CN112182882A - 一种顾及物侯信息的植被冠层蒸腾反演算法 - Google Patents
一种顾及物侯信息的植被冠层蒸腾反演算法 Download PDFInfo
- Publication number
- CN112182882A CN112182882A CN202011038875.2A CN202011038875A CN112182882A CN 112182882 A CN112182882 A CN 112182882A CN 202011038875 A CN202011038875 A CN 202011038875A CN 112182882 A CN112182882 A CN 112182882A
- Authority
- CN
- China
- Prior art keywords
- lai
- transpiration
- canopy
- vegetation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
Abstract
本发明公开了一种顾及物侯信息的植被冠层蒸腾反演算法,属于水循环关键参数定量反演的技术领域,本发明利用卫星遥感植被指数数据获取植被冠层季节性叶面积变化和物候节律信息,提供了一种“光合‑导度”模型中气孔导度斜率参数的动态参数化方法;通过遥感叶面积指数(LAI)指代植被冠层叶片的生长活性,表明年周期内LAI与气孔导度斜率参数具有很好的线性关系。利用LAI时序变化将植被生长季划分为生长期和衰落期,对不同物候期分别建立LAI与气孔导度斜率参数关系,可清晰识别气孔导度斜率参数对LAI变化的非对称响应,体现物候对叶片功能具有重要影响,表明非线性模型对气孔导度斜率参数的估算精度更高,可有效降低冠层气孔导度以及蒸腾的季节性误差。
Description
技术领域
本发明属于水循环关键参数定量反演的技术领域,具体涉及一种顾及物侯信息的植被冠层蒸腾反演算法。
背景技术
地表蒸散发(Evapotranspiration,ET)是植被蒸腾、植被截留蒸发及土壤蒸发的总和,在陆气水分与能量交换中起重要作用。全球约60%的降水来自于ET,蒸散发过程消耗了地表吸收能量的50%以上。在全球地表ET中,蒸腾约占80%,特别是在植被覆盖度较高的地区,ET以植被蒸腾为主。因此,准确估算植被蒸腾是ET估算的关键,对理解气候变化背景下生态系统水循环关键要素的动态及成因具有重要的科学意义。
Penman-Monteith(P-M)方程将物理约束与生物约束有效结合,被公认为机理性最强的蒸腾估算模型,为站点到全球尺度的蒸腾估算提供了重要基础。对于P-M方程而言,气孔导度是植被蒸腾估算的决定性参数。气孔是植被蒸腾的主要通道,控制着水分从土壤经植被到大气的水汽流,并且控制着二氧化碳(CO2)由大气进入叶肉组织的速率。在气孔导度的模拟方法中,“光合-导度”模型机理性强、模型参数少,应用日益广泛。耦合光合与蒸腾过程的“光合-导度”模型,认为气孔导度与光合速率之间呈线性关系(如Ball-Berry模型),其关键参数为气孔导度斜率参数(g1)。Miner等人在“Estimating the sensitivity ofstomatal conductance to photosynthesis:a review”一文中指出,该参数所对应的叶片功能性状不仅受到环境因子的影响,也受到植被生长发育过程的调控。
物候(Phenology)是生物周期性的生长变化。从植物个体到生态系统各个尺度,众多过程都由物候直接或间接调控,特别是与水(蒸腾与蒸发)、碳(光合与呼吸)循环相关的过程。通常而言,植物物候一方面体现在与叶片长落的数量变化,另一方面体现在叶片的功能变化。物候对气候变化非常敏感,在全球变化研究中受到广泛关注。随物候变化,生态系统水、碳循环与耦合方面将表现出一定的响应。在“Journal of Geophysical Research:Biogeosciences”2018年123卷“Warming-Induced Earlier Greenup Leads to ReducedStream Discharge in a Temperate Mixed Forest Catchment”一文中,Kim等人将物候模型耦合到生态水文模型中,结果表明考虑叶片长落时间的年际变化可以显著提高ET的模拟精度,且物候变化可以调节气候变化对ET的影响。尽管如此,该研究中蒸腾估算误差存在明显的季节性变化,限制了ET总体模拟精度及年内动态监测的可靠性。导致这种现象的重要原因是利用物候信息改进植被蒸腾估算时,仅考虑了冠层叶片数量变化的贡献,而未考虑叶片功能变化的影响。叶片数量与功能变化对生态系统水、碳通量的影响途径和贡献不同。大量叶片光谱和功能性状的观测研究已证实叶片功能随叶片生长与发育表现出显著的季节性变化。在气孔导度模型中,使用静态参数方案将限制叶片功能随物候变化的表达,造成植被蒸腾估算的季节性误差。
