CN116975522B - 基于通量数据的叶绿素荧光遥感传感器退化校正方法 - Google Patents
基于通量数据的叶绿素荧光遥感传感器退化校正方法 Download PDFInfo
- Publication number
- CN116975522B CN116975522B CN202311225703.XA CN202311225703A CN116975522B CN 116975522 B CN116975522 B CN 116975522B CN 202311225703 A CN202311225703 A CN 202311225703A CN 116975522 B CN116975522 B CN 116975522B
- Authority
- CN
- China
- Prior art keywords
- data
- flux
- chlorophyll fluorescence
- sunlight
- correction
- 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
- 230000004907 flux Effects 0.000 title claims abstract description 96
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 85
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 85
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 85
- 238000012937 correction Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000015556 catabolic process Effects 0.000 title claims abstract description 58
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 58
- 230000007774 longterm Effects 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 30
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims abstract description 23
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012887 quadratic function Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004177 carbon cycle Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000258 photobiological effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请提供一种基于通量数据的叶绿素荧光遥感传感器退化校正方法。本申请分别获取通量站点长期连续观测多年的年度总初级生产力数据和对应的日光诱导叶绿素荧光的遥感数据,并分别对上述两组时间序列数据进行标准化,基于标准化数据的多站点平均值拟合出变化函数,最后,以目标年份带入变化函数获得该年份所对应的校正系数为,利用校正系数对SIF原始遥感数据的传感器退化影响进行校正。本发明以GPP的长期变化趋势作为基准,根据SIF遥感数据受传感器退化影响逐年递增的规律拟合出SIF遥感数据的校正系数,实现对SIF遥感数据时间变化趋势的校正。相比传统校正手段,本申请可将校正的绝对误差降低一半左右,使校正后年际变化趋势的精度提高约48%。
Description
技术领域
本申请涉及定量遥感技术领域,具体而言涉及一种基于通量数据的叶绿素荧光遥感传感器退化校正方法。
背景技术
植物在日光照射下吸收的大部分能量会被用于光合作用,另一部分会以热量的形式向外耗散(热耗散),剩下的约1%-2%的能量会以长波的形式向外发射荧光,即日光诱导叶绿素荧光(SIF)。SIF的发射范围在600-800纳米(nm)之间,在685和740nm附近各有一个峰值。由于SIF的激发过程与植物的光合作用同步发生,因此,SIF的辐射强度可以直接动态反映植物光合作用的变化情况。相比于仅能反映植被结构变化的传统植被指数(如归一化植被指数NDVI、增强型植被指数EVI),SIF的监测数据不仅可以实时反映植被结构的变化,还可以表征植物的光合生理过程。因此,SIF逐渐成为目前定量遥感领域的热点观测对象,SIF数据可被广泛应用于陆地碳循环评估、农业估产、植被干旱胁迫评估等多方面研究。
目前,已经有多颗卫星可以对SIF数据进行遥感反演,例如GOME、SCIAMACHY、GOME-2、OCO-2、TROPOMI等。尽管这些卫星可以提供多种空间分辨率的SIF遥感数据,但其均面临着一个非常关键的问题,即传感器退化的影响。
传感器退化是指随着卫星传感器的工作时间延长、元器件的老化、卫星轨道漂移等,卫星遥感数据通常会出现不正确的时间变化。
