点击图片上方蓝色字体“慧天地”即可订阅
摘 要:【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现为我们提供了一条新的地表温度反演途径。本文以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成三种。第一种适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第二种组适合于白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第三组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。三种类型的组合地表温度的平均反演误差都在1K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255K,相关系数接近1。【结论】本研究利用深度动态学习神经网络和辐射传输模型解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。
关键词:深度学习神经网络,辐射传输模型,地表温度;发射率
引用格式:毛克彪,杨军,韩秀珍,唐世浩等基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究,中国农业信息,2018,30(5),47-57.
温度是表征地球各圈层(岩石圈、水圈、大气圈和生物圈)之间能量传输的重要物理量,地面温度(包括地表和近地表)是研究地表和大气之间物质和能量交换、全球海洋环流、气候变化异常等方面不可或缺的重要参数,涉及众多基础学科和重大应用领域。运用卫星遥感技术快速准确地获取大面积、长时间序列的地表温度,是顺应当前科学技术发展趋势,是应对多种自然灾害等诸多问题迫切需要开展的研究课题,其研究成果既具有重大的科学意义,同时也具有重要的社会经济价值。最近几十年,大尺度上环境研究和管理活动对温度信息的需求已经使得利用遥感手段反演地表温度和发射率的技术有了很大的进步。MODIS是对地观测卫星(EOS)上的一个传感器,它拥有36波段。由于其能够覆盖全球、辐射分辨率非常高、动态范围以及精确的校正使得MODIS传感器在海面温度、陆地表面温度和大气参数反演方面具有非常大的潜力。
从多个热红外波段的测量中同时反演地表温度和发射率是非常困难的,因为N个波段至少拥有N+1个未知数(N个波段的发射率和地表温度),这是一个非常典型的病态反演问题。如果不利用任何先验知识,几乎不可能同时从多个热红外数据中反演地表温度和发射率。许多劈窗算法已经被开发来从NOAA/AVHRR 和MODIS 数据中反演海面温度和地表温度,这些反演方法主要是利用相邻热红外波段对水汽的敏感性不一样来校正大气的影响 [1-14]。这些算法的形式基本上是相同的,主要差别在于关键参数的获取及计算。虽然大多数的算法精度都很高,但它们仍然需要做一些假定和利用发射率和大气状态(特别是大气水汽含量)作为已知的先验知识。许多研究人员[15-21]在地表温度和发射率反演方面做了许多工作,特别是Li and Becker(1993)利用TISI技术和白天/晚上的影象数据反演地表温度和发射率[22],这个反演方法需要大气剖面信息。Wan and Li (1997)提出了一个多波段算法来同时从EOS/MODIS传感器中同时反演地表温度和发射率[23],这个方法受地面的光学性质和大气状态的影响。这两个方法都假定了白天和晚上同一地点的发射率不变,由于云等条件的影响,使得产品的分辨率降低为5公里。毛克彪等提出利用辐射传输方程与人工智能相结合的方法反演地表温度,该方法的优点是只需要使用同一景热红外遥感数据就可以反演地表温度和发射率,克服了白天/晚上算法的缺陷[24-29]。
事实上,地球上各种成分不是独立的,而是彼此相互联系的。毛克彪等首次在论文中已经充分系统地阐述了利用地球物理参数之间的关系构造额外方程消除反演病态问题,并用人工智能神经网络等方法进行优化计算[29]。毛克彪等只对MODIS白天的热红外波段和水汽波段反演做了评价分析[29],没有对适合于白天和晚上的热红外波段做模拟分析,也没有对近红外波与热红外联合反演晚上的温度做分析。本研究拟利用MODTRAN4和深度动态学习神经网络分别对适合于白天、白天/晚上和晚上的热红外和近红外反演地表温度做单独模拟评价分析,从而为风云系列卫星和高分数据地表温度反演提供参考模式。
地表温度反演是基于辐射传输方程,利用地表热辐射从地表途经大气达到传感器的过程建立热平衡方程。通常讲,地表不是黑体,在计算地表热辐射时需要考虑地表发射率,同时热辐射传输过程中大气对传感器接收到的能量也有贡献。考虑到这些因素,通用的辐射传输方程可以描述成方程(1)
