CN115358095B - 山地高空间分辨率植被总初级生产力估算方法 - Google Patents

山地高空间分辨率植被总初级生产力估算方法 Download PDF

Info

Publication number
CN115358095B
CN115358095B CN202211278846.2A CN202211278846A CN115358095B CN 115358095 B CN115358095 B CN 115358095B CN 202211278846 A CN202211278846 A CN 202211278846A CN 115358095 B CN115358095 B CN 115358095B
Authority
CN
China
Prior art keywords
spatial resolution
vegetation
data
primary productivity
total primary
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.)
Active
Application number
CN202211278846.2A
Other languages
English (en)
Other versions
CN115358095A (zh
Inventor
谢馨瑶
李爱农
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Mountain Hazards and Environment IMHE of CAS
Original Assignee
Institute of Mountain Hazards and Environment IMHE of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Mountain Hazards and Environment IMHE of CAS filed Critical Institute of Mountain Hazards and Environment IMHE of CAS
Priority to CN202211278846.2A priority Critical patent/CN115358095B/zh
Publication of CN115358095A publication Critical patent/CN115358095A/zh
Application granted granted Critical
Publication of CN115358095B publication Critical patent/CN115358095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明属于遥感图像数据处理技术领域，涉及山地高空间分辨率植被总初级生产力估算方法，该方法包括：获取第一输入数据集；处理得到第二输入数据集与第三输入数据集；确定第一GPP估算结果与第二GPP估算结果；构建第一关系模型；计算第三GPP估算结果；计算差值；构建第二关系模型；估算第四GPP估算结果；计算第五植被总初级生产力估算结果；求和得到目标GPP估算结果。本发明采用生态水文模型，能够更好地表征山地生态系统的碳循环和水循环机制，通过光合作用过程对不同空间尺度环境变化的非线性响应过程来改进线性降尺度过程，减小了低分辨率估算空间尺度误差引起的不确定性。

Description

山地高空间分辨率植被总初级生产力估算方法
技术领域
本发明属于遥感图像数据处理技术领域，具体而言，涉及山地高空间分辨率植被总初级生产力估算方法。
背景技术
山地生态系统约占陆地表面的比例较大，在气候变化、碳储存、物质资源供应、生物多样性保护和水源涵养发挥着举足轻重的作用。植被作为监测陆地生态系统对气候变化响应的重要生物指标，准确估算山地植被总初级生产力(GPP，生态系统水平上叶片光合作用过程所固定的有机碳总量)对于理解山地生态系统的功能及其对全球气候系统的反馈至关重要。相较于涡度相关技术，遥感技术能够获取区域地表特征信息，可为植被生产力的模拟提供长时间序列大区域范围的地表信息。
基于多种卫星传感器提供不同空间分辨率的植被信息，通过生态系统模型能开展多种空间分辨率的植被GPP(gross primary productivity,植被生态系统总初级生产力)估算，然而，由于计算资源的限制使得绝大多数区域的GPP数据集只能利用LUE（Light useefficiency model, 光能利用效率模型）或VI（vegetation index，植被指数）方法进行生成，缺少像元之间生态过程的利用；同时，在山地生态系统中，地表地形对水循环具有明显的水文控制作用，但是传统山地植被GPP估算方法，无法应用在高分辨率下。
