多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度,利用BiomeBGC MuSo模型模拟了长白山森林通量站点的碳、水通量,该模型包含了多层土壤模块、物候模块以及管理模块;其次,利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中,并用站点涡动通量数据进行了验证。结果表明:与Biome-BGC模型模拟结果相比,Biome-BGC MuSo改善了站点净生态系统交换量(Net ecosystem exchange,NEE)、生态系统呼吸量(Ecosystem respiration,ER)和蒸散发(Evapotranspiration,ET)模拟精度,站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后,碳、水通量模拟结果有了进一步的提升(NEE:R2=0.70,RMSE=1.16 gC·m~(–2)·d~(–1);ER:R2=0.85,RMSE=1.97 gC·m~(–2)·d~(–1);ET:R2=0.81,RMSE=0.70 mm·d~(–1))。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

数据驱动的植被总初级生产力估算方法研究

植被总初级生产力（Gross Primary Production,GPP）是指在单位时间和单位面积上,绿色植物通过光合作用固定二氧化碳所产生的全部有机物同化量,对GPP的准确估算有助于碳循环的研究。为了提高GPP的估算精度,将机器学习技术与遥感技术相结合,首先利用GEE平台下的遥感数据以及中国陆地生态系统通量观测研究网络的通量塔实测GPP数据,建立数据集。然后使用随机森林作为估算模型,建模后根据数据特点对模型调参。最后获得模型的预测结果,决定系数R²为0.87,均方根误差RMSE的值为1.132 gC·m^-2·d^-1。这说明随机森林模型可以较为精确地估算GPP。结果发现,以大数据以及人工智能为代表的计算机技术飞速发展,将为遥感技术注入新的活力,使遥感技术走向更加成熟的发展应用阶段。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View,GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band,RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure,FCC）定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号（Sentinel-2A）红边波段,模拟GF-6红边波段特性,并提取相关纹理信息（Texture Information,TI）、植被指数（Vegetation Index,VI）和红边指数（Red- edge Index,RI）,同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors,TF）对FCC估测的影响,利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归（Stepwise Multiple Linear Regressions,SMLR）和支持向量机（Support Vector Machine,SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R²=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R²=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R²=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R²=0.68,RMSE=0.07,并高于SMLR（R²=0.39,RMSE=0.10）和SVM（R²=0.49,RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于机载LiDAR点云数据森林郁闭度估测

郁闭度是反映森林数量和质量的重要参数,是森林调查的重要因子之一。以广西壮族自治区高峰林场试验区获取的机载LiDAR点云数据为基础,基于二维冠层高度模型（Canopy Height Model,CHM）和三维点云开展了森林郁闭度估测研究。使用实地调查的105块样地作为验证参考数据对郁闭度估测结果进行了精度评价,结果表明：基于二维CHM估测郁闭度与实测值之间的R²=0.388,RMSE=0.17;而基于三维点云估测郁闭度采用了2种方法：第一种方法采用归一化后2 m以上高度植被点云密度与归一化后所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.467,RMSE=0.13。第二种方法采用归一化后2 m以上高度第一次回波植被点云密度与归一化后第一次回波所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.478,RMSE=0.12;基于三维点云的2种方法估测林分郁闭度的精度皆优于基于二维CHM的方法,基于三维点云估测林分郁闭度方法中,第二种方法的精度优于第一种方法。     

基于机载LVIS和星载GLAS波形LiDAR数据反演森林LAI

波形激光雷达（Light Detection And Ranging, LiDAR）已经大量用于森林叶面积指数（Leaf Area Index, LAI）估算,但是波形LiDAR数据估算森林LAI易受地形影响。地形坡度引起的波形展宽使得地面回波和植被冠层回波信息混合在一起,难以得到准确的地面回波和冠层回波,进而影响到LAI估算精度。为了估算不同地形坡度条件下的LAI,本文采用一种坡度自适应的方法处理机载LVIS和星载GLAS波形数据。通过坡度自适应的方法得到地面波峰位置,基于高度阈值来区分地面回波和冠层回波,进而得到能量比值用于LAI估算。基于LVIS和GLAS数据,估算了不同森林站点的LAI,并利用实测LAI数据进行检验。结果表明：利用波形LiDAR数据可以估算森林LAI,坡度自适应方法可以改善地形的影响,提高LAI估算精度。对于机载LVIS,估算新英格兰森林LAI精度为R²=0.77和RMSE=0.21;对于星载GLAS,估算塞罕坝森林LAI精度为R²=0.81和RMSE=0.28。无论机载还是星载数据,该方法都有着较高的精度,对于复杂地形估算LAI具有一定潜力。     