(1)式中地表温度,是通道的星上亮度温度,是通道在角时的透过率,是通道在角时的地表发射率。是地表辐射强度,和 分别是大气向上和向下的辐射强度。和 可以分别表示成如下:
是向上的大气平均作用温度,是向下的大气平均作用温度。用和代入式 (1)可得:
为了简化等式,Qin et al. [11], Mao et al. [13]做了一些分析和合理的简化。他们得到结论用代替对反演方程不会有太大的影响,所以反演方程可以描述成式 (4)。
每个方程中,有三个未知数(1个波段的发射率,地表温度和大气平均作用温度),这是一个典型的病态问题。为了反演地表温度和发射率,我们不得不构造其它的方程和限制条件。地球物理参数彼此之间不是独立的,而是相互联系的。在以往的算法中,我们没有充分地利用地球物理参数之间的关系。毛克彪等[25-29]利用波普曲线对不同波段的发射率之间的关系,大气水汽含量与透过率之间的关系,近地表空气温度和大气平均作用温度与地表温度以及星上亮温做了分析。这些物理参数之间存在某种内在的联系。
地球物理参数之间的关系大多是非线性的,很难准确地用数学公式描述出来。对于从遥感数据中反演地球物理参数,由于其中非线性的关系和相互作用的因素很难描述清楚,传统的方法在简化的过程中使得反演精度下降。由于神经网络具备从复杂的和不精确的数据中提取信息,所以神经网络能够被用来提取模式预测[30][31]。神经网络具备函数近似,分类和优化计算的能力,动态学习神经网络是解病态反演问题的最好方法之一。神经网络与传统的方法不一样,不需要准确地知道输入参数和输出参数之间的具体关系。神经网络通过训练数据直接决定了输入数据和输出数据之间的关系。毛克彪等分析表明地表温度和发射率能够通过三个热红外波段以及地球物理参数之间的关系来反演。本研究将针对MODIS的中红外和热红外波段进行模拟分析,利用辐射传输模型(MODTRAN4)和深度动态学习神经网络进行反演分析,找到分别适合于MODIS波段20/22/23 (3~5)和波段29/31/32/33 (8~13.5)数据的白天/晚上、白天、晚上地表温度反演方法。
MODIS波段20、22和23在中红外波段的窗口区,波段29-32在热红外波段的窗口区。虽然33波段在热红外波段窗口区的边缘上,但波段30受臭氧影响很大,因此波段30不适合于反演地表温度。辐射传输模型(MODTRAN4)和深度动态学习神经网络执行反演分析可以简单地分为以下四步:
1) 利用MODTRAN4模拟训练和测试数据库,同时可以补充高精度的野外测量数据或MODIS温度产品;
2) 建立训练和测试数据库;
3) 计算波段 20, 22, 23, 29, 30, 31, 32, 33,利用MODIS波段 2, 5, 17, 18, 19估算大气水汽含量;
4) 利用训练和网络反演地表温度。
利用MODTRAN4M模拟数据最大的优点在于能够很好地保证同一地物在MODIS波段20/22/23 (3~5)和波段29/31/32/33 (8~13.5)之间的发射率、水汽等不同物理参数之间的对应关系。我们将利用JPL(URL: http:// speclib.jpl.nasa.gov)测量的地物波普曲线在MODIS波段20/22/23/29/31/32/33的发射率作为MODTRAN4的输入参数,地表温度变化范围为 280K - 320K和近地表空气温度变化范围为 270-320 K。大气水汽含量变化范围0.2- 4.0,观测视角0-20度之间。MODIS的观测视角为0-65度之间,我们可以将其每隔20度建立一个训练数据库,根据角度范围选择不同的训练数据库,从而提高精度。为了简练,本文在这里只分析0-20度之间的数据库分析过程情况,将模拟数据随机分成两部分:其中训练数据是33800组和测试数据15840组,然后用深度动态学习神经网络解病态反演问题。第一,用训练数据训练神经网络,然后用测试数据校验神经网络。根据地表类型和反复试验,部分测试数据信息见表1-11。
根据热红外波段和中外波段以及水汽波段的特征,我们划分成三组。第一组,适合于白天和晚上的热红外波段组合,波段29/31/32/33 (8~13.5);第二组适合于白天的热红外波段29/31/32/33 (8~13.5)和水汽波段;第三组是适合于晚上的MODIS 波段 20/22/23 (3~5) 与热红外波段 29/31/32/33 (8~13.5)组合。对于热红外波段 29/31/32/33 (8~13.5),我们测试了不同的组合。表1是波段29-31-32组合,从图中可以看出,当隐含层是5层且为300-300-300-300-300时,平均精度最高为 0.907K,标准差为0.85 K,相关系数为0.995。
表1 波段29-31-32 组合时反演误差
M: 平均误差; R:相关系数; SD: 标准偏差
