基于高时空分辨率融合影像的红树林总初级生产力遥感估算

红树林是热带与亚热带地区潮间带具备高植被生产力和高储碳量的滨海湿地植被类型,在维系全球碳平衡过程中扮演着重要的角色。目前通量站点尺度的红树林生产力研究已取得了一定的进展,然而由于受到遥感影像时空分辨率和红树林斑块分布的限制,区域尺度红树林总初级生产力（Gross Primary Production,GPP）估算仍少有涉及。基于影像融合算法获得的高时空分辨率植被指数数据集,结合红树林通量观测数据开展光能利用率模型的参数估计和模型验证研究,实现了区域尺度的红树林GPP估算,获取了一套2012年广东省高桥红树林GPP高时空分辨率数据集。数据验证得到的决定系数R² = 0.64,较现有的MOD17A2和GLASS产品GPP估算精度提高了48.9%。实验结果显示：高桥红树林最大光能利用率为3.07 g C MJ^-1,研究区内全年GPP均值为1 915.4 g C m^-2 a^-1。红树林季节平均GPP夏、秋季大于春、冬季。该方法和估算数据可为区域尺度红树林生产力研究和红树林保护提供高精度数据支持。     

基于Cubist的中国植被区域叶绿素荧光数据重建

日光诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence,SIF)是植物在太阳光照条件下,在光合作用过程中发射出的光谱信号(650～800 nm),SIF相比于植被指数等参数更能直接地反映植被光合作用的相关信息,为大尺度GPP估算带来了新的途径。但目前卫星SIF数据或存在分辨率较低的不足,或存在数据空间不连续的局限,对于应用到大尺度中连续GPP的估算中有一定难度。OCO-2 SIF数据拥有较高的空间分辨率,但却是空间离散数据。针对上述问题,着重研究对离散的OCO-2 SIF数据进行连续预测的方法,生成中国—蒙古草地生态系统的较高精度连续SIF数据集。结果如下：通过Cubist回归树算法,结合MODIS反射率数据,气象数据及土地利用类型,建立了每8 d的0.05°分辨率的连续SIF数据集,预测精度为R²=0.65,RMSE=0.114。其中,对作物类SIF预测的精度最高,为R²=0.71,RMSE=0.117;其次为对森林与草地的预测,两者的R²和RMSE分别为0.64/0.123,...     

青藏高原总初级生产力估算的模型差异

陆地生态系统总初级生产力(GPP)反映了植被通过光合作用固定大气中CO2的能力,是碳循环中的一个关键变量。光能利用率(LUE)模型在模拟GPP时空变化方面具有很大的潜力,但不同的LUE模型模拟的GPP存在很大的差异。首先以遥感数据驱动7个LUE模型(CASA、CFIX、CFLUX、EC-LUE、MODIS、VPM和VPRM)模拟青藏高原2000年至2010年的GPP,然后用涡度通量站的观测数据验证7个LUE模型在青藏高原的适用性,并比较不同模型模拟的青藏高原GPP的差异。结果表明:CASA模型和CFLUX模型低估了青藏高原的GPP,MODIS高估了青藏高原的GPP,CFIX模型的模拟值与观测值的相关性较低,EC-LUE模型、VPM模型和VPRM模型能够较好地模拟青藏高原的GPP;不同模型模拟的青藏高原年均GPP总量差异明显,最大值为958.74TgC·a~(-1)(MODIS),最小值为253.86TgC·a~(-1)(CASA模型);7个LUE模型模拟的青藏高原GPP总量在2000年至2010年均呈递增趋势;虽然7个LUE模型模拟的青藏高原GPP都呈现自西北向东南逐渐递增的趋势,但不同模型的年均GPP和GPP年际变化的空间分布格局都存在明显差异。环境要素(气温、辐射和水分)对GPP的调控作用,不同模型的空间分布格局也存在较大差异。植被状况是影响GPP模拟的重要参数,GPP与植被指数的相关性都很高,显著正相关的比例为47.33%~71.17%。     