随着遥感技术的发展,遥感数据能快速准确地反映地表植被信息,定量反映区域至全球尺度的植被生态特征,因此迅速应用于植被功能与物候研究。鉴于遥感植被指数与叶片功能性状的高相关性,已有研究利用遥感植被指数估算水、碳通量模型的关键参数,效果良好。如Zhang等人的“A continuous satellite-derived global record of landsurface evapotranspiration from 1983to 2006”一文,在Jarvis模型中利用NDVI模拟最优气孔导度(g0)的时序动态变化,Ryu等人在“Integration of MODIS land andatmosphere products with a coupled-process model to estimate gross primaryproductivity and evapotranspiration from 1km to global scales”中利用LAI对Vcmax进行季节变化模拟。然而,叶片功能性状与光谱信息的关系随叶片物候变化而改变。也就是说,即使光谱特征相近,因物候期不同,叶片功能性状也可能不同。
因此,仅利用植被指数对气孔导度模型关键参数进行线性模拟,可能造成气孔导度和蒸腾估算结果的不确定性。最近Chavana-Bryant等人在“Science of the TotalEnvironment”期刊发表的“Leaf age effects on the spectral predictability ofleaf traits in Amazonian canopy trees”研究中,研究人员尝试利用叶片光谱信息鉴别叶片功能与叶龄的关系,进而指示叶片功能的季节与年际变化,为叶片功能物候的遥感监测提供了有益参考。
发明内容
发明目的:本发明的目的在于提供一种顾及物侯信息的植被冠层蒸腾反演算法,
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种顾及物侯信息的植被冠层蒸腾反演算法,包括以下步骤:
1)观测数据质量控制;
2)蒸腾日均值计算;
3)气孔导度斜率参数计算;
4)植被冠层物候提取;
5)气孔导度斜率参数估算模型建立;
6)冠层气孔导度和冠层蒸腾计算。
进一步地,步骤1)中,所述的观测数据质量控制是针对某一观测站点,收集整理涡动相关观测系统的水、碳通量数据以及相应的能量、气象观测数据;对原始数据进行预处理,计算生态系统总初级生产力(GPP)、蒸散发(ET)、饱和水气压差(VPD)。
并根据如下条件进行数据质量控制:1、仅保留“直接观测”或“插补质量高”的数据;2、辐射与能量通量数据(短波/长波下行辐射(SWIN/LWIN)、短波/长波上行辐射(SWOUT/LWOUT)、潜热通量(LE)、显热通量(H)、土壤热通量(G)等)均齐全,且满足能量闭合(|SWIN+LWIN-SWOUT-LWOUT-LE-E–G|≤300W/m2),否则该时刻数据记录无效;3、保留7:00-19:00且净辐射为正值时刻的数据;4、若6:00-19:00发生降雨,则该天数据记录无效;5、若GPP日均值小于该年内最大GPP日均值的10%,则该天数据无效;6、若GPP、ET、VPD小于0,则该时刻数据无效;7、若一天内有效数据少于10个,则该天数据无效。
进一步地,步骤2)中,所述的蒸腾日均值计算,具体为对步骤1)中所有有效观测数据进行分位数据回归分析,计算潜在基础水分利用效率uWUEp;在天尺度,对有效数据进行线性回归,计算实际基础水分利用效率uWUEa;根据公式(I),计算蒸腾日均值Tc,mm/day:
进一步地,步骤3)中,所述的气孔导度斜率参数计算是对各个变量的半小时有效观测数据求日均值,基于大叶模型理论,根据公式II计算日尺度冠层气孔导度Gs:
其中,Tc是植被蒸腾(mm/d);Δ是饱和水汽压与温度曲线斜率(kPa℃–1);λ是汽化潜热(MJ kg-1);ρ是空气密度(kg m-3);VPD水汽压亏缺(kPa);CP是定压比热(MJ kg-1℃–1);γ是干湿计常数(kPa℃–1);Rn是地表接收到的净辐射(W m–2);G为土壤热通量;Ga和Gs分别为空气导度和冠层气孔导度;日尺度气孔导度斜率参数g1:
其中,An是CO2净同化速率(μmol CO2 m-2s-1),Ca是叶片表面CO2浓度(μmol/mol),RH是叶片表面相对湿度(无量纲,为比例值);g0(mol m-2 s-1)是Ball-Barry模型的回归斜率参数,表征Gs的基准值(mol H2O m-2 s-1),g0参数取值为0。
进一步地,步骤4)中,所述的植被冠层物候提取,具体为mSG滤波方法对LAI时序数据进行噪声去除、缺值插补,并通过线性方式将8天合成的LAI数据插值得到天数据;以天为单位,计算LAI的多年平均值,得到LAI参考曲线;利用5参数Logistic方程,公式(IV)对LAI参考曲线进行拟合,并根据拟合方程计算曲率变化率RCC,公式(V),其中在1-9月,取RCC达到第一个局部最大值的时间为冠层叶片生长起始期、第二个局部最大值为叶片成熟日期,在7-12月,取RCC达到第二个局部最小值为落叶日期。在此基础上,将叶片生长起始期到叶片成熟日期定义为“生长阶段”,将叶片成熟日期到落叶日期定义为“衰落阶段”:
其中,t是年积日,y(t)是第t天LAI值,a和b是拟合参数,c是年内LAI最大值,d是LAI初始背景值。z=ea+b·t。
