Geocarto International·10月1日 · 周四论文智慧农业 / 农业物联网阅读 2
A new vegetation–thermal integrated approach (NNL-SM) for high-resolution soil moisture estimation
B H PRAJAPATI · Rajendra Prasad · Jyoti Kumar Sharma 等 7 人
论文解读
71接近精选线
速览
提出NNL-SM模型，融合NDMI、NDVI和LST将SMAP土壤水分从9km降尺度至1km。
方法
基于NDMI-NDVI-LST的降尺度技术，用印度Varanasi地面数据验证。
发现
NNL-SM精度最优，RMSE 0.028 m³/m³，R=0.700，冬季表现优于季风前。
机会点
可探索混合指数与多区域验证，提升异质农业区及季风前土壤水分估算精度。
影响力12
信息增量21
专业深度17
信源权威13
时效性8
提出NDMI-NDVI-LST融合降尺度模型，将SMAP土壤水分从9km提升至1km并验证精度，方法新颖、结论可靠，对农业旱情监测有实用价值。
原文摘要
高分辨率土壤水分（SM）信息对水文、农业和气候研究至关重要。本文提出了一种基于NDMI–NDVI–LST的降尺度技术，称为NNL-SM模型，用于将SMAP土壤水分数据从9 km降尺度至1 km分辨率。该模型在印度瓦拉纳西使用15个日期的地面土壤水分实测数据进行验证，并与VMSMI模型和基于三角光学模型进行了比较。通过整合归一化NDMI、NDVI和LST，同时最小化植被影响，NNL-SM模型表现最佳，具有最低的RMSE（0.028 m³/m³）、ubRMSE（0.023 m³/m³）、最小偏差（0.001 m³/m³）和最高相关性（R = 0.700）。VMSMI表现出中等精度，而三角模型相关性较弱。季节性分析表明冬季表现较好，季风前由于植被和温度变异性导致精度降低。总体而言，NNL-SM方法在所选异质农业区域表现出良好性能，可进一步使用混合指数和多区域验证进行评估。
信源（1 个）