基于机器学习和大数据平台的陆地生态系统碳收支遥感监测

陆地生态系统碳收支是全球碳循环研究的重要指标,也是气候变化的重要参数。针对该指标估测的不确定性,基于陆地生态系统通量观测研究网络的实测碳通量数据及遥感卫星观测数据产品,利用机器学习方法进行建模研究。研究选用随机森林算法自动从高质量的星—地训练数据集中学习特征、挖掘数据中的隐含信息以及时序间依赖关系的差异,建立了基于随机森林算法的碳收支参数GPP(Gross Primary Production)、NEP(Net Ecosystem Production)估算模型,并选择标准指标利用验证数据集对模型进行了客观评价。结果分析表明：与MODIS GPP产品相比,该方法在估算精度上有了提高,其中落叶阔叶林预测结果最优,决策系数为R2为0.82,均方根误差为1.93 gCm-2d-1,在其他植被类型上也明显优于传统光能利用率模型产品,更接近于地面通量观测数据。基于相同方法建立的NEP模型也得到了较好的估测结果,落叶阔叶林预测模型的输出结果与通量塔获得的NEP相关关系R2为0.70,RMSE=1.75 g C m-2d-1。GPP和NEP模型精度差异也表明,在进行机器学习建模时,训练数据集自变量的...     

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。     

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。     

基于多源遥感及气象数据的河流非光学活性水质参数反演模型研究

针对传统河流水质监测成本高、地面监测站点稀疏等问题,基于哨兵2卫星多光谱遥感数据,结合MODIS地表温度、植被指数、气溶胶光学厚度数据产品,以及ERA5气象数据产品中的地表风速数据,以非光学活性参数溶解氧(DO)、化学需氧量(COD)和氨氮(NH₃-N)的地面水质监测站的监测数据为参照,采用支持向量回归(SVR)、随机森林(RF)和多层感知机(MLP)3种机器学习方法,通过对比实验选出每种水质参数最优反演模型及其对应的输入特征组合。模型性能测试实验结果表明,利用多源遥感及气象数据反演出的DO、COD以及NH₃-N的决定系数(R²)分别为0.896、0.781、0.529,均方根误差(RMSE)分别为0.263 mg/L、0.383 mg/L、0.061 mg/L。与仅使用哨兵2卫星多光谱遥感数据的反演结果相比,R²分别提高了7.04%、19.05%、18.34%,RMSE分别降低了34.58%、37.42%、14.08%。表明多源遥感及气象数据对提高DO、COD以及NH₃-N水...     

基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演

以连州地区土壤重金属含量为研究对象,分析包括土壤原始光谱在内的经过数学变换后的光谱数据与重金属含量之间的相关性,再采用VISSA-IRIV算法进行光谱特征提取,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、粒子群优化BP神经网络、遗传算法优化BP神经网络模型,对比获取土壤重金属元素Cr、Cu含量最优反演模型。结果表明：VISSA-IRIV算法实现了对光谱数据的高效降维;BPNN模型预测效果明显优于PLSR模型;经过优化的BP神经网络模型反演精度和稳定性得到了极大地提升,其中Cr、Cu元素的最佳反演模型组合分别为FD-GABPNN(R²=0.87、RMSE=13.82、RPD=2.95)、SNV-FD-PSO-BPNN(R²=0.92、RMSE=4.25、RPD=3.41)。该研究对土壤重金属含量的准确、快速分析提供了一种有效的方法,对实现土壤重金属污染治理具有重要的现实意义。     

2001~2011年中国农田最大光能利用率参数时空变化特征

基于遥感数据的光能利用率模型被广泛应用于计算陆地生态系统的生产力,其结果对最大光能利用率(ε max)参数非常敏感。利用农业产量统计数据、MODIS遥感数据、气象观测数据和植被光合模型(VPM)推算2001~2011年全国各省逐年的农田平均ε max,并分析其时空变化特征及其影响因素。研究结果表明:2001~2011年全国31个省的农田ε max的变化范围为0.57~2.20 g C·MJ-1,呈现出东部和中部较高、西北和西南较低的分布特征。大部分省份农田ε max呈现上升趋势,但在2001~2007年存在年际波动,2008年后ε max呈相对稳定增长趋势。各省农田ε max的年际波动幅度呈现北高南低、东高西低的分布特征。大部分省份农田ε max的年际变化与单位耕地面积农用化肥施用量存在显著的正相关性(P<0.05);C4作物面积比例变化也是导致农田ε max变化的原因之一。在利用光能利用率模型计算农田生产力时,需要发展考虑ε max 时空变化的参数化方案。
     