进一步地,步骤5)中,所述的气孔导度斜率参数估算模型建立,具体为:
根据步骤4)中的叶片生长阶段和衰落阶段,对计算得到的Ball-Berry模型气孔导度斜率参数g1和LAI数据进行分组,利用线性回归模型分别建立g1与LAI的定量关系,即
g1i=aj·LAIi+bj (VI);
其中g1i和LAIi分别表示第i天的g1和LAI值,j=1表示为叶片生长阶段,i=2为叶片衰落阶段,公式(VI)即表示在不同的物候阶段随叶片生长变化的气孔导度斜率参数。
进一步地,步骤6)中,所述的冠层气孔导度和冠层蒸腾计算,是利用LAI估算气孔导度斜率参数,进一步结合Ball-Berry模型和P-M方程,计算冠层气孔导度和冠层蒸腾;计算过程中,模型驱动数据需通过野外观测或卫星遥感等方式获取,计算uWUEp由R语言编写程序实现,其他算法均由MATLAB编程实现应用。
本发明的原理如下:利用遥感植被指数和遥感地表物候信息优化“光合-导度”关键参数-气孔导度斜率参数,改进冠层气孔导度估算进而提高冠层蒸腾反演精度。该方法主要由以下算法组成:利用通量观测数据,经数据质量控制,计算植被冠层蒸腾,并结合P-M方程和Ball-Berry模型,计算气孔导度斜率参数;利用遥感叶面积指数时序数据提取冠层物候信息,包括叶片生长起始时间、成熟时间和生长结束时间,并划分生长阶段和衰落阶段;在两个物候阶段内,分别建立LAI与气孔导度斜率参数的线性关系,降低遥感植被指数“同谱异物”现象对植被功能参数估算的影响,进一步结合P-M方程和Ball-Berry模型,精确模拟植被冠层气孔导度和蒸腾的季节性变化。
本发明涉及一种利用植被物候信息优化“光合-导度”模型关键参数的植被冠层蒸腾反演算法,具体地说,是指一种利用植被生长期信息,结合遥感植被指数,对“光合-导度”模型关键参数(即气孔导度斜率参数)进行模拟,构建顾及植被物候期的气孔导度斜率参数估算模型,改进气孔导度参数的季节性变化的表达,进而提高植被冠层蒸腾的季节性动态估算。卫星遥感技术可以获取海量植被生长光谱时序数据,用于识别植被冠层叶面积指数和遥感地表物候信息,可实现时空连续、可信度高的植被冠层结构与功能变化监测。建立了顾及物候信息的“光合-导度”模型气孔导度斜率参数估算方法,实现了利用动态气孔导度斜率参数优化冠层气孔导度估算,有效降低了传统静态模型参数造成的季节性误差,提高植被冠层蒸腾反演精度。
有益效果:与现有技术相比,本发明利用卫星遥感植被指数数据获取植被冠层季节性叶面积变化和物候节律信息,提供了一种“光合-导度”模型中气孔导度斜率参数的动态参数化方法;通过遥感叶面积指数(LAI)指代植被冠层叶片的生长活性,表明年周期内LAI与气孔导度斜率参数具有很好的线性关系,可反映冠层尺度碳-水耦合程度的季节性变化。通过LAI时序曲线的曲率变化,将植被生长季划分为生长期和衰落期,对不同物候期分别建立LAI与气孔导度斜率参数关系,可清晰识别气孔导度斜率参数对LAI变化的非对称响应,体现冠层叶龄对叶片生理生态功能具有重要影响,表明非线性模型对气孔导度斜率参数的估算精度更高,可有效降低冠层气孔导度以及蒸腾的季节性误差。利用MATLAB编写的程序可以有效处理海量的数据。
附图说明
图1为本发明的流程图;
图2为uWUEp计算方法示意图;
图3为样例站点Ball-Berry模型斜率参数季节性变化特征示意图;
图4为基于MODIS卫星叶面积指数遥感产品的地表物候关键参数示意图;
图5为样例站点不同物候阶段内导度斜率参数与遥感叶面积指数关系示意图;
图6为不同的导度斜率参数化方案下冠层蒸腾误差的季节性变化示意图。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
本发明提供一种利用卫星遥感植被指数和地表物候优化“光合-导度”模型关键参数的方法,用于模拟气孔导度斜率参数的季节性变化,基于Ball-Berry模型,估算不同叶片物候期内植被冠层气孔导度,结合Penman-Monteith方程和气象观测,反演植被冠层蒸腾,作为准确模拟与预测生态系统水汽通量的基础。
一种顾及物侯信息的植被冠层蒸腾反演算法,包括以下步骤:
(1)观测数据质量控制。
针对某一观测站点,收集整理涡动相关观测系统的水、碳通量数据以及相应的能量、气象观测数据,参考Papale等人2006年在“Biogeosciences”发表的“Towards astandardized processing of net ecosystem exchange measured with eddycovariance technique:algorithms and uncertainty estimation”一文,对原始数据进行预处理,计算生态系统总初级生产力(GPP)、蒸散发(ET)、饱和水气压差(VPD)等,并根据如下条件进行数据质量控制:1、仅保留“直接观测”或“插补质量高”的数据;2、辐射与能量通量数据(短波/长波下行辐射(SWIN/LWIN)、短波/长波上行辐射(SWOUT/LWOUT)、潜热通量(LE)、显热通量(H)、土壤热通量(G)等)均齐全,且满足能量闭合(|SWIN+LWIN-SWOUT-LWOUT-LE-E–G|≤300W/m2),否则该时刻数据记录无效;3、保留7:00-19:00且净辐射为正值时刻的数据;4、若6:00-19:00发生降雨,则该天数据记录无效;5、若GPP日均值小于该年内最大GPP日均值的10%,则该天数据无效;6、若GPP、ET、VPD小于0,则该时刻数据无效;7、若一天内有效数据少于10个,则该天数据无效。