内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

内陆水体中浮游植物的存在对悬浮物（TSM）遥感反演模型精度具有一定的影响,藻类丰度会导致水体遥感反射率降低。实验基于中国、澳大利亚和美国内陆水体的372个采样点（4个数据集）水质分析和光谱实测数据,构建内陆水体遥感反射率与TSM的相关关系,建立最优波段比模型（OBR）,并分析了藻类颗粒物存在对该模型精度的影响。由于水质的不均一性,不同区域的水质参数敏感波段存在差异,因此各数据集用于建模的最优波段比值不同。结果表明,OBR模型精度较高,误差较小,中国水体模型验证均具有较好效果（石头口门水库：R²=0.87,RMSE=14.1 mg/L;查干湖：R²=0.82,RMSE=23.6 mg/L）,澳大利亚水体模型验证效果最佳,R²值高达0.95（RMSE=4.2 mg/L）,美国水体模型精度较低（R²=0.78,RMSE=3.7 mg/L）。研究发现,模型精度受水体叶绿素（Chla）浓度和Chla/TSM比率影响,当水体以TSM浓度较高的非藻类颗粒物为主时（如中国石头口门水库和南澳洲地区水体数据集）,最优波段比值模型表现更好;而当水体以浮游植物为主时,水体中的浮游植物的丰度会使光谱信号复杂化,从而限制或降低TSM浓度遥感算法的精度（如美国印第安纳州中部水库数据集）。     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达(Backpack Laser Scanning,BLS)在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径(DBH)、树高(Htree)、冠幅直径(CD)、冠幅面积(CA)、冠幅体积(CV)、郁闭度(CC)、间隙率(GF)和叶面积指数(LAI)共8个特征参数,并计算56个分层高度指标(高度百分比、累积高度百分比、变异系数、冠层起伏率等)。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果：(1)仅用8个单木结构特征参数进行建模,估测精度为：R²=0.83、RMSE=0.097 m³;(2)加入分层高度指标的模型估测精度有所提升：R²=0.87、RMSE=0.087 m³;(3)通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大：R     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获...     

Data-Driven Estimation of Gross Primary Production

Gross Primary Production (GPP) of vegetation refers to the assimilation of all organic matter produced by green plants through photosynthesis and fixed carbon dioxide per unit time and unit area. Accurate estimation of GPP is helpful for the study of carbon cycle. In order to improve the estimation accuracy of GPP, this study combines machine learning technology and remote sensing technology. First, the remote sensing data under the GEE platform and the flux tower measurement data of the China Terrestrial Ecosystem Flux Observation Research Network are used to establish a data set. Then use random forest as the estimation model, and adjust the model according to the data characteristics after modeling. Finally, the prediction results of the model are obtained, the determination coefficient R² is 0.87, and the root mean square error RMSE is 1.132 gC·m^-2·d^-1. This shows that the random forest model can estimate GPP more accurately.From the results of this study, we can see that the rapid development of computer technology represented by big data and artificial intelligence will inject new vitality into remote sensing technology and make remote sensing technology enter a more mature stage of development and application.     