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。     

基于HJ-1CCD影像的呼伦贝尔草原区MODIS/FPAR产品验证与分析

植物吸收性光合有效辐射分量(FPAR)是描述植被结构以及与之相关的物质与能量交换过程的基本生理变量。选取内蒙古呼伦贝尔谢尔塔拉镇针茅和羊草草甸草原为研究对象,利用2013年5次地面实测实验,通过HJ-I CCD高分辨率卫星影像建立统计模型,从而实现对该研究区MODIS/FPAR产品的验证与分析。1km HJ/FPAR"真值"与MODIS/FPAR产品值的变化趋势基本一致,并且二者具有较好的一致性,R2达到了0.6762。MODIS/FPAR产品能够很好地反映呼伦贝尔草甸草原在整个生长季的长势及物候变化,这是因为研究区样地尺度上HJ/FPAR和MODIS/FPAR产品值不但变化趋势相一致,而且相关系数R2高达0.9148。无论在同尺度(1km)还是整个研究区尺度,MODIS/FPAR均有一定的高估现象。研究结果对了解和进一步使用该地区的MODIS/FPAR产品具有重要的指导意义。     

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.     

温度植被干旱指数时空融合模型对比

为实时准确地对新疆农业干旱程度进行反演监测,以新疆焉耆盆地为例,通过运用时空自适应反射率融合模型（Spatio Temporal Adaptive Reflectivity Fusion Model,STARFM）、增强型STARFM（Enhanced STARFM,ESTARFM）模型及灵活的时空数据融合模型（Flexible Spatio Temporal Data Fusion,FSDAF）这3种常见的模型对Landsat 8和MODIS数据进行融合,构建了温度植被干旱指数（Temperature Vegetation Dryness Index,TVDI）,并采用土壤相对湿度（Relative Soil Moisture,RSM）数据对TVDI反演结果进行了验证。结果表明：①3种数据融合模型所模拟预测的干旱因子（归一化植被指数和地表温度）与真实Landsat 8数据所反演的干旱因子相比,ESTARFM模型模拟预测的干旱因子判定系数（R²）和均方根误差（RMSE）均优于其他两种模型,归一化植被指数（NDVI）的R²和RMSE分别达到了0.924和0.076,地表温度（LST）的R²和RMSE分别达到了0.877和2.799;②3种数据融合模型模拟预测的TVDI通过与真实Landsat 8数据反演的TVDI及RSM数据进行对比验证,发现ESTARFM模型模拟预测的TVDI与上述两种数据之间的R²也均优于其他两种模型,分别达到了0.873和0.248。ESTARFM模型在一定程度上更能准确地模拟预测同时期Landsat 8影像的TVDI分布状况。     

Time and Space Fusion Model Comparison of Temperature Vegetation Drought Index

Drought is the first disaster affecting agricultural production. The annual precipitation in Xinjiang of China is scarce and the climate is dry. This is one of the major obstacles to the agricultural transformation and rural revitalization in Xinjiang. Therefore, timely and accurate monitoring of agricultural drought in Xinjiang is of great significance for safeguarding agricultural production. Yanqi Basin in Xinjiang was took as an example. Landsat8 and MODIS data were used. The Spatio Temporal Adaptive Reflectivity Fusion Model (STARFM), the Enhanced STARFM (Enhanced STARFM, ESTARFM) Model and Flexible Spatio Temporal Data Fusion (FSDAF) model were used to construct the Temperature Vegetation Dryness Index (TVDI). At the same time, the Relative Soil Moisture (RSM) was used to verify the TVDI inversion results. The results show that coefficient of determination (R²) and root mean square error (RMSE) of the drought factors(NDVI and surface temperature) simulated by the ESTARFM model were better than that by the other two models. And the R² and RMSE of NDVI simulated by the ESTARFM model reached 0.924 and 0.076. In addition, the R² and RMSE of surface temperature simulated by the ESTARFM model reached 0.877 and 2.799. Comparing with TVDI of the real Landsat8 data inversion and RSM data, it was found that the TVDI simulated by the ESTARFM model is better than the other two models, with 0.873 of R² and 0.248 of RMSE. The ESTARFM model can more accurately simulate the TVDI distribution of the Landsat8 images in the same period, so as to monitor the drought degree of the farmland in Xinjiang.     

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）。