(2)冠层蒸腾计算。
参考Zhou等人在“Partitioning evapotranspiration based on the conceptof underlying water use efficiency”文章中提出的蒸散发拆分方法,对步骤(1)中所有有效观测数据进行分位数据回归分析,计算潜在基础水分利用效率(uWUEp)。在天尺度,对有效数据进行线性回归,计算实际基础水分利用效率(uWUEa)。根据公式(1),计算蒸腾日均值(Tc,mm/day)。
(3)气孔导度斜率参数计算。
对各个变量的半小时有效观测数据求日均值,基于“大叶模型”理论(即将整个植被冠层理解为一整片叶子),根据Penman-Monteith方程(公式2)计算日尺度冠层气孔导度(Gs)。
其中,Δ是饱和水汽压与温度曲线斜率(kPa℃–1);λ是汽化潜热(MJ kg-1);ρ是空气密度(kg m-3);VPD水汽压亏缺(kPa);CP是定压比热(MJ kg-1℃–1);γ是干湿计常数(kPa℃–1);Rn是地表接收到的净辐射(W m–2);G为土壤热通量;Ga和Gs分别为空气导度和冠层气孔导度。
选取“光合-导度”模型,本方法以Ball-Berry模型(公式3)为例,计算日尺度气孔导度斜率参数(g1)。
其中,An是CO2净同化速率(μmol CO2 m-2 s-1),Ca是叶片表面CO2浓度(μmol/mol),RH是叶片表面相对湿度(无量纲,为比例值)。在实际应用中,Ca和RH参数可利用空气CO2浓度和相对湿度近似代替。g0(mol m-2 s-1)是Ball-Barry模型的回归斜率参数,表征Gs的基准值(mol H2O m-2 s-1),参考Lin等人2015年在“Nature Climate Change”杂志上发表的Optimal stomatal behaviour around the world文章,本发明中g0参数取值为0。
(4)植被冠层物候提取。
利用Chen等人2004年在“A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter”一文中提出的mSG滤波方法对LAI时序数据进行噪声去除、缺值插补,并通过线性方式将8天合成的LAI数据插值得到天数据。以天为单位,计算LAI的多年平均值,得到LAI参考曲线。参考Zhang等人“Monitoring vegetation phenology using MODIS”中的方法,利用5参数Logistic方程(公式4)对LAI参考曲线进行拟合,并根据拟合方程计算曲率变化率(RCC,公式5),其中在1-9月,取RCC达到第一个局部最大值的时间为冠层叶片生长起始期、第二个局部最大值为叶片成熟日期,在7-12月,取RCC达到第二个局部最小值为落叶日期。在此基础上,将叶片生长起始期到叶片成熟日期定义为“生长阶段”,将叶片成熟日期到落叶日期定义为“衰落阶段”。
其中,t是年积日,y(t)是第t天LAI值,a和b是拟合参数,c是年内LAI最大值,d是LAI初始背景值。z=ea+b·t。
(5)气孔导度斜率参数估算模型建立。
根据步骤(4)中的叶片生长阶段和衰落阶段,对计算得到的Ball-Berry模型气孔导度斜率参数(g1)和LAI数据进行分组,利用线性回归模型(Linear Regression Model)分别建立g1与LAI的定量关系,即
g1i=aj·LAIi+bj (6)
其中g1i和LAIi分别表示第i天的g1和LAI值,j=1表示为叶片生长阶段,i=2为叶片衰落阶段,公式(6)即表示在不同的物候阶段随叶片生长变化的气孔导度斜率参数。
(6)冠层气孔导度和冠层蒸腾计算
在上述模型基础上,可利用LAI估算气孔导度斜率参数,进一步结合Ball-Berry模型和P-M方程,计算冠层气孔导度和冠层蒸腾。计算过程中,模型驱动数据需通过野外观测或卫星遥感等方式获取,计算uWUEp由R语言编写程序实现,其他算法均由MATLAB编程实现应用。在此以Ball-Berry模型为例,本方法适用于其他“光合-导度”模型。
实施例
选取全球通量观测数据集FLUXNET2015中US-MMS实验站,技术流程如图1所示。US-MMS实验站位于美国中西部印第安纳中南地区(39°19’N,86°25’W),建有48米高通量观测塔,塔周围植被较均一,主要树种为枫榉木、橡树、山胡桃等落叶阔叶林,冠层高约27米。
对观测数据进行预处理,并根据技术方案步骤(1)所述的条件,进行有效数据识别。经筛选,共有1222条数据样本符合要求。该站点为FLUXNET2015数据集中有效数据最多的森林站点,因此选取US-MMS站点为实例进行具体实施方式及成效说明。
