黑河中游试验区不同分辨率LAI数据处理、分析和尺度转换

008年开展的黑河综合遥感联合试验获取了大量野外实测叶面积指数(LAI)数据以及遥感LAI产品。在利用LAI地面点观测数据对遥感影像进行验证或者不同分辨率遥感产品相互比较的过程中存在由于地表异质性引起的尺度效应,导致无法直接进行验证、比较,需要进行尺度转换。以基于泰勒级数展开的尺度转换模型为基础,研究不同源LAI之间的尺度转换方法。包括两部分内容：① 以高分辨率影像为辅助数据将地面实测点尺度的LAI转换到中、低分辨率遥感像元尺度;② 利用高分辨率影像作为亚像元信息对低分辨率LAI产品进行尺度纠正。结果表明,利用泰勒级数展开模型进行尺度转换是一种简单可行的方法,经尺度转换的地面实测点尺度LAI可用作像元尺度数据比较验证的参考。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R²增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成"病态"反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R2由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R2增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

内蒙古锡林浩特草原GLASS LAI产品的真实性检验

结合内蒙古锡林浩特草原区域的实地测量数据和Landsat TM高分辨率遥感数据,对两景GLASS LAI产品进行真实性检验,同时以MODIS LAI产品为比照。结果表明:①GLASS LAI产品和MODIS LAI产品均高估,其中7月中旬GLASS LAI产品高估约11%,其高估的程度明显小于MODIS LAI(高估约36%),而8月末两者高估的程度相似;②GLASS LAI产品与Landsat TM反演LAI产品有较好的一致性,两期数据的决定系数R²分别达到0.72和0.58,优于MODIS LAI产品(0.61和0.27);③GLASS LAI和MODIS LAI两个产品的误差主要来自于模型的准确性,真实性检验中数据定量化误差小于5%。结论表明:GLASS LAI产品数据在锡林浩特草原区域的观测精度和一致性都优于MODIS LAI产品数据,更适用于相关研究。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型，利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而，地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足，不能完全支持LAI等地表参数的估算，易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息，并将其用于代价函数的构建，利用PROSAIL辐射传输模型和遗传算法，分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m，验证对应尺度LAI结果，评价引入先验信息对于提高LAI反演精度的作用。研究表明，引入先验信息有助于提高不同分辨率下LAI反演精度，且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比，以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65，RMSE由1.29下降至0.38。在250 m尺度，以500 m LAI反演结果作为先验信息反演的叶面积指数，其精度优于以MODIS LAI产品为先验知识的估算结果，验证精度R²增加了0.08，RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身，没有地面实测数据的参与，在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

汉江流域叶面积指数(LAI)空间尺度转换研究

为有效地整合利用不同分辨率遥感数据获取的陆面过程以及其他相关的环境变量,尺度问题越来越受到人们的重视.本文选取汉江流域为研究区,尝试对TM/ETM 影像反演的LAI升尺度转换,使用了一种基于NDVI像元分解的LAI升尺度转换算法,分两步考虑了地表异质性问题,很好的实现了900×1500大小实验区30m空间精度 LAI的向120m,300m,900m,3600m四种尺度的转换,该方法应用于整个汉江流域NASA 发布的MODIS LAI产品校正,取得了良好效果.     

遥感产品真实性检验靶场构建方法初步研究

观测试验是遥感产品真实性检验的基础,通过观测试验获取的像元尺度参量真值,能确定遥感产品质量,增强其在应用领域的价值。在遥感产品真实性检验理论和方法基础上,探索构建遥感产品真实性检验试验观测靶场构建的框架,针对不同分辨率遥感产品,提出建立特征均匀靶场和非特征均匀靶场的构思;并以中国科学院怀来遥感综合试验站为例,分析了构建两种靶场的可行性,概述了目前靶场构建的进展,分析了改进的方向。以此为后期遥感产品真实性检验的观测试验提供一种思路。     

森林叶面积指数遥感反演与空间尺度转换研究

以贵州省黎平县为研究区,着重研究森林叶面积指数(LAI)的ETM遥感信息反演和向1km空间尺度转换算法.通过LAI-2000的针叶林和阔叶林等植被类型的LAI实地观测,建立实测LAI与ETM影像归一化植被指数(NDVI)的相关关系并进行LAI遥感制图,并在陆地覆盖类型遥感分类信息提取的基础上,发展了针叶林、混交林和空旷地三种地表类型LAI的向上空间尺度转换算法,以对粗分辨MODIS遥感数据的LAI产品实现LAI算法的转换与校正,并通过示例应用显示了本研究空间尺度转换算法的有效性.     

