来源:Remote Sensing 发布时间:2021/3/20 18:02:53
选择字号:
MDPI 编辑荐读 | Remote Sensing:中国科学院刘良云研究员文章精选

期刊链接:https://www.mdpi.com/journal/remotesensing

微信链接:

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2649976790&idx=2&sn=

77e853a7d38ee92b760efd3d3305159f&chksm=f1ded512c6a95c0481e45bb8a1f21379

75de48f99f8399e35fc399a41fb844fc8d5a1dda9501&token=940521072&lang=zh_CN#rd

2020年底,刘良云研究员团队对外发布了全球首套2020年全球30米地表覆盖数据集,该数据集为地表相关应用提供了最新的数据支撑,对于全球变化、可持续发展分析以及地理国情监测等具有重要意义[1]。

本期,小编特收集了刘良云老师在Remote Sensing发表的几篇精选文章,研究内容涵盖遥感技术在植被FAPAR、SIF、GPP、生物量等参数反演、地表覆盖要素时序定量探测与精细分类方法等方向上的应用,有助于读者更好的了解近几年在植被定量遥感相关领域的研究热点及现状,欢迎大家阅读。

刘良云

中国科学院研究员

刘良云老师是国家杰出青年科学基金获得者;曾入选万人计划科技创新领军人才。目前担任国家重点研发项目负责人,长期从事植被定量遥感研究[2]。

文章推荐

1. Automatic Land-Cover Mapping using Landsat Time-Series Data based on Google Earth Engine

基于Google Earth Engine的Landsat时序数据自动地表覆盖分类

Shuai Xie et al.

DOI: 10.3390/rs11243023

基于GEE的30米时序地表覆盖分类的技术路线图

Google Earth Engine (GEE) 能够提供海量多源卫星遥感数据和高性能云计算服务,已逐渐成为地表覆盖制图的重要平台。本文提出了一种在GEE云平台上利用时间序列Landsat数据进行地表覆盖自动分类的方法,基于MODIS地表覆盖产品并通过像元和光谱过滤规则来提取准确的训练样本,其总体准确度为99.2%。利用2010±1年的所有可用Landsat TM/ETM+数据生成两种类型的光谱-时间特征 (分位数特征和时序月值特征),分别用作随机森林分类器的输入特征进行地表覆盖分类。实验结果表明,时序月值特征取得的总体分类精度 (80%) 高于分位数特征 (77%)。另外,中位数合成的时序月值特征的总体分类精度 (80%) 高于最大NDVI合成的时序月值特征 (78%)。因此,本文提出的方法能够自动、精确地进行地表覆盖分类,在区域和全球地表覆盖制图研究中具有广阔的应用前景。

2. Retrieval of the Fraction of Radiation Absorbed by Photosynthetic Components (FAPARgreen) for Forest Using a Triple-Source Leaf-Wood-Soil Layer Approach

基于叶片-木质-土壤三源层模型方法的森林树冠吸收的光合有效辐射比例 (FAPARgreen) 反演研究

Siyuan Chen et al.

DOI: 10.3390/rs11212471

TriLay模型说明

森林树冠吸收的光合有效辐射比例 (FAPAR) 通常被分为树冠的绿色叶片光合组分 (FAPARgreen) 和非光合木质组分 (FAPARwoody) 吸收的辐射,但FAPARwoody通常被忽略。本文开发了一种基于TriLay (叶片-木质-土壤的三源层模型) 的通用算法,将FAPARcanopy拆分为FAPARgreen和FAPARwoody。利用LESS计算机三维仿真模型对TriLay方法反演的各组分吸收FAPAR进行验证。结果表明,基于TriLay反演的 FAPARgreen与传统线性方法相比,反演精度更高。并以2017年北美地区的数据为例,进一步分析了TriLay模型方法和其他方法的FAPAR产品的季节变化特征,将FAPARgreen和FAPARnoWAI (不考虑木质组分) 与FAPARcanopy进行比较,发现对于森林植被类型而言,FAPARgreen与其他FAPAR产品间的差异不容忽视。TriLay方法在从FAPARcanopy中拆分FAPARgreen 方面表现良好,研究成果对了解森林冠层内部的能量分配、改进森林植被光合生产力估算精度具有相当重要的意义。

3. Estimating the Aboveground Biomass for Planted Forests Based on Stand Age and Environmental Variables

基于林龄和环境变量的人工林地上生物量的估算研究

Dailiang Peng et al.

