GLASS叶面积指数产品验证

在国家高技术研究发展计划(863计划)重点项目的支持下,已利用MODIS和AVHRR地表反射率数据生成了1981年—2012年的GLASS(Global LAnd Surface Satellite)叶面积指数(LAI)产品。本文从两个方面对GLASS LAI产品的质量进行分析和评价:(1)与现有的全球LAI产品进行比较,分析GLASS LAI产品的时空变化特征;(2)利用LAI的地面测量数据,对GLASS LAI的精度进行评价。研究结果表明:GLASS LAI与CCRS LAI在高纬度和赤道附近区域的差异较大;相对而言,GLASS LAI与MODIS(主算法反演)和CYCLOPES LAI在空间分布上具有更好的一致性;GLASS和CYCLOPES LAI的时间序列曲线连续平滑,MODIS LAI在一些区域的植被生长季节存在剧烈的跳跃;与LAI的地面测量数据进行比较,GLASS LAI产品的R2为0.76,RMSE为0.51,结果明显优于MODIS和C YCLOPES LAI产品。     

MODIS LAI产品真实性检验与偏差分析

当前对MODIS LAI产品的真实性检验工作中,更多的是关注遥感产品在数值与趋势上与地表真值的一致性程度,很少工作能够全面分析遥感LAI产品偏差来源以及不同来源的偏差对全局偏差的贡献率。本文在对MODIS LAI产品进行真实性检验基础之上,进一步分析了MODIS LAI产品偏差来源。将遥感产品真实性检验偏差来源分解为反演模型,反射率数据和冠层聚集效应3个方面,并定量分析各个偏差源对真实性检验结果的影响。以河北省怀来玉米为研究对象,结合实测LAI数据和Landsat 8 OLI(Operational Land Imager)数据建立NDVI LAI半经验模型,得到LAI参考数据,据此对MODIS LAI产品进行真实性检验及偏差分析。研究表明,该区域MODIS LAI产品存在明显的低估现象,参考数据和MODIS LAI数据均值分别为3.53 m2/m2和2.33 m2/m2,MODIS产品低估为34.14%。在各个偏差因素中,反射率数据的差异对结果影响最大,即MODIS地表反射率数据与Landsat 8 OLI地表反射率数据的差异造成的偏差占总偏差的57.50%;聚集效应的影响次之,占总偏差的28.33%;模型差异对结果的影响最小,占总偏差的14.17%。本研究对遥感产品真实性检验及其不确定性分析具有一定的借鉴意义。     

锡林浩特草原区域MODIS LAI产品真实性检验与误差分析

本文研究了LAI产品真实性检验的指标和方法,建立了LAI产品真实性检验的流程,将遥感产品真实性检验误差分解为模型误差、数据定量化差异和尺度效应3个方面。以内蒙古锡林浩特草原为研究区,结合实测数据和Landsat TM数据建立NDVI-LAI模型,得到LAI验证参考"真值",据此"真值"按照本文的流程对MODIS LAI产品进行验证,分析了研究区MODIS LAI产品真实性检验的误差来源。研究表明,该研究区的MODIS LAI(MOD15A2)产品相对高估约25%。各个误差因素中,LAI遥感模型差异对于结果影响最大,MODIS LAI模型高估了该区域草地LAI(高估约44.2%);数据定量差异的影响也比较大,MODIS地表反射率数据与Landsat TM地表反射率数据的差异造成了约16.2%的低估;尺度效应的影响较小,造成约3.1%的低估,其中NDVI-LAI模型的尺度效应带来2.4%的低估,NDVI数据的尺度效应造成约0.7%的低估。     

封面说明

正针对全球叶面积指数(LAI)产品存在的数据缺失、不连续和不确定性较大等问题,北京师范大学全球变化数据处理与分析中心(http://www.bnudatacenter.com/)发布了1981年-2013年的全球GLASS LAI产品。该产品利用"多输入-多输出"的广义回归神经网络反演算法,将一年的MODIS或AVHRR地表反射率数据作为输入,一次性输出获得一年的LAI产品。GLASS LAI产品具有空间完整、时间序列平滑连续等特点,且精度优于MODIS和GEOV1等全球LAI产品,可以很好地反映全球植被的物候变换规律。基于该产品的部分研究成果请见本期"陆表遥感数据产品的分析研究"     

