基于集合卡尔曼滤波同化方法的农田土壤水分模拟

引入实际土壤水分观测数据,运用基于集合卡尔曼滤波的数据同化方法,利用改进的生态机理模型BEPS(boreal ecosystem productivity simulator)模拟了江苏省徐州农业试验站2000-2004年冬小麦生长季的根层土壤水分动态,结果表明:经过引入观测数据进行同化后由BEPS模型得到的土壤水分模拟结果与观测值之间的决定系数、均方根误差和平均绝对误差分别为0.626 ～O.943、0.018～0.042和0.021～0.041,模拟精度较同化前有显著提高,验证了利用数据同化算法提高模型对土壤水分模拟精度的可行性.单点试验结果表明,输入变量的误差、观测值的误差、引入观测数据的频率以及引入观测数据的深度等因素对利用集合卡尔曼滤波进行同化后得到的土壤水分模拟结果有较大影响.     

双集合卡尔曼滤波LAI同化结合BEPS模型的竹林生态系统碳通量模拟

叶面积指数(LAI)是森林生态系统碳循环研究的重要观测数据,也是驱动森林生态系统模型模拟碳循环的重要参数.本文以毛竹林和雷竹林为研究对象,首先利用双集合卡尔曼滤波,同化两种竹林生态系统观测站点2014—2015年MODIS LAI时间序列数据,然后将同化的高质量毛竹LAI和雷竹LAI作为输入数据驱动BEPS模型,模拟两种竹林生态系统总初级生产力(GPP)、净生态系统碳交换量(NEE)和总生态系统呼吸(TER)等碳循环数据,并用通量站实际观测值评价模拟结果;另外,还对比不同质量LAI对碳循环模拟的影响.结果表明: 双集合卡尔曼滤波同化得到的毛竹林和雷竹林LAI与实测LAI之间的相关关系极为显著,R²分别为0.81和0.91,且均方根误差和绝对偏差均较小,极大地提高了MODIS LAI的产品精度;在同化得到的LAI驱动下,BEPS模型模拟的毛竹林GPP、NEE和TER与实际观测值之间的R²分别为0.66、0.47和0.64,雷竹林分别为0.66、0.45和0.73,模拟结果均好于三次样条帽盖算法平滑LAI模拟得到的GPP、NEE和TER,其中,毛竹林、雷竹林NEE的模拟精度提高幅度最大,分别为11.2%和11.8%.     

基于数据同化的哈佛森林地区水、碳通量模拟

模型模拟和站点观测是陆地生态系统水、碳循环研究最主要的两种手段,但各有优势和不足,若二者相互结合,则能更准确地反映生态系统水、碳通量的动态变化.数据同化为模型与观测结合提供了一条有效的途径.本文采用哈佛森林环境监测站相关数据,利用集合卡曼滤波同化算法,将实测叶面积指数(LAI)和遥感LAI同化进入Biome BGC模型中,对该地区水、碳通量进行模拟.结果表明：与未同化模拟相比,将1998、1999和2006年实测LAI数据同化后,模型模拟碳通量(NEE)与通量观测NEE的决定系数(R²)平均提升8.4%;蒸散发(ET)的R²平均提升10.6%;NEE的绝对误差和(SAE)和均方根误差(RMSE)平均下降17.7%和21.2%,ET的SAE和RMSE平均下降26.8%和28.3%.将2000-2004年MODIS LAI 产品与模型同化后,NEE、ET模拟值与观测值间的R²分别提升7.8%和4.7%;NEE的SAE和 RMSE分别下降21.9%和26.3%,ET的SAE和 RMSE分别下降24.5%和25.5%.无论实测LAI还是遥感观测LAI,同化进入模型都能不同程度地提高水碳通量的模拟精度.     

