingofvegetatedareas.remotesensing,2014.6(11):p.11051-11081.

64.bendig,j.,etal.,combininguav-basedplantheightfromcropsurfacemodels,visible,andnearinfraredvegetationindicesforbiomassmonitoringinbarley.internationaljournalofappliedearthobservationandgeoinformation,2015.39:p.79-87.

65.刘建刚,etal.,无人机遥感解析田间作物表型信息研究进展.农业工程学报,2016.32(24):p.98-106.

66.zheng,g.,etal.,estimationoforganicmattercontentincoastalsoilusingreflectancespectroscopy.pedosphere,2016.26(1):p.130-136.

67.shuttleworth,j.,etal.,thecosmic-raysoilmoistureinteractioncode(cosmic)foruseindataassimilation.hydrology&earthsystemsciences,2013.17(8):p.3205-3217.

68.blanchard,m.b.,r.greeley,andr.goettelman.useofvisible,near-infrared,andthermalinfraredremotesensingtostudysoilmoisture.inproceedingsoftheinternationalsymposiumonremotesensingofenvironment.1974.

69.余涛and田国良,热惯量法在监测土壤表层水分变化中的研究.遥感学报,1997.1(1):p.24-31.

70.刘良云,etal.,利用温度和植被指数进行地物分类和土壤水分反演.红外与毫米波学报,2002.21(4):p.269-273.

71.李星敏,etal.,热惯量法在干旱遥感监测中的应用研究.干旱地区农业研究,2005.23(1):p.54-59.

72.carlson,t.n.,r.r.gillies,ande.m.perry,amethodtomakeuseofthermalinfraredtemperatureandndvimeasurementstoinfersurfacesoilwatercontentandfractionalvegetationcover.remotesensingreviews,1994.9(1):p.161-173.