中国区域MuSyQ叶面积指数产品验证与分析

对多源遥感数据协同生产的2010年—2015年中国区域1 km空间分辨率5天合成的MuSyQ（Multi-source data Synergized Quantitative remote sensing production system）叶面积指数LAI产品进行验证。参考现有的LAI产品（MODIS c5,GLASS LAI）和中国生态系统研究网络部分农田和森林站点可用的LAI地面测量数据,从时空连续性、时空一致性、精度和准确性等方面对中国区域的MuSyQ LAI产品进行定性和定量分析与评价。结果表明：（1） MuSyQ LAI产品在保证精度优于MODIS产品的情况下,时间分辨率和时空连续性均有提高。MuSyQ LAI与其他LAI产品（MODIS c5,GLASS LAI）在整体上有很好的一致性（RMSE=1.0,RMSE=0.81）,但对常绿阔叶林高值处的描述不稳定;（2） 与LAI地面测量数据相比,MuSyQ LAI产品与地面参考图对比结果较好（最高相关性（R²=0.54）和较低总体误差（RMSE=0.96））,其在阔叶作物生长季高值处有些许低估且在某些阔叶林站点有些高估。整体上,MuSyQ LAI产品呈现出较高的精度,可靠的空间分布和连续稳定的时间分布,且对森林LAI的描述具有更可靠的动态范围。     

塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测

叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。     

黑河中游农作物MODIS叶面积指数产品时间序列精度验证与变化特征分析

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明：与Landsat 8参考真值相比,MODIS LAI生长季的质量（RMSE2018=1.17,RMSE2019=1.14）优于衰落季（RMSE2018=1.39,RMSE2019=1.84）,MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与L...     

一种拓展的半物理时空融合算法及其初步应用

Landsat 5卫星较低的时间分辨率(16天)使得其很难获得大区域的、时相一致的清晰影像数据集。本文发展了一种基于半物理模型的时空融合算法-即乘性调制融合算法,并借助多时序的MODIS反射率数据来生成多时相的Landsat TM/ETM+反射率合成影像,经镶嵌后得到区域尺度的高时空分辨率地表反射率数据集(Landsat TM/ETM+)。本文利用吉林省2006年—2011年的Landsat 5 TM地表反射率数据以及500 m的MOD09A1反射率产品来生成3个时相的Landsat 5 TM反射率合成数据,从而获得研究区在上述时相下地表反射率数据的镶嵌图。初步分析表明,所生成的Landsat 5 TM反射率数据的光谱分布特征与MOD09A1反射率数据较为一致,且图像在整体上光谱特征的连续性较好。     

地表覆盖分类数据对区域森林叶面积指数反演的影响

以江西省吉安市为研究区,将5种全球地表覆盖分类数据(包括美国地质调查局(USGS)、马里兰大学(UMD)和波士顿大学(BU)生成的3套数据和欧洲生成的2套数据)以及由TM影像生成的区域地表覆盖分类数据,分别与MODIS1km反射率资料结合,利用基于4尺度几何光学模型的LAI反演方法生成研究区的LAI。在1km和4km两种尺度上将反演的LAI与TM资料生成的LAI进行比较,评价地表覆盖分类数据对LAI反演结果的影响。结果表明,TM和欧洲太空局的GLOBCOVER地表覆盖分类数据用于反演LAI的结果较好,在1km尺度上,反演的LAI与统计模型估算的TMLAI相关的R2分别为0.44和0.40,在4km尺度上的R2分别为0.57和0.54;其次为波士顿大学的MODIS地表覆盖分类数据,据其反演的LAI与TMLAI相关的R2在1km和4km尺度上分别为0.38和0.51;而马里兰大学的UMD和欧洲的GLC2000地表覆盖分类数据会导致反演的LAI存在较大误差,据其反演的LAI与TMLAI之间的一致性较差,在1km和4km两种尺度上平均偏低20%左右;LAI的反演结果对聚集度系数具有强的敏感性。该研究表明,为了提高区域/全球LAI反演精度,需要有高质量的地表覆盖分类数据。     

