其他数据论文 I 区论文(评审中) 版本 ZH3
下载
MuSyQ高分16米/10天叶面积指数产品(2018–2020年中国01版)
MuSyQ GF-series 16m/10days leaf area index product (from 2018 to 2020 across China, version 01)
 >>
: 2021 - 05 - 24
: 2021 - 07 - 14
: 2021 - 07 - 14
278 4 0
摘要&关键词
摘要:叶面积指数(leaf area index,LAI)是研究植被生态系统结构和功能的核心参数之一,遥感是获取大范围动态LAI的一个主要技术手段。但目前国际上没有高分辨率的LAI标准化产品,本文利用高分一号(GF-1)宽幅相机高时空分辨率的特点,基于三维随机辐射传输模型生产了MuSyQ高分系列中国地区2018–2020年16 m/10天分辨率的标准化LAI产品01版。本产品可为中国地区植被变化分析、农林业示范应用、生态环境监测提供可靠的数据支撑。
关键词:叶面积指数产品;高分辨率;中国区域;高分一号
Abstract & Keywords
Abstract:  Leaf area index, LAI, is a critical variable to study the structure and function of the vegetation ecosystem. However, there is no standard high-resolution LAI product worldwide. Taking advantage of the high spatial and temporal resolution of Gaofen1, MuSyQ GF-series leaf area index product of 16 m/10 days resolution across China from 2018 to 2020 (version 01) was generated using the three-dimensional radiative transfer model. This product can provide reliable data for the analysis of vegetation change, the application of agriculture and forestry, and ecological environment monitoring in China.
Keywords: Leaf area index (LAI) product; high resolution; China region; Gaofen-1
数据库(集)基本信息简介
数据库(集)名称MuSyQ高分16米/10天叶面积指数产品(2018–2020年中国)V01
数据作者张虎,李静,张召星,吴善龙,仲波,柳钦火
数据通信作者李静(lijing01@radi.ac.cn)
数据时间范围2018–2020年
地理区域中国区域
空间分辨率16 m
时间分辨率10天
数据量1.55 TB
数据格式*.h5
数据服务系统网址http://www.doi.org/10.11922/sciencedb.j00001.00252
基金项目国家重点研发计划(2018YFA0605503);高分重大专项(21-Y20B02-9003-19/22)。
数据库(集)组成每个*.h5文件包括2个数据集,其中:(1) LAI 是叶面积指数产品数据;(2) LAI_QC是叶面积指数质量控制数据。
Dataset Profile
TitleMuSyQ GF-series 16 m/10 days leaf area index product in (from 2018 to 2020 over China version 01)
Data corresponding authorLI Jing (lijing01@radi.ac.cn)
Data authorsZHANG Hu, LI Jing, ZHANG Zhaoxing, WU Shanlong, ZHONG Bo, LIU Qinhuo
Time range2018 – 2020
Geographical scopeChina
Spatial resolution16 m
Time resolution10 days
Data volume1.55 TB
Data format*.h5
Data service system<http://www.doi.org/10.11922/sciencedb.j00001.00252>
Sources of fundingNational Key Research and Development Program (2018YFA0605503); GF Project (21-Y20B02-9003-19/22).
Dataset compositionThe product consists of 2 subsets in total. Subset 1 is made up of the leaf area index image, and Subset 2 is made up of the quality control information of each pixel.
