在全球变暖的背景下,西南地区整体上气温升高降水减少,作为中国重要的碳汇地区,西南地区的植被动态监测与模拟对深入了解其碳循环机制和促进经济可持续发展具有重要意义。本研究利用陆面过程模式(Community Land Model version5, CLM5)...在全球变暖的背景下,西南地区整体上气温升高降水减少,作为中国重要的碳汇地区,西南地区的植被动态监测与模拟对深入了解其碳循环机制和促进经济可持续发展具有重要意义。本研究利用陆面过程模式(Community Land Model version5, CLM5),模拟和分析西南地区2000-2016年叶面积指数LAI(Leaf Area Index, LAI)和总初级生产力GPP(Gross Primary Productivity, GPP)的时空变化特征,并与多套遥感数据进行对比,评估CLM5在西南地区对LAI和GPP模拟的适用性。研究结果表明,CLM5能较好地模拟西南地区LAI和GPP的季节变化规律,但模拟存在对LAI生长季的高估,以及对GPP全年低估,对温带落叶阔叶灌木的LAI、高寒C3草甸的LAI、 GPP和C3草甸的GPP模拟效果较好。CLM5能够较好地刻画西南地区LAI和GPP空间分布格局,表现为由东南向西北递减,但整体上CLM5对西南地区LAI模拟偏高,特别是对贵州喀斯特地貌地区LAI的模拟偏高。与模型对LAI模拟高估相反,CLM5对西南地区GPP的模拟整体偏低,特别是云南地区。此外,CLM5对西南地区LAI和GPP的变化趋势模拟效果较差,特别是在云南大部分地区,遥感数据主要呈现上升趋势,而CLM5模拟呈现下降趋势。整体上,CLM5能模拟出西南地区LAI和GPP的季节变化规律和空间分布,但对云南和贵州部分地区的变化趋势模拟较差,仍需要针对四川盆地农田、云南森林、和贵州喀斯特地区植被发展更深入的参数化方案来提升模拟效果。展开更多
叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然...叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然而,作为典型的垄行结构,作物冠层被公认为是介于连续植被与离散植被之间的一种过渡形式,而简单的均匀假设必然会给反演带来偏差.本文以农作物玉米为研究对象,首先重建了玉米三维冠层结构,并定量对比分析了一维辐射传输模型PROSAIL和三维辐射传输模型LESS在玉米冠层不同生长期的反射率差异,确定了玉米冠层的非均匀分布特征是引起PROSAIL模型模拟和反演误差的主要因素;然后,考虑到玉米冠层生长过程中聚集指数的变化特征,利用LESS模型定量计算了不同生育期玉米冠层结构对应的聚集指数,建立了聚集指数和有效叶面积指数(LAI_(e))之间的关系;进而,利用该关系对基于PROSAIL模型反演得到的LAI进行修正.结果表明,修正后的LAI精度有明显提高,R^(2)从0.27提高到了0.55.该方法有望提高中高分辨率遥感数据在农作物LAI反演精度.展开更多
获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类...获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类型,缺乏针对多类型作物的精度较高的LAI反演算法。该研究以玉米和水稻为主要作物的农田为例,基于PROSAIL模型模拟数据集,通过分析不同类型作物的缨帽三角-植被等值线分布模式,将植被覆盖度作为先验知识,构建用于反演多类型作物的LAI反演查找表,将其用于多时相GF-1 WFV(wide-field view)影像,反演获得整个生长季不同生长时期的LAI,并利用地面实测数据进行验证。研究结果显示:将植被覆盖度作为先验知识构建的查找表反演的LAI和实测值相关性较显著(R^(2)=0.60),均方根误差(RMSE)为0.75,反演的整个生长期LAI的变化趋势与实测LAI的变化趋势一致。而由未加入先验知识的查找表反演的LAI值和实测值的R^(2)为0.47,RMSE为0.85。该研究表明,基于缨帽三角-植被等值线分布模式,在构建涉及多类型作物的农田LAI反演的查找表中引入先验知识,能够显著提高LAI反演的精度,有效获得作物的LAI信息。展开更多
叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、...叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。展开更多
文摘在全球变暖的背景下,西南地区整体上气温升高降水减少,作为中国重要的碳汇地区,西南地区的植被动态监测与模拟对深入了解其碳循环机制和促进经济可持续发展具有重要意义。本研究利用陆面过程模式(Community Land Model version5, CLM5),模拟和分析西南地区2000-2016年叶面积指数LAI(Leaf Area Index, LAI)和总初级生产力GPP(Gross Primary Productivity, GPP)的时空变化特征,并与多套遥感数据进行对比,评估CLM5在西南地区对LAI和GPP模拟的适用性。研究结果表明,CLM5能较好地模拟西南地区LAI和GPP的季节变化规律,但模拟存在对LAI生长季的高估,以及对GPP全年低估,对温带落叶阔叶灌木的LAI、高寒C3草甸的LAI、 GPP和C3草甸的GPP模拟效果较好。CLM5能够较好地刻画西南地区LAI和GPP空间分布格局,表现为由东南向西北递减,但整体上CLM5对西南地区LAI模拟偏高,特别是对贵州喀斯特地貌地区LAI的模拟偏高。与模型对LAI模拟高估相反,CLM5对西南地区GPP的模拟整体偏低,特别是云南地区。此外,CLM5对西南地区LAI和GPP的变化趋势模拟效果较差,特别是在云南大部分地区,遥感数据主要呈现上升趋势,而CLM5模拟呈现下降趋势。整体上,CLM5能模拟出西南地区LAI和GPP的季节变化规律和空间分布,但对云南和贵州部分地区的变化趋势模拟较差,仍需要针对四川盆地农田、云南森林、和贵州喀斯特地区植被发展更深入的参数化方案来提升模拟效果。
文摘叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然而,作为典型的垄行结构,作物冠层被公认为是介于连续植被与离散植被之间的一种过渡形式,而简单的均匀假设必然会给反演带来偏差.本文以农作物玉米为研究对象,首先重建了玉米三维冠层结构,并定量对比分析了一维辐射传输模型PROSAIL和三维辐射传输模型LESS在玉米冠层不同生长期的反射率差异,确定了玉米冠层的非均匀分布特征是引起PROSAIL模型模拟和反演误差的主要因素;然后,考虑到玉米冠层生长过程中聚集指数的变化特征,利用LESS模型定量计算了不同生育期玉米冠层结构对应的聚集指数,建立了聚集指数和有效叶面积指数(LAI_(e))之间的关系;进而,利用该关系对基于PROSAIL模型反演得到的LAI进行修正.结果表明,修正后的LAI精度有明显提高,R^(2)从0.27提高到了0.55.该方法有望提高中高分辨率遥感数据在农作物LAI反演精度.
文摘叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。
