GEOV1：LAI和FAPAR基本气候变量和COVER全球时间序列基于现有产品的利用。第一部分：发展与生产原则。外文翻译资料

 2022-12-27 16:19:51

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

GEOV1：LAI和FAPAR基本气候变量和COVER全球时间序列基于现有产品的利用。第一部分：发展与生产原则。

F. Bareta,*，M. Weiss，R. Lacazeb，F. Camachoc，H. Makhmarad，P. Pacholcyzkd，B. Smetse

a INRA-EMMAH UMR 1114，阿维尼翁，法国

b HYGEOS，图卢兹，法国

c EOLAB，巴伦西亚，西班牙

d CNES，图卢兹，法国

e VITO，Mol，比利时

文章信息

文章历史：

2011年10月19日收到标准

2012年12月27日收到修订后的标准

2012年12月29日被公布

2013年3月29日在网络发布

关键词：数据合成；吸收光合有效辐射比例；植被覆盖度；全球产品；叶面积指数；中分辨率成像光谱仪；不确定事物；植被

摘要

基本变量如LAI或FAPAR被全球尺度的地表监测、理解和模拟所需要。虽然目前已经从中分辨率传感器开发了多种产品，少数验证性模拟仍然突出了标志性的差异与不一致性。这项研究的目的是通过充分利用已经存在的产品的开发和验证，开发和改善全球估计变量LAI，FAPAR，FCOVER。在第一步，检查MODIS, CYCLOPES, GLOBCARBON and JRC-FAPAR产品的性能。在MODIS和CYCLOPES产品表现更高的一致性后选择他们的产品。将这些产品融合到LAI，FAPAR和FCOVER的值的生产中，用以使他们缩放到更加符合期望的变异范围。最后，神经网络被训练用来估计这些融合与缩放产品的树冠的定向归一化反射率值。

copy;2013爱思唯尔有限公司保留所有权利。

  1. 介绍

持续观测地表的重要性最近被全球气候观测系统(GCOS) (GCOS, 2006)所认可。与地球表面相关的基本气候变量（ECVs）例如LAI（叶面积指数）、FAPAR（吸收光合有效辐射比例）可从反射太阳能观测领域得出。这些植被生物物理变量在一些表面过程中起了关键作用，包括光合作用，呼吸作用和蒸腾。叶面积指数被定义为每单位水平地表面积中绿色元素发展总面积的一般(Chen and Black, 1992)。吸收光合有效辐射比例被定义为在指定光照条件下，辐射在400到700纳米光谱范围内被绿色植被吸收掉的部分。吸收光合有效辐射比例是光利用效率模型的主要输入数值之一(Mc Callum et al., 2009)。除了叶面积指数和吸收光合有效辐射比例变量，植被覆盖度，绿色植被最小可视部分，也被一些用户需求用以植被监测、用过具体模型区分土壤与植被、区域性与全球性气候建模以及全球变化监测(Avissar and Pielke, 1989)。当在叶面积指数与吸收光合有效辐射比例之间反映植被量中间值灵敏度是，植被覆盖度不依赖于照明条件。

一些VEGETATION, SEAWIFS, MODIS and MERIS传感器生成的全球叶面积指数、吸收光合有效辐射比例、植被覆盖度产品空间采样距离已经接近1千米。改善大气校正、辐射校正、模型公式等连续加工逐步提高了反演精度。最近的检验活动反映了这些全球产品与地面测量之间存在着明显的差异(Garrigues et al., 2008; Mc Callum et al., 2010; Weiss et al., 2007)，因此呼吁新产品的开发,协调这些差异。

FP7 Geoland2项目(http://www.gmes-geoland.info)打算实现环境与安全全球化监测(GMES)、土地监测核心服务来呼应欧洲在对地观测系统(GEOSS)方面的贡献。一个系统正在被开发以提供生物物理产品来满足用户对自然生态系统监测和土地管理的需求。主要需求对应1前面空间分辨率、以10天（由10天数据组成）为频率的近实时（小于1周）的产品，时间周期尽可能长(Ganguly et al., 2008b)且与定量不确定性相关。这些需求在一定程度上回答了最近更新GCOS的LAI和FAPAR ECVs 从250米空间分辨率到2千米空间分辨率的短期产品,2周时间频率比叶面积指数的最大值(0.5 20%)、吸收光合有效辐射比例的最大值(0.05 10%)更准确，和比叶面积指数最大值(0.25 10%)以及吸收光合有效辐射比例最大值(0.02 3%)更稳定(GCOS - 138)。得到的最终产品将有助于满足GCOS的任务之一,致力于叶面积指数的生成的操作化。

本文的目的是为了描述被称为GEOV1的第一个版本Geoland2传感器的叶面积指数、吸收光合有效辐射比例和植被覆盖度的产品。原则用于推导出将第一次被提出的结果，然后将描述算法的发展。一篇相伴的论文(Camacho et al.,2013)将最终报告根据CEOS/LPV指南(Baret et al., 2009; Morisette et al., 2006)验证的结果。

  1. 算法开发

2.1.总则

如综述里所说，有效的努力已经被用来发展与验证生物物理的产品，因此提出了利用现有产品与相关的验证结果来发展GEOV1的产品。以前的工作(Verger et al., 2008)已经证明了学习机器的能力，例如神经网络验证包括来自几个传感器的叶面积指数的生物物理产品。这个属性将被利用,允许使用多种传感器,以建立一个长时间系列产品。该算法由三个主要步骤组成,如图1所示：

  1. 一代的训练数据集：首先将已经存在的产品组合来提供生物物理变量的最好的估计，以此构成训练数据集。
  2. 神经网络标定：一个神经网络被训练用来估计这些来自被特定传感器观测到的反射值和几何构成的最好估计值。质量标志与量化不确定性也衍生而出。
  3. 网络的应用：一旦网络被标定，它将提供每个传感器的生物物理变量、质量标志以及量化不确定性。

注意，它有可能遵循由Verger et al. (2008)提出并由Verger et al. (2011)发展的正式的方案。然而这需要同时使用两个（或更多）实时传感器。这与GEOV1的处理能力并不兼容。此外，如Verger et al. (2011)中提出的在学习数据库中单个产品的使用如MODIS集合5将不会允许实时观察偏差的改变，但主要会减少缺失的数据与平滑时间。最后，被提出的GEOV1算法被设计用来不依赖于前置信息而运算植被类型自从Verger et al. (2008)表示一个单独训练用于所有生物群落与多个训练用于对应生物群落表现是同样的。

图 1

2.2训练数据集的生成

由已有产品生成训练数据集的方式已在图1中描述。四个主要步骤是确定的：（1）选择相关度最高的产品，（2）设置产品到一致的空间与时间尺度，（3）融合产品，（4）最后扩展融合的产品。每一个步骤的细节将在下文给出。

2.2.1产品的选择

可使用的全球产品列在了表1中，首先需要考虑的是选择相关度最高的产品。为了这个目的，以前的验证训练结果将在这儿被使用。

由Garrigues et al. (2008)实现的叶面积指数产品的验证训练显示，少数缺失的值与GLOBCARBON叶面积指数产品的月度时间分辨率有关。但是，一些人工产物是可见的，包括离群值、物候学移位导致的低时间分辨率以及更低的采样频率。Garrigues et al. (2008)和 Weiss et al. (2007)证明了CYCLOPES提供了非常平稳的时间历程当MODIS集合5的LAI饱和值大于4，只有少数区域验证活动报道(De Kauwe et al., 2011; Kraus, 2008; Sprintsin et al.,2009）当Yuan et al. (2011)提交的一些全球验证训练的结果专注于评测一个MODIS叶面积指数较为平滑的以减少时间与空间与区域时间与空间尺度之间明显的不一致的版本。Ganguly et al. (2008a)利用一个改编自MODIS叶面积指数的产品验证了AVHRR（现金高分辨率辐射仪）数据，公平显示了与CYCLOPES叶面积指数产品的一致性。但是，Verger et al. (2011)证明了MODIS的叶面积指数时间配置文件不如CYCLOPES的产品可靠。

