CN116227246B - 一种植被总初级生产力遥感产品的地形校正方法 - Google Patents

一种植被总初级生产力遥感产品的地形校正方法 Download PDF

Info

Publication number
CN116227246B
CN116227246B CN202310515481.9A CN202310515481A CN116227246B CN 116227246 B CN116227246 B CN 116227246B CN 202310515481 A CN202310515481 A CN 202310515481A CN 116227246 B CN116227246 B CN 116227246B
Authority
CN
China
Prior art keywords
data
vegetation
radiation
primary productivity
shadow
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
CN202310515481.9A
Other languages
English (en)
Other versions
CN116227246A (zh
Inventor
谢馨瑶
田洁
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 CN202310515481.9A priority Critical patent/CN116227246B/zh
Publication of CN116227246A publication Critical patent/CN116227246A/zh
Application granted granted Critical
Publication of CN116227246B publication Critical patent/CN116227246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Atmospheric Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明属于生态遥感技术领域，涉及一种植被总初级生产力遥感产品的地形校正方法，包括：获取生态水文模型的输入数据；预处理；估算平地植被总初级生产力；根据土壤水分再分配因子与辐射再分配因子，确定地形变量；根据日总降雨数据与日均辐射数据，确定气候变量；根据地形变量与气候变量，构建地形校正指数；利用地形校正指数对平地植被总初级生产力进行校正，得到校正后的山地植被总初级生产力。本发明通过生态水文模型获取平地植被总初级生产力，引入地形校正指数进行校正，降低了山地环境由地形起伏引起的不确定性，保证了植被总初级生产力地形校正的精度，有利于山地生态系统碳循环过程参量观测、模拟乃至预测能力的提高。