基于背景库的高质量LAI时间序列数据重建

叶面积指数LAI(Leaf Area Index)是表征植被冠层结构的重要参数,然而由于云等大气因素的影响,MODISLAI时间序列产品在时间与空间尺度的连续性仍存在问题。随着先验知识在遥感反演中的地位不断得到加强,本文将多年LAI历史数据作为先验知识,用以建立LAI背景库,并提出了基于LAI背景库的Savitzky-Golay(SG)滤波算法来实现LAI时间序列数据的降噪工作。结果表明,与传统SG滤波相比,新算法能够更加客观有效地重建LAI时间序列。     

大气程辐射遥感图像与城市大气污染监测研究

作为对地探测的遥感技术所获取的遥感图像包含了地面和大气信息,并且主要是地面信息.利用地面反射率分布图像将遥感数字图像中弱的大气信息与强的地面目标信息分离,生成仅仅包含大气信息的大气程辐射遥感图像.利用多(高)光谱遥感数字图像中不同波段的大气程辐射遥感图像可以不受地面干扰地对城市大气污染的类型和程度(气溶胶粒径和含量)进行遥感监测.在大气污染地面观测数据(可吸入颗粒物PM10浓度)的支持下,利用MODIS多光谱遥感数字图像生成的对应多光谱大气程辐射遥感数字图像,以上海市为例进行了城市大气污染遥感监测的原理方法研究.     

基于CBERS-02卫星数据的参数定量反演算法及软件设计

针对中巴资源(CBERS-02)卫星数据的定量化处理技术进行比较概括的阐述.在中国卫星应用中心已有的产品体系基础上,考虑CBERS卫星多波段摄像机、宽视场成像仪及红外多光谱扫描仪数据定量化的特点,建立了CBERS-02卫星数据定量化产品体系.并对其中的主要定量化过程与产品反演算法进行描述,具体包括CBERS-02数据的场地辐射定量标和交叉辐射定标结果、云监测算法、大气校正算法、地表反射率和反照率以及以此为基础的得到的植被指数等相关定量化产品算法.介绍了定量化处理CBERS-02卫星数据的软件,为CBERS-02数据的应用提供了技术支撑.     

双集合卡尔曼滤波估算时间序列LAI

遥感估算叶面积指数(LAI)时空动态变化对全球气候变化研究具有重要的意义,为了提高遥感估算时间序列叶面积指数的精度,需要耦合遥感观测数据与LAI动态过程模型。本文提出一种基于双集合卡尔曼滤波(Dual EnKF)的时间序列LAI反演方法,同时更新LAI估计值和LAI动态过程模型中的敏感性参数,得到LAI和动态过程模型敏感参数的最优估计值来优化动态过程模型。一方面使得动态过程模型可以更好地描述LAI随时间的变化过程,降低模型预测误差,从而提高LAI动态过程模型的预测能力;另一方面通过耦合动态过程模型和辐射传输模型,集成遥感观测数据与动态过程模型的预测值,进而得到优化的LAI估计值。为检验算法,分别选取作物、草地和林地等典型植被验证站点进行Dual EnKF LAI时间序列估算,并分别与MODIS LAI产品及其SG滤波曲线、集合卡尔曼滤波方法反演LAI、未优化的动态过程模型模拟LAI结果进行比较,并配以一些站点地面实测点数据作为参考。结果表明,采用Dual EnKF方法得到的LAI不但保持了时间上的连续性,而且通过改善动态过程模型的预测能力,即使在缺乏高质量遥感观测数据时,也能够获得符合LAI发展趋势的估算值,没有出现跳跃、波动现象,时间序列曲线较稳定,更符合植被LAI变化规律,表明基于Dual EnKF的时间序列LAI遥感估算方法是提取LAI时间廓线的一种有效途径。     