我国叶面积指数卫星遥感产品生产及验证

利用卫星遥感生产叶面积指数（Leaf area index： LAI）产品并进行真实性检验是植被定量遥感的一项重要研究内容。过去10 a,我国研究人员利用MODIS或AVHRR观测数据生产了GLOBALBNU, GLASS, GLOBMAP,MuSyQ和FSGOM等数套全球和全国LAI产品,受到了国内外的广泛关注和应用。在产品生产的同时,我国学者也广泛开展了LAI产品在全球和区域尺度的真实性检验研究工作。本文总结了我国LAI卫星产品生产和验证研究工作的现状和趋势。近年来,我国在本领域相关的理论、技术和方法研究方面取得了全面进展,LAI产品精度和连续性已与国外先进水平相当,但仍然存在数据源单一且依赖国外、算法不确定性不清、生产不连续以及缺乏充分验证等问题,客观上影响了LAI产品应用的广度及深度。未来应充分利用新的卫星数据特别是国产数据,加强遥感机理模型、反演算法以及应用的创新研究,生产具有特色的高质量LAI产品,满足地球系统科学的研究需求。同时,应加强LAI验证基础设施建设,发掘利用更广泛的验证站点,同时增进国际合作,加强产品的推广使用,在与用户的互动交流反馈中进一步提高产品的市场。随着我国对相关研究投入的增加,可以预期未来20 a将是我国LAI遥感产品及验证研究由“跟跑”国际先进水平向“并跑”乃至“领跑”过渡的机遇期。     

水色水温遥感产品真实性检验误差分析

真实性检验是利用现场观测数据或其他高质量遥感产品来获取待检验遥感产品精度的技术,是遥感产品制作及其应用的前提。通过分析均方根误差、平均绝对误差和平均相对误差等多种遥感产品精度评价统计量的适用性,确定了一套水色、水温遥感产品真实性检验流程。以中分辨率成像光谱仪(MODIS)海表温度(SST)遥感产品的真实性检验实例展示了文中确定的水色水温遥感产品真实性检验流程的可行性。分析结果表明待检验产品的分布规律(样本均值和标准偏差)对检验结果的统计量会产生一定的影响,平均值对平均相对误差的影响呈现高相关性。     

黑河及汉江流域MODIS叶面积指数产品质量评价

叶面积指数（LAI）是MODIS地面队伍生产的一系列标准产品之一，对其进行独立的质量评价有助于用户了解数据的适用性。本文用近同时相的Landsat影像及野外实测LAI数据获得了黑河及汉江两个研究区高分辨率的Landsat LAl分布图。基于此，对MODIS LAI数据进行了质量评价，评价指标包括统计特征和空间特征。分析结果表明，就统计特征而言，MODIS LAI数据值一般低于Landsat的LAI值，在植被覆盖较好的汉江区低估约10％，在植被覆盖稀疏的黑河区，LAI值低估达58％；就空间特征而言，两个研究区的结果都表明MODIS LAI数据无法很好地体现植被空间分布信息，在黑河区存在大量低槽被覆盖像元被归类为非植被覆盖区的情况。     