Description

一种植被总初级生产力遥感产品的地形校正方法
技术领域
本发明属于生态遥感技术领域，具体而言，涉及一种植被总初级生产力遥感产品的地形校正方法。
背景技术
植被总初级生产力（Gross primary productivity，GPP）作为陆地碳循环中的重要碳通量，对温度、光照和饱和水气压差等环境条件的时空变化极为敏感。因此，山区GPP的合理表征对理解全球碳预算和山区生态系统对全球变暖的响应至关重要。
通常，大尺度GPP数据集的遥感模型可以归类为：（1）基于机器学习的模型，利用再分析数据集和遥感信息对站点观测GPP进行尺度扩展；（2）过程模型，结合与气候、生物和土壤特征相关的各种变量模拟植被GPP；（3）光能利用率模型，根据最大光能利用率、吸收的光合有效辐射和多种环境胁迫估算植被GPP。
地形是决定山区生态系统植被生产力空间分布的因素之一，地形影响的消除能够有效提高山区植被生产力监测的精度。地形起伏导致不同方位向的坡面接收的太阳辐射不同，引起遥感观测的显著畸变，极大影响了遥感影像中相同地物光谱的时空一致性。地形校正通过将坡面像元辐亮度转换为水平像元辐亮度，致使两个反射特性相同的地物在遥感图像中具有相同或相近的亮度值，从而消除或减缓地形引起的图像亮度值变化。近年来，国内外发展了多种地形校正方法，如余弦校正、SE校正、SCS+C校正、PLC校正等。然而，上述多是针对遥感影像光谱反射率提出的方法，缺少针对植被生产力的地形校正方法。
同时，计算资源的限制使得绝大多数GPP数据集都是在相邻像素彼此独立的假设下生成，而缺少对像元之间生态过程的关注。地形能够对山地生态系统中多种环境条件的空间异质性产生重大影响，如：（1）温度随海拔高度变化；（2）入射太阳辐射与坡面局部太阳入射角紧密相关；（3）侧向水再分配受海拔影响。这些环境梯度共同影响植被气孔导度、叶片酚类变化、色素含量和林分结构等，导致植被光合作用的空间异质性。
发明内容
为了解决上述技术问题，本发明提供一种植被总初级生产力遥感产品的地形校正方法，包括：
获取生态水文模型的输入数据；
对所述输入数据进行预处理；
采用所述生态水文模型进行植被总初级生产力估算，得到平地植被总初级生产力；
获取坡度数据、太阳方位角、太阳天顶角、地面坡向、局部太阳入射角、日总降雨数据与日均辐射数据；
根据所述坡度数据，确定土壤水分再分配因子；
根据所述太阳方位角、所述太阳天顶角与所述地面坡向，确定坡面太阳入射辐射的空间异质性，得到辐射再分配因子；
根据所述土壤水分再分配因子与所述辐射再分配因子，确定地形变量；
根据所述日总降雨数据与所述日均辐射数据，确定气候变量；
根据所述地形变量与所述气候变量，构建地形校正指数；
利用所述地形校正指数对所述平地植被总初级生产力进行校正，得到校正后的山地植被总初级生产力。
本发明的有益效果是：本发明通过生态水文模型获取平地植被总初级生产力，并且提出在平地植被总初级生产力估算结果中引入地形校正指数进行校正，普适性强，具有较强的抗地形性和表征植被光合作用的能力，降低了山地环境由地形起伏引起的不确定性，保证了植被总初级生产力地形校正的精度，有利于山地生态系统碳循环过程参量观测、模拟乃至预测能力的提高。
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，所述生态水文模型的输入数据包括站点气象数据、土地覆盖数据、土壤类型数据、高程数据、植被叶面积指数数据、MODIS与Landsat反射率数据；所述站点气象数据包括逐日的太阳入射辐射、降水数据、空气温度与饱和水汽压差数据；所述空气温度包括日均温、最低温和最高温。
进一步，对所述输入数据进行预处理，包括：
将站点观测数据升尺度到像元尺度；基于高程数据计算坡度、坡向和流域范围数据；利用UofT LAI算法、STSG模型和IFSDAF时空重建模型基于Landsat和MODIS反射率数据获取高时空分辨率的LAI数据；将第一分辨率的土壤类型重采样至第二分辨率。
进一步，采用所述生态水文模型进行植被总初级生产力估算，包括：
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；
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与阴影叶片的叶面积指数；
根据所述光照叶片的叶面积指数与所述阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率；
根据所述光照叶片的光合作用速率与所述阴影叶片的光合作用速率，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。
进一步，根据所述光照叶片的叶面积指数与所述阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率，
根据所述光照叶片的叶面积指数、不饱和水分状态下光照冠层的净光合作用速率与饱和水分状态下光照冠层的净光合作用速率分别在所述光照叶片的叶面积指数的比重，确定光照叶片的光合作用速率；
