导言
叶面积指数（Leaf Area Index，LAI）是衡量植被冠层结构的基本参数，在水文、生物地球化学和生态系统模型中起着关键作用。MODIS LAI长时间产品则为全球气候、生物地球化学和能量通量动态的各种研究提供了有力支持。而由于大气（云、雾以及气溶胶）、积雪和传感器自身发生故障等因素影响，MODIS LAI产品采取植被光合有效辐射吸收比最大原则（Max-FPAR）进行合成。然而，已有研究表明该产品的时序平滑性较差，Max-FPAR合成法起到的效果相对有限，这在一定程度上影响了该产品的使用。为解决这一问题，本研究在MODIS LAI反演每日产品的基础上，利用线性核驱动（Linear kennel driven，LKD）模型引入时间先验知识，提出基于先验知识的时间序列合成算法（prior knowledge time-series compositing algorithm，PKA），并反演得到时间序列上平滑性更好的新LAI数据集。
该研究成果近期以"Improving the MODIS LAI Compositing Using Prior Time-series Information"为题发表于国际SCI期刊Remote Sensing of Environment 杂志。
方法
1）传统的线性核驱动模型可以表示为:
2）Geiger等人提出了一种BRDF校正方法，通过将单个反射率观测的不确定性量化为合成时间窗口内的权重值来引入时间维度的信息：
3）PKA算法首先通过MODIS官方业务化生产的打分程序将高质量BRF筛选出来，然后根据BRF的数量以及先验知识与当前反演窗口的距离长度来进行BRDF校正得到新的带太阳观测集合的BRF，最后进行LAI反演及Max-FPAR合成。
图1 PKA算法流程图
结果
1）地面实测验证
地面实测数据的验证结果显示，与MODIS 的Max-FPAR LAI相比，PKA的表现相对更好。从Max-FPAR LAI到 PKA LAI，从0.69增加到0.76，RMSE从1.01减少到0.84。而原先出现在Max FPAR LAI中的显著低估现象则在PKA LAI中消失了。当然，结果显示春季和冬季的显著高估现象依然存在，其不确定性来源于观测条件不佳。这一点也反映在不同季节的比较中，与Max-FPAR LAI相比，PKA的更高，RMSE更低。
图2. 基于GBOV地面观测的验证结果
2）时间序列对比
本研究使用最近提出的两个关于时间序列的度量（时间序列稳定性（Time series stability，TSS）和时间序列异常（Time-series Anomaly，TSA））来量化时间序列的波动。其中，TSS和TSA越小代表时间序列越稳定。
如图3所示，PKA LAI的TSS低于Max-FPAR。在20个GBOV站点中，有19个站点的TSS呈下降趋势（站点2除外），20个站点的TSS平均值从Max-FPAR的52.62下降到PKA的27.96。这一现象表明，与目前的MODIS LAI产品相比，PKA大大提高了时间序列的稳定性。同样的情况也出现在TSA上，16个站点的Max-FPAR方法的TSA高于PKA。总的来说，PKA也减少了时间序列异常的频率。因此，在时间序列方面，PKA比目前的MODIS Max-FPAR方法有明显的改进。
图3. 2014年至2018年期间的5个站点（见图上方的坐标）的LAI的时间序列
3）基于亚马逊森林的算法验证
从另一个角度来看，亚马逊森林地区常年受到云、雾、气溶胶等恶劣大气条件的影响，能够获得的高质量遥感观测数据比其他地区少，这给LAI的反演带来了巨大的问题。因此，亚马逊地区也成为最佳观测区域，可以比较相同输入数据和不同反演方法的多种LAI之间的性能。而为了便于对比反演效果，本研究还使用了重建误差（reconstruction error，RE）以及主算法反演比例（retrieval index, RI）来定义Max-FPAR和PKA方法和主算法反演LAI的差异，其中，RE越小，RI越高代表反演效果越好。
结果显示，PKA-MODIS比Max-FPAR-MODIS和Max-FPAR-VIIRS LAIs的反演效果更佳，而Max-FPAR-MODIS和Max-FPAR-VIIRS LAIs则更接近。从统计上看，所研究的tile的主要植被类型是常绿阔叶林，RE的值从2.40/2.37（Max-FPAR-MODIS/Max-FPAR-VIIRS）下降到2.27（PKA-MODIS），并且使用主算法的PKA比例增加，RI从61.99%/59.35%增加到66.60%。当对所有植被类型进行平均后，RE和RI都呈现出相同的趋势；RE的多年值从2.37/2.35下降到2.25，RI从61.94%/59.62%增加到66.88%。
图4. 2016年至2020年亚马逊森林中RE（a）和RI（b）的空间分布
4）基于BELMANIP 2.1站点的算法验证
图5. Max-FPAR-MODIS（a）、Max-FPAR-VIIRS（b）和PKA-MODIS LAI（c）在2021年的BELMANIP2.1站点的RE散点图
为了进一步评估PKA在不同植被类型中的表现，本研究选取了BELMANIP 2.1站点作为全球的代表。图5显示了2021年Max-FPAR-MODIS、Max-FPAR-VIIRS和PKA-MODIS三种数据在BELMANIP 2.1站点上的反演表现。该图显示，与其他两个Max-FPAR结果相比，大多数站点的PKA-MODIS颜色倾向于蓝色（小RE），Max-FPAR-MODIS（RE = 1.85）和Max-FPAR-VIIRS（RE = 2.13）的RE都高于PKA-MODIS（RE = 1.15）。PKA对所有植被类型都有明显的改善，特别是非森林植被的PKA的RE都比Max-FPAR小得多，针叶林植被的RE也有轻微下降的趋势。常绿阔叶林植被的RE在PKA实施后也呈现出明显的下降趋势，但落叶阔叶林的这一趋势不明显。
总结
MODIS的长时间LAI产品对一些全球气候、生物地球化学和能量通量研究工作做出了重要贡献。然而，由于反演算法未考虑观测数据本身的时间连续性，而且相邻时段也会分别出现1）高质量的观测数据+基于RTM的精确主算法和2）低质量的观测数据+基于经验关系的粗糙备用算法，因此C6 LAI产品使用Max-FPAR方法反演LAI的时间序列稳定性很差。本研究在原有反演算法的基础上，利用线性核驱动模型引入时间上的先验知识，设计了一种自适应算法PKA，并根据合格观测数据的数量和先验知识的有效性制定了具体的合成策略。与原来的Max-FPAR方法相比，PKA显示出明显的改进，新提出的方法提高了反演精度以及时间稳定性，新方法还有可能成为MODIS Collection 7 LAI产品的正式算法。这种自适应的方法也为提高其他长期遥感产品的反演精度和时间序列稳定性提供了一个新的思路。
论文信息
引用：
J. Pu et al., "Improving the MODIS LAI compositing using prior time-series information," in Remote Sensing of Environment, 2023, doi: https://doi.org/10.1016/j.rse.2023.113493.
原文链接：https://authors.elsevier.com/c/1gYl77qzS-PPz
论文作者：
濮嘉彬，闫凯*，高思，张一满，Taejin Park，孙显，Marie Weiss，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 (42271356, 41901298)
Fundamental Research Funds for the Central Universities under Grant (265QZ2022001)
文章转载自微信公众号 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！