经质量控制后,选择半小时尺度的GPP、ET和VPD,根据技术方案步骤(2)计算uWUEp和uWUEa。其中,采用95%的分位数进行分位数回归,以确定GPP·VPD0.5和ET比率的上边界,即uWUEp,如图2所示。根据uWUEa/uWUEp计算生态系统Tc和ET的比例,进而计算Tc。经计算,本实例中US-MMS站点uWUEp为2.99±1.15。
根据技术方案步骤(3)中Penman-Monteith方程和Ball-Berry模型,计算冠层气孔导度和气孔导度斜率参数。结果表明气孔导度斜率参数具有显著的季节性变化(图3),表现为夏季高值、春秋季低值的特征。该结果与Lai等人2000年发表于“Journal ofGeophysical Research”杂志的“Modeling CO2 and water vapor turbulent fluxdistributions within a forest canopy”结果一致,证明本发明技术流程的可行性。
根据技术方案步骤(4),利用Logistic方程及其曲率特征提取植被冠层生长季物候信息,LAI的参考曲线以及相应物候信息如图4所示,包括叶片生长开始期、叶片成熟期、叶片落叶期、生长阶段和衰落阶段。
图5展示了不同物候阶段内气孔导度斜率参数与LAI之间的线性关系,其中黑色表示叶片“生长阶段”,回归方程斜率为-0.43±0.08、截距为5.23±0.31;红色表示“衰落阶段”,回归方程斜率为-0.89±0.04、截距为6.45±0.16。结果表明在不同物候阶段,气孔导度斜率参数随LAI的变化具有明显差异,方差分析(Kruskal-Wallis检验)显示两个线性回归方程的斜率具有统计学显著差异。因此非线性模型更适用于气孔导度斜率参数估算。
为验证以遥感地表物候的合理性,在此将生长季内所有日期依次设置为“叶片成熟日期”,划分叶片生长阶段,并建立各阶段内g1和LAI的线性回归模型,得到逐日的g1分段回归模型。然后,以模型表现优劣进行排序,选取表现最好的(较高的r值和较低的RMSE)前5%的日期作为基于观测数据选取的“最优”叶片成熟期。最后,与基于遥感数据提取的叶片成熟期进行比对。结果表明,基于遥感LAI数据提取的“叶片成熟日期”为第149天,基于通量观测的“最优”叶片成熟日期为第142-151天,二者具有很好的一致性,证明本方法中选取的遥感地表物候划分生长季的合理性。
根据技术方案步骤(6),设计不同模型试验,验证顾及物候的气孔导度斜率参数化方法的实际效果。试验包括①静态参数:在g1多年平均值1倍标准差范围内,随机选取一个值,作为整个生长季的g1;②动态参数,即利用本方法估计g1:分别在生长阶段和衰落阶段内,在LAI和g1线性回归方程参数(斜率、截距)1倍标准差范围内,随机选取一个值,作为g1模型的参数组,利用遥感观测的LAI计算g1。在上述情景模式下,分别计算天尺度和月尺度的Gs和Tc,并与观测数据进行比较。验证参数选取预测值与观测值的均方根误差(RMSE)。为考虑模型参数不确定性对结果造成的影响,每个试验进行1000次重复,统计全部试验结果的均值和标准差,进行算法适用性评价。
结果显示,在日尺度Gs估算中,静态参数模型和动态参数模型的RMSE分别为0.033mmol/m2·s和0.026mmol/m2·s;在日尺度Tc估算中,静态参数模型和动态参数模型的RMSE分别为0.80mm/d和0.61mm/d。相比于传统的静态导度斜率参数方案,使用本发明提出的参数优化方法,可降低23.8%的日尺度蒸腾估算误差(RMSE)。进一步比较季节尺度Tc估算精度,如图6所示。静态参数模型和动态参数模型的春季(4-5月)RMSE分别为0.35mm/d和0.20mm/d,夏季(6-8月)RMSE分别为0.75mm/d和0.45mm/d,秋季(9-10月)RMSE分别为0.39mm/d和0.17mm/d。相比于传统的静态导度斜率参数方案,使用本发明提出的参数优化方法,可分别降低春、夏、秋季蒸腾估算误差(RMSE)42.9%、40.0%、56.4%。验证结果表明,本方法具有更好的模拟效果,可有效提升Tc模拟精度,降低季节性误差。
根据本发明提出的方法,可获取时空连续的“光合-导度”模型关键参数(导度斜率参数),用于计算植被冠层气孔导度,也可用于计算叶片胞间CO2浓度进而估算叶片光合速率、水分利用效率,或其他植被生理生态方面的研究,该方法可实现跨模型迁移,通用性强。适用于季节性节律植被,通过对植被冠层生长与衰落过程的识别,分别计算各物候阶段“光合-导度”模型导度斜率参数对叶面积指数变化的非对称响应,结合P-M方程反演植被冠层蒸腾,可直接用于改进地球系统模型,提高陆地生态系统水汽与能量通量估算的精度。
图1中,ET为蒸散发,Tc为蒸腾,GPP为总初级生产力,Gs为冠层气孔导度,g1为Ball-Berry模型斜率参数,LAI(LAIdaily)为(每日)叶面积指数;uWUE为基本水分利用效率,P-M为Penman-Monteith方程,BB为Ball-Berry模型,mSG为改进的Savitzky-Golay滤波,Logistic为逻辑斯迪克模型;fg1(LAI)为利用LAI计算g1的方程,其中GU表示植被生长阶段,BD为植被衰落阶段。图2中,GPP为总初级生产力,VPD为饱和水气压差,ET为蒸散发,T为蒸腾,uWUEp为潜在基本水分利用效率,uWUEa为实际基本水分利用效率。图3红色曲线为二阶多项式拟合线。图4中,红色实线为logistic拟合线,黑色虚线为logistic方程曲率变化率;SOS为生长季开始时间,LMD为叶片成熟时间,EOS为生长季结束时间。从SOS到LMD为植被生长期,从LMD到EOS为植被衰落期。图5中,黑色点为植被生长期样本点,红色点为衰落期样本点。图6中,FIX为固定斜率参数的P-M模型,OPT为本方案中动态斜率参数的P-M模型。
