新書推薦：
《
海洋之思：俄罗斯的海洋观（1997~2021）
》
售價：HK$
140.8
《
国语（全二册）（中国古代史学丛书）
》
售價：HK$
140.8
《
新安医学古籍整理发掘研究
》
售價：HK$
107.8
《
如何提出一个好问题（全新升级版）
》
售價：HK$
120.9
《
索恩丛书·风雨山河：清季变局中的人物与社会
》
售價：HK$
75.9
《
外太空巨型星座管控的迫切需求
》
售價：HK$
74.8
《
“Z行动”苏联空军志愿队研究（套装全2册）
》
售價：HK$
361.9
《
清华大学藏战国竹简校释（柒）：《楚居》诸篇
》
售價：HK$
132.0
|
| 內容簡介： |
|
土壤水分是全球水循环系统的关键组成要素，是陆地植被的生命源泉。气候变暖背景下，全球土壤水分时空趋势发生显著变化，海量多源多模态土壤水分数据广泛应用于研判干旱格局、植被演化等地球表层关键过程的发展规律。然而，由于多元异构土壤水分数据的稳定性、代表性有限，土壤水分数据存在不同程度的时空精度差异。当前研究通常简单计算多类数据的集合平均值表征土壤水分时空分布，但面临被偏差最大数据所主导的风险，亟需以多源信息互补和优化组合建模获取高精度数据。针对以上问题，本书重点聚焦\气候变暖背景下的地表水文水资源格局演化”这一前沿领域，围绕遥感土壤水分多时空融合与分析，合理搭配土壤水分数据、对应的误差参数空间分布数据及地理背景数据，利用的人工智能技术优势，捕捉多源土壤水分、土壤属性及下垫面性质等数据集的信息依赖关系，准确拟合土壤水分的时空纹理动态特征，实现土壤水分的高精度重构，研制高精度土壤水分数据产品，促进对土壤水分的时空分布及演化格局的精准把握。具体来说，本书结合地理大数据与空间智能技术，充分发挥多源多模态数据的优势，研究构建精度高、迁移扩展性强、实用性佳、具有可解释性的融合方法，推动土壤水分融合模型的发展。这不仅对于提高未来情景土壤水分数据的质量和精度、推进土壤水分数据融合算法构建和理解具有重要的参考价值，而且对于应对土壤水分未来变化研究、植被生产力响应研究具有重要的科学意义。
|
| 關於作者： |
|
刘杨晓月，中国科学院地理科学与资源研究所地理信息科学与技术全国重点实验室副研究员、硕士生导师。博士后创新人才支持计划获得者，主持国家自然科学基金青年项目、面上项目、国家重点研发子课题等多项国家级任务，主要从事地理大数据与空间智能在水文水资源领域的研究，担任Nature旗下中科院一区期刊Communications?Earth?&?Environment编委（Editorial Board Member）、美国地球物理学会AGU旗下期刊JGR: Machine Learning and Computation 副编辑（Associate Editor），在Water Resources Research、Journal of Hydrology、Advances in Water Research等水文水资源领域主流SCI期刊发表文章40余篇，授权发明专利10余项，主编专著3部，获地理信息科技进步特等奖1项。
|
| 目錄：
|
目 录
第1章 绪论001
1.1 研究背景与意义002
1.1.1 CMIP6土壤水分数据003
1.1.2 经典多源多模态土壤水分数据005
1.2 国内外研究现状007
1.2.1 多源多模态土壤水分融合方法007
1.2.2 CMIP6 土壤水分数据误差来源和表达研究010
1.2.3 基于微波遥感融合的土壤水分数据产品012
1.2.4 水文气象要素对植被生产力的影响013
1.2.5 科学问题的提出及研究意义016
第2章 未来多情景土壤 水分数据集评价019
2.1 数据来源020
2.1.1 CMIP土壤水分数据产品020
2.1.2 土壤水分地面网络实测数据022
2.1.3 遥感与再分析土壤水分数据集024
2.1.4 辅助数据集025
2.2 评价方法028
2.2.1 站点验证028
2.2.2 ETC验证029
2.2.3 CSD时序分解031
2.3 评价结果032
2.3.1 站点评价结果032
2.3.2 ETC评价结果040
2.4 本章小结058
2.4.1 站点验证与ETC验证的特点058
2.4.2 误差分析059
2.4.3 结论064
第3章 未来多情景土壤水分数据融合067
3.1 数据来源068
3.1.1 CMIP6土壤水分数据集068
3.1.2 SMAP土壤水分数据集068
3.1.3 ERA5-Land土壤水分数据集069
3.1.4 辅助数据集069
3.2 融合方法071
3.2.1 总体技术流程071
3.2.2 样本库构建073
3.2.3 CSMSNet模型结构073
3.2.4 TSMSNet模型结构074
3.2.5 实验设置076
3.3 融合结果078
3.3.1 CMIP6土壤水分评价结果078
3.3.2 融合土壤水分数据集评价结果082
3.3.3 土壤水分时空演化趋势087
3.4 本章小结093
3.4.1 土壤水分融合模型的优势093
3.4.2 未来土壤水分演化趋势094
3.4.3 结论095
第4章 土壤水分数据降尺度融合097
4.1 数据来源098
4.1.3 SMAP土壤水分数据产品099
4.1.2 站点观测土壤水分数据099
4.1.3 解释变量数据集100
4.2 融合方法102
4.2.1 采样方法102
4.2.2 土壤水分融合过程103
4.2.3 评价方法107
4.3 融合结果110
4.3.1 重建结果110
4.3.2 补空值结果114
4.3.3 降尺度结果117
4.4 本章小结120
4.4.1 与传统土壤水分融合算法对比120
4.4.2 数据集不确定性分析122
4.4.3 深度学习黑盒模型可解释性的未来方向122
4.4.4 结论123
第5章 土壤水分及相关水文气象要素对植被生产力影响分析125
5.1 数据来源126
5.1.1 植被生产力代用指标126
5.1.2 水文气象数据集127
5.2 分析方法128
5.2.1 预处理129
5.2.2 突变点检测129
5.2.3 随机森林要素重要性指数130
5.2.4 皮尔逊相关系数131
5.2.5 偏相关系数131
5.3 分析结果132
5.3.1 时空演化特征132
5.3.2 水文气象与控制植被生产力的耦合分析134
5.3.3 水文气象控制对植被生产力的解耦分析139
5.4 本章小结141
5.4.1 LAI与GPP相关性141
5.4.2 LAI、GPP对水文气象要素的响应142
5.4.3 其他影响LAI、GPP的要素143
5.4.4 结论143
第6章 讨论与结论145
6.1 讨论146
6.2 结论146
参考文献147
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