DOI: 10.3390/rs11192270

1987年、1998年、2003年和2013年榆林地区森林地上生物量遥感反演结果

本文以人工造林典型区域榆林市为研究区,建立了估算人工林的地上生物量 (AGB) 模型。利用Landsat系列影像获取研究区1978-2013年的地表反射率,构建森林概率指数 (IFZ),来估算人工林的林龄,进而将归一化植被指数 (NDVI) 与林龄相结合,建立人工林地上生物量估算的基本模型。然后将环境变量如气候因素 (平均温度、总降水量和总日照时间) 和地形因素 (坡度) 引入到基本模型中,提高估算精度。本研究提供了一种利用长时间序列卫星遥感数据来估算人工林地上生物量的方法,特别适用于在干旱或半干旱地区植树造林。

4. Fine Land-Cover Mapping in China Using Landsat Datacube and an Operational SPECLib-Based Approach

基于Landsat数据立方体和SPECLib的中国区域精细地表覆盖制图

Xiao Zhang et al.

DOI: 10.3390/rs11091056

2015年中国区域30米精细地表覆盖分类产品

高分辨率地表覆盖产品是众多地球科学应用基础,本文提出了一种基于SPECLib (时空地物图像波谱库) 的自动化分类策略,实现了中国区域的地表覆盖制图,其核心是利用SPECLib中时序反射光谱对多时相Landsat图像进行逐区域地表覆盖分类。首先将先验CCI_LC地表覆盖产品和时序MCD43A4 NBAR地表反射率产品结合,构建一个时间分辨率为8天、空间格网大小为正弦等面积投影下158.85 km的SPECLib。利用2015年所有可用时序Landsat地表反射率数据,设计并构建一种三级格网体系的Landsat数据立方体。同时结合基于SPECLib的多时相随机森林方法和Landsat数据立方体,生成2015年中国区域分类图 (22种地表覆盖类型)。最后,本文利用11,000个目视解译验证样本点在两个不同验证系统下对该分类结果进行精度评估,结果表明其在二级验证系统 (19种地表覆盖类型) 和一级验证系统 (9种地表覆盖类型) 下总体精度分别为71.3%和80.7%,kappa系数分别为0.664和0.757。同时,更证明了该方法在区域/全球30米精细土地利用分类制图上是可行和可靠的。利用本文方法,刘良云研究员团队还生产了2015年和2020年全球30米地表覆盖精细分类产品[3,4]。

5. Global White-Sky and Black-Sky FAPAR Retrieval Using the Energy Balance Residual Method: Algorithm and Validation

基于能量平衡原理的全球黑空和白空FAPAR反演算法与产品验证

Liangyun Liu et.al.

DOI: 10.3390/rs11091004

土壤-冠层-大气系统的能量传输示意

植被吸收的光合有效辐射比例 (FAPAR) 是描述植被冠层光吸收能力的关键变量。大多数全球FAPAR产品,如MCD15A2H和GEOV1,仅为卫星过境时刻黑空条件下的FAPAR。在本文中,来自中国科学院遥感与数字地球研究所的刘良云教授团队基于中分辨率成像光谱仪 (MODIS) 产品的可见光波段 (VIS) 反照率、叶面积指数 (LAI) 和聚集指数 (CI),提出了计算全球白空和黑空FAPAR的反演算法。首先,提出使用非线性光谱混合模型 (NSM) 反演获取土壤反照率。其次,基于能量平衡原理 (EBR) 提出黑空和白空FAPAR的反演算法。最后,将两种EBR FAPAR产品与MCD15A2H和GEOV1黑空FAPAR产品进行比较。对比结果表明,这些FAPAR产品具有相似的空间和季节特征。同时,VALERI实测数据验证结果表明,基于EBR方法反演的黑空FAPAR较MODIS MCD15A2H (R2=0.901, RMSE=0.096, bias=7.6%) 及GEOV1 FAPAR (R2=0.868, RMSE=0.105, bias=6.1%) 具有更高精度 (R2=0.917, RMSE=0.088, bias=−2.8%)。

6. Atmospheric Correction for Tower-Based Solar-Induced Chlorophyll Fluorescence Observations at O2-A Band

O2-A波段日光诱导叶绿素荧光塔基观测的大气校正

Xinjie Liu et al.

DOI: 10.3390/rs11030355

塔基自动光谱观测系统示意图

日光诱导叶绿素荧光 (SIF) 已被证明是植物光合作用的理想探针。为了研究SIF与总初级生产力 (GPP) 之间的关系,需要开展塔基SIF光谱与GPP的长时序连续观测。但是,对于O2-A吸收波段的SIF反演来说,需要首先对塔基观测数据进行大气校正。在本研究中,提出了一种操作简便的O2-A波段塔基SIF观测的大气校正方法。气溶胶光学深度 (AOD) 和辐射传输路径长度 (RTPL) 是影响氧气吸收波段上下行大气透过率的主要因素。本研究利用MODTRAN 5模型模拟数据,构建了基于790 nm和660 nm下行辐照度比值的AOD估算模型,以及利用AOD和辐射传输路径长度的大气透过率查找表,基于经验方程的辐射传输路径校正因子补偿了温度和气压对大气透过率的影响。经大气校正后,塔基与地面观测到的SIF反演差距明显减小。结果表明,本研究提出的大气校正方法是有效的,也是提高O2A波段塔基SIF反演精度的必要方法。

7. Continuous Change Detection of Forest/Grassland and Cropland in the Loess Plateau of China Using All Available Landsat Data

基于全时序Landsat系列卫星数据的黄土高原林草和农田连续动态变化探测算法

Zhihui Wang et al.