目前针对碳通量和水通量估算的空间降尺度算法通常假设在高空间分辨率中，低空间分辨率估算与地表异质性之间的关系是通用的（称为线性降尺度过程），实际上这种线性降尺度算法忽略了低分辨率估算的空间尺度误差，而采用低分辨率下得到的这些关系以获取高分辨率估算结果存在偏差，造成估算结果具有较高的不确定性。例如，专利文件CN110276304A中公开了一种基于降尺度的高分辨率植被生产力遥感估算方法，并具体公开了基于降尺度的高分辨率植被生产力遥感估算方法的实现包括以下步骤：(1)将植被生产力估算的因子LAI/FPAR（植被叶面积指数/光合有效辐射吸收比例）进行降尺度，得到时间序列的高分辨率的LAI/FPAR；(2)对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分LAI/FPAR、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型MuSyQ-NPP，得到连续时间序列的高分辨率植被生产力。
发明内容
针对山地环境高度时空异质性的地表水热条件和气候环境以及中低空间分辨率GPP估算中由于空间尺度误差造成的不确定性，本发明提供山地高空间分辨率植被总初级生产力估算方法，包括：
获取生态水文模型第一空间分辨率下的第一输入数据集；
对所述第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集，包括：获取第一空间分辨率下的第一时间序列LAI数据；对所述第一时间序列LAI数据进行处理，确定第一空间分辨率下的第一土壤类型数据；将第一空间分辨率下的第一输入数据集聚合为第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据：将第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据均由第一空间分辨率下的第一土壤类型数据组成；将第二空间分辨率下的第二土壤类型数据中的所有第一空间分辨率的第一时间序列LAI数据的均值作为第二空间分辨率下第一时间序列LAI数据的像元值，将第二空间分辨率下的第二土壤类型数据中所有第一空间分辨率的地形数据的均值作为第二空间分辨率下地形数据的像元值；其中，第一空间分辨率为高空间分辨率；第二空间分辨率与第三空间分辨率为中低空间分辨率；
模拟植被光合作用过程，计算植被光合作用参数，包括：在光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程；根据太阳天顶角、聚集指数和日长时间，确定冠层总叶片的叶面积指数、光照叶片的叶面积指数和阴影叶片的叶面积指数；将Farquhar模型扩展到日尺度计算日尺度的光照叶片的光合作用速率和阴影叶片的光合作用速率；
利用所述第二输入数据集、第三输入数据集与所述植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定第二空间分辨率下的第一植被总初级生产力估算结果与第三空间分辨率下的第二植被总初级生产力估算结果；
根据所述第一输入数据集、所述第二输入数据集与所述第三输入数据集，获取第一空间分辨率下的第一地表异质性参数、第二空间分辨率下的第二地表异质性参数与第三空间分辨率下的第三地表异质性参数；
构建第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的第一关系模型；
将第三空间分辨率下的所述第三地表异质性参数作为所述第一关系模型的输入，得到第三空间分辨率下的第三植被总初级生产力估算结果；
计算第三空间分辨率下的所述第二植被总初级生产力估算结果与所述第三植被总初级生产力估算结果的差值；
在第二空间分辨率到第三空间分辨率范围内，构建所述差值与所述第二地表异质性参数、所述第三地表异质性参数的第二关系模型；
根据所述第一关系模型，将所述第一地表异质性参数作为所述第一关系模型的输入，估算第一空间分辨率下的第四植被总初级生产力估算结果；
将所述第一地表异质性参数、所述第二地表异质性参数作为所述第二关系模型的输入，计算第五植被总初级生产力估算结果；
计算所述第四植被总初级生产力估算结果与所述第五植被总初级生产力估算结果之和，得到目标植被总初级生产力估算结果。
本发明的有益效果是：本发明采用生态水文模型，替代常用于GPP数据集的LUE或VI模型，能够更好地表征山地生态系统的碳循环和水循环机制，通过光合作用过程对不同空间尺度环境变化的非线性响应过程来改进线性降尺度过程，减小了低分辨率估算空间尺度误差引起的不确定性。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，第一空间分辨率下的第一输入数据集包括站点气象数据、第一空间分辨率下的土地覆盖类型数据、MODIS与Landsat反射率数据、地形数据以及土壤类型数据。
进一步，获取第一空间分辨率下的第一时间序列LAI数据，包括：使用UofT LAI算法、STSG模型和IFSDAF时空重建模型从Landsat和MODIS反射率数据获得第一空间分辨率下的时间序列LAI数据。
进一步，所述第一地表异质性参数、所述第二地表异质性参数与所述第三地表异质性参数用于表征植被异质性指标与地形指标；
所述植被异质性指标根据土地覆盖类型数据、叶面积指数数据与气候指标进行表示；所述地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数以及天空可视性因子进行表示；所述气候指标包括降水量数据、辐射数据、气温数据。
进一步，构建所述第一关系模型的方式为采用随机森林回归算法模拟第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的关系；在第二空间分辨率到第三空间分辨率范围内，构建所述第二关系模型的方式为采用随机森林回归算法模拟所述差值与所述第二地表异质性参数、所述第三地表异质性参数的关系。
附图说明
图1为本发明实施例1提供的山地高空间分辨率植被总初级生产力估算方法的流程图；
图2为本发明实施例1提供的山地高空间分辨率植被总初级生产力估算方法的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
作为一个实施例，本发明实施例提供将生态水文模型与线性和非线性降尺度相结合的山地生态系统大尺度总初级生产力高分辨率估算方法，该方法可为区域或全球尺度的山地植被GPP遥感估算提供参考。如附图1所示，本实施例提供山地高空间分辨率植被总初级生产力估算方法，包括：
获取生态水文模型第一空间分辨率下的第一输入数据集；
对第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集；其中，第一空间分辨率为高空间分辨率；第二空间分辨率与第三空间分辨率为中低空间分辨率；
模拟植被光合作用过程，计算植被光合作用参数；
利用第二输入数据集、第三输入数据集与植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定第二空间分辨率下的第一植被总初级生产力估算结果与第三空间分辨率下的第二植被总初级生产力估算结果；
根据第一输入数据集、第二输入数据集与第三输入数据集，获取第一空间分辨率下的第一地表异质性参数、第二空间分辨率下的第二地表异质性参数与第三空间分辨率下的第三地表异质性参数；
构建第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的第一关系模型；
将第三空间分辨率下的第三地表异质性参数作为第一关系模型的输入，得到第三空间分辨率下的第三植被总初级生产力估算结果；
计算第三空间分辨率下的第二植被总初级生产力估算结果与第三植被总初级生产力估算结果的差值；
在第二空间分辨率到第三空间分辨率范围内，构建差值与第二地表异质性参数、第三地表异质性参数的第二关系模型；
根据第一关系模型，将第一地表异质性参数作为第一关系模型的输入，估算第一空间分辨率下的第四植被总初级生产力估算结果；
将第一地表异质性参数、第二地表异质性参数作为第二关系模型的输入，计算第五植被总初级生产力估算结果；
计算第四植被总初级生产力估算结果与第五植被总初级生产力估算结果之和，得到目标植被总初级生产力估算结果。
可选的，第一空间分辨率下的第一输入数据集包括站点气象数据、第一空间分辨率下的土地覆盖类型数据、MODIS与Landsat反射率数据、地形数据以及土壤类型数据。
在实际应用过程中，生态水文模型能够更好地表征植被生理过程和水文过程之间存在复杂的交互作用，该生态水文模型输入数据包括：站点气象数据，涵盖逐日的太阳入射辐射、空气温度与降水数据；30m空间分辨率的土地覆盖类型数据；MODIS（moderate-resolution imaging spectroradiometer,中分辨率成像光谱仪）与Landsat反射率数据；30m空间分辨率的地形数据，涵盖高程、坡度、坡向数据以及土壤类型数据。
可选的，对第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集，包括：
获取第一空间分辨率下的第一时间序列LAI数据；
对所述第一时间序列LAI数据进行处理，确定第一空间分辨率下的第一土壤类型数据；
将第一空间分辨率下的第一输入数据集聚合为第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据：将第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据均由第一空间分辨率下的第一土壤类型数据组成；将第二空间分辨率下的第二土壤类型数据中的所有第一空间分辨率的第一时间序列LAI数据的均值作为第二空间分辨率下第一时间序列LAI数据的像元值，将第二空间分辨率下的第二土壤类型数据中所有第一空间分辨率的地形数据的均值作为第二空间分辨率下地形数据的像元值。
可选的，获取第一空间分辨率下的第一时间序列LAI数据，包括：使用UofT LAI算法、STSG模型和IFSDAF时空重建模型从Landsat和MODIS反射率数据获得第一空间分辨率下的时间序列LAI数据。
可选的，模拟植被光合作用过程，计算植被光合作用参数，包括：
在光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程；