表 2 是波段29-31-32-33组合的误差表,从表中可以看出,当隐含层是5并且节点为700-700-700-700-700时反演精度最高。最高平均精度为0.623K,标准差为0.57K和相关系数为0.998。从表1和表2可以看出,热红外波段增加可以提高反演精度。
表2 波段29-31-32-33 组合时反演误差
第二组是热红外波段加水汽(W)波段组合,主要适合于白天,因为水汽是从近红外波段估算得到。表3是MODIS波段 29-31-32和水汽参数(W)作为深度学习神经网络的输入参数是反演误差部分信息表,从表3中可以看出当隐含节点是4和隐含层数是600-600-600-600时,反演精度最高。平均最高精度是0.251 K,标准差是0.255K,相关系数是1。
表3 波段29-31-32-W 组合时反演误差
W: 大气水汽含量
表 4 是MODIS波段29-31-32-33与W作为输入参数时的部分反演误差信息表,当隐含层是4并且隐含节点为500-500-500-500时精度最高。平均精度最高为0.302K,标准差为0.273K,相关系数是0.999。从表3和4可以看出,当有汽波段时,添加波段33时并没有提高反演精度。从这里可以看出,水汽波段在地表温度反演中起到作用非常大。因此为提高地表温度反演精度,尽量添加大气水汽信息。
表4 波段29-31-32-33-W 组合时反演误差
第三组是中红波段20/22/23 (3~5)与热红外波段29/31/32/33 (8~13.5)的组合,由于中红外波段白天受太阳的干扰,因此中红外更适合在晚上反演地表温度。表5是波段20-31-32组合的反演误差信息表,当隐含层是6和隐含节点是600-600-600-600-600-600精度最高。精度最高为0.903K,标准差为0.934K,相关系数0.995。
表5 波段20-31-32 组合时反演误差
表6 是波段20-29-31-32组合时的反演误差,最高精度是在隐含层为3和隐含节点为600-600-600时,最高平均精度为0.568K,标准偏差为0.608K ,相关系数为0.998。
表6 波段20-29-31-32组合时反演误差
表7 是波段20-22-31-32组合时的反演误差,最高精度是在隐含层为4和隐含节点为700-700-700-700时,最高平均精度为0.7K,标准偏差为0.737K ,相关系数为0.997。对比表6和表7可知,利用热红外波段29比中红外波段22反演时候精度要高。
表7 波段20-22-31-32组合时反演误差
表8 是波段20-22-29-31-32组合时的反演误差,最高精度是在隐含层为6和隐含节点为500-500-500-500-500-500时,最高平均精度为0.509K,标准偏差为0.566K ,相关系数为0.998。
表9 是波段20-22-23-29-31-32组合时的反演误差,最高精度是在隐含层为5和隐含节点为500-500-500-500-500时,最高平均精度为0.479K,标准偏差为0.558K ,相关系数为0.998。
表10 是波段20-22-29-31-32-33组合时的反演误差,最高精度是在隐含层为5和隐含节点为400-400-400-400-400时,最高平均精度为0.626K,标准偏差为0.551K ,相关系数为0.998。对比表9和表10可以看出,利用中外波段23比利用红外波段33反演精度要高。
表10 波段20-22-29-31-32-33组合时反演误差
表11 是波段20-22-23-29-31-32-33组合时的反演误差,最高精度是在隐含层为4和隐含节点为700-700-700-700时,最高平均精度为0.478K,标准偏差为0.444K ,相关系数为0.999。对比表9和表11可知,利用7个波段(3个中红外波段+4个红外波段)与6个波段(3个中外波段+3个红外波段)的反演精度相当。由于第33波段受二氧化碳的影响比较大,从计算量角度讲,利用20-22-23-29-31-32波段组合更合适。
表11 波段20-22-23-29-31-32-33组合时反演误差
虽然地表温度反演是属于典型的病态问题,但地球物理参数之间存在着相互联系和相互约束的关系。这些关系不能严格地用数学方法来描述,这就决定了大气辐射传输模型和深度动态学习神经网络的集成是解决地球物理参数(地表温度)病态反演问题的最好方法之一。以MODIS中红外波段和热红外波段作为分析对象,我们利用MODTRAN对MODIS波段20/22/23 (3~5)和波段29/31/32/33 (8~13.5)数据的白天/晚上、白天、晚上进行了模拟,并利用深度动态学习神经网络进行了反演分析。
对于适合白天和晚上的反演组合,波段29-31-32-33组合比波段29-31-32组合反演精度要高,说明热红外波段增加可以提高反演精度;对于只适合白天反演组合,波段29-31-32与W组合比波段29-31-32-33与W组合精度更高,反演误差都在0.3K以下,说明水汽参数做温度反演中起的作用非常大,另外当有水汽波段和3个热红外波段时,再增加热红外波段33不会提高反演精度;对于利用中红波段20/22/23 (3~5)与热红外波段29/31/32/33 (8~13.5)反演晚上地表温度的组合中,波段20-22-23-29-31-32组合和波段20-22-23-29-31-32-33组合时的反演误差都在0.5K以下,7个波段组合精度略高。由于第33波段受二氧化碳的影响比较大,从计算量角度讲,利用20-22-23-29-31-32波段组合更合适。通过分析发现,利用动态学习神经网络和辐射传输模型可以高精度地从单景MODIS数据中反演地表温度和发射率,并且克服美国NASA白天/晚上算法的缺陷,彻底解决了地表温度和发射率反演的难题。深度动态学习神经网络和辐射传输模型的结合在地表温度和发射率反演史上具有里程牌意义,本文研究成果为国产风云和高分热红外传感器地表温度反演提供了参考模式。
参考文献
[1] Price J.C., Land surface temperature measurements from the split-window channels of the NOAA-7 AVHRR, J. Geophys. Res., 1984, 79: 5039-5044.
[2] Becker, F. and Li, Z-L., Towards a local split window method over land surface. Int. J. Remote Sens. 1990, 11: 369-393,.
[3] Sobrino , J. A., and V. Caselles, A methodology for obtaining the crop temperature from NOAA-9 AVHRR data, Int. J. Remote Sensing , 1991, I2: 2461-2475.
[4] Sobrino, J. A., Li, Z-L., Stoll, M. P. and Becker, F., Improvements in the split window technique for land surface temperature determination. IEEE Trans.Geosci. Remote Sens., 1994, 32: 243-253.
[5] Coll, C., V. Caselles, A. Sobrino, and E. Valor, On the atmospheric dependence of the split-window equation for land surface temperature, Int. J. Remote Sens. Environ, 1994, 27:105-122.
[6] Vidal A., Atmosphere and emissivity correction of land surface temperature measured from satellite data, Int. J. Remote Sensing., 1991, 12: 2449-2460,.
[7] Kerr, Y.H, J.P. Lagouarde, and J. Imbernon, Accurate land surface temperature retrieval from AVHRR data with use of an improved split window algorithm, Remote Sens. Environ., 1992, 41: 197-209.
[8] Otlle C. and M. Stoll, Effect of atmospheric absorption and surface emissivity on the determination of land temperature from infrared satellite data, Int. J. Remote Sensing, 1993, 14: 2025-2037,.
[9] Prata, A.J., Land surface temperatures derived from the advanced very high resolution radiometer and the along-track scanning radiometer 2. Experimental results andvalidation of AVHRR algorithms. Journal of Geophysical Research, 1994, 99:13025–13 058.
