基于改进S-G滤波和非监督分类局部核回归的中国LAI时序数据融合研究

叶面积指数Leaf Area Index(LAI)是表征植被冠层结构的重要参数,其遥感产品常常因云、气溶胶、积雪、算法和仪器问题等因素影响,导致数据质量差或缺失,严重影响LAI数据集的应用。本文提出了一种基于改进S-G滤波和非监督分类局部核回归的LAI时序数据融合方法,并利用2014—2020年MODIS LAI、PROBA-V LAI、VIIRS LAI产品数据,开展归一化融合研究,以提高产品的一致性、连续性和精确性。结果表明,融合LAI与源产品及其他LAI产品(MCD15A2H、MOD15A2H、VNP15A2H、PROBA-V)的LAI值频率分布、时序变化表现出良好的一致性,并有较好的相关性,R2分别为0.85、0.77、0.84和0.89,与这4个产品相比,数据缺失频率总体下降,时间连续性有所提高,相较于MCD15A2H LAI(19.59%)、MOD15A2H LAI(25.54%)、VNP15A2H LAI(23.33%)和PROBA-V LAI(9.64%),融合LAI平均缺失频率降低为5.04%。与其他产品比较,融合LAI与地面实测值的相关性最好,决定系数(R2)达0.76,比其他产品高0.03~0.2,均方根误差(RMSE)为1.16 m^(2)/m^(2),比其他产品低(0.1~0.66)m^(2)/m^(2),具有较高的精度。