根据太阳天顶角、聚集指数和日长时间，确定冠层总叶片的叶面积指数、光照叶片的叶面积指数和阴影叶片的叶面积指数；
将Farquhar模型扩展到日尺度计算日尺度的光照叶片的光合作用速率和阴影叶片的光合作用速率。
具体的，在BEPS-TerrainLab光合作用过程中，将植被冠层叶片分为光照叶片和阴 影叶片，分别模拟两种叶片的光合作用过程。设LAI为冠层总叶片的叶面积指数、LAI sun 为光 照叶片的叶面积指数和LAI shd 为阴影叶片的叶面积指数；Z s 为太阳天顶角，Ω为聚集指数，DAYL为日长时间，A sun 是光照叶片的光合作用速率，A shd 是阴影叶片的光合作用速率，
Figure 873503DEST_PATH_IMAGE001
为植被总初级生产力估算结果，则：
Figure 335315DEST_PATH_IMAGE002
；
Figure 429172DEST_PATH_IMAGE003
；
Figure 491806DEST_PATH_IMAGE004
；
Figure 694118DEST_PATH_IMAGE005
；
Figure 70872DEST_PATH_IMAGE006
；
其中，A sun,unsat 为不饱和水分状态下光照冠层的净光合作用速率，A sun,sat 为饱和水分状态下光照冠层的净光合作用速率，A shd,unsat 为不饱和水分状态下阴影冠层的净光合作用速率，A shd,sat 为饱和水分状态下阴影冠层的净光合作用速率；u是处于根系处于不饱和水分状态的比例，(1-u)则表示根系处于饱和水分状态的比例。上述四种净光合作用速率可基于Farquhar模型获得。设A为目标净光合作用速率，A c 为Rubiso酶限制下的光合作用速率，V cmax 为最大羧化反应速率，C i 为叶肉细胞的二氧化碳的浓度，O i 为叶肉细胞的氧气的浓度，K c 为二氧化碳的Michaelis-Menten常数，K o 为氧气的Michaelis-Menten常数，A j 为RuBP酶限制下的光合作用速率，J max 为最大电子传输速率，Γ为没有暗呼吸的二氧化碳补偿点，R d 为白天暗呼吸速率，则：
Figure 347133DEST_PATH_IMAGE007
；
Figure 908564DEST_PATH_IMAGE008
；
其中，R d 取值一般等于0.015V cmax ，则目标净光合作用速率：
Figure 207959DEST_PATH_IMAGE009
。
可选的，第一地表异质性参数、第二地表异质性参数与第三地表异质性参数用于表征植被异质性指标与地形指标；
植被异质性指标根据土地覆盖类型数据、叶面积指数LAI数据与气候指标进行表示；地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数（topographic wetness index,TWI）以及天空可视性因子（sky-view factor,SVF）进行表示；气候指标包括降水量数据、辐射数据、气温数据。
TWI与SVF可按下式进行计算：
Figure 513038DEST_PATH_IMAGE010
；
Figure 643805DEST_PATH_IMAGE011
；
其中，
Figure 985925DEST_PATH_IMAGE012
为水流聚集面积，
Figure 664293DEST_PATH_IMAGE013
为斜率，
Figure 179588DEST_PATH_IMAGE014
为垂直高度的角度，
Figure 633703DEST_PATH_IMAGE015
为表示方向 的总数。
可选的，构建第一关系模型的方式为采用随机森林回归算法模拟第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的关系；在第二空间分辨率到第三空间分辨率范围内，构建第二关系模型的方式为采用随机森林回归算法模拟差值与第二地表异质性参数、第三地表异质性参数的关系。
具体的，本发明实施例中，第一空间分辨率取30m分辨率作为高空间分辨率，第二空间分辨率取480m分辨率、第三空间分辨率取120m分辨率作为两个中低空间分辨率。对30m分辨率的数据集进行处理，聚合得到480m空间分辨率的数据集和120m空间分辨率的数据集。
如附图2所示，该山地高空间分辨率植被总初级生产力估算方法，包括：
（1）数据集获取与处理：
获取生态水文模型30m空间分辨率下的第一输入数据集；
对第一输入数据集进行处理，得到480m空间分辨率下的第二输入数据集与120m空间分辨率下的第三输入数据集；其中，30m空间分辨率为高空间分辨率；480m空间分辨率与120m空间分辨率为中低空间分辨率；
基于BEPS-TerrainLab模型，模拟植被光合作用过程，计算植被光合作用参数；
基于BEPS-TerrainLab生态水文模型（简称BTL）分别以480m空间分辨率和120m空 间分辨率估算山地植被GPP，得到480m空间分辨率的山地植被GPP：
Figure 271358DEST_PATH_IMAGE016
，以及120m空间 分辨率的山地植被GPP：
Figure 810923DEST_PATH_IMAGE017
；
利用第二输入数据集、第三输入数据集与植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定480m空间分辨率下的第一植被总初级生产力估算结果与120m空间分辨率下的第二植被总初级生产力估算结果；
根据第一输入数据集、第二输入数据集与第三输入数据集，获取30m空间分辨率下的第一地表异质性参数、480m空间分辨率下的第二地表异质性参数与120m空间分辨率下的第三地表异质性参数；
（2）线性降尺度过程：
构建第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的第一关系模型；
在实际应用过程中，假设光合作用对环境变化的响应在空间尺度上是线性的，则 低分辨率上的GPP估算与地表异质性之间的关系可以用于高分辨率上的GPP估算，设
Figure 129909DEST_PATH_IMAGE018
为480m分辨率下描述植被异质性和表面地形的指标，
Figure 297585DEST_PATH_IMAGE019
为480m分辨率下描述表面地形 的指标，地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数以及天 空可视性因子；设
Figure 43825DEST_PATH_IMAGE020
为表示气候指标，气候指标包括降水量数据、辐射数据、气温数据； 第一关系模型用于表征采用随机森林回归算法模拟480m空间分辨率下GPP估算结果与地表 异质性参数的关系，用
Figure 805107DEST_PATH_IMAGE021
表示；480m空间分辨率山地植被GPP与植被异质性参数之间的关 系表示为：
Figure 990101DEST_PATH_IMAGE022
；
由于
Figure 153229DEST_PATH_IMAGE023
为基于BEPS-TerrainLab生态水文模型得到的480m空间分辨率的山 地植被GPP；
（3）非线性降尺度过程：
将120m空间分辨率下的第三地表异质性参数作为第一关系模型的输入，估算120m 空间分辨率下的第三植被总初级生产力估算结果
Figure 70369DEST_PATH_IMAGE024
；
设
Figure 942117DEST_PATH_IMAGE025
为120m空间分辨率下描述植被异质性的指标，
Figure 806168DEST_PATH_IMAGE026
为120m空间分辨率下 描述表面地形的指标；则120m空间分辨率下的第三植被总初级生产力估算结果为：
Figure 620540DEST_PATH_IMAGE027
；
计算120m空间分辨率下的第二植被总初级生产力估算结果与第三植被总初级生产力估算结果的差值；
在实际过程中，由于植被光合作用对环境变化未表现为标准的线性响应，因此存 在空间尺度误差使得则
Figure 302057DEST_PATH_IMAGE028
和
Figure 772353DEST_PATH_IMAGE029
之间存在偏差，通过下式计算偏差，得到差值
Figure 236832DEST_PATH_IMAGE030
：
Figure 233607DEST_PATH_IMAGE031
；
在120m空间分辨率到480m空间分辨率范围内，采用随机森林回归算法构建差值
Figure 695812DEST_PATH_IMAGE032
与第二地表异质性参数、第三地表异质性参数的第二关系模型，用
Figure 43617DEST_PATH_IMAGE033
表示；
Figure 46208DEST_PATH_IMAGE034
；
（4）采用线性和非线性降尺度过程相结合进行30m分辨率GPP估算：
将第一地表异质性参数作为第一关系模型的输入，估算30m空间分辨率下的第四 植被总初级生产力估算结果
Figure 772856DEST_PATH_IMAGE035
；
设
Figure 468279DEST_PATH_IMAGE036
为30m分辨率下描述植被异质性的指标，
Figure 539266DEST_PATH_IMAGE037
为30m分辨率下描述表面地 形的指标，第四植被总初级生产力估算结果为：
Figure 283231DEST_PATH_IMAGE038
；
在30m空间分辨率到480m空间分辨率范围内，将第一地表异质性参数、第二地表异 质性参数作为第二关系模型的输入，计算第五植被总初级生产力估算结果
Figure 785756DEST_PATH_IMAGE039
：
Figure 589764DEST_PATH_IMAGE040
；
第五植被总初级生产力估算结果计算第四植被总初级生产力估算结果
Figure 646582DEST_PATH_IMAGE041
与 第五植被总初级生产力估算结果
Figure 990976DEST_PATH_IMAGE042
之和，得到30m空间分辨率下的目标植被总初级生 产力估算结果。
