山地高空间分辨率植被总初级生产力估算方法

1.本发明属于遥感图像数据处理技术领域，具体而言，涉及山地高空间分辨率植被总初级生产力估算方法。


背景技术：

2.山地生态系统约占陆地表面的比例较大，在气候变化、碳储存、物质资源供应、生物多样性保护和水源涵养发挥着举足轻重的作用。植被作为监测陆地生态系统对气候变化响应的重要生物指标，准确估算山地植被总初级生产力(gpp，生态系统水平上叶片光合作用过程所固定的有机碳总量)对于理解山地生态系统的功能及其对全球气候系统的反馈至关重要。相较于涡度相关技术，遥感技术能够获取区域地表特征信息，可为植被生产力的模拟提供长时间序列大区域范围的地表信息。
3.基于多种卫星传感器提供不同空间分辨率的植被信息，通过生态系统模型能开展多种空间分辨率的植被gpp(gross primary productivity,植被生态系统总初级生产力)估算，然而，由于计算资源的限制使得绝大多数区域的gpp数据集只能利用lue（light use efficiency model, 光能利用效率模型）或vi（vegetation index，植被指数）方法进行生成，缺少像元之间生态过程的利用；同时，在山地生态系统中，地表地形对水循环具有明显的水文控制作用，但是传统山地植被gpp估算方法，无法应用在高分辨率下。
4.目前针对碳通量和水通量估算的空间降尺度算法通常假设在高空间分辨率中，低空间分辨率估算与地表异质性之间的关系是通用的（称为线性降尺度过程），实际上这种线性降尺度算法忽略了低分辨率估算的空间尺度误差，而采用低分辨率下得到的这些关系以获取高分辨率估算结果存在偏差，造成估算结果具有较高的不确定性。例如，专利文件cn110276304a中公开了一种基于降尺度的高分辨率植被生产力遥感估算方法，并具体公开了基于降尺度的高分辨率植被生产力遥感估算方法的实现包括以下步骤：(1)将植被生产力估算的因子lai/fpar（植被叶面积指数/光合有效辐射吸收比例）进行降尺度，得到时间序列的高分辨率的lai/fpar；(2)对温度进行空间插值和地形校正，得到高分辨率的温度因子；利用山地小气候模型模拟高分辨率的太阳短波辐射；将降尺度后的高分lai/fpar、经过地形校正后高分辨率的温度因子和太阳短波辐射数据输入植被生产力模型musyq-npp，得到连续时间序列的高分辨率植被生产力。


技术实现要素：

5.针对山地环境高度时空异质性的地表水热条件和气候环境以及中低空间分辨率gpp估算中由于空间尺度误差造成的不确定性，本发明提供山地高空间分辨率植被总初级生产力估算方法，包括：获取生态水文模型第一空间分辨率下的第一输入数据集；对所述第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集；其中，第一空间分辨率为高空间分辨率；第二空间分辨
率与第三空间分辨率为中低空间分辨率；模拟植被光合作用过程，计算植被光合作用参数；利用所述第二输入数据集、第三输入数据集与所述植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定第二空间分辨率下的第一植被总初级生产力估算结果与第三空间分辨率下的第二植被总初级生产力估算结果；根据所述第一输入数据集、所述第二输入数据集与所述第三输入数据集，获取第一空间分辨率下的第一地表异质性参数、第二空间分辨率下的第二地表异质性参数与第三空间分辨率下的第三地表异质性参数；构建第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的第一关系模型；将第三空间分辨率下的所述第三地表异质性参数作为所述第一关系模型的输入，得到第三空间分辨率下的第三植被总初级生产力估算结果；计算第三空间分辨率下的所述第二植被总初级生产力估算结果与所述第三植被总初级生产力估算结果的差值；在第二空间分辨率到第三空间分辨率范围内，构建所述差值与所述第二地表异质性参数、所述第三地表异质性参数的第二关系模型；根据所述第一关系模型，将所述第一地表异质性参数作为所述第一关系模型的输入，估算第一空间分辨率下的第四植被总初级生产力估算结果；将所述第一地表异质性参数、所述第二地表异质性参数作为所述第二关系模型的输入，计算第五植被总初级生产力估算结果；计算所述第四植被总初级生产力估算结果与所述第五植被总初级生产力估算结果之和，得到目标植被总初级生产力估算结果。
6.本发明的有益效果是：本发明采用生态水文模型，替代常用于gpp数据集的lue或vi模型，能够更好地表征山地生态系统的碳循环和水循环机制，通过光合作用过程对不同空间尺度环境变化的非线性响应过程来改进线性降尺度过程，减小了低分辨率估算空间尺度误差引起的不确定性。
