武大本科生孙英豪一作发表高水平研究文章

• 阅读： 2024/1/24 15:40:04

  叶面积指数（LAI）等卫星遥感植被指数（VI）作为估算初级生产力（GPP）最常用的驱动数据，经常受到云污染和噪声引起的数据质量问题的严重影响。尽管采用了各种滤波方法来重建VI时间序列中的缺失数据并消除噪声，但这些数据质量问题对GPP估算的影响仍然不清楚。在本研究中，基于两个光利用效率（LUE）模型（大叶MOD17和两叶RTL-LUE），综合分析了不同VI序列驱动的GPP估算的准确性差异。应用四种VI滤波方法进行比较，并使用169个涡流协方差（EC）位点的GPP数据进行验证。

  结果表明，所有的滤波方法都能提高GPP的模拟精度，SeasonL1滤波方法对MOD17模型（△R2=0.06）和RTL-LUE模型（△R2=0.07）都表现出最好的性能。在时间连续间隙中关键变化点的重构可能是这四种方法性能不同的主要原因。此外，由于原始数据质量的差异，滤波过程对GPP估算的影响随纬度和季节而变化。在生长季节和赤道附近地区可以观察到更显著的改善，这些地区的数据质量相对较差，初级GPP估计精度较低。该研究可为GPP估算前VI数据的预处理过程提供参考。

  该成果近期以“Impacts of the data quality of remote sensing vegetation index on gross primary productivity estimation”为题发表于地信老牌期刊《GISCIENCE & REMOTE SENSING》杂志。武汉大学资源与环境科学学院孙英豪（本科生）为第一作者，管小彬为通讯作者。

  转自：“生态遥感前沿”微信公众号

  如有侵权，请联系本站删除！

  
  

  浏览(213)

  点赞(0)

  收藏(0)