杨树林全生长期LAI遥感估算模型适用性

基于时间序列的植被叶面积指数(LAI)估算方法一直是遥感领域研究的热点,对植被全生长期LAI进行估算以跟踪其生长情况具有重要的实用意义。以此为出发点,以滁州地区杨树林为研究对象,获取多时相环境卫星CCD(简称HJ-CDD)遥感影像,并利用LAI-2000同步测量杨树林叶面积指数(LAI)。使用归一化植被指数(NDVI)分别建立展叶期、花果期、叶面积稳定期和落叶始期的LAI估算模型,通过对比分析得到了全生长期LAI估算模型,并利用实测LAI对估算LAI进行了验证。最后进一步对该模型的适用性进行了验证,结果表明,此模型对于各个时期LAI的估算具有一定的适用性和有效性,可用于全生育期的遥感LAI生成,从而为LAI的动态变化监测提供了一种有效的研究思路和方法途径。     

利用亚像元尺度信息改进区域冬小麦生长的模拟

为了探寻遥感观测面尺度与作物模型模拟点尺度不匹配问题的解决方案并改善区域作物生长模拟精度,以河南省鹤壁市为研究区,以冬小麦为研究对象,基于MODIS、Landsat 8遥感数据和Wheat SM作物生长模型,通过MODIS LAI过程线重建、亚像元尺度信息提取、集合卡尔曼滤波同化等方法,进行了冬小麦生长模拟的研究。结果表明:通过MODIS LAI过程线重建并提取亚像元尺度信息,冬小麦纯度在80%以上的遥感反演LAI与冬小麦两个关键生育期实测冠层LAI的均方根误差(RMSE)为0.69,以最近邻域法赋值到整个模拟区域,研究区2013—2017年模拟总产和实际总产相比的RMSE在未同化遥感反演的LAI信息时为6.73×108kg,同化未利用亚像元尺度信息调整的遥感估算LAI时,RMSE上升到8.24×108kg,同化利用亚像元尺度信息分区赋值的遥感LAI时,RMSE下降到3.48×108kg。利用亚像元尺度信息生成与作物模型时空尺度匹配的格点化LAI遥感产品,可提高作物生长模型区域化应用的精度。     

三江平原湿地植被叶面积指数遥感估算模型

利用中巴资源卫星CBERS-02影像提取的归一化植被指数(NDVI)和同期野外实测的叶面积指数(LAI)数据,分析了三江平原洪河自然保护区草甸、沼泽植被、灌丛和岛状林4种湿地植被及样本总体的NDVI与LAI之间的相关关系,建立了NDVI与不同湿地植被类型叶面积指数间的线性和非线性回归模型,并制作完成洪河自然保护区LAI空间分布图.结果表明,整个研究区样本总体的LAI估算效果不太理想,其NDVI与LAI的相关性仅为0.523;将研究区分为草甸、沼泽、灌丛和岛状林4种湿地植被类型,NDVI与各植被型LAI的相关性和估算效果均有很大程度的提高,所建立的LAI遥感反演模型以三次曲线回归方程拟合精度最高,R2分别达到0.723、0.588、0.837、0.720.以上结果表明,结合地面实测数据并基于遥感植被分类的基础上,CBERS-02遥感影像可用于较大区域内湿地植被生理参数的反演研究.     

基于多角度植被指数的马尾松林LAI反演方法

CHRIS/PROBA是目前具有最高空间分辨率（17 m×17 m）的星载多角度高光谱数据,该款数据在反演植被垂直结构参数,如树高、叶面积指数（leaf area index,LAI）等方面具有重要的应用前景。基于四尺度几何光学模型得到马尾松（Pinus massoniana Lamb.）冠层的归一化差分植被指数（normalized difference vegetation index,NDVI）各向异性分布规律,利用CHRIS红光特征波段和近红外特征波段构建一种新型多角度植被指数（normalized hotspot-dark-spot difference vegetation index,NHDVI）,并将其应用于CHRIS数据对马尾松林的LAI遥感估算上。结果显示：（1）相比归一化差分植被指数（NDVI）与土壤调节植被指数（soil adjusted vegetation index,SAVI）而言,NHDVI能很好地融合光谱信息与角度信息,与地面实测LAI的决定系数达到0.7278;（2）利用NHDVI-LAI统计回归模型方法来反演LAI值,将得到的LAI值与地面实测值进行相关性分析,结果拟合优度达到0.8272,均方根误差RMSE为0.1232。与传统植被指数相比,包含角度信息的多角度植被指数对LAI的反演在精度上有较大提升,同时比基于辐射传输模型的反演方法更简易、实用。     