引 言
叶面积指数(Leaf Area Index,LAI)是研究植被生态系统结构和功能的核心参数之一。LAI控制着植被的许多生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等,同时为植被冠层表面最初的能量交换提供定量化的信息。在生态过程、大气生态系统的交互作用以及全球变化等研究中,LAI是过程模型的基础输入参数。目前,遥感是获取长时序动态LAI的主要技术手段,是生产LAI产品的重要数据源。在过去的二十年中,基于不同的卫星传感器,生产了多套不同时空分辨率的全球LAI产品,主要包括MODIS、CYCLOPES、GLOBCARBON、AVHRR、MISR、POLDER、GLASS等[1-6],其时空分辨率及产品覆盖时间范围见表1。
表1   LAI全球产品的主要特征
LAI产品名称空间分辨率时间分辨率时间覆盖范围
AVHRR LAI0.25°30天07/1981–05/2001
CCRS1 km10天1998至今
CYCLOPES1 km10天1997–2007
ECOCLIMAP1/120°1个月
GEOV21 km10天1999至今
GLASS1 km8天2000至今
GLOBACARBON1 km30天1998–2006
MERIS300 m10天2003–2011
MISR1.1 km1天2000至今
MODIS500 m4天2000至今
PROBA-V300 m10天2014至今
VIIRS500 m8天2012至今
如表1所示,现有的LAI产品空间分辨率主要分布在250 m–1 km,目前应用最广泛的LAI时序产品仍是以MODIS系列为代表的中低分辨率产品。在将生态系统过程建模应用到区域甚至更局部尺度时,特别是在一些地形复杂、地表类型分布多样、异质性像元广泛分布的区域,需要更高空间分辨率的LAI分布信息[7-9]。尽管在过去的几十年中,不同国家成功发射了多颗中高分辨率卫星,目前依然缺少高分辨率的LAI产品。其原因在于中高分辨率的传感器虽在空间分辨能力上占据优势,但在重访周期较长,例如Landsat系列卫星只具有16天的时间分辨率,在植被生长期难以满足LAI的精细化监测需求,时空分辨率相互制约限制了高时空分辨率LAI产品的生产工作。
“高分一号”(GF-1)是国家高分辨率对地观测系统重大专项天基系统中的首发星,于2013年4月26日成功发射。GF1搭载了4台16 m分辨率多光谱相机(简称宽幅相机),通过其视场拼接幅宽可达到800 km,全球重访周期小于4天,在单颗卫星上可同时实现高分辨率和大幅宽成像[10],是获取高分辨率LAI时序动态变化的理想数据源。基于GF1宽幅相机影像获得的LAI产品可以为农业林业应用、生态环境监测等相关领域的研究提供更稳定准确的数据支撑,具有重要的意义。本文利用GF1高时空分辨率的优势,使用三维随机辐射传输模型生产了MuSyQ高分系列中国区域2018–-2020年16 m/10天分辨率的LAI产品01版。
1   数据采集和处理方法
1.1   数据来源
本文使用的是GF1宽幅相机反射率数据产品,该套数据经过了辐射定标、大气纠正、几何纠正、云掩膜等预处理。宽幅相机反射率数据产品包含4个波段(B1:450–520 nm;B2:520–590 nm;B3:630–690 nm;B4:770–890 nm),本文使用其B3(红波段)、B4(近红外波段)波段通过物理模型构造查找表来进行LAI产品生产,该反射率产品空间范围覆盖中国全境,空间分辨率为16 m,时间范围从2018–2020年,时间分辨率为4天。
1.2   数据处理
本文使用三维随机辐射传输(3D-SRT)模型和查找表算法进行高分一号宽幅相机叶面积指数产品的生产。3D-SRT模型能够很好地描述植被冠层的三维结构[11],基于物理模型的反演算法普适性好、物理机理明确,更适用于全球、长时间序列LAI产品的生产,用于生产了多套叶面积指数LAI产品,例如MODIS LAI产品、VIIRS LAI产品[12-14]。但现有算法在用于高分辨率GF1宽幅相机时,会出现较大误差,其原因是像元内部非均质特征差异会导致高、低分辨率传感器反射率差异较大,用于低分辨率传感器的现有模型用在高分辨率影像时反演成功率和精度都较低。
高分辨率反演成功率和精度降低是由于高分辨率像元的均质特征较好,在夏季植被的近红外波段反射率通常显著高于低分辨率反射率,红波段反射率低于低分辨率反射率。如果仍采用低分辨率传感器反演时的参数会在夏季导致大量失效的问题。本文针对夏季高分辨率传感器红、近红外波段反射率的特征,调整了3D-SRT模型中各种植被类型对应的两波段单次散射反照率𝜔red、𝜔Nir,及由于传感器和模型误差带来的不确定性σred、σNir ,并优化了模型以提高反演的成功率和准确性。