受限于传感器退化的影响,目前所有的SIF遥感数据均不能够直接用于长期时间变化的研究,这严重限制了SIF遥感数据的精度和应用范围。
目前,对SIF遥感数据进行传感器退化校正的方法非常少。极个别的研究中会基于撒哈拉沙漠地区的数十个不变点数据对全球SIF数据进行校正,但这种校正方式所获得的遥感结果依旧存在较大的不确定性。
发明内容
本申请针对现有技术的不足,提供一种基于通量数据的叶绿素荧光遥感传感器退化校正方法,本申请利用日光诱导叶绿素荧光SIF与多个通量站点长期总初级生产力GPP之间稳健的线性关系,对比计算出传感器退化对SIF遥感数据的影响,从而对SIF遥感数据进行时间变化趋势校正,提高SIF遥感数据的准确度。本申请具体采用如下技术方案。
首先,为实现上述目的,提出一种基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,步骤包括:第一步,获取若干通量站点连续观测n年的年度总初级生产力数据,以及各通量站点所对应的各年度日光诱导叶绿素荧光数据/>,n≥10;第二步,分别对第一步所得各数据进行标准化处理,获得全部通量站点对应各年度总初级生产力的标准化数据,以及全部通量站点所对应的各年度日光诱导叶绿素荧光的标准化数据;计算各年度总初级生产力标准化数据的多站点平均值/>,以及各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>;第三步,分别计算各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>与对应年度总初级生产力标准化数据的多站点平均值/>之间的比值/>,然后以年份/>为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>;第四步,按照校正系数变化函数/>计算目标年份所对应的校正系数为/>,利用校正系数/>将遥感采集的日光诱导叶绿素荧光的原始数据/>校正为/>,输出校正后的日光诱导叶绿素荧光数据/>。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,所述通量站点为FLUXNET 2015数据集中连续观测时长超过10年的站点。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,通量站点所对应的年度日光诱导叶绿素荧光数据为:距离该通量站点距离最近像素位置的年度日光诱导叶绿素荧光数据。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,对各通量站点年度总初级生产力数据分别按照如下方式进行标准化处理;其中,/>表示通量站点的编号,/>表示通量站点/>在各个观测年度期间的年度总初级生产力数据/>的平均值;然后,计算获取各年度总初级生产力标准化数据的多站点平均值为/>,其中,/>表示获取的通量站点的总数。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,对各通量站点年度日光诱导叶绿素荧光数据分别按照如下方式进行标准化处理/>;其中,/>表示通量站点/>在各个观测年度期间的日光诱导叶绿素荧光数据/>均的平均值;然后,计算获取各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>,其中,/>表示获取的通量站点的总数。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,比值。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,所述第三步中,具体基于一元二次函数,以年份为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>,其中,/>、/>、/>分别表示拟合所确定的一元二次函数的二次项系数、一次项系数和常数。
可选的,如上任一所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其中,还包括以站点GPP为基准,对校正前、校正后SIF遥感数据的时间变化趋势精度进行验证的步骤:分别以年份为自变量,对各通量站点的年度总初级生产力数据、校正前日光诱导叶绿素荧光的原始数据/>以及校正后的日光诱导叶绿素荧光数据/>进行线性拟合,获得通量站点年度总初级生产力数据的长期变化趋势/>、校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>和校正后日光诱导叶绿素荧光数据的长期变化趋势/>;以线性拟合所获得的通量站点年度总初级生产力数据的长期变化趋势/>为基准,计算校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>与通量站点年度总初级生产力数据的长期变化趋势之间偏差量的绝对值,以及校正后日光诱导叶绿素荧光数据的长期变化趋势与通量站点年度总初级生产力数据的长期变化趋势/>之间偏差量的绝对值;根据校正前、后偏差量绝对值之间的差值大小,验证校正前、校正后日光诱导叶绿素荧光数据SIF的时间变化趋势精度。
本申请的有益效果在于:
本申请所提供的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其分别获取通量站点长期连续观测多年的年度总初级生产力数据和对应的日光诱导叶绿素荧光的遥感数据,并分别对上述两组时间序列数据进行标准化,基于标准化数据的多站点平均值拟合出变化函数,最后,以目标年份/>带入变化函数/>获得该年份所对应的校正系数为/>,利用校正系数/>对SIF原始遥感数据的传感器退化影响进行校正。本发明在通量站点长期GPP观测数据的基础上,以GPP的长期变化趋势作为基准,根据SIF遥感数据受传感器退化影响逐年递增的规律拟合出SIF遥感数据的校正系数,实现对SIF遥感数据的时间变化趋势的校正。本申请所构建的SIF遥感数据退化校正方法相比传统校正手段,可将校正的绝对误差降低一半,使年际变化趋势的精度提高约48%。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。
附图说明
附图用来提供对本申请的进一步理解,并且构成说明书的一部分,并与本申请的实施例一起,用于解释本申请,并不构成对本申请的限制。在附图中:
图1是本申请所提供的基于通量数据的叶绿素荧光遥感传感器退化校正方法的步骤流程示意图;
图2为各通量站点2007至2018各年度之间总初级生产力的标准化数据的值及各年度之间总初级生产力标准化数据的多站点平均值/>的统计图。
图3为各通量站点2007至2018各年度之间日光诱导叶绿素荧光的标准化数据的值及各年度之间日光诱导叶绿素荧光标准化数据的多站点平均值/>的统计图。
图4为各年度间与/>的比值及其二次函数的拟合图形。
图5为校正前后GOME-2A的全球年度SIF平均值的对比图。
具体实施方式
为使本申请实施例的目的和技术方案更加清楚,下面将结合本申请实施例的附图,对本申请实施例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申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
图1为根据本申请的一种基于通量数据的叶绿素荧光遥感传感器退化校正方法,其利用日光诱导叶绿素荧光(SIF)遥感数据与总初级生产力(GPP)之间稳健的线性关系,以站点GPP的长期变化趋势作为比较基准,通过拟合出SIF与GPP之间比值关系的变化函数,对SIF遥感数据的传感器退化影响进行校正,使校正后的SIF遥感数据能够用于长期变化分析。
具体实践中,本申请可通过如下步骤进行:
第一步,分别获取多个通量站点连续观测多年的年度总初级生产力数据,以及各通量站点所对应的各年度日光诱导叶绿素荧光数据/>,例如,可获取FLUXNET2015数据集中连续观测时长10年以上的通量站点连续观测10年的年度总初级生产力数据,以及该通量站点所在位置的各年度日光诱导叶绿素荧光数据/>,比如,距离该通量站点距离最近像素位置的年度日光诱导叶绿素荧光数据;
第二步,分别对第一步所得各数据进行标准化处理,获得全部通量站点对应各年度总初级生产力的标准化数据以及全部通量站点所对应的各年度日光诱导叶绿素荧光的标准化数据/>;计算各年度总初级生产力标准化数据的多站点平均值/>,以及各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>;其中,/> 表示通量站点的编号,/>表示通量站点/>在前述的10个观测年度期间的年度总初级生产力数据/>的平均值,/>表示通量站点/>在前述的10个观测年度期间的日光诱导叶绿素荧光数据/>均的平均值,/>表示获取的通量站点的总数;
第三步,分别计算各年度日光诱导叶绿素荧光标准化数据的多站点平均值与对应年度总初级生产力标准化数据的多站点平均值/>之间的比值,然后以年份/>为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>;拟合时,可采用一元二次函数以年份/>为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>,其中的/>、/>、/>分别表示拟合所确定的一元二次函数的二次项系数、一次项系数和常数;
第四步,按照校正系数变化函数计算目标年份/>所对应的校正系数为/>,利用校正系数将遥感采集的日光诱导叶绿素荧光的原始数据/>校正为,输出校正后的日光诱导叶绿素荧光数据/>。
由此,本申请可以基于SIF与GPP的线性关系,以GPP的长期变化趋势为基准对SIF遥感数据的传感器退化影响进行校正。其原理在于,SIF与GPP通常具有稳健的线性关系,如果SIF遥感数据没有受到传感器退化影响,年度SIF与GPP的比值应该为一个稳定的常数;相反,当SIF遥感数据受到传感器退化的影响时,年度SIF与GPP的比值会随年份而变化。因此,本申请可通过对该比值的拟合表征传感器退化对SIF遥感数据的影响,从而通过该比值来对SIF遥感数据进行校正。
在更为具体的应用场景中,本申请还可利用上述方法在全球多个长期通量站点数据的基础上,以站点GPP长期变化趋势作为基准,对校正前、校正后SIF遥感数据的时间变化趋势精度进行验证,以检验上述方法的优势。
其具体步骤可设置为:
步骤一、获取全球多个通量站点的年度GPP数据和SIF遥感数据:
在FLUXNET 2015公开数据集(https://fluxnet.org/data/fluxnet2015-dataset/)中,筛选具备10年以上连续观测数据的n个通量站点,n≥10,获取其2007-2018年度GPP数据(,其中,/>表示各个通量站点的编号,/>对应表示各年份编号)。下载全球2007-2018年的GOME-2A卫星遥感SIF数据,对于每个GPP的站点,可获取GOME-2A卫星遥感数据中距离该GPP通量站点距离最近的像素的年度SIF数据,即/>。
步骤二、分别基于下述公式,对年度和/>数据进行标准化:
式中, 和/>分别为2007-2018年期间的通量站点/>在各个观测年度期间的年度总初级生产力数据/>的平均值和日光诱导叶绿素荧光数据/>均的平均值;
然后,计算获取各年度总初级生产力标准化数据的多站点平均值为,以及各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>;
步骤三、计算各年度和/>之间的比值(c值):
由于传感器退化的影响通常随年份的变化而呈现出先快速下降、而后逐渐稳定的特点,因此,本申请优选采用二次函数对传感器退化的影响进行拟合以表征传感器退化的影响,对原始采集获得的SIF传感数据进行退化校正。
具体实现是,可以年份作为自变量,基于一元二次函数对年度/>和之间比值(c值)随年份的变化趋势进行拟合,得到其拟合值(/>):
式中,X为年份。
步骤四、以上述拟合的二次函数作为校正系数,将遥感采集获得的SIF原始数据所在年份带入校正系数变化函数/>中,获得该年度SIF相比GPP的变化状况,从而对SIF遥感数据的传感器退化影响进行校正,获得校正后的卫星SIF遥感数据:
式中,为未经传感器退化校正的SIF遥感数据,/>为经过传感器退化校正后的SIF遥感数据。
上述步骤中,之所以能够直接利用拟合出的SIF数据与GPP数据之间比值调整 受传感器退化的影响,是因为各年度的SIF与GPP之间通常具有稳健的线性关系。也就是说,如果SIF遥感数据没有受到传感器退化影响,则相应年度X所对应的年度/>之间的比值(即c值)应该是一个稳定的常数。当SIF遥感数据受到传感器退化的影响时,/>之间的比值c也会随年份而变化,并且,其变化正比于SIF遥感数据的退化影响量。由此,上述的比例关系中,可直接利用c值表征传感器退化对SIF遥感数据的影响,从遥感采集的/>中除以上述校正系数,即可按照退化比例对传感器退化的影响进行校正,获得校正后的卫星SIF遥感数据/>。
步骤五、本申请在校正退化影响后,还可参照如下方式,执行以站点GPP长期变化趋势作为基准,对上述经过传感器退化校正前、校正后SIF遥感数据的时间变化趋势精度进行验证的步骤:
分别以年份为自变量,对各通量站点的年度总初级生产力数据、校正前日光诱导叶绿素荧光的原始数据/>以及校正后的日光诱导叶绿素荧光数据/>进行线性拟合,获得通量站点年度总初级生产力数据的长期变化趋势/>、校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>和校正后日光诱导叶绿素荧光数据的长期变化趋势/>;
以线性拟合所获得的通量站点年度总初级生产力数据的长期变化趋势为基准,计算校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>与通量站点年度总初级生产力数据的长期变化趋势/>之间偏差量的绝对值,以及校正后日光诱导叶绿素荧光数据的长期变化趋势/>与通量站点年度总初级生产力数据的长期变化趋势/>之间偏差量的绝对值;
根据校正前、后偏差量绝对值之间的差值大小,验证校正前、校正后日光诱导叶绿素荧光数据SIF的时间变化趋势精度。
由此,可比较图2至图5所示校正前、后的SIF遥感数据与站点GPP的长期变化趋势,以线性趋势的绝对误差作为评价标准获得如下数据:
表1 校正前后SIF遥感数据的年际变化趋势的精度比较
从表1可以看出,相比于传感器退化校正前,采用本申请的方式基于通量数据校正后,可以大幅度提升SIF遥感数据的精度。校正前,SIF遥感数据与15个通量站点的年际变化趋势之间的绝对误差平均为1.15% yr-1;校正后,该绝对误差降低为0.31% yr-1,其年际变化趋势的精度可以提高约73%。
同时,从表1可以看出,相比于传统方法,本申请所提供的校正方法可以大幅度提升SIF遥感数据的精度。传统的基于撒哈拉沙漠地区数十个不变点数据的传统方法校正后,SIF遥感数据与15个通量站点的年际变化趋势之间的绝对误差平均为0.60% yr-1;基于本发明的方法校正后,该绝对误差降低为0.31% yr-1,其年际变化趋势的精度可以提高约48%。
综上,本申请克服了现有SIF遥感数据不能用于长期趋势分析的问题。本申请以地面通量数据对SIF遥感数据的传感器退化影响进行校正,进而生成全球校正后的长时间序列SIF遥感数据,能够为全球植被光合作用的长期变化格局分析提供基础数据,对全球陆地碳循环评估和农业估产等均具有十分重要的意义和价值。
以上仅为本申请的实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些均属于本申请的保护范围。
Claims (8)
1.一种基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,步骤包括:
