一种中国区域30米8天时空连续的叶面积指数产品生成方法技术

本发明专利技术公开了中国区域30米8天时空连续的叶面积指数产品生成方法，包括：S1，建立Landsat8晴空地表反射率与GLASS V6叶面积指数产品的第一随机森林模型；S2，在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；S3，以时间预测、空间预测、临近日期晴空Landsat叶面积指数值，GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指数值作为输出，训练第二随机森林模型；S4，对云污染像元，加权从多个临近日期预测的叶面积指数值，并使用GLASS叶面积指数对加权结果进行拉伸，得到云污染像元叶面积指数的最终估算。本发明专利技术能够合理反映各种植被生长的季节变化和地表突变，时空连续且无噪声，能够处理长期Landsat数据缺失的问题。数据缺失的问题。数据缺失的问题。

【技术实现步骤摘要】
一种中国区域30米8天时空连续的叶面积指数产品生成方法


[0001]本专利技术涉及定量遥感卫星产品生成
，尤其涉及一种中国区域30米8天时空连续的叶面积指数产品生成方法。

技术介绍

[0002]叶面积指数(Leaf Area Index,LAI)是全球气候观测系统(GCOS)中的重要气候变量之一，已广泛用于全球植被变化，生态监测、产量估计、生态系统过程参数化和气候变化分析。从卫星观测数据开发合适的算法是生成大范围LAI产品的重要手段，并且最近发布的GLASS V6 LAI产品提供250米、8天、2000年至2021的LAI数据集，在当前中等分辨率LAI产品中具有最高的验证精度。然而，生态系统过程的建模和许多农业应用受到这些数据集的粗空间分辨率的限制。从Landsat等高分辨率传感器观测数据生成精细分辨率LAI产品将是研究陆地生态系统过程的重大突破，并解决自然和管理生态系统中的空间异质性。
[0003]本申请专利技术人在实施本专利技术的过程中，通过大量的研究与实践发现现有技术中从Landsat观测数据中生成大尺度的30米时空连续LAI产品的挑战如下：(1)Landsat数据包含大量缺失值，这些缺失值是由云层覆盖或高密度气溶胶遮挡造成的，传统的LAI反演算法由于缺乏足够的输入数据而无法生成时空连续的产品。如数据同化算法，其性能对可用Landsat观测密度较为敏感，如果可用的Landsat观测较少，则同化结果存在大量粗分辨率斑块。数据同化算法中的粗分辨率LAI动态模型通常来自多年LAI平均值，如果动态模型与真实LAI趋势不一致，同化值可能具有很大的不确定性。(2)Landsat的海量数据需要精确有效的算法来生成国家级或全球级的LAI产品。然而目前的30米LAI估算算法缺乏普适性，其生成的LAI产品大都是小区域的或者时间跨度较短的。如时空融合算法，其在数据需求和融合性能方面，每种时空融合方法都有其独特的优势和限制，难以处理强异质性和突变地表。此外，像素级的时空融合非常耗时，很难实现大规模的产品生产。因此，目前还没有长时间序列的时空连续的30米叶面积指数产品。