7.在上述技术方案的基础上，本发明还可以做如下改进。
8.进一步，第一空间分辨率下的第一输入数据集包括站点气象数据、第一空间分辨率下的土地覆盖类型数据、modis与landsat反射率数据、地形数据以及土壤类型数据。
9.采用上述进一步方案的有益效果是，进一步，对所述第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集，包括：获取第一空间分辨率下的第一时间序列lai数据；对所述第一时间序列lai数据进行处理，确定第一空间分辨率下的第一土壤类型数据；将第一空间分辨率下的第一输入数据集聚合为第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据：将第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据均由第一空间分辨率下的第一土壤类型数据组成；将第二空间分辨率下的第二土壤类型数据中的所有第一空间分辨率的第一时间序列
lai数据的均值作为第二空间分辨率下第一时间序列lai数据的像元值，将第二空间分辨率下的第二土壤类型数据中所有第一空间分辨率的地形数据的均值作为第二空间分辨率下地形数据的像元值。进一步，获取第一空间分辨率下的第一时间序列lai数据，包括：使用uoft lai算法、stsg模型和ifsdaf时空重建模型从landsat和modis反射率数据获得第一空间分辨率下的时间序列lai数据。
10.进一步，模拟植被光合作用过程，计算植被光合作用参数，包括：在光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程；根据太阳天顶角、聚集指数和日长时间，确定冠层总叶片的叶面积指数、光照叶片的叶面积指数和阴影叶片的叶面积指数；将farquhar模型扩展到日尺度计算日尺度的光照叶片的光合作用速率和阴影叶片的光合作用速率。
11.进一步，所述第一地表异质性参数、所述第二地表异质性参数与所述第三地表异质性参数用于表征植被异质性指标与地形指标；所述植被异质性指标根据土地覆盖类型数据、叶面积指数数据与气候指标进行表示；所述地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数以及天空可视性因子进行表示；所述气候指标包括降水量数据、辐射数据、气温数据。
12.进一步，构建所述第一关系模型的方式为采用随机森林回归算法模拟第二空间分辨率下的所述第一植被总初级生产力估算结果与所述第二地表异质性参数的关系；在第二空间分辨率到第三空间分辨率范围内，构建所述第二关系模型的方式为采用随机森林回归算法模拟所述差值与所述第二地表异质性参数、所述第三地表异质性参数的关系。
附图说明
13.图1为本发明实施例1提供的山地高空间分辨率植被总初级生产力估算方法的流程图；图2为本发明实施例1提供的山地高空间分辨率植被总初级生产力估算方法的原理图。
具体实施方式
14.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
15.作为一个实施例，本发明实施例提供将生态水文模型与线性和非线性降尺度相结合的山地生态系统大尺度总初级生产力高分辨率估算方法，该方法可为区域或全球尺度的山地植被gpp遥感估算提供参考。如附图1所示，本实施例提供山地高空间分辨率植被总初级生产力估算方法，包括：获取生态水文模型第一空间分辨率下的第一输入数据集；对第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空
间分辨率下的第三输入数据集；其中，第一空间分辨率为高空间分辨率；第二空间分辨率与第三空间分辨率为中低空间分辨率；模拟植被光合作用过程，计算植被光合作用参数；利用第二输入数据集、第三输入数据集与植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定第二空间分辨率下的第一植被总初级生产力估算结果与第三空间分辨率下的第二植被总初级生产力估算结果；根据第一输入数据集、第二输入数据集与第三输入数据集，获取第一空间分辨率下的第一地表异质性参数、第二空间分辨率下的第二地表异质性参数与第三空间分辨率下的第三地表异质性参数；构建第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的第一关系模型；将第三空间分辨率下的第三地表异质性参数作为第一关系模型的输入，得到第三空间分辨率下的第三植被总初级生产力估算结果；计算第三空间分辨率下的第二植被总初级生产力估算结果与第三植被总初级生产力估算结果的差值；在第二空间分辨率到第三空间分辨率范围内，构建差值与第二地表异质性参数、第三地表异质性参数的第二关系模型；根据第一关系模型，将第一地表异质性参数作为第一关系模型的输入，估算第一空间分辨率下的第四植被总初级生产力估算结果；将第一地表异质性参数、第二地表异质性参数作为第二关系模型的输入，计算第五植被总初级生产力估算结果；计算第四植被总初级生产力估算结果与第五植被总初级生产力估算结果之和，得到目标植被总初级生产力估算结果。
