[发明专利]一种中国区域30米8天时空连续的叶面积指数产品生成方法

说明书

本发明公开了中国区域30米8天时空连续的叶面积指数产品生成方法，包括：S1，建立Landsat8晴空地表反射率与GLASS V6叶面积指数产品的第一随机森林模型；S2，在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；S3，以时间预测、空间预测、临近日期晴空Landsat叶面积指数值，GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指数值作为输出，训练第二随机森林模型；S4，对云污染像元，加权从多个临近日期预测的叶面积指数值，并使用GLASS叶面积指数对加权结果进行拉伸，得到云污染像元叶面积指数的最终估算。本发明能够合理反映各种植被生长的季节变化和地表突变，时空连续且无噪声，能够处理长期Landsat数据缺失的问题。

技术领域

本发明涉及定量遥感卫星产品生成技术领域，尤其涉及一种中国区域30米8天时空连续的叶面积指数产品生成方法。

背景技术

叶面积指数(Leaf Area Index,LAI)是全球气候观测系统(GCOS)中的重要气候变量之一，已广泛用于全球植被变化，生态监测、产量估计、生态系统过程参数化和气候变化分析。从卫星观测数据开发合适的算法是生成大范围LAI产品的重要手段，并且最近发布的GLASS V6 LAI产品提供250米、8天、2000年至2021的LAI数据集，在当前中等分辨率LAI产品中具有最高的验证精度。然而，生态系统过程的建模和许多农业应用受到这些数据集的粗空间分辨率的限制。从Landsat等高分辨率传感器观测数据生成精细分辨率LAI产品将是研究陆地生态系统过程的重大突破，并解决自然和管理生态系统中的空间异质性。

本申请发明人在实施本发明的过程中，通过大量的研究与实践发现现有技术中从Landsat观测数据中生成大尺度的30米时空连续LAI产品的挑战如下：(1)Landsat数据包含大量缺失值，这些缺失值是由云层覆盖或高密度气溶胶遮挡造成的，传统的LAI反演算法由于缺乏足够的输入数据而无法生成时空连续的产品。如数据同化算法，其性能对可用Landsat观测密度较为敏感，如果可用的Landsat观测较少，则同化结果存在大量粗分辨率斑块。数据同化算法中的粗分辨率LAI动态模型通常来自多年LAI平均值，如果动态模型与真实LAI趋势不一致，同化值可能具有很大的不确定性。(2)Landsat的海量数据需要精确有效的算法来生成国家级或全球级的LAI产品。然而目前的30米LAI估算算法缺乏普适性，其生成的LAI产品大都是小区域的或者时间跨度较短的。如时空融合算法，其在数据需求和融合性能方面，每种时空融合方法都有其独特的优势和限制，难以处理强异质性和突变地表。此外，像素级的时空融合非常耗时，很难实现大规模的产品生产。因此，目前还没有长时间序列的时空连续的30米叶面积指数产品。

发明内容

本发明针对现有技术的不足，融合现有的GLASS LAI产品和长时序Landsat观测数据，提供一种中国区域30米8天时空连续的叶面积指数产品生成方法。

本发明技术方案为：提供一种中国区域30米8天时空连续的叶面积指数产品生成方法，包括：

S1：构建以Landat8地表反射率和太阳天顶角为输入，GLASS V6叶面积指数产品为输出的第一随机森林模型，用以估算30米晴空像元下的叶面积指数；

S2：在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；

S3：以样点像元叶面积指数的时间预测和空间预测、与目标日期临近的基准日期的晴空Landsat叶面积指数、GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指数值作为输出，训练第二随机森林模型；

S4：针对云污染像元，对多个与目标日期临近的基准日期预测的叶面积指数值进行加权计算，并使用GLASS叶面积指数对加权计算结果进行拉伸，得到云污染像元叶面积指数的最终估算，从而生成中国区域30米分辨率时空连续的叶面积指数产品。

在一种实施方式中，步骤S1还包括：