基于降尺度的高分辨率植被生产力遥感估算方法技术

本发明专利技术提供一种基于降尺度的高分辨率植被生产力遥感估算方法：将植被生产力估算的因子LAI/FPAR进行降尺度，得到时间序列的高分辨率的LAI/FPAR；对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分辨率的LAI/FPAR、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型MuSyQ‑NPP，得到连续时间序列的高分辨率GPP/NPP。本发明专利技术拟充分发挥不同分辨率遥感数据的优势，融合高、低分辨率的遥感数据，构建一种精度更高、普适性更强的高分辨率植被生产力产品的技术方案，解决现有的植被生产力降尺度方案精度不高、普适性不足的问题。

High resolution remote sensing estimation of vegetation productivity based on downscaling

【技术实现步骤摘要】
基于降尺度的高分辨率植被生产力遥感估算方法
本专利技术属于生态学生物生产力
，具体涉及一种基于降尺度的高分辨率植被生产力遥感估算方法。
技术介绍
植被是陆地生态系统的主体，植被生产力是碳循环和碳收支研究的重要组成部分，反映了植被对大气中CO2的固定能力。总初级生产力(GrossPrimaryProductivity,GPP)是指生态系统中绿色植物通过光合作用吸收太阳能同化CO2制造的有机物，净初级生产力(NetPrimaryProduction，NPP)是指GPP中再减去异养呼吸所消耗的光合产物。GPP和NPP不仅可以表征植被的生长状况及生长过程，还能直观地反映不同生态系统对全球变化的响应，同时也是判定生态系统碳源汇的重要手段。从遥感的角度分析，尺度具体包括时间分辨率、空间分辨率和光谱分辨率。尺度转换是指将某一尺度上所获得的信息和知识扩展到其他尺度上的过程。通过尺度转换，可以使不同分辨率的数据具备相同的时空分辨率，增强数据之间的可比性和相关性。遥感数据的尺度转换主要包括两个方面：升尺度和降尺度。升尺度是指从高分辨率数据向低分辨率数据转换；降尺度是指从低分辨率数据向高分辨率数据的转换。当前，不同分辨率的卫星传感器，例如AVHRR、MODIS、TM/ETM+等，提供了大量覆盖整个陆地生态系统的多尺度的数据源，从而形成了不同时空分辨率的影像数据层次体系。这些多尺度的海量遥感数据也被陆续应用到陆地植被生产力的估算以及植被生产力产品的生产中。当前高时间分辨率的遥感数据的空间分辨率较低，而高空间分辨率遥感数据由于受重访周期和云的影响，限制了其在植被生产力产品的生产上的应用。在这种情况下，充分发挥不同分辨率遥感数据的优势，融合高、低分辨率的遥感数据，发展植被生产力产品降尺度方法，生产时间连续的高分辨率植被生产力数据产品，对于植被生产力的精确估算、研究植被生产力的变化状况及驱动力、评估区域碳收支与碳交换、监测及评估生态环境的变化趋势等，具有重要意义。植被生产力的估算经历了简单的统计模型、基于资源平衡理论的光能利用率模型、描述植物生理生态学特征的过程模型等多个发展阶段。遥感降尺度的方法大致可以分为：基于统计的降尺度、空间插值、机器学习和基于光谱混合模型的降尺度等。基于统计模型的降尺度的基本假设是尺度因子与高、低分辨率影像之间的关系，不会随着影像分辨率的变化而变化。这种方法通过建立尺度因子与低分辨率影像的像元之间的统计关系，然后将该统计关系应用到高分辨率影像上，从而实现低分辨率影像的降尺度；空间插值是一种将离散的数据转换为连续的曲面的方法，即对一组已知的分区数据或者离散点，从这些已知数据中找出一个拟合函数，使该函数最好的逼近已知的空间数据，并能够根据该函数推导出区域范围内其他任意点或者任意区域的值；常用的机器学习方法，如人工神经网络(ArtificialNeuralNetwork,ANN)、支撑向量机(SupportVectorMachine,SVM)、决策树等机器学习技术，也逐渐应用于遥感降尺度；基于光谱混合模型的遥感降尺度的基本原理是根据线性光谱混合模型，关联高、低分辨率的影像，进而求解高分辨率的影像。现有的植被生产力降尺度方法仍较少，大多以植被指数为切入点：首先基于高、低分辨率的遥感数据和数据融合模型获得高分辨率的植被指数，如归一化植被指数NDVI、增强型植被指数EVI等；然后根据植被指数与光合有效辐射吸收比(FractionofAbsorbedPhotosyntheticallyActiveRadiation，FPAR)之间的统计关系估算高分辨率FPAR；最后结合光能利用率模型、统计模型等，估算高分辨率的植被生产力。由于数据获取时间、成像视角等的差异、云和大气条件等的影响，FPAR和植被指数之间的关系会发生变化，所以，将植被指数作为融合切入点会导致FPAR估算结果的不确定性，从而给植被生产力的估算结果带来误差。所以，这种植被生产力降尺度方案具有一定的区域局限性。
技术实现思路
本专利技术提供一种基于降尺度的高分辨率植被生产力遥感估算方法，充分发挥不同分辨率遥感数据的优势，融合高、低分辨率的遥感数据，构建一种精度更高、普适性更强的高分辨率植被生产力产品的技术方案，解决现有的植被生产力降尺度方案精度不高、普适性不足的问题。具体的技术方案为：基于降尺度的高分辨率植被生产力遥感估算方法，包括以下步骤：(1)将植被生产力估算的因子LAI/FPAR进行降尺度，得到时间序列的高分辨率的LAI/FPAR；(2)对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分辨率的LAI/FPAR、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型MuSyQ-NPP，得到连续时间序列的高分辨率植被生产力。具体的，步骤(1)LAI/FPAR降尺度的具体过程包括：首先对低分辨率的MODISLAI/FPAR产品进行数据质量检测，选择数据质量高的像元；然后结合Landsat影像的地表反射率，利用变异系数的阈值选择出地表异质性低的纯像元；最后，将聚合后的Landsat地表反射率与纯像元的LAI/FPAR作为样本，训练Cubist回归树模型，并将模型运用到高分辨率的Landsat地表反射率数据上，即可得到高分辨率Landsat分辨率的LAI/FPAR；将t1时刻低分辨率LAI/FPAR，高分辨率LandsatLAI/FPAR数据，以及t2时刻的低分辨率LAI/FPAR数据，输入遥感数据融合模型STARFM，即可得到降尺度后的高分辨率LAI/FPAR。其中，所述的纯像元的选择方法为：选择纯像元时，依据大像元内的Landsat像元的变异系数，计算一个波段内变异系数的均值，然后设定阈值来选择：式中，CVij为变异系数，σij为MODIS大像元内的Landsat像元反射率的标准差，μij为MODIS大像元内的Landsat像元反射率的平均值；在选择纯像元的时候，除去第LanssatTM数据第6波段以外，第1、2、3、4、5、7波段均参与纯像元的选择；CVij描述了MODIS大像元内的Landsat小像元反射率的变化情况，值越小，该像元被认为越纯；然后计算这6个波段的CVij的均值CVmean。将CVmean的值排序，选择CVmean值最小的10％的MODIS像元，认为是纯像元。其中，步骤(2)高分辨率植被生产力估算，包括高分辨率温度、高分辨率辐射、高分辨率植被生产力的计算。具体的：高分辨率温度计算，具体方法包括以下步骤：首先进行海平面校正，由垂直递减率和气象站点海拔高度将站点温度校正为海平面的温度，即海拔高度为零的温度；然后采用克里金插值的方法进行插值，模拟海拔高度为零处的温度，并利用数字高程模型数据和气温垂直递减率，对温度进行地形校正，从而得到高分辨率的温度。高分辨率辐射计算，具体方法包括以下步骤：根据日最高气温、日最低气温等气象数据，利用山地小气候模型模拟高分辨率的太阳短波辐射。高分辨率(30m)GPP/NPP计算，具体方法包括以下步骤：采用MuSyQ-NPP植被生产力模型，GPP基于光能利用率原理来估算，自养呼吸通过生态过程方法来模拟，NPP为GPP和自养呼吸的差，具本文档来自技高网...