技术实现思路

[0004]本专利技术针对现有技术的不足，融合现有的GLASS LAI产品和长时序Landsat观测数据，提供一种中国区域30米8天时空连续的叶面积指数产品生成方法。
[0005]本专利技术技术方案为：提供一种中国区域30米8天时空连续的叶面积指数产品生成方法，包括：
[0006]S1：构建以Landat8地表反射率和太阳天顶角为输入，GLASS V6叶面积指数产品为输出的第一随机森林模型，用以估算30米晴空像元下的叶面积指数；
[0007]S2：在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；
[0008]S3：以样点像元叶面积指数的时间预测和空间预测、与目标日期临近的基准日期的晴空Landsat叶面积指数、GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指
数值作为输出，训练第二随机森林模型；
[0009]S4：针对云污染像元，对多个与目标日期临近的基准日期预测的叶面积指数值进行加权计算，并使用GLASS叶面积指数对加权计算结果进行拉伸，得到云污染像元叶面积指数的最终估算，从而生成中国区域30米分辨率时空连续的叶面积指数产品。
[0010]在一种实施方式中，步骤S1还包括：
[0011]使用GLASS V6 LAI产品的训练样点，其中，训练样点包含不同的地表类型，LAI曲线特征和经纬度；并提取预设时间段所有样点对应像元的Landat8地表反射率、太阳天顶角和GLASS V6 LAI，构建数据集，并将数据集按照预设比例划分为训练集和验证集。
[0012]在一种实施方式中，构建的数据集中包括Landsat8反射率和GLASS V6 LAI构成的数据对，选择数据对的条件为：1)Landsat LAI和GLASS LAI之间的日期差不超过2天；2)一个250米像元下的所有30米像元都是晴空的，其中，采用Fmask 4.0算法进行云和云阴影的检测。
[0013]在一种实施方式中，第一随机森林模型的超参数包括ntree和mtry，ntree表示决策树的数量，mtry表示单个决策树，超参数根据重复实验中的RMSE值确定。
[0014]在一种实施方式中，步骤S2包括：
[0015]在中国区域所有Landsat块中，选择样区；
[0016]对每个样区的目标日期，寻找晴空的像元，并假设为阴天，使用GLASS V6 LAI计算其他日期与目标日期之间的结构相似性指数；
[0017]选取结构相似性指数最大的前n个日期作为基准日期，使用线性解混的方法从基准日期计算目标日期的LAI时间预测，使用薄板样条函数插值方法计算目标日期的LAI空间预测。
[0018]在一种实施方式中，步骤S3包括：
[0019]对于每个样区，将步骤S2计算得到的样点像元叶面积指数的时间预测和空间预测、与目标日期临近的基准日期的晴空Landsat叶面积指数、GLASS叶面积指数作为输入，将目标日期的晴空Landsat LAI作为输出，组成训练数据对；
[0020]将训练数据对划分为85％训练数据和15％独立验证数据，采用重复实验中的RMSE值选择超参数，得到训练好的第二随机森林模型，用以从临近晴空Landsat像元预测目标日期阴天像元的LAI值。
[0021]在一种实施方式中，步骤S4包括：
[0022]使用步骤S3得到的第二随机森林模型从多个基准日期得到目标日期阴天的多个Landsat LAI预测值；
[0023]使用基准日期对应的GLASS LAI计算每个LAI预测值的权重系数，基于计算的权重系数对LAI预测值进行加权计算，得到目标日期Landsat LAI的初步预测，完成所有阴天像元的Landsat LAI预测后得到空间完整的Landsat LAI图像；
[0024]使用GLASS LAI拉伸预测得到的Landsat LAI，从而生成中国区域30米分辨率时空连续的叶面积指数产品。
[0025]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0026]1)本专利技术提供的方法将现有的LAI产品的空间分辨率从250米提高到30米，是第一个在30米空间分辨率下的时空连续LAI产品，极大地丰富了LAI产品的空间细节，并满足了
许多应用对高分辨率产品的要求。
[0027]2)即便Landsat数据存在长时序的缺失，依然能够得到可靠的30米LAI估计值，并与大量地面LAI实测值比较具有较高的准确度。
[0028]3)机器学习算法的应用，极大提高了产品生产效率。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中国区域30米8天时空连续的叶面积指数产品生成方法，其特征在于，包括：S1：构建以Landat8地表反射率和太阳天顶角为输入，GLASS V6叶面积指数产品为输出的第一随机森林模型，用以估算30米晴空像元下的叶面积指数；S2：在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；S3：以样点像元叶面积指数的时间预测和空间预测、与目标日期临近的基准日期的晴空Landsat叶面积指数、GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指数值作为输出，训练第二随机森林模型；S4：针对云污染像元，对多个与目标日期临近的基准日期预测的叶面积指数值进行加权计算，并使用GLASS叶面积指数对加权计算结果进行拉伸，得到云污染像元叶面积指数的最终估算，从而生成中国区域30米分辨率时空连续的叶面积指数产品。2.如权利要求1所述的中国区域30米8天时空连续的叶面积指数产品生成方法，其特征在于，步骤S1还包括：使用GLASS V6 LAI产品的训练样点，其中，训练样点包含不同的地表类型，LAI曲线特征和经纬度；并提取预设时间段所有样点对应像元的Landat8地表反射率、太阳天顶角和GLASS V6 LAI，构建数据集，并将数据集按照预设比例划分为训练集和验证集。3.如权利要求2所述的中国区域30米8天时空连续的叶面积指数产品生成方法，其特征在于，构建的数据集中包括Landsat8地表反射率和GLASS V6 LAI构成的数据对，选择数据对的条件为：1)Landsat LAI和GLASS LAI之间的日期差不超过2天；2)一个250米像元下的所有30米像元都是晴空的，其中，采用Fmask 4.0算法进行云和云阴影的检测。4.如权利要求1所述的中国区域30米8天时空连续的叶面积指数产品生成方法，其特征在于，第一随机森林模型的超参数包...

【专利技术属性】
技术研发人员：张国东，梁顺林，马晗，何涛，
申请(专利权)人：武汉大学，
类型：发明
国别省市：