基于叶面积指数反演的区域冬小麦单产遥感估测

利用定量遥感技术反演的叶面积指数（LAI）在中国北方黄淮海地区典型县市进行冬小麦单产预测研究.为提高数据质量和减少估产误差,利用Savitzky-Golay滤波技术降低云对NDVI数据的影响及数据缺失;通过冬小麦实测LAI进行时序内插,模拟得到实测点每日冬小麦LAI,继而获得实测点主要生育时期平均LAI;在此基础上,建立了冬小麦主要生育时期平均LAI与作物单产关系模型,改变目前利用生育时期内某一时间点LAI代替整个生育时期LAI的方法;在模型择优基础上,得到最佳遥感估产关键期--开花期LAI与单产统计模型;最后,利用MODIS-NDVI经验模型反演得到的开花期平均LAI进行2008年冬小麦单产预测.结果表明：与地面实测的冬小麦单产相比,研究区估产平均相对误差为1.21%,RMSE达到257.33 kg·hm^-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前20～30 d进行准确的单产估计.     

基于Biome-BGC模型和集合卡尔曼滤波方法的阔叶红松林生态系统水碳通量模拟

数据同化为模型与遥感观测结合提供了一条有效的途径,通过在模型运行过程中融入遥感观测数据,调整模型运行轨迹从而降低模型误差,提高模拟精度。本文利用集合卡尔曼滤波(En KF)算法同化生长季中分辨率成像光谱仪(MODIS)叶面积指数(LAI)与Biome-BGC模型模拟的LAI模拟长白山阔叶红松林的水碳通量。同时,通过改进模拟的雪面升华与土壤温度计算方法的参数,旨在降低冬季生态呼吸的模拟误差。结果表明,相对于原始模型,数据同化与模型改进后使得生态系统总初级生产力(GPP)的模拟值与观测值之间的相关系数提高0.06,中心化均方根误差(RMSE)降低0.48 g C·m~(-2)·d~(-1);生态系统呼吸(RE)的相关系数提高0.02,中心化均方根误差降低0.20 g C·m~(-2)·d~(-1);净生态系统碳交换量(NEE)相关系数提高0.35,中心化均方根误差降低0.50 g C·m~(-2)·d~(-1)。同时,数据同化对蒸散发(ET)的模拟精度没有显著影响,改进的模型提高了其相关系数。基于En KF算法的数据同化提高了长白山阔叶红松林碳通量模拟精度,对于精确估算区域碳通量有着重要的意义。     

采用不同光谱波段宽度的归一化植被指数估算水稻叶面积指数

通过大田试验,测量了水稻不同生育期的冠层光谱,并通过在TM红光波段和近红外波段范围内不断扩展波段宽度,计算了各个波段宽度对应的归一化植被指数(NDVI)及其与叶面积指数(LAI)的最大相关系数,再根据NDVI与LAI最佳拟合方程的最大R2值随波段宽度的变化特征确定了最佳波段宽度.结果表明:NDVI与LAI的相关系数和最佳拟合方程的最大R2值具有相同的变化趋势,在小于红光波段宽度60nm范围内,均随波段宽度的增大而减小,即窄波段NDVI比宽波段NDVI对LAI的估算效果好;在超过60nm后,由于受近红外波段宽度的影响而略有波动.对R2规律的分析表明,使用NDVI估算水稻LAI的最佳波段宽度为15nm.     

