基于MODIS数据的黄土高原草地净初级生产力的估算研究

在光能利用率模型的基础上,考虑了温度和地面水气压差的影响,建立了基于MODIS数据的草地净初级生产力遥感估算模型。利用2003年生长季（4~11月）1 km分辨率的MODIS数据和黄土高原73个站点的累年各月平均太阳总辐射值数据以及其它相关数据,估算了2003年黄土高原地区草地净初级生产力。结果表明:2003年黄土高原地区草地的净初级生产力最高值达516 gc/(m2•a),最低值为1 gc/(m2•a)。黄土高原NPP空间分布格局是西部和南部两区域高,然后以东南西北方向为轴心逐渐向内陆中心部分递减,这与区域的水热条件差异和草地地带性分异规律紧密相关。     

2001~2011年中国农田最大光能利用率参数时空变化特征

基于遥感数据的光能利用率模型被广泛应用于计算陆地生态系统的生产力,其结果对最大光能利用率(ε max)参数非常敏感。利用农业产量统计数据、MODIS遥感数据、气象观测数据和植被光合模型(VPM)推算2001~2011年全国各省逐年的农田平均ε max,并分析其时空变化特征及其影响因素。研究结果表明:2001~2011年全国31个省的农田ε max的变化范围为0.57~2.20 g C·MJ-1,呈现出东部和中部较高、西北和西南较低的分布特征。大部分省份农田ε max呈现上升趋势,但在2001~2007年存在年际波动,2008年后ε max呈相对稳定增长趋势。各省农田ε max的年际波动幅度呈现北高南低、东高西低的分布特征。大部分省份农田ε max的年际变化与单位耕地面积农用化肥施用量存在显著的正相关性(P<0.05);C4作物面积比例变化也是导致农田ε max变化的原因之一。在利用光能利用率模型计算农田生产力时,需要发展考虑ε max 时空变化的参数化方案。
     

基于高时空分辨率融合影像的红树林总初级生产力遥感估算

红树林是热带与亚热带地区潮间带具备高植被生产力和高储碳量的滨海湿地植被类型,在维系全球碳平衡过程中扮演着重要的角色。目前通量站点尺度的红树林生产力研究已取得了一定的进展,然而由于受到遥感影像时空分辨率和红树林斑块分布的限制,区域尺度红树林总初级生产力（Gross Primary Production,GPP）估算仍少有涉及。基于影像融合算法获得的高时空分辨率植被指数数据集,结合红树林通量观测数据开展光能利用率模型的参数估计和模型验证研究,实现了区域尺度的红树林GPP估算,获取了一套2012年广东省高桥红树林GPP高时空分辨率数据集。数据验证得到的决定系数R² = 0.64,较现有的MOD17A2和GLASS产品GPP估算精度提高了48.9%。实验结果显示：高桥红树林最大光能利用率为3.07 g C MJ^-1,研究区内全年GPP均值为1 915.4 g C m^-2 a^-1。红树林季节平均GPP夏、秋季大于春、冬季。该方法和估算数据可为区域尺度红树林生产力研究和红树林保护提供高精度数据支持。     

基于多时相遥感数据的徐州市植被净初级生产力估算及相关性分析

以遥感数据和气象数据为主要数据源,应用改进的光能利用率模型估算徐州市2006、2008和2010年3年间6月份的植被净初级生产力(Net Primary Productivity,NPP),研究了该区域6月份NPP的时空变化及其与气象因子的相关性。结果表明：时间上,受气候和环境等因素综合变化的影响,研究区域6月份NPP呈逐年下降趋势;空间上,NPP的分布表现为在林地、草地和农田相对集中的区域偏高,且不同植被类型6月份的NPP大小关系在不同年份可能不同,其中在2006和2008年为农田>草地>林地,而2010年为农田>林地>草地。通过分析与气象因子的相关性和偏相关性,限制NPP的主要气象因子不是固定不变的,其中2006和2008年,限制NPP的主要气象因子为太阳辐射,而2010年为降雨量和温度。不同植被类型下NPP与气象因子相关性和偏相关性差异反映了不同类型植被生长对光、热、水条件要求的差异。
     

耦合涡度相关技术和光能利用率的森林碳汇计量方法研究

利用传感器网络采集的生态环境数据,依托与计算机网络技术相结合的BP神经网络算法,探索出了一种能有效耦合涡度相关技术和光能利用率模型这两种碳汇计量方法的机制。通过与实测数据的比较,最终结果表明这是较为理想的效果。     

芦苇湿地植被NPP估算方法探索与应用

作为表征湿地生态系统健康的重要指标,湿地植被净初级生产力（NPP）的精准估算对于理解全球变化以及区域碳循环具有重要的支撑作用。基于Landsat 8 OLI遥感影像和大量实测数据,以光能利用率模型基本结构式为基础,构建和评价了芦苇湿地植被NPP估算的不同遥感驱动模型,并以东北3个典型芦苇湿地保护区为例进行了验证与应用。结果表明：以NPP = f（f（VI₁）） × f（VI₂） 结构与NDVI和MSAVI两个植被指数作为自变量的模型最优,模型精度为89.2%,明显高于NPP低空间分辨率产品和CASA模型的模拟结果。根据该模型估算的东北地区七星河、查干湖和双台河口芦苇湿地的NPP均值分别为3 001、3 050和3 621 gC·m^–2·a^–1。受水文条件和人类活动影响,各湿地样区间NPP具有典型的空间分布异质性。实验提出的框架模型可为小尺度上湿地生态系统健康评估或湿地生态系统恢复效果评价等指标获取提供方法借鉴。     

HJ-1星北京地区植被净初级生产力估算研究

本文基于HJ-1/CCD遥感影像,以一级土地利用分类的六种地物类型为研究对象,采用面积加权平均的方法对六种分类中耕地、林地、草地的最大光能利用率进行修订,采用CASA模型对北京地区2009年NPP进行估算,结果表明北京地区NPP在7、8月份最高,且分布总趋势为北部高,南部低;西部高,东部低,估算结果与实测值比较接近,相关系数在0.8左。通过本文方法所得估算结果不但合理而且可靠。     

山丹县草地地上生物量遥感估算模型

选择黑河流域草地植被的典型区域-山丹县作为研究区, 利用2003 年8 月野外实测50 个样方的草地地上生物量数据和同期的陆地卫星TM 影像数据, 分析了植被指数与草地地上生物量的相关关系, 进而建立基于遥感植被指数DV I 的草地地上生物量估算模型。结果表明: 在草地地上生物量和TM 影像植被指数之间关系微弱、直接利用TM 影像数据建立估算模型不可行的情况下,用地面实测的草地植被反射光谱数据对遥感影像数据进行校正, 能够弥补传统的“点-面”建模方法的不足, 获得比较理想的估算模型; 植被指数DVI 与草地地上生物量之间存在较好的相关性, 其估算模型为Y = 2477X - 77. 598 (R 2= 0. 7589) , 经实测数据验证, 总体精度达到80% 以上, 基本上能够满足中尺度的草地地上生物量估算。     

基于CASA-WOFOST耦合模型的大豆单产遥感估算研究

中国是一个农业大国,在田块甚至是亚田块尺度上进行快速、准确的作物产量估算,不仅可以对农民田间管理进行指导,对于农田生态系统对全球变化的响应评价、制定科学合理的粮食政策、对外粮食贸易和国家粮食安全都具有重要意义。目前主流的估产模型主要有经验统计模型、光能利用率模型、作物生长模型等,每一类模型在各自研究领域相对完整,但是都形成了固定的局限性,为了研究利用遥感技术在小区域范围内田块尺度的作物估产,选取黑龙江省双山农场为研究区,以大豆为研究对象,基于CASA-WOFOST耦合估产模式,利用覆盖作物生长季的时间序列HJ-1A/B遥感影像数据构建高时间分辨率归一化植被指数(Normalized Difference Vegetation Index, NDVI),实现逐日连续监测,分别利用CASA模型和CASA-WOFOST耦合模型对作物进行单产模拟,结果表明：耦合得到的新模型能够具有光能利用率模型较高的运行速度,同时还能发挥作物生长模型模型的机理优势,克服CASA模型在小区域田块尺度上应用的局限性。大豆单产模拟线性回归判定系数(R²)由0.668 53上升到0.844 72,均方根误差(RMSE) 由51.41 kg/hm²下降到29.52 kg/hm²,说明耦合后的模型可以综合考虑光能利用与作物生长生态生理全过程,从而提高作物估产的精度、可靠性和稳定性,为区域田块尺度作物估产提供理论支持,更好地服务于精准农业发展。     

光催化降解废气过程中紫外辐射照度模拟和优化

为在光催化设计中合理布置紫外灯,减少光在传输过程中的损失,概括总结径向辐射模型、多点源叠加近似辐射模型和离散坐标辐射模型等3种经典的紫外辐射物理模型;基于离散坐标辐射模型模拟某公司生产的光催化氧化废气处理装置的紫外辐射照度;通过调整灯管布置距离改变光强分布,并拟合光催化单元和光催化网表面的平均紫外辐射照度随灯管布置距离变化曲线.结果表明,距离参数在55～65 mm时,该光催化反应装置的光能利用率较好;紫外灯的合理布置可有效提高光能利用率.     