中国西南山区GEOV１、GLASS和MODISLAI产品的对比分析

叶面积指数(LeafAreaIndex,LAI)是表征植被生物物理变化和冠层结构特征的关键参数,目前存在多个全球范围、长时间序列LAI产品,对其进行验证是LAI产品应用的重要前提,然而目前山区的验证工作尤其少见.在我国西南山区选取６个典型样区,考虑山区复杂地形特征,从产品时空完整性以及对山区植被时空特征表征能力等方面对GEOV１、GLASS和MODISLAI产品进行对比分析.研究结果表明:①相比于地形平坦地区,在山区随海拔和地形起伏度的增加,LAI产品时空完整性呈递减的趋势,其中,GEOV１LAI表现最差,MODISLAI次之,GLASSLAI表现最好;②GLASSLAI和GEOV１LAI的空间分布合理且具有较好的一致性,MODISLAI的空间分布和二者存在差异,３种LAI产品均难以准确反映山区植被垂直带谱的变化特征;③草地类型LAI产品间差值较小,林地和农作物GLASSLAI和GEOV１LAI产品一致性较好,MODISLAI产品和二者存在较大的差异;④GLASSLAI时间序列曲线平滑且连续,GEOV１LAI存在时间不连续现象,MODISLAI季相变化中的波动现象比较严重;各产品不仅难以准确反映冬季的常绿针叶林LAI,而且难以准确表征样区内农田作物轮作的物候信息.对比分析有助于发现LAI产品在山区存在的问题,并为今后LAI产品的算法改进提供帮助和参考.     

多源遥感驱动的SRM模型在缺资料地区的研究及应用

以MODIS雪盖、风云静止卫星降水、GLDAS气温等多源数据,作为传统SRM模型的输入参数,构建多源遥感驱动的SRM融雪径流模型,并在缺资料地区——青藏高原的年楚河流域进行融雪过程的径流模拟。研究表明融雪后期的瞬时降雪很大程度上影响了插值后积雪覆盖率的精度,在插值的时候考虑降水和气温,排除瞬时积雪干扰,改进线性插值获得每天的积雪覆盖率,可以提高模型模拟精度;遥感驱动的SRM模型在缺资料地区年楚河适用性较好,Nash-Sutcliffe系数(NSE)达到0.681,体积差(Dv)为-0.17%,均方根误差(RMSE)为9.678,模型模拟的精度较高。研究结果可为高寒地区生态水文模型研究提供重要参考,同时可为SRM模型在其他流域尤其是缺资料地区融雪径流计算中的应用提供有效支撑。     

黑河综合遥感联合试验数据发布

“黑河综合遥感联合试验”(Watershed Allied Telemetry Experimental Research,WATER)是在我国第二大内陆河流域-黑河流域开展的大型航空、卫星遥感和地面同步观测试验。在试验加强观测期结束两年之际,试验数据集正式发布,实现了发展多尺度、多分辨率、高质量并最终完全共享的综合数据集的目标。本文是“黑河综合遥感联合试验”数据专栏的序言,概述了试验数据信息系统的意义、数据集的构成、数据质量控制的基本措施和流程,以及数据共享政策。我们热情邀请国内外同行在内陆河水文与生态研究、定量遥感研究等多方面使用该数据集,共同推进其广泛应用。     

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index, LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取,使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息,发展了基于数据机理（Data-Based Mechanistic, DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。     

Improving Soil Moisture Estimation by Joint Assimilationof MODIS Land Surface Temperature and Airborne L band Microwave Brightness Temperature

In this work,a novel soil moisture data assimilation scheme was developed,which was based land surface model (CoLM,Common Land Model),microwave radioactive transfer model (L MEB,L band Microwave Emission of the Biosphere),and data assimilation algorithm (EnKS,Ensemble Kalman Smoother).This scheme is used to improve the estimation of soil moisture profile by jointly assimilatingMODIS land surface temperature and airborne L band passive microwave brightness temperature.The ground based data observed at DAMAN superstation,which is located at Yingke oasis desert area in the middle stream of the Heihe River Basin,are used to conduct this experiment and validate assimilation results.Three LAI products are used to analyze the influence of LAI on soil temperature.Three assimilation experiments are also designed in this work,including assimilation of MODIS LST,assimilation of microwave brightness temperature,and assimilation of MODIS LST and microwave brightness temperature.The results show that the uncertainties in LAI influence significantly soil temperature simulations in different soil layers.MODIS LAI product is seriously underestimated in this study area,which results soil temperature overestimation about 4~6 K.Three assimilation schemes can improve soil moisture estimations to different extend.Joint assimilation of MODIS LST and microwave brightness temperature achieved the best performance,which can reduce the RMSE of soil moisture to 31%~53%.