16.可选的，第一空间分辨率下的第一输入数据集包括站点气象数据、第一空间分辨率下的土地覆盖类型数据、modis与landsat反射率数据、地形数据以及土壤类型数据。
17.在实际应用过程中，生态水文模型能够更好地表征植被生理过程和水文过程之间存在复杂的交互作用，该生态水文模型输入数据包括：站点气象数据，涵盖逐日的太阳入射辐射、空气温度与降水数据；30m空间分辨率的土地覆盖类型数据；modis（moderate-resolution imaging spectroradiometer,中分辨率成像光谱仪）与landsat反射率数据；30m空间分辨率的地形数据，涵盖高程、坡度、坡向数据以及土壤类型数据。
18.可选的，对第一输入数据集进行处理，得到第二空间分辨率下的第二输入数据集与第三空间分辨率下的第三输入数据集，包括：获取第一空间分辨率下的第一时间序列lai数据；对所述第一时间序列lai数据进行处理，确定第一空间分辨率下的第一土壤类型数据；将第一空间分辨率下的第一输入数据集聚合为第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据：将第二空间分辨率下的第二土壤类型数据与第三空间分辨率下的第三土壤类型数据均由第一空间分辨率下的第一土壤类型数据组成；将第二空间分辨率下的第二土壤类型数据中的所有第一空间分辨率的第一时间序列
lai数据的均值作为第二空间分辨率下第一时间序列lai数据的像元值，将第二空间分辨率下的第二土壤类型数据中所有第一空间分辨率的地形数据的均值作为第二空间分辨率下地形数据的像元值。
19.可选的，获取第一空间分辨率下的第一时间序列lai数据，包括：使用uoft lai算法、stsg模型和ifsdaf时空重建模型从landsat和modis反射率数据获得第一空间分辨率下的时间序列lai数据。
20.可选的，模拟植被光合作用过程，计算植被光合作用参数，包括：在光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程；根据太阳天顶角、聚集指数和日长时间，确定冠层总叶片的叶面积指数、光照叶片的叶面积指数和阴影叶片的叶面积指数；将farquhar模型扩展到日尺度计算日尺度的光照叶片的光合作用速率和阴影叶片的光合作用速率。
21.具体的，在beps-terrainlab光合作用过程中，将植被冠层叶片分为光照叶片和阴影叶片，分别模拟两种叶片的光合作用过程。设lai为冠层总叶片的叶面积指数、lai
sun
为光照叶片的叶面积指数和lai
shd
为阴影叶片的叶面积指数；zs为太阳天顶角，ω为聚集指数，dayl为日长时间，a
sun
是光照叶片的光合作用速率，a
shd
是阴影叶片的光合作用速率，为植被总初级生产力估算结果，则：；；；；；其中，a
sun,unsat
为不饱和水分状态下光照冠层的净光合作用速率，a
sun,sat
为饱和水分状态下光照冠层的净光合作用速率，a
shd,unsat
为不饱和水分状态下阴影冠层的净光合作用速率，a
shd,sat
为饱和水分状态下阴影冠层的净光合作用速率；u是处于根系处于不饱和水分状态的比例，(1-u)则表示根系处于饱和水分状态的比例。上述四种净光合作用速率可基于farquhar模型获得。设a为目标净光合作用速率，ac为rubiso酶限制下的光合作用速率，v
cmax
为最大羧化反应速率，ci为叶肉细胞的二氧化碳的浓度，oi为叶肉细胞的氧气的浓度，kc为二氧化碳的michaelis-menten常数，ko为氧气的michaelis-menten常数，aj为rubp酶限制下的光合作用速率，j
max
为最大电子传输速率，γ为没有暗呼吸的二氧化碳补偿点，rd为白天暗呼吸速率，则：；；
其中，rd取值一般等于0.015v
cmax
，则目标净光合作用速率：。
