几种典型地表类型反照率时序变化特征及其参数化研究

地表反照率对地表能量平衡、气候模式和全球变化研究具有重要的作用.受季节和下垫面影响,地表反照率呈现一定的时序变化特征,刻画这种变化特征可以为地表反照率估算提供背景信息,有利于提高反照率反演精度.目前已有许多研究致力于分析地表反照率时序变化特征和影响因素,但分析仅限于某一特定区域的一种或几种地表类型,同时对反照率与叶面积指数(leaf area index,LAI)、归一化植被指数(normalized difference vegetation index,NDVI)等影响因子的相关性还缺少参数化研究.本文使用美国通量观测网络AmeriFlux观测数据资料,利用该网络站点分布范围广、地表类型丰富的特点,选取其中代表性较强的站点观测数据,分析了落叶阔叶林、常绿针叶林、草地、农田4种典型植被类型地表反照率的时序变化特征.发现各植被地表类型反照率呈现"U"形年内变化特征,在植被生长季,落叶阔叶林、农田、草地3种地表类型反照率均先减小再增大后减小,而常绿针叶林地表反照率变化不明显.利用统计方法分别建立了地表反照率与LAI和NDVI的参数化模型,结果显示:2种估算地表反照率的参数化模型均能较好反映植被生长过程中地表反照率的变化特征,与地面实测数据相比,计算得到的地表反照率具有较高的精度;2种参数化模型估算得到的反照率一致性好,相关系数为0.721 9.该参数化方案可为地表反照率的进一步估算提供背景参考模型.

滦河流域碳、水循环和能量平衡遥感综合试验总体设计

始于20世纪80年代的系列大型遥感试验开始系统研究地表物质和能量交换过程,对遥感与地球系统科学研究的结合起到重要作用,但是尚无综合利用多源遥感数据解决碳、水、能量循环问题的有效方案。遥感科学国家重点实验室于滦河上游地区组织开展基础性、多学科、多尺度的“碳、水循环和能量平衡遥感综合试验”。本次试验面向地球系统科学对遥感观测的最新要求,以遥感如何服务地—气过程研究为关键科学问题,开展星—机—地多尺度遥感综合观测和地面测量,论证中国自主设计的碳、水、能量相关卫星的技术指标,基于大场景真实结构模拟和多尺度综合观测构建虚拟遥感试验场,验证全波段遥感机理模型和复杂地表辐射传输机理。核心试验区位于地势较为平坦的闪电河流域和地形复杂的小滦河流域。闪电河流域主要地类为农田和草地,开展的试验以水循环和能量平衡遥感综合观测为主。小滦河流域主要地类为森林和草地,以碳循环遥感综合观测为主。两个试验区都开展了系统性的多架次飞行试验,并同步开展地面全波段、主被动协同观测。特别设计了一次长达165 km的大跨度飞行试验,横跨两个试验区,包含了地表类型和海拔高度的逐渐过渡。从2017年的预实验开始,整个试验为期5年。基于科学目标驱动、开放、协作、共享的原则,本次试验吸引了10个大型国家科研项目,4个卫星计划团队,19家单位200人次参加,是中国主导的又一次具有明确科学目标的大型多学科交叉遥感综合试验。

小滦河流域复杂地表碳循环遥感综合试验

遥感综合试验对于遥感科学技术的发展起到重要作用,无论是基础研究还是遥感应用都需要试验提供支撑。从2018年开始,遥感科学国家重点实验室针对遥感自身发展和遥感面向地表圈层深化应用面临的科学问题,在滦河上游流域组织了小滦河流域复杂地表碳循环遥感综合观测试验,本文旨在介绍该试验的目标、区域、观测参数、观测方法以及对未来研究的展望,以期望为今后开展其他遥感试验及相关研究提供有益的参考和帮助。该试验采用星机地协同综合观测的方式,选择主要的在轨运行卫星数据及覆盖此流域的遥感产品作为主要数据;针对典型区域开展航空及无人机遥感试验,搭载光学传感器设备,获取典型区域水热循环、碳循环等关键参数;并同步开展地面观测试验,在典型实验区开展大气、植被和土壤关键参数的精细观测。目前已系统的开展了地面测量试验、无人机遥感试验及航空遥感试验,并同步收集了卫星遥感数据,形成了一套丰富的星—机—地配套遥感实测数据集。在试验的推动下,遥感科学国家重点实验室于2020年在试验区架设了多座综合观测塔,并配置了多种观测设备,开启了长时间序列观测任务,虚拟试验场的构建和机理生态模型的运行也在同步开展。小滦河流域复杂地表碳循环遥感综合试验利用星—机—地一体化的监测方法有效获取了地表水、能量和碳循环的关键参数,为遥感机理模型发展、反演方法检验和尺度转换研究提供了关键的基础数据。目前已用来建立遥感机理模型的综合检验平台,分析和改进传统模型和遥感产品在复杂地表的适用性,阐明流域尺度碳水耦合的物理过程。

塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测

叶面积指数LAI(Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP(Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF(Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年-2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM(Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。