导 言
叶面积指数（Leaf Area Index，LAI）一般定义为阔叶林冠层单位地面水平表面积的单侧绿叶面积和针叶林冠层的投影针叶面积，是表征植被冠层结构和能量吸收能力的关键参数。同时，其在调节全球水、碳和能源循环中发挥着至关重要的作用。MODIS的叶面积指数（Leaf Area Index，LAI）产品为全球陆地碳监测、生态系统建模和可持续资源管理提供了关键数据。然而，MODIS LAI是逐像素逐日计算的，没有使用任何空间或时间相关信息，这导致LAI对观测反射率的不确定性非常敏感，从而在时间序列上增加了明显的异常波动。为了解决这一问题，本文提出了一种时空信息合成算法（Spatial-temporal Information Composition Algorithm，STICA），该算法直接将先验时空相关性和多重质量评估（Multiple Quality Assessment，MQA）信息引入到现有的已发布的MODIS LAI产品中，实现了现有产品的“再分析处理”。STICA有效地降低了LAI时序中的噪音水平，提高了产品质量，该方法的优点在于不改变原来基于物理模型（Radiative Transfer Model，RTM）的LAI生产过程。我们希望通过这种方法生成的MODIS LAI再分析产品能够更好地支持高质量LAI数据集的相关应用。
该研究成果近期以"Improving the Quality of MODIS LAI Products by Exploiting Spatiotemporal Correlation Information"为题发表于国际SCI期刊IEEE Transactions on Geoscience and Remote Sensing 杂志（IF=8.125）。同时该方法正用于生产全新的MODIS LAI/FPAR再处理数据集，该数据集将于近期完成生产并对外发布。该研究得到自然科学基金委重大项目(442192580)、面上项目(42271356)的资助支持。
方 法
STICA的工作流程如下图所示，主要概括为四个步骤：
1. 多重质量评估
相邻位置/时间序列的LAI之间都存在一定的相关性，但这些信息由于观测条件以及传感器故障等具有各异的不确定性。算法中由多个指标来综合确定这种不确定性，我们称之为多重质量评估（Multiple Quality Assessment，MQA），如图2所示。
2. 利用空间相关信息
反距离加权插值（Inverse Distance Weighted，IDW）是空间分析中常用的插值方法。假定每个位置都具有局部效应，IDW赋予邻近位置更大的权重，并且随着距离的增加而减小。我们对目标像元一定空间范围内所有符合条件的像元（相同的土地覆盖类型）进行加权平均。在此算法中，空间越邻近且MQA值越高的检索值对目标像元的贡献度越大，计算公式表示为：
其中， 为目标像元一定窗口内相同土地覆盖类型的像元个数。表示候选像元与目标像元在空间上欧氏距离的倒数， 是控制候选像元权值衰减率的正幂指。
3. 利用时间相关信息
简单指数平滑（Simple Exponential Smoothing，SES）在时间序列域经常被用作指数移动平均模型。传统的SES只使用目标时间戳的前身作为输入，我们的算法参考了Yi等人的方法，合并了目标时间戳的前身和继任者。对目标像元在某一时间段内所有符合条件的像元进行加权平均。时间序列上越靠近目标像元并具有较高MQA值的像元被赋予更多的权重，表示为：
其中， 为参与目标像元计算的时间序列长度。为候选像元与目标像元的时间间隔， 代表权值随时间变化的速率。
4. 多信息合成
STICA综合了利用时间、空间相关性计算后的LAI以及原始的MODIS LAI，通过对这三种LAI赋予不同的权重，得到最终的STICA LAI：
其中，（Time-series Stability，TSS）表示时间序列的波动性，用于量化三类信息的LAI稳定性。较大的数值意味着数据的时间序列稳定性差；反之，较低的值表明数据具有稳定的时间序列性能。
结 果
基于模拟数据集的评估
模拟的LAI时间序列数据集（Simulated Uncertainty-added，SUA）是对标准LAI时间序列的每个像元上添加随机不确定性。通过比较SUA LAI和STICA LAI的RMSE空间分布，可以看出STICA的空间分布更多较小的RMSE，而SUA的空间分布中呈现更多的深色像元。与SUA（Mean = 0.44）相比，STICA的RMSE（Mean = 0.23）集中在更小的数字。这些表明，STICA可以有效改善低质量检索以及减少不确定性。
2. 基于地面站点GBOV的验证