根据所述阴影叶片的叶面积指数、不饱和水分状态下阴影冠层的净光合作用速率与饱和水分状态下阴影冠层的净光合作用速率分别在所述阴影叶片的叶面积指数的比重，确定阴影叶片的光合作用速率。
进一步，确定坡面太阳入射辐射的空间异质性后，还包括在所述太阳方位角中融入固定角度，平衡太阳辐射增加与土壤含水量减少的影响，得到所述辐射再分配因子。
进一步，根据所述土壤水分再分配因子与所述辐射再分配因子，确定地形变量，所述地形变量为所述土壤水分再分配因子与所述辐射再分配因子中影响最大的因子。
进一步，所述土壤水分再分配因子用于表征不同植被类型的坡度数据的分段函数；根据所述植被类型与所述坡度数据，确定所述土壤水分再分配因子的表达式；所述植被类型包括林地、草地、灌丛与耕地；
所述气候变量用于表征不同植被类型的所述日总降雨数据、所述日均辐射数据对所述平地植被总初级生产力的影响；根据所述植被类型、所述日总降雨数据与所述日均辐射数据，确定所述气候变量。
附图说明
图1为本发明提供一种植被总初级生产力遥感产品的地形校正方法的流程图；
图2为本发明实施例1提供一种植被总初级生产力遥感产品的地形校正方法的原理图。
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。
实施例1
作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供一种植被总初级生产力遥感产品的地形校正方法，包括：
获取生态水文模型的输入数据；
对输入数据进行预处理；
采用生态水文模型进行植被总初级生产力估算，得到平地植被总初级生产力；设平地植被总初级生产力为；
获取坡度数据、太阳方位角、太阳天顶角、地面坡向、局部太阳入射角、日总降雨数据与日均辐射数据；
根据坡度数据，确定土壤水分再分配因子；
根据太阳方位角、太阳天顶角与地面坡向，确定坡面太阳入射辐射的空间异质性，得到辐射再分配因子；
设局部太阳入射角（定义为地表法线和太阳入射方向之间的角度）为，太阳天顶角为/>，太阳方位角为/>，地面坡向为/>，坡度为/>，坡面太阳入射辐射的空间异质性/>通过局部太阳入射角表征：
；
根据土壤水分再分配因子与辐射再分配因子，确定地形变量；设地形变量为；
根据日总降雨数据与日均辐射数据，确定气候变量；设气候变量为；
根据地形变量与气候变量，构建地形校正指数；
具体的，如附图2所示，地形校正指数（Topographic Correction Index，TCI）用于消除植被GPP数据集的地形效应，则：
；
利用地形校正指数对平地植被总初级生产力进行校正，得到校正后的山地植被总初级生产力，设为，则：
。
可选的，生态水文模型的输入数据包括站点气象数据、土地覆盖数据、土壤类型数据、高程数据、植被叶面积指数数据（Leaf Area Index，LAI）、MODIS与Landsat反射率数据；站点气象数据包括逐日的太阳入射辐射、降水数据、空气温度与饱和水汽压差数据；空气温度包括日均温、最低温和最高温。
可选的，对输入数据进行预处理，包括：
将站点观测数据升尺度到像元尺度；基于高程数据计算坡度、坡向和流域范围数据；利用UofT LAI算法、STSG（Spatial-Temporal Savitzky-Golay）模型和IFSDAF（Improved Flexible Spatiotemporal Data Fusion）时空重建模型基于Landsat和MODIS（Moderate-resolution Imaging Spectroradiometer，缩写MODIS）反射率数据获取高时空分辨率的LAI数据；将第一分辨率的土壤类型重采样至第二分辨率。
在实际应用过程中，将250m分辨率的土壤类型重采样至30m。
可选的，采用生态水文模型进行植被总初级生产力估算，包括：
在BEPS（Boreal Ecosystem Productivity Simulator）-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；
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与阴影叶片的叶面积指数；
根据光照叶片的叶面积指数与阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率；
根据光照叶片的光合作用速率与阴影叶片的光合作用速率，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。
在实际应用过程中，设为冠层总叶片的叶面积指数、/>为光照叶片的叶面积指数，/>为阴影叶片的叶面积指数，/>为太阳天顶角，/>为聚集指数，/>为日长时间，/>是光照叶片的光合作用速率，/>是阴影叶片的光合作用速率，为植被总初级生产力估算结果；
根据太阳天顶角、聚集指数和日长时间，确定光照叶片的叶面积指数为：
；
根据冠层总叶片的叶面积指数与光照叶片的叶面积指数，得到阴影叶片的叶面积指数，即：
；