林下植被对遥感估算马尾松LAI的影响

叶面积指数是一项极其重要的描述植被冠层结构的植被特征参量。根据植被物候规律,利用中国环境卫星CCD多光谱影像和野外马尾松样区调查数据,通过建立不同季节和不同郁闭度样区马尾松LAI和影像NDVI经验回归模型,并利用一个新的LAI观测方式定量比较乔木层LAI和生态系统总LAI(包括草本层、灌木层和乔木层)的差异,研究林下植被对马尾松反演的影响程度。结果表明:(1)由于林下植被的物候变化,冬季林下植被对马尾松LAI反演影响最小,马尾松NDVI和LAI线性关系R2维持在0.65;夏季林下植被影响最大,线性关系R2只有0.25;春季和秋季影响居中,NDVI和LAI线性关系R2在0.47附近。但是,受林下植被影响较小的A类样区4个季节内NDVI和LAI线性关系基本都在0.60以上(夏季略低于0.60);(2)乔木层LAI和总LAI差距非常大,最大差距达到2.93,相差的比例最大达到了2.45倍;(3)总LAI和NDVI相关关系显著,其中线性关系R2达到0.66,对数关系R2可达到0.68,而乔木层LAI和NDVI相关关系较差,线性关系R2只有0.30。分别建立冬季和其它季节实测总LAI和NDVI的关系,可以估算出林下植被对马尾松LAI反演的影响程度。     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

Remote estimation of the fraction of absorbed photosynthetically active radiation for a maize canopy in Northeast China

Aims Accurate remote estimation of the fraction of absorbed photosynthetically active radiation (fAPAR) is essential for the light use efficiency (LUE) models. Currently, one challenge for the LUE models is lack of knowledge about the relationship between fAPAR and the normalized difference vegetation index (NDVI). Few studies have tested this relationship against field measurements and evaluated the accuracy of the remote estimation method. This study aimed to reveal the empirical relationship between NDVI and fAPAR and to improve algorithms for remote estimation of fAPAR.Methods To investigate the method of remote estimation of fAPAR seasonal dynamics, the CASA (Carnegie–Ames–Stanford Approach) model and spectral vegetation indices (VIs) were used for in situ measurements of spectral reflectance and fAPAR during the growing season of a maize canopy in Northeast China.Important findings The results showed that the fAPAR increased rapidly with the day of year during the vegetative stage, it remained relatively stable at the stage of reproduction, and finally decreased slowly during the senescence stage. In addition, fAPAR green [fAPAR green = fAPAR × (green LAI/green LAI max)] showed clearer seasonal trends than fAPAR. The NDVI, red-edge NDVI, wide dynamic range vegetation index, red-edge position (REP) and REP with Sentinel-2 bands derived from hyperspectral remote sensing data were all significantly positively related to fAPAR green during the entire growing season. In a comparison of the predictive performance of VIs for the whole growing season, REP was the most appropriate spectral index, and can be recommended for monitoring seasonal dynamics of fAPAR in a maize canopy.     

基于遥感信息的作物模型重新初始化/参数化方法研究初探

作物模型与遥感信息的结合有助于利用遥感监测的大范围植被信息解决作物模型区域应用时模型初始状态和参数值难以确定的问题。该文借助叶面积指数(LAI)将经过华北冬小麦(Triticum aestivium)适应性调整的WOFOST模型与经参数调整检验的SAIL-PROSPECT模型相嵌套,利用嵌套模型模拟作物冠层的土壤调整植被指数(SAVI),在代表点上借助FSEOPT优化程序使模拟SAVI_s与MODIS遥感数据合成SAVI_m的差异达到最小,从而对WOFOST模型重新初始化。结果表明,借助于遥感信息,出苗期的重新初始化使模拟成熟期与按实际出苗期模拟的结果相差在2天以内,模拟的LAI和总干重的误差比按实际出苗期模拟结果的误差降低3~8个百分点;返青期生物量的重新初始化使模拟LAI和地上总干重在关键发育时刻的误差降至16%以内,模拟LAI和贮存器官重在整个生育期内都更加接近实测值;对返青期生物量的动态调整显示返青到抽穗期间较少次数的遥感数据即能有效地提高作物模型的模拟效果。与国外同类研究相比,该文在作物模型本地化、重新初始化变量和优化比较对象的选择上都有所不同,而利用遥感数据动态调整作物模型初始状态或参数值更具有新意。该文对区域尺度上利用遥感信息优化作物模型的研究具有基础性、探讨性意义。     