MuSyQ高分16 m/10天叶面积指数产品的生产流程如下:1)针对7种不同的植被类型(草地、灌木、作物、常绿阔叶林、落叶阔叶林、常绿针叶林、落叶针叶林),使用3D-SRT模型构造查找表;2)使用GF1反射率产品,基于调整参数后的3D-SRT模型进行单天LAI反演;3)将反演的单天LAI进行10天内最大值合成;4)添加产品质量描述符。
2   数据样本描述
2.1   数据信息及结构描述
MuSyQ高分16 m/10天分辨率叶面积指数产品存储格式为h5,参考美国军用网格参考系统 (US-Military Grid Reference System, US-MGRS)进行分幅,每个文件大小平均为15-20 MB,包含叶面积指数信息(LAI)和质量控制信息(LAI_QC)两个数据集,其基本信息和数据结构描述详见表2。
表2   MuSyQ高分16m/10天叶面积指数产品信息及结构描述
数据集LAILAI_QC
数据类型Int16Int16
像元数量6863×68636863×6863
转换系数0.0011
填充值-1000-1
地理坐标系WGS1984WGS1984
投影方式UTMUTM
2.2   数据样本
使用1.2章节的数据处理方法,得到了2018–2020年中国地区16 m/10天分辨率的叶面积指数产品。图1展示了全国2020年8月高分一号16 m分辨率LAI产品及不同植被类型的 LAI产品细节特征。




图1   2020年4月LAI产品示意图(图片送审中)
图2为不同植被类型的LAI产品时间序列图。不同植被类型的时间序列曲线都呈现出先升后降的趋势,作物、草地及落叶阔叶林的LAI值在春季从0迅速增长到最大值;在夏季稳定在最大值附近,波动较小;在秋季(年积日230–250日)LAI显著下降,时间序列曲线符合我国不同种类植被的物候特征。










图2   2020年不同植被类型LAI产品时间序列图
3   数据质量控制和评估
生产过程中确定了MuSyQ高分LAI产品生产的流程,规范了生成产品的数据格式、数据结构、命名规则等,使数据产品生产标准化。在质量控制方面对LAI产品进行了逐像元的数据质量标识,每个像元对应一个质量描述符,并储存在了LAI_QC数据集中:其中0表示该像元成功使用3D-SRT模型完成反演;1表示使用3D-SRT模型反演,但存在饱和现象;4表示使用时间序列重建算法重建得到LAI;-1表示填充值。用户可根据个性化需求筛选数据。
本文使用2018年6-8月我国新疆石河子地区地面实测LAI值对高分一号16 m分辨率LAI产品进行直接检验(图3)。结果表明,与试验区内不同植被类型的293组实测LAI相比,该产品的均方根误差RMSE为0.743,决定系数R2为0.877,精度较高,可满足大面积农业林业遥感监测的需要。


图3   MuSyQ高分LAI产品直接检验结果图
4   数据价值
叶面积指数LAI是植被遥感监测中最重要的参数之一,目前国际上只有中低分辨率的LAI标准化产品,难以满足日益精细化的应用需求。本产品利用国产卫星GF1宽幅相机的时空分辨率优势,生产出高分辨率(16m/10天)的LAI产品。在生产过程中优化了三维随机辐射传输模型,和使用传统三维随机辐射传输模型生产的MODIS LAI产品相比,提高了反演成功率。本产品可覆盖中国全境,能够为植被变化研究、农业林业应用、生态环境监测、政府部门决策提供准确有效的数据支撑。
5   数据使用方法和建议
MuSyQ高分系列中国区域16 m/10天叶面积指数产品存储格式为h5格式,能够在ENVI等相关软件中进行读取、编辑及分析工作,也可使用MATLAB、Python等编程语言进行更加便捷地读取、处理和分析。
[1]
BARET F, HAGOLLE O, GEIGER B, et al. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION: Part 1: Principles of the algorithm[J]. Remote Sensing of Environment, 2007, 110(3): 275–286. DOI:10.1016/j.rse.2007.02.018.
[2]
DENG F, CHEN J M, PLUMMER S, et al. Algorithm for global leaf area index retrieval using satellite imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2219–2229. DOI:10.1109/TGRS.2006.872100.
