排序方式: 共有32条查询结果,搜索用时 17 毫秒
1.
2.
随着遥感数据的不断积累,植被遥感产品逐渐形成了完善的时间序列数据,这些数据对阐明生态系统动态变化及分析有关的驱动因素具有重要价值.然而,云遮挡、仪器误差等因素严重制约着植被遥感产品的观测质量,往往造成连续观测数据的缺失.对存在数据缺失的序列进行时空重建是准确提取序列变化特征的重要前提,时空重建就是充分利用遥感数据的时空... 相似文献
3.
正加州大学伯克利分校的Hausfather等回顾评估了1970—2007年发布的气候模式的预测技巧。模式预测的准确性主要依赖于精确的气候物理模式和对未来二氧化碳排放及其他影响因素的精确假设。如果未来排放量的变化与现实不同,那么最好的基于物理的模式仍然是不准确的。为了解释这一点,研究分析了模式和观测的全球平均地表温度(GMST)和大气二氧化碳(以及其他气候驱动因素)之间的关系。研究发现,过去50年发布的气候模式在预测模式发布后几年的全球变暖 相似文献
4.
正以往研究已经发展了一些基于热遥感的干旱指数,对农业干旱的有效预警具有价值,但迄今为止,这些方法对地表温度(LST)估计的不确定性比较敏感。在此,澳大利亚格里菲斯大学的Hu等提出了相对稳健且易于计算的干旱指数——温度上升指数(temperature rise index,TRI),其代表了上午LST升高幅度的异常。通常在日出后1.5~3.5 h,LST出现线性增长,这种增长在干燥条件下比在潮湿条件下更迅速,因为植被表面气孔控制的结果。 相似文献
5.
利用遥感评价土壤水分和降水的相互作用:敏感性分析——Evaluating soil moisture-precipitation interactions using remote sensing:A sensitivity analysis.Journal of Hydrometeorology,2018,in press.土壤水分和降水之间的复杂相互作用很难观测,因此对于这些相互作用的正负、强度和位置仍然缺乏共识。土壤水分和降水相互作用研究之间的不一致性可归因于多种因素,包括难以证明因果关系、数据集差异和降水自相关。为此,美国南伊利诺斯大学卡本代尔分校的Ford等探讨了这些潜在的混淆因素,以确定在评估土壤水分与降水之间的统计耦合时最重要的因素。研究利用三种遥感数据集评估土壤水分,分别是AMSR-E,TRMM微波成像仪和基本气候变量—土壤水分(ECV-SM)。 相似文献
6.
7.
8.
9.
10.