烟草叶面积指数的高光谱估算模型

叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草叶面积指数LAI的精度,在烟草伸根期,旺长期和成熟期采用ASD Fieldspec HH光谱仪测定了不同水氮条件下烟草冠层的高光谱反射率和叶面积指数数据。选用四个常用的植被指数RVI (ratio vegetation index)、NDVI (normalized difference vegetation index)、MTVI2（Modified second triangular vegetation index）、MSAVI（Modified Soil-adjusted vegetation index）和PCA (principal component analysis)、neural network (NN)三种方法对烟草LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.76～0.85之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.172,低于四个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。     

Upscaling leaf area index in an Arctic landscape through multiscale observations

Monitoring and understanding global change requires a detailed focus on upscaling, the process for extrapolating from the site‐specific scale to the smallest scale resolved in regional or global models or earth observing systems. Leaf area index (LAI) is one of the most sensitive determinants of plant production and can vary by an order of magnitude over short distances. The landscape distribution of LAI is generally determined by remote sensing of surface reflectance (e.g. normalized difference vegetation index, NDVI) but the mismatch in scales between ground and satellite measurements complicates LAI upscaling. Here, we describe a series of measurements to quantify the spatial distribution of LAI in a sub‐Arctic landscape and then describe the upscaling process and its associated errors. Working from a fine‐scale harvest LAI–NDVI relationship, we collected NDVI data over a 500 m × 500 m catchment in the Swedish Arctic, at resolutions from 0.2 to 9.0 m in a nested sampling design. NDVI scaled linearly, so that NDVI at any scale was a simple average of multiple NDVI measurements taken at finer scales. The LAI–NDVI relationship was scale invariant from 1.5 to 9.0 m resolution. Thus, a single exponential LAI–NDVI relationship was valid at all these scales, with similar prediction errors. Vegetation patches were of a scale of ～0.5 m and at measurement scales coarser than this, there was a sharp drop in LAI variance. Landsat NDVI data for the study catchment correlated significantly, but poorly, with ground‐based measurements. A variety of techniques were used to construct LAI maps, including interpolation by inverse distance weighting, ordinary Kriging, External Drift Kriging using Landsat data, and direct estimation from a Landsat NDVI–LAI calibration. All methods produced similar LAI estimates and overall errors. However, Kriging approaches also generated maps of LAI estimation error based on semivariograms. The spatial variability of this Arctic landscape was such that local measurements assimilated by Kriging approaches had a limited spatial influence. Over scales >50 m, interpolation error was of similar magnitude to the error in the Landsat NDVI calibration. The characterisation of LAI spatial error in this study is a key step towards developing spatio‐temporal data assimilation systems for assessing C cycling in terrestrial ecosystems by combining models with field and remotely sensed data.     

青藏高原植被生长对PDO响应的季节分异

利用卫星遥感观测的区域尺度归一化植被指数(NDVI)和格点气候数据,借助Spearman相关分析及基于多变量回归分析的结构方程模型,研究了1982—2015年青藏高原植被生长季节变化对太平洋10年际涛动(PDO)的响应格局及机理过程.结果表明:青藏高原生长季(4—10月)平均NDVI与PDO指数存在显著的负相关关系,但是PDO与不同季节NDVI之间的关系呈现出明显的季节分异,具体表现为PDO与秋季NDVI的负相关关系强于夏季,且冬季PDO显著影响次年青藏高原夏季植被生长.另外,PDO对青藏高原植被生长的调控过程在季节间存在明显分异,夏季表现为PDO对温度和降水的共同调控,而秋季则以对温度调控为主.     

1988-2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数（Leaf Area Index,LAI）高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988-2013年10期遥感影像,基于反向传播（Back Propagation,BP）神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明：（1）该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;（2）统计分析去除耕地后全市LAI变化,低植被覆盖（LAI<2）面积不断增加,高植被覆盖区（LAI>3）面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;（3）主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。