Retrieving crop leaf area index by assimilation of MODIS data into a crop growth model

Leaf area index (LAI) is an important parameter in monitoring crop growth. One of the methods for retrieving LAI from remotely sensed observations is through inversion of canopy reflectance models. Many model inversion methods fail to account for variable LAI values at different crop growth stages. In this research, we use the crop growth model to describe the LAI changes with crop growth, and consider a priori LAI values at different crop growth stages as constraint information. The key approach of this research is to assimilate multiple canopy reflectance values observed at different growth stages and a priori LAI values into a coupled crop growth and radiative transfer model sequentially using a variational data assimilation algorithm. Adjoint method is used to minimize the cost function. Any other information source can be easily incorporated into the inversion cost function. The validation results show that the time series of MODIS canopy reflectance can greatly reduce the uncertainty of the inverted LAI values. Compared with MODIS LAI product at Changping and Shunyi Counties of Beijing, this method has significantly improved the estimated LAI temporal profile.

MODIS,CYCLOPES和GLASS 3种LAI产品在韩江流域的对比

叶面积指数(leaf area index,LAI)是影响植被蒸腾、降水截留和能量交换的关键参数,是生态模型和陆面过程模型的重要输入参数。目前,全球许多机构基于多种遥感数据,采用不同的反演方法得到了多种LAI产品,MODIS,CYCLOPES和GLASS是其中时空分辨率较高的3种。以植被类型多样的韩江流域为对象,通过分析这3种LAI产品的空间和时间一致性,得到以下结论:(1)CYCLOPES LAI存在大量的数据缺失,MODIS和GLASS LAI具有更好的空间和时间序列的完整性;但MODIS LAI存在大量LAI突然变小的无效数据。(2)MODIS,CYCLOPES和GLASS LAI的空间分布基本都能与流域的植被类型相适应,其中,MODIS与GLASS LAI的空间分布一致性相对较好,但前者林地的LAI较后者大,非林地则相反;而CYCLOPES LAI林地的LAI明显比前两者的小。(3)MODIS,CYCLOPES和GLASS LAI的时间序列过程线具有相同的变化趋势,GLASS LAI的过程曲线是3者中最完整和平滑的,MODIS LAI的曲线有明显的波动性。3种LAI反映的各种植被的季节变化具有较好的一致性,MODIS和GLASS LAI的相似程度比CYCLOPES LAI高。

运用动态谐波回归模型对MODIS叶面积指数时间序列产品的分析与预测

运用动态谐波回归模型(Dynamic Harmonic Regression,DHR)对MODIS的长时间序列的LAI产品进行分析,可以从中分离出LAI随时间变化的多年趋势、季节变化及残差等主要成分,通过建立的模型实现LAI年间变化的短时预测。本文将所述DHR模型分析方法试用于遥感数据产品随时间变化的信息提取,对LAI年间变化的预测结果证明该方法用于遥感像元尺度LAI产品的时间序列分析与预测的效果良好。

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回归预测工具,而最小二乘支持向量机(LS-SVM)是对SVM的有效改进。以西藏那曲县为例,使用2003-2011年MODIS LAI产品,分别用LS-SVM和SVM两种方法对研究区域2011年LAI时间序列进行预测,并用MODIS原始LAI以及部分地面实验样点值进行验证。结果表明,基于LS-SVM的LAI时间序列预测算法的精度比基于SVM的算法高,从而证明LS-SVM方法能够弥补遥感反演时间序列LAI数据的缺失问题,对提高时间序列的LAI遥感产品质量具有重要意义。

