检索历史 清除

摘要植被光合有效辐射吸收比例(Fraction of absorbed Phosythtically Active Radiation,FPAR)定义为植被对波长在400 nm- 700 nm间太阳辐射能量的吸收比率。当前的全球遥感卫星FPAR产品空间分辨率通常为250 m-1 km,在研究地块尺度陆地表而变化时，迫切需要高时空分辨率的业务化FPAR产品。由于高时空分辨率FPAR产品需要FPAR数据同时具备高空间分辨率和高时间分辨率，因此需要首先准确估算高空间分辨率FPAR数据，其次为使用时空融合算法提高FPAR数据的时间分辨率。目前，高空间分辨品FPAR数据反演面临筛选训练样本的代表性不足和对植被密集覆盖区域FPAR的低估等问题。在时空融合算法方面，已有的算法面临着先验数据集构建困难，对MODIS FPAR产品的滤波表现较差，整体实现较为复杂等问题。<br>　　本文通过Google Earh Engine (GEE)云平台，针对目前高分辨率FPAR估算方法和时空融合算法中存在的问题，改进了现有的基于尺度转换的FPAR估算方法，并且优化了基于先验知识的时空增强方法(Prior Knowledge-based Spatiotemporal Enhancement Method, PK-STEM)。 本研究选取植被覆盖类型丰富的关中地区为研究区，生成了关中地区多年长时间序列的高时空分辨率FPAR数据集，形成了一套完整的高时空分辨率FPAR数据估算流程。为高分排率、大范围的FPAR反演提供了新的参考，为后续探寻关中地区多年FPAR变化规律提供了数据基础。主要工作内容如下:<br>　　(1)针对目前Lands FPAR估算方法在植被密集覆流区域FPAR低估的问题，朵研究提出了种改进的基于尺度转换的Lnsal FPAR估媒方法。该方法集成了训练样术异常值别除和加权多元线性回归算法。同时引入随机森林回归方法进行比权，分别使用两种方法估算了整个关中地区一年的Lndat FPAR形像。结果表明，提出的FPAR估款方法改善了对机被密集覆流区城像素的低估，与MODIS FPAR的一致性和与与实测数据的对比精度(RMSE = 0.058)均优于更复杂的随机森林回归方法(RME-0060）。<br>　　(2)针对Sentiel-2数据波段众多的特点，利用提出的FPAR估算力法使用三种不同的波段组合策略估算10m和20m分辨率的SntinetPAR,并且使用欧空局官方提供的哨兵数据应用平台估算了不同分辨率的Santinel FPAR,对对比研究了它们之间的精度。对实测FPAR的验证结果表明改进的基于尺度转换的Sentinel FPAR估算方法在使用5个波段估算20 m分辨率Sentinel FPAR时精度最高（RMSE = 0.076）；并且提出的FPAR估算方法反演的Sentinel FPAR在不同分辨率与MODIS FPAR的一致性均优于官方算法。<br>　　（3）针对目前PK-STEM算法中存在的不足，本研究使用Landsat 与Sentinel FPAR一致化方法，消除两种数据之间的差异，组合两种FPAR数据构建先验数据，仅需1年或2年便可构成先验数据集。针对目前滤波算法应用在MODIS FPAR数据表现不佳的问题，本文提出了一种基于布料模拟思想的时间序列滤波算法（Cloth Simulation Filter, CSF），可以准确消除时间序列点中的噪声，还原真实的地表植被FPAR变化。最后基于CSF和PK-STEM时空扩展算法生成了关中地区30 m 空间分辨率4天间隔的FPAR数据集。对精度的验证表明，基于CSF和PK-STEM的时间扩展算法在关中地区实现了高精度的高时空分辨率 FPAR预测（RMSE均值= 0.108），为将来生成全国高时空分辨率 FPAR产品提供思路。