Claims (7)
1.一种顾及物侯信息的植被冠层蒸腾反演算法,其特征在于:包括以下步骤:
1)观测数据质量控制;
2)蒸腾日均值计算;
3)气孔导度斜率参数计算;
4)植被冠层物候提取;
5)气孔导度斜率参数估算模型建立;
6)冠层气孔导度和冠层蒸腾计算。
2.根据权利要求书所述的一种顾及物侯信息的植被冠层蒸腾反演算法,其特征在于:步骤1)中,所述的观测数据质量控制是针对某一观测站点,收集整理涡动相关观测系统的水、碳通量数据以及相应的能量、气象观测数据;对原始数据进行预处理,计算生态系统总初级生产力、蒸散发、饱和水气压差。
4.根据权利要求书所述的一种顾及物侯信息的植被冠层蒸腾反演算法,其特征在于:步骤3)中,所述的气孔导度斜率参数计算是对各个变量的半小时有效观测数据求日均值,基于大叶模型理论,根据公式(II)计算日尺度冠层气孔导度Gs:
其中,Tc是植被蒸腾;Δ是饱和水汽压与温度曲线斜率;λ是汽化潜热;ρ是空气密度;VPD水汽压亏缺;CP是定压比热;γ是干湿计常数;Rn是地表接收到的净辐射;G为土壤热通量;Ga和Gs分别为空气导度和冠层气孔导度;日尺度气孔导度斜率参数g1:
其中,An是CO2净同化速率,Ca是叶片表面CO2浓度,RH是叶片表面相对湿度;g0是Ball-Barry模型的回归斜率参数,表征Gs的基准值,g0参数取值为0。
6.根据权利要求书所述的一种顾及物侯信息的植被冠层蒸腾反演算法,其特征在于:步骤5)中,所述的气孔导度斜率参数估算模型建立,具体为:
根据步骤4)中的叶片生长阶段和衰落阶段,对计算得到的Ball-Berry模型气孔导度斜率参数g1和LAI数据进行分组,利用线性回归模型分别建立g1与LAI的定量关系,即
g1i=aj·LAIi+bj (VI);
其中g1i和LAIi分别表示第i天的g1和LAI值,j=1表示为叶片生长阶段,i=2为叶片衰落阶段,公式(VI)即表示在不同的物候阶段随叶片生长变化的气孔导度斜率参数。
7.根据权利要求书所述的一种顾及物侯信息的植被冠层蒸腾反演算法,其特征在于:步骤6)中,所述的冠层气孔导度和冠层蒸腾计算,是利用LAI估算气孔导度斜率参数,进一步结合Ball-Berry模型和P-M方程,计算冠层气孔导度和冠层蒸腾;计算过程中,模型驱动数据需通过野外观测或卫星遥感等方式获取,计算uWUEp由R语言编写程序实现,其他算法均由MATLAB编程实现应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011038875.2A CN112182882B (zh) | 2020-09-28 | 2020-09-28 | 一种顾及物侯信息的植被冠层蒸腾反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011038875.2A CN112182882B (zh) | 2020-09-28 | 2020-09-28 | 一种顾及物侯信息的植被冠层蒸腾反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182882A true CN112182882A (zh) | 2021-01-05 |
CN112182882B CN112182882B (zh) | 2022-10-14 |
Family
ID=73945239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011038875.2A Active CN112182882B (zh) | 2020-09-28 | 2020-09-28 | 一种顾及物侯信息的植被冠层蒸腾反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182882B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
CN113049750A (zh) * | 2021-03-12 | 2021-06-29 | 中国农业大学 | 一种基于高通量气孔导度诊断植物水分胁迫的方法及系统 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN114357733A (zh) * | 2021-12-17 | 2022-04-15 | 中国科学院地理科学与资源研究所 | 一种基于卫星遥感数据反演植物气孔导度的方法 |