山地叶面积指数反演理论、方法与研究进展

叶面积指数LAI（Leaf Area Index）是表征叶片疏密程度和冠层结构特征的重要植被参数,在气候变化、作物生长模型以及碳、水循环研究中发挥着重要作用。遥感是获取区域及全球尺度LAI的一个重要手段,当前LAI产品主要基于遥感数据反演得到,但是多数LAI产品算法并未考虑地形特征的影响,导致山地LAI遥感反演精度不确定性大。提高山地LAI遥感反演精度亟需考虑地形因子对冠层反射率的影响,其中山地冠层反射率模型和遥感数据地形校正是提升山地LAI遥感反演精度的关键。本文围绕山地LAI遥感反演理论与方法,综合分析了国内外山地冠层反射率模型和地形校正模型的研究进展,总结了目前山地LAI遥感反演存在的问题,并讨论了未来研究的发展趋势。     

基于MODIS数据的中国陆面制图：方法软件和数据产品

本文介绍一个自动处理MODIS 1B数据并生产覆盖全中国陆面产品的软件系统。该算法改进了LAI（MOD15）,土地覆被分类（MOD12）,云检测（MOD35）,陆面反射率（MOD09）和气溶胶（MOD04）产品。这些算法的输入数据都是本地获取的参数,能够有效降低其带来的不确定性。产生的部分新产品是NASA标准产品中没有的,包括森林火烧迹地和PAR。数据处理系统运行于中国科学院资源与环境数据中心。     

Directional effects on NDVI and LAI retrievals from MODIS: A case study in Brazil with soybean

The Moderate Resolution Imaging Spectroradiometer (MODIS) is largely used to estimate Leaf Area Index (LAI) using radiative transfer modeling (the “main” algorithm). When this algorithm fails for a pixel, which frequently occurs over Brazilian soybean areas, an empirical model (the “backup” algorithm) based on the relationship between the Normalized Difference Vegetation Index (NDVI) and LAI is utilized. The objective of this study is to evaluate directional effects on NDVI and subsequent LAI estimates using global (biome 3) and local empirical models, as a function of the soybean development in two growing seasons (2004–2005 and 2005–2006). The local model was derived from the pixels that had LAI values retrieved from the main algorithm. In order to keep the reproductive stage for a given cultivar as a constant factor while varying the viewing geometry, pairs of MODIS images acquired in close dates from opposite directions (backscattering and forward scattering) were selected. Linear regression relationships between the NDVI values calculated from these two directions were evaluated for different view angles (0–25°; 25–45°; 45–60°) and development stages (<45; 45–90; >90 days after planting). Impacts on LAI retrievals were analyzed. Results showed higher reflectance values in backscattering direction due to the predominance of sunlit soybean canopy components towards the sensor and higher NDVI values in forward scattering direction due to stronger shadow effects in the red waveband. NDVI differences between the two directions were statistically significant for view angles larger than 25°. The main algorithm for LAI estimation failed in the two growing seasons with gradual crop development. As a result, up to 94% of the pixels had LAI values calculated from the backup algorithm at the peak of canopy closure. Most of the pixels selected to compose the 8-day MODIS LAI product came from the forward scattering view because it displayed larger LAI values than the backscattering. Directional effects on the subsequent LAI retrievals were stronger at the peak of the soybean development (NDVI values between 0.70 and 0.85). When the global empirical model was used, LAI differences up to 3.2 for consecutive days and opposite viewing directions were observed. Such differences were reduced to values up to 1.5 with the local model. Because of the predominance of LAI retrievals from the MODIS backup algorithm during the Brazilian soybean development, care is necessary if one considers using these data in agronomic growing/yield models.     

基于PROSPECT＋SAIL模型的遥感叶面积指数反演

以PROSPECT+SAIL模型为基础，从物理机理角度反演植被叶面积指数(LAI)。首先，通过FLAASH模型进行大气校正，使得图像像元值表达植被冠层反射率； 然后，根据LOPEX 93数据库和JHU光谱数据库选择植物生化参数和光谱数据，以PROSPECT模型模拟出的植物叶片反射率和透射率作为SAIL模型的输入参数，得到植被冠层反射率，将结果与遥感影像的植被冠层反射率对应，回归出植被LAI； 最后，以地面实测数据对遥感反演数据进行验证，并分析了误差的可能来源。