根据光照叶片的光合作用速率与阴影叶片的光合作用速率，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，即：
。
可选的，根据光照叶片的叶面积指数与阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率，包括：
根据光照叶片的叶面积指数、不饱和水分状态下光照冠层的净光合作用速率与饱和水分状态下光照冠层的净光合作用速率分别在光照叶片的叶面积指数的比重，确定光照叶片的光合作用速率；
根据阴影叶片的叶面积指数、不饱和水分状态下阴影冠层的净光合作用速率与饱和水分状态下阴影冠层的净光合作用速率分别在阴影叶片的叶面积指数的比重，确定阴影叶片的光合作用速率。
在实际应用过程中，设不饱和水分状态下光照冠层的净光合作用速率为，光照叶片的叶面积指数为/>，饱和水分状态下光照冠层的净光合作用速率为/>，根系处于不饱和水分状态的比重为/>，根系处于饱和水分状态的比重为，则光照叶片的光合作用速率/>：
；
设不饱和水分状态下阴影冠层的净光合作用速率为，阴影叶片的叶面积指数为/>，饱和水分状态下阴影冠层的净光合作用速率为/>，阴影叶片的叶面积指数为/>，则阴影叶片的光合作用速率/>：
。
在实际应用过程中，不饱和水分状态下光照冠层的净光合作用速率、饱和水分状态下光照冠层的净光合作用速率/>、不饱和水分状态下阴影冠层的净光合作用速率/>与饱和水分状态下阴影冠层的净光合作用速率/>基于Farquhar模型获得，设/>为不同水分状态下的光照冠层与阴影冠层的净光合作用速率，/>为Rubiso酶限制下的光合作用速率，/>为RuBP酶限制下的光合作用速率，/>为最大羧化反应速率，/>为最大电子传输速率，/>为叶肉细胞的二氧化碳的浓度，/>为叶肉细胞的氧气的浓度，/>为二氧化碳的Michaelis-Menten常数，/>为氧气的Michaelis-Menten常数，为没有暗呼吸的二氧化碳补偿点，/>为白天暗呼吸速率，/>一般等于/>，则：
；
；
不同水分状态下的光照冠层与阴影冠层的净光合作用速率：
。
可选的，确定坡面太阳入射辐射的空间异质性后，还包括在太阳方位角中融入固定角度，平衡太阳辐射增加与土壤含水量减少的影响，得到辐射再分配因子。
在实际应用过程中，一般来说，植被GPP与所接收的太阳辐射并非直接相关。就辐射对植被GPP的影响而言，当太阳辐射大于设定值时，由于叶片的光饱和现象，太阳辐射的进一步增加仅能促进植被GPP的略微增加。同时，太阳辐射会导致地表蒸散发的增多以及土壤含水量的降低，由此造成植被GPP的降低。因此，在太阳辐射大于设定值，植被GPP的变化取决于太阳辐射增加的影响与土壤含水量减少的影响之间的权衡关系，通过在太阳方位角中融入固定角度以表征该权衡关系，可选的，固定角度为90°。设表征该权衡关系的坡面太阳入射辐射的空间异质性为，则：
；
设辐射再分配因子为，则/>通过下式进行计算：
；
其中，；/>为中间量；/>用于表征/>与/>之间的关系。
可选的，根据土壤水分再分配因子与辐射再分配因子，确定地形变量，地形变量为土壤水分再分配因子与辐射再分配因子中影响最大的因子作为主导因子。
在实际应用过程中，设土壤水分再分配因子为，则：
。
一般的，坡度是决定山地植被水分供应的关键因素，土壤水分再分配因子按下式进行计算：
；
其中，为坡度/>的分段函数。
可选的，土壤水分再分配因子用于表征不同植被类型的坡度数据的分段函数；根据植被类型与坡度数据，确定土壤水分再分配因子的表达式；植被类型包括林地、草地、灌丛与耕地；
气候变量用于表征不同植被类型的日总降雨数据、日均辐射数据对平地植被总初级生产力的影响；根据植被类型、日总降雨数据与日均辐射数据，确定气候变量。
在实际应用过程中，不同气候特征导致不同水平的水分和太阳辐射重分布，为了捕捉气候因素对植被GPP估计的综合影响，通过降雨数据与日均辐射数据模拟这种影响，具体如下：
设为生长季期间日总降雨数据/>与日均辐射数据/>的函数，基于试验区获得/>、/>与/>的函数关系式。不同植被类型的土壤水分再分配因子/>和辐射再分配因子/>的关系式如下表所示：
。
生长季期间不同植被类型的气候变量的关系式如下表所示：
。
其中，生长季期间（时序日140-280），日总降雨数据的单位分别为/>，日均辐射数据/>的单位为/>。
不同于大多研究焦聚遥感影像光谱反射率地形校正，本发明提出在植被GPP遥感估算结果中引入地形校正指数进行校正的方法，普适性强，具有较强的抗地形性和表征植被光合作用的能力，降低了山地环境由地形起伏引起的不确定性，有利于山地生态系统碳循环过程参量观测、模拟乃至预测能力的提高。同时，本发明在局部太阳入射角能够表征坡面太阳入射辐射的空间异质性的基础上，考虑辐射对植被GPP的影响并非单纯的线性相关，通过在太阳方位角中融入固定角度有效地表示了辐射增加的积极影响与土壤含水量减少的消极影响的权衡关系，从机理上解释了地形对太阳入射辐射的调控作用，保证了山地植被GPP地形校正的精度。
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 (7)