黑河流域湿地、农田、草地生态系统碳通量变化特征及驱动因子分析

为了认识黑河流域湿地、农田、草地生态系统不同时间尺度的碳通量特征及与环境因子的关系,并为干旱区生态系统碳源/汇效应评估提供理论依据。采用涡度相关技术对黑河流域湿地、农田、草地生态系统进行长达7 a的碳通量、气象因子观测,分析了净生态系统生产力(NEP)、生态系统呼吸(Reco)、总初级生产力(GPP)在日际、季节、年际3种尺度的动态变化机制,并比较了碳通量与植被指数NDVI、EVI的季节变化异同。经分析发现：(1)黑河流域湿地与草地、农田生态系统均在日尺度上呈现明显的单峰“倒U”分布,草地于12:00到达峰值,湿地与农田于13:00到达峰值,峰值碳通量农田>湿地>草地;(2)季节尺度上,湿地与农田、草地生态系统碳通量以及NDVI、EVI均呈单峰“倒U”分布,6～9月生长季为明显碳吸收,7月份到达全年峰值,碳吸收峰值为农田>湿地>草地,NDVI、EVI峰值则为阿柔站>湿地站>大满站>大沙龙站。(3)年固碳能力为农田(648.90 gC/m²/a)>湿地(627.51 gC/m²/a)>草地(...     

Comparison of Ecosystem Respiration Models based on Remote Sensing Data

Ecosystem respiration (Re) is an important component of terrestrial ecosystem carbon budget, and it was important to simulate Re accurately. In this study, Re was simulated at daily and 8-day time scales at 24 flux sites (52 site years) including 5 vegetation types by using three typical ecological models established based on remote sensing data, C-flux (the carbon flux model), ReRSM (Ecosystem respiration Remote Sensing Model) and TPGPP (Temperature Precipitation Gross Primary Production) model. Results showed that the three models had different performances. At 52 site years, the ranges of R² and RMSE were 0.72~0.96 and 0.30~3.47 gCm^-2d^-1 for the C-flux model, 0.70~0.98 and 0.45~6.07 gCm^-2d^-1 for the ReRSM model, and 0.76~0.97 and 0.41~2.45 gCm^-2d^-1 for the TPGPP model. The TPGPP performed best compared with the other two models. R² simulated with the TPGPP model was higher than the other two models at most site years with proportions of 73% and 67% at daily and 8-day scale, respectively. At daily and 8-day scale, R² simulated with the ReRSM model was higher than that with the C-flux model at most site years with proportions of 75% and 77%, while RMSE with ReRSM model was higher than that with the C-flux model at most site years with proportions of 79% and 76%, respectively. Results indicated that the ReRSM model could simulate the trends of seasonal variations of Re while model parameters had some uncertainties. One important parameter in the ReRSM model, LSWI_sm (Mean annual growing season of land surface water index), which was much lower would result in overestimation of Re, and higher LSWI_sm would result in Re underestimation.     

基于遥感和站点观测数据的生态系统呼吸模型比较

生态系统呼吸(Ecosystem respiration,Re)是陆地生态系统碳收支的重要组成部分,准确模拟Re对研究碳循环具有重要意义。利用3种典型的遥感模型,C-flux(The carbon flux model)、ReRSM(Ecosystem respiration Remote Sensing Model)和TPGPP(Temperature Precipitation Gross Primary Production)模型,基于不同时间尺度(1 d和8 d尺度)的通量观测和遥感数据,对包含5种植被类型(农作物CROP、落叶阔叶林DBF、常绿针叶林ENF、草地GRASS和混交林MF)的24个站点(52个站年)的Re进行了模拟。结果表明:不同模型模拟结果的差异较大,C-Flux模型模拟结果R2和RMSE的范围为0.72~0.96 gCm^-2d^-1和0.30~3.47 gCm^-2d^-1,ReRSM模型R2与RMSE的范围为0.70~0.98 gCm^-2d^-1和0.45~6.07 gCm^-2d^-1,TPGPP模型R2与RMSE的范围为0.76~0.97gCm^-2d^-1和0.41~2.45 gCm^-2d^-1;1 d和8 d尺度,TPGPP模型模拟效果最好,分别73%和67%的站年的TPGPP模型模拟结果的R2高于其他两种模型,65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。大部分站年(分别为75%和77%)ReRSM模型模拟的Re与观测Re之间的R2明显高于C-flux模型,然而大部分站年(79%和77%)的RMSE高于C-flux模型,这表明ReRSM模型结构合理,能较好地模拟Re的季节变化趋势但模型参数有待改进。ReRSM模型中,年均生长季平均LSWI(Mean annual growing season of Land surface water index,LSWIsm)与其他站年相比过低,会导致模拟的Re高估,反之则低估。