【技术保护点】
1.基于降尺度的高分辨率植被生产力遥感估算方法，其特征在于，包括以下步骤：(1)将植被生产力估算的因子LAI/FPAR进行降尺度，得到时间序列的高分辨率的LAI/FPAR；(2)对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分辨率的LAI/FPAR、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型MuSyQ‑NPP，得到连续时间序列的高分辨率植被生产力。

【技术特征摘要】
1.基于降尺度的高分辨率植被生产力遥感估算方法，其特征在于，包括以下步骤：(1)将植被生产力估算的因子LAI/FPAR进行降尺度，得到时间序列的高分辨率的LAI/FPAR；(2)对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分辨率的LAI/FPAR、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型MuSyQ-NPP，得到连续时间序列的高分辨率植被生产力。2.根据权利要求1所述的基于降尺度的高分辨率植被生产力遥感估算方法，其特征在于，步骤(1)LAI/FPAR降尺度的具体过程包括：首先对低分辨率的MODISLAI/FPAR产品进行数据质量检测，选择数据质量高的像元；然后结合Landsat影像的地表反射率，利用变异系数的阈值选择出地表异质性低的纯像元；最后，将聚合后的Landsat地表反射率与纯像元的LAI/FPAR作为样本，训练Cubist回归树模型，并将模型运用到高分辨率的Landsat地表反射率数据上，即可得到高分辨率Landsat分辨率的LAI/FPAR；将t1时刻低分辨率LAI/FPAR，高分辨率LandsatLAI/FPAR数据，以及t2时刻的低分辨率LAI/FPAR数据，输入遥感数据融合模型STARFM，即可得到降尺度后的高分辨率LAI/FPAR。3.根据权利要求2所述的基于降尺度的高分辨率植被生产力遥感估算方法，其特征在于，所述的纯像元的选择方法为：选择纯像元时，依据大像元内的Landsat像元的变异系数，计算一个波段内变异系数的均值，然后设定阈值来选择：式中，CVij为变异系数，σij为MODIS大像元内的Landsat像元反射率的标准差，μij为MODIS大像元内的Landsat像元反射率的平均值；在选择纯像元的时候，除去第LanssatTM数据第6波段以外，第1、2、3、4、5、7波段均参与纯像元的选择；CVij描述了MODIS大像元内的Landsat小像元反射率的变化情况，值越小，该像元被认为越纯；然后计算这6个波段的CVij的均值CVmean。将CVmean的值排序，选择CVmean值最小的10％的MODIS像元，认为是纯像元。4.根据权利要求1所述的基于降尺度的高分辨率植被生产力遥感估算方法，其特征在于，步骤(2)高分辨率植被生...

【专利技术属性】
技术研发人员：孙睿，余涛，刘沁茹，王梦佳，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京,11