1.一种植被总初级生产力遥感产品的地形校正方法，其特征在于，包括：
获取生态水文模型的输入数据；
对所述输入数据进行预处理；
采用所述生态水文模型进行植被总初级生产力估算，得到平地植被总初级生产力；
获取坡度数据、太阳方位角、太阳天顶角、地面坡向、局部太阳入射角、日总降雨数据与日均辐射数据；
根据所述坡度数据，确定土壤水分再分配因子；
根据所述太阳方位角、所述太阳天顶角与所述地面坡向，确定坡面太阳入射辐射的空间异质性，得到辐射再分配因子；
根据所述土壤水分再分配因子与所述辐射再分配因子，确定地形变量；所述地形变量为所述土壤水分再分配因子与所述辐射再分配因子中影响最大的因子；设表征太阳辐射增加的影响与土壤含水量减少的影响之间的权衡关系的坡面太阳入射辐射的空间异质性为cos(α)，设辐射再分配因子为TCIrad，则：
TCIrad＝frad(Rcos)；
其中，Rcos为中间量；Sz为太阳天顶角；frad(*)用于表征TCIrad与Rcos之间的关系；
设土壤水分再分配因子为TCIwater，所述地形变量为TCItop，则：
所述土壤水分再分配因子TCIwater按下式进行计算：
TCIwater＝fwater(Slo)；
其中，fwater(*)为坡度Slo的分段函数；
根据所述日总降雨数据与所述日均辐射数据，确定气候变量；
根据所述地形变量与所述气候变量，构建地形校正指数；
利用所述地形校正指数对所述平地植被总初级生产力进行校正，得到校正后的山地植被总初级生产力。
2.根据权利要求1所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，所述生态水文模型的输入数据包括站点气象数据、土地覆盖数据、土壤类型数据、高程数据、植被叶面积指数数据、MODIS与Landsat反射率数据；所述站点气象数据包括逐日的太阳入射辐射、降水数据、空气温度与饱和水汽压差数据；所述空气温度包括日均温、最低温和最高温。
3.根据权利要求1所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，对所述输入数据进行预处理，包括：
将站点观测数据升尺度到像元尺度；基于高程数据计算坡度、坡向和流域范围数据；利用UofT LAI算法、STSG模型和IFSDAF时空重建模型基于Landsat和MODIS反射率数据获取高时空分辨率的LAI数据；将第一分辨率的土壤类型重采样至第二分辨率。
4.根据权利要求1所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，采用所述生态水文模型进行植被总初级生产力估算，包括：
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；
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与阴影叶片的叶面积指数；
根据所述光照叶片的叶面积指数与所述阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率；
根据所述光照叶片的光合作用速率与所述阴影叶片的光合作用速率，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。
5.根据权利要求4所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，根据所述光照叶片的叶面积指数与所述阴影叶片的叶面积指数，确定光照叶片的光合作用速率与阴影叶片的光合作用速率，包括：
根据所述光照叶片的叶面积指数、不饱和水分状态下光照冠层的净光合作用速率与饱和水分状态下光照冠层的净光合作用速率分别在所述光照叶片的叶面积指数的比重，确定光照叶片的光合作用速率；根据所述阴影叶片的叶面积指数、不饱和水分状态下阴影冠层的净光合作用速率与饱和水分状态下阴影冠层的净光合作用速率分别在所述阴影叶片的叶面积指数的比重，确定阴影叶片的光合作用速率。
6.根据权利要求1所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，确定坡面太阳入射辐射的空间异质性后，还包括在所述太阳方位角中融入固定角度，平衡太阳辐射增加与土壤含水量减少的影响，得到所述辐射再分配因子。
7.根据权利要求1所述一种植被总初级生产力遥感产品的地形校正方法，其特征在于，所述土壤水分再分配因子用于表征不同植被类型的坡度数据的分段函数；根据所述植被类型与所述坡度数据，确定所述土壤水分再分配因子的表达式；所述植被类型包括林地、草地、灌丛与耕地；
所述气候变量用于表征不同植被类型的所述日总降雨数据、所述日均辐射数据对所述平地植被总初级生产力的影响；根据所述植被类型、所述日总降雨数据与所述日均辐射数据，确定所述气候变量。
CN202310515481.9A 2023-05-09 2023-05-09 一种植被总初级生产力遥感产品的地形校正方法 Active CN116227246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310515481.9A CN116227246B (zh) 2023-05-09 2023-05-09 一种植被总初级生产力遥感产品的地形校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310515481.9A CN116227246B (zh) 2023-05-09 2023-05-09 一种植被总初级生产力遥感产品的地形校正方法