CN114707412A (zh) * | 2022-04-08 | 2022-07-05 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN106169014A (zh) * | 2016-06-15 | 2016-11-30 | 中国水利水电科学研究院 | 基于遥感数据的区域地表感热/潜热通量反演方法及系统 |
CN108197343A (zh) * | 2017-11-29 | 2018-06-22 | 辛秦川 | 模拟落叶阔叶林叶片季节性动态的稳态近似方法及系统 |
-
2020
- 2020-09-28 CN CN202011038875.2A patent/CN112182882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN106169014A (zh) * | 2016-06-15 | 2016-11-30 | 中国水利水电科学研究院 | 基于遥感数据的区域地表感热/潜热通量反演方法及系统 |
CN108197343A (zh) * | 2017-11-29 | 2018-06-22 | 辛秦川 | 模拟落叶阔叶林叶片季节性动态的稳态近似方法及系统 |
Non-Patent Citations (2)
Title |
---|
FENGSHENG GUO等: "Responses of water use efficiency to phenology in typical subtropical forest ecosystems—A case study in Zhejiang Province", 《SCIENCE CHINA EARTH SCIENCES》 * |
范嘉智: "基于杨树叶片气孔行为测量进而提高杨树人工林生产力模拟准确性的研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
CN112906477B (zh) * | 2021-01-21 | 2022-09-02 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
CN113049750A (zh) * | 2021-03-12 | 2021-06-29 | 中国农业大学 | 一种基于高通量气孔导度诊断植物水分胁迫的方法及系统 |
CN113049750B (zh) * | 2021-03-12 | 2024-05-03 | 中国农业大学 | 一种基于高通量气孔导度诊断植物水分胁迫的方法及系统 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113221765B (zh) * | 2021-05-18 | 2022-08-30 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN114357733A (zh) * | 2021-12-17 | 2022-04-15 | 中国科学院地理科学与资源研究所 | 一种基于卫星遥感数据反演植物气孔导度的方法 |
CN114707412A (zh) * | 2022-04-08 | 2022-07-05 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
CN114707412B (zh) * | 2022-04-08 | 2023-09-29 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112182882B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182882B (zh) | 一种顾及物侯信息的植被冠层蒸腾反演方法 | |
Vazifedoust et al. | Increasing water productivity of irrigated crops under limited water supply at field scale | |
Montenegro et al. | Improving agricultural water management in the semi-arid region of Brazil: experimental and modelling study | |
Hutley et al. | A sub-continental scale living laboratory: Spatial patterns of savanna vegetation over a rainfall gradient in northern Australia | |
Mo et al. | Optimization of ecosystem model parameters through assimilating eddy covariance flux data with an ensemble Kalman filter | |
Jarvis et al. | Modelling canopy exchanges of water vapor and carbon dioxide in coniferous forest plantations | |
