原文以“Derivation
of temporally continuous LAI reference maps through combining the
LAINet observation system with CACAO”为题发表在Agricultural and Forest
Meteorology上。
作者:Gaofei
Yin,Ainong Li,Huaan Jin,Wei Zhao,Jinhu Bian,Yonghua Qu,Yelu Zeng,
Baodong
Xu原文链接:https://www.sciencedirect.com/science/article/abs/pii/S0168192316307031
LAINet:一种不间断的LAI观测系统,由无线传感器网络技术开发,详情请参考文献:10.1016/j.compag.2014.08.003
CACAO:(Consistent
Adjustment of the Climatology to
ActualObservations):根据实际观测���时序稳态进行调整的一种数据融合方法,详情请参考文献:10.1109/TGRS.2012.2228653
叶面积指数(LAI)是指单位水平地面面积绿叶总面积的一半,在光合作用、呼吸作用和蒸腾作用等方面的模拟、应用起着关键作用。分享的这篇文献主要关注LAI在遥感方面的以下两个应用:
1.叶面积指数数据库(Leaf
area index (LAI)products)(中文文献里通常将“Leaf area index (LAI)
products”翻译成“叶面积指数产品”,此处采取了不同翻译,请读者注意)一般通过遥感产生,被广泛地应用于大部分的地表过程模型。
2.在验证过程中,需要根据叶面积指数参考图将实地测量进行尺度上推(upscale)达到低分辨率。
评估叶面积指数数据的不确定性,对叶面积指数数据库的正确应用至关重要,因此,迫切需要时间连续的叶面积指数参考图。然而,有两个主要的问题阻碍了时间连续的叶面积指数参考图的生成:
1.如何高效且低成本地获得时间连续的现场测量数据?
2.如何获得时间连续的、高空间分辨率的、与现场测量同步的卫星图像?
这篇文献结合LAINet观测系统(图2)和CACAO时空融合方法,提出了一种解决上述两个问题的方法:
首先,通过LAINet观测系统获得多角度的间隙率,接着对多角度的间隙率进行分析可以获得有效的、时间连续的叶面积指数。通过CACAO时空融合方法去重新计算时间连续的归一化植被指数(NDVI)。
图1、试验区Landsat-8 OLI假彩色合成图像(波段5-4-3)。黑**格指示MODIS像元,点代表部署在研究区域内的LAINet观测系统的位置。
图2、LAINet系统示意图,上方节点(Above
Node, AN)(b)和下方节点(Below Node
,BN)(c)分别安装了3个、9个量子传感器。12个传感器通过Zigbee协议与中央节点(Central
Node,CN)通讯。中央节点接收12个传感器的数据并将数据通过GPRS网络传输给远程的数据服务器(Data
Server,DS),服务器进一步处理测量数据,输出叶面积指数。
图3、LAINet观测系统测量的平均叶面积指数的时间变化
图4、Landsat-8 OLI NDVI与CACAO时空融合方法重新计算的NDVI之间的回归。DOY187和235的数据分别以红色和绿色显示。
然后,通过指数函数拟合去订正将重新计算的NDVI与现场测量的LAI联系起来的转换函数。
通过将订正的转换函数应用到重新计算的NDVI去生成时间连续的叶面积指数参考图。
研究者们在一个作物种植点对所提出方法的效果进行了评估。结果如下:
1.重构的LAI参考图与根据Landsat-8
OLI NDVI得出的原始LAI参考图有很高的一致性 (R2 = 0.90, RMSE = 0.27 at 30 m resolution,
R2 = 0.97, RMSE = 0.09 at 1 km resolution)。
图5、重构的叶面积指数与原始叶面积指数的回归。(a)分辨率为30米;(b)分辨率尺度上推到1公里。DOY187和235的叶面积指数分别以红色和绿色显示。
2.通常情况下,MOD15A2的叶面积指数数据具有相对较高的分辨率、基本包含植物的所有物候期,但将重构的时间连续的LAI参考图作为基准去验证MOD15A2的叶面积指数数据库,发现MOD15A2的叶面积指数数据出现明显的低估,误差约为0.30。
这项研究的结果有助于评估叶面积指数数据不确定性的时间动态,有利于植物的长期监测以及我们更好地理解LAI数据。
致谢:感谢论文作者对翻译的修改
作者简介: