CN116070926B - 一种基于vod数据进行碳储量动态监测可行性的判定方法 - Google Patents
一种基于vod数据进行碳储量动态监测可行性的判定方法 Download PDFInfo
- Publication number
- CN116070926B CN116070926B CN202210072032.7A CN202210072032A CN116070926B CN 116070926 B CN116070926 B CN 116070926B CN 202210072032 A CN202210072032 A CN 202210072032A CN 116070926 B CN116070926 B CN 116070926B
- Authority
- CN
- China
- Prior art keywords
- vod
- data
- vegetation
- annual
- lpdr
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims abstract description 51
- 230000004907 flux Effects 0.000 claims abstract description 32
- 239000002028 Biomass Substances 0.000 claims abstract description 18
- 238000011002 quantification Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 42
- 230000005068 transpiration Effects 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000009919 sequestration Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000029553 photosynthesis Effects 0.000 claims description 3
- 238000010672 photosynthesis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 claims 10
- 230000003203 everyday effect Effects 0.000 claims 2
- 230000009469 supplementation Effects 0.000 claims 1
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及一种基于VOD数据进行碳储量动态监测可行性的判定方法,无需额外的实测生物量数据或碳储量数据,即可解决在无全球长时间碳储量/生物量实地观测数据的情况下,利用VOD数据进行全球碳储量动态监测的可行性判定问题。利用植被蒸散发数据与VOD日变化的关系,判定VOD日变化能否作为植被含水量变化范围的定量化参数;在像元尺度上利用VOD年变化与日变化值的对比,判定在使用VOD进行碳储量动态监测时是否具备较高的可信性;通过建立全球通量网中土地覆盖类型均质性站点所测的NEE数据与VOD年变化的线性关系,实现在不同植被类型生态系统中利用VOD进行碳储量动态监测可信性判定。
Description
技术领域
本发明属于碳储量动态监测技术领域,具体涉及一种基于VOD数据进行碳储量动态监测可行性的判定方法。
背景技术
陆地碳储量变化对控制全球CO2浓度起着重要的作用。目前,陆地生态系统碳储量估算主要依赖于全球动态植被模型和大气模拟模型。但随着光学遥感、主被动微波遥感技术的发展,高时间、高空间分辨遥感数据的出现,使得遥感技术逐渐成为了全球尺度碳储量估算的重要技术手段之一。
光学遥感信号主要集中在植被绿叶部分,虽然可以较好的应用于以草本等矮小植被为主的生态系统中,但对于森林生态系统,叶片部分所占的生物量较少,且光学遥感在高生物量地区很容易出现饱和现象,观测也易受到云雨天气的影响,从而导致光学遥感很难实现在全球尺度上的高精度碳储量动态监测。主动微波遥感激光雷达(LiDAR)可以通过主动发射和接收微波遥感信号实现植被信息的获取,利用三维模型构建实现植被高度参数的反演。已有学者通过建立LiDAR反演出的植被高度参数与实测生物量之间的统计模型,实现了热带雨林地区的碳储量估算,并以年为单位制作了热带地区甚至全球的静态碳储量地图。但目前基于LiDAR的碳储量估算往往局限在年尺度上,而植被的季节性变化对估算及预测全球碳储量变化具有重要的作用,导致LiDAR技术无法推广应用至全球季节性尺度上的碳储量变化监测。
被动微波遥感与光学遥感数据相比不再依靠背景源(如太阳),且对云、植被、土壤等都具备一定的穿透性。与雷达数据相比,被动微波遥感可以进行全天性的观测,具备更高的时间分辨率。植被光学厚度(Vegetation Optical Depth,VOD)是基于被动微波遥感,借助辐射传输模型反演出的一个用于量化植被冠层透射率的参数,数值的大小主要由植被含水量来决定。已有研究发现在空间尺度上,VOD与全球碳储量静态地图在空间上呈现出较高的相关关系,并基于植被的持水能力常年保持不变的假设,在空间尺度上构建了VOD与碳储量静态地图的统计模型,并将该模型应用到了全球碳储量的动态监测。但是目前这一基础假设存在着很大的不确定性,尤其是在全球气候不断变化的大环境下,植被对气候的适应能力及应对能力也在悄然发生改变。此外,VOD与土壤含水量是同时通过被动微波遥感数据反演得出的,两个产品的空间分辨率都比较低(25km),且反演精度也存在着耦合现象。虽然土壤水分数据可以通过实测数据进行验证,但是VOD是一个指示植被含水量的参数,目前尚无实测数据对其反演精度进行验证。
在使用VOD进行碳储量动态监测的可行性方面,目前只有Tian等人利用在非洲西部的热带稀疏草原地区长时间实地测量到的生物量数据对VOD碳储量动态监测能力进行了评估。但在全球尺度上,能否直接将在空间尺度上建立的统计模型扩展到时间尺度上进行碳储量动态监测仍需要进一步的判定。
发明内容
本发明针对现有技术的不足,提供一种基于VOD数据进行碳储量动态监测可行性的判定方法,能在全球尺度上划分出基于VOD数据进行碳储量动态监测的高可信度区域空间分布,并得出在不同植被类型主导的生态系统中利用VOD进行碳储量动态监测的可行性,且无需额外实地测量的生物量数据或碳储量数据进行实测数据验证。
为了达到上述目的,本发明提供的技术方案是一种基于VOD数据进行碳储量动态监测可行性的判定方法,包括以下步骤:
步骤1,数据集的获取及预处理;
步骤1.1,获取VOD数据集,得到8天合成的VOD数据集和VOD年数据;
步骤1.2,获取GLEAM植被蒸散发Et数据集,得到8天合成的植被蒸散发数据;
步骤1.3,获取FLUXNET、ICOS和ONEFLUX涡度协方差NEE数据,得到每一个通量塔站点的NEE年数据;
步骤1.4,获取全球MODIS EVI数据集和Copernicus Land cover数据集,筛选得到土地覆盖类型均质性的通量塔站点;
步骤2,利用步骤1得到的8天合成的LPDR X-VOD和L-VOD数据计算LPDR X-VOD和L-VOD日变化量,建立LPDR X-VOD和L-VOD日变化数据与8天合成的植被蒸散发数据之间的线性关系,得到LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,判断VOD日变化能否作为植被含水量变化的定量化参数;
步骤3,利用步骤1得出的LPDR X-VOD和L-VOD年数据逐像元计算年VOD数据的最大值和最小值,得到最大年差值ΔVODdecade,以及年VOD最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量;
步骤4,利用步骤1得到的8天合成的白天、夜间VOD数据和步骤3得到的年VOD最大值、最小值对应的时间,计算在该时间范围内的VOD平均日绝对变化量并将其作为植被含水量在气候影响下的波动范围;
步骤5,在像元尺度上比较和ΔVODdecade的大小,当ΔVODdecade大于/>时,判定利用该像元的VOD数据进行碳储量动态监测时具备较高的可信度,否则可信度较低;
步骤6,利用步骤1得到的均质性通量塔站点对应的NEE年数据,建立所有均质性通量塔站点观测的NEE与对应VOD年变化量的线性拟合关系,若相关性为显著性负相关,则判定VOD在该站点对应的植被类型生态系统中进行碳储量动态监测时具备较高的可信度,否则可信度较低。
而且,所述步骤1.1中VOD数据集包括LPDR X波段VOD数据集(LPDR X-VOD)、SMOS-IC L波段VOD数据集(L-VOD)、VODCAX波段VOD数据集(VODCA X-VOD)和Ku波段VOD(Ku-VOD)数据集。以上数据集均为日数据集,其中LPDR X-VOD和SMOS-IC L-VOD每天包括2次数据观测(LPDR X-VOD:1:30AM(夜间),1:30PM(白天);L-VOD:6:00AM(夜间),6:00PM(白天)),VODCAX-VOD和Ku-VOD数据集对两次观测数据进行了平均值合成,每天包含一次数据观测。LPDR X-VOD数据由AMSR-E和AMSR-2卫星数据反演得出,SMOS-IC L-VOD由SMOS卫星数据反演得出,VODCA X-VOD由TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出,VODCAKu-VOD由SSM/I、TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出。
分别取8天内白天、夜间的LPDR X-VOD和L-VOD数据的平均值进行8天数据合成,得到8天合成的白天、夜间LPDR X-VOD和L-VOD数据集。
由于植被夜间气孔关闭不再进行光合作用,因此取夜间VOD数据、夜间和白天VOD数据的组合两种方式进行年数据计算。针对LPDRX-VOD、L-VOD日数据集,包含6种年数据取值方式:仅取夜间数据的中位数、平均值或95%的分位数,取白天和夜间数据的中位数、平均值或95%的分位数。由于VODCAX-VOD和Ku-VOD数据产品已经将白天和夜间的数据通过取平均进行组合,每个像元每天只有一个VOD观测值,针对VODCA X-VOD和Ku-VOD日数据集,包含3种年数据取值方式:即每年所有日数据的平均值、中位数、95%分位数。在生成年VOD数据产品时,每个像元在全年的有效日数据观测量不能少于30天。
而且,所述步骤1.2中取8天内植被蒸散发数据的平均值作为8天合成的植被蒸散发数据,其中蒸散发数据合成日期与8天合成的VOD数据相同。
而且,所述步骤1.3中NEE数据来源于FLUXNET、ICOS和ONEFLUX通量网,通过对NEE天数据的求和,得到每一个通量塔站点的NEE年数据。
而且,所述步骤1.4中土地覆盖类型均质性通量塔站点需满足以下条件:①站点所属的Copernicus土地覆盖类型与对应VOD像元的主导Copernicus土地覆盖类型相同;②站点所属的土地覆盖类型面积必须占据VOD对应像元面积的一半;③统计VOD对应像元所有土地覆盖类型的面积占比,水的面积占比排序不能在前三位,以排除水对VOD值反演的影响;④站点所对应的MODIS EVI像元年数据与所对应VOD像元内的EVI在时间序列上呈显著性正相关。
而且,所述步骤2中在像元尺度上,利用8天合成的植被蒸散发数据作为植被由于白天蒸腾作用所导致的植被含水量亏损。LPDR X-VOD和L-VOD数据中一天包括了两次数据观测,分别记录了植被经过白天蒸腾作用后的、以及经过夜间土壤水补充后的植被含水量。分别在长时间序列上建立LPDR X-VOD和L-VOD日变化量与植被蒸散发之间的线性拟合关系,并使用皮尔逊相关系数表示LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,若VOD日变化与植被蒸散发之间呈现显著性正相关关系,则判定VOD日变化可以作为植被含水量变化的定量化参数。
而且,所述步骤3中逐像元计算LPDR X-VOD、L-VOD年数据的最大值和最小值,作差后得出L-VOD、LPDR X-VOD的最大年差值ΔVODdecade,同时得出L-VOD、LPDR X-VOD年最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量,若该变化量超过了受气候影响的植被含水量平均变化量,则判定ΔVODdecade包含了生物量或碳储量的变化信息。
而且,所述步骤4中分别对LPDR X-VOD和L-VOD 8天合成的白天、夜间数据进行作差,并取差的绝对值计算出VOD的日绝对变化量作为植被含水量变化量,计算年最大值和最小值所对应年份区间范围的VOD日绝对变化量平均值作为植被受气候驱动下的平均水分亏缺定量化参数。
而且,所述步骤5中在像元尺度上比较和ΔVODdecade的大小,若ΔVODdecade大于/>表示该像元VOD的年变化量已经超过了植被水波动变化范围,VOD年变化信息具有更大的可能性包含了生物量信息的变化,在表示植被生物量变化上具有更高的可信度,所以判定该像元的VOD数据在进行碳储量动态监测时具备较高的可信度;否则,由于VOD年变化量仍在植被含水量波动范围之内,其包含年变化信息可能仍只是植被含水量的波动,使用该变化做碳储量动态监测的可信度也比较低。
而且,所述步骤6中由于VOD数据空间分辨率较粗,为保证通量塔所测出的NEE数据在所对应的VOD像元中具备代表性,仅建立同质性通量塔站点的NEE与VOD年变化量之间的线性关系。NEE表示通量塔所属的净生态系统交换量,当NEE值为负时,表示该地区在测定的时间范围的固碳量超过了排放量,即碳汇。因此当NEE与VOD年变化量呈显著性负相关时,判定VOD在该站点所对应的植被类型生态系统进行碳储量估算具有较高的可信度,否则可信度较低。
与现有技术相比,本发明具有如下优点:
本发明解决了在无全球长时间碳储量/生物量实地观测数据的情况下,利用VOD数据进行全球碳储量动态监测的可行性判定问题:利用植被蒸散发数据与VOD日变化的关系,判定VOD日变化能否作为植被含水量变化范围的定量化参数;在像元尺度上利用VOD年变化与日变化值的对比,判定在使用VOD进行碳储量动态监测时是否具备较高的可信性;通过建立全球通量网中土地覆盖类型均质性站点所测的NEE数据与VOD年变化的线性关系,实现在不同植被类型生态系统中利用VOD进行碳储量动态监测可信性判定。
附图说明
图1为本发明技术流程图。
图2为VOD日变化与蒸散发数据之间的相关系数空间分布图,其中图2(a)表示L-VOD日变化与蒸散发数据之间的相关系数空间分布,图2(b)表示LPDR X-VOD日变化与蒸散发数据之间的相关系数空间分布。
图3为不同取值方式的年L-VOD数据进行全球碳储量动态监测的可信度空间分布图。
图4为不同取值方式的年LPDR X-VOD数据进行全球碳储量动态监测的可信度空间分布图。
图5为VOD年变化量与NEE的拟合关系图,其中图5(a)表示不同年VOD取值方式与NEE的相关系数值,图5(b)为所有同质性站点VOD年变化量与NEE散点分布图。
具体实施方式
本发明提供一种基于VOD数据进行碳储量动态监测可行性的判定方法,下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,数据集的获取及预处理。
步骤1.1,获取VOD数据集,得到8天合成的VOD数据集和VOD年数据。
VOD数据集包括LPDR X波段VOD数据集(LPDR X-VOD)、SMOS-IC L波段VOD数据集(L-VOD)、VODCA X波段VOD数据集(VODCA X-VOD)和Ku波段VOD(Ku-VOD)数据集。以上数据集均为日数据集,其中LPDR X-VOD和SMOS-IC L-VOD每天包括2次数据观测(LPDR X-VOD:1:30AM(夜间),1:30PM(白天);L-VOD:6:00AM(夜间),6:00PM(白天)),VODCAX-VOD和Ku-VOD数据集对两次观测数据进行了平均值合成,每天包含一次数据观测。LPDR X-VOD数据由AMSR-E和AMSR-2卫星数据反演得出,SMOS-IC L-VOD由SMOS卫星数据反演得出,VODCA X-VOD由TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出,VODCA Ku-VOD由SSM/I、TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出。
8天合成VOD数据集生产:受卫星重访周期的限制,极地以及赤道地区的卫星重访时间往往在1-3天之间进行波动,同时由于VOD反演精度往往会受到RFI、开放水域等因子的影响,因此分别对LPDR X-VOD和L-VOD白天、夜间日观测数据集进行8天数据合成,即取8天(白天/夜间)数据的平均值作为一次(白天/夜间)观测数据,以保证合成后的白天和夜间VOD数据能够覆盖全球范围。分别取8天白天、夜间的LPDR X-VOD和L-VOD数据的平均值进行8天数据合成,得到8天合成的白天、夜间LPDR X-VOD和L-VOD数据集。
VOD年数据生产:由于植被夜间气孔关闭不再进行光合作用,因此取夜间VOD数据、夜间和白天VOD数据的组合两种方式进行年数据计算。针对LPDRX-VOD、L-VOD日数据集,包含6种年数据取值方式:仅取夜间数据的中位数、平均值或95%的分位数;取白天和夜间数据的中位数、平均值或95%的分位数。由于VODCAX-VOD和Ku-VOD数据产品已经将白天和夜间的数据通过取平均进行组合,每个像元每天只有一个VOD观测值,针对VODCA X-VOD和Ku-VOD日数据集,包含3种年数据取值方式:即每年所有日数据的平均值、中位数、95%分位数。在生成年VOD数据产品时,每个像元在全年的有效日数据观测量不能少于30天。
步骤1.2,获取GLEAM植被蒸散发(Et)数据集,得到8天合成的植被蒸散发数据。
取8天植被蒸散发数据的平均值作为8天合成的植被蒸散发数据,其中蒸散发数据合成日期与8天合成的VOD数据相同。
步骤1.3,获取FLUXNET、ICOS和ONEFLUX涡度协方差NEE数据,得到每一个通量塔站点的NEE年数据。
NEE数据来源于FLUXNET、ICOS和ONEFLUX通量网,通过对NEE天数据的求和,得到每一个通量塔站点的NEE年数据。
步骤1.4,获取全球MODIS EVI数据集和Copernicus Land cover数据集,筛选得到土地覆盖类型均质性的通量塔站点。
土地覆盖类型均质性通量塔站点需满足以下条件:①站点所属的Copernicus土地覆盖类型与对应VOD像元的主导Copernicus土地覆盖类型相同;②站点所属的土地覆盖类型面积必须占据VOD对应像元面积的一半;③统计VOD对应像元所有土地覆盖类型的面积占比,水的面积占比排序不能在前三位,以排除水对VOD值反演的影响;④站点所对应的MODISEVI像元年数据与所对应VOD像元内的EVI在时间序列上呈显著性正相关。
步骤2,利用步骤1得到的8天合成的LPDR X-VOD和L-VOD数据计算LPDR X-VOD和L-VOD日变化量,建立LPDR X-VOD和L-VOD日变化数据与8天合成的植被蒸散发数据之间的线性关系,得到LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,判断VOD日变化能否作为植被含水量变化的定量化参数。
在像元尺度上,利用8天合成的植被蒸散发数据作为植被由于白天蒸腾作用所导致的植被含水量亏损。LPDR X-VOD和L-VOD数据中一天包括了两次数据观测,分别记录了植被经过白天蒸腾作用后的、以及经过夜间土壤水补充后的植被含水量。分别在长时间序列上建立LPDR X-VOD和L-VOD日变化量(夜间VOD与白天VOD的差)与植被蒸散发之间的线性拟合关系,并使用皮尔逊相关系数表示LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,若VOD日变化与植被蒸散发之间呈现显著性正相关关系,则判定VOD日变化可以作为植被含水量变化的定量化参数。
图2(a)表示L-VOD日变化与植被蒸散发的关系,全球约39%的植被覆盖区的L-VOD日变化与植被蒸散发呈现出显著性相关关系,尤其是在四季分明的地区。图2(b)表示LPDRX-VOD日变化与植被蒸散发的关系,由于LPDR X-VOD的穿透性比L-VOD差,其信号主要集中在植被冠层部分,即植被蒸腾作用的主要发生部位,所以LPDRX-VOD的日变化量与植被蒸散发呈现出了更好的相关性,全球约92%的植被覆盖区域为显著性正相关。由图2(a)和图2(b)可知,LPDR X-VOD和L-VOD都可以较好与植被蒸散发数据呈现出显著性正相关关系,因此,VOD数据的日变化可以作为植被含水量变化的定量化参数,用于指示受气候影响的植被含水量所能变化的区间范围。
步骤3,利用步骤1得出的LPDR X-VOD和L-VOD年数据逐像元计算年VOD数据的最大值和最小值,得到最大年差值ΔVODdecade,以及年VOD最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量。
逐像元计算LPDR X-VOD、L-VOD年数据的最大值和最小值,作差后得出L-VOD、LPDRX-VOD的最大年差值ΔVODdecade,进而得出L-VOD在2011-2019年之间的最大年变化量,LPDRX-VOD在2013-2019年之间的最大年变化量(由于AMSR-E在2011年停止运行,AMSR-2代替AMSR-E重新发射运行,导致2011年11月至2012年7月年之间的LPDR X-VOD数据缺失),同时得出L-VOD、LPDR X-VOD年最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量,若该变化量超过了受气候影响的植被含水量平均变化量,则判定ΔVODdecade包含了生物量或碳储量的变化信息。
步骤4,利用步骤1得到的8天合成的白天、夜间VOD数据和步骤3得到的年VOD最大值、最小值对应的时间,计算在该时间范围内的VOD平均日绝对变化量并将其作为植被含水量在气候影响下的波动范围。
分别对LPDR X-VOD和L-VOD 8天合成的白天、夜间数据进行作差。受植被本身生理特性、VOD反演精度及数据获取时间的影响,部分像元或时间的夜间VOD数据与白天VOD数据之差为负,但由于VOD日变化量本身可以作为植被含水量日变化区间的定量化参数,因此取差的绝对值计算出VOD的日绝对变化量作为植被含水量变化量,计算年最大值和最小值所对应年份区间范围的VOD日绝对变化量平均值作为植被受气候驱动下的平均水分亏缺定量化参数。
步骤5,在像元尺度上比较和ΔVODdecade的大小,当ΔVODdecade大于/>时,判定利用该像元的VOD数据进行碳储量动态监测时具备较高的可信度,否则可信度较低。
在像元尺度上比较和ΔVODdecade的大小,若ΔVODdecade大于/>表示该像元VOD的年变化量已经超过了植被水波动变化范围,VOD年变化信息具有更大的可能性包含了生物量信息的变化,在表示植被生物量变化上具有更高的可信度,所以判定该像元的VOD数据在进行碳储量动态监测时具备较高的可信度。否则,由于VOD年变化量仍在植被含水量波动范围之内,其包含年变化信息可能仍只是植被含水量的波动,使用该变化做碳储量动态监测的可信度也比较低。
图3表示不同取值方式的年L-VOD数据进行全球碳储量动态监测的可信度空间分布图,其中取VOD夜间数据的95%分位数最大值作为年VOD数据能最好地反映出全球的碳储量动态变化,能在全球约83.3%的陆地植被覆盖区进行高质量的碳储量动态监测。图4表示不同取值方式的年LPDR X-VOD数据进行全球碳储量动态监测的可信度空间分布图。由于LPDR X-VOD的穿透力较差,仅仅在灌木等矮小植被分布区可以较高可信度的作为碳储量变化的监测指标,而在热带雨林等高生物量密度地区,使用LPDR X-VOD进行碳储量动态监测的可信度较差。由图3和图4可知,LPDR X-VOD与L-VOD相比,在进行全球碳储量估算时具有更高的可信度。
步骤6,利用步骤1得到的均质性通量塔站点对应的NEE年数据,建立所有均质性通量塔站点观测的NEE与对应VOD年变化量的线性拟合关系,若相关性为显著性负相关,则判定VOD在该站点对应的植被类型生态系统中进行碳储量动态监测时具备较高的可信度,否则可信度较低。
由于VOD数据空间分辨率较粗,为保证通量塔所测出的NEE数据在所对应的VOD像元中具备代表性,本发明仅建立同质性通量塔站点的NEE与VOD年变化量之间的线性关系。NEE表示通量塔所属的净生态系统交换量,当NEE值为负时,表示该地区在测定的时间范围的固碳量超过了排放量,即碳汇。因此当NEE与VOD年变化量呈显著性负相关时,判定VOD在该站点所对应的植被类型生态系统进行碳储量估算具有较高的可信度,否则可信度较低。
图5(a)表示了不同VOD年取值方式的年变化量与NEE的相关系数,在浓密森林(CF)和开阔森林(OF)区域,L-VOD比LPDR X-VOD能更好地反映出碳储量信息,而在灌木(SHR)的矮小植被生态系统中,LPDR X-VOD可以比L-VOD更好地捕获碳变化信息。图5(b)表示所有站点的拟合,其中每个站点取最佳负相关的年VOD取值方式进行拟合。L-VOD和LPDR X-VOD的年数据与NEE呈现显著性负相关,表示出L-VOD和LPDR X-VOD可以较好地反映出碳变化信息,而Ku-VOD的穿透力更差,其对碳信息的敏感程度也更低。由图5可知,L-VOD、LPDR X-VOD和Ku-VOD数据的年变化量都与NEE呈现出负相关关系。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于,包括以下步骤:
步骤1,数据集的获取及预处理;
步骤1.1,获取VOD数据集,得到8天合成的VOD数据集和VOD年数据;
VOD数据集包括LPDR X波段VOD数据集LPDR X-VOD、SMOS-IC L波段VOD数据集L-VOD、VODCA X波段VOD数据集VODCA X-VOD和Ku波段VOD数据集Ku-VOD,均为日数据集,其中LPDRX-VOD和SMOS-IC L-VOD每天包括2次数据观测,即LPDR X-VOD:1:30AM夜间和1:30PM白天,L-VOD:6:00AM夜间和6:00PM白天,VODCA X-VOD和Ku-VOD数据集对两次观测数据进行了平均值合成,每天包含一次数据观测;LPDR X-VOD数据由AMSR-E和AMSR-2卫星数据反演得出,SMOS-IC L-VOD由SMOS卫星数据反演得出,VODCA X-VOD由TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出,VODCA Ku-VOD由SSM/I、TMI、AMSR-E、AMSR-2、Windsat卫星数据反演得出;分别取8天内白天、夜间的LPDR X-VOD和L-VOD数据的平均值进行8天数据合成,得到8天合成的白天、夜间LPDR X-VOD和L-VOD数据集;由于植被夜间气孔关闭不再进行光合作用,因此取夜间VOD数据、夜间和白天VOD数据的组合两种方式进行年数据计算;针对LPDRX-VOD、L-VOD日数据集,包含6种年数据取值方式:仅取夜间数据的中位数、平均值或95%的分位数,取白天和夜间数据的中位数、平均值或95%的分位数;由于VODCA X-VOD和Ku-VOD数据产品已经将白天和夜间的数据通过取平均进行组合,每个像元每天只有一个VOD观测值,针对VODCA X-VOD和Ku-VOD日数据集,包含3种年数据取值方式:即每年所有日数据的平均值、中位数、95%分位数;在生成年VOD数据产品时,每个像元在全年的有效日数据观测量不能少于30天;
步骤1.2,获取GLEAM植被蒸散发Et数据集,得到8天合成的植被蒸散发数据;
取8天内植被蒸散发数据的平均值作为8天合成的植被蒸散发数据,其中蒸散发数据合成日期与8天合成的VOD数据相同;
步骤1.3,获取FLUXNET、ICOS和ONEFLUX涡度协方差NEE数据,得到每一个通量塔站点的NEE年数据;
步骤1.4,获取全球MODIS EVI数据集和Copernicus Land cover数据集,筛选得到土地覆盖类型均质性的通量塔站点;
土地覆盖类型均质性通量塔站点需满足以下条件:①站点所属的Copernicus土地覆盖类型与对应VOD像元的主导Copernicus土地覆盖类型相同;②站点所属的土地覆盖类型面积必须占据VOD对应像元面积的一半;③统计VOD对应像元所有土地覆盖类型的面积占比,水的面积占比排序不能在前三位,以排除水对VOD值反演的影响;④站点所对应的MODISEVI像元年数据与所对应VOD像元内的EVI在时间序列上呈显著性正相关;
步骤2,利用步骤1得到的8天合成的LPDR X-VOD和L-VOD数据计算LPDR X-VOD和L-VOD日变化量,建立LPDR X-VOD和L-VOD日变化数据与8天合成的植被蒸散发数据之间的线性关系,得到LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,判断VOD日变化能否作为植被含水量变化的定量化参数;
在像元尺度上,利用8天合成的植被蒸散发数据作为植被由于白天蒸腾作用所导致的植被含水量亏损;LPDR X-VOD和L-VOD数据中一天包括了两次数据观测,分别记录了植被经过白天蒸腾作用后的、以及经过夜间土壤水补充后的植被含水量,分别在长时间序列上建立LPDR X-VOD和L-VOD日变化量与植被蒸散发之间的线性拟合关系,并使用皮尔逊相关系数表示LPDR X-VOD和L-VOD日变化对由蒸散发引起的水分亏缺敏感程度,若VOD日变化与植被蒸散发之间呈现显著性正相关关系,则判定VOD日变化可以作为植被含水量变化的定量化参数;
步骤3,利用步骤1得出的LPDR X-VOD和L-VOD年数据逐像元计算年VOD数据的最大值和最小值,得到最大年差值ΔVODdecade,以及年VOD最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量;
步骤4,利用步骤1得到的8天合成的白天、夜间VOD数据和步骤3得到的年VOD最大值、最小值对应的时间,计算在该时间范围内的VOD平均日绝对变化量并将其作为植被含水量在气候影响下的波动范围;
步骤5,在像元尺度上比较和ΔVODdecade的大小,当ΔVODdecade大于/>时,判定利用该像元的VOD数据进行碳储量动态监测时具备较高的可信度,否则可信度较低;
步骤6,利用步骤1得到的均质性通量塔站点对应的NEE年数据,建立所有均质性通量塔站点观测的NEE与对应VOD年变化量的线性拟合关系,若相关性为显著性负相关,则判定VOD在该站点对应的植被类型生态系统中进行碳储量动态监测时具备较高的可信度,否则可信度较低。
2.如权利要求1所述的一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于:步骤1.3中NEE数据来源于FLUXNET、ICOS和ONEFLUX通量网,通过对NEE天数据的求和,得到每一个通量塔站点的NEE年数据。
3.如权利要求1所述的一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于:所述步骤3中逐像元计算LPDR X-VOD、L-VOD年数据的最大值和最小值,作差后得出L-VOD、LPDR X-VOD的最大年差值ΔVODdecade,同时得出L-VOD、LPDR X-VOD年最大值、最小值所对应的年份,将最大年差值ΔVODdecade作为年植被含水量的年际最大变化量,若该变化量超过了受气候影响的植被含水量平均变化量,则判定ΔVODdecade包含了生物量或碳储量的变化信息。
4.如权利要求1所述的一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于:步骤4中分别对LPDR X-VOD和L-VOD 8天合成的白天、夜间数据进行作差,并取差的绝对值计算出VOD的日绝对变化量作为植被含水量变化量,计算年最大值和最小值所对应年份区间范围的VOD日绝对变化量平均值作为植被受气候驱动下的平均水分亏缺定量化参数。
5.如权利要求1所述的一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于:步骤5中在像元尺度上比较和ΔVODdecade的大小,若ΔVODdecade大于/>表示该像元VOD的年变化量已经超过了植被水波动变化范围,VOD年变化信息具有更大的可能性包含了生物量信息的变化,在表示植被生物量变化上具有更高的可信度,所以判定该像元的VOD数据在进行碳储量动态监测时具备较高的可信度;否则,由于VOD年变化量仍在植被含水量波动范围之内,其包含年变化信息可能仍只是植被含水量的波动,使用该变化做碳储量动态监测的可信度也比较低。
6.如权利要求1所述的一种基于VOD数据进行碳储量动态监测可行性的判定方法,其特征在于:步骤6中由于VOD数据空间分辨率较粗,为保证通量塔所测出的NEE数据在所对应的VOD像元中具备代表性,仅建立同质性通量塔站点的NEE与VOD年变化量之间的线性关系;NEE表示通量塔所属的净生态系统交换量,当NEE值为负时,表示该地区在测定的时间范围的固碳量超过了排放量,即碳汇;因此当NEE与VOD年变化量呈显著性负相关时,判定VOD在该站点所对应的植被类型生态系统进行碳储量估算具有较高的可信度,否则可信度较低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210072032.7A CN116070926B (zh) | 2022-01-21 | 一种基于vod数据进行碳储量动态监测可行性的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210072032.7A CN116070926B (zh) | 2022-01-21 | 一种基于vod数据进行碳储量动态监测可行性的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070926A CN116070926A (zh) | 2023-05-05 |
CN116070926B true CN116070926B (zh) | 2024-06-07 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592049A (zh) * | 2011-12-30 | 2012-07-18 | 中国科学院东北地理与农业生态研究所 | 一种区域尺度森林生态系统净碳收支获取方法 |
CN108121854A (zh) * | 2017-12-04 | 2018-06-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于遥感资料的区域碳通量估算方法 |
CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
CN112991226A (zh) * | 2021-04-15 | 2021-06-18 | 河海大学 | 一种基于重构植被指数时间序列影像的湿地植被固碳速率遥感估算方法 |
CN113552320A (zh) * | 2017-03-20 | 2021-10-26 | 北京师范大学 | 一种基于Chan方法的土壤水分遥感反演方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592049A (zh) * | 2011-12-30 | 2012-07-18 | 中国科学院东北地理与农业生态研究所 | 一种区域尺度森林生态系统净碳收支获取方法 |
CN113552320A (zh) * | 2017-03-20 | 2021-10-26 | 北京师范大学 | 一种基于Chan方法的土壤水分遥感反演方法 |
CN108121854A (zh) * | 2017-12-04 | 2018-06-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于遥感资料的区域碳通量估算方法 |
CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
CN112991226A (zh) * | 2021-04-15 | 2021-06-18 | 河海大学 | 一种基于重构植被指数时间序列影像的湿地植被固碳速率遥感估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
CN111078678B (zh) | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 | |
Sharp et al. | Evaluating the accuracy of CFSR reanalysis hourly wind speed forecasts for the UK, using in situ measurements and geographical information | |
US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
Kallio-Myers et al. | Global horizontal irradiance forecast for Finland based on geostationary weather satellite data | |
Zhao et al. | Correcting incompatible DN values and geometric errors in nighttime lights time-series images | |
Guzinski et al. | Using a thermal-based two source energy balance model with time-differencing to estimate surface energy fluxes with day–night MODIS observations | |
Hassan et al. | Spatial mapping of growing degree days: an application of MODIS-based surface temperatures and enhanced vegetation index | |
CN114019579B (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
Ntegeka et al. | EFAS-Meteo: A European daily high-resolution gridded meteorological data set for 1990–2011 | |
CN108509836A (zh) | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 | |
CN106908415A (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
Sideris et al. | The CombiPrecip experience: development and operation of a real-time radar-raingauge combination scheme in Switzerland | |
CN110927120A (zh) | 一种植被覆盖度预警方法 | |
Duarte Rocha et al. | Modelling hourly evapotranspiration in urban environments with SCOPE using open remote sensing and meteorological data | |
Huffman et al. | Global rainfall analyses at monthly and 3-h time scales | |
Wale et al. | Hydrological Balance of Lake Tana Upper Blue Nile Basin, Ethiopia | |
CN116070926B (zh) | 一种基于vod数据进行碳储量动态监测可行性的判定方法 | |
Hassan et al. | Application of Landsat-7 ETM+ and MODIS products in mapping seasonal accumulation of growing degree days at an enhanced resolution | |
Schafer et al. | A comparison of VHF wind profiler observations and the NCEP–NCAR reanalysis over the tropical Pacific | |
CN115600142B (zh) | 一种基于不同方法的大风融合集成预报方法 | |
CN116070926A (zh) | 一种基于vod数据进行碳储量动态监测可行性的判定方法 | |
CN107688712B (zh) | 一种基于dem和ndvi的气温降尺度方法 | |
Bližňák et al. | The exploitation of Meteosat Second Generation data for convective storms over the Czech Republic | |
Kaissassou et al. | Climatology of super‐refraction and trapping layers conditions over Central and West Africa |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |