基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法

【目的】现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题,难以满足某些应用需求。因此,本研究提出一种多源LAI数据的融合方法,以减少不同来源数据的差异并提高产品精度。【方法】以帽儿山实验林场的阔叶林和针叶林区域为研究区,基于2017年的MODIS、VIIRS和PROBA-V的LAI产品,利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据,对3种LAI数据集进行混合像元分解的降尺度处理,基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化,最后对同化后的3种LAI数据进行赋权融合,使用实测数据进行精度评价。【结果】在阔叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62,比原始数据提升了0.57、0.52和0.57;均方根误差分别为0.37、0.31和0.14,比原始数据减小了1.23、1.69和1.06。在针叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56,比原始数据提升了0.52、0.30和0.40;均方根误差分别为0.24、0.28和0.19,比原始数据减小了1.22、0.67和1.35。通过融合方法,阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76,比同化后数据的相关性更高;均方根误差分别为0.15和0.13,比同化后数据的误差更小。【结论】通过数据同化提升了3种LAI产品精度,融合后LAI较同化后单一LAI具有更高的精度和可靠性。

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。