2019年第四屆定量遙感學術論壇嘉賓演講PPT資料合集.rar

《2019年第四屆定量遙感學術論壇嘉賓演講PPT資料合集.rar》由會員分享，可在線閱讀，更多相關《2019年第四屆定量遙感學術論壇嘉賓演講PPT資料合集.rar（0頁珍藏版）》請在三個皮匠報告上搜索。

1、2019/6/23“第四屆全國定量遙感學術論壇”南京大學,2019.6.14-16“第四屆全國定量遙感學術論壇”南京大學,2019.6.14-161.RAPID概述2.最新進展激光雷達模擬：高光譜點云微波雷達模擬：后向散射和垂直廓線模擬Web版本開發進展：樹種庫、XML統一輸入、后臺運行機制全波段方面的集成其他方面：IGARSS 2019培訓、林業定量遙感教材、約稿文章3.應用案例枯梢率反演林火模擬、地形效應模擬4.問題和展望http:/ 林分結構數據 土地覆蓋生理生化粗糙度波長角度介電常數介電常數 組分散射組分散射 散射消光散射消光 矩陣矩陣 計算機圖形學計算機圖形學動態投影模塊幾何變換模塊

2、動態投影模塊幾何變換模塊統一輻射度理論統一輻射度理論 多次散射求解 幾何成像 組分貢獻 漫射形狀因子漫射形狀因子組分溫度發射率組分溫度發射率 反射率透過率反射率透過率組分反射組分反射小氣候模型小氣候模型生理生化生理生化氣象參數氣象參數鏡面形狀因子鏡面形狀因子 雷達信號雷達信號 總后向散射系數 組分后向散射系數全極化雷達圖像 光學信號光學信號 方向反射率 反照率 高分圖像 魚眼圖像熱紅外信號熱紅外信號 方向亮度溫度 熱紅外圖像 魚眼熱紅外圖像激光雷達信號激光雷達信號 地基點云 機載點云 星載波形 氣象邊界相比于其他三維機理模型：1 RAPID完全免費，隨時下載2 同時模擬光學、熱紅外、lidar

3、和微波后向散射3 自主知識產權，隨時擴充功能4 RAPID is rapid 激光雷達模擬：高光譜點云、枯梢點云 微波雷達模擬：后向散射和廓線 Web版本：樹種庫、XML統一輸入、BS結構 全波段方面的集成 IGARSS 2019培訓 林業定量遙感教材 RAPID綜述文章基于計算機圖形學，提出一種坐標變換投影法坐標變換：魚眼扭曲變換，透視變換 平行投影視角柵格投影：以觀察矢量方向進行平行投影，柵格化光斑建模：高斯能量分布模型，距離有關圖像掃描：根據距離和視場角，估計光斑大小逐像素掃描半球面拉伸為平面坐標變換柵格投影邊緣理論上也是弧形，不過假設目標較小時，近似直線光斑建模圖像掃描圓形輪廓內部高斯

4、能量分布脈沖寬度大小=視場角*距離逐像素對任意，1確定光斑位置和大小2遍歷光斑內所有像素3每個像素有屬性多邊形編號高光譜反射率到傳感器距離高斯分布能量糾正系數4根據距離分段累積能量5形成波形3cm100m-foot 0.03-space 0.02水平面向目標的稀疏點云-foot 0.03-space 0.0003水平面向目標的密集點云顏色代表多邊形編號垂直向上掃描圖像面向目標掃描的圖像垂直向上掃描圖像面向目標掃描的圖像垂直向上掃描的稀疏點云0101008200630065band number4004distance(m)450032201離散回波模擬的全波形和高光譜紅光波段近紅外波段18個波

5、段DN值NDVIHeight(m)正上方飛過Height(m)地基機載不同傾角掃描紅光近紅外30度60度結果5：被動高光譜圖像模擬結果星下點觀測熱點方向觀測前向觀測020406080100120像素位置00.10.20.30.40.50.60.70.8樹冠陰影光照樹冠CHM結果7：單梢模擬VLP點云RAPID模型模擬點云如果激光能量和太陽光能量相當，高光譜激光雷達會如何？需要在可見光波段，加上太陽的連續非脈沖輻射量。得到的光譜曲線，可能會導致近紅外和可見光的對比度降低半球投影在大天頂角變形偏大立方體投影或者多角度拼接為什么跨界做雷達成像模擬？重點基金的執念+林業需求的驅動1).非相干森林場景的

6、后向散射模擬：X,C,L 和P波段2).廓線雷達模擬Ku波段2018，OctTomoradar調制頻率 Modulation frequency163 Hz中心頻率Output frequency14 GHz(2.1cm)測距分辨率Range resolution15 cm空間分辨率Spatial resolution6(3dB)極化Transmit receive polarizationsHV/HH 天線孔徑Antenna Aperture330mm快速傅立葉變換FFTSoftware in real time模數轉換A/D converter12bit定位精度 Positioning a

7、ccuracy1 cm+1 ppm功耗Power consumption20 W 重量weight5 kg數據率Data rate2.5 M/S芬蘭南部TomoRadar條帶廓線圖模擬的單木TomoRadar廓線圖三維場景一條HH回波廓線飛行行帶廓線圖HV的模擬還不盡人意樹種庫XML統一輸入后臺運行機制用戶網頁XML文本上傳Web服務器存儲到數據庫RAPID服務器監聽模塊發送消息MSMQ消息隊列定時讀取消息隊列根據消息隊列讀取XML3D場景及運行參數場景產生模塊為什么集成？教學的方便+全波段融合的需要1).葉片Prospect，liberty,葉片散射模型2).土壤簡易光學模型，微波物理光學3

8、).樹干干葉片近似，無限長圓柱體1).IGARSS 2019培訓2).林業定量遙感教材3).遙感技術與應用三維遙感機理模型RAPID原理及其應用 有哪些應用場景？枯梢率反演、林火模擬、地形糾正 面向科學家：算法試驗 面向研究生：機理教學 面向工程師：傳感器參數設計 面向業務化：反演結果的直觀呈現云南松枯梢率反演地表火模擬三維模型的應用潛力：計算性能提升，精度需求提高三維模型的下一步發展途徑功能上：高光譜激光雷達、熒光、層析SAR、高精度應用上：與AI的結合、教學、硬件的結合、易用模型之間如何協同，構建良好的三維模擬生態找準生態位：面向應用、揚長避短、取長補短宣傳推廣：RAPID 3D with

9、 LESS time but MORE functions持續推進RAPID模型，期待合作謝謝！城市化過程與生態效應城市化過程與生態效應長江流域城市化對植被和城市熱島的影響方法和數據對估計城市熱島強度的影響中國主要城市的城市熱島變化中國城市熱島變化影響因素分析中國城市和鄉村地表參數變化特征研究中國城市和鄉村地表參數變化特征研究中國植被變綠增加植被綠度空間異質性全球植被變綠增加城市熱島強度南美/非洲城市化地表生態效應研究區拓展提供參考其他區域研究結合植被變綠背景介紹背景介紹1兩大環境問題城市化城市化氣候變化氣候變化大氣污染大氣污染糧食短缺糧食短缺全球變暖全球變暖全球變冷全球變冷城市熱島城市熱島無

10、論是全球變暖還是變冷都會給人類和環境帶來無論是全球變暖還是變冷都會給人類和環境帶來巨大的災難巨大的災難2城市熱島：指城區的城市熱島：指城區的溫度溫度比鄉村比鄉村高高的現象城市熱島強度：城市溫度的現象城市熱島強度：城市溫度減去減去鄉村溫度鄉村溫度改變溫度改變溫度Question:關系關系?影響人體健康影響人體健康增加能源消耗增加能源消耗影響動植物活動影響動植物活動氣候變化氣候變化影響舒適度、增 加 發 病 率影響舒適度、增 加 發 病 率(Patzetal.,2005)增加用電量，尤 其 是 夏 天增加用電量，尤 其 是 夏 天(Akbari et al.,2005)影響生物多樣性、植被物候影響

11、生物多樣性、植被物候(Grimm et al.,2005)3城市熱島城市熱島背景介紹背景介紹1Founda et al.,2015,2017Li et al.,2013,2015,2016Ramamurthy et al.,2015,2017Schatz et al.,2015Ward et al.,2016Winguth et al.,2013Hu et al.,2015Wang et al.,2016問題研究現狀問題研究現狀研究區較小較小，結論不完全一致只研究夏季夏季，冬季的研究極少用氣象站點，監測范圍小監測范圍小且分布不均研究意義研究意義涉及兩大重要問題之間的關系目前城市熱島和氣候變化之

12、間的關系引起了越來越多的關注，但是目前的研究目前城市熱島和氣候變化之間的關系引起了越來越多的關注，但是目前的研究仍然存在一些問題仍然存在一些問題4背景介紹背景介紹1研究區研究區：研究區：中國31個個主要城市（2個城市群、29個城市）分界線：分界線：秦嶺秦嶺淮河淮河分界線將中國分為南方和北方分界線將中國分為南方和北方原因：原因：中國在過去幾十年內經歷了快速的城市化經歷了快速的城市化，城市熱島現象明顯；中國面積較大，不同地區氣候差異明顯不同地區氣候差異明顯5珠三角城市群長三角城市群實驗設計實驗設計2CLUD土地覆蓋土地覆蓋MODIS地表溫度地表溫度MODIS植被指數植被指數MODIS反照率反照率數

13、據遙感數據優點：數據獲取容易，成本低空間連續覆蓋監測范圍廣，大尺度研究衛星遙感已經成為監測城市熱島的最主要的方法最主要的方法61km空間分辨率，5年間隔1km空間分辨率，8天時間分辨率1km空間分辨率，1個月時間分辨率1km空間分辨率，8天時間分辨率實驗設計實驗設計2實驗設計實驗設計2方法1.使用使用城市熱島城市熱島強度強度作為量化城市熱島的指標作為量化城市熱島的指標3.將將極熱夏天極熱夏天和和極冷冬天極冷冬天的城市熱島和其他情況對比的城市熱島和其他情況對比4.使用使用標準差標準差判判斷年際間城市和鄉村溫度的波動情況斷年際間城市和鄉村溫度的波動情況2.將城市熱島強將城市熱島強度和年際間背景溫度

14、度和年際間背景溫度相關分析相關分析1.定量城市熱島定量城市熱島2.皮爾遜相關分析皮爾遜相關分析3.研究極端條件研究極端條件4.研究變化規律研究變化規律7藍色表示負相關藍色表示負相關在夏天白天夏天白天和冬天白天冬天白天，城市熱島強度和背景溫度在中國北方北方所有城市都呈負相關負相關夜晚夜晚沒有這種現象，中國南方南方沒有這種現象7這表明：在中國北方，越這表明：在中國北方，越冷冷的年份城市熱島強度越的年份城市熱島強度越強強；在越；在越熱熱的年份城市熱島強度越的年份城市熱島強度越弱弱。實驗實驗1：將城市熱島強度和年際間背景溫度：將城市熱島強度和年際間背景溫度相關分析相關分析實驗結果實驗結果3在極熱極熱的

15、夏天夏天白天，北方城市熱島強度比平常低比平常低0.75度度（15個城市平均）在極冷極冷的冬天冬天白天，北方城市熱島強度比平常高比平常高0.84度度（15個城市平均）藍色表示城市熱島強度 降低藍色表示城市熱島強度 降低紅色表示城市熱島強度升高紅色表示城市熱島強度升高8中國北方夜晚中國北方夜晚沒有這種現象，中國沒有這種現象，中國南方南方沒有這種現象沒有這種現象實驗實驗2：將：將極熱夏天極熱夏天和和極冷冬天極冷冬天的城市熱島和其他情況的城市熱島和其他情況對比對比實驗結果實驗結果3在夏天白天夏天白天和冬天白天冬天白天，所有北方城市的城市地表溫度年際間變化的標準差標準差都比鄉村低：低：夏天白天：0.99

16、4 vs 1.431 冬天白天：1.577 vs 2.077 這表明城市地表溫度波動波動比鄉村小小藍色表示城市標準差比鄉村低藍色表示城市標準差比鄉村低9植被指數植被指數和和反照率反照率也存在類似的現象也存在類似的現象實驗實驗3：使用：使用標準差標準差判斷年際間城市和鄉村溫度的判斷年際間城市和鄉村溫度的波動情況波動情況實驗結果實驗結果310 中國南方：中國南方：濕潤濕潤氣候，土壤濕度較高，植被對降雨氣候，土壤濕度較高，植被對降雨不敏感不敏感 夜晚：植被蒸騰作用夜晚：植被蒸騰作用很少很少中國北方極熱夏天極熱夏天城市植被植被少量減少、土壤濕土壤濕度少量降低鄉村植被植被大量減少、土壤濕度土壤濕度大幅降

17、低城市溫度小幅小幅升高鄉村溫度進一步升高城市熱島強度降低降低 總結總結：植被植被和和土壤濕度土壤濕度的不敏感性導致了溫度的不敏感性的不敏感性導致了溫度的不敏感性討論討論4越干旱的城市，不敏感性越明顯越干旱的城市，不敏感性越明顯11 中國南方：中國南方：溫暖溫暖氣候，冬天降雪氣候，冬天降雪較少較少 夜晚：積雪夜晚：積雪不能不能反射陽光反射陽光中國北方極冷冬天極冷冬天城市降雪降雪、積雪積雪、土壤濕度土壤濕度少量增加鄉村降雪降雪、積雪積雪、土壤濕度土壤濕度大量增加城市溫度小幅小幅降低鄉村溫度進一步降低城市熱島強度升高升高 總結總結：反照率反照率和和土壤濕度土壤濕度的不敏感性導致了溫度的不敏感性的不敏

18、感性導致了溫度的不敏感性討論討論4越寒冷的城市，不敏感性越明顯越寒冷的城市，不敏感性越明顯減少減少城市在極端天氣下的溫度變化幅度溫度變化幅度無論全球變暖還是變冷可能都會有用都會有用可能減少減少極端天氣給城市帶來的危害危害12意義減少對健康的危害減少能源消耗減少對健康的危害減少能源消耗城市表面不敏感性城市表面不敏感性全球變暖全球變暖/變冷變冷增加增加極端高溫/低溫天氣的頻率頻率這種城市表面的特性有利于城市這種城市表面的特性有利于城市可持續發展可持續發展SustainabilityHeatwave討論討論4中國北方：中國北方：夏天白天和冬天白天城市熱島強度和背景溫度呈負相關負相關中國北方：中國北方

19、：白天城市熱島強度在極熱的夏天降低降低，在極冷的冬天升高升高中國北方：中國北方：城市的溫度、植被、反照率的年際間變化標準差標準差都比鄉村低低關系關系對比對比特征特征131特色：特色：絕大多數研究的研究區較小，絕大多數研究的研究區較小，本文進行大范圍、多個氣候區的研究本文進行大范圍、多個氣候區的研究 絕大多數研究只研究夏季，絕大多數研究只研究夏季，本文研究冬季城市熱島和氣候的關系本文研究冬季城市熱島和氣候的關系 發現一種現象：發現一種現象：中國北方城市表面的不敏感性中國北方城市表面的不敏感性23解釋：解釋：這些現象主要是由中國北方的干、冷干、冷氣候導致的。中國南方不存在這種現象?？偨Y總結5全球葉

20、面積指數驗證研究：進展與展望全球葉面積指數驗證研究：進展與展望Validation of global leaf area index(LAI):Recent 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室2019年6月15日2019年6月15日第四屆全國定量遙感學術論壇南京大學全球植被全球植被LAI值值全球植被生長旺季LAI值:2.0全年LAI平均值:1.5北半球生長旺季:2.0-2.5(1)Table 3,Yan et al.(2016);(2)Table 1,Fang et al.(2012);(3)Table 2,Baret et al.(2006);(4)Table

21、2,Iio et al.(2014);(5)p.202,Asner et al.(2003);(6)Table 3,Fang et al.(2013);(7)Fig.4,for July,2001,Yan et al.(2016).各大國際計劃對各大國際計劃對LAI產品的精度要求產品的精度要求ProjectsApplicationUncertainty requirement aReferencesGCOSTOPC10%7%5%WMObUncertainty(RMSE):Max(15%)GCOS 2016Accuracy(bias):max(20%,0.5)GCOS 2011Accuracy(

22、bias):0.21.0CEOS/WMO 2001GMESAccuracy:10%Drusch et al.2012GTOS25%15%GTOScWMOAgricultural meteorology10%7%5%WMObGlobal NWP20%10%5%HR NWP20%10%5%Hydrology20%8%5%a Stated in terms of the threshold,the breakthrough and the goal values.LAI 驗證歷史過程和精度變化驗證歷史過程和精度變化Fang&Liang(2005,RSE)MODIS C3USDA BARCMODIS/

23、Terra C4(QC128)Main:85.8%R2=0.435RMSE=1.42MODIS/Terra C5(QC128)Main:92.5%R2=0.307RMSE=1.53MODIS/Terra+Aqua C5(QC128)Main:97.6%R2=0.526RMSE=1.09VGT/CYCLYPES V3.1(LAI6.0)R2=0.557RMSE=0.97Field true LAIFang et al.(2012,RSE)全球中尺度全球中尺度LAI產品的驗證產品的驗證Fang,H.,Baret,F.,Plummer,S.,and Schaepman-Strub,G.(2019).

24、An overview of global leaf area index(LAI):Methods,products,validation,and applications.Review of Geophysics,doi:10.1029/2018RG000608.全球中尺度全球中尺度LAI產品的驗證產品的驗證十米級十米級LAI產品的驗證產品的驗證Fang et al.(2019,ROG)十米級十米級LAI產品的驗證產品的驗證全球態勢全球態勢與與區域差異區域差異Fang et al.(2019,RSE in revision)全球產品的區域評價：東北農田全球產品的區域評價：東北農田環境衛星估

25、算的水稻環境衛星估算的水稻LAI：洪河：洪河HJ/L8/S2估算的農田估算的農田LAI：海倫：海倫Fang et al.(2019,RSE in revision)高分辨農田高分辨農田LAI與實測數據比較與實測數據比較中分辨率衛星估算的水稻中分辨率衛星估算的水稻LAI：洪河：洪河中分辨率衛星估算的農田中分辨率衛星估算的農田LAI：海倫：海倫Fang et al.(2019,RSE in revision)中分辨率中分辨率LAI產品與升尺度高分辨率產品與升尺度高分辨率LAI的對比驗證的對比驗證全球全球LAI遙感產品的不確定性遙感產品的不確定性 千米級產品:R2:0.60.7,RMSE 0.751

26、.0;十米級產品:R2:0.70.8,RMSE 0.50.6;個別區域，如東北農田:RMSE 1.01.5全球全球LAI產品整體表現良好，在不同季節、不同區域和不同生態系統呈現較大差異，需要進一步完善。產品整體表現良好，在不同季節、不同區域和不同生態系統呈現較大差異，需要進一步完善。LAI產品驗證與評價方案產品驗證與評價方案I.地面實測點與衛星像元數據的地面實測點與衛星像元數據的直接對比直接對比驗證驗證II.衛星數據與衛星數據與升尺度升尺度后的高分辨率數據對比驗證后的高分辨率數據對比驗證III.不同衛星產品的不同衛星產品的交叉比較交叉比較IV.LAI產品與產品與其它其它光學、生物物理和氣候光學

27、、生物物理和氣候變量變量的比較（的比較（NDVI、FPAR、反照率等）、反照率等）V.衛星產品與衛星產品與模型模擬模型模擬LAI的對比的對比VI.不同不同LAI產品在模型中的產品在模型中的應用效果應用效果比較比較全球全球LAI變化：變化：2001 2017MCD15A2H,V6:(a)年平均年平均,(b)生長季生長季(4月月10月月),(c)12月月1月月,(d)6月月8月月全球全球LAI變化：歷史與未來變化：歷史與未來I.18502005，0.04(LULCC),0.11(climate+LULCC)(Lawrence et al.,2012)II.1982-2011,0.04/10a(Ze

28、ng et al.,2018)III.2001-2017,0.05/10a(0.06/10a growing season;0.04/10a,DJF)(Fang et al.,2019)IV.To 2100，0.16(Tropics),0.35(mid-latitude),0.31(high-latitude)(Mahowald et al.,2016)工業革命以來工業革命以來LAI在緩慢增加（在緩慢增加（0.01/10a），過去），過去40年增速較快（年增速較快（0.04/10a），到本世紀末中速增加（），到本世紀末中速增加（0.02 0.03/10a）。）。Fang et al.(2019

29、,ROG)Fang,H.,F.Baret,S.Plummer,and G.Schaepman-Strub,2019.An overview of global leaf area index(LAI):Methods,products,validation,and applications,Review of Geophysics.http:/dx.doi.org/10.1029/2018RG000608 Special LAI/FAPAR session in IGARSS19(https:/igarss2019.org/)Session MO4.R12.Monday,29 July,16:

30、20 18:00.Registration opened on Mar 29,2019.Attendants welcome to meet after session at dinner.Remote Sensing special issue“Remote Sensing of Biophysical Parameters”.Editors:J.GarcaHaro(U.Valencia),H.Fang(CAS),and M.Campos-Taberner(U.Valencia).Deadline:May 22,2020.http:/ to our list Chair of LAI foc

31、us area Email me.I can subscribe you automatically.全球葉面積指數驗證研究：進展與展望全球葉面積指數驗證研究：進展與展望Validation of global leaf area index(LAI):Recent development and future prospects中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室2019年6月15日2019年6月15日第四屆全國定量遙感學術論壇南京大學典型亞熱帶森林生態系統水分利用效率對物候變化的響應以浙江省為例匯報提綱1研究背景及意義2數據和方法3結果分析4主要結論第 3 頁研究

32、背景Why WUE(Water Use Efficiency)?生態系統尺度：（Le Houerou,1984）衡量生態系統碳水耦合循環程度的重要指標（Reichstein et al.,2007;Huang et al.,2015;）而陸生系統碳水耦合循環是其物質循環和能量轉換核心（于貴瑞等,2013）ETGPPWUE 第 4 頁研究背景植被物候：植物生長周期中某一事件發生的時間節點或不同狀態之間的轉折點。從植物個體到生態系統各個尺度,眾多過程都由物候直接或間接調控,特別是與碳(光合與呼吸)、水(蒸騰與蒸發)循環相關的過程(Reed等,2009)發芽展葉落葉第 5 頁研究背景LSP(Land

33、 surface phenology)：基于像元內植被指數動態曲線，其生態含義與地表觀測具有差異（Chen Jin）。單株植被區域混合信息Phenology is a leading indicator of climate change impacts.(Morisette et al.,2008)生長季開始：Start of growing season（Day of Year）生長季結束：End of growing season（Day of Year）生長季時長：Length of growing season（Day）第 6 頁研究背景物候變化？GPP、ET變化？WUE？WUE對物

34、候的敏感性與森林生境氣候變化關系如何？科學問題解決以上問題，將有助于加深對氣候變化下森林生態系統碳水耦合循環的生物調控機制的認識匯報提綱1研究背景及意義2數據和方法3結果分析4主要結論第 8 頁研究內容及方法中國區域高時空分辨率地面氣象要素驅動數據集，分辨率為0.1氣候數據2000-2012年MODIS 土地覆蓋數據產品，空間分辨率為0.05土地覆蓋數據2000-2014年MODIS GPP和ET產品，空間分辨率為0.05MODIS GPP 和 ET第 9 頁研究內容及方法有效值的確定(1)對于土地覆蓋數據,保留12年均為混交林覆蓋的像元(2)選擇夏季活躍型森林生態系統,即夏季（68月）GPP

35、均值在一年中最高,冬季(122月)GPP均值在一年中最低(3)每年有效的GPP數據記錄應該大于總數據記錄的80%第 10 頁方法將8天GPP數據線性插值成分辨率為1天SSA濾波處理得到平滑GPP曲線動態閾值法提取物候統計分析、梯度分析（Jin et al.,2017）匯報提綱1研究背景及意義2數據和方法3研究結果4主要結論第 12 頁研究結果WUE和物候時空動態格局-0.6-0.30.00.30.60.9-8-404812KW U E(1 0-3g C m-2m m-1y r-1)KSOS(dayyr-1)sens slope=-0.004P 0.01（a）-0.6-0.30.00.30.60

36、.9-5051015KSOS(dayyr-1)sens slope=0.0039P 0.01（b）-0.9-0.6-0.30.00.3-16-12-8-40KEOS(dayyr-1)sens slope=0.0049P 0.01（c）春、夏季WUE增加，秋季WUE降低SOS延遲，EOS提前WUE年際趨勢隨空間物候變化梯度特征春（夏）季WUE年際變化趨勢與SOS年際變化趨勢呈負（正）相關秋季WUE年際變化趨勢與 EOS年際變化趨勢呈正相關第 13 頁研究結果2000-2014WUE與物候的相關關系春季81.42%的區域WUE與SOS呈現負相關，SOS提前，春季WUE增加夏季82.43%的區域WU

37、E與SOS呈現正相關，SOS提前，夏季WUE減少秋季85.58%的區域WUE與EOS呈現正相關，EOS延后，秋季WUE增加第 14 頁研究結果0.120.160.200.240.280.32（b）sens slope=0.2740P=0.53160164168172176180184 sens slope=0.0059P=0.019（c）0.240.280.320.360.40sens slope=1.2528P=0.0013（e）195200205210215220 sens slope=0.0019P=0.071（f）121416182022-0.40.00.40.8偏相關系數溫度()se

38、ns slope=-0.0034P=0.65（g）0.100.120.140.160.180.20降水(mm)sens slope=2.8851P 0.01（h）125130135140145輻射(MJm-2day-1)sens slope=0.0092P 0.01（i）1012141618-0.8-0.40.00.4偏相關系數 sens slope=0.0075P=0.13（a）202224262830-0.8-0.40.00.40.8偏相關系數 sens slope=-0.0452P 0.01（d）空間氣候梯度下季節性水分利用效率WUE對物候因子（SOS/EOS）敏感性的空間變異第 15

39、頁研究結果2000-2014年季節性WUE對物候響應模式的空間分布春季模式主導：SOS提前，植被開始光合作用和蒸騰作用，GPP增加,ET增加。夏季模式和主導：SOS提前，夏季GPP受到土壤水分限制而降低，SOS延后，植被在生長季會有更強的固碳表現秋季模式和主導：EOS延遲,為生態系統的光合作用爭取到了額外的光合作用時間,增加了秋季GPP第 16 頁研究結果不同空間氣候梯度下WUE對物候的響應模式的空間變異匯報提綱1研究背景及意義2數據和方法3結果分析4研究結論第 18 頁物候變化對季節性WUE影響顯著研究結論本研究以浙江省亞熱帶混交林為研究對象，利用遙感數據分析森林生態系統水分利用效率（WUE

40、）和地表物候的時空變化，指出：WUE對物候的敏感性與森林生境氣候條件關系密切Take home message第 19 頁研究結論敬請批評指正！利用SMAP土壤含水量與數據同化實時校正GPM降水產品中山大學，地理科學與規劃學院2019年6月15日第四屆全國定量遙感學術論壇，南京 問題的提出 研究方法 研究結果 討論匯報提綱研究問題 問題原始衛星降水數據實時性好，精度差校正過的衛星降水數據實時性差,精度高 目標：如何能在保持衛星降水產品實時性的同時，提高衛星降水的精度？實時和精確的衛星降水 衛星降水數據應用廣泛干旱洪水監測、模擬研究區域、數據CMPA,mm/dayGPM,mm/day 區域：中國

41、大陸 待校正的降水產品：GPM IMERG early-run 參考降水，CMPA:China Merged Precipitation Analysis GPM 對降水的預估與 CMPA 有明顯的區別2017年5-9月降水幾類方法目標：實時降雨校正（CMPA 為真值）方法1機理模型（API模型）：建立降水與土壤含水量關系同化算法：對衛星產品進行擾動土壤含水量模擬集合機理模型+同化算法 校正降水 方法2-擬合方法：根據歷史數據尋求遙感降水（GPM）和真值（CMPA）的關系 方法3-方法1和方法2的結合方法1-API模型:建立降水與土壤水分的關系sm t?sm t?1 e?sm t?11?e?7

42、e?T?0.006T?0.03T?9.5T?287 t:time step sm:soil moisture?:saturated soil moisture P:precipitation h:depth of surface soil layer T:air temperature土壤含水量取決于上一個時刻的土壤含水量與降雨數據同化：particle filter 根據原始降雨模擬一百組降雨（乘以因子k）輸入100組模擬降雨到API模型中，輸出100組模擬土壤含水量 k=?e?if P_GPM?P?0.145 randg 5.43 if P_GPM?P?計算一百組模擬土壤含水量與SMAP觀

43、測得到的土壤含水量之間的RMSE 誤差最小的十組數據對應的模擬降雨被選中，其平均值最為同化校正后的降雨量（即輸出值）同化過程示例a)b)c)d)圖a)藍色實線：土壤含水量，藍色柱子：降雨；圖b)灰色柱子：擾動后的100組降雨，綠色點：SMAP土壤含水量；圖 c）黃實線：100組中最好的10組土壤水分；圖 d）黃色柱子：100組中最好的10組降雨，紅色為10組平均的降雨，即為最終校正后的降雨方法2-擬合方法：GPM和CMPA的關系 擬合方法：根據歷史數據尋求GPM和CMPA的關系P?i,t?a?P?i,t?P?i,t?b?P?i,t?P?i,t?F?F?P?i,t?線性擬合 非線性擬合 CDF擬

44、合不同方法產生的產品 CMPA：參考數據 GPM：衛星數據（待校正數據）SMP：土壤含水量校正 GPM-Linear:線性擬合校正 GPM-Nonlinear:非線性擬合校正 GPM-CDF:CDF擬合校正 SMP-Linear:土壤含水量校正+線性擬合校正 SMP-Nonlinear:土壤含水量校正+線性擬合校正 SMP-CDF:土壤含水量校正+線性擬合校正方法1方法2方法3研究結果：RMSEa)GPMb)GPM-Linear/GPMc)GPM-Nolinear/GPMd)GPM-CDF/GPMe)SMP/GPMf)SMP-Linear/GPMg)SMP-Nolinear/GPMh)SMP-

45、CDF/GPM 冷色：與原始衛星產品，RMSE減少較多以CMPA為真值，計算a)GPM的RMSE，b)-h)以及各種校正產品相對于GPM的提高幅度研究結果：BIASa)GPMb)GPM-Linearc)GPM-Nolineard)GPM-CDFe)SMPf)SMP-Linearg)SMP-Nolinearh)SMP-CDF 冷色：產品的BIAS小以CMPA為真值，計算GPM和校正產品的BIAS13降水產品降水產品RMSE(mm/d)BIAS(mm/d)10th50th90th10th50th90thGPM1.375.2513.430.372.035.46SMP1.44.3210.150.411

46、.764.63GPMLinear0.865.04b12.390.231.855.14GPMNonlinear0.864.6411.150.312.195.61GPMCDF2.146.9218.550.582.737.57SMPLinear0.674.0010.400.181.694.83SMPNonlinear0.704.0710.520.231.81b5.23SMPCDF1.545.3212.460.382.145.77研究結果：RMSE和BIAS影響校正效果的因素：植被密度植被越茂密，SMAP質量越差，校正產品與GPM的差別越小，意味著校正效果越差葉面積指數校正產品與原始衛星產品RMSE差

47、值1-22-33-44影響校正效果的因素：SMAP衛星觀測頻率 觀測頻率越高（東南部地區），校正效果越好討論 API模型太簡單？復雜的非線性水文模型 其它數據同化方法？卡爾曼濾波 根據SMAP數據質量進行數據同化？結合其它影響因素的校正策略？地形謝謝，請批評指正！2019-06Estimation of Forest Canopy Height and Aboveground Forest Biomass in Hilly Areas Using Lidar Waveform Data第四第四屆全國定量遙感學術論壇屆全國定量遙感學術論壇2019-06內內容容 意義與挑戰意義與挑戰 研究區與技術

48、路線研究區與技術路線 LiDAR波形數學解算波形數學解算 山區森林冠層高度估算山區森林冠層高度估算 區域區域尺度地上生物量尺度地上生物量估算估算 結論與討論結論與討論2019-06Forest canopy height(FCH)is a key parameter in the estimation of forest biomass and productivity.Aboveground forest biomass(Bagf)is of great significance for the determination of carbon sources and sinks,carbon

49、 cycling and global change research.一、意義與挑戰NASA Earth Observatory image by Jesse Allen&Robert Simmon,using data from Michael Lefsky.2019-06GLAS (the Geoscience Laser Altimeter System)was sucessfully launched aboard the ICESat,from January 12,2003.GLAS is the first laser-ranging(lidar)instrument for

50、continuous global observations of Earth.The laser will transmit short pulses(4 ns)of infrared light(1064 nm)and visible green light(532 nm).ICESat-2s laserICESat-2 successfully launched Sept.15,2018,uses lasers and a very precise detection instrument to measure the elevation of Earths surface.ATLAS(

51、Advanced Topographic Laser Altimeter System)has a single laser with 532 nm,split into six beams and arranged in three pairs to better gauge the slope,take measurements every 70 cm along the track,with 3.3 km between pairs and Interval 90m.If ICESat-2 flew over a football field,the ATLAS would collec

52、t data points between each yard line.10m70m2019-06 However,areas with hilly or mountainous terrain present a genuine challenge to extract the vertical structural parameters by using the large footprint Lidar full waveform data.(Hyde,2005)2tcR地面回地面回波信號波信號冠層回冠層回波信號波信號LIDAR腳印腳印fftan(Dong,2008)對于GLAS/AT

53、LAS系統來說，當坡度增大時，地面信號會向上傳播至70tan10o=12.34m，10tan25o=4.66m，如果樹高小于12.34m/4.66m，則樹冠信號完全包含在地面回波信號中，因此增加了樹高提取的難度。2019-06二、研究區與技術路線研究區域2019-06技術路線2019-06三.LiDAR波形數學解算A.Gaussian waveform decomposition and fitting The improved method for inflection point search Initial estimation of waveform parameters Echo d

54、ecomposition Levenberg-Marquardt non-linear fittingB.Signal starting and ending position detectionC.Detection of the ground waveform position The model of waveform:Processing steps:2019-06 The improved method for inflection point searchA mathematic method based on the inflection point of Lidar wavef

55、orm is developed and applied to process GLAS data.內點(P3)外點(P4)矢量 P1P2P1P2：L12(x,y)=(x2-x1)(y-y1)+(y1-y2)(x-x1)拐點是曲線凹凸交界點，不在同一矢量上的三點可以確定某段曲線的凹凸性。因此，要獲得曲線拐點信息至少需要四個點。采用內外點知識，可以對連續4 個點中的第3 個點判斷是否為拐點。由于凸（或凹）曲線是其所有切線的包絡線，因此，在較小的范圍內，凸（或凹）曲線上的點都處于其上切線族的同側。假設給定的點集來自彼此很接近的曲線點集，則曲線的切線可以由相繼兩點的正向直線代替，這樣就可以用關于正向

56、曲線的點集分類來確定拐點。A.Gaussian waveform decomposition and fitting2019-06Arithmetic of inflection judgment for GLASL12(x3,y3)L23(x4,y4)0點P4(x4,y4)或P4(x4,y4)與矢量P2P3的夾角有可能較小，給拐點的確定增加了難度2019-06Inflection point for GLAS waveform data in different terrain type2019-06 Initial estimation of waveform parameters求取曲線

57、拐點后，由奇偶相鄰的兩個拐點就可解算出決定高斯分量的中心位置、半寬、振幅等參數，從而確定出曲線的高斯表達形式。mmmmmtttt212,min由于存在飽和與前向散射時波形曲線會發生扭曲，由拐點解算的高斯寬度存在一定的誤差，因此，具有最大振幅的高斯分布的寬度不能用上述方法解算 對（Brenner et al.2003）算法進行改進：區間T2m-1,T2m中的最大值是否與兩拐點之一重疊；最大值位置的波形變化因滿足從正變化到負變化的規律；兩拐點之間是否出現小的波谷，如果出現則可判定相鄰有波峰存在，由此進行前向或后向搜索求解峰值2019-06Waveform peaks for the GLAS da

58、ta in different terrain type2019-06 Echo decomposition由于地形的影響，激光雷達所測得的數據不是一個單一的波形，大多數情況下是一個復雜的曲線。為了提取激光腳印中地物的高度分布及其它如地表反射率、高度及粗糙度等信息，必須要將這些復雜波形數據分解成不同平面或不同地物的單峰回波曲線，以用于所需要的參數的提取最小高斯振幅：將振幅小于Amin的高斯峰剔除，保留比Amin大的峰；對于相鄰波峰間間隔小于發射脈沖寬度的高斯波峰進行合并；對這些波按面積進行排序，將最小面積的波峰合并到距離其最近的面積最大的波峰中去，直到高斯波峰的數目少于或等于6個。按面積權重或

59、平均值進行合并：2019-06Decomposed waveforms for GLAS data in different terrain type2019-06 Levenberg-Marquardt non-linear fitting在地形復雜地區，經過高斯濾波后的波形數據存在一定的展寬，且各個高斯分量的幅度也有所減小，這不利用高度信息的提取。Wave-fitting for GLAS data in different terrain type(Levenberg,1963)2019-06B.Signal starting and ending position detectionC

60、.Detection of the ground waveform position起始信號的閾值為起始噪聲的平均值加上其標準偏差的和，而相應的信號結束的閾值為結束噪聲的平均值加上其標準偏差的和Ground peaks detection for the GLAS waveform.(a)Smoother surface;(b)Rough surface(Sun,et al.,2008)(Sun,et al.,2008)2019-06四.山區冠層高度估算 FCH in flat areas:FCH extraction in slope areas:不同坡度下GLAS波形松樹林（坡度30201

61、9-06 The terrain index model(TIM)The centroid-terrain index model(CTIM)(Lefsky,2005)(Dong,2008,2019)cw為波形質心到回波信號結束位置的距離；質心位置在其波形面積的1/2處也可通過GLA14產品中的參數gpCntRngOff與ldRngOff得到。DEM55采樣窗口不同采樣模式下計算地形指數地形指數：指GLAS激光腳點位置，一定大小采樣窗口（33,55與77）內數字地面模型（DEM）中地表高程的平均大?。↙efsky et al.2005）2019-06Why?瑞利追蹤（Ray Tracing）波

62、形分析（Heyder，2005）松樹林模擬波形（30年,3m間隔）松樹林（19年,1.1坡度）不同坡度下GLAS波形 Heyder（2005）認為信號初始位置與地面回波位置測量結果與信號初始位置與DTM差異所得結果最接近，而且由信號初始位置計算樹高結果變化最大，其對坡度的敏感性較大?；诓ㄐ钨|心（Centroid）的計算結果低估了植被冠層高度，但對坡度較大地區，其結果相對比較穩定，對坡度的敏感性較低。Heyder計算了6種冠層高度數據：2019-06 Comparison of TIM and CTIM2019-06 Validation with traditional field-meas

63、ured data Validation with ground-based Lidar dataRMSE reaches 5.83m for all the forests(Dong,2019,JSTARS)2019-06基于LiDAR-FCH與光學數據如VI、LAI和FVC，利用最小二乘算法（OLSR）和和BP-NN模型協同估算區域尺度地上生物量地上生物量(Bagf)OLSR方法方法LiDAR-FCHBiomassNDVI,SAVI,MSAVI,ARVILAIFVCVIi五、區域尺度地上生物量估算2019-06樣本數據生物物理意義討論為什么要計算FVC、LAI、VI？（張仁華 1996）F

64、LAIAHH異速生長測量法原理分析不同類型森林樹高與LAI關系1）2)3)2019-06 BP-NN模型f123x1x2xnyx1kx2kxnky1ky2kynk輸出層隱含層輸入層BP神經元與網絡拓撲結構BP網絡是一種多層網絡，采用最小均方差的學習方式，克服了簡單感知器不能解決的XOR和其它一些問題。當隱層神經元數目足夠多時，可以任意精度逼近一個具有有限間斷點的非線性函數，所以非常適用于非線性模型擬合非線性模型擬合。當建立了BP神經網絡模型用于森林生物量計算時就構成了BP神經網絡森林生物量模型系統。遙感數據和其它數據作為樣本樣本數據數據，輸入BP模型進行自學習，運用神經網絡系統的仿真功能將待測

65、遙感圖像輸入進行生物量計算。2019-06標準化模型參數確定abaXXXjii|將原始數據標準化至0-1之間。神經網絡訓練中選取的trainscg函數是可微分遞減函數，其值域為0,1。仿真誤差評價仿真結果的平均相對誤差和平均相對誤差絕對值分別為1.62%和7.54%3層BP網絡，隱含層節點為10個，誤差值E 0.0001或訓練次數達到1000次樣本數據結果輸出與驗證LiDAR-FCH、FVC、LAI、VI2019-06FVC結果與驗證針葉林植被覆蓋度驗證R2=0.853600.10.20.30.40.50.60.70.80.9100.20.40.60.81實測值估算值針葉林線性(針葉林)闊葉林

66、植被覆蓋度驗證R2=0.808400.10.20.30.40.50.60.70.80.9100.20.40.60.81實測值估算值闊葉林線性(闊葉林)混交林植被覆蓋度驗證R2=0.742400.10.20.30.40.50.60.70.80.9100.20.40.60.81真實值預測值混交林線性(混交林)(董立新，2019，遙感技術與應用,，34(1):136-145)2019-06LAI結果與驗證R2=0.79220123456701234567觀測LAI擬合LAI針葉林R2=0.818502468101214024681012觀測LAI擬合LAI闊葉林R2=0.77750246810120

67、24681012觀測LAI擬合LAI混交林RMSE分別為0.8294、1.1115、1.7909(董立新，2019，國土資源，31(2):73-81)2019-06FCH結果與驗證all forest(R2=0.75,RMSE=5.74 m,Mean error=1.24 m).coniferous forest(R2=0.83,RMSE=5.53 m,Mean error=1.19 m)broadleaf forest(R2=0.506,RMSE=4.57 m,Mean error=1.28 m).(Lixin Dong,2019,IEEE JSTARS,dio:10.1109/JSTARS

68、.2019.2908682)2019-06BIOMASS結果與驗證2019-06OLSR方法RMSE=17.77 t ha-1BP-NN模型RMSE=12.23 t ha-1(Lixin Dong,2019,IJRS,dio:10.1080/01431161.2019.1587201)2019-06六、結論與討論結論A mathematic method based on the inflection point of Lidar waveform for the rapid processing of GLAS original waveform data is proposed and a

69、ccomplished.It is found that the mathematic method based on the inflection point is an effective way for GLAS waveform data processing.An improved model,CTIM,is developed and used in the FCH estimation of different forest types in hilly areas.It is found that CTIM integrating waveform centroids and

70、a terrain index offers the better approach to estimate FCH even for areas with large slope angles.The CTIM accuracy is improved with a RMSE of 4.057m from 5.718m,especially for conifer forest.To improve the accuracy of Bagfestimation,the extrapolated model of FCH at the regional scale is defined bas

71、ed on specific relationships between FCH in LiDAR footprint and Landsat derived variables.Validation results indicated that the estimated FCH agrees well with the field measurements for all forest(R2=0.751,RMSE=5.74 m).The OLSR method and BP-NN model for Bagfestimation of two different forest types

72、by integrating LiDAR FCH and optical remote sensing variables(VI,LAI and FVC)are established,respectively.Validation results suggest that RMSE of the Bagfestimation by the OLSR method is 17.77 t ha1.The BP-NN model is superior to the OLSR method,with a RMSE of 12.23 t ha1.It is shown that the BP-NN

73、model is to be useful for the automatic extraction of Bagfat regional scales in areas with a complex topography.2019-06多源數據的尺度匹配多源數據的尺度匹配不確定性來源不確定性來源 地形對多種遙感數據反演結果精度的影響 森林樹木種類、分布結構及聚集度的影響 GLAS腳點定位、光學遙感影像像元與實測樣地的幾何配準誤差影響 大氣條件的影響 樣地實測數據的誤差影響討論2019-06Thanks for your attention!報告提綱報告提綱協同創新中心培育成效國產激光衛星的測

74、高模式國產激光衛星的測高模式激光測高誤差分析和幾何處理激光測高誤差分析和幾何處理星載激光測高產品分級及應用星載激光測高產品分級及應用星載激光測高衛星現狀星載激光測高衛星現狀GF-7GF-7陸地生態碳衛星陸地生態碳衛星激光測高衛星是對地觀測衛星系統中非常重要的一部分。未來幾年，國內外均有較明確的規劃，國產GF-7、陸地生態碳監測衛星將配置激光測高儀。激光測高衛星是對地觀測衛星系統中非常重要的一部分。未來幾年，國內外均有較明確的規劃，國產GF-7、陸地生態碳監測衛星將配置激光測高儀。ZY3-02ZY3-02國內外研究現狀國內外研究現狀 2016年5月，我國資源三號02星發射，衛星搭載了國內首臺激光

75、對地測高儀試驗載荷 高 分 七 號 衛 星 預 計 于2019年發射,主要滿足我國1:10000立體測繪需求 服務于國家林業調查的碳監測衛星已立項，預計2020年發射國內外研究現狀國內外研究現狀激光測高衛星平臺國內對地激光測高衛星http:/icesat.gsfc.nasa.gov全球高程控制點與高程制圖全球高程控制點與高程制圖冰川高程測量與制圖Michael Lefsky,Colorado State University林業反演與全球生物量估計研究城市三維信息提取與研究https:/www.nasa.gov/mission_pages/icebridge/instruments/icesa

76、t2.html星載激光測高儀星載激光測高儀星載激光測高應用成為當前研究熱點國內外研究現狀國內外研究現狀報告提綱報告提綱協同創新中心培育成效國產激光衛星的測高模式國產激光衛星的測高模式激光測高誤差分析和幾何處理激光測高誤差分析和幾何處理星載激光測高產品分級及應用星載激光測高產品分級及應用星載激光測高衛星現狀星載激光測高衛星現狀 高分辨率國土測繪衛星高分七號（GF-7），是我國首顆民用亞米級高分辨率光學傳輸型立體測繪衛星。高分七號衛星主要用于我國1:1萬立體測圖生產及更大比例尺基礎地理信息產品的更新；衛星計劃于2019年發射，衛星配置了雙線陣立體測繪相機和2波束激光測高儀。星載激光測高模式星載激光

77、測高模式 激光測高儀（3+2束1064nm+1束532nm）；多角度多光譜相機（5視,0,20,45）；足印相機/監視相機(激光同光路)碳衛星主要載荷星載激光測高模式星載激光測高模式激光光束出射標識相機激光光束出射標識相機星載激光測高模式星載激光測高模式激光足印相機工作模式激光足印相機工作模式同步模式異步模式星載激光測高模式星載激光測高模式參數項GF-7TECISICESat激光地面光斑直徑30m25m70m激光波長(nm)10641064/5321064/532激光出射能量(mJ)12010075/35測距頻率(Hz)34040脈沖寬度(ns)557靜態測距精度(m)0.30.3 0.15

78、星載激光測高模式星載激光測高模式報告提綱報告提綱協同創新中心培育成效國產激光衛星的測高模式國產激光衛星的測高模式激光測高誤差分析和幾何處理激光測高誤差分析和幾何處理星載激光測高產品分級及應用星載激光測高產品分級及應用星載激光測高衛星現狀星載激光測高衛星現狀預處理預處理接收接收接收接收處理應用標準產品高級產品應用產品0級產品設計設計設計設計在軌參數主動遙感處理流程預處理預處理接收接收接收接收處理處理應用應用標準產品高級產品應用產品0級產品傳統光學處理流程激光測高產品分級激光測高產品分級國產星載激光產品分級體系國產星載激光產品分級體系如何以應用為核心建立我國激光測高數據的產品分級體系主要問題星載數

79、據產品處理流程激光測高產品分級激光測高產品分級構建國產激光測高產品分級體系構建國產激光測高產品分級體系產品分級說明原始數據衛星接收望遠鏡探測到激光回波信號數據激光測高原始數據產品激光回波數據經過預處理、測距數據提取及光斑定位測高數據等。激光測高基礎產品經地面激光定標場檢校校正補償后的數據產品。激光測高標準產品經過大氣折射延遲修正、全球潮汐修正后的數據產品。激光測高專題產品激光波形預處理數據進行反演得到地表高程數據和地物高程數據等。技術方案激光測高產品分級激光測高產品分級報告提綱報告提綱協同創新中心培育成效國產激光衛星的測高模式國產激光衛星的測高模式激光測高誤差分析和幾何處理激光測高誤差分析和幾

80、何處理星載激光測高產品分級及應用星載激光測高產品分級及應用星載激光測高衛星現狀星載激光測高衛星現狀如何對星載激光測高系統誤差項進行分析，以制定合理的誤差補償策略？軌道高度500公里激光束出射測距誤差地表坡度星敏測量陀螺漂移大氣潮汐衛星GPS測量精度地面地物激光測量精度?主要問題激光測高系統誤差分析激光測高系統誤差分析激光測高誤差分析激光測高誤差分析激光衛星誤差來源與影響機理主要誤差種類影響機理主要誤差種類影響機理測量環境誤差大氣散射、大氣折射延遲大氣延遲影響激光測距，導致高程誤差背景噪聲太陽輻射影響背景噪聲降低信雜比，波形分解引起測距誤差海洋潮汐、固體潮潮汐引起高程基準誤差，主要引起高程誤差地

81、物目標誤差斜率和粗糙度激光光斑中心偏差，引起水平誤差載荷器件誤差數字轉換器件延遲時間同步誤差，引起激光測高誤差和平面誤差APD信號飽和信號飽和引起波形峰值延遲，引起激光測距誤差激光出射指向和測距誤差同時引起激光測高誤差和平面誤差軌道測量誤差時鐘同步誤差+軌道測量誤差軌道位置的測量誤差，引起激光測高誤差和平面誤差姿態測量誤差星敏相機測量姿態誤差激光光軸的指向誤差，主要引起激光平面定位誤差激光測高誤差分析激光測高誤差分析由激光測高系統的硬件及平臺設備自身精度和穩定性引起的誤差設備系統誤差設備系統誤差激光信號傳輸過程中，由于地球大氣及地表地物等系統外部環境對激光測高結果的影響外部環境誤差外部環境誤差

82、星載激光測量誤差星載激光測量誤差系統性誤差時變性誤差激光測高誤差分析激光測高誤差分析星載激光測高誤差分析體系星載激光測高誤差分析體系測高系統誤差分析測高系統誤差分析衛星平臺外方位元素包括定軌誤差、測姿誤差等，引起激光幾何定位和測距誤差影響激光測高精度包括安裝誤差、出射延遲及測距時延及隨機出射誤差等。外方位元素外方位元素激光器測量誤差激光器測量誤差激光光斑標識誤差激光光斑標識誤差由于激光被激發時,每次出射方向都會存在差異,因此配置相機標識激光束出射方向激光測高誤差分析激光測高誤差分析時變性誤差補償時變性誤差補償激光測高儀發射電磁波信號經過大氣層時發生折射，并造成測距延遲地表受月球和太陽的吸引力作

83、用而產生的周期性運動，使得激光測高基準發生變化大氣延遲影響大氣延遲影響地球潮汐影響地球潮汐影響地表地物影響地表地物影響地表反射率、地勢起伏、地物分布等,會造成激光回波展寬和子波形混疊激光測高誤差分析激光測高誤差分析以激光測距原理和誤差理論為著手點，構建星地一體化的激光測高嚴密幾何模型，用于激光數據處理流程制定和各級產品劃分。激光測高嚴密模型激光測高嚴密模型激光波形處理激光波形處理激光波形處理激光波形處理潮汐改正模型潮汐改正模型潮汐改正模型潮汐改正模型大氣延遲改正模型大氣延遲改正模型大氣延遲改正模型大氣延遲改正模型激光幾何定標激光幾何定標激光幾何定標激光幾何定標sincoscossincos84

84、28484UWGSbodyTIDESTROPWGSSSSWGSOOORRdSSSZYXZYX激光測高誤差分析激光測高誤差分析不同地表對激光回波信噪比的影響星載激光波形預處理星載激光波形預處理地表反射率、地勢起伏、地物分布等,會造成激光回波展寬和子波形混疊主要問題-13711152030405060Error(cm)SNR(db)激光回波信噪比與測距誤差關系激光波形預處理流程0.100.10.20.30.500.511.502505007501000125015001750激光回波信號電壓(V)激光發射信號電壓(V)激光信號采樣時間(ns)發射信號回波信號0.100.10.20.30.40100

85、200300400500回波信號電壓(V)激光信號對應時刻(ns)0.100.10.20.30.40100200300400500回波信號電壓(V)激光信號對應時刻(ns)激光回波信號噪聲點估計0.100.10.20.30.40100200300400500回波電壓信號增強值(V)激光信號對應時刻(ns)激光回波信號波形擬合結果信號飽和補償、過零負沖電壓值轉化信號提取波形擬合星載激光波形預處理星載激光波形預處理地表地表SAllAl構建了星載激光幾何定標模型構建了星載激光幾何定標模型首次提出基于地形約束的激光出射方向定標方法首次提出基于地形約束的激光出射方向定標方法星載激光在軌幾何定標星載激光在

86、軌幾何定標具有一定具有一定地形特征或坡度地形特征或坡度的區域，地表反射率一致，無植被樹木覆蓋的區域，地表反射率一致，無植被樹木覆蓋基于地形/波形定標方法基于地形/波形定標方法基于固定場定標方法基于固定場定標方法要求定標場選擇要求定標場選擇地勢平坦地勢平坦的裸地，地表反射率基本一致的裸地，地表反射率基本一致后處理后處理方法，不要求與衛星同步實時性要求高，方法，不要求與衛星同步實時性要求高，與衛星同步與衛星同步處理處理兩種方法進行協同定標，減少系統在軌幾何定標的成本和周期，提升星載激光測高系統的穩定性。星載激光在軌幾何定標星載激光在軌幾何定標激光測高作為測距系統，如何消除大氣折射效應引起的測距延遲

87、誤差？ZL=m(,P)n(z)-1 dz主要問題激光測距大氣延遲激光測距大氣延遲天頂延遲天頂延遲映射函數映射函數1m()0.00085599sin()0.0021722sin()0.0060788sin()sin()0.115711()sin()tan()mab1()sin()tan()sin()mabc映射函數主要與激光束天頂入射方向天頂入射方向相關大氣天頂延遲主要與 地表壓強地表壓強和 大氣可降水量大氣可降水量 相關干大氣延遲量級約為2.3m；濕大氣延遲量級在1050mm611621010HmSurfdWWWRLkgPMRLkPM對流層大氣天頂延遲模型干項延遲濕項延遲激光測距大氣延遲激光測

88、距大氣延遲激光測距大氣延遲激光測距大氣延遲地表高程地表高程地表大氣延遲地表大氣延遲通過大氣延遲改正模型的關鍵參數仿真分析，研究蘭州地區地表起伏與地表大氣延遲的關聯關系。激光測距延遲值與地表高程具有強相關性，主要原因是地勢引起氣象數據變化所導致對于地表起伏復雜的地區，NCEP全球大氣模型不準確。采用國內2000個氣象站實測氣象數據進行誤差校正?；跉庀笳竞突跉庀笳竞蚇CEP的大氣延遲改正的大氣延遲改正技術方案內蒙古地區修正后誤差對比河南省修正后誤差對比020406080100120氣象站序列-30-20-10010誤差/mmNCEP修正誤差氣象站修正誤差020406080100氣象站序列-20

89、020406080誤差/mmNCEP修正誤差氣象站修正誤差采用國內氣象站提供氣象數據，綜合考慮高度和距離因素加權內插，經過數據交叉檢驗，可以將大氣延遲誤差控制在1cm以內。激光測距大氣延遲激光測距大氣延遲月球和太陽的引力作用而產生潮汐現象，影響激光測高的基準而引起誤差主要問題選擇高精度潮汐改正模型進行激光測高補償激光測高潮汐改正激光測高潮汐改正采用FES2014海潮模型和IERS2010固體潮模型對海潮和固體潮進行激光高程誤差改正。2322222()()coscoscos2sin2 sin2cos11 3(sin)(sin)33mmmmmmmmmcrWDHHRr342232222331()()

90、()sinsin(35sin)(35sin)31 coscos(1 5sin)(1 5sin)cos25 5cossincossincos2coscoscos36mmmmmmmmmmmmmmcrRWDRcrHHH2322222()()coscoscos2sin2 sin2cos11 3(sin)(sin)33ssssssssscrWDHHRr激光測高潮汐改正激光測高潮汐改正主要誤差種類定位精度提升措施主要誤差種類定位精度提升措施誤差量級修正殘差測量環境誤差大氣散射、大氣折射延遲構建大氣改正模型測距誤差：23m2cm背景噪聲太陽輻射影響激光波形濾波算法測距誤差：0.3m1cm海洋潮汐、固體潮全球

91、潮汐改正模型高程誤差：0.51m1cm地物目標誤差 斜率和粗糙度激光波形分解和高斯擬合算法 高程誤差：10cm1cm1載荷器件誤差數字轉換器件時延星上設計+時間同步標定平面誤差：5m高程誤差：0.1mAPD信號飽和星上設計+飽和補償模型測距誤差：0.31m1cm激光出射指向和測距誤差在軌定標和誤差補償模型平面誤差：5m高程誤差：0.1m軌道測量誤差 時鐘同步誤差+軌道測量誤差 星上設計+在軌定標預軌誤差：510m精軌誤差：0.050.1m姿態測量誤差 星敏相機測量姿態誤差星上設計+在軌定標平面誤差：5m激光測高衛星幾何誤差來源與定位精度提升措施激光測高誤差補償激光測高誤差補償總結與展望總結與展

92、望激光測高衛星經過幾十年的發展，從深空探測到對地觀測，目前已經應用于全球測繪、林業調查、極地探測等多個研究領域。近年來激光測高模式也發生了重大突破，線性體制單波束激光雷達到多波束高重頻的光子計數激光雷達，激光測繪遙感方向迎來新的發展機遇。激光測高數據處理和分級是專題和高級產品應用的關鍵，做好激光測高數據處理需要總體單位和應用單位的共同參與。加強激光測高與其他遙感測繪方式交叉融合、優勢互補，促進激光測繪遙感在科研、教育和應用中取得更大的成果！謝 謝！謝 謝！第四屆全國定量遙感學術論壇基于光合系統水平SIF提高GPP估算精度2019年6月16日南京1.研究背景2.冠層輻射傳輸分析3.隨機森林回歸方

93、法4.基于反射率的簡化算法5.結論報告提綱1.研究背景日光誘導葉綠素熒光（SIF）是植被光合作用的副產品黃長平、王思恒，20171.研究背景暗反應過程與光反應過程存在耦合關系，葉綠素熒光不僅僅與APAR有關，也與光合狀態有關！Magney,T.S.,Bowling,D.R.,Logan,B.A.,Grossmann,K.,Stutz,J.,Blanken,P.D.,.&Lopez,S.(2019).Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence

94、.Proceedings of the National Academy of Sciences,201900278.Sun,Frankenberg et al.,Science 2017SIF是GPP的理想探針?Sun et al.,Science 20171.研究背景存在的問題：不同植被類型SIF-GPP關系存在差異（光能利用率？SIF逃出效率？）哪個波段SIF更具GPP估算潛力?1.研究背景光系統尺度葉片尺度冠層尺度全球/區域尺度吸收吸收吸收吸收/散射混合像元散射混合像元遙感探測光合作用如何將可測量的冠層方向性SIF轉換為需要的光合系統總SIF？Berry et al.2014?1.研究

95、背景Romero et al.2018Yang et al.2018葉片組分吸收光譜再吸收效應散射效應2.冠層輻射傳輸分析熒光光子在冠層內部的輻射傳輸過程與冠層截獲的太陽光子相似區別:光子的來源T0:直接穿過冠層的光子;I:被冠層截獲的光子;A:冠層吸收的光子;E:逃出冠層的光子.光譜不變理論(ptheory)(Stenberg et al.,2016)黑背景假設黑背景假設:光子再碰撞概率；?:葉片單詞散射反照率；?:冠層截獲率?,?BRF,?BRF,?1?,?1?,?,BRF,?3.隨機森林回歸方法00.050.10.150.20.250.30.350.4R758MTCIR685R710ND

96、VISRRelativeimportanceFarredRed?,?BRF,?BRF,SCOPE 模擬數據模擬數據=f(R685,R710,R758,MTCI,SR,NDVI)?,?BRF,?,?BRF,隨機森林回歸隨機森林回歸fCP參數重要性分析參數重要性分析3.隨機森林回歸方法SCOPE 模擬數據驗證模擬數據驗證2/3 樣本訓練，樣本訓練，1/3 樣本驗證樣本驗證1維輻射傳輸模型維輻射傳輸模型3.隨機森林回歸方法DART 模擬數據驗證模擬數據驗證3維光子追蹤模型無法模擬光合系統水平熒光維光子追蹤模型無法模擬光合系統水平熒光SCOPE 模擬數據訓練DART 模擬數據驗證3.隨機森林回歸方法(

97、a)(c)(b)SiteDateSpeciesCab(g/cm2)LIDFFcXiao Tangshan(XTS)Apr.8,9&18,Nov.7,Dec.8,2016Winter wheat21.22 55.29Spherical0.15 0.79NanbinFarm(NBF)Dec.18,2016Vegetables and cotton15.22 56.68Planophile0.28 0.91SanyaStation(SYS)Dec.18,2016Gold coin grass40.83Planophile0.67在冠層水平，APARchl和SIF關系斜率隨物種變化，紅波段尤為明顯冠層

98、到光系統水平熒光降尺度有效減小了SIF-APARchl關系的物種差異性多物種觀測實驗多物種觀測實驗冠層光系統冠層光系統3.隨機森林回歸方法多角度觀測實驗多角度觀測實驗 在冠層尺度，SIF表現出明顯的方向性特征 經過冠層-光合系統水平SIF降尺度，SIF方向性特征顯著減弱，同一APAR水平下，不同觀測方向SIF變異系數顯著減小。3.隨機森林回歸方法14:58 on June 30,20153.隨機森林回歸方法LeafSurface reflectScatterScatterAbsorbLeafScatterScatterAbsorb(a)Intercepted solar photons(b)E

99、mittedSIF photons 非“黑背景”4.基于反射率的簡化算法?y=0.138x+0.023R=0.00500.010.020.030.040.050.060.0700.01 0.02 0.03 0.04 0.05 0.06 0.07RedRed_veg(a)y=0.275x+0.013R=0.07600.010.020.030.0400.010.020.030.04RedNDVIRed_veg(b)y=0.472x+0.007R=0.53300.010.020.0300.010.020.03RedNDVI2Red_veg(c)y=0.884x+0.059R=0.98700.10.2

100、0.30.40.50.600.10.20.30.40.50.6NIRNIR_veg(d)y=0.936x+0.003R=0.99500.10.20.30.40.50.600.10.20.30.40.50.6NIRNDVINIR_veg(e)00.020.040.060.080.10.120.14600650700750800SoilReflectanceWavelength(nm)(f)?4.基于反射率的簡化算法,Badgley,et al.20174.基于反射率的簡化算法4.基于反射率的簡化算法y=1.194x+0.089R=0.90040040801201604004080120160SI

101、FPS(mW/m2/nm)SIFCorr(mW/m2/nm)(b)RedBandy=0.814x 0.072R=0.985505101520505101520SIFPS(mW/m2/nm)SIFCorr(mW/m2/nm)(a)NIRBandSIF?SIF FAPARBRF NIR,NDVISIF?SIF FAPARBRF Red,NDVI?兩種光合系統水平SIF估算方法結果比較4.基于反射率的簡化算法SIF-APAR關系（大滿站2017年數據）4.基于反射率的簡化算法SIF-GPP關系（大滿站2017年數據）4.基于反射率的簡化算法HL-2017HL-2018DM-2017DM-2018NI

102、RRedNIRRedNIRRedNIRRedSIFCanopy0.7290.6470.8000.2570.6750.5110.7130.294SIFPS0.8440.8010.8660.4820.7070.7620.7470.441SIFCorr0.8320.7460.9190.5020.7190.7810.7560.466HL-2017HL-2018DM-2017DM-2018NIRRedNIRRedNIRRedNIRRedSIFCanopy0.5850.5990.8030.3940.6670.4130.6190.213SIFPS0.4350.5750.7350.6440.6330.6100

103、.5970.330SIFCorr0.3900.7590.7690.6960.6300.7370.5890.398SIF?SIF FAPARBRF NIR,NDVISIF與APAR關系決定系數（R2）SIF與GPP關系決定系數（R2）5.結論 光合系統水平總熒光的反演對于GPP估算具有重要意義；植被二向反射率因子（BRF）是表征SIF冠層逃出效率的重要參數；通過冠層-光合系統水平熒光降尺度，可以有效改進SIF-GPP模型，可以顯著提升紅光波段SIF的GPP估算潛力，紅光SIF的應用價值值得重視。Liu,X.,Guanter,L.,Liu,L.,et al.Downscaling of solar

104、-induced chlorophyll fluorescence from canopy level to photosystem level using a random forest model.Remote Sensing of Environment.DOI:10.1016/j.rse.2018.05.035.2018Liu,X.,Liu,L.,Hu,J.,et al.Improving the potential of red SIF for estimating GPP by downscaling from the canopy level to the photosystem

105、 level.(Under review)目錄背景意義喀斯特區特殊性材料與方法研究結果結論背景意義眾所周知，葉綠素是植物進行光合作用最重要的生化物質之一，是植被長勢、光合能力以及植被遭遇環境脅迫的重要指示器。高光譜遙感手段因其快速、高效、便捷的特點成為了備受推崇的快速、無損估測植物葉綠素含量的重要手段之一。完全適用于所有區域的葉綠素植被指數并沒有達成共識，或者說基本不存在。我國喀斯特區面積廣闊，喀斯特環境的特殊性往往使得適用于其他區域的許多方式方法在喀斯特區不一定適用?？λ固貐^特殊性（Karst&Non-karst）0.01.02.03.04.05.06.0樸樹黃荊鹽膚木紅背山麻桿葉綠素含量（

106、葉綠素含量（mg/g)NonkarstKarstababaaabababab0.000.100.200.300.400.500.600.700.80樸樹黃荊鹽膚木紅背山麻桿水分含量（水分含量（%)NonkarstKarst土壤土壤PHP含量含量g/kgN含量含量g/kgK含量含量g/kgCa含量含量g/kg有機碳含量（有機碳含量（%）Nonkarst5.540.470.859.6655.191.34Karst6.760.852.027.5759.712.25喀斯特區特殊性（Karst&Non-karst）光譜三邊參數光譜三邊參數KarstNonkarst藍邊位置藍邊位置522.03521.07

107、黃邊位置黃邊位置629.11628.10紅邊位置紅邊位置709.19707.27藍邊面積藍邊面積0.060.06黃邊面積黃邊面積0.060.06紅邊面積紅邊面積0.490.41傅松玲等（2002）研究發現，喀斯特區域榆科樹種葉片的水勢值偏低，體內Ca、Mg、Cu、Zn等元素含量較高，葉肉柵欄組織與海綿組織分化明顯，氣孔密度較小，具角質層。李穎（2006）的研究表明喀斯特區南天竹葉片中葉綠素、類胡蘿卜素、葉片的N、可溶性糖和蛋白質含量均顯著高于紫色土區和黃壤區?？λ固貐^特殊性（Karst&Non-karst）關鍵科學問題喀斯特區如此特殊，現有的葉綠素光譜指數在喀斯特去是否適用？光譜指數模型是葉綠

108、素含量遙感反演的常用手段，為探求植被葉綠素濃度，國內外學者構建和發展了許多植被指數。然而，光譜指數的區域性很強，很難找到一種可以適用于所有區域的光譜指數。能否針對喀斯特區提出適宜喀斯特區的特有葉綠素植被指數？充分總結已有的光譜指數，概括出光譜指數的主要表達形式，借用計算機強大高校的運算能力，搜尋4002500nm的所有可能的常用形式光譜指數，選找出喀斯特區的最適葉綠素光譜指數。材料獲取樹種選擇選取我國南方喀斯特區5個常見優勢樹種為研究對象：龍須藤、黃荊、紅背山麻桿、鹽膚木、樸樹樣地選擇桂林大埠喀斯特山地，南坡，下坡位，樣區200m2左右。對照：相距15公里左右，桂林植物園境內，降雨光照等氣候條

109、件相近。光譜采集每個樹種選取68株，每株不同方位選擇3片成熟健康葉片，用ASD地物光譜儀器，配合葉片夾測量葉片光譜。光 譜 波 段 范 圍3502500nm葉綠素提取與光譜測量保持同步，將測量光譜的葉片采集回實驗室中，用化學方法檢測其葉綠素含量。參照李合生法：丙酮乙醇1:1浸提，然后用紫外分光光度計測量。研究方法指數指數indices表達式歸一化植被指數表達式歸一化植被指數NDVI(R800-R680)/(R800+R680)綠色歸一化植被指數綠色歸一化植被指數GreenNDVI(R750-R550)/(R750+R550)改良紅邊歸一化植被指數改良紅邊歸一化植被指數mND705(R750-R

110、705)/(R750+R7052*R445)色素簡單比值指數色素簡單比值指數PSNDaR800/R680PSNDbR800/R635PSNDcR800/R470結構不敏感色素指數結構不敏感色素指數SIPI(R800-R445)/(R800-R680)類胡蘿卜素反射指數類胡蘿卜素反射指數mCRIR780/(1/R510)-(1/R550)生理反射指數生理反射指數PRI(R531-R570)/(R531+R570)熒光比值指數熒光比值指數FRI1R600/R690FRI2R740/R800葉綠素吸收比率指數葉綠素吸收比率指數TCARI3*(R700-R670)-0.2*(R700-R550)(R7

111、00/R670)三角形植被指數三角形植被指數TVI0.5*120*(R750-R550)-200*(R670-R550)葉綠素吸收面積指葉綠素吸收面積指CAAI（40*(R700-R670)-30*(R670-R630)/(70*(R700+R630)綜合型葉綠素光譜指數綜合型葉綠素光譜指數MCARI/OSAVI(R700-R670)-0.2*(R700-R550)(R700/R670)(R700/R670)/(1.6*(R800-R670)/(R800+R670+0.16)文獻中帥選出的常用指數15研究方法差值植被指數差值植被指數比值植被指數比值植被指數歸一化植被指數歸一化植被指數 1212

112、12ND=RR/RR（，）1212D=RR（，）1212SR=R /R（，）倒數差值植被指數倒數差值植被指數121211ID=RR（，）指數的主要表達形式研究方法指數精度評價標準22121R1niiiniiiyyyy 211RMSE=nniiiyy研究結果相關性分析結果常用指數分析結果發展新指數結果相關分析結果葉綠素與光譜之間存在較強的相關性，其中，原始光譜與葉片葉綠素的相關系數（R）最大值可達0.53，出現在1661 nm波段處。通過一階導數變換后，導數光譜與葉片葉綠素含量的相關性在部分波段得到明顯增強，相關系數絕對值大于0.53的波段達到270個，絕對值最大值為0.78，對應波段為2384

113、 nm。葉綠素含量與原始反射光譜及一階導數光譜各波段相關系數圖常用光譜指數分析結果指數指數indicesR2RMSEP歸一化植被指數歸一化植被指數NDVI0.000.350.99綠色歸一化植被指數綠色歸一化植被指數GreenNDVI0.320.290.00改良紅邊歸一化植被指數改良紅邊歸一化植被指數mND7050.450.260.00色素簡單比值指數色素簡單比值指數PSNDa0.000.350.99PSNDb0.260.300.00PSNDc0.000.350.81結構不敏感色素指數結構不敏感色素指數SIPI0.000.350.86類胡蘿卜素反射指數類胡蘿卜素反射指數mCRI0.110.330

114、.07生理反射指數生理反射指數PRI0.180.320.02熒光比值指數熒光比值指數FRI10.240.310.01FRI20.240.310.01葉綠素吸收比率指數葉綠素吸收比率指數TCARI0.160.320.02三角形植被指數三角形植被指數TVI0.060.340.19葉綠素吸收面積指數葉綠素吸收面積指數CAAI0.430.260.00綜合型葉綠素光譜指數綜合型葉綠素光譜指數MCARI/OSAVI0.290.300.00基于原始光譜的最優指數雖然不同類型的光譜指數的波段組合方式不一樣，但在500800nm處、15001700nm以及1900nm2100nm處與其他波段的組合的相關性較為顯

115、著，這也說明這些范圍的波段對植被葉綠素相對較為敏感。最優指數指標指標12R2PRMSE差值指數差值指數164216660.630.000.21比值指數比值指數164216650.620.000.22歸一化指數歸一化指數164216650.620.000.27倒數差值指數倒數差值指數163916660.610.000.40基于原始光譜的不同類型植被指數相關性系數分布圖基于原始光譜的最優指數光譜一階導數變換后，相關系數高值區域更加集中，500800nm波段然仍是光譜指數的敏感區域。通過一階導數變換后，反演能力有了較明顯提升，差值植被指數dD（760，769）取得的效果最好。最優指數指標指標12R2

116、PRMSE差值指數差值指數7607690.710.000.19比值指數比值指數165317810.670.000.49歸一化指數歸一化指數94216550.630.000.44倒數差值指數倒數差值指數64223170.630.000.44基于一階導數光譜的不同波段組合相關性系數分布圖結論常用指數表現常用光譜指數在喀斯特區具有一定的反演能力，但反演效果一般。其中表現較好的有改良紅邊歸一化植被指數（mND705）和葉綠素吸收面積指數，其R2分別達到0.45和0.43，均方根誤差均為0.26。發展新指數基于原始光譜中，發現各類型植被指數大致在1642nm和1665nm附近的波段組合效果較好，其中差值

117、植被指數D（1642,1666），R2為0.63，RMSE為0.21取得較好效果。一階導數變換后，差值植被指數dD（760，769）取得的效果最好，R2高達0.71，RMSE僅為0.19，且通過0.05顯著性檢驗。與常用指數相比，精度有較大提高。敏感波段及光譜變換葉綠素的敏感波段較多，500800nm波段是葉綠素的一個主要的敏感區。光譜一階導數變換能有效的去除光譜的許多干擾信息，大幅提高喀斯特區植被葉片葉綠素含量的反演能力。哇謝謝聆聽廣西壯族自治區中國科學院廣西植物研究所廣西壯族自治區中國科學院廣西植物研究所“全球變化及應對”重點專項項目匯報基于國產衛星數據的全球變化關鍵數據研制中國科學院空天

118、信息研究院（遙感與數字地球研究所）遙感科學國家重點實驗室2019年6月16日南京大學第四屆定量遙感學術論壇總結與展望項目背景與思路關鍵技術與研究進展研究目標、內容與技術路線衛星遙感是獲取全球變化時空連續觀測數據的重要手段衛星遙感是獲取全球變化時空連續觀測數據的重要手段全球氣候觀測系統全球氣候觀測系統GCOS定義了定義了142 種種大氣、海洋和地表關鍵參數，其中大氣、海洋和地表關鍵參數，其中81種種都可以通過遙感數據獲得；都可以通過遙感數據獲得；IPCC使用的衛星數據使用的衛星數據從從1996的的10種增加到種增加到IPCC-AR5的的50種種010203040506070大氣海洋地表總個數遙感

119、可獲取關鍵參數個數 全球變化研究使用植被遙感產品的文章全球變化研究使用植被遙感產品的文章增加到增加到2017年的年的165篇篇Science、Nature、Global Change Biology期刊發文期刊發文4我國已成為世界第二遙感觀測大國我國已成為世界第二遙感觀測大國我國氣象、海洋、資源、環境減災、測繪等衛星圖體系不斷完善，高分辨率對地觀測重大專項近500億、2020年前發射30多顆民用衛星我國氣象、海洋、資源、環境減災、測繪等衛星圖體系不斷完善，高分辨率對地觀測重大專項近500億、2020年前發射30多顆民用衛星氣象衛星三強鼎立：美國1960以來發射43顆，在軌8顆；歐盟1974年來

120、共發射16顆，在軌7顆；中國1988年來發射14顆，在軌7顆氣象衛星三強鼎立：美國1960以來發射43顆，在軌8顆；歐盟1974年來共發射16顆，在軌7顆；中國1988年來發射14顆，在軌7顆民用空間基礎設施規劃2030年達到近60顆民用衛星在軌，投資近千億元民用空間基礎設施規劃2030年達到近60顆民用衛星在軌，投資近千億元工作基礎：多源協同定量遙感產品生成系統系統（MuSyQ）“十二五”“十二五”863重大項目支持研發重大項目支持研發MuSyQ系統，從系統，從2014年開始運行了年開始運行了4年年（1）形成了）形成了12類類24個國內外傳感器個國內外傳感器數據的云檢測、幾何校正、輻射校正及

121、大氣校正能力（數據的云檢測、幾何校正、輻射校正及大氣校正能力（2）具有成植被、輻射收支、冰雪以及水熱通量）具有成植被、輻射收支、冰雪以及水熱通量4大類大類4種尺度種尺度26種種全球及全國產品生產能力（全球及全國產品生產能力（3）連續連續3年支撐年支撐科技部全球生態環境遙感監測年報科技部全球生態環境遙感監測年報已生成的產品已生成的產品 2013年中國年中國東盟遙感產品東盟遙感產品 20102015年全球年全球MODIS、FY3/MERSI、VIRR數據處理數據處理 20102015共共6年年15種全球產品種全球產品效率高：全球效率高：全球1km和全國和全國30m全年，從數據到產品都不超過全年，從

122、數據到產品都不超過1周！周！數據量（數據量（1650萬條萬條/1PB）原始遙感數據原始遙感數據300萬條萬條/600T歸一化數據歸一化數據900萬條萬條/300T定量遙感產品定量遙感產品450萬條萬條/150T年報生產年報生產27個數據集個數據集發表在全球變化數據學報上，被下載總計發表在全球變化數據學報上，被下載總計2.8萬次萬次，3個數據集排名前個數據集排名前10，排名第，排名第3、5、6名名中低分辨率中高分辨率中低分辨率中高分辨率傳感器時間分辨率空間分辨率傳感器時間分辨率空間分辨率傳感器時間分辨率空間分辨率傳感器時間分辨率空間分辨率國外主流國外主流MODIS、AVHRR、VIIRS等等MO

123、DIS為每天為每天4次；次；AVHRR為每天為每天2次次IIRS為每天為每天2天天250m、400m、1000m和和1100m國外主流國外主流Landsat16天天30m和和15m國內主流國內主流FY3A/B/C每天每天2次次250m和和1000m國內主流國內主流HJ1A/B、GF1、GF6HJ四個四個CCD可達可達2天重訪；天重訪；GF1和和GF1都可達都可達2天天30m、16m、8m、2m均有均有 環境1號2008年發射，加上高分衛星，具備全國30米2天重訪觀測能力，頻次優于國際水平天;我國發布了 全球30米土地覆蓋產品兩期（GlobeLand30）：Landsat/TM風云3號2008年

124、發射為標志，具備全球1公里的高性能觀測數據，與國際MODIS相當；MODIS產品44種，持續17年；FY3近不到10種，產品沒有持續發布；我國發布了時間序列最長的GLASS產品：以美國的AVHRR和MODIS數據；FY3應用SCI論文數量僅為MODIS的1.5%；問題：國產衛星缺少連續的產品生成技術體系，對全球變化貢獻不足！問題：國產衛星數據幾何輻射精度低，導致國產衛星數據預處理難國產衛星數據幾何輻射精度低，導致國產衛星數據預處理難-“不好用”“不好用”不同傳感器輻射差異大，有明顯拼接線不同傳感器輻射差異大，有明顯拼接線月度月度HJ-1/CCD全國拼圖全國拼圖1）衛星定姿精度低，幾何畸變大）衛

125、星定姿精度低，幾何畸變大2）缺少星上定標系統缺少星上定標系統，輻射定標頻次低，輻射定標頻次低3）缺少關鍵通道缺少關鍵通道，造成傳統云檢測和大氣校正算法不適用，造成傳統云檢測和大氣校正算法不適用寬幅蓋大傾角，圖像幾何畸變大寬幅蓋大傾角，圖像幾何畸變大圖像畸變方向矢量圖圖像畸變方向矢量圖問題：缺少國產衛星全球變化關鍵參數高精度反演模型，國產衛星數據缺少國產衛星全球變化關鍵參數高精度反演模型，國產衛星數據“用不好“用不好”（1）不能簡單套用國外衛星算法不同葉面積指數差異顯著，可能得相反的變化趨勢！不同葉面積指數差異顯著，可能得相反的變化趨勢！天空散射復合坡面二向反射波段設置差異（2）地表的非均質性帶

126、來觀測）地表的非均質性帶來觀測角度差異，需要高精度方向性反射角度差異，需要高精度方向性反射/輻射模型和反演方法：輻射模型和反演方法：可見光可見光/近紅外二向性發射率建模（近紅外二向性發射率建模（BRDF）：）：不同方向反射率差異達到不同方向反射率差異達到30-50；中紅外中紅外/熱紅外方向輻射亮度溫度（熱紅外方向輻射亮度溫度（DBT）：）：不同方向亮度溫度差能達到不同方向亮度溫度差能達到3-5度。度?！叭蜃兓皯獙Α睂ｍ椀谝粋€專門針對國產衛星的全球變化遙感產品生成的項目，2018年7月啟動從提升國產衛星數據質量入手，解決國產衛星幾何輻射一致性問題，使國產數據“好用”針對衛星數據的云檢測、大氣

127、校正等基礎數據處理技術體系研制基礎數據處理技術體系研制大氣參數、關鍵地表等全球變化關鍵參數反演方法研究針對國產衛星數據的全球變化關鍵參數產品生成軟件系統研發、產品生成和驗證研發國產衛星數據處理與全球變化產品生成系統，形成”能力“；生成長時間序列高精度產品，挖掘國產衛星數據“潛力”以發展適用于國產衛星數據的大氣和地表關鍵參數反演模型和方法為核心，使國產衛星數據可“用好”總結與展望項目背景與思路關鍵技術與研究進展研究目標、內容與技術路線11 攻克國產衛星幾何輻射處理、云檢測和大氣校正等關鍵技術，建立國產衛星攻克國產衛星幾何輻射處理、云檢測和大氣校正等關鍵技術，建立國產衛星基礎數據處理技術方法體系基

128、礎數據處理技術方法體系 發展國產衛星大氣和地表全球變化關鍵參數發展國產衛星大氣和地表全球變化關鍵參數高精度反演模型系列高精度反演模型系列 研建國產衛星研建國產衛星全球變化關鍵參數產品生成與驗證平臺；生成長時間序列的全球變化遙感產品全球變化關鍵參數產品生成與驗證平臺；生成長時間序列的全球變化遙感產品數據集為全球變化與應對研究提供技術和數據產品支撐。數據集為全球變化與應對研究提供技術和數據產品支撐。項目目標項目目標研究內容1.國產衛星遙感數據處理技術與體系12幾何一致性差幾何一致性差輻射一致性差輻射一致性差大氣影響嚴重大氣影響嚴重時空縫隙過大時空縫隙過大云檢測質量評價云檢測質量評價幾何歸一化幾何歸

129、一化大氣校正大氣校正時空融合時空融合輻射歸一化輻射歸一化處理框架處理框架時空無縫高質量產品時空無縫高質量產品問題目標問題目標多特征聯合云檢測多特征聯合云檢測多氣溶膠模式全地表大氣校正多氣溶膠模式全地表大氣校正多約束時空一體化融合多約束時空一體化融合基于基于BRDF庫交叉輻射定標庫交叉輻射定標大規模區域網平差歸一化大規模區域網平差歸一化關鍵技術關鍵技術將時空融合方法加入標準化和流程化的產品生產體系，實現高時空分辨率的無縫產品生產將時空融合方法加入標準化和流程化的產品生產體系，實現高時空分辨率的無縫產品生產將時空融合方法加入標準化和流程化的產品生產體系，實現高時空分辨率的無縫產品生產將時空融合方法

130、加入標準化和流程化的產品生產體系，實現高時空分辨率的無縫產品生產時空分辨率低時空分辨率低時空分辨率高時空分辨率高時空融合時空融合13結合國產衛星數據資源和全球變化研究需求：以2009-2020年風云衛星為全球1公里產品數據源 以2009-2020年環境、高分衛星為全國30米產品數據源CBERS-01/02HJ-1A/BFY2EFY3A19992008201020112012201320142016CBERS-02BFY2CFY-4FY-2GFY-3CFY-2FFY-3BCBERS04研究內容2.國產衛星全球變化關鍵參數反演模型和時空擴展方法14研究內容3.國產衛星全球變化參數產品生產系統研發算

131、法更新與集成算法更新與集成算法更新與集成算法更新與集成生產效率更高生產效率更高運行環境更穩定運行環境更穩定產品服務更好產品服務更好生產效率更高生產效率更高運行環境更穩定運行環境更穩定產品服務更好產品服務更好超過超過4PB的數據的數據超過超過4PB的數據的數據在“十二五”重大項目成果“多源協同定量遙感產品生產系統（在“十二五”重大項目成果“多源協同定量遙感產品生產系統（MuSyQ）系統基礎上，集成研發系統，提升功能和性能；）系統基礎上，集成研發系統，提升功能和性能；在“十二五”重大項目成果“多源協同定量遙感產品生產系統（在“十二五”重大項目成果“多源協同定量遙感產品生產系統（MuSyQ）系統基礎

132、上，集成研發系統，提升功能和性能；）系統基礎上，集成研發系統，提升功能和性能；MuSyQ系統已經試運行了系統已經試運行了4年年MuSyQ系統已經試運行了系統已經試運行了4年年從超算平臺升級到云平臺從超算平臺升級到云平臺從超算平臺升級到云平臺從超算平臺升級到云平臺研究內容4.全流程遙感產品真實性檢驗技術真實性檢驗的核心是真實性檢驗的核心是“參考相對真值”的獲取“參考相對真值”的獲取(Peng et al.,2015）。）。項目組發展了集地面優化采樣項目組發展了集地面優化采樣尺度轉換尺度轉換驗證系統一體的關鍵技術和體系驗證系統一體的關鍵技術和體系（Wu et al.,RSE,2016;Lin et

133、al,RS,2018;Lin et al,IDJE,2017），可滿足全球長時間序列產品），可滿足全球長時間序列產品直接驗證和交叉比對直接驗證和交叉比對的需求。的需求。24（已有基礎）（已有基礎）+2（地表粗糙度和大氣水汽含量（地表粗糙度和大氣水汽含量）1、制定和執行定量遙感產品真實性性檢驗標準規范、制定和執行定量遙感產品真實性性檢驗標準規范2008-2014，黑河觀測數據，黑河觀測數據覆蓋項目所有參數覆蓋項目所有參數。2018-2020，依托全國遙感真實性檢驗場，重點實驗室牽頭組織開展綜合試驗，依托全國遙感真實性檢驗場，重點實驗室牽頭組織開展綜合試驗。2、全國產品驗證、全國產品驗證臺站網觀測

134、數據驗證：臺站網觀測數據驗證：FluxnetBSRN.）產品交叉比對：產品交叉比對：聯合聯合NOAA、馬里蘭大學、澳大利亞悉尼科技大學等。、馬里蘭大學、澳大利亞悉尼科技大學等。3、全球產品產品驗證、全球產品產品驗證國產衛星全球變化參數產品生產系統研發與應用示范遙感地球所、資源衛星、中南大學課題四國產衛星全球變化地表關鍵參數反演模型與提取技術遙感地球所、武漢大學課題三國產衛星全球變化大氣關鍵參數反演模型與時空擴展方法國家衛星氣象中心、遙感所課題二國產衛星遙感數據處理技術與體系武漢大學、衛星氣象、資源衛星中心課題一 發展：時空一體化高精度幾何校正技術；高精度輻射歸一化技術；突破：云檢測與大氣校正技

135、術；國產衛星數據時空一體化無縫生成技術 建立：國產衛星基礎數據處理與質量提升技術體系 發展：大氣關鍵參數高精度反演方法；突破：復雜大氣與地表條件下輻射參量估算模型 形成：水汽、氣溶膠、輻射等6種大氣參量國產衛星高精度反演模型 發展：高時空分辨率地表植被參量等反演方法；突破：高時空分辨率土地覆蓋自動分類技術、地表溫度和地表長波輻射角度歸一化模型等 形成：地表覆蓋、地表溫度、葉面積指數等9種地表參量反演模型 發展：軟件系統構建，快速處理與產品生產技術 集成研發：國產衛星數據處理和產品生成系統，具備12顆國產衛星數據處理能力 生成：12年時間序列全球 1km 和全國 30m產品總結與展望項目背景與思

136、路關鍵技術與研究進展研究目標、內容與技術路線18前期準備前期準備國產衛星數據國產衛星數據遙感產品遙感產品先驗知識庫先驗知識庫模型庫模型庫1 國產衛星數據處理技術與方法1 國產衛星數據處理技術與方法云檢測時空一體化高精度幾何校正多源數據高精度輻射歸一化大氣校正時空一體化無縫生成技術2 全球變化參數反演模型與方法2 全球變化參數反演模型與方法復雜天氣條件下大氣下行輻射估算多源融合高精度大氣參數反演方法多源衛星土地覆蓋自動分類技術3 產品生產系統3 產品生產系統海量數據快速匯聚海量數據快速匯聚系統無關的軟件系統構建系統無關的軟件系統構建海量數據處理與產品快速生產技術海量數據處理與產品快速生產技術 國

137、產衛星全球變化關鍵參數產品 國產衛星全球變化關鍵參數產品全球變化應用分析全球變化應用分析全球地表覆蓋時空變化特征分析全球地表覆蓋時空變化特征分析全球陸地生態系統時空分布特征及全球變化響應全球陸地生態系統時空分布特征及全球變化響應國產數據處理與全球變化關鍵參數產品生成技術體系與規范國產數據處理與全球變化關鍵參數產品生成技術體系與規范全球輻射強迫變化研究全球輻射強迫變化研究16種全球產品提高時間分辨率16種全球產品提高時間分辨率首次生產7種30m全國產品首次生產7種30m全國產品真實性檢驗真實性檢驗綜合試驗驗證綜合試驗驗證支撐反饋修改集成生產支撐支撐反饋修改集成生產支撐支撐支撐觀測資料驗證觀測資料

138、驗證產品交叉驗證產品交叉驗證產品驗證產品驗證角度歸一化的溫度與上行長波輻射高時空分辨率地表參量反演結果驗證結果驗證1234567891019關鍵技術1.1：多源國產衛星數據云檢測和大氣校正技術問題：問題：缺乏云和氣溶膠信息的關鍵通道傳統方法不適用中國受霧霾影響對全球氣溶膠模型差異很大缺乏云和氣溶膠信息的關鍵通道傳統方法不適用中國受霧霾影響對全球氣溶膠模型差異很大問題：問題：缺乏云和氣溶膠信息的關鍵通道傳統方法不適用中國受霧霾影響對全球氣溶膠模型差異很大缺乏云和氣溶膠信息的關鍵通道傳統方法不適用中國受霧霾影響對全球氣溶膠模型差異很大利用地面觀測站數據和遙感產品，發展不同區域典型氣溶膠模型利用地面

139、觀測站數據和遙感產品，發展不同區域典型氣溶膠模型利用時間序列數據合成全國月度利用時間序列數據合成全國月度30m底圖，實現快速、高精度云檢測與大氣校正底圖，實現快速、高精度云檢測與大氣校正時間滯后時間滯后：極軌衛星重訪周期長：極軌衛星重訪周期長空間斷續空間斷續：云覆蓋、條帶：云覆蓋、條帶1天天16天天時間滯后空間斷續時間滯后空間斷續問題：時空不連續問題：時空不連續多條件約束多條件約束時空重建時空重建時空時空一體化一體化融合融合解決途徑：多源衛星時空一體化無縫處理框架解決途徑：多源衛星時空一體化無縫處理框架 一致性更好一致性更好 結構性更佳結構性更佳Zeng et al.RSE,2013Shen

140、et al.RSE,2016時空無縫時空無縫關鍵技術1.2：時空一體化無縫生成技術20關鍵技術2：云及地形對輻射再分配的影響高緯地區和有云狀況下輻射精度較低，最大誤差：35%問題解決思路技術方法 考慮云陰影位移及畸變：提高云天輻射精度衛星觀測與實測短波輻射強迫誤差衛星觀測與實測短波輻射強迫誤差(IPCC,AR4)考慮地形對輻射影響：提高晴空起伏地形輻射精度起伏地形輻射校正算法起伏地形輻射校正算法地表云陰影校正模型地表云陰影校正模型全球全球1km大氣下行輻射產品大氣下行輻射產品聯合靜止和極軌衛星聯合靜止和極軌衛星提高時空分辨率提高時空分辨率發展晴陰天輻射估算模型發展晴陰天輻射估算模型提高精度提高

141、精度地表短波輻射月均值W/m2RMSEBIAS全球海洋陸地全球海洋陸地短波輻射遙感產品不確定性關鍵技術3.1：高時空分辨率土地覆蓋自動化生成技術月度分類自動化程度高精度優/種類細多年一期自動化程度低精度低/種類粗基于樣本遷移的深度學習技術技術途徑技術途徑2008HJ-1B多光譜多光譜2013GF-1高時空高時空2014GF-2亞米級亞米級GF-3SAR2016GF-5高光譜高光譜2018GF-6多光譜多光譜2018外國衛星數據源單一國產衛星多源數據數據源數據源現有產品問題現有產品問題本項目產品本項目產品Gong,2013,一年一期。Chen,2015,十年一期,只分為9類。SVM方法POK方法

142、黑河流域精度80%,分為13類。精度精度關鍵技術3.2：角度歸一化的地表溫度與上行長波輻射高精度估算模型問題：熱紅外輻射方向性會造成地表溫度和地表上行長波輻射反演誤差最大可達10K和40W/m2。高頻次高頻次靜止衛星靜止衛星FY2高時空分辨率高時空分辨率多角度多角度熱紅外數據集熱紅外數據集非均質地表熱輻射非均質地表熱輻射方向性方向性核驅動模型核驅動模型耦合溫度與發射率的耦合溫度與發射率的一體化一體化估算算法估算算法考慮方向性的地表上行輻射產品考慮方向性的地表上行輻射產品角度歸一化的地表溫度產品角度歸一化的地表溫度產品高分辨率高分辨率極軌衛星極軌衛星FY3重點突破重點突破目標效果：提高地表上行長

143、波輻射精度估算精度5-10W/m2?,?,?1?,?,?sincosHu Tian,Liu Qinhuo et al,2016,TGRS 解決方案：關鍵技術4：PB級國產衛星數據快速處理與產品生產技術2416種全球種全球1km產品產品16種全球種全球1km產品產品7種全國種全國30m產品產品7種全國種全國30m產品產品12年時間跨度年時間跨度12年時間跨度年時間跨度海量數據處理與產品生產能力海量數據處理與產品生產能力海量數據處理與產品生產能力海量數據處理與產品生產能力8顆衛星顆衛星10余個傳感器余個傳感器8顆衛星顆衛星10余個傳感器余個傳感器數據量數據量4PB大規模遙感多層次并行計算與資源協同

144、調度技術大規模遙感多層次并行計算與資源協同調度技術大規模遙感多層次并行計算與資源協同調度技術大規模遙感多層次并行計算與資源協同調度技術多層次并行計算多層次并行計算：任務并行、工作流并行、數據并行、進程并行，任務并行、工作流并行、數據并行、進程并行，高可擴展、高并行效率高可擴展、高并行效率大規模分布式內存數據流計算：大規模分布式內存數據流計算：TB級數據的分鐘級內存載入與傳輸級數據的分鐘級內存載入與傳輸多目標云資源優化調度：多目標云資源優化調度：大規模資源的負載均衡，高可靠大規模資源的負載均衡，高可靠技術難點：技術難點：PB級數據的快速在線處理級數據的快速在線處理大規模任務并發處理大規模任務并發

145、處理云檢測技術25高分辨率影像云檢測驗證數據集存在問題：云檢測算法在國產衛星數據上適用性不高研究進展：云檢測數據類型拓展：支持數據從5種到10種以上建立深度學習云檢測訓練數據集：初步建立了覆蓋全球、5類不同地表共150景的高分辨率厚云訓練數據集國產衛星數據輻射歸一化進展26 基于深對流云（基于深對流云（DCC）目標的靜止衛星可見光通道輻射性能評估，利用）目標的靜止衛星可見光通道輻射性能評估，利用高反射率的定標場高反射率的定標場評估傳感的輻射性能。評估傳感的輻射性能。（）FY2E可見光通道與可見光通道與MODIS的的TOA反射率比較（反射率比較（2010-2012年）年）處理了多個處理了多個中反

146、射率定標場中反射率定標場的的MODIS(2000-2017)地表反射率和角度數據，并地表反射率和角度數據，并構建構建BRDF庫庫?；诨赥erra（）和）和Aqua（）MODIS數據的定標場地表反射率描述敦煌數據的定標場地表反射率描述敦煌/塔克拉瑪干沙漠塔克拉瑪干沙漠/巴丹吉林沙漠巴丹吉林沙漠 調研了調研了163篇篇(1981-2018)傳感器非線性響應定標研究的案例與進展，得出結論：傳感器非線性響應定標研究的案例與進展，得出結論：基于多反射率類型定標場的傳感器全灰階定標很有必要基于多反射率類型定標場的傳感器全灰階定標很有必要。FY2E可見光波段的可見光波段的TOA反射率遠低于反射率遠低于M

147、ODIS；FY2E在在2010-2012年的輻射性能有明顯衰減；年的輻射性能有明顯衰減；FY2E輻射性能有規律性的波動。輻射性能有規律性的波動。問題：國產多源遙感衛星數據輻射特性不明定標頻次更高：有望10天/次定標頻次更高：有望10天/次參與輻射歸一化的數據更多參與輻射歸一化的數據更多定標效率更高定標效率更高定標精度更高：全灰階定標精度更高：全灰階預期效果：預期效果：問題：針對遙感產品時空縫隙大的問題構建了一種顧及非局部相關性的多源遙感時空融合模型(STNLFFM)，有效提升細節精度和合理性，并降低了計算復雜度。時空一體化無縫數據生成技術研究進展STNLFFM算法流程圖時空融合結果比較真實La

148、ndsat數據STNLFFM融合結果Q.Cheng,et.al,“A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method,”IEEE Trans.Geosci.Remote Sens.,vol.55,pp.44764488,2017.(2)國產衛星全球變化大氣關鍵參數反演模型與時空擴展方法28大氣氣溶膠、大氣水汽含量以及云參數的反演模型研究 針對國產衛星的大氣水汽、氣溶膠和云參數反演算法針對國產衛星的大氣水汽、氣溶膠和云參數反演算法 基于靜止（FY2/4）和極軌衛星(FY3)的大氣參數融合及時空擴展方法基于靜止（FY2/4

149、）和極軌衛星(FY3)的大氣參數融合及時空擴展方法高時空分辨率的大氣下行輻射遙感產品估算方法研究 云和復雜地形條件的下行輻射反演算法云和復雜地形條件的下行輻射反演算法 構建區分直散射的光合有效輻射估算模型構建區分直散射的光合有效輻射估算模型全球尺度輻射產品在高緯地區和有云狀況下輻射精度較低，最大誤差：35%存在問題研究內容國產衛星缺少長時序、高分辨率的輻射產品波段設置差異大氣參數反演不能簡單套用國外衛星算法衛星觀測與實測短波輻射強迫誤差衛星觀測與實測短波輻射強迫誤差(IPCC,AR4)29進展：將基于進展：將基于MODIS的暗背景方法移植至的暗背景方法移植至FY4A衛星。衛星。風云衛星氣溶膠光

150、學厚度產品風云衛星氣溶膠光學厚度產品基于風四和基于風四和Himiwari-8開發的氣溶膠產品和開發的氣溶膠產品和MODIS同類產品具有較高一致性。同類產品具有較高一致性。FY4A產品與MODIS比較FY4A產品與H8比較H8數據氣溶膠產品數據氣溶膠產品FY4數據氣溶膠產品數據氣溶膠產品利用前期開發的基于利用前期開發的基于MODIS的暗背景方法，在的暗背景方法，在Himawari-8和風云四號和風云四號A星數據上進行了測試，取得良好的效果。星數據上進行了測試，取得良好的效果。1、定標影響、定標影響2、地表反射率改進、地表反射率改進FY-4 20180426_0530 UTC改進一：對光譜響應函數

151、的不同、傳感器差異、風云衛星數據儀器定標等因素對改進一：對光譜響應函數的不同、傳感器差異、風云衛星數據儀器定標等因素對FY-4氣溶膠算法的影響行了進一步評估，并利用氣溶膠算法的影響行了進一步評估，并利用Aeronet站點數據對站點數據對FY-4算法進行了改進。算法進行了改進。改進二：通過對修正的晴空區檢測區結果的重處理，改進了氣溶膠光學厚度產品的精度改進二：通過對修正的晴空區檢測區結果的重處理，改進了氣溶膠光學厚度產品的精度業務實時產品改進后效果業務實時產品改進后效果01020304050607080901000102030405060708090100Radio Sounding TPW/m

152、mO perational TPW /mmMean=12.2461RMSE=22.2397Coff=0.3607232FY2E反演反演TPW 存在問題：低水汽環境存在問題：低水汽環境時紅外窗區通道無法獲得可靠的水汽信息。時紅外窗區通道無法獲得可靠的水汽信息。解決方案解決方案：在分裂窗通道的基礎上通過在分裂窗通道的基礎上通過增加水汽敏感通道增加水汽敏感通道(6.9um)，降低地表發射率和觀測誤差帶來的不確定性，提升現有產品在小水汽情況下反演精度。，降低地表發射率和觀測誤差帶來的不確定性，提升現有產品在小水汽情況下反演精度。3個紅外通道水汽的響應曲線個紅外通道水汽的響應曲線PWV=42mmPWV=

153、29.8mmPWV=21.2mmPWV=14.4mmPWV=8.7mmPWV=4.2mm通過敏感性分析表明，低水汽環境時傳統的兩通道紅外窗區通道無法獲得可靠的水汽信息，可以用水汽吸收通道補充。通過敏感性分析表明，低水汽環境時傳統的兩通道紅外窗區通道無法獲得可靠的水汽信息，可以用水汽吸收通道補充。在原有的風云二號業務算法基礎上，通過增加水汽通道的三通道物理分裂窗反演算法，在原有的風云二號業務算法基礎上，通過增加水汽通道的三通道物理分裂窗反演算法，顯著提高了大氣水汽含量的反演精度顯著提高了大氣水汽含量的反演精度。發射率已知發射率已知發射率未知發射率未知兩通道算法兩通道算法三通道算法三通道算法無論是

154、發射率已知還是未知，三通道算法精度均高于兩通道，尤其是在水汽值低時。無論是發射率已知還是未知，三通道算法精度均高于兩通道，尤其是在水汽值低時。三通道算法三通道算法相對于兩通道，相對于兩通道，對地表發射率更不敏感。對地表發射率更不敏感。(a)(b)(c)(d)Fig.(a)ScatterplotofSVISSRretrievedPWVandradiosonde PWVoverChinaduringJunetoNovember2015.(b)HistogramofdifferencebetweentheSVISSRretrievedandradiosonde PWV.FY-2G/SVISSR反演大

155、氣水汽含量驗證結果反演大氣水汽含量驗證結果Juyang HU,Shihao TANG,Hailei LIU,et al.,2019:An Operational Precipitable Water Vapor Retrieval Algorithm for Fengyun-2F/VISSR Using a Modified Three-Band Physical Split-Window Method.J.Meteor.Res.,33(2):276-288,doi:10.1007/s13351-019-8111-4.下行短波(DSR)算法思路當前研究存在的主要問題本項目擬開展工作當前研究存在

156、的主要問題本項目擬開展工作DSR估算：估算：忽略地形對DSR的影響 未區分直射和散射輻射 低太陽視角下云-地表陰影的幾何位移與形變建立綜合考慮云-地形影響、區分直射與散射輻射的DSR反演模型DSR產品時空分辨率較粗，且主要使用國外數據產品時空分辨率較粗，且主要使用國外數據聯合靜止和極軌衛星提高時空分辨率(1km,3hr)考慮云陰影位移及畸變：提高云天輻射精度考慮地形對輻射影響：提高晴空起伏地形輻射精度區分直射與散射輻射基于FY4A的下行短波輻射產品試生產36以以FY4 L2大氣和地表產品作為輸入，反演瞬時太陽輻射量大氣和地表產品作為輸入，反演瞬時太陽輻射量云掩膜云掩膜云光學厚度云光學厚度大氣水

157、汽大氣水汽AOD地表入射太陽輻射量地表入射太陽輻射量(2018-6-1 6:00 GMT)入射太陽輻射量(日總)利用太陽高度利用太陽高度65的天文輻射和地表輻射，獲取平均大氣透過率，結合日天文輻射量獲取日總太陽輻射的天文輻射和地表輻射，獲取平均大氣透過率，結合日天文輻射量獲取日總太陽輻射日總太陽輻射量日總太陽輻射量(2018-6-1)入射太陽輻射量入射太陽輻射量(2018-6-1 0:00 GMT)入射太陽輻射量入射太陽輻射量(2018-6-1 12:00 GMT)入射太陽輻射量入射太陽輻射量(2018-6-1 6:00 GMT)直接輻射日變化散射輻射日變化直接輻射日變化散射輻射日變化(3)國

158、產衛星全球變化地表關鍵參數反演模型與提取技術38研究內容：基于國產衛星FY3為主要數據與的全球1km地表關鍵參數產品生產模型與方法 國產衛星HJ、GF數據協同的全國30m土地覆蓋產品自動化提取方法 國產衛星HJ、GF的全國30m地表關鍵參數產品生產模型和方法 多尺度參數產品尺度一致的真實性檢驗技術研究 天空散射復合坡面二向反射存在問題：缺少國產衛星全球變化關鍵地表參數高精度反演模型缺少國產衛星全球變化關鍵地表參數高精度反演模型。地表的非均質性帶來觀測地表的非均質性帶來觀測角度差異，需要高精度方向性反射角度差異，需要高精度方向性反射/輻射模型和反演方法。不同衛星葉面積指數（輻射模型和反演方法。不

159、同衛星葉面積指數（LAI）差異顯著，可能得全球變化相反的趨勢）差異顯著，可能得全球變化相反的趨勢。39Y.Xu,L.Zhang,B.Du,F.Zhang,“Spectral-spatial unified networks for hyperspectral image classifi-cation,”IEEE Transactions on Geoscience and Remote Sensing,doi:10.1109/TGRS.2018.2827407.關鍵技術關鍵技術：明確土地覆蓋分類體系：明確土地覆蓋分類體系 土地覆蓋分類系統采用IPCC和基于碳收支的土地覆蓋類型，總共包括6個一

160、級類型，38個二級類型。土地覆蓋分類系統采用IPCC和基于碳收支的土地覆蓋類型，總共包括6個一級類型，38個二級類型。針對問題針對問題：如何將光譜特征提取、空間特征提取與分類器訓練納入到一個統一的框架？：如何將光譜特征提取、空間特征提取與分類器訓練納入到一個統一的框架？解決方法：提出了一種端到端的空譜一體化網絡，有效提升了空譜特征融合下的遙感影像解譯精度。解決方法：提出了一種端到端的空譜一體化網絡，有效提升了空譜特征融合下的遙感影像解譯精度。實施效果：在實施效果：在Indian Pines等公開數據集上的等公開數據集上的解譯精度與傳統方法相比提高解譯精度與傳統方法相比提高10%以上以上。(a)

161、假彩色合成圖假彩色合成圖(b)地表真實圖地表真實圖(c)PCA分類結果分類結果(d)我們算法結果我們算法結果40提出基于物理反演的發射率產品的劈窗地表溫度反演算法。提出基于物理反演的發射率產品的劈窗地表溫度反演算法。MuSyQ和和C6 MOD11在黑河在黑河4個站點的驗證結果個站點的驗證結果采用采用ASTER GED全球地表發射率產品作為靜態數據庫，通過光譜轉換將全球地表發射率產品作為靜態數據庫，通過光譜轉換將ASTER發射率轉化為其它熱紅外傳感器發射率；發射率轉化為其它熱紅外傳感器發射率；利用利用MuSyQ系統生產的植被覆蓋度來生產動態的地表發射率產品。系統生產的植被覆蓋度來生產動態的地表發

162、射率產品。在黑河試驗中游在黑河試驗中游4個裸露地表站點，地表溫度產品平均偏差由個裸露地表站點，地表溫度產品平均偏差由-1.78 K下降到了下降到了-0.26 K。Li Hua,et al.,Comparison of the MuSyQ and MODIS Collection 6 Land Surface Temperature Products over Barren Surfaces in the Heihe River Basin,doi10.1109/TGRS.2019.29182594102550751001250255075100125GPP區分氣候帶區分氣候帶R2=0.712R

163、MSE=12.9bias=1.26GPP估算GPP通量站10-51x10-52x10-53x10-54x10-56x10-58x10-51x10-42x10-42x10-44x10-4Density02550751001250255075100125GPP估算GPP通量站R2=0.594RMSE=15.5bias=7.06GPP MOD估算估算區分氣候帶區分氣候帶GPP估算效果較估算效果較MODIS算法對比算法對比考慮不同植被氣候帶間植被種類以及最佳生長環境響應之間的差異，構建全球考慮不同植被氣候帶間植被種類以及最佳生長環境響應之間的差異，構建全球52種植被氣候帶下的光能利用率查找表，建立區分

164、植被氣候帶的植被總初級生產力（種植被氣候帶下的光能利用率查找表，建立區分植被氣候帶的植被總初級生產力（GPP）估算模型；）估算模型；改進算法與通量站改進算法與通量站GPP數據相關性比數據相關性比MODIS提高提高12%，RMSE降低降低15%。提出區分植被氣候帶的植被總初級生產力提出區分植被氣候帶的植被總初級生產力(GPP)估算方法。估算方法。03060901201501800255075100125150175 Cf_PFT R2=0.50 RMSE=8.51 Cf_MOD R2=0.43 RMSE=19.36 Cs_PFT R2=0.59 RMSE=6.98 Cs_MOD R2=0.58

165、RMSE=18.85 Am_PFT R2=0.34 RMSE=4.79 Am_MOD R2=0.21 RMSE=17.53 Ar_PFT R2=0.08 RMSE=8.64 Ar_MOD R2=0.07 RMSE=13.73modeled GPP(gC/m2/8-day)GPPflux(gC/m2/8-day)A.EBF02550751000255075100 E_PFT R2=0.06 RMSE=12.43 E_MOD R2=0.03 RMSE=7.24 C_PFT R2=0.43 RMSE=2.13 C_MOD R2=0.21 RMSE=3.25 B_PFT R2=0.15 RMSE=1.

166、92 B_MOD R2=0.03 RMSE=5.76 D_PFT R2=0.68 RMSE=5.13 D_MOD R2=0.64 RMSE=10.01modeled GPP(gC/m2/8-day)GPPflux(gC/m2/8-day)B.OSHGPPPFT 在較原有在較原有GPPMOD 算法精度有提高常綠闊葉林（左）和開放灌叢（右）算法精度有提高常綠闊葉林（左）和開放灌叢（右）Shangrong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climati

167、c and vegetation classification information,Agriculture and Forest Meteorology(under review).42提出基于多角度遙感觀測數據的植被覆蓋度反演算法提出基于多角度遙感觀測數據的植被覆蓋度反演算法(MultiVI)基于多角度遙感觀測數據，選取觀測天頂角在基于多角度遙感觀測數據，選取觀測天頂角在57附近的角度組合對參數進行反演求解；附近的角度組合對參數進行反演求解；逐像元反演出像元二分模型中的兩個重要參數逐像元反演出像元二分模型中的兩個重要參數(NDVIv和和NDVIs)；基于基于 NDVI數據，計算得到承德研

168、究區數據，計算得到承德研究區30m分辨率分辨率FVC。與地面實測數據對比，相關性。與地面實測數據對比，相關性R達到了達到了0.896，反演，反演RMSD為為0.072。SAILH模型模擬數據驗證模型模擬數據驗證MultiVI算法結果算法結果承德研究區承德研究區FVC地面驗證散點圖地面驗證散點圖Xihan M,Wanjuan S,Zhan G,et al.Fractional vegetation cover estimation by using multi-angle vegetation index.Remote Sensing of Environment,2018,216:44-56.

169、土壤土壤-植被植被-冰雪的核驅動冰雪的核驅動BRDF模型的發展模型的發展 關鍵問題：關鍵問題：現有模型不能準確參數化冰雪散射特征 解決方案：解決方案：實現了冰雪BRDF特征的模型表達 相關結果：相關結果：提高了對冰雪地表BRDF特征的擬合精度Jiao Ziti,et al.Development of a snow kernel to better model the anisotropic reflectance of pure snow in akernel-driven BRDF model framework.2019.Remote sensing of environment.POL

170、DER觀測值與模擬值比較觀測值與模擬值比較(,)()()(,)()(,)+(,)(,)isovolvolgeogeosnwsnwRffKfKKf （4）國產衛星全球變化參數產品生產系統研發進展4444 發展：多源異構數據快速匯聚技術 保障：全球1-5km數據合全國16-30m數據 發展：遙感算法容器封裝的即插即用技術、多層次產品流程自動化技術研究 形成：國產衛星產品自動化生產能力 發展：PB級國產衛星數據快速處理與產品生產技術 形成：長時序國產衛星產品的快速生產與共享服務能力 開展基于國產衛星全球變化參數產品的全球變化應用分析，實現國產衛星產品在全球變化研究中的深層次應用已完成系統需求分析、概

171、要設計報告，即將進行算法答辯45架構在中科院網絡中心超算平臺上架構在中科院網絡中心超算平臺上采用刀片服務器、大內存服務器構成的集群計算系統采用刀片服務器、大內存服務器構成的集群計算系統配備自主研發的分布式計算組件與分布式數據管理組件及調度軟件配備自主研發的分布式計算組件與分布式數據管理組件及調度軟件可滿足可滿足PB級影像數據高速處理的需求及超大容量的存儲和快速訪問的要求級影像數據高速處理的需求及超大容量的存儲和快速訪問的要求集群內部采用集群內部采用InfiniBand網絡，集群與客戶機之間采用千兆網絡網絡，集群與客戶機之間采用千兆網絡數據收集進展數據收集進展衛星傳感器數據年份衛星傳感器數據年份

172、 已收集年份已收集年份 數據大小負責單位匯聚方式數據大小負責單位匯聚方式HJ1A/1BCCD1/CCD22009-20152014年年70TB資源衛星應用中心硬盤拷貝GF1WFV2015-2020無無120TB資源衛星應用中心硬盤拷貝/網絡下載GF6WFV2018-2020無無60TB資源衛星應用中心硬盤拷貝/網絡下載FY3AMERSI/VIRR/MWRI2009-20182010-2015220TB氣象衛星中心硬盤拷貝FY3BMERSI/VIRR/MWRI2010-20202010-2015320TB氣象衛星中心硬盤拷貝FY3CVIRR/MWRI2013-20202013-201560TB氣

173、象衛星中心硬盤拷貝FY3DMERSI/VIRR/MWRI2017-2020無無120TB氣象衛星中心硬盤拷貝FY2DVISSR2009-2015無無15TB氣象衛星中心硬盤拷貝FY2EVISSR2009-20202010-201518TB氣象衛星中心硬盤拷貝FY2FVISSR2012-2020無無9TB氣象衛星中心硬盤拷貝FY2GVISSR2015-2020無無7TB氣象衛星中心硬盤拷貝FY4AAGRI2018-2020無無6TB氣象衛星中心硬盤拷貝MTSAT-1RJAMI2009-201020105TB氣象衛星中心硬盤拷貝MTSAT-2JAMI2010-20152010-201524TB氣象

174、衛星中心硬盤拷貝Himawari 8AHI2014-2020無無43TB氣象衛星中心硬盤拷貝/網絡下載MSG2/3/4SEVIRI2009-20202010-2015100TB氣象衛星中心硬盤拷貝GOES系列系列VISSR2009-20202010-201560TB遙感與數字地球研究所網絡下載Terra/Aqua MODIS2009-20202010-2015420TB遙感與數字地球研究所網絡下載所需數據總量約：所需數據總量約：1677TB所需數據總量約：所需數據總量約：1677TB類型名稱空間分辨率類型名稱空間分辨率(m)時間分辨率精度時間分辨率精度全球產品全球產品大氣水汽含量大氣水汽含量1

175、0005天天80%氣溶膠光學厚度氣溶膠光學厚度10005天天0.05AOD0.15下行短波輻射下行短波輻射10005天天高緯高緯75%，低緯，低緯85%下行長波輻射下行長波輻射10005天光合有效輻射天光合有效輻射10005天地表反照率天地表反照率10005天天80%地表溫度地表溫度10005天天2.5K上行長波輻射上行長波輻射10005天天30W/m2土地覆蓋分類土地覆蓋分類100015天天80%植被覆蓋度植被覆蓋度10005天天85%植被指數植被指數10005天天85%光合有效輻射吸收比例光合有效輻射吸收比例10005天天85%類型名稱空間分辨率類型名稱空間分辨率(m)時間分辨率精度時間分

176、辨率精度全球產品全球產品葉面積指數葉面積指數10005天天85%植被總初級生產力植被總初級生產力10005天天85%植被凈初級生產力植被凈初級生產力10005天天85%地表粗糙度地表粗糙度10005天天80%全國產品全國產品土地覆蓋分類土地覆蓋分類30季季85%植被覆蓋度植被覆蓋度3010天天85%植被指數植被指數3010天天85%光合有效輻射吸收比例光合有效輻射吸收比例3010天天85%葉面積指數葉面積指數3010天天85%植被總初級生產力植被總初級生產力3010天天85%地表反照率地表反照率3010天天80%預期產品時間跨度預期產品時間跨度12年（年（2009-2020）481.Shang

177、rong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climatic and vegetation classification information,Agriculture and Forest Meteorology(1.Shangrong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climatic and ve

178、getation classification information,Agriculture and Forest Meteorology(under reviewunder review).).2.ZHU Weiren，ZHU Lin，Jun Li，SUN Hongfu，QIAO Li,Inversion of volcanic ash cloud top height using deep learning hybrid model(To be submitted to JGR)3.Jiao,Z.;Ding,A.;Alexander,K.;et al.,Development of a

179、snow kernel to better model the anisotropic reflectance of pure snow in a kernel-driven BRDF model framework.Remote sensing of environment.2019,3.Jiao,Z.;Ding,A.;Alexander,K.;et al.,Development of a snow kernel to better model the anisotropic reflectance of pure snow in a kernel-driven BRDF model fr

180、amework.Remote sensing of environment.2019,221:221:198-209.198-209.4.Miao Zelang,Gao Lipeng,He Yueguang,et al.,Use of colour transformation and the geodesic method for road centreline extraction from VHR satellite images,International Journal of Remote Sensing,2019,40:10,4043-4058.5.Yu Shanshan,Xin

181、Xiaozhou,Liu Qinhuo,Zhang Hailong,Li Li.An improved parameterization for retrieving clear-sky downward longwave radiation from satellite thermal infrared data,Remote Sensing,2019,11(4):425.6.Jia Shao,Bo Du,Chen Wu,Lefei Zhang.Tracking Objects From Satellite Videos:A Velocity Feature Based Correlatio

182、n Filter,IEEE Transactions on Geoscience andRemote Sensing,DOI:10.1109/TGRS.2019.2916953.7.Lyuyang Tong,Bo Du,Rong Liu,Liangpei Zhang.An Improved Multi-objective Discrete Particle Swarm Optimization for Hyperspectral Endmember Extraction,DOI:10.1109/TGRS.2019.2917001.8.Dehui Zhu,Bo Du,Liangpei Zhang

183、.Target Dictionary Construction-Based Sparse Representation Hyperspectral Target Detection Methods,IEEE Journal of Selected Topics4.Miao Zelang,Gao Lipeng,He Yueguang,et al.,Use of colour transformation and the geodesic method for road centreline extraction from VHR satellite images,International Jo

184、urnal of Remote Sensing,2019,40:10,4043-4058.5.Yu Shanshan,Xin Xiaozhou,Liu Qinhuo,Zhang Hailong,Li Li.An improved parameterization for retrieving clear-sky downward longwave radiation from satellite thermal infrared data,Remote Sensing,2019,11(4):425.6.Jia Shao,Bo Du,Chen Wu,Lefei Zhang.Tracking Ob

185、jects From Satellite Videos:A Velocity Feature Based Correlation Filter,IEEE Transactions on Geoscience andRemote Sensing,DOI:10.1109/TGRS.2019.2916953.7.Lyuyang Tong,Bo Du,Rong Liu,Liangpei Zhang.An Improved Multi-objective Discrete Particle Swarm Optimization for Hyperspectral Endmember Extraction

186、,DOI:10.1109/TGRS.2019.2917001.8.Dehui Zhu,Bo Du,Liangpei Zhang.Target Dictionary Construction-Based Sparse Representation Hyperspectral Target Detection Methods,IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2019,12(4):1254-1264.in Applied Earth Observations and Re

187、mote Sensing,2019,12(4):1254-1264.9.Qian Cheng,Bo Du,Liangpei Zhang,Rong Liu.ANSGA-III:A Multiobjective Endmember Extraction Algorithm for Hyperspectral Images,IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2019,12(2):700-721.10.Li Hua,et al.,Comparison of the MuSyQ

188、 and MODIS Collection 6 Land Surface Temperature Products over Barren Surfaces in the Heihe River Basin,doi 10.1109/TGRS.2019.291825911.Zhang P.,Zhu L.,Tang SH.,et al.,General comparison of FY-4A/AGRI with other GEO/LEO instruments and its potential and challenges on non-meteorological applications.

189、Front.Earth Sci,DOI:10.3389/feart.2018.00224(第一標注第一標注)12.Qinhuo Liu;Guangjian Yan;Ziti Jiao;Qing Xiao;Jianguang Wen;Shunlin Liang;Jindi Wang;Crystal Schaaf;Alan Strahler,From Geometric-Optical Remote Sensing Modeling to Quantitative Remote Sensing Science-In Memory of Academician Xiaowen Li,Remote S

190、ensing,2018,10(11),1764,Nov 2018.13.Gao Ling,Chen Lin,Li Jun.A Long-Term Historical Aerosol Optical Depth Data Record(1982-2011)Over China From AVHRR.November 2018.IEEE Transactions on Geoscience and Remote Sensing,2018,2467 2480.14.Li,Z.,Li,J.,Ding,X.,Wu,L.,Ke,L.,Hu,J.,et al.(2018).Anomalous glacie

191、r changes in the southeast of Tuomuer-Khan Tengri Mountain Ranges,Central Tianshan.Journal of Geophysical Research:Atmospheres,123,68406863.15.李靜李靜,柳欽火柳欽火,徐保東徐保東,趙靜趙靜.基于亞洲和北美基于亞洲和北美28個地面站點觀測數據的葉面積指數驗證數據集（個地面站點觀測數據的葉面積指數驗證數據集（1 km，2001-2011）DB/OL.全球變化科學研究數據出版系統全球變化科學研究數據出版系統,2018.DOI:10.3974/geodb.20

192、18.03.15.V1.16.柳欽火，仲波，唐娉等柳欽火，仲波，唐娉等.多源協同定量遙感產品生產系統多源協同定量遙感產品生產系統J.全球變化數據學報全球變化數據學報,2018,2(3):275-282.DOI:10.3974/geodp.2018.03.03.總結與展望項目背景與思路關鍵技術與研究進展研究目標、內容與技術路線項目團隊集中了我國衛星定量遙感數據處理與應用研究的優勢力量，將在十二五863重大項目的基礎上，與十三五“全球變化與應對”、“地球觀測與導航”重點研發計劃相關項目密切，致力于：建立基于國產衛星數據的全球變化關鍵數據產品生成技術體系與系統；生產完全自主知識產權的長時間序列全球變

193、化遙感產品；顯著提升國產衛星數據在全球變化研究的影響力。謝 謝！52項目名稱負責人承擔單位產品領域產品時間跨度數據源項目名稱負責人承擔單位產品領域產品時間跨度數據源全球不同區域陸地生態系統碳源匯演變驅動機制與游湖計算研究陳鏡明南京大學碳循環/5種/不高于1km30年MODIS、AVHRR全球氣候數據集生成及氣候變化關鍵過程和要素監測梁順林北京師范大學氣候變化/10種/不高于1km40年MODIS、AVHRR等基于多源衛星遙感的高分辨率全球碳同行系統研究居為民南京大學碳循環/不高于1km30年MODIS、AVHRR全球碳循環關鍵參數立體觀測與反演劉良云中科院遙感地球所碳循環/24種/不高于1km

194、39年MODIS、MERIS、AVHRR、MERSI全球變化大數據的科學認知與云共享平臺吳炳方中科院遙感地球所30m土地覆蓋與凍融產品，25年一期1km全球變化產品/17種30m：45年1km：15年MODIS、MERSI、TM、OLI本項目全球變化產品本項目全球變化產品30m產品產品7種種/10天天1km產品產品16種種/5天天12年年FY系列系列HJ和和GF系列數據系列數據與引領國際遙感發展的國家航天機構和國家實驗室相對比與引領國際遙感發展的國家航天機構和國家實驗室相對比GSFCJPLDGUMDDLRCNESCCRSJAXA美國戈達德太空飛行中心美國噴氣推進實驗室美國馬里蘭大學地理系德國宇

195、航局法國國家太空研究中心加拿大國家遙感中心日本宇宙航空研究開發機構遙感科學國家重點實驗室的遙感科學國家重點實驗室的SCI發文量發文量 2014年已經超越年已經超越DLR和和CNES,近幾年已成為全球發表近幾年已成為全球發表SCI論文最多的遙感機構。論文最多的遙感機構。73695939272614801020304050607080DLRGSFCJPLSLRSSCNESDGUMDCCRSJAXA2010年年117112957871421413020406080100120140GSFCSLRSSDLRDGUMDJPLCNESCCRSJAXA2014年年國際專家一致認為國際專家一致認為1.發展的遙

196、感機理模型具有世界先進水平。1.發展的遙感機理模型具有世界先進水平。2.在衛星數據獲取、數據解釋以及2.在衛星數據獲取、數據解釋以及全球遙感產品的生成方面具有優勢。全球遙感產品的生成方面具有優勢。3.國際合作突出、論文發表保持領先地位、在3.國際合作突出、論文發表保持領先地位、在國際遙感領域做出重要貢獻。國際遙感領域做出重要貢獻。2014年年11月月22日，召開了日，召開了“遙感科學國家重點實驗室國際專家咨詢會遙感科學國家重點實驗室國際專家咨詢會”?；谶b感輻射模型的全球變化關鍵參數反演構建不同地表類型的遙感物理模型，對全球變化關鍵參數產品反演至關重要。覆蓋森林、農作物、草地、土壤、水體等典型

197、地物類型，共集成50種遙感物理模型，其中20多種自主研發；在要素、像元、景觀三種尺度具有全波段模擬能力。中科院遙感地球所建立了國際上首個全波段遙感機理模型模擬平臺，模型最先進、類型最全、波段最廣。透視成像魚眼成像點云模擬透視成像魚眼成像點云模擬具備多波段多傳感器信號的模擬能力具備多波段多傳感器信號的模擬能力CCD相機影像模擬熱紅外影像模擬雷達影像模擬相機影像模擬熱紅外影像模擬雷達影像模擬研發了國際上首個光學研發了國際上首個光學-紅外紅外-微波聯合模擬平臺微波聯合模擬平臺審稿人高度評價：審稿人高度評價：Open the door to a new area！引領國際復雜地表遙感機理與建模的發展引

198、領國際復雜地表遙感機理與建模的發展統計數據來源：統計數據來源：Web of Science,Journal Citation Reports 2017TOP2期刊最新影響因子：期刊最新影響因子：RSE IF=6.265;TGRS IF=4.942近五年將幾何光學模型進一步推廣到復雜地表近五年將幾何光學模型進一步推廣到復雜地表Li-Strahler經典幾何光學模型經典幾何光學模型(Li et al.,1985,1986,1992,TGRS)該模型入選國際光學工程學會“里程碑”該模型入選國際光學工程學會“里程碑”(遙感機理建模SCI論文排名第1)(遙感機理建模SCI論文排名第1)地形及多次散射的影

199、響地形及多次散射的影響地表方向反射大氣多次散射地形校正前山區面積占65%以上山區面積占65%以上地形相關性大地形相關性大幾乎無地形相關幾乎無地形相關地形校正后地表反射率誤差由20.4%降低到9.6%，應用范圍由全國的35%提高到95%以上實現了山地地表反射率的高精度、大范圍提取實現了山地地表反射率的高精度、大范圍提取該成果已獲得該成果已獲得2016年度國家科技進步二等獎（國產陸地衛星定量遙感關鍵技術及應用）年度國家科技進步二等獎（國產陸地衛星定量遙感關鍵技術及應用）基于MODISMODIS時間序列的中低分辨率數據交叉輻 射 定 標 方 法，完 成 了 FY3A/B/C 的MERSI/VIRR等

200、傳感器的交叉輻射定標利用時間序列利用時間序列MODIS數據同時反演了定標場的數據同時反演了定標場的BRDF和和AOD；該方法具有普適性，適合絕大多數的中低分辨率數據；該方法具有普適性，適合絕大多數的中低分辨率數據；輻射校正誤差控制在輻射校正誤差控制在5%以內，滿足應用需求。以內，滿足應用需求?；诙藞鯞RDFBRDF建模的寬覆蓋中高分辨率數據交叉輻射定標方法，完成了HJ-1/CCDHJ-1/CCD、GF-1/WFVGF-1/WFV和GF-4/PMSGF-4/PMS等傳感器的交叉輻射定標創新性的引入了創新性的引入了地形與多角度觀測地形與多角度觀測互換的思想，在互換的思想，在30m分辨率上解決了

201、大角度觀測的影響分辨率上解決了大角度觀測的影響將定標頻次從一年一次提高到了一年多次，保證了傳感器的輻射一致性將定標頻次從一年一次提高到了一年多次，保證了傳感器的輻射一致性輻射校正誤差控制在輻射校正誤差控制在5%以內，滿足應用需求。以內，滿足應用需求。地形起伏的沙漠定標場地形起伏的沙漠定標場Zhong B et al.2017.Remote Sensing of Environment.Zhong B et al.2014.IEEE TRGS.Yang A et al.2015.Remote Sensing.Yang A et al.2017.Remote Sensing.59國際上通常采用融合

202、、插補等手段來提升數據的可用性。國際上通常采用融合、插補等手段來提升數據的可用性。項目組提出了一系列項目組提出了一系列多時相融合、時域重建和時空融合多時相融合、時域重建和時空融合等方法，達到了國際領先水平等方法，達到了國際領先水平(RSE 2013,2015,2016；JGR 2016)。應用于應用于863計劃“星機地綜合觀測定量遙感融合處理與共性產品生產系統”的產品生產，并取得了良好效果。計劃“星機地綜合觀測定量遙感融合處理與共性產品生產系統”的產品生產，并取得了良好效果。ETM條帶去除條帶去除OMI臭氧產品條帶去除臭氧產品條帶去除項目組針對項目組針對GF-1衛星建立了衛星建立了聯合光譜、聯

203、合光譜、幾何和紋理信息的幾何和紋理信息的多特征云檢測方法多特征云檢測方法，取得了良好的效果取得了良好的效果(Li et al.RSE,2017)GF-1 云檢測技術云檢測技術GF-1 云影像云影像基于光譜方法基于光譜方法多特征聯合方法多特征聯合方法傳感器傳感器Landsat-8HJ-1GF-1GF-6光譜設置光譜設置(nm)藍波段450-515430520450520450520綠波段525-600520600520590590630紅波段630-680630690630690630690近紅外波段845-885700900770890690-890短波紅外短波紅外11560-16601550

204、-1750無無短波紅外無無短波紅外22100-2300無無無短波紅外無無無短波紅外31360-1390無無無熱紅外無無無熱紅外110600-1120010500-12500無無熱紅外無無熱紅外211500-12500無無無無 國產衛星如高分一號等缺少熱紅外與短波紅外波段，無法使用主流的云檢測算法國產衛星如高分一號等缺少熱紅外與短波紅外波段，無法使用主流的云檢測算法 高原地區存在積雪等高亮地物，同時受到薄云、碎云影響，云檢測困難高原地區存在積雪等高亮地物，同時受到薄云、碎云影響，云檢測困難輻射強迫關鍵參數遙感輻射集衛星數據源時間范圍遙感輻射集衛星數據源時間范圍ISCCP-FDGOES(512),

205、GMS(15),Insat，Meteosat(29),NOAA(718)1983-2009GEWEX-SRB1983-2007CERES-FSWCERES，MODIS，VIRS,Insat-3D,Meteosat(5,710),GMS-5,MTSAT(1R,2),Himawari-8,GOES(8,10-15)2000-今CM-SAFMSG-2,AVHRR20072012LSA-SAFMSG-22006.4今OSI-SAFMSG(24)，GOES-13/152001今全球尺度產品全球尺度產品空間分辨率：100-280km空間分辨率：100-280km不同產品間一致性差不同產品間一致性差兩極和高

206、海拔地區精度低兩極和高海拔地區精度低(月均輻射誤差月均輻射誤差 10 W/m2)區域尺度產品區域尺度產品空間分辨率：3-15km空間分辨率：3-15km不能直接應用于全球變化研究不能直接應用于全球變化研究GLASS(5km)MODIS為主為主20082010MusyQ(5km)FY2,GOES,MTSAT,MSG,FY3,MODIS20122016北京師范大學為主研發的全球陸表特征參量產品，北京師范大學為主研發的全球陸表特征參量產品，缺少“海洋”產品缺少“海洋”產品中科院遙地所中科院遙地所主持研發的“多元數據協同定量遙感產品生產系統”主持研發的“多元數據協同定量遙感產品生產系統”0102030

207、4050607080ISCCPGEWEXCERES全球3小時DSR精度全球3小時DSR精度北極青藏高原全球均方根誤差（%）三極區域誤差大三極區域誤差大:水汽和近地面大氣參數誤差大水汽和近地面大氣參數誤差大 云云-雪難區分、單一傳感器不能捕捉云的快速變化特征、云參數不確定性大；未考慮地形效應雪難區分、單一傳感器不能捕捉云的快速變化特征、云參數不確定性大；未考慮地形效應三極區域誤差大三極區域誤差大:水汽和近地面大氣參數誤差大水汽和近地面大氣參數誤差大 云云-雪難區分、單一傳感器不能捕捉云的快速變化特征、云參數不確定性大；未考慮地形效應雪難區分、單一傳感器不能捕捉云的快速變化特征、云參數不確定性大；

208、未考慮地形效應62MODIS示意圖靜止衛星覆蓋示意圖示意圖靜止衛星覆蓋示意圖6060靜止靜止+極軌衛星組網極軌衛星組網發展了靜止與極軌衛星融合的全天候平坦地表下行輻射估算方法發展了靜止與極軌衛星融合的全天候平坦地表下行輻射估算方法 極軌衛星極軌衛星提供高空間分辨率提供高空間分辨率地表參數,如地表參數,如地表反射率、地形地表反射率、地形 靜止衛星靜止衛星提供高時間分辨率提供高時間分辨率大氣參數，大氣參數，如云、氣溶膠、水汽如云、氣溶膠、水汽(Li,(Li,RSERSE,2014;Zhang,2014;Zhang,RSRS,201820183小時/5km全球3小時/5km全球下行短波輻射下行短波輻

209、射6364樣本數增加可顯著提高分類精度樣本數增加可顯著提高分類精度遷移后的大量樣本原始少量樣本樣本遷移通過樣本遷移可顯著增加樣本量通過樣本遷移可顯著增加樣本量 引入不同先驗知識，先驗知識內容多樣，包括引入不同先驗知識，先驗知識內容多樣，包括輸入參數不準確輸入參數不準確 相比低分辨率相比低分辨率LAI反演算法，高分辨率對不同植被類型、冠層結構和背景信息更敏感，需要更準確表達；反演算法，高分辨率對不同植被類型、冠層結構和背景信息更敏感，需要更準確表達；影響高分辨率LAI遙感反演精度的主要原因 精度改進方法精度改進方法生態系統LAI垂直分布特征生態系統LAI垂直分布特征準確的植被葉片光學特性準確的植

210、被葉片光學特性氣象數據（氣溫、飽和水汽壓等）氣象數據（氣溫、飽和水汽壓等）葉片反射率葉片透過率葉片反射率葉片透過率DOY高分辨率LAI反演技術66 精度改進方法精度改進方法引入氣象觀測數據后引入氣象觀測數據后LAI反演反演RMSE由0.765提高到0.453RMSE由0.765提高到0.453(Zhang et al.2012.RSE)先驗知識的應用主要包括兩種方式，一是先驗知識的應用主要包括兩種方式，一是直接參與反演直接參與反演，二是，二是對反演結果進行抑制對反演結果進行抑制直接參與反演直接參與反演先驗知識：葉片光譜先驗知識：葉片光譜（直接輸入模型參與反演）（直接輸入模型參與反演）對反演結果

211、抑制 對反演結果抑制改進算法改進算法先驗知識：氣象數據（輻射、氣溫、飽和先驗知識：氣象數據（輻射、氣溫、飽和水汽壓）水汽壓）LOPEX、ANGERS、中國波譜庫、中國波譜庫分植被類型、時相、氣候帶的分植被類型、時相、氣候帶的幾十條幾十條葉片光譜葉片光譜全球植被全球植被8個個類型葉片光譜類型葉片光譜原有算法原有算法氣象數據表達：氣象數據表達：LAI反演LAI反演其中，a/b/c/d通過動態貝葉斯網絡DBN訓練其中，a/b/c/d通過動態貝葉斯網絡DBN訓練DBN網絡DBN網絡 現有現有LAI產品產品空間分辨率空間分辨率及及精度精度 影響精度主要原因影響精度主要原因-地表非均質性地表非均質性忽略中

212、低分辨率像元內地物混合帶來的忽略中低分辨率像元內地物混合帶來的空間異質性空間異質性，會使，會使LAI反演產生反演產生超過超過50%的相對誤差的相對誤差(Chen,1999;Garrigues et al.,2006)目前目前LAI全球產品平均相對精度約全球產品平均相對精度約70%LAI產品（1km分辨率）精度分析及改進LAI產品（1km分辨率）精度分析及改進于文濤，李靜，柳欽火等.中國地表覆蓋異質性參數提取與分析.地球科學進展.于文濤，李靜，柳欽火等.中國地表覆蓋異質性參數提取與分析.地球科學進展.2016，31（10）：）：1067-1077Yu Wentao,Li Jing,Liu Qin

213、huo,et al.Analysis of global land surface heterogeneity.(In Review）分析方法分析方法：使用30m尺度的高分地表覆蓋圖（GlobalLand30-2010）提取 1km 尺度像元的異質性參數（像元邊界長度、邊界相對高差、端元數）。：使用30m尺度的高分地表覆蓋圖（GlobalLand30-2010）提取 1km 尺度像元的異質性參數（像元邊界長度、邊界相對高差、端元數）。1km尺度混合像元邊界長度（米）1km尺度混合像元邊界長度（米）分析1分析1：全球1km分辨率像元的混合比例分析？：全球1km分辨率像元的混合比例分析？植被植被1

214、km像元中，1km像元中，兩種類型混合的占比約42%兩種類型混合的占比約42%；其次是純像元約26%；然后是三種類型混合占比約23%?？梢?，；其次是純像元約26%；然后是三種類型混合占比約23%?？梢?，通常LAI反演中的像元均一假設僅適用于全球約四通常LAI反演中的像元均一假設僅適用于全球約四分之一的像元分之一的像元。分析2分析2：全球地表混合特征，即1km尺度像元由哪些類型混合？：全球地表混合特征，即1km尺度像元由哪些類型混合？（1）（1）生態交錯區生態交錯區，即不同植被類型的混合場景,是，即不同植被類型的混合場景,是最普遍的地表異質性形式，占比40.48%最普遍的地表異質性形式，占比40

215、.48%。含有森林的混合結構頻率最高。含有森林的混合結構頻率最高。（2）含有（2）含有水體水體和和人造地物人造地物的混合像元比例也相對較高，分別占所有混合植被像元的的混合像元比例也相對較高，分別占所有混合植被像元的12.78%12.78%和和4.91%4.91%。在高異質性場景中，水體的影響不可忽在高異質性場景中，水體的影響不可忽略略全球地表非均質特性分析全球地表非均質特性分析 以考慮水體混合為例以考慮水體混合為例LAI產品（產品（1km）精度改進方法）精度改進方法:反演精度最大可提高反演精度最大可提高50%以上通過以上算法改進思路，實現大部分區域產品精度達到以上通過以上算法改進思路，實現大部

216、分區域產品精度達到85%構建考慮地表構建考慮地表非均質非均質、及、及山地山地特征的特征的LAI反演算法體系反演算法體系lwww)1(首先去除水體反射率影響首先去除水體反射率影響反演植被部分LAI反演植被部分LAI),(VAziVZenSAziSZenfLAINIRRed區分直散射葉片的雙葉GPP模型區分直散射葉片的雙葉GPP模型基于基于已有已有區分直散射的PAR（Li,et.al,2015,RSE）、FPAR（Li,et.al,2015,RS）估算，構建區分直散射的雙葉GPP估算模型。區分直散射的PAR（Li,et.al,2015,RSE）、FPAR（Li,et.al,2015,RS）估算，構

217、建區分直散射的雙葉GPP估算模型。GPP/NPP產品精度改進方法通過以上算法改進思路，達到大部分區域產品精度達到通過以上算法改進思路，達到大部分區域產品精度達到85%提高GPP產品空間分辨率提高GPP產品空間分辨率利用國產高空間分辨率LAI、FPAR等產品，生成30m分辨率GPP產品利用國產高空間分辨率LAI、FPAR等產品，生成30m分辨率GPP產品。細化光能利用率查找表，利用先驗知識細化光能利用率查找表，利用先驗知識構建區分氣候帶及植被類型的光能利用率查找表，引入植被垂直特征等先驗知識，發展利用先驗知識提高GPP估算精度的方法。構建區分氣候帶及植被類型的光能利用率查找表，引入植被垂直特征等

218、先驗知識，發展利用先驗知識提高GPP估算精度的方法。區分直散射的PAR算法區分直散射的PAR算法區分直散射的FPAR算法區分直散射的FPAR算法PAR估算相對誤差估算相對誤差17%，優于，優于MODIS及及Meteosat產品產品27%-29%的精度。的精度。反演精度RMSE為0.028，改善了MODISFPAR在森林地區高估現象反演精度RMSE為0.028，改善了MODISFPAR在森林地區高估現象71 多源數據的質量控制方法 反演前的 反演前的質量控制質量控制使用：MuSyQ產品算法中使用的“使用：MuSyQ產品算法中使用的“基于基于BRDF特性的數據質量描述方法特性的數據質量描述方法”國

219、家專利一種對遙感數據進行觀測質量分級的方法受理號：國家專利一種對遙感數據進行觀測質量分級的方法受理號：201510251635.3YeluZeng,JingLi,QinhuoLiu,etal.,AniterativeBRDF/NDVI inversion algorithm based on a posteriorivariance estimation of observation errors,IEEE TGRS(SCI,IF=3.51)根據BRDF特征的一致性原則進行質量分級根據BRDF特征的一致性原則進行質量分級一級數據一級數據：和擬合的BRDF模型具有：和擬合的BRDF模型具有最好的

220、一致性最好的一致性二級數據二級數據：和擬合BRDF模型有：和擬合BRDF模型有合理范圍內的差異合理范圍內的差異三級數據三級數據：受傳感器噪聲及殘云影響，：受傳感器噪聲及殘云影響，誤差明顯誤差明顯方法要求：方法要求：具備一定的多角度觀測！當多角具備一定的多角度觀測！當多角度觀測不足時，需進行反演后質量控制。度觀測不足時，需進行反演后質量控制。反演后的質量控制 反演后的質量控制反演后的質量控制是反演后的質量控制是對反演結果合理性的判斷對反演結果合理性的判斷，需要，需要借助一定先驗知識借助一定先驗知識。如植被參數反演中，可借助氣象數據。如植被參數反演中，可借助氣象數據等。等。使用基于站點觀測空間代表

221、性評價方法使用基于站點觀測空間代表性評價方法（Xu et.al.,2016,IEEE JSTAR)低代表性等級下升尺度方法低代表性等級下升尺度方法(Xu et.al,2018,RSE)LAI長時序產品真實性檢驗方法長時序產品真實性檢驗方法問題：問題：站點觀測尺度（如幾十米）遙感像元尺度（如1km）站點觀測尺度（如幾十米）遙感像元尺度（如1km）全球站點觀測空間代表性分級全球站點觀測空間代表性分級level0level4level1站點觀測空間升尺度結果站點觀測空間升尺度結果分析了分析了LAI 產品產品:MODIS,GLASS,GEOV1時間范圍時間范圍:2001-2011實現實現LAI長時序驗

222、證LAI長時序驗證青藏高原大多數的全球變化反演產品的效果不佳，項目如何考慮？2009、2011年組織了年組織了2次青藏高原星機地聯合觀測試驗，獲得了重要觀測資料。次青藏高原星機地聯合觀測試驗，獲得了重要觀測資料。在十二五全球變化重大項目中，與青藏所、寒旱所建立了密切合作關系，加強產品檢驗驗證研究。在十二五全球變化重大項目中，與青藏所、寒旱所建立了密切合作關系，加強產品檢驗驗證研究。氣象局青藏高原外場觀測基地，具備大氣地表參數觀測能力。氣象局青藏高原外場觀測基地，具備大氣地表參數觀測能力。高精度的觀測與驗證資料缺乏可能是主要原因高精度的觀測與驗證資料缺乏可能是主要原因氣象局青藏高原外場觀測基地青

223、藏高原星機地聯合觀測試驗青藏高原星機地聯合觀測試驗關于做兩套產品的問題74 項目組在“十二五”項目組在“十二五”863重大項目執行期間，發展了國產衛星和國際衛星數據協同的輻射、植被、水熱通量、冰雪變化四大類重大項目執行期間，發展了國產衛星和國際衛星數據協同的輻射、植被、水熱通量、冰雪變化四大類26個產品生產算法，并在編寫國家遙感中心全球生態環境遙感監測年報時生產了個產品生產算法，并在編寫國家遙感中心全球生態環境遙感監測年報時生產了6年全球的產品；其中國產數據占比超過年全球的產品；其中國產數據占比超過50%本項目將完全使用國產數據，形成一套新的產品本項目將完全使用國產數據，形成一套新的產品 在項

224、目執行后期，將利用生成的兩套產品進行對比驗證在項目執行后期，將利用生成的兩套產品進行對比驗證植被生長狀況監測與評價植被生長狀況監測與評價全球地表反照率產品全球地表反照率產品MODIS與與FY3/MERSI協同生產的協同生產的1km/5天產品天產品MODIS與與FY3/MERSI協同生產的協同生產的1km/5天產品天產品研究厚度變化隨海拔變化規律研究厚度變化隨海拔變化規律對比冰川區和非冰川區觀測結果，驗證精度對比冰川區和非冰川區觀測結果，驗證精度研究冰川厚度變化隨表磧變化規律研究冰川厚度變化隨表磧變化規律研究冰川物質平衡變化對流域水資源影響研究冰川物質平衡變化對流域水資源影響精細研究精細研究30

225、m分辨率尺度研究30m分辨率尺度研究1km分辨率無法實現1km分辨率無法實現躍動冰川等特殊目標的精細研究、冰川厚度變化隨表磧變化規律躍動冰川等特殊目標的精細研究、冰川厚度變化隨表磧變化規律1km分辨率無法實現1km分辨率無法實現躍動冰川等特殊目標的精細研究、冰川厚度變化隨表磧變化規律躍動冰川等特殊目標的精細研究、冰川厚度變化隨表磧變化規律1km分辨率尺度研究1km分辨率尺度研究研究冰川物質平衡變化區域分布規律及對氣候變化響應研究冰川物質平衡變化區域分布規律及對氣候變化響應精度高且信息豐富精度高且信息豐富躍動冰川等特殊目標的精細研究躍動冰川等特殊目標的精細研究（Kb et al.,2012,Na

226、ture)研究冰川物質平衡變化區域分布規律及對氣候變化響應研究冰川物質平衡變化區域分布規律及對氣候變化響應高分辨山地冰川觀測高分辨山地冰川觀測30米以上30米以上低分辨山地冰川觀測低分辨山地冰川觀測1千米左右1千米左右基于多源衛星觀測的土壤水分和積雪數據同化研究第四屆全國定量遙感學術論壇第四屆全國定量遙感學術論壇2背景介紹Aqua:MODIS,AMSR-EGRACETerra:MODIS 土壤水分與積雪是控制能水循環的關鍵因子，影響天氣和氣候預測 衛星遙感和陸面模型在獲取大尺度時空連續的土壤水分和積雪數據上存在局限性 陸面數據同化以衛星觀測約束模型，得到更合理的估計George E.P.Box

227、“Essentially,all models are WRONG,but some are USERFUL.”3 模型存在系統誤差和隨機誤差背景介紹模型總誤差=系統誤差+隨機誤差4背景介紹 局限性：局限性：單源與多源同化，不同時空分辨率衛星產品的聯合同化等 研究目標：研究目標：發展基于多源衛星觀測的陸面數據同化系統（原型），生成一套穩定的適用于水文氣象研究的全球同化數據集。0.00.10.20.30.40.50.601/06/1121/06/1111/07/1131/07/1120/08/1109/09/1129/09/11soil moisture(m3m-3)Date(dd/mm/yy)

228、obsDA_ALSMSMOS_AZhaoetal.(2014RSE)變分同化：基于代價函數的模型參數優化5 多模型模擬來代表模型的不確定性 基于貝葉斯理論估計變量后驗概率分布并計算成員的增量 根據不同變量間的協方差來映射增量，更新初始值多源同化集合同化方法Timet1t2t3先驗概率分布先驗概率分布后驗概率分布6 模型算子 CLM(NCAR，the Community Land Model），不斷進化的模型 Multi-instance：一次編譯可同時執行多個集合模擬；并行計算優化 地球系統模型（CESM）的有機組成部分，便于發展氣候模式耦合同化多源同化同化方案 同化平臺 DART(NCAR，

229、Data Assimilation Research Testbed)獨立于模型，模塊化設計，方便耦合 集成主流的集合同化算法 內建豐富的分析工具 專業團隊對算法和軟件的支持ZhaoandYang(2018,RSE;2016,JHM)7GRAGRACE TWSSWEandsnowthicknessLiquidsoilwaterandsoiliceWaterinaquifer(WA)andtotalwaterstorage(WT)ASOAMSR-E TB atlower frequenciesLiquidsoilwaterASNAMSR-E TB athigher frequenciesSWE,

230、snowthickness,andsnowtemperatureLiquidsoilwaterandsoiltemperatureSWEandsnowthicknessMODMODIS SCF多源同化同化方案Zhangetal.2014JGRAKwonetal.2016JHMZhaoetal.2016JHMZhangetal.2016JGRA8 模型與觀測誤差 ASO Key time-invariant model parameters are pre-calibrated through a variational DA method(Zhao et al.2016 JHM).ASN ke

231、y model parameters(snow stickiness and grain radius)are simultaneously updated with the soil and snow states during each EAKF assimilation cycle(Kwon et al.2016 JHM).GRA detrended GRACE TWS anomaly(regularized sliding window mascon solution;Sakumura et al.2016 JGR)added to CLM multi-year mean of TWS

232、 to artificially reconstruct an absolute TWS observations.MOD a relative large observation error of 10%is assigned(Zhang et al.2014 JGR-A).多源同化同化方案9 計算效率 Time-shifting of CAM4 reanalysis多源同化同化方案SpatialupscalingofsatelliteretrievalsfromoriginalresolutiontotheCLMgridcellscale(0.9 1.25);Localization in

233、DART(setto0.05radians,i.e.around2.86).10 基于CLM-DART的多源陸面數據同化系統多源同化同化方案研究問題：陸表狀態變量多目標優化及多源同化的效果?不同傳感器對特定狀態變量估計的作用?ZhaoandYang(2018,RSE)11 考慮不同傳感器組合的多源同化實驗多源同化實驗設計Observations CasesMODDIS積雪覆蓋積雪覆蓋GRACE水儲量變化水儲量變化AMSR-E低頻亮溫低頻亮溫AMSR-E高頻亮溫高頻亮溫OLOpen-loop,no DADA_1_GRAxDA_2_MOD_GRAxxDA_3_MOD_ASOxxDA_4_MOD_A

234、SNxxDA_5_MOD_AMRxxxDA_6_MOD_AMR_GRAxxxxDA_7_MOD_ASO_GRAxxxDA_8_MOD_ASN_GRAxxx生成了全球2003-2009年1小時，1分辨率，共40個成員的，包含土壤水分、積雪、徑流、通量等多個陸表變量在內的同化數據集ZhaoandYang(2018,RSE)12多源同化結果分析之土壤水分評估 以ISMN 觀測網實測土壤水分為參照，同化減小了各層土壤水分估計的均方根偏差，但仍存在較大系統性偏差RMSE_diff=OL DAZhaoandYang(2018,RSE)13多源同化結果分析之土壤水分評估 以ISMN 觀測網實測土壤水分為參照

235、，同化不同程度上減小/增大了9個獨立觀測網各層土壤水分估計的均方根偏差ZhaoandYang(2018,RSE)14 以ESA CCI全球產品為參照，同化提高了表層土壤水分的空間相關性多源同化結果分析之土壤水分評估0.750.760.770.78SpatialcorrelationofmultiyearmeanSSMwithESAdataZhaoandYang(2018,RSE)15多源同化結果分析之積雪深度評估0.400.450.500.55SpatialcorrelationofmultiyearmeansnowdepthwithCMCdata 以加拿大氣象中心（CMC）積雪再分析資料為參

236、照，同化提高了積雪深度估計的空間相關性ZhaoandYang(2018,RSE)16多源同化結果分析之積雪深度評估 以CMC為參照，同化得到的緯度帶平均雪深更接近再分析資料，但仍存在一定系統性偏差0.00.10.20.30.40.50.60.745505560657075Snow depth(m)Latitude()FEB 1CMC再分析資料同化模擬ZhaoandYang(2018,RSE)17多源同化結果分析之積雪深度評估 以CMC為參照，同化對雪深估計的提高/退化存在空間變異性，且不同傳感器的貢獻不同(m)RMSE_diff=OL DA ZhaoandYang(2018,RSE)18多源同

237、化結果分析之積雪深度評估 以CMC為參照，同化對雪深估計的提高/退化存在空間變異性，且不同傳感器的貢獻不同(m)RMSE_diff=OL DA ZhaoandYang(2018,RSE)19 建立了基于CLM和DART的多源全球陸面數據同化系統，有效實現多源遙感產品同化及和多模型變量的同步更新；生成了一套全球多源陸面同化產品數據集 同化在不同程度上改善全球多層土壤水分和中高緯度的積雪估計，而改進/退化的程度呈現出較大空間變異性，且不同傳感器的貢獻不同 集合同化不能有效處理模型的系統誤差多源同化小結平均偏差（BIAS）0.00.20.40.60.845556575Snow depth(m)Lat

238、itude()FEB 1CMC再分析資料同化模擬20多源同化小結平均偏差（BIAS）0.00.20.40.60.845556575Snow depth(m)Latitude()FEB 1CMC再分析資料同化模擬0.00.10.20.30.40.50.601/06/1121/06/1111/07/1131/07/1120/08/1109/09/1129/09/11soil moisture(m3m-3)Date(dd/mm/yy)obsDA_ALSMSMOS_A變分同化+集合同化謝謝，敬請批評指正！謝謝，敬請批評指正！趙 龍()22THANK YOU!LongZHAO()Zong-Liang Y

239、ang,UT-AustinTimothy Hoar,NCARYongfei Zhang,UWYonghwan Kwon,UMKun Yang,THUJiangfeng Wei,NUISTCarly Sakumura,JPLXiaolu Ling,NJUThe Texas Advanced Computing CenterZhao,L.andYang,Z.L.,2018.Multisensorlanddataassimilation:Towardarobustglobalsoilmoistureandsnowestimation.RemoteSensingofEnvironment,216:13

240、27.23 青藏高原那曲多尺度土壤溫濕度觀測網青藏高原那曲多尺度土壤溫濕度觀測網，為國際土壤水分網計劃（為國際土壤水分網計劃（ISMN）提供數據）提供數據 重慶青木關野外觀測基地小結與展望青藏高原土壤溫濕度觀測系統重慶青木關綜合觀測基地24集合同化?TWS?,?,?,?,?,?242526 Zhao,L.and Yang,Z.-L.,2018.Multi-sensor land data assimilation:Toward a robust global soil moisture and snow estimation.Remote Sensing of Environment,216:

241、13-27.Zhao,L.,Z.-L.Yang,T.J.Hoar,2016.Global Soil Moisture Estimation by Assimilating AMSR-E Brightness Temperatures in a Coupled CLM4RTMDART System,Journal of Hydrometeorology,17:24312454.Zhao,L.,K.Yang,J.Qin,Y.Y.Chen,W.J.Tang,H.Lu,and Z.L.Yang,2014.The scale-dependence of SMOS soil moisture accura

242、cy and its improvement through land data assimilation in the central Tibetan Plateau.Remote Sensing of Environment,152:345-355.Zhao,L.,K.Yang,J.Qin,and Y.Chen,2013.Optimal Exploitation of AMSR-E Signals for Improving Soil Moisture Estimation through Land Data Assimilation,Geoscience and Remote Sensi

243、ng,IEEE Transactions on,51:399-410.相關論文27小結與展望 基于代價函數的變分同化方法可以有效減小模型系統誤差，彌補集合同化不足 變分同化對于模型背景誤差和觀測誤差的處理相對簡單，尤其考慮到多源同化情形，集合同化處理更為合理基于多源遙感的城市化對植被生產力綜合影響分析第四屆全國定量遙感學術論壇第四屆全國定量遙感學術論壇目錄研究背景融合多源遙感的NDVI序列構建城市化對植被生產力影響分析總結和討論-2-1342認知陸地生態系統碳循環，是關系人類可持續發展的重要問題-3-(IPCC,2013)NPPGPPRa光合作用所產生的有機質總量中扣除自養呼吸后的剩余部分光合

244、作用所產生的有機質總量中扣除自養呼吸后的剩余部分工業革命以來，大氣中二氧化碳等溫室氣體含量持續升高植被凈初級生產力(Net Primary Productivity,NPP)反應植被固定二氧化碳能力的重要指標研究背景11遙感是目前植被監測最重要的手段之一，但單一遙感系統難以同時兼顧時空分辨率與時序覆蓋長度衛星傳感器時間分辨率衛星傳感器時間分辨率NDVI產品空間分辨率產品空間分辨率(m)開始時間開始時間Landsat 4/5/7/8TM/ETM+/OLI16天天/301982年Terra/AquaMODIS1天2景MOD13250-10002000年年NOAAAVHRR1天GIMMS3g約約80

245、001981年SPOTVGT1天VEGETATION10001998年年研究背景問題1：如何獲取兼具時空分辨率的高質量長時序遙感數據-5-1全球正經歷快速的城市化進程，對區域碳循環造成了巨大影響城市化前后對比城市熱島效應土地覆蓋變化：直接影響植被數量多少，引起生態系統結構的變化等生長環境變化：氣候、土壤、大氣條件等方面變化，如城市熱島等人類活動影響：人類灌溉、植被管理等影響研究背景Pei等;Yu等;Wu等Zhao等;Zhou等;Takagi等大量研究分析城市化導致植被減少對NPP的影響也有學者表明城市環境明顯的促進了植被生長11ZhaoS,LiuS,ZhouD.Prevalentvegetat

246、iongrowthenhancementinurbanenvironmentJ.PNAS,2016土地覆蓋變化的影響城市擴張，城市綠化等直接影響1間接影響1其他因素的影響全球氣候變化、城市環境變化等研究背景問題2：如何在認知城市化歷史進程對NPP的綜合影響目錄研究背景融合多源遙感的NDVI序列構建城市化對植被生產力影響分析總結和討論-7-1342-8-AVHRR GIMMS3g 8kmMODIS MOD13A3 1km219801990200020102020不同長時序NDVI產品均具有各自的優勢和不足，如何有效結合多源數據，克服單一傳感器限制？NDVI數據融合POP-(Product of

247、product)POP-(Product of product)New product 1km處理流程-9-GIMMS 8kmMOD13 1km 1982 1983200020152000 200120152019MODISaAVHRRb1982 1983200020152019AVHRR MODIS-Like 8 kmMODIS 1km時空信息融合時空信息融合考慮季節差異考慮季節差異2000.01 1982-1999,1月2000.02 1982-1999,2月 2000.12 1982-1999,12月19821983200020191982-2014 時空連續1kmNDVI2015傳感器

248、歸一化傳感器歸一化時域濾波時域濾波時域濾波時域濾波2-10-2融合之前真實數據融合之前真實數據融合結果融合結果時空融合結果評價指標年際變化圖時空融合結果評價指標年際變化圖利用2000-2012年的數據重疊進行模擬實驗融合結果與真實MODIS具有較好的一致性，且融合精度能夠隨著融合年份和參考年份間距離的變長而保持穩定融合精度驗證-11-全球產品生產2 1km 空間分辨率 16天/月 時間分辨率 1981.07至今長時序 MODIS分幅方式 全球精度驗證 時空連續可比目錄研究背景融合多源遙感的NDVI序列構建城市化對植被生產力影響分析總結和討論-12-1342-13-實測實測NPP(gC m2ye

249、ar1)估算估算NPP(gC m2year1)基于CASA模型估算云南省NPP，并利用59個實測站點數據分別對用不同NDVI所計算的NPP結果進行驗證原始原始GIMMS3g NDVI歸一化歸一化NDVI最終融合最終融合NDVI 利用融合NDVI估算的NPP比原始NDVI的計算結果具有更高的精度3 昆明市內NPP與MOD17產品具有高時相相關性(r=0.83)NPP估算驗證-14-整個城區：整個城區：2014年的城區范圍老城區：老城區：1989年的城區范圍擴張區：擴張區：2014年和1989年的城區范圍之差郊區：郊區：2014年城區的5km緩沖區非城市區：非城市區：城區附近與其面積一樣的山區森林

250、年份傳感器月年份傳感器月/日年份傳感器月日年份傳感器月/日年份傳感器月日年份傳感器月/日年份傳感器月日年份傳感器月/日日1987TM02/081994TM03/152001TM03/022008TM04/061988TM01/261995TM04/032002ETM+02/092009TM02/041989TM03/011996TM01/162003TM04/092010TM02/071990TM01/151997TM05/102004TM03/102011TM02/261991TM02/191998TM04/272005TM02/252012ETM+01/201992TM01/051999T

251、M03/292006TM04/012013OLI04/201993TM02/082000ETM+03/232007TM05/062014OLI04/23利用Landsat數據對城市區域的植被、不透水面、裸土和水體四類地表覆蓋進行分類，定義單位NPP像元內的不透水面所占比例為城市化強度3城市化強度-15-0NPPNPPdirhD01hFVNPPNPP1NPPNPPindhD其他因素的間接影響土地覆蓋變化直接影響假設一個城市像元的NPP僅由其中可生產部分所占的面積比例所決定1，即：31NPP0NPP100t1t城市化前后NPP變化如果沒有間接影響，時刻的NPP應當為：1t(,)1(,)(,)FVN

252、PP x tx tNPPx t3不同影響分離城市擴張情況-16-土地覆蓋類型轉換空間分布圖三種土地覆蓋類型面積占比的年際變化土地覆蓋類型轉換空間分布圖三種土地覆蓋類型面積占比的年際變化 昆明經歷了越來越快的城市化，不透水層面積占比呈指數型增長 城市內的植被區域越來越少，近兩年有城市綠化的現象 昆明市內有37.68%的區域呈現不透水面的增加，老城區土地覆蓋穩定3不同區域NPP-17-不同區域的不同區域的NPP年際變化趨勢年際變化趨勢城市化導致了城市區域內的區域NPP呈現減少趨勢，并且擴張區的NPP降低趨勢最明顯，而郊區的降低趨勢最小非城市區域增長城市區域減少3直接和間接影響直接影響和間接影響的年

253、際變化趨勢直接影響和間接影響的年際變化趨勢-18-城市區域的NPP降低主要因為城市化的直接影響，導致可生產面積減少 間接影響能顯著促進植被生長，且以2000年分段呈現先增長后穩定的趨勢 間接影響的促進作用能夠抵消直接影響將近30%的負面作用3時空異質性不同月份的間接影響不同月份的間接影響-19-變化斜率變化斜率(gC.m2.year1)全城區老城區 擴張區郊區全城區老城區 擴張區郊區直接影響10.034.2811.372.46間接影響1.551.621.531.30不同區域直接和間接影響的年際變化斜率不同區域直接和間接影響的年際變化斜率 季節異質性方面，間接影響（PII）呈現明顯的冬季高夏季低

254、現象 在空間上，擴張區的直接影響最嚴重，而老城區的間接影響最高（PII為間接影響與為間接影響與NPP比值）比值）3城市化對植被生產力的不同影響呈現巨大時空異質性-20-區域氣候因子區域氣候因子1990-20141990-19992000-2014整個城市區域整個城市區域降水0.0610.380.06氣溫0.44*0.70*0.014老城區老城區降水0.190.230.45氣溫0.43*0.590.17擴張區擴張區降水0.110.410.039氣溫0.45*0.72*0.054注：注：*代表了顯著相關，即代表了顯著相關，即p0.05。城市熱島可能是間接影響的重要驅動力 間接影響與氣溫呈現顯著相關

255、性，且在城市化初期更明顯3間接影響與氣候因子的相關性與氣候因子關系 擴張區的城市化間接影響與氣溫相關性高于老城區區域氣候因子區域氣候因子1990-20141990-19992000-2014整個城市區域整個城市區域降水0.55*0.170.59*氣溫0.41*0.330.34老城區老城區降水0.340.070.14氣溫0.210.210.14擴張區擴張區降水0.56*0.190.60*氣溫0.42*0.340.36-21-直接使用NPP分析與氣候因子的相關性注：注：*代表了顯著相關，即代表了顯著相關，即p0.05。3分離影響的必要性降水是主導因素2000后前影響最大直接利用NPP與氣候進行分析

256、，會得到完全相反的結論！-22-區域老城區擴張區郊區需占用面積區域老城區擴張區郊區需占用面積(km2)61.7782.21100.81需占用面積比例需占用面積比例(%)70.2724.4614.38不同區域碳匯補償綠化所需的面積城市化前后的不同區域碳匯補償綠化所需的面積城市化前后的NPP總量和總量和NPP-FV（NPP-FV代表全植被覆蓋區域的NPP值）3城市綠化由于間接影響，彌補損失所需的綠化面積只需要植被減少的75.36%城市化造成昆明市陸地生態系統碳匯損失約為0.088 TgC.year1目錄研究背景融合多源遙感的NDVI序列構建城市化對植被生產力影響分析總結和討論-23-1342-24

257、-構建一個基于多流程處理的多源NDVI產品融合框架，獲取自1982年開始時空連續可比的1km時間序列土地覆蓋變化是城市NPP降低的主要原因，而城市環境會對植被生長產生促進作用氣溫是主導間接影響變化的主要因素，而時空異質性表明城市熱島可能是重要驅動力4總結如果不分離直接與間接影響，直接用NPP進行分析會得到完全相反的錯誤結論，證明了分離影響的必要性武漢大學武漢大學資源與環境科學學院資源與環境科學學院基于多源遙感的城市化對植被生產力綜合影響分析基于多源遙感的城市化對植被生產力綜合影響分析第四屆全國定量遙感學術論壇第四屆全國定量遙感學術論壇基于無人機的高光譜數據提高干旱區土壤含水量估算精度的新方法A

258、 new approach of UAV-based hyperspectral data to improve the estimation accuracy of soil moisture content in arid areas第四屆全國定量遙感學術論壇第四屆全國定量遙感學術論壇面臨困難與問題研究目的研究背景與意義2 2背景土壤含水量不僅是全球變化的重要一環，同時極易影響植被生長對干旱區生態環境、經濟生產起著關鍵作用綠洲：農業的載體作物脅迫：干旱脅迫干旱區精準農業與水資源管理3 3背景研究背景與意義研究目的面臨困難與問題困難1：觀測資料稀缺困難2：缺乏快速易行的手段困難3：水分空間分

259、布極不平衡，實現精準農業有難度UAV+高光譜傳感器 高維數據如何實現有效的挖掘 間接估算的合理性 高維數據如何實現有效的挖掘 間接估算的合理性研究背景與意義研究目的面臨困難與問題4 4背景探究基于成像高光譜數據的預處理方式和最適光譜指數在估算土壤含水量的潛力明確最佳估算模型，并提供一套可參考的估算方案嘗試土壤含水量數字制圖研究背景與意義研究方法研究區5 5數據與方法研究區6 6數據與方法研究方法?,?,?/?,?/?,?0.4401?0.3308?/?1?0.4401?first-derivative R(FDR)second-derivative R(SDR)continuum-remova

260、l(CR)absorbance(A)first-derivative absorbance(FDA)first-derivative absorbance(SDR)梯度提升回歸樹隨機森林回歸極端梯度增強預處理指數模型描述統計預處理最適指數模型驗證7 7研究結果描述統計SPXY劃分建模集和驗證集描述統計最適指數模型驗證8 8研究結果預處理450 nm,670 nm,740 nm,980 nm描述統計預處理模型驗證9 9研究結果最適指數Spectral indicesPretreatment methodRFDRSDRCRAFDASDADI0.7240.6620.5510.7370.7480.74

261、20.577NDI0.7480.6740.4870.7550.7250.6160.561RI0.7470.6680.4750.7550.7200.6240.424PI0.7720.6930.5540.7460.7730.7380.569420,440,460,700和750nm葉綠素和水分的敏感帶描述統計預處理模型驗證1010研究結果最適指數描述統計預處理最適指數1111研究結果模型驗證展望結論與展望1212結論使用不同的預處理策略處理UAV圖像能實現深度信息挖掘，預處理A方案在改善相關性方面具有強烈的積極作用。有效消除了大氣干擾和土壤背景，A_PI具有顯著相關性（|r|=0.773）XGBo

262、ost模型比RF和GBRT模型產生更好的預測結果。XGBoost模型對于估計SMC的具有最佳精度（R2val=0.926，RMSEP=1.943和RPD=2.556）結論結論與展望1313展望（指數i-指數j）/（指數i+指數j）講師 2名博士后 1名博士生 11名碩士生 18名干旱區鹽塵氣溶膠干旱區生態水文遙感應用土壤水鹽運移數據同化與建模感謝觀看，請批評指正感謝觀看，請批評指正基于激光雷達數據的區域森林生物量制圖基于激光雷達數據的區域森林生物量制圖武漢大學 資源與環境科學學院2019年6月16日南京大學第四屆定量遙感論壇報告提綱2研究科學背景1 1研究方法與案例2 2研究總結3 3研究科學

263、背景3社會需求當前全球氣候變化背景下，需要建立區域到國家尺度的碳監測與評估系統，支持制定合理有效的政策應對氣候變化談判和替代工業化減排方案國際現狀NASA自2010年設碳專項研究基金2018年12月成功發射陸地生態衛星GEDI 歐空局計劃在2021年發射生物量衛星BIOMASS國內現狀中國陸地碳衛星科研星(計劃2020年發射)旨在建立一套完善的國家尺度碳評估系統國家林業與草原局在重點試點區展開研究與驗證京都議定書1995京都議定書1995蒙特利爾公約2000蒙特利爾公約2000巴黎協定2015巴黎協定2015歐空局BIOMASS衛星溫室氣體管理研究所溫室氣體管理研究所中國陸地碳衛星 科研星NA

264、SA陸地生態衛星14Le Qur et al.(2014)GATM=EFF+ELUC SLAND SOCEANWhy Forest Carbon?Why Forest Carbon?全球碳循環中全球碳循環中陸地碳庫陸地碳庫存在存在最大不確定性最大不確定性 森林碳森林碳是是陸地碳庫陸地碳庫中的重要組成部分中的重要組成部分 對森林碳量的高分辨率對森林碳量的高分辨率評估體系尚不完善評估體系尚不完善全球氣候變化影響下的碳循環研究1HeightShrublandYoung ForestMature ForestPrimary ForestSecondary Forest森林擾動Disturbance森林

265、擾動Disturbance森林恢復Recovery森林恢復Recovery平衡Equilibrium平衡EquilibriumG:growth E:emission S:sink 什么是生物量什么是生物量 Biomass單位面積或單位時間積累的干物質量（噸單位面積或單位時間積累的干物質量（噸/公頃，公頃，ton/ha）樹木、灌木、藤類植物、植物根系和土壤腐殖質中（Monk,1972)如何量測和估算如何量測和估算直接法直接法：砍伐或采樣后實驗室稱量，推導統計模型（e.g.蓄積表，異速生長模型）間接法間接法：量測幾何及物理指標，用于模型計算生物量轉換為碳量生物量轉換為碳量Carbon=*Bioma

266、ss(e.g.=0.5)森林生物量的定義15如何估算森林生物量？如何估算森林生物量？間接估算：區域尺度間接估算：區域尺度 遙感反演遙感反演激光雷達(LiDAR)成像雷達(SAR)成像光譜 優點：省時、省力、空間連續面數據省時、省力、空間連續面數據直接估算：樣地尺度直接估算：樣地尺度 地面調查+統計估算 局限性：費時、費力點采樣數據費時、費力點采樣數據(USFS)樣地調查數據樣地調查數據森林生物量分布森林生物量分布(Ruesch 2008;http:/cdiac.ornl.gov)遙感數據遙感數據遙感反演或模型模擬遙感反演或模型模擬估算方法1(Jenkins,2003)異速生長模型異速生長模型B

267、iomass=exp(b1+b2*ln dbh)樣地生物量樣地生物量Carbon=*Biomass樣地平均高度樣地平均高度 森林生態模型森林生態模型統計模型過程模型6 6報告提綱研究科學背景1 1研究方法與案例2 2研究總結3 37美國宇航局陸地生態系統基金基于激光雷達和雷達數據融合的生物量反演2009-2013美國宇航局碳專項基金碳儲監測和預測系統（2012-2018）高分辨率碳儲監測和預測系統第一期和第二期2012-2018研發MRV原型系統以支持碳交易機制建設2013-2016國家林業與草原局赤子計劃項目基于陸地碳衛星數據建立森林生物量評估系統前期研究2018-2019武漢大學雙一流建設

268、人才科研啟動項目長江經濟帶區域森林生物量評估2019-20218科研項目支持29 9研究區：美國東北部緬因州LVIS=Land,Vegetation and Ice Sensor機載激光雷達器用于陸地、植被和冰觀測研究區：美國東北部緬因州LVIS=Land,Vegetation and Ice Sensor機載激光雷達器用于陸地、植被和冰觀測Acadian RegionAcadian RegionHuang W*,Sun G,Montesano P,Ni W,Zhang Z.(2013).Mapping biomass change after forest disturbance:Apply

269、ing LiDAR footprint-derived models at key map scales.Remote Sensing of Environment.134:319-332.DOI:10.1016/j.rse.2013.03.017.站點尺度測試Howland PenobscotHowland Penobscot基于Landsat時間序列數據(LTSS-VCT)的森林擾動數據集基于Landsat時間序列數據(LTSS-VCT)的森林擾動數據集(Huang,C.et al.2010)1984201019842010210波形激光雷達數據變化分析2003-2009年同一地點(距離3

270、50(d)2009-2003(CI)0105km(c)2009-2003Change of Biomass(Mg/ha)(,-100)-100,-50)-50,-25)-25,-15)-15,0)Neutral(0,15(15,25(25,50(50,100(100,)GainGainLossLoss(e)HF VCTVCTforestdisturb 84,02disturb 03,08Cut Typeplantationpre-clear(84-02)pre-stripe(84-02)pre-select(84-02)select-cut 0308(h)HF 2009-2003(CI)(g)

271、HF 2009-2003(f)HF Management010.5km1111森林生物量變化(2003-2009)樣地尺度樣地尺度驗證波形激光雷達驗證波形激光雷達足印尺度模型足印尺度模型預測生物量可靠性經驗模型算法適用預測生物量可靠性經驗模型算法適用典型區域反演典型區域反演美國東部站點森林生物量制圖Huang et al.2013 RSEhttp:/carbon.nasa.gov/2NASA碳監測與預測CMS始自2010年高分辨率森林碳監測和預測系統132發展歷程：郡縣試點到州省尺度應用正向東部11州推廣Field Data Collection and AnalysisField Data

272、Collection and Analysis Field Biomass EstimatesField Biomass EstimatesAllometry Allometry CalibrationCalibrationValidationValidationSmall-Footprint LidarSmall-Footprint LidarHigh-Resolution Imagery(NAIP)High-Resolution Imagery(NAIP)Error AnalysisError AnalysisAlgorithm Development&Image ProcessingAl

273、gorithm Development&Image ProcessingMachine Learning and Statistical ModelsMachine Learning and Statistical ModelsHigh Resolution Biomass EstimationHigh Resolution Biomass EstimationPrognostic Ecosystem ModelingPrognostic Ecosystem ModelingValidationValidationNational MappingNational MappingNational

274、 MappingNational MappingCarbon FluxCarbon FluxCarbon FluxCarbon FluxBiomassBiomassBiomassBiomassSequestration PotentialSequestration PotentialSequestration PotentialSequestration Potential美國東部和西部碳監測與預測流程圖2Dubayah 201214高分辨率植被分布1515ONiell-Dunne et al.2014 2nDSM-CHM土地覆蓋聚合統計植被結構指標:高度指標覆蓋度指標30 x 30 m051

275、0152025303540高度高度(m)高度指標高度指標020406080100D05D15D25D35D45D55D65D75D85D95覆蓋度覆蓋度(%)覆蓋度指標覆蓋度指標平均高度高分辨率森林碳監測2隨機森林模型)x,.,x,x(fy21n1616森林生物量預測高分辨率森林碳預測模型2平均高度生物量平均高度生物量.查找表查找表模型校正模型校正+10 年年+25 年年模型預測：森林生物量碳通量碳儲量潛力模型預測：森林生物量碳通量碳儲量潛力預測值預測值最佳匹配最佳匹配非生物環境變量模型初始化非生物環境變量模型初始化17Hurtt et al.2019 ERLHuang et al.accep

276、ted ERL高度驅動的過程生態模型高度驅動的過程生態模型Ecosystem Demography生物環境變量：郁閉度、類別和擾動率生物環境變量：郁閉度、類別和擾動率遙感反演：平均高度遙感反演：平均高度&生物量生物量182森林結構和碳儲量分布監測與預測森林最高高度30-m森林植被覆蓋度30-mLiDAR反演的森林生物量30-mHuang et al.2015 CBMED模型預測碳儲潛力90-mHurt et al.2019 ERL192全美生物量數據產品ProductNominal YearData SourceRes.NBCD2000Landsat ETM+1999-2002SRTM 200

277、030mSaatchi2005MODIS Landsat PALSARGLAS 90mWilson2005MODIS 2002-2008250mBlackard2001MODIS 2001250m驗證國家尺度數據產品SaatchiNBCD 2000BlackardWilsonForestNon-forestAllNon-ForestAllForestNBCDBlackardWilson Saatchi CMS_RF AGBM(Mg/ha)粗分辨率數據產品250-m存在不同程度的低估2美國東部馬里蘭州省尺度應用204.7 146.1 113.1 129.7 170.6 63.3 22.6 14.

278、9 26.9 10.8 0 50 100 150 200 250 300 CMS NBCD Blackard Wilson Saatchi Total AGB(Tg)Non-forest Forest 20格林貝爾市（馬里蘭大學附近）格林貝爾市（馬里蘭大學附近）精細尺度不同數據產品的差異較大21加州索諾瑪郡樣地分布與土地利用圖（4200 平方公里）通過網絡平臺共享實現數據可視化、探索與報告高分辨率數據集森林生物量、樹高和其它變量可生成圖形與表格形式的報告分析報告下載保存為PDF(輸出格支持Excel表格)鏈接到其它相關數據研發可測量、可報告、可核查(MRV)原型系統在郡縣尺度測試基于激光點云數

279、據反演生物量算法探索基于云數據平臺數據共享&分析模式樣地激光點云數據美國西部加州索諾瑪郡縣尺度試點2Huang,W.*,et al.(2017).County-Scale Biomass Map Comparison:a Case Study for Sonoma,California.Carbon Management,8(5):417-434.Duncanson L*,Huang W.,et al.(2017).Implications of Allometric Equation Selection for County-level Biomass Mapping.Carbon Bala

280、nce and Management.2017 Dec;12:18.222加州試點郡驗證ProductNominal YearData SourceRes.Gonzalez2010LANDFIRE30mNBCD2000Landsat ETM+1999-2002SRTM 200030mSaatchi2005MODIS Landsat PALSARGLAS 90mWilson2005MODIS 2002-2008250mBlackard2001MODIS 2001250m國家和區域尺度數據產品驗證Optical-InSAR聯合反演的數據產品一致性較好232美國東部三州省尺度推廣應用研究區：美國東部

281、三州(15萬平方公里)樣地、平均樹高(a)和激光雷達數據(b)分布圖Huang,W.*,Dolan,K.,Swatantran,A.,Johnson,K.,Tang,H.,ONeil Dunne,J.,Dubayah,R.,Hurtt,G.(accepted).High-Resolution Mapping of Aboveground Biomass for Forest Carbon Monitoring-a Case Study in Three Mid-Atlantic States,USA.Environmental Research Letter.243美國東部三州省尺度推廣應用H

282、uang et al.accepted ERL25Dubayah,R.O.,Swatantran,A.,Huang,W.*,et al.(2018).CMS:LiDAR-derived Aboveground Biomass,Canopy Height and Cover for Tri-State Region(MD,PA,DE).ORNL DAAC,Oak Ridge,Tennessee,USA.DOI：10.3334/ORNLDAAC/1538.Dubayah,R.,Swatantran,A.,Huang,W.*,et al.(2017).CMS:LiDAR-derived Aboveg

283、round Biomass,Canopy Height and Cover for Sonoma County,California 2013.ORNL DAAC,Oak Ridge,Tennessee,USA.DOI:10.3334/ORNLDAAC/1523.Dubayah,R.,Swatantran,A.,Huang,W.*,et al.(2016).CMS:LiDAR-derived Aboveground Biomass,Canopy Height and Cover for Maryland,2011.ORNL DAAC,Oak Ridge,Tennessee,USA.DOI:10

284、.3334/ORNLDAAC/1320.馬里蘭州數據集(Maryland)加州索諾瑪郡數據集(Sonoma,CA)東部三州數據集(PA,MD,DE)碳監測項目發布的數據集2作為該郡計算碳儲量的基礎數據作為州資源環境規劃部門確定最小森林面積和碳排放等政策的基準底圖美國橡樹嶺國家實驗室 數據中心作為制定美東十一州區域碳評估系統的試點原型26樣地、機載激光雷達、星載多角度、多光譜與雷達數據研究站點位置和植被覆蓋分布多源星載遙感數據Sentinel-1 C-波段雷達影像PALSAR-2L-波段雷達影像Landsat-8陸地衛星光學影像湘西典型森林區域植被高度和生物量制圖基于陸地碳衛星數據建立森林生物量

285、評估系統前期研究2PALSAR 森林/非森林湘西重點林區屬于國家建模類型的南方區域3個飛行航帶2018年綜合實驗（樣地431個）涵蓋131(共147)個類型單元區域森林高度分布聯合反演研究總結與展望327方法：基于主動遙感反演站點尺度的森林生物量及其變化樣地尺度驗證波形激光雷達足印尺度生物量預測模型可靠性經驗模型算法適用于典型區域森林生物量反演應用：郡縣-州省-跨州省區域高分辨率森林碳監測與預測高分辨率植被結構和生物量數據集支持國家尺度數據產品驗證過程生態模型進行區域尺度高分辨的模擬與預測展望：區域到全球應用在軌和新衛星數據 GEDI，BIOMASS，中國陸地碳衛星多源數據融合面擴展 Land

286、sat，Sentinel,Gaofen，PALSAR,etc.28Huang W*,Dolan K,Swatantran A,Johnson K,Tang H,ONeil Dunne J,Dubayah R,Hurtt G.(Accepted).High-Resolution Mapping of Aboveground Biomass for Forest Carbon Monitoring-a Case Study in Three Mid-Atlantic States,USA.Environmental Research Letter.Hurtt G*,Zhao M,Sahajpal

287、R,Armstrong A,Birdsey RA,Campbell K,Dolan K,Dubayah R,Fish JP,Huang C,Huang W,Johnson K,Lamb R,Ma L,Marks R,OLeary III D,ONeil-Dunne J,Swantaran A,&Tang H.(2019).Beyond MRV:High-resolution forest carbon modeling for climate mitigation planning over MD,USA.Environment Research Letters.105846.Duncanso

288、n L,Huang W,Johnson K,Swatantran A,O-Neil Dune J,Hurtt G,Dubayah R.Implications of Allometric Equation Selection for County-level Biomass Mapping(2017).Carbon Balance and Management.2017 Dec;12:18.Huang W*,Swatantran A,Duncanson LI,Johnson K,Watkinson D,Dolan K,O-Neil Dune J,Hurtt,G.,&Dubayah,R.(201

289、7).County-Scale Biomass Map Comparison:a Case Study for Sonoma,California.Carbon Management,8(5):417-434.Johnson K,Domke GM,Russell MB,Walters B,Hom J,Peduzzi A,Birdsey R,Katelyn D,&Huang W.(2017).Estimating aboveground live understory vegetation carbon in the United States.Environmental Research Le

290、tters.12,125010.DOI:10.1088/1748-9326/aa8fdbHuang W*,Swatantran A,Johnson K,Duncanson L,Tang H,ONeil Dunne J,Hurtt G,Dubayah R.(2015).Local Discrepancies in Continental Scale Biomass Maps:A Case Study over Forested and Non-Forested Landscapes in Maryland,USA.Carbon Balance and Management.10-19.Huang

291、 W*,Sun G,Ni W,Zhang Z,Dubayah R.(2015).Sensitivity of Multi-Source SAR Backscatter to Changes in Forest Aboveground Biomass,Remote Sensing.8(7):9587-9609.Huang W*,Sun G,Montesano P,Ni W,Zhang Z.(2013).Mapping biomass change after forest disturbance:Applying LiDAR footprint-derived models at key map

292、 scales.Remote Sensing of Environment.134:319-332.相關期刊論文基于碳水耦合原理的遙感蒸散發模型：基于碳水耦合原理的遙感蒸散發模型：廣泛使用的Penman-Monteith大葉模型有問題嗎？廣泛使用的Penman-Monteith大葉模型有問題嗎？Jing M.Chen1,2,Xiangzhong Luo3,Jingxian Liu1,2,Holly Croft4,Weimin Ju21University of Toronto,Canada2Nanjing University of Information Science and Techno

293、logy,China3University of California at Berkeley,USA4Sheffield University,UK4thForum on Quantitative Remote Sensing15-16 June 2019,Nanjing University,ChinaOutline Penman-Monteith ET model Coupling at the leaf level Coupling at the canopy levelA New look at the Penman-Monteith modelPenman-Monteith ET

294、Model)1()(caasapnggeegcREProblems in its implementation:Determination of canopy conductance gcis often difficult and this“big-leaf”simplification theoretically causes underestimation of ET.Accurate only for closed canopiesThis is a beautiful model because it incorporates the impacts of available ene

295、rgy,atmospheric drying power and plant physiological control on ET,without empirical coefficients!Water and Carbon Cycle CouplingAt leaf levelAt canopy levelAt landscape levelCoupling of Carbon and Water Exchanges at Leaf Level(1)Vegetation transpires water in the process of capturing CO2from the ai

296、r required for its growthbACRHmgssc)(where m and b are empirical parameters,Csis the CO2concentration at the leaf surface,RH is the relative humidity at the leaf surface.The Ball-Berry modelCoupling of Carbon and Water Exchanges at Leaf Level(2)Significance:Agsc Tgs Farquhars ModelWcand Wjare temper

297、ature/nutrient-limited and light-limited gross photosynthesis ratesdjcRWWGPP),(minKCCVWiimc5.105.4iijCCJWLeaf-level Photosynthesis ModelSunlit LeafShaded LeafScaling from Leaf to CanopymutilayerBig-leafSun/shadeMultilayer&Sun/shadeshadedshadedsunsunLGPPLGPPGPPImportance of Shaded Leaves0123456789100

298、246810Sunlit or Shaded LAILeaf Area Index(LAI)Sunlit or Shaded LAILeaf Area Index(LAI)Sunlit LAIshaded LAI1)(coscos/)(LGsuneGLsunshadedLLLAssuming=0.7 and=45shadedsunlitAlthough GPP of shaded leaves is 2-3 times lower than that of sunlit leaves,shaded LAI may be 2-3 times more than sunlit LAI.Sunlit

299、 and Shaded Leaf Area Index and Irradiance CalculationsSsun=Sdircos/cos+SshadeSshade=(Sdif-Sdif,under)/LAI+CC=0.07Sdir(1.1-0.1LAI)exp(-cos)Sdif,under=Sdifexp(-0.5LAI/cost),cost=0.537+0.025LAILAIsun=2 cos(1-exp(-0.5LAI/cos)LAIshade=LAI-LAIsun Chen et al.(1999),Ecological ModelingF1F2F2F1NPP=+-root re

300、spirationEddy covarianceEddy covarianceNPP Derived from Two-Level Flux MeasurementsNPP Derived from Two-Level Flux MeasurementsChen et al.(1999),Ecological Modelingy=0.8376x+0.6326R2=0.8129-2-10123456789101112-2-10123456789101112Measured NPP(g C/m2/d)Modeled NPP(g C/m2/d)n=163(b)y=0.2044x+2.3645R2=0

301、.3998-2-10123456789101112-2-10123456789101112Measured NPP(g C/m2/d)Modeled NPP(g C/m2/d)n=163(c)Big-leaf model Sunlit-shaded leaf modelChen et al.(1999),Ecological ModelingComparison of Big-leaf and Two-leaf Models Against NPP Derived fromTower Flux Data(Old Aspen site,Saskatchewan,1994)Flux Measure

302、ment NetworksLuo,Chen,et al.,2017,AFMTwo-leaf(TL)and Big-leaf(BL)GPP Model Comparisons with Tower Flux MeasurementsAFREE AIRLEAF BOUNDARYLAYERLEAFCO2 Exchange:Reality Big-Leaf ModelRealityBig-Leaf ModelBRiRscRaBRiRscRaRaRscRiBRscBH2O Exchange:Reality Big-Leaf ModelRealityBig-Leaf ModelARsRaARsRaRaRs

303、ARsH2OH2OH2OLEAF BOUNDARYLAYERLEAFCO2CO2CO2FREEAIRLEAF BOUNDARYLAYERLEAFLEAF BOUNDARYLAYERLEAF(b)(a)Water and Carbon Flows Represented by Multiple Layers and Big-LeafChen,2010,Progress in Natural ScienceCanopy-level Water and Carbon Flux CouplingshadeshadescshadesunsunscsunLgPLgPP)()(_shadeshadessha

304、desunsunssunLgTLgTT)()(_Canopy level photosynthesis:Canopy level transpiration:where Psunand Pshadeare the average photosynthesis rates for sunlit and shaded leaves,respectively;and Tsunand Tshadeare the average transpiration rates for sunlit and shaded leaves,respectively.gscand gsare stomatal resi

305、stance for carbon and water molecules,respectively.gs/gsc=1.6.ET=T+EsoilSchemes of Estimating Canopy ConductancesunlitsunlitscLgg_Lggsunlitsc_shadedshadedssunlitsunlitscLgLgg_Luo,Chen,et al.,2017,AFMTwo-leaf(TL)and Big-leaf(BL)ET Model Comparisons with Tower Flux MeasurementsBig-Leaf,Two Big-leaf an

306、d Two-leaf ModelsGs_sunlit=Lsunlit*gs_sunlitGs_shaded=Lshaded*gs_shadedDifferences in ET Among Big-Leaf(BLBL),Two Big-leaf(TBLTBL)and Two-leaf(TLTL)ModelsBiases in ET and GPPBy Big-Leaf(BL),Two Big-leaf(TBL)and Two-leaf(TL)ModelsA New Look at Penman-Monteith ET ModelWhy Does the Penman-Monteith Mode

307、l Underestimate ET?errorg1g2g1+g2ET1ET2ET1+ET2ET3gsor Gs(m/s)G1()(saasapngeegcREy?Chen and Liu(RSE,in review)SummaryBig-leaf Photosynthesis ModelTwo-leaf Photosynthesis ModelTwo-leaf Stomatal ConductancesTwo-leaf ET ModelConclusion:The big-leaf Penman-Monteith ET model needs to be separated into sun

308、lit and shaded leaf componentsImproved Big-leaf ET Modelbut it underestimates ETBL Model Underestimates ET More at Higher LAIDifferences in ET Between Two Big-leaf(TBL)and Two-leaf(TL)Modelsshaded基于連續小波分析和生態環境因子反演紅樹植物生化組分1Contents1234研究背景與目的研究方法研究結果結論與展望2研究背景與目的1隨著政府對紅樹林的重視，國內紅樹林的面積遏制了下降的趨勢，但紅樹林生態系統

309、功能仍存在退化趨勢，掌握紅樹林退化特征、過程及機理，對于紅樹林的生態修復以及保護具有重要意義。3研究背景與目的1定量理解紅樹林是否存在退化，需要長期立體監測紅樹林植被參數（生物物理參數、生物化學參數、植被與環境交互作用參數）、病害情況、紅樹林土壤環境、入侵物種狀況、海水以及氣候狀況等。文獻綜述來看，紅樹林生態遙感集中在物種分類、面積動態監測、入侵物種監測以及生物物理參數遙感反演，生化組分的定量遙感研究關注度較少，也未深入探討土壤屬性對生化組分遙感反演的影響。為了有效獲取對生化組分敏感的光譜信息，一階微分是最常用的方法。作為“數學顯微鏡”，連續小波變換分析在增強光譜細節方面表現出巨大的應用潛力，

310、已應用在植被遙感的多個領域。4研究背景與目的1研究目的：基于紅樹植物葉片光譜，使用連續小波分析和隨機森林回歸構建紅樹植物生化組分（葉綠素、含水量、氮和磷）的反演模型；探索9個生態環境因子（物種、地區、病蟲害、土壤鹽度、土壤pH、土壤總碳、土壤總氮、土壤粘粒、土壤粉粒）在紅樹植物生化組分遙感反演所起的作用；5研究方法：數據2135個紅樹植物葉片和土壤樣本包含4個物種（白骨壤、木欖、紅海欖、桐花樹）5個地區（北海山口保護區、湛江高橋保護區、北海濕地公園、北海黨江鎮、北海沙田鎮）4個生化組分（葉綠素、含水量、氮和磷）6個土壤屬性（鹽度、pH、總碳、總氮、粘粒、砂粒）有無病害信息6研究方法：流程21、

311、數據處理：四種光譜變換：原始光譜（OR）、一階微分（FDR）、連續小波變換光譜（OR_CWT、FDR_CWT，128個尺度）三種數據分組：隨機分組（RS）、Kennard-Stone(KS)、sample set partitioning based on joint x-y distance(SPXY)2、隨機森林回歸模型構建與比較（探索哪種數據分組更適合紅樹林生化組分遙感反演，并作為基本方法繼續探索生態環境因子在生化組分遙感反演所起的作用）3、生態環境因子在生化組分遙感反演所起的作用：針對全部樣本（135個），對每個生態環境因子進行分類（按照物種分為4類，按照地區分為5類，按照病害信息分為

312、2類，土壤總碳、總氮、pH、土壤粘粒、土壤砂粒按照四分位數分為四類），針對每類樣本，利用連續小波變換光譜(OR_CWT和FDR_CWT）分別構建隨機森林回歸模型（RFR）。耦合生態環境因子與連續小波變換光譜，基于最佳數據分組策略（RS/KS/SPXY）構建隨機森林回歸模型。7研究結果:相關性分析3統計意義上來說，土壤屬性與生化組分之間的相關性較弱。8研究結果:相關性分析34008001200160020002400-0.3-0.2-0.10.00.10.20.30.4Min:-0.244 Max:0.335(A-4)Leaf PPearsons correlation coefficient(

313、r)Wavelength(nm)4008001200160020002400-0.6-0.5-0.4-0.3-0.2-0.10.00.1Min:-0.531 Max:0.043Pearsons correlation coefficient(r)Wavelength(nm)(A-2)Leaf Water4008001200160020002400-0.8-0.6-0.4-0.20.00.2Pearsons correlation coefficient(r)Wavelength(nm)(A-1)Leaf SPAD-502Min:-0.673 Max:0.22140080012001600200

314、02400-0.3-0.2-0.10.00.10.20.3Min:-0.297 Max:0.291(A-3)Leaf NPearsons correlation coefficient(r)Wavelength(nm)(B)First derivative reflectance(FDR)(A)Original reflectance(OR)4008001200160020002400-0.6-0.30.00.30.6Min:-0.599 Max:0.621(B-4)Leaf PPearsons correlation coefficient(r)Wavelength(nm)400800120

315、0160020002400-0.9-0.6-0.30.00.30.60.9Min:-0.741 Max:0.721(B-3)Leaf NPearsons correlation coefficient(r)Wavelength(nm)4008001200160020002400-0.9-0.6-0.30.00.30.6Min:-0.710 Max:0.619(B-2)Leaf WaterPearsons correlation coefficient(r)Wavelength(nm)4008001200160020002400-0.9-0.6-0.30.00.30.60.9Min:-0.735

316、 Max:0.753(B-1)Leaf SPAD-502Pearsons correlation coefficient(r)Wavelength(nm)總體來看，FDR與4個生化組分之間的相關性大于OR.9研究結果:相關性分析3總體來看，特定的尺度下（OR_CWTFDRORSPXY大于KS和RS葉綠素（SPAD-502）和氮含量反演精度大于水含量和磷含量0.00.51.01.52.02.53.03.54.0 OR FDR OR_CWT FDR_CWTRPD value(B)SPAD-502NPWaterPNWaterSPAD-502PNWaterSPAD-502RS methodKS met

317、hodSPXY method0.00.20.40.60.81.0R2Val value(A)RS methodKS methodSPXY methodSPAD-502NPWaterPNWaterSPAD-502PNWaterSPAD-502 OR FDR OR_CWT FDR_CWT11研究結果：生態環境因子在生化組分遙感反演所起的作用3總體而言，葉綠素（SPAD-502）和氮含量的模型精度(交叉驗證精度）大于水含量和磷含量。分類別來看，病害狀況（condition）、土壤粉粒（Soil silt）各類別對應的樣本具有較好的生化組分反演精度，而物種（species）所對應的樣本具有最差的精度。

318、按物種劃分樣本來看，相同物種之間的生化組分含量差異不大，導致各物種類別對應的精度較差。獲取代表性的樣本（土壤總碳含量2.34-3.37%、土壤總氮含量0.14-0.19%、土壤粘粒含量4.30-20.30%、土壤粉粒含量78.90-83.30%）一定程度上可能提高反演精度。12研究結果：生態環境因子在生化組分遙感反演所起的作用3加入生態環境因子后，生化組分反演精度得到不同程度的提升。葉綠素含量（SPAD-502）和氮含量的精度高于水含量和磷含量。統計128個RFR模型（128個尺度）重要變量的頻率（右圖）發現，物種（species）、地區（site）、土壤總碳（TC）對葉綠素和氮含量的反演模型

319、具有顯著貢獻作用。（不同物種具有不同光譜細節以及植被結構）13結論和展望4與原始光譜和一階微分光譜相比，連續小波變換光譜能夠提高紅樹林生化組分的反演精度，并建議使用SPXY分組策略對原始數據分成校正集和驗證集。生態環境因子不同程度上影響生化組分反演精度，耦合生態環境因子與連續小波變換光譜能夠進一步提高生化組分反演精度；葉綠素含量和氮含量反演精度高于水含量與磷含量。進一步探索土壤屬性處于什么取值范圍能夠顯著提高葉片生化組分反演精度；基于無人機和衛星遙感，利用連續小波分析深入研究紅樹林生化組分空間分布規律，為今后研究紅樹林的退化機制提供數據保障。14感謝您的聆聽！2019.6.1515基于遙感的土

320、壤含水量與陸面蒸散發耦合優化模擬研究基于遙感的土壤含水量與陸面蒸散發耦合優化模擬研究第四屆全國定量遙感學術論壇第四屆全國定量遙感學術論壇一、立項依據研究背景研究背景1研究目標與科學問題研究目標與科學問題2數據與方法數據與方法3報告提綱報告提綱結果與討論結果與討論4總結總結5（一）研究背景（一）研究背景 土壤含水量與陸面蒸散發是地表水熱平衡的基本變量土壤含水量與陸面蒸散發是地表水熱平衡的基本變量 準確獲取兩者的時空分布數據是陸面水熱過程機理研究的重要基礎準確獲取兩者的時空分布數據是陸面水熱過程機理研究的重要基礎（一）研究背景（一）研究背景 優點：可以實現對兩者的準確觀測優點：可以實現對兩者的準確

321、觀測 缺點：無法有效反映兩者的空間分布趨勢缺點：無法有效反映兩者的空間分布趨勢 站點數據本身的空間代表性有限站點數據本身的空間代表性有限 站點密度過于稀疏站點密度過于稀疏土壤含水量與陸面蒸散發的傳統觀測方法土壤含水量與陸面蒸散發的傳統觀測方法渦度相關設備蒸滲儀大孔徑閃爍儀土壤溫濕度儀（一）研究背景（一）研究背景 遙感技術的快速發展為陸面水熱過程的監測分析提供了豐富的數據源，極大地拓寬了陸面水熱過程研究的領域和范圍遙感技術的快速發展為陸面水熱過程的監測分析提供了豐富的數據源，極大地拓寬了陸面水熱過程研究的領域和范圍 微波遙感使得土壤含水量的大范圍直接觀測成為了可能，一系列全球尺度的土壤濕度產品應

322、運而生（微波遙感使得土壤含水量的大范圍直接觀測成為了可能，一系列全球尺度的土壤濕度產品應運而生（SMOS、SMAP）遙感技術目前尚無法實現對陸面蒸散發的直接觀測，但催生了一系列遙感蒸散發模型（遙感技術目前尚無法實現對陸面蒸散發的直接觀測，但催生了一系列遙感蒸散發模型（SEBS、SEBAL、METRIC、TVX）問題問題1：微波遙感的：微波遙感的空間分辨率太低空間分辨率太低（2040km），土壤含水量微波反演的），土壤含水量微波反演的精度仍有待提高精度仍有待提高 問題問題2：陸面蒸散發的準確反演往往需要空氣動力學：陸面蒸散發的準確反演往往需要空氣動力學/熱力學阻抗作輸入，涉及到熱力學阻抗作輸入，

323、涉及到復雜的參數化過程復雜的參數化過程 時空分辨率高 簡單易行 可同時進行土壤濕度與蒸散發的遙感估算（一）研究背景（一）研究背景基本假設1基本假設1：若研究區內存在著：若研究區內存在著足夠多足夠多的像元，則由地表溫度（的像元，則由地表溫度（Ts）和植被指數(）和植被指數(VI)構成的二維空間將形成具有物理意義的三角形或梯形邊界；)構成的二維空間將形成具有物理意義的三角形或梯形邊界；基本假設2：基本假設2：干濕邊界代表土壤水分和蒸散發的干濕邊界代表土壤水分和蒸散發的極端情況極端情況，每個像元的土壤濕度和蒸散發速率可以根據其在干濕邊界中的，每個像元的土壤濕度和蒸散發速率可以根據其在干濕邊界中的相對

324、位置相對位置，通過，通過線性插值線性插值的方法求得的方法求得。特征空間法成功應用的關鍵在于干濕邊界的正確選擇關鍵參數Tsmax和Tcmax地表溫度-植被指數特征空間法地表溫度-植被指數特征空間法（一）研究背景（一）研究背景理論干邊的提取方法：地表能量平衡方程理論干邊的提取方法：地表能量平衡方程缺點：缺點：(1)過程復雜，參數較多(2)逐日計算，工作冗余(2)只能應用于大面積晴天條件下，時間連續較差(1)過程復雜，參數較多(2)逐日計算，工作冗余(2)只能應用于大面積晴天條件下，時間連續較差方法：方法：最近研究表明，通過構建有效的目標函數和約束條件，利用最近研究表明，通過構建有效的目標函數和約束

325、條件，利用數據驅動數據驅動的方式，可以更加有效地進行陸面水熱過程的連續遙感監測的方式，可以更加有效地進行陸面水熱過程的連續遙感監測可行性：可行性：在特征空間方法中，特定空間范圍內的在特征空間方法中，特定空間范圍內的所有像元共享一組干濕邊界所有像元共享一組干濕邊界，并且該干濕邊界，并且該干濕邊界同時適用于土壤含水量與陸面蒸散發兩個目標變量同時適用于土壤含水量與陸面蒸散發兩個目標變量，這為兩者的耦合優化模擬提供了充分的可行性。，這為兩者的耦合優化模擬提供了充分的可行性。（二）研究目標與科學問題（二）研究目標與科學問題 研究目標研究目標 在特征空間法的理論框架下，基于數據驅動和參數優化的方法，實現土

326、壤含水量與陸面蒸散發的耦合模擬與連續估算，克服傳統特征空間法的三大缺陷。在特征空間法的理論框架下，基于數據驅動和參數優化的方法，實現土壤含水量與陸面蒸散發的耦合模擬與連續估算，克服傳統特征空間法的三大缺陷。擬解決的關鍵科學問題擬解決的關鍵科學問題 土壤含水量與陸面蒸散發實測數據能否用于特征空間法的校準；土壤含水量與陸面蒸散發實測數據能否用于特征空間法的校準；如何在特征空間法的框架下實現土壤含水量與陸面蒸散發的相互轉化；如何在特征空間法的框架下實現土壤含水量與陸面蒸散發的相互轉化；如何基于特征空間法實現土壤含水量與陸面蒸散發的連續監測。如何基于特征空間法實現土壤含水量與陸面蒸散發的連續監測。（三

327、）數據與方法（三）數據與方法 研究區域的選擇與數據的處理研究區域的選擇與數據的處理 蒸發比蒸發比(EF)實測數據實測數據 表層土壤含水量表層土壤含水量(SM)實測數據實測數據 MOD11A1：地表溫度（：地表溫度（Ts）MOD13A2：植被覆蓋度（：植被覆蓋度（fc）MOD03：太陽天頂角（：太陽天頂角（）MOD07_L2和和MOD06_L2：（：（Ta）（三）數據與方法（三）數據與方法 空氣溫度的遙感估算：空氣溫度的遙感估算：MOD07_L2提取的表層空氣溫度與提取的表層空氣溫度與MOD06提取的地表溫度在近地表空氣溫度估算方面的誤差具有很好的互補性提取的地表溫度在近地表空氣溫度估算方面的誤

328、差具有很好的互補性?創新點創新點：完全基于MODIS遙感產品實現了全天氣條件下空氣溫度的遙感估算，為土壤濕度和蒸散發的遙感估算提供了數據基礎。Zhu et al.,Remote Sens.Environ.,2017a（三）數據與方法（三）數據與方法 土壤濕度指數土壤濕度指數(SMI)的遙感提取的遙感提取?,?,?1?,?,?,?,?,?,?,?1?,?,?,?,?1?,?,?（三）數據與方法（三）數據與方法 蒸發比蒸發比(EF)的遙感估算的遙感估算?,?1.26 1?1?,?1?,?,?,?創新點創新點：降低了特征空間法對干邊(Tsmax和Tcmax)的依賴性，只需要Tsmax的求解即可實現對

329、土壤濕度指數和蒸發比的遙感估算。Zhu et al.,Remote Sens.Environ.,2017b;Zhu et al.,J.Geophys.Res.,2017（三）數據與方法（三）數據與方法 土壤含水量與陸面蒸散發的耦合優化模擬土壤含水量與陸面蒸散發的耦合優化模擬?,?,?,?,?,?,?,?,?min?,?（三）數據與方法（三）數據與方法 土壤含水量與陸面蒸散發的耦合優化模擬土壤含水量與陸面蒸散發的耦合優化模擬 以土壤含水量為目標變量的優化算法目標函數：以土壤含水量為目標變量的優化算法目標函數：Co?,以蒸發比為目標變量的優化算法目標函數：以蒸發比為目標變量的優化算法目標函數：?約

330、束條件約束條件1：?約束條件約束條件2：,?A?.?.?本質本質：在特定的溫度變化范圍內，搜尋使得目標函數最優的：在特定的溫度變化范圍內，搜尋使得目標函數最優的A值。值。（四）結果與討論（四）結果與討論 以蒸發比為目標變量的校準結果以蒸發比為目標變量的校準結果 只利用只利用2004年年89天的晴天影像（研究區的云量小于天的晴天影像（研究區的云量小于20%）進行模型校準）進行模型校準 考慮到觀測站點空間分布的稀疏性，只采用一個站點的實測值進行校準考慮到觀測站點空間分布的稀疏性，只采用一個站點的實測值進行校準Calibration siteA(K)NrMAERMSEBE2342.5800.8530

331、.0880.110-0.018E4342800.8890.1240.1440.344E7349.5730.7010.1260.160-0.145E8350840.6390.0890.124-0.077E9349.5840.5770.1560.175-0.055E12341770.8830.1220.1470.144E13349.5820.5000.1620.1990.046E15349.5810.7400.1290.1510.035E18349690.7540.0940.115-0.031E19340.5810.8780.1060.1250.085E20346.5760.7410.0890.1

332、10-0.006E22341.5760.4780.0940.115-0.003E27338.5750.8360.0920.111-0.006Total-10180.7260.1140.1410.013（四）結果與討論（四）結果與討論 晴天條件下蒸發比估算結果的驗證晴天條件下蒸發比估算結果的驗證 雖然不同校準站點求得的雖然不同校準站點求得的A值存在較為顯著的差異，但晴天條件下值存在較為顯著的差異，但晴天條件下EF的驗證精度并無明顯差異的驗證精度并無明顯差異 對比分析表明，采用一個站點進行校準的優化模型已經達到了傳統特征空間法的估算精度對比分析表明，采用一個站點進行校準的優化模型已經達到了傳統特征

333、空間法的估算精度（四）結果與討論（四）結果與討論 與理論特征空間方法的對比分析與理論特征空間方法的對比分析1：干邊的對比分析：干邊的對比分析（四）結果與討論（四）結果與討論 與理論特征空間方法的對比分析與理論特征空間方法的對比分析2：EF的對比分析的對比分析 根據根據r、MAE和和RMSE的值判斷，兩種方法求得的的值判斷，兩種方法求得的EF并無明顯差異并無明顯差異 B的值表明，優化模型求得的的值表明，優化模型求得的EF高于理論特征空間方法的估算值，這主要是由于高于理論特征空間方法的估算值，這主要是由于Tsmax的高估引起的的高估引起的（四）結果與討論（四）結果與討論 與理論特征空間方法的對比分析與理論特征空間方法的對比分析2：EF的對比分析的對比分析優化方法優化方法EF的估算精度總體優于理論特征空間法，是否具有普遍性需要深入研究的估算精度總體優于理論特征空間法，是否具有普遍性需要深入研究（