[10] Wan Z. and J. Dozier, A generalized split-window algorithm for retrieving land surface temperature measurement from space, IEEE Trans. Geosci. Remote sensing, 1996, 34: 892-905.
[11] Qin Zhihao, Giorgio Dall Olmo, and Arnon Karnieli, Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data, Geophysical research, 2001, 22: 655-22,670,.
[12] Sobrino, J. A.,J.EL KHARRAZ, Z.-L.LI, Surface temperature and water vapour retrieval from MODIS data, Int. J. Remote Sensing, 2004, 24:5161-5182.
[13] Mao K., Z.QIN, J.SHI, P.GONG, A practical split-window algorithm for retriving land surface temperature from MODIS data, Int. J. Remote Sensing, 2005, 15: 3181-3204.
[14] Lang Xia, Kebiao Mao, Y. Ma, F. Zhao, L.P. Jiang, X.Y. Shen, Z. H. Qin, An algorithm for retrieving land surface temperature using VIIRS data in combination with multi-sensors, Sensors, 2014, 14: 21385-21408.
[15] Kahle A.B., Alley R.E., Separation of temperature and emittance in remotely sensed radiance measurements, Remote Sensing of Environment, 1992, 42: 1-20.
[16] Hook S. J., Gabell A. R., Green A. A., and Kealy P. S. , A comparison of techniques for extracting emissivity information from thermal infrared data for geologic studies, Rem. Sens. Environ., 1992, 42: 123–135.
[17] Watson K., Spectral ratio method for measuring emissivity, Rem. Sens. Environ., 1992, 42:113–116.
[18] Kealy P. S. and Hook S., Separating temperature and emissivity in thermal infrared multispectral scanner data: Implication for recovering land surface temperatures, Trans. Geosci. Remote Sensing, 1993, 31:1155–1164.
[19] Schmugge T., Hook S.J., Coll C., , Recovering surface temperature and emissivity from thermal infrared multispectral data, Remote Sensing of Environment, 1998, 65(2): 121-131.
[20] Schmugge T., French A., Ritchie J.C., Rango A., Pelgrum H., Temperature and emissivity separation from multispectral thermal infrared observations, Remote Sensing of Environment, 2002,79(2-3): 189-198.
[21] Liang Shunlin, An optimization algorithm for separating land surface temperature and emissivity from multispectral thermal infrared imagery, IEEE Trans. Geosci. Remote Sensing, 2001, 39: 264-274,.
[22] Li, Z-L. and Becker, F., Feasibility of land surface temperature and emissivity determination from AVHRR data. Remote Sens. Environ., 1993, 43: 67-85,.
[23] Wan Zhengming, Zhao-liang Li, A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data, IEEE Trans. Geosci. Remote Sensing, 1997, 35: 980-996.
[24] Kebiao Mao, SanMei Li, DaoLong Wang, LiXin Zhang, Huajun Tang, Xiufeng Wang, Zhaoliang Li, Retrieval of Land Surface Temperature and Emissivity from ASTER1B data Using Dynamic Learning Neural Network, international journal of remote sensing, 2011, 32(19): 5413-5423.
[25] 毛克彪, 唐华俊, 陈仲新, 王永前 , 一个用神经网络优化的针对ASTER数据反演地表温度和发射率的多波段算法, 国土资源遥感,2007, 73 (3): 18-22.
[26] 毛克彪, 唐华俊, 李丽英, 许丽娜, 一个从MODIS数据同时反演地表温度和发射率的神经网络算法, 遥感信息, 2007, 92(4):9-15.
[27] 毛克彪,施建成, 覃志豪, 宫鹏, 徐斌, 蒋玲梅, 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法,遥感学报,2006, 4: 593-599.
[28] Kebiao Mao, Jiancheng Shi, Huajun Tang, Zhao-Liang Li, Xiufeng Wang, Kunshan Chen, A Neural Network Technique for Separating Land Surface Emissivity and Temperature from ASTER Imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1): 200-208.
[29] Kebiao Mao, J. Shi, Z. Li, and H. Tang, An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112,D21102: 1-17.
[30] Hsu, Shinyi, T. Masters, M. Olson, M. Tenorio and T.Grogan, Comparavtive analysis of five neural networks models, Remote sensing reviews, 1992, 6: 319-329,.
[31] Yu Chang Tzeng, K.S. Chen, Wen-Liang, A.K. Fung, A Dynamic learning nerual network for remote sensing applications, IEEE Trans. Geosci. Remote Sensing, 1994, 32: 1096-1102.
作者简介:毛克彪,博导,研究员/教授。主要从事农业大数据和农业遥感等方面的研究,发表论文 130 余篇(第一作者 70 余篇),SCI/EI 80余篇,个人专著 2 部,获得发明专利授权 10 余项,软件专利 18 项。主持和参与完成的国家级课题近 20 项,中国农业科院资划所优秀青年一级人才。以第一人获得茅以升科技奖-北京市青年科技奖 1 项、中国产学研促进奖 1 项、中国农业科学院青年科技创新奖 1 项、中国农业科学院建院 60 周年卓越奉献奖 1 项、中国农业资源与区划科技进步一等奖1项;作为参与人获得国家科技进步二等奖 2 项、神农中华科技进步奖 1 项。2016 年被授予“全国优秀科技工作者”称号, 以表彰他在农业气象灾害参数和提出新的气象变化模型理论思想等取得的一系列卓著成绩:(1)在晴空条件下,通过利用近红外波段估算大气水汽含量,克服了以往算法需要从气象站点获得水汽的困难,提出了地表温度和发射率分步反演的新劈窗算法,简化了反演过程,提高了反演精度;针对多热红外波段数据,通过建立邻近波段发射率之间的关系,克服方程不足的困难,提出了同时反演地表温度和发射率的多波段反演算法,通过利用深度学习神经网络与辐射传输方程结合解决了地表温度和发射率反演及分离的难题,大大提高了反演精度和算法适用性;(2)首次提出利用先验知识和人工智能方法直接从遥感数据大面积估算近地表空气温度反演方法,提高了空气温度反演的精度和时效性;(3)通过利用同极化不同频率微波指数克服粗糙度的影响,建立了标准极化微波指数模型,提高了土壤水分反演精度;发明了一套利用 GPS 地面反射信号估算土壤水分的仪器和方法,填补了国内地面高空估算大面积土壤水分微波仪器的空白;提出利用卡曼滤波迭代优化方法估算窄波段、宽波段发射率及大气水汽含量,提高了反演精度;(4)提出了基于深度学习的全天候的被动微波数据的地表温度反演方法,解决了有云情况下热红外无法准确反演地表温度的难题;(5)通过对全球数据分析发现近年来大气水汽呈减少趋势,发现全球北高纬植被和水汽同时增加,赤道地区植被和水汽同时减少,从而首次得出全球水汽分布对植被大时空分布方面是起主要决定性作用因素之一的结论;(6)通过对全球温度,二氧化碳,植被和水汽数据分析首次提出地球温度变化是由地球在太阳系中的轨道能级位置决定的理论;地球上生态系统(植被物种分布)大的时空分布受大气水汽时空分布影响很大,同时也是由天体运行轨道位置决定的结论;并在此基础上提出了建立以开普勒定律和万有引力定律以及广义相对论为基础的全球气候变化和生态系统理论思想。
内容转载、商务活动、投稿等合作请联系
微信号:huitiandi321
邮箱:geomaticshtd@163.com
欢迎关注慧天地同名新浪微博:
ID:慧天地_geomaticser
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势,探索企业核心竞争力,传播测绘地理信息文化,为测绘、地信、遥感等相关专业的同学提供日常学习、考研就业一站式服务,旨在打造政产学研用精准对接的平台。
《慧天地》高度重视版权,对于原创、委托发布的稿件,会烦请作者、委托方亲自审核通过后オ正式推发;对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件,会在作者栏或者文章开头显著标明出处,以表达对作者和推文引用平台版权的充分尊重和感谢;对于来源于网络作者不明的优质作品,转载时如出现侵权,请后台留言,我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持!
编辑:沈家伟 审核:富裕
指导:万剑华教授