1988—2013年基于BP神经网络的植被叶面积指数遥感定量反演

叶面积指数(Leaf Area Index,LAI)高度综合了植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,是植被影响土壤侵蚀的主要方面。区域尺度的时间序列叶面积指数揭示了区域土壤侵蚀的演化过程。因此,及时准确地掌握区域尺度上长时间序列的植被LAI,对研究土壤侵蚀动态变化与植被的关系至关重要。选择南京市1988—2013年10期遥感影像,基于反向传播(Back Propagation,BP)神经网络构建LAI反演模型,进行了长时间序列的叶面积指数反演。结合2009和2010年LAI实测值,验证与探讨了该模型的评价精度与适应性。结果表明:(1)该模型拟合度较高,2009和2010年平均相对误差、均方根误差、相关系数分别是0.2395和0.2174,0.2962和0.2581,0.7713和0.6844,各项精度评价指标均较好;(2)统计分析去除耕地后全市LAI变化,低植被覆盖(LAI<2)面积不断增加,高植被覆盖区(LAI>3)面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律;(3)主城区LAI年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。本文提出的基于反向传播神经网络模型反演长时间序列LAI是可行的,为区域尺度土壤侵蚀定量遥感监测提供新途径。

采用DBM方法的时间序列LAI建模与估算

运用DBM(Data Based Mechanistic)方法,使用MODIS数据,建立了遥感观测反射率数据与叶面积指数(LAI)在时间序列上的统计关系模型(LAI_DBM模型),并结合部分Bigfoot站点实测LAI数据进行了模型检验。结果显示,LAI_DBM模型能够较好表达时间序列反射率与LAI的动态变化关系。LAI_DBM模型使用遥感观测数据实时估算得到的LAI,在数据质量和时间连续性上比MODISLAI有改进。

GLASS叶面积指数产品验证

在国家高技术研究发展计划(863计划)重点项目的支持下,已利用MODIS和AVHRR地表反射率数据生成了1981年—2012年的GLASS(Global LAnd Surface Satellite)叶面积指数(LAI)产品。本文从两个方面对GLASS LAI产品的质量进行分析和评价:(1)与现有的全球LAI产品进行比较,分析GLASS LAI产品的时空变化特征;(2)利用LAI的地面测量数据,对GLASS LAI的精度进行评价。研究结果表明:GLASS LAI与CCRS LAI在高纬度和赤道附近区域的差异较大;相对而言,GLASS LAI与MODIS(主算法反演)和CYCLOPES LAI在空间分布上具有更好的一致性;GLASS和CYCLOPES LAI的时间序列曲线连续平滑,MODIS LAI在一些区域的植被生长季节存在剧烈的跳跃;与LAI的地面测量数据进行比较,GLASS LAI产品的R2为0.76,RMSE为0.51,结果明显优于MODIS和C YCLOPES LAI产品。

基于自回归神经网络的时间序列叶面积指数估算

叶面积指数LAI是众多气象、环境、农业等模型的关键输入参数。尽管具有多个传感器的全球LAI产品已经相继发布,但是由于受反演方法的局限性以及反射率产品质量的影响,这些由单一传感器数据得到的LAI产品在时间上表现出一定的不连续性,这与自然生长植被的LAI变化规律不能一致。而神经网络在对复杂的、非线性数据的模式识别能力方面具有出色的表现。如在3层神经网络中,只要对隐层采用非线性递增映射函数,输出层采用线性映射函数,就可以用于对任意连续函数进行逼近。对于具有相同植被覆盖类型的同一地点多年的LAI数据,在无自然灾害和人为破坏的前提下,可以构成一个非线性的、连续的时间序列。通过融合MODIS和VEGETATION两种传感器产品,在利用相同植被类型的LAI时间序列来建立自回归神经网络,即NARX神经网络的同时,引入红、近红外和短波红外3个波段上时间序列的反射率以及相应的太阳天顶角、观测天顶角和相对方位角作为NARX神经网络的外部输入变量,并最终达到估算时间序列LAI的目的。验证结果表明,NARX神经网络非常适用于时间序列的LAI估算,并且其预测的LAI比原始的MODIS LAI在时间序列上表现的更连续和平滑。因此,该方法在改进典型植被类型的LAI遥感数据产品质量方面具有一定的应用价值。

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数(Leaf Area Index,LAI)是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer(MODIS)植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal(RTLSR)核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot(SAILH)模型进行植被冠层辐射特征的提取,使用Anisotropic Index(ANIX)异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function(BRDF)的辅助特征信息,发展了基于数据机理(Data-Based Mechanistic,DBM)的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知:①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。