DOI: 10.3390/rs10111775

林草与农田植被动态变化遥感自动化探测算法示意图

准确识别退耕还林还草工程实施后林草和农田植被的时空动态变化,其为黄土高原植被变化生态水文效应的关键数据支撑。由于Landsat卫星观测时空的不连续性,且黄土高原地区植被绿度波动对降雨和人类活动因素敏感,导致该地区植被类型变化遥感自动化探测精度低。针对这一问题,作者在本项研究中提出了一种基于全时序Landsat系列卫星遥感数据的林草与农田连续动态变化探测算法。该算法首先基于NDVI年最大值时间序列提取植被覆盖时段,然后利用植被类型稳定期内NDVI全时序数据和S-G滤波构建年内浓密NDVI参考时序,通过对比植被评估期任意时刻NDVI观测值与稳定期年内浓密时序NDVI参考值来探测植被类型是否发生变化,最后结合NDVI时序年内/年际变化特征,来确定植被类型的变化时间和变化前后类型。经过实地验证,总体分类精度为88.9%±1.0%,kappa系数为0.86,该方法显著提高了黄土高原地区林草与农田变化的时间和空间探测精度。

8. Upscaling Solar-Induced Chlorophyll Fluorescence from an Instantaneous to Daily Scale Gives an Improved Estimation of the Gross Primary Productivity

利用时间升尺度的SIF改进植被总初级生产力的估算精度

Jiaochan Hu et.al.

DOI: 10.3390/rs10101663

荧光光谱自动观测系统。(a) 北京市小汤山站;(b) 甘肃张掖大满站。

日光诱导叶绿素荧光 (SIF) 与植物光合作用密切相关,是植被总初级生产力 (GPP) 的遥感探测新方法。本文提出了一种利用光合有效辐射 (PAR) 作为驱动变量的SIF升尺度方法。结果表明,在SIF-GPP模型中,基于PAR的SIF时间升尺度方法不仅可以消除纬度差异对GPP估算的影响,还可以克服阴天条件下SIF和GPP的高估问题。与基于cos(SZA) 的SIF时间升尺度方法相比,PAR升尺度方法的GPP估算相对均方根误差 (RRMSE) 值在半小时尺度上由42.2%降至25.6%,在日尺度上由25.4%降至13.3%。此外,与基于瞬间SIF和cos(SZA) 获得的日尺度SIFdaily相比,基于PAR的升尺度SIFdaily与植被吸收光和有效辐射 (APAR) 有更强的相关性,决定系数 (R2) 从约0.5增加到0.8。研究结果证实了SIF估算GPP时,需要将SIF从瞬时尺度上升到日尺度的必要性,并强调了光照强度变化对SIF升尺度的影响。

参考文献:

1. Available online:

https://baijiahao.baidu.com/s?id=1684777880407070042&wfr=spider&for=pc (accessed on 11 January 2021).

2. Available online:

http://people.ucas.ac.cn/~liuliangyun (accessed on 4 January 2021).

3. 2020年全球30米地表覆盖精细分类产品下载链接:

http://data.casearth.cn/sdo/detail/5fbc7904819aec1ea2dd7061

DOI: http://doi.org/10.5281/zenodo.4280923

4. 2015年全球30米地表覆盖精细分类产品共享链接:

http://data.casearth.cn/sdo/detail/5d904b7a0887164a5c7fbfa0

DOI: https://doi.org/10.5281/zenodo.3986872

Remote Sensing (ISSN 2072-4292, IF 4.509) 是一个国际型开放获取期刊。其期刊范围涵盖遥感科学所有领域,从传感器的设计、验证和校准,到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。Remote Sensing采取单盲同行评审,一审周期约为19天,文章从接收到发表仅需2.9天。

(来源:科学网)

 
 
 
特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。
 
 打印  发E-mail给: 
    
 
相关新闻 相关论文

图片新闻
中国超重元素研究加速器装置刷新纪录 彩色油菜花又添7色!总花色达70种
考研复试,导师心仪这样的学生! 地球刚刚经历最热2月
>>更多
 
一周新闻排行
 
编辑部推荐博文