[3]
DINER D J, MARTONCHIK J V, BOREL C, et al. Level 2 surface retrieval algorithm theoretical basis [M]. Jet Propulsion Laboratory, California Institute of Technology, 1999,
[4]
GANGULY S, SCHULL M A, SAMANTA A, et al. Generating vegetation leaf area index earth system data record from multiple sensors. Part 1: Theory[J]. Remote Sensing of Environment, 2008, 112(12): 4333–4343. DOI:10.1016/j.rse.2008.07.014.
[5]
, , et al. MODIS leaf area index (LAI) and fraction of photosynthetically active radiation absorbed by vegetation (FPAR) product (MOD15) algorithm theoretical basis document[EB/OL]. 1999
[6]
XIAO Z Q, LIANG S L, WANG J D, et al. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 209–223. DOI:10.1109/TGRS.2013.2237780.
[7]
BONAN G B. Importance of leaf area index and forest type when estimating photosynthesis in boreal forests[J]. Remote Sensing of Environment, 1993, 43(3): 303–314. DOI:10.1016/0034-4257(93)90072-6.
[8]
PIERCE L L, RUNNING S W. Rapid estimation of coniferous forest leaf area index using a portable integrating radiometer[J]. Ecology, 1988, 69(6): 1762–1767. DOI:10.2307/1941154.
[9]
ZHAO Y S. Principles and methods of analysis of remote sensing applications[EB/OL]. 2003
[10]
白照广. 高分一号卫星的技术特点[J]. 中国航天, 2013(8): 5–9.
[11]
HUANG D, KNYAZIKHIN Y, DICKINSON R E, et al. Canopy spectral invariants for remote sensing and model applications[J]. Remote Sensing of Environment, 2007, 106(1): 106–122. DOI:10.1016/j.rse.2006.08.001.
[12]
KNYAZIKHIN Y, MARTONCHIK J V, MYNENI R B, et al. Synergistic algorithm for estimating vegetation canopy leaf area index and fraction of absorbed photosynthetically active radiation from MODIS and MISR data[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D24): 32257–32275. DOI:10.1029/98jd02462.
[13]
YAN K, PARK T, CHEN C, et al. Generating global products of LAI and FPAR from SNPP-VIIRS data: theoretical background and implementation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2119–2137. DOI:10.1109/TGRS.2017.2775247.
[14]
GANGULY S, NEMANI R R, ZHANG G, et al. Generating global Leaf Area Index from Landsat: Algorithm formulation and demonstration[J]. Remote Sensing of Environment, 2012, 122: 185–202. DOI:10.1016/j.rse.2011.10.032.
数据引用格式
张虎, 李静, 张召星, 等. MuSyQ高分16米/10天叶面积指数产品(2018–2020年中国01版)[DB/OL]. Science Data Bank, 2021. (2021-07-14). DOI: 10.11922/sciencedb.j00001.00252.
稿件与作者信息
论文引用格式
张虎, 李静, 张召星, 等. MuSyQ高分16米/10天叶面积指数产品(2018–2020年中国01版)[J/OL]. 中国科学数据, 2021. (2021-05-24). DOI: 10.11922/csdata.2021.0029.zh.
张虎
Hu Zhang
主要承担工作:MuSyQ高分叶面积指数产品算法及验证研究、论文撰写。
男,河南省开封市人,博士研究生,研究方向为定量遥感。
李静
Jing Li
主要承担工作:研究思路及方案设计、论文撰写指导。
lijing01@radi.ac.cn
女,黑龙江省齐齐哈尔市人,博士,研究方向为植被遥感。
张召星
Zhaoxing Zhang
主要承担工作:数据预处理、产品算法实现、发布产品。
男,新疆维吾尔自治区昌吉回族自治州人,硕士,研究方向为定量遥感。
吴善龙
Shanlong Wu
主要承担工作:数据处理、产品生产。
男,浙江省义乌市人,硕士,研究方向为大气气溶胶光学厚度遥感反演。
仲波
Bo Zhong
主要承担工作:数据处理、产品生产。
男,四川省雅安市人,硕士,研究方向为遥感大数据处理与分析、多源遥感数据归一化处理技术。
柳钦火
Qinhuo Liu
主要承担工作:项目推广、研究方案设计。
男,江西省九江市人,博士,研究方向为定量遥感。
出版历史
I区发布时间:2021年7月14日 ( 版本ZH3
参考文献列表中查看
中国科学数据
csdata