第一步,获取若干通量站点连续观测n年的年度总初级生产力数据,以及各通量站点所对应的各年度日光诱导叶绿素荧光数据/>,n≥10;
第二步,分别对第一步所得各数据进行标准化处理,获得全部通量站点对应各年度总初级生产力的标准化数据,以及全部通量站点所对应的各年度日光诱导叶绿素荧光的标准化数据;计算各年度总初级生产力标准化数据的多站点平均值,以及各年度日光诱导叶绿素荧光标准化数据的多站点平均值/>;
第三步,分别计算各年度日光诱导叶绿素荧光标准化数据的多站点平均值与对应年度总初级生产力标准化数据的多站点平均值/>之间的比值/>,然后以年份/>为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>;
第四步,按照校正系数变化函数计算目标年份所对应的校正系数为/>,利用校正系数/>将遥感采集的日光诱导叶绿素荧光的原始数据/>校正为,输出校正后的日光诱导叶绿素荧光数据/>。
2.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,所述通量站点为FLUXNET 2015数据集中连续观测时长超过10年的站点。
3.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,通量站点所对应的年度日光诱导叶绿素荧光数据为:距离该通量站点距离最近像素位置的年度日光诱导叶绿素荧光数据。
4.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,对各通量站点年度总初级生产力数据分别按照如下方式进行标准化处理;
其中,表示通量站点的编号,/>表示通量站点/>在各个观测年度期间的年度总初级生产力数据/>的平均值;
然后,计算获取各年度总初级生产力标准化数据的多站点平均值为,其中,/>表示获取的通量站点的总数。
5.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,对各通量站点年度日光诱导叶绿素荧光数据分别按照如下方式进行标准化处理/>;
其中,表示通量站点/>在各个观测年度期间的日光诱导叶绿素荧光数据/>均的平均值;
然后,计算获取各年度日光诱导叶绿素荧光标准化数据的多站点平均值,其中,/>表示获取的通量站点的总数。
6.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,比值。
7.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,所述第三步中,具体基于一元二次函数,以年份为自变量对各年度的比值/>进行拟合,获得校正系数变化函数/>,其中,/>、/>、/>分别表示拟合所确定的一元二次函数的二次项系数、一次项系数和常数。
8.如权利要求1所述的基于通量数据的叶绿素荧光遥感传感器退化校正方法,其特征在于,还包括以站点GPP为基准,对校正前、校正后SIF遥感数据的时间变化趋势精度进行验证的步骤:
分别以年份为自变量,对各通量站点的年度总初级生产力数据、校正前日光诱导叶绿素荧光的原始数据/>以及校正后的日光诱导叶绿素荧光数据/>进行线性拟合,获得通量站点年度总初级生产力数据的长期变化趋势/>、校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>和校正后日光诱导叶绿素荧光数据的长期变化趋势/>;
以线性拟合所获得的通量站点年度总初级生产力数据的长期变化趋势为基准,计算校正前日光诱导叶绿素荧光原始数据的长期变化趋势/>与通量站点年度总初级生产力数据的长期变化趋势/>之间偏差量的绝对值,以及校正后日光诱导叶绿素荧光数据的长期变化趋势/>与通量站点年度总初级生产力数据的长期变化趋势/>之间偏差量的绝对值;
根据校正前、后偏差量绝对值之间的差值大小,验证校正前、校正后日光诱导叶绿素荧光数据SIF的时间变化趋势精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225703.XA CN116975522B (zh) | 2023-09-22 | 2023-09-22 | 基于通量数据的叶绿素荧光遥感传感器退化校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225703.XA CN116975522B (zh) | 2023-09-22 | 2023-09-22 | 基于通量数据的叶绿素荧光遥感传感器退化校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975522A CN116975522A (zh) | 2023-10-31 |
CN116975522B true CN116975522B (zh) | 2023-12-22 |
Family
ID=88473333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225703.XA Active CN116975522B (zh) | 2023-09-22 | 2023-09-22 | 基于通量数据的叶绿素荧光遥感传感器退化校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975522B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900672A (zh) * | 2019-04-02 | 2019-06-18 | 中国人民解放军战略支援部队航天工程大学 | 一种利用高光谱遥感分离阴叶和阳叶叶绿素荧光的方法 |
CN110188955A (zh) * | 2019-05-31 | 2019-08-30 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
JP2021148795A (ja) * | 2020-03-18 | 2021-09-27 | 浙江大学Zhejiang University | 全成長期間中の作物の観察に適応可能な太陽光励起クロロフィル蛍光測定システム |
-
2023
- 2023-09-22 CN CN202311225703.XA patent/CN116975522B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900672A (zh) * | 2019-04-02 | 2019-06-18 | 中国人民解放军战略支援部队航天工程大学 | 一种利用高光谱遥感分离阴叶和阳叶叶绿素荧光的方法 |
CN110188955A (zh) * | 2019-05-31 | 2019-08-30 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
JP2021148795A (ja) * | 2020-03-18 | 2021-09-27 | 浙江大学Zhejiang University | 全成長期間中の作物の観察に適応可能な太陽光励起クロロフィル蛍光測定システム |
Also Published As
Publication number | Publication date |
---|---|
CN116975522A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN106780079B (zh) | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 | |
Shihua et al. | Monitoring paddy rice phenology using time series MODIS data over Jiangxi Province, China | |
CN102324098B (zh) | 一种结合实验室定标和均匀景统计的相对辐射定标方法 | |
CN108662991A (zh) | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 | |
CN113920441A (zh) | 一种高精度的农田植被信息提取方法 | |
CN101699315A (zh) | 一种作物长势均匀度的监测装置和方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN106126920A (zh) | 农作物雹灾受灾面积遥感评估方法 | |
CN112052988B (zh) | 耦合多目标优化和集合同化的作物产量估测方法及应用 | |
CN110751614A (zh) | 基于低秩矩阵分解及导向滤波器的高光谱/多光谱影像融合方法 | |
CN114882361B (zh) | 基于多源遥感融合的深度学习估算森林地上生物量方法 | |
CN105160631A (zh) | 一种求辐射校正系数的方法 | |
CN107167430A (zh) | 一种发射光谱背景校正的方法 | |
CN104730042A (zh) | 一种遗传算法结合激光诱导击穿光谱提高自由定标分析精度的方法 | |
CN116975522B (zh) | 基于通量数据的叶绿素荧光遥感传感器退化校正方法 | |
CN114490905B (zh) | 一种晴空地表净长波辐射一体化反演方法及系统 | |
CN115752757A (zh) | 探测器和内黑体分离的红外扫描相机在轨非均匀校正方法 | |
CN107014785B (zh) | 一种发射光谱背景校正的改进方法 | |
CN105737980B (zh) | 辐射定标方法及装置 | |
CN110188955B (zh) | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 | |
CN109655158B (zh) | 基于大气廓线与led的高光谱遥感器在轨光谱定标的方法 | |
CN105403177B (zh) | 一种基于视频检测的叶面积指数的检测方法 | |
CN116432849A (zh) | 一种基于初级生产力数据同化的叶面积指数预测方法 | |
CN111751342A (zh) | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
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 |