土壤有机质遥感反演

应用小波分析从高光谱数据中提取特征波段，建立了土壤有机质含量的估测模型，该模型能够有效预测土壤有机质含量。

丘陵地区的土壤有机质研究挺有意思的，尤其是在像重庆市彭水县这样复杂地形下。这里的研究采用了传统统计学和地统计学方法，了土壤有机质的空间变异特征。研究结果显示，土壤有机质的平均含量为 26.99g/kg，属于中等变异强度。最有意思的是，研究还应用了普通 Kriging 插值法，对该地区土壤有机质的空间分布进行预测，发现变异主要沿西南到东北方向扩展，跟地形和人为活动有关系。如果你对土壤研究、空间感兴趣，可以深入了解这篇研究。

高光谱数据可能存在冗余问题，降低光谱分辨率对黑土有机质预测模型精度有影响。实验结果表明，黑土有机质预测最优模型的光谱分辨率为50nm，低于高光谱遥感波段设置，略高于多光谱传感器波段设置。黑土有机质光谱预测最优模型以倒数对数微分为自变量，模型决定系数R2=0.799，RMSE=0.439。该研究为土壤有机质遥感反演、光谱速测仪器的研制和传感器波段设置提供理论依据。

东北冻土区的 MODIS 地表温度估算，挺适合搞遥感的你。地表温度是个关键参数，尤其在研究冻土分布和活动层厚度时特有用。一般人用的气象站数据，点位少、时效差，远不如遥感来的方便。这篇 PDF 里用的是MODIS1B的少云影像，加上劈窗算法，把云和雪的问题绕过去了，误差控制在1.24℃，还不错。如果你平时在用MOD11A1产品，肯定碰到过冬天数据缺失的问题。这套方法刚好能弥补空白区，尤其是积雪覆盖的地方，温度分布图补全得挺自然，和站点实测也对得上。整体上，这东西挺适合拿来做东北高寒区的环境建模，也适合教学展示遥感反演的完整流程。顺带推荐几个你感兴趣的资源，比如：MODIS 批量重投影裁切、SIF

土壤盐分对植物生长有限制作用，降低了农作物的产量并导致土壤退化。本研究利用Landsat TM多光谱数据分析了突尼斯南部盐渍土壤的情况。研究采用主成分分析（PCA）和聚类分析，确定了最相关的光谱指数，快速预测受盐影响的土壤区域。共收集了66个土壤样本，用于验证地面真实数据。研究发现，电导率与近红外光谱和短波红外光谱的光谱指数高度相关。不同的光谱指数被应用于Landsat数据的光谱带。统计数据显示，近波段和短波红外波段（波段4、波段5和波段7）与盐度指数（SI 5和SI 9）之间的相关性最强。聚类分析揭示了电导率EC与光谱指数（如abs4、abs5、abs7和si5）之间的显著相关性。主成分分析

全国土壤数据集了一份详细的 1：100 万比例的土壤信息，这些数据来自联合国粮农组织（FAO）和维也纳国际应用系统研究所(IIASA)。这份数据库从 2009 年 3 月 26 日开始发布，并且包含了丰富的土壤类型和参数，可以为农业、生态农业分区、粮食安全和气候变化等研究有效支持。比如，你可以用它来建立关于土壤特性和气候变化之间关系的模型，研究不同地区的粮食生产潜力等。，数据全面，适合需要进行大范围土壤的项目。如果你正在从事类似的研究，或者需要精准的土壤数据，这个资源会是个不错的选择。它不仅能广泛的土壤信息，还能你在时更有针对性。嗯，它的更新频率也是挺不错的，数据相对比较新，，别忘了查看相关的

Matlab 的反演脚本里，Bostickfanyan.m算是个比较好上手的老朋友了。用它做一维电磁法反演还挺顺，结构清晰，变量命名也不绕。哪怕你是刚开始接触反演，用起来也没啥压力，基本看一眼流程就能跑通。嗯，效率还不错，结果也比较稳定。

matlab的拉普拉斯反演一个非常有效的程序，大大提高了结果了准确率

数据融合里的老牌选手——ESTARFM，用起来还挺顺手的。它是那种专门遥感图像的利器，能把不同时间和来源的数据揉成一张高清图，效果不赖。最关键的是，这套代码还集成了GPU 加速，在大图像量级的场景下起来流畅，响应也快，适合实战上手。 cuESTARFM的目录结构也清晰，src里是主力代码，scripts里有现成的运行脚本，一键编译搞定。data文件夹里有测试图像，能直接跑通流程，比较适合边学边练。对于初学者来说，README.md也挺友好，基本上照着来就能跑。 它的核心思想也不复杂，就是通过历史 SAR加上当前光学图像，预测出高分辨率的影像。流程是：图像先配准、提特征，做时空建模，融合。每一步

天宫二号数据的详细说明，包括中心波段及其单位。