与地面站点参考观测值相比，STICA LAI的表现相对优于原始的MODIS LAI。从Raw LAI到STICA LAI，R2从0.79上升到0.81，RMSE从0.81下降到0.68，RRMSE从30.07%下降到25.51%，整体精度提高了16%。此外，我们观察到Bias从-0.24增加到-0.06，这可能是由于部分Raw LAI被高估，而STICA有效地缓解了这个问题。值得注意的是，STICA在纠正极端异常值方面也有显著的效果。从生物群落类型来看，STICA对单一的森林类型有明显的改善，而异质性类型的RMSE基本保持不变。从质量分类的角度来看，STICA LAI在所有质量等级上都优于Raw LAI，而随着数据质量等级的逐渐降低，STICA的提高更为明显。除DELA、OSBS、SERC、DSNY和JERC这5个站点外，剩余GBOV站点的STICA的RMSE均小于Raw LAI。其中SCBI、HARV、TALL和UNDE站点的质量改善效果最显著。
3. 在不同生物群落类型上的算法性能
MODIS LAI时间序列的不确定性源于相邻两个时间窗口观测条件差异较大，导致时间一致性相对较差。由图5可知，STICA显著地降低了噪声波动，生成的LAI时间序列曲线比Raw LAI更符合预期的物候格局。对比不同的植被类型，发现EBF的波动最大，同时STICA的改善效果也最显著。
我们还使用了能够量化时间序列波动的TSS指标，定量评估时间序列稳定性（Time-series Stability，TSS），TSS越小代表时间序列越稳定。研究发现，EBF和Shrublands的TSS均值分别由21.08降至5.37（下降74.53%）和1.55降至0.37（下降76.13%）。并且相较于Raw LAI，所有植被类型的STICA LAI的TSS均值降低均超过50%。
4. 在亚马逊雨林地区的算法表现
由于亚马逊雨林地区常年受到大云量、高浓度气溶胶和红近红外饱和的影响，MODIS获得的高质量观测数据较少，导致LAI反演精度较差。比较STICA LAI与Raw LAI的TSS（Time-series Stability，TSS）和TSA（Time-series Anomaly，TSA）的空间分布变化，STICA包含了更多TSS较小的像元，在TSA中也呈现类似的空间分布，STICA的浅色区域占主导地位。统计数据显示，在STICA的总像素数中，TSS小于10的像素占99.31%；而TSA小于10的像素占比从6.34%（Raw LAI）提高到97.57%（STICA LAI）。
总 结
MODIS LAI是在每个像元和每天的基础上独立计算的，没有考虑空间或时间相关信息。相邻两个时段观测条件的差异会导致LAI时间序列存在较大的不确定性，从而不能准确地刻画植被的实际生长轨迹，限制了其在多个领域的应用。因此，获取高质量的LAI时间序列非常重要。基于此，我们提出了一种时空信息合成算法(spatial - temporal Information Composition Algorithm, STICA)，将先验的时空相关性和多重质量评估(Multiple Quality Assessment, MQA)信息引入现有的MODIS LAI产品中，不仅保持其与原始的基于物理的MODIS LAI产品的一致性，而且基于该算法的操作潜力使其能够在全球范围内实施。利用模拟数据集和地面LAI参考对该算法进行了评估和验证、以及测试了其在不同的生物群落类型以及亚马逊雨林地区的算法表现。结果表明，STICA LAI的表现优于原始的LAI产品，并且这种考虑多个信息的方法能够克服使用单一特征的局限性，希望下一步应用STICA来得到MODIS LAI再处理产品。
论文引用信息
引用方式：
J. Wang et al., "Improving the Quality of MODIS LAI Products by Exploiting Spatiotemporal Correlation Information," in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2023.3264280.
原文链接：https://ieeexplore.ieee.org/document/10091530
论文作者：
王璟睿，闫凯*，高思，濮嘉彬，刘锦绣，Taejin Park，毕建，Eduardo Eiji Maeda，Janne Heiskanen，Yuri Knyazikhin，Ranga B. Myneni
通讯作者：
闫凯 kaiyan.earthscience@gmail.com
基金资助：
National Natural Science Foundation of China Major Program (442192580)
National Natural Science Foundation of China (42271356)
Academy of Finland (318252, 319905, and 345472)
本文转载自微信公众号“VERSE植被与生态遥感”
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