Steduto et al. | AquaCrop: a new model for crop prediction under water deficit conditions | |
CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
Ueyama et al. | Carbon dioxide balance in early-successional forests after forest fires in interior Alaska | |
Fischer et al. | Water requirements of short rotation poplar coppice: Experimental and modelling analyses across Europe | |
Hu et al. | Fifteen-year variations of water use efficiency over a wheat-maize rotation cropland in the North China Plain | |
CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
CN114254964A (zh) | 水稻区域气候品质评估方法及系统 | |
Wang et al. | Temporal shifts in controls over methane emissions from a boreal bog | |
Zhang et al. | The impact of intensive management on net ecosystem productivity and net primary productivity of a Lei bamboo forest | |
Naeem et al. | Recent change in ecosystem water use efficiency in China mainly dominated by vegetation greening and increased CO2 | |
Tian et al. | Fusion of multiple models for improving gross primary production estimation with eddy covariance data based on machine learning | |
Chen et al. | Integration of flux footprint and physical mechanism into convolutional neural network model for enhanced simulation of urban evapotranspiration | |
Posse et al. | Attribution of carbon dioxide fluxes to crop types in a heterogeneous agricultural landscape of Argentina | |
Huang et al. | Effects of satellite LAI data on modelling land surface temperature and related energy budget in the Noah-MP land surface model | |
CN110750896A (zh) | 不同气候区下城市绿地降温效应定量评估方法与系统 | |
Lamaro et al. | The impact of future climate on orange-fleshed sweet potato production in arid areas of Northern Ethiopia. A case study in Afar region | |
Chen et al. | Elevated atmospheric CO 2 and vegetation structural changes contributed to GPP increase more than climate and forest cover changes in subtropical forests of China | |
Ishola | Using a surface energy budget framework to characterize grass-biophysical response to changes in climate in support of on-farm decision making in Ireland | |
CN108197343A (zh) | 模拟落叶阔叶林叶片季节性动态的稳态近似方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |