植被葉面積指數時序貝葉斯網路反演方法及套用

《植被葉面積指數時序貝葉斯網路反演方法及套用》是依託北京師範大學，由屈永華擔任項目負責人的面上項目。

基本介紹

• 中文名：植被葉面積指數時序貝葉斯網路反演方法及套用
• 依託單位：北京師範大學
• 項目負責人：屈永華
• 項目類別：面上項目

項目摘要

中國定量遙感的發展成果應該在國產衛星數據上得到體現與套用。然而，現狀並非如人所預期。制約中國生產出高解析度定量產品的因素不僅僅是數據質量問題，更深層次的是沒有針對我們數據特點的創新性反演算法。以陸表植被葉面積指數（leaf area index，LAI）為例，一般來說，LAI的動態變化信息可以為定量遙感反演提供基礎背景知識。然而，這些信息在當前反演算法里還沒得到充分重視與合理利用。面對以上問題，本項目擬對中低解析度葉面積指數產品再分析來獲取葉面積指數變化規律，發展一種基於時序貝葉斯網路（或稱之為動態貝葉斯網路）的反演方法，通過融合遙感觀測與植被動態信息來生成時空連續葉面積指數產品。選擇2010-2015年的經過處理後的環境星數據作為套用方向，以生成典型實驗區時空連續的高分辨（30m）葉面積指數產品為套用目標。本項目的研究將能夠從理論與套用兩個層面推動國產遙感數據的定量化發展。

結題摘要

植被葉面積指數（Leaf Area Index：LAI）作為重要的植被結構參數，被廣泛套用於氣候模型、地-氣相互作用過程模型和大區域尺度森林碳循環等模型的驅動因子。目前，LAI主要通過兩種方式獲得，一種是通過野外實測獲取，一種是通過遙感反演獲取。現有的中低解析度LAI產品，在大區域尺度（如全球）上進行地表過程的巨觀變化研究中得到了廣泛的套用。而在局部小區域尺度（如省縣級）的土地和資源監測以及生態評估套用中，較低空間解析度的產品套用具有局限性，越來越多的研究開始關注時間連續的高解析度LAI產品反演。 本報告主要涵蓋以下內容： 一是時間序列高解析度葉面積指數反演研究。利用粗解析度歷史數據的動態變化信息，融合高解析度遙感觀測的空間信息，利用時序貝葉斯網路方法，反演得到時間序列高解析度葉面積指數，並考察多源遙感數據融合過程中信息更新變化，基於產品的後驗機率分布考察反演結果的後驗信息。 二是LAI反演中的數據源不確定性處理及其對反演結果的影響。利用改進的時序貝葉斯網路方法，在融合粗解析度歷史數據的動態變化信息和高解析度遙感觀測的空間信息的基礎上，再融合高解析度遙感觀測的不確定性信息，反演得到時間序列高解析度葉面積指數，並對反演結果進行可信度評價，分析數據源不確定性對反演結果的影響。 結果表明，利用時序貝葉斯網路方法可以通過融合較低空間解析度背景信息以及高空間解析度觀測數據，從而反演得到高質量的高時空解析度LAI數據；改進的時序貝葉斯網路方法可以很好的將數據源的不確定性考慮到反演過程中，提供了一種用來評價數據源的不確定性對反演結果可信度影響的方法。研究成果可以促進高時空解析度地表植被葉面積指數產品的生產研究，為葉面積指數產品生產與質量評價提供了一種新的選擇。利用本文的研究方法以及反演結果，可以獲得更高解析度的LAI產品。