本发明采用生态水文模型，替代常用于GPP数据集的LUE或VI模型，能够更好地表征山地生态系统的碳循环和水循环机制，通过光合作用过程对不同空间尺度环境变化的非线性响应过程来改进线性降尺度过程，减小了低分辨率估算空间尺度误差引起的不确定性。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.山地高空间分辨率植被总初级生产力估算方法，其特征在于，包括：
获取生态水文模型第一空间分辨率下的第一输入数据集；
对所述第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集，包括：获取第一空间分辨率下的第一时间序列LAI数据；对所述第一时间序列LAI数据进行处理，确定第一空间分辨率下的第一土壤类型数据；将第一空间分辨率下的第一输入数据集聚合为第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据：将第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据均由第一空间分辨率下的第一土壤类型数据组成；将第二空间分辨率下的第二土壤类型数据中的所有第一空间分辨率的第一时间序列LAI数据的均值作为第二空间分辨率下第一时间序列LAI数据的像元值，将第二空间分辨率下的第二土壤类型数据中所有第一空间分辨率的地形数据的均值作为第二空间分辨率下地形数据的像元值；其中，第一空间分辨率为高空间分辨率；第二空间分辨率与第三空间分辨率为中低空间分辨率；
模拟植被光合作用过程，计算植被光合作用参数，包括：在光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程；根据太阳天顶角、聚集指数和日长时间，确定冠层总叶片的叶面积指数、光照叶片的叶面积指数和阴影叶片的叶面积指数；将Farquhar模型扩展到日尺度计算日尺度的光照叶片的光合作用速率和阴影叶片的光合作用速率；
利用所述第二输入数据集、第三输入数据集与所述植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定第二空间分辨率下的第一植被总初级生产力估算结果与第三空间分辨率下的第二植被总初级生产力估算结果；
根据所述第一输入数据集、所述第二输入数据集与所述第三输入数据集，获取第一空间分辨率下的第一地表异质性参数、第二空间分辨率下的第二地表异质性参数与第三空间分辨率下的第三地表异质性参数；
构建第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的第一关系模型；
将第三空间分辨率下的所述第三地表异质性参数作为所述第一关系模型的输入，得到第三空间分辨率下的第三植被总初级生产力估算结果；
计算第三空间分辨率下的所述第二植被总初级生产力估算结果与所述第三植被总初级生产力估算结果的差值；
在第二空间分辨率到第三空间分辨率范围内，构建所述差值与所述第二地表异质性参数、所述第三地表异质性参数的第二关系模型；
根据所述第一关系模型，将所述第一地表异质性参数作为所述第一关系模型的输入，估算第一空间分辨率下的第四植被总初级生产力估算结果；
将所述第一地表异质性参数、所述第二地表异质性参数作为所述第二关系模型的输入，计算第五植被总初级生产力估算结果；
计算所述第四植被总初级生产力估算结果与所述第五植被总初级生产力估算结果之和，得到目标植被总初级生产力估算结果。
2.根据权利要求1所述山地高空间分辨率植被总初级生产力估算方法，其特征在于，第一空间分辨率下的第一输入数据集包括站点气象数据、第一空间分辨率下的土地覆盖类型数据、MODIS与Landsat反射率数据、地形数据以及土壤类型数据。
3.根据权利要求1所述山地高空间分辨率植被总初级生产力估算方法，其特征在于，获取第一空间分辨率下的第一时间序列LAI数据，包括：使用UofT LAI算法、STSG模型和IFSDAF时空重建模型从Landsat和MODIS反射率数据获得第一空间分辨率下的时间序列LAI数据。
4.根据权利要求1所述山地高空间分辨率植被总初级生产力估算方法，其特征在于，所述第一地表异质性参数、所述第二地表异质性参数与所述第三地表异质性参数用于表征植被异质性指标与地形指标；
所述植被异质性指标根据土地覆盖类型数据、叶面积指数数据与气候指标进行表示；所述地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数以及天空可视性因子进行表示；所述气候指标包括降水量数据、辐射数据、气温数据。
5.根据权利要求1所述山地高空间分辨率植被总初级生产力估算方法，其特征在于，构建所述第一关系模型的方式为采用随机森林回归算法模拟第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的关系；在第二空间分辨率到第三空间分辨率范围内，构建所述第二关系模型的方式为采用随机森林回归算法模拟所述差值与所述第二地表异质性参数、所述第三地表异质性参数的关系。
CN202211278846.2A 2022-10-19 2022-10-19 山地高空间分辨率植被总初级生产力估算方法 Active CN115358095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211278846.2A CN115358095B (zh) 2022-10-19 2022-10-19 山地高空间分辨率植被总初级生产力估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211278846.2A CN115358095B (zh) 2022-10-19 2022-10-19 山地高空间分辨率植被总初级生产力估算方法

Publications (2)

Publication Number Publication Date
CN115358095A CN115358095A (zh) 2022-11-18
CN115358095B true CN115358095B (zh) 2023-03-17

Family

ID=84008549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211278846.2A Active CN115358095B (zh) 2022-10-19 2022-10-19 山地高空间分辨率植被总初级生产力估算方法

Country Status (1)

Country Link
CN (1) CN115358095B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485201A (zh) * 2023-04-24 2023-07-25 中国科学院大气物理研究所 一种基于par能量平衡的净生态系统生产力评估方法
CN116227246B (zh) * 2023-05-09 2023-08-11 中国科学院、水利部成都山地灾害与环境研究所 一种植被总初级生产力遥感产品的地形校正方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0808340D0 (en) * 2008-05-08 2008-06-18 Univ Edinburgh Remote sensing system
CN106446564A (zh) * 2016-09-29 2017-02-22 华南农业大学 一种植被净初级生产力遥感估算方法
CN110276304A (zh) * 2019-06-25 2019-09-24 北京师范大学 基于降尺度的高分辨率植被生产力遥感估算方法
CN110443504B (zh) * 2019-07-30 2022-04-19 中国环境科学研究院 一种植被净初级生产力的遥感估算方法
CN111242022B (zh) * 2020-01-10 2023-02-03 西安科技大学 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法
CN111582703B (zh) * 2020-04-30 2024-04-05 中国科学院空天信息创新研究院 全球中高分辨率植被总初级生产力产品的计算方法及装置
US20230316555A1 (en) * 2020-08-14 2023-10-05 Agriculture Victoria Services Pty Ltd System and Method for Image-Based Remote Sensing of Crop Plants
US20220061236A1 (en) * 2020-08-25 2022-03-03 The Board Of Trustees Of The University Of Illinois Accessing agriculture productivity and sustainability
CN112149295B (zh) * 2020-09-17 2023-07-18 中国科学院空天信息创新研究院 一种全球通用植被总初级生产力遥感指数估算方法
CN113139901A (zh) * 2021-04-15 2021-07-20 青岛地质工程勘察院(青岛地质勘查开发局) 一种流域尺度植被净初级生产力遥感精细反演方法
CN113516362B (zh) * 2021-05-17 2024-05-24 深圳大学 基于遥感与过程耦合模型的红树林净初级生产力估算方法
CN113888386B (zh) * 2021-12-03 2022-02-15 中国科学院、水利部成都山地灾害与环境研究所 一种高分辨率的时空无缝地表土壤水分估算方法及系统
CN114511550A (zh) * 2022-02-22 2022-05-17 江西财经大学 一种鄱阳湖湿地植被净初级生产力的遥感估算方法
CN114331233B (zh) * 2022-03-15 2022-06-24 航天宏图信息技术股份有限公司 植被总初级生产力估算方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115358095A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115358095B (zh) 山地高空间分辨率植被总初级生产力估算方法
