人工智能驱动的土壤水分数据时空序列重建研究

目录
第1章　绪论　1
1.1　研究背景与意义　1
1.2　国内外研究进展　3
1.3　相关研究中存在的主要问题　23
1.4　研究内容与技术路线　25
第2章　多源数据融合遥感土壤水分数据时空序列重建技术方法　27
2.1　卫星遥感土壤水分数据质量评价指标　27
2.2　基于皮尔逊相关系数与显著性检验的时空序列重建因子选择　28
2.3　重建因子空间滤波补全与时间序列平滑　29
2.4　基于多源数据融合的机器学习时空序列重建算法　31
2.5　本章小结　36
第3章　全球典型区遥感土壤水分产品验证分析研究　38
3.1　全球典型区土壤水分监测网络　38
3.2　全球典型区遥感土壤水分产品比较　44
3.3　全球典型区遥感土壤水分产品时间序列验证分析　57
3.4　本章小结　63
第4章　遥感土壤水分数据时空序列重建因子选择研究　65
4.1　解释变量体系建立的理论依据　66
4.2　皮尔逊相关系数与显著性检验　69
4.3　本章小结　75
第5章　遥感土壤水分产品时间序列重建及精度评价　77
5.1　土壤水分重建值综合验证　77
5.2　土壤水分空间重建结果　92
5.3　本章小结　101
第6章　多源数据融合的遥感土壤水分产品空间降尺度及精度评价　104
6.1　降尺度流程　104
6.2　多源数据融合的卫星土壤水分产品空间降尺度结果　106
6.3　土壤水分降尺度数据综合评价　121
6.4　误差来源与分析　147
6.5　本章小结　152
第7章　亚洲及欧洲、非洲部分地区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　土壤水分降尺度产品评价验证与分析　158
7.3　土壤水分降尺度产品时空分布特征　170
7.4　本章小结　171
第8章　风云卫星土壤水分数据真实性验证分析研究　172
8.1　风云卫星系列土壤水分产品　172
8.2　站点实测数据　172
8.3　真实性验证分析方法　175
8.4　结论　176
8.5　本章小结　191
第9章　卫星土壤水分数据插补重建方法研究——以美国俄克拉何马州区域为例　192
9.1　ECV土壤水分数据　192
9.2　插补重建方法　193
9.3　土壤水分重构技术流程　195
9.4　特征空间三角形与RF重建结果分析　196
9.5　本章小结　212
第10章　决策树驱动的土壤水分降尺度方法研究——以法国南部区域为例　213
10.1　ECV、SMAP数据原始精度　213
10.2　研究区与数据源　219
10.3　降尺度模型构建　221
10.4　结果分析　223
10.5　本章小结　239
第11章　讨论与结论　240
11.1　讨论　240
11.2　结论　244
11.3　创新点　246
11.4　展望　247
参考文献　249