论文部分内容阅读
叶面积指数LAI(Leaf Area Index)是一项重要的生物物理参数,它表征了单位地表面积上叶片的总量。植被的生长变化对气候、水文、生态等都会产生影响,因此LAI是众多陆面过程模型的输入参数。提高叶面积指数的估算精度,具有重要意义。 利用遥感观测数据估算LAI是目前获取LAI的主要手段。覆盖区域甚至全球的LAI数据常以数据产品形式呈现,MODIS LAI产品覆盖全球,自2000年开始持续发布,是其中的代表。遥感估算LAI的模型有很多种,表现为从遥感观测计算LAI所采用的不同的算法。现有算法有一个重要的缺陷,就是对于历史数据中隐含的信息利用得不够。 本研究提出基于数据机理的时间序列叶面积指数估算方法。MODIS LAI产品已经积累多年,本研究假设LAI与反射率的函数关系隐含在这些历史数据中。通过使用基于数据机理的(Data Based Mechanistic)建模方法,从历史数据中提取LAI与反射率的关系模型,以LAI DBM表示。LAI DBM模型立足于MODIS像元尺度(1km),模型结构和系数完全从历史数据中提取,因此从建模机理上说,适用于各种地表覆盖类型的像元,也包括混合像元。本研究用6种不同地表覆盖的站点数据,进行了LAI DBM建模和估算实验,建模数据和估算数据分离。估算结果表明,LAI DBM模型具有较强的的估算能力,对不同类型的像元都能适用。LAI DBM模型的估算结果在时间连续性上明显优于MODIS LAI数据。 LAI DBM模型的优点是模型结构简单、基于历史数据、不依赖先验知识,缺点是对历史数据的数量和质量存在依赖。针对此问题,本研究提出了基于数据机理的同化方法。对于一种或多种地表类型,使用数十个像元的历史数据构建通用的LAI DBM模型,以LAI UDBM表示。LAI UDBM模型可以直接用到同类的其它像元,由此减少对历史数据的依赖。但LAI UDBM模型的估算结果不是作为最终结果,而是作为状态变量导入PROSAIL模型。PROSAIL模型的输出变量再与MODIS反射率进行同化,通过集合卡尔曼滤波EnKF(Ensemble Kalman Filter)方法更新状态变量,得到最终的LAI估算结果。LAI UDBM模型与PROSAIL模型的耦合(以LAI EnKF表示),减少了LAI_DBM模型对历史数据的依赖,同时增强了模型的适用性。 为了进一步验证LAI DBM和LAI EnKF模型,本研究最后使用Bigfoot的地面LAI观测数据,对MODIS LAI(以LAI ODIS表示)、LALDBM模型的估算结果(以LAI DBM表示)和LAI EnKF模型的估算结果(以LAI EnKF表示)进行了比较验证。在时间连续性上,LAI DBM和LAIEnKF都远优于LAI MODIS。与实测值的比较,LAI DBM和LAI EnKF略优于LAIMODIS。需要注意的是,LAIDBM是使用了相应站点的历史数据建模估算的结果,而LAIEnKF使用的是LAI UDBM模型,因此完全没有使用相应站点的历史数据。相比于LAIDBM,LAIEnKF对生长季特别是生长高峰的LAI变化特征表现得更为明显。