Schulze Transcending scales of space and time in impact studies of climate and climate change on agrohydrological responses
Xu et al. Assessing the impact of urbanization on regional net primary productivity in Jiangyin County, China
Zewdie et al. Remote sensing based multi-temporal land cover classification and change detection in northwestern Ethiopia
Maeda et al. Prospective changes in irrigation water requirements caused by agricultural expansion and climate changes in the eastern arc mountains of Kenya
CN110276304A (zh) 基于降尺度的高分辨率植被生产力遥感估算方法
Kling et al. Global wind patterns and the vulnerability of wind-dispersed species to climate change
Ji et al. Mapping land use/cover dynamics of the Yellow River Basin from 1986 to 2018 supported by Google Earth Engine
CN113139901A (zh) 一种流域尺度植被净初级生产力遥感精细反演方法
Ju et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China
CN110927120B (zh) 一种植被覆盖度预警方法
Wang et al. Yield estimation of winter wheat in the North China Plain using the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model
CN114417646B (zh) 一种高维异构降水数据融合方法及系统
Dudiak et al. Soil and climatic bonitation of agricultural lands of the steppe zone of Ukraine
CN112857583B (zh) 一种基于卫星遥感数据的植被温度和裸地温度估算方法
CN114510824A (zh) 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法
Wang et al. Estimation of net primary productivity using a process-based model in Gansu Province, Northwest China
CN115239175B (zh) 一种陆地生态系统生产总值的快速估算方法及其系统
CN115115224A (zh) 一种矿区植被碳汇分级及变化趋势评价分析方法
Qin et al. Reconstruction of 60-year (1961–2020) surface air temperature on the Tibetan Plateau by fusing MODIS and ERA5 temperatures
CN111078811A (zh) 一种净初级生产力预警方法
CN107843569B (zh) 一种遥感影像中混合像元的日蒸散量的计算方法和系统
Chen et al. Assessing scalar concentration footprint climatology and land surface impacts on tall-tower CO 2 concentration measurements in the boreal forest of central Saskatchewan, Canada
CN116227246B (zh) 一种植被总初级生产力遥感产品的地形校正方法
Xie et al. TAVIs: Topographically adjusted vegetation index for a reliable proxy of gross primary productivity in mountain ecosystems

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