基于遥感和站点观测数据的生态系统呼吸模型比较

生态系统呼吸(Ecosystem respiration,Re)是陆地生态系统碳收支的重要组成部分,准确模拟Re对研究碳循环具有重要意义。利用3种典型的遥感模型,C-flux(The carbon flux model)、ReRSM(Ecosystem respiration Remote Sensing Model)和TPGPP(Temperature Precipitation Gross Primary Production)模型,基于不同时间尺度(1 d和8 d尺度)的通量观测和遥感数据,对包含5种植被类型(农作物CROP、落叶阔叶林DBF、常绿针叶林ENF、草地GRASS和混交林MF)的24个站点(52个站年)的Re进行了模拟。结果表明:不同模型模拟结果的差异较大,C-Flux模型模拟结果R2和RMSE的范围为0.72~0.96 gCm^-2d^-1和0.30~3.47 gCm^-2d^-1,ReRSM模型R2与RMSE的范围为0.70~0.98 gCm^-2d^-1和0.45~6.07 gCm^-2d^-1,TPGPP模型R2与RMSE的范围为0.76~0.97gCm^-2d^-1和0.41~2.45 gCm^-2d^-1;1 d和8 d尺度,TPGPP模型模拟效果最好,分别73%和67%的站年的TPGPP模型模拟结果的R2高于其他两种模型,65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。大部分站年(分别为75%和77%)ReRSM模型模拟的Re与观测Re之间的R2明显高于C-flux模型,然而大部分站年(79%和77%)的RMSE高于C-flux模型,这表明ReRSM模型结构合理,能较好地模拟Re的季节变化趋势但模型参数有待改进。ReRSM模型中,年均生长季平均LSWI(Mean annual growing season of Land surface water index,LSWIsm)与其他站年相比过低,会导致模拟的Re高估,反之则低估。     

Comparison of Ecosystem Respiration Models based on Remote Sensing Data

Ecosystem respiration (Re) is an important component of terrestrial ecosystem carbon budget, and it was important to simulate Re accurately. In this study, Re was simulated at daily and 8-day time scales at 24 flux sites (52 site years) including 5 vegetation types by using three typical ecological models established based on remote sensing data, C-flux (the carbon flux model), ReRSM (Ecosystem respiration Remote Sensing Model) and TPGPP (Temperature Precipitation Gross Primary Production) model. Results showed that the three models had different performances. At 52 site years, the ranges of R² and RMSE were 0.72~0.96 and 0.30~3.47 gCm^-2d^-1 for the C-flux model, 0.70~0.98 and 0.45~6.07 gCm^-2d^-1 for the ReRSM model, and 0.76~0.97 and 0.41~2.45 gCm^-2d^-1 for the TPGPP model. The TPGPP performed best compared with the other two models. R² simulated with the TPGPP model was higher than the other two models at most site years with proportions of 73% and 67% at daily and 8-day scale, respectively. At daily and 8-day scale, R² simulated with the ReRSM model was higher than that with the C-flux model at most site years with proportions of 75% and 77%, while RMSE with ReRSM model was higher than that with the C-flux model at most site years with proportions of 79% and 76%, respectively. Results indicated that the ReRSM model could simulate the trends of seasonal variations of Re while model parameters had some uncertainties. One important parameter in the ReRSM model, LSWI_sm (Mean annual growing season of land surface water index), which was much lower would result in overestimation of Re, and higher LSWI_sm would result in Re underestimation.     

基于HJ-1CCD影像的呼伦贝尔草原区MODIS/FPAR产品验证与分析

植物吸收性光合有效辐射分量(FPAR)是描述植被结构以及与之相关的物质与能量交换过程的基本生理变量。选取内蒙古呼伦贝尔谢尔塔拉镇针茅和羊草草甸草原为研究对象,利用2013年5次地面实测实验,通过HJ-I CCD高分辨率卫星影像建立统计模型,从而实现对该研究区MODIS/FPAR产品的验证与分析。1km HJ/FPAR"真值"与MODIS/FPAR产品值的变化趋势基本一致,并且二者具有较好的一致性,R2达到了0.6762。MODIS/FPAR产品能够很好地反映呼伦贝尔草甸草原在整个生长季的长势及物候变化,这是因为研究区样地尺度上HJ/FPAR和MODIS/FPAR产品值不但变化趋势相一致,而且相关系数R2高达0.9148。无论在同尺度(1km)还是整个研究区尺度,MODIS/FPAR均有一定的高估现象。研究结果对了解和进一步使用该地区的MODIS/FPAR产品具有重要的指导意义。     

基于机器学习和大数据平台的陆地生态系统碳收支遥感监测

陆地生态系统碳收支是全球碳循环研究的重要指标,也是气候变化的重要参数。针对该指标估测的不确定性,基于陆地生态系统通量观测研究网络的实测碳通量数据及遥感卫星观测数据产品,利用机器学习方法进行建模研究。研究选用随机森林算法自动从高质量的星—地训练数据集中学习特征、挖掘数据中的隐含信息以及时序间依赖关系的差异,建立了基于随机森林算法的碳收支参数GPP（Gross Primary Production）、NEP （Net Ecosystem Production）估算模型,并选择标准指标利用验证数据集对模型进行了客观评价。结果分析表明：与MODIS GPP产品相比,该方法在估算精度上有了提高,其中落叶阔叶林预测结果最优,决策系数为R²为0.82,均方根误差为1.93 gCm^-2 d^-1,在其他植被类型上也明显优于传统光能利用率模型产品,更接近于地面通量观测数据。基于相同方法建立的NEP模型也得到了较好的估测结果,落叶阔叶林预测模型的输出结果与通量塔获得的NEP相关关系R²为0.70,RMSE=1.75 g C m^-2 d^-1。GPP和NEP模型精度差异也表明,在进行机器学习建模时,训练数据集自变量的选择仍然需要机理模型支持。为进行陆地生态系统碳收支大范围快速估算,本研究进行了陆地生态系统碳收支遥感监测平台的搭建,该平台以GEE （Google Earth Engine）大数据平台作为数据存储与计算后端,Django和Nginx作为Web服务框架,OpenLayers和jQuery作为前端框架,从而实现了碳收支参数长时间序列大范围的快速计算、结果实时显示等功能。基于该平台和模型获取的2002—2016年全球（60°N—60°S）逐年GPP结果表明,全球平均GPP存在明显的空间差异,显著增加的区域主要集中在亚洲东部地区及北美洲森林地区等。研究表明,基于机器学习和大数据平台进行碳收支参数遥感监测,能够快速提供与地面真实观测较为一致的陆地生态系统区域和全球尺度碳收支遥感监测结果,该流程在一定程度避免了生理过程模型复杂的参数设置,减少了区域和全球大尺度碳收支监测的不确定性。     

温度植被干旱指数时空融合模型对比

为实时准确地对新疆农业干旱程度进行反演监测,以新疆焉耆盆地为例,通过运用时空自适应反射率融合模型（Spatio Temporal Adaptive Reflectivity Fusion Model,STARFM）、增强型STARFM（Enhanced STARFM,ESTARFM）模型及灵活的时空数据融合模型（Flexible Spatio Temporal Data Fusion,FSDAF）这3种常见的模型对Landsat 8和MODIS数据进行融合,构建了温度植被干旱指数（Temperature Vegetation Dryness Index,TVDI）,并采用土壤相对湿度（Relative Soil Moisture,RSM）数据对TVDI反演结果进行了验证。结果表明：①3种数据融合模型所模拟预测的干旱因子（归一化植被指数和地表温度）与真实Landsat 8数据所反演的干旱因子相比,ESTARFM模型模拟预测的干旱因子判定系数（R²）和均方根误差（RMSE）均优于其他两种模型,归一化植被指数（NDVI）的R²和RMSE分别达到了0.924和0.076,地表温度（LST）的R²和RMSE分别达到了0.877和2.799;②3种数据融合模型模拟预测的TVDI通过与真实Landsat 8数据反演的TVDI及RSM数据进行对比验证,发现ESTARFM模型模拟预测的TVDI与上述两种数据之间的R²也均优于其他两种模型,分别达到了0.873和0.248。ESTARFM模型在一定程度上更能准确地模拟预测同时期Landsat 8影像的TVDI分布状况。     

Data-Driven Estimation of Gross Primary Production

Gross Primary Production (GPP) of vegetation refers to the assimilation of all organic matter produced by green plants through photosynthesis and fixed carbon dioxide per unit time and unit area. Accurate estimation of GPP is helpful for the study of carbon cycle. In order to improve the estimation accuracy of GPP, this study combines machine learning technology and remote sensing technology. First, the remote sensing data under the GEE platform and the flux tower measurement data of the China Terrestrial Ecosystem Flux Observation Research Network are used to establish a data set. Then use random forest as the estimation model, and adjust the model according to the data characteristics after modeling. Finally, the prediction results of the model are obtained, the determination coefficient R² is 0.87, and the root mean square error RMSE is 1.132 gC·m^-2·d^-1. This shows that the random forest model can estimate GPP more accurately.From the results of this study, we can see that the rapid development of computer technology represented by big data and artificial intelligence will inject new vitality into remote sensing technology and make remote sensing technology enter a more mature stage of development and application.     

数据驱动的植被总初级生产力估算方法研究

植被总初级生产力（Gross Primary Production,GPP）是指在单位时间和单位面积上,绿色植物通过光合作用固定二氧化碳所产生的全部有机物同化量,对GPP的准确估算有助于碳循环的研究。为了提高GPP的估算精度,将机器学习技术与遥感技术相结合,首先利用GEE平台下的遥感数据以及中国陆地生态系统通量观测研究网络的通量塔实测GPP数据,建立数据集。然后使用随机森林作为估算模型,建模后根据数据特点对模型调参。最后获得模型的预测结果,决定系数R²为0.87,均方根误差RMSE的值为1.132 gC·m^-2·d^-1。这说明随机森林模型可以较为精确地估算GPP。结果发现,以大数据以及人工智能为代表的计算机技术飞速发展,将为遥感技术注入新的活力,使遥感技术走向更加成熟的发展应用阶段。     

Time and Space Fusion Model Comparison of Temperature Vegetation Drought Index

Drought is the first disaster affecting agricultural production. The annual precipitation in Xinjiang of China is scarce and the climate is dry. This is one of the major obstacles to the agricultural transformation and rural revitalization in Xinjiang. Therefore, timely and accurate monitoring of agricultural drought in Xinjiang is of great significance for safeguarding agricultural production. Yanqi Basin in Xinjiang was took as an example. Landsat8 and MODIS data were used. The Spatio Temporal Adaptive Reflectivity Fusion Model (STARFM), the Enhanced STARFM (Enhanced STARFM, ESTARFM) Model and Flexible Spatio Temporal Data Fusion (FSDAF) model were used to construct the Temperature Vegetation Dryness Index (TVDI). At the same time, the Relative Soil Moisture (RSM) was used to verify the TVDI inversion results. The results show that coefficient of determination (R²) and root mean square error (RMSE) of the drought factors(NDVI and surface temperature) simulated by the ESTARFM model were better than that by the other two models. And the R² and RMSE of NDVI simulated by the ESTARFM model reached 0.924 and 0.076. In addition, the R² and RMSE of surface temperature simulated by the ESTARFM model reached 0.877 and 2.799. Comparing with TVDI of the real Landsat8 data inversion and RSM data, it was found that the TVDI simulated by the ESTARFM model is better than the other two models, with 0.873 of R² and 0.248 of RMSE. The ESTARFM model can more accurately simulate the TVDI distribution of the Landsat8 images in the same period, so as to monitor the drought degree of the farmland in Xinjiang.     

内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

内陆水体中浮游植物的存在对悬浮物（TSM）遥感反演模型精度具有一定的影响,藻类丰度会导致水体遥感反射率降低。实验基于中国、澳大利亚和美国内陆水体的372个采样点（4个数据集）水质分析和光谱实测数据,构建内陆水体遥感反射率与TSM的相关关系,建立最优波段比模型（OBR）,并分析了藻类颗粒物存在对该模型精度的影响。由于水质的不均一性,不同区域的水质参数敏感波段存在差异,因此各数据集用于建模的最优波段比值不同。结果表明,OBR模型精度较高,误差较小,中国水体模型验证均具有较好效果（石头口门水库：R²=0.87,RMSE=14.1 mg/L;查干湖：R²=0.82,RMSE=23.6 mg/L）,澳大利亚水体模型验证效果最佳,R²值高达0.95（RMSE=4.2 mg/L）,美国水体模型精度较低（R²=0.78,RMSE=3.7 mg/L）。研究发现,模型精度受水体叶绿素（Chla）浓度和Chla/TSM比率影响,当水体以TSM浓度较高的非藻类颗粒物为主时（如中国石头口门水库和南澳洲地区水体数据集）,最优波段比值模型表现更好;而当水体以浮游植物为主时,水体中的浮游植物的丰度会使光谱信号复杂化,从而限制或降低TSM浓度遥感算法的精度（如美国印第安纳州中部水库数据集）。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。