Publications (2)

Publication Number Publication Date
CN116227246A CN116227246A (zh) 2023-06-06
CN116227246B true CN116227246B (zh) 2023-08-11

Family

ID=86579110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310515481.9A Active CN116227246B (zh) 2023-05-09 2023-05-09 一种植被总初级生产力遥感产品的地形校正方法

Country Status (1)

Country Link
CN (1) CN116227246B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114331233A (zh) * 2022-03-15 2022-04-12 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
CN115358095A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 山地高空间分辨率植被总初级生产力估算方法
CN115795819A (zh) * 2022-11-11 2023-03-14 南京大学 基于sebs模型和casa模型的水分利用效率模拟方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114331233A (zh) * 2022-03-15 2022-04-12 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
CN115358095A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 山地高空间分辨率植被总初级生产力估算方法
CN115795819A (zh) * 2022-11-11 2023-03-14 南京大学 基于sebs模型和casa模型的水分利用效率模拟方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于领域空间的山地植被GPP遥感估算建模及空间尺度扩展研究;谢馨瑶;《博士电子期刊》;2-8章 *

Also Published As

Publication number Publication date
CN116227246A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Zheng et al. Sources of uncertainty in gross primary productivity simulated by light use efficiency models: Model structure, parameters, input data, and spatial resolution
WO2018145229A1 (zh) 一种近地面气温的大面积精确反演方法
CN110276304A (zh) 基于降尺度的高分辨率植被生产力遥感估算方法
Wang et al. New global MuSyQ GPP/NPP remote sensing products from 1981 to 2018
Chen et al. Increased evapotranspiration from land cover changes intensified water crisis in an arid river basin in northwest China
CN104166782A (zh) 一种林地土壤有机碳遥感估测的方法
Wang et al. A climatology of surface–air temperature difference over the Tibetan Plateau: Results from multi‐source reanalyses
Wei et al. Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010
Rastogi et al. Spatial and temporal patterns of cloud cover and fog inundation in coastal California: ecological implications
CN115358095B (zh) 山地高空间分辨率植被总初级生产力估算方法
CN101866385A (zh) 一种目标地块地表温度的模拟与优化方法
Wang et al. Estimation of net primary productivity using a process-based model in Gansu Province, Northwest China
Zhang et al. Vegetation fractional coverage change in a typical oasis region in Tarim River Watershed based on remote sensing
Lin et al. Estimating 10-m land surface albedo from Sentinel-2 satellite observations using a direct estimation approach with Google Earth Engine
Lim et al. A land data assimilation system using the MODIS-derived land data and its application to numerical weather prediction in East Asia
Feng et al. Temporal and Spatial Variation Characteristics of NDVI and Its Relationship with Environmental Factors in Huangshui River Basin from 2000 to 2018.
Qin et al. Reconstruction of 60-year (1961–2020) surface air temperature on the Tibetan Plateau by fusing MODIS and ERA5 temperatures
Yao et al. Estimation of rice yield with a process-based model and remote sensing data in the middle and lower reaches of Yangtze River of China
Pan et al. Using QuickBird imagery and a production efficiency model to improve crop yield estimation in the semi-arid hilly Loess Plateau, China
CN116227246B (zh) 一种植被总初级生产力遥感产品的地形校正方法
CN115481943A (zh) 一种生态系统恢复力的评价方法
Wang et al. Enhanced evapotranspiration induced by vegetation restoration may pose water resource risks under climate change in the Yellow River Basin
Haugland et al. The diurnal cycle of land–atmosphere interactions across Oklahoma’s winter wheat belt
Zou et al. Convection-Permitting Simulations of Current and Future Climates over the Tibetan Plateau
Bingfang et al. Crop area estimation using remote sensing on two-stage stratified sampling

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