机读格式显示(MARC)

• 000 01704nam0 2200313 450

• 001 0000375095

• 005 20210713093700.0

• 010 __ |a 978-7-03-062318-8 |d CNY158.00

• 100 __ |a 20191014d2019 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 数据驱动的多源遥感SST产品层次贝叶斯时空融合 |A shu ju qu dong de duo yuan yao gan SSTchan pin ceng ci bei ye si shi kong rong he |f 朱瑜馨, 柏延臣, Emily Lei Kang著

• 210 __ |a 北京 |c 科学出版社 |d 2019

• 215 __ |a 135页 |c 图 (部分彩图) |d 26cm

• 306 __ |a 国家自然科学基金面上基金项目 (41871232/41271347) 国家自然科学基金青年基金项目 (41401405) 江苏省区域现代农业与环境保护协同创新中心 淮安市地理信息技术与应用重点实验室 (HAP201405) 资助出版

• 312 __ |a 英文并列题名取自封面

• 314 __ |a 责任者规范汉译姓: 康

• 320 __ |a 有书目 (第127-135页)

• 330 __ |a 本书主要介绍了层次贝叶斯融合理论、基于稳健固定阶数Kriging数据重建、基于稳健的固定阶数滤波过程模型和时空序列加法过程模型的层次贝叶斯融合方法, 并以MODIS、AMSR-E海面温度遥感产品为例, 以亚洲、印度洋、太平洋交汇区为研究区域, 对上述方法进行了实证研究。研究结果表明: 上述方法均能较准确地描述海表面温度的时空过程, Kriging方法更有助于突出空间趋势, 而层次贝叶斯方法则更有助于突出细节信息, 将尺度变换、产品及模型的不确定性很好地融合在一起。

• 510 1_ |a Data-driven spatiotemporal fusion of multi-source SST remote sensing products based on hierarchical bayesian |z eng

• 606 0_ |a 遥感图象 |A yao gan tu xiang |x 数据融合 |x 研究

• 690 __ |a TP751.1 |v 5

• 701 _0 |a 朱瑜馨 |A zhu yu xin |4 著

• 701 _0 |a 柏延臣 |A bo yan chen |4 著

• 701 _1 |a 康 |A kang |g (Kang, Emily Lei) |4 著

• 801 _0 |a CN |b AUSTL |c 20210713

• 905 __ |a AUSTL |d TP751.1/Z936