在全球可获得的吸收光合有效辐射比例产品中，MODIS与GLOBCARBON大致对应相同的定义，换句话说卫星通过黑半球的速度相近，或者说MODIS大约在10:35，VEGETATION大约在10:30。但是，如果JRC-FAPAR通过黑半球的时间，SEAWIPS大约在12：20正在穿过赤道，换句话说，它的太阳天顶角比MODIS和VEGETATION卫星更小。CYCLOPES的吸收光合有效辐射比例产品与黑半球在10:00的照明条件相比更接近于黑半球每日吸收光合有效辐射比例的值的集合(Baret et al., 2005, 2007)。因此，MODIS aboard Terra、GLOBCARBON和CYCLOPES FAPAR产品共享着非常相似的定义当源于SEAWIFS的JRC-FAPAR因为在正午时较小的太阳天顶角而预计显示较低的值。进一步来说，它的太阳天顶角被限制小于50°将可能因为更高的维度或季节原因构成一个问题。MODIS集合5和CYCLOPES FAPAR产品之间的比较通过过高的估计MODIS产品的较低的吸收光合有效辐射比例的值显示了一个好的协议(Mc Callum et al., 2010)。当CYCLOPES和JRC-FAPAR在空间和时间趋势上有良好的一致性，GLOCARBON和JRC-FAPAR在量级上会小很多(Mc Callum et al., 2010)。GLOVCARBON产品与其他产品相比拥有最大的差异。

MODIS和CYCLOPES的吸收光合有效辐射比例产品因此被选择用来保证叶面积指数与吸收光合有效辐射比例之间的良好的一致性当MODIS和CYCLOPES同时提供叶面积指数产品与吸收光合有效辐射比例产品。但是，MODIS和CYCLOPES的产品是基于不同的假设与反演技术的。CYCLOPES认为树冠是所有生物群落类型的模糊的中间值，允许像素是纯裸土与纯植被的混合物，换句话说，包括了一些可能的混合的景观水平。辐射反演的转换模型利用神经网络得以实现。相反的，MODIS算法依赖生物群落和假设一些例如稀树草原和森林等生物群落的植被等级。叶面积指数的检索通过查找表反演技术实现。

除了CYCLOPES植被覆盖度产品，目前没有其他全球植被覆盖度产品能脱离覆盖METEOSAT盘(Camacho-de Coca et al., 2006)的SAF-LAND产品而获得。但是，几个研究团队已经指出NDVI（归一化植被指数）可以成为植被覆盖度的很好的替代品(Baret et al., 1995; Carlson and Ripley, 1997; Gutman, 1991)。Camacho-de Coca et al. (2006)将非洲数个区域的FCOVER产品做了比较，发现CYCLOPES的FCOVER产品与其他产品是非常一致的，尽管有一个显而易见的重要的、系统的偏见。这也被Verger et al. (2009)所确认。因此，CYCLOPES的FCOVER原始产品被认为应该进行重新校准以提供与地面测量更加一致的值。

表 1

2.2.2.训练数据集的时间与空间采样

训练数据集是在一个简单的全球植被分布类型与条件的站点代表上生成的。为此，BELMANIP2的站点设置方式被使用了。它将420个站点相对均匀的分布在平面内（1千米分辨率的1000平方千米的区域）。BELMANIP2与最初的BELMANIP的站点设置不同，通过提高全球性的同质性与代表性(Baret et al., 2006)。图2展示了站点的分布情况，并且它们的坐标是可以在WWW1上获得的。2003年与2004年的数据被选择用来代表整个季节性和跨年度的变化。

相同的空间与时间尺度对于产品的结合是必须的。MODIS的LAI和FAPAR产品所采用的是圆柱形投影系统并以VEGETATION、CYCLOPES和GEOV1的1/112°采样网格作为参考。由于几个产品的点扩散途径和局部像素的集合不确定性，一个3times;3像素的空间支持被使用。请注意，该算法训练超过3times;3像素，尽管它最终将应用于单个像素。由于BELMANIP2位点的同质性，这种比例差异是可以接受的。

用于融合MODIS和CYCLOPS产品的时间采样将是CYCLOPS原始产品的时间采样，即由十个样品组成（十天）。它将允许直接使用归一化反射率值来源于植物基于CYCLOPES的预处理算法,也构成了GEOV1的时间抽样。对于给定的GEOV1值的融合计算如下：对于CYCLOPES，与GEOV1值相对应的产品值将被考虑；对于MODIS的8天产品，所有GEOV1值前后10天可获得的数据将首先集中得出27个值（3个MODIS数据的9个像素）的最大值。注意CYCLOPES的30天时间解析度（用高斯称重）仍然大于MODIS16天（2次8天）所选择的值

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27065]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章