22.可选的，第一地表异质性参数、第二地表异质性参数与第三地表异质性参数用于表征植被异质性指标与地形指标；植被异质性指标根据土地覆盖类型数据、叶面积指数lai数据与气候指标进行表示；地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数（topographic wetness index,twi）以及天空可视性因子（sky-view factor,svf）进行表示；气候指标包括降水量数据、辐射数据、气温数据。
23.twi与svf可按下式进行计算：；；其中，为水流聚集面积，为斜率，为垂直高度的角度，为表示方向的总数。
24.可选的，构建第一关系模型的方式为采用随机森林回归算法模拟第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的关系；在第二空间分辨率到第三空间分辨率范围内，构建第二关系模型的方式为采用随机森林回归算法模拟差值与第二地表异质性参数、第三地表异质性参数的关系。
25.具体的，本发明实施例中，第一空间分辨率取30m分辨率作为高空间分辨率，第二空间分辨率取480m分辨率、第三空间分辨率取120m分辨率作为两个中低空间分辨率。对30m分辨率的数据集进行处理，聚合得到480m空间分辨率的数据集和120m空间分辨率的数据集。
26.如附图2所示，该山地高空间分辨率植被总初级生产力估算方法，包括：（1）数据集获取与处理：获取生态水文模型30m空间分辨率下的第一输入数据集；对第一输入数据集进行处理，得到480m空间分辨率下的第二输入数据集与120m空间分辨率下的第三输入数据集；其中，30m空间分辨率为高空间分辨率；480m空间分辨率与120m空间分辨率为中低空间分辨率；基于beps-terrainlab模型，模拟植被光合作用过程，计算植被光合作用参数；基于beps-terrainlab生态水文模型（简称btl）分别以480m空间分辨率和120m空间分辨率估算山地植被gpp，得到480m空间分辨率的山地植被gpp：，以及120m空间分辨率的山地植被gpp：；利用第二输入数据集、第三输入数据集与植被光合作用参数，采用生态水文模型进行植被总初级生产力估算，确定480m空间分辨率下的第一植被总初级生产力估算结果与120m空间分辨率下的第二植被总初级生产力估算结果；
根据第一输入数据集、第二输入数据集与第三输入数据集，获取30m空间分辨率下的第一地表异质性参数、480m空间分辨率下的第二地表异质性参数与120m空间分辨率下的第三地表异质性参数；（2）线性降尺度过程：构建第二空间分辨率下的第一植被总初级生产力估算结果与第二地表异质性参数的第一关系模型；在实际应用过程中，假设光合作用对环境变化的响应在空间尺度上是线性的，则低分辨率上的gpp估算与地表异质性之间的关系可以用于高分辨率上的gpp估算，设为480m分辨率下描述植被异质性和表面地形的指标，为480m分辨率下描述表面地形的指标，地形指标根据高程数据、坡度数据、坡向数据、土壤类型数据、地形湿度指数以及天空可视性因子；设为表示气候指标，气候指标包括降水量数据、辐射数据、气温数据；第一关系模型用于表征采用随机森林回归算法模拟480m空间分辨率下gpp估算结果与地表异质性参数的关系，用表示；480m空间分辨率山地植被gpp与植被异质性参数之间的关系表示为：；由于为基于beps-terrainlab生态水文模型得到的480m空间分辨率的山地植被gpp；（3）非线性降尺度过程：将120m空间分辨率下的第三地表异质性参数作为第一关系模型的输入，估算120m空间分辨率下的第三植被总初级生产力估算结果；设为120m空间分辨率下描述植被异质性的指标，为120m空间分辨率下描述表面地形的指标；则120m空间分辨率下的第三植被总初级生产力估算结果为：；计算120m空间分辨率下的第二植被总初级生产力估算结果与第三植被总初级生产力估算结果的差值；在实际过程中，由于植被光合作用对环境变化未表现为标准的线性响应，因此存在空间尺度误差使得则和之间存在偏差，通过下式计算偏差，得到差值：；在120m空间分辨率到480m空间分辨率范围内，采用随机森林回归算法构建差值与第二地表异质性参数、第三地表异质性参数的第二关系模型，用表示；
；（4）采用线性和非线性降尺度过程相结合进行30m分辨率gpp估算：将第一地表异质性参数作为第一关系模型的输入，估算30m空间分辨率下的第四植被总初级生产力估算结果；设为30m分辨率下描述植被异质性的指标，为30m分辨率下描述表面地形的指标，第四植被总初级生产力估算结果为：；在30m空间分辨率到480m空间分辨率范围内，将第一地表异质性参数、第二地表异质性参数作为第二关系模型的输入，计算第五植被总初级生产力估算结果：；第五植被总初级生产力估算结果计算第四植被总初级生产力估算结果与第五植被总初级生产力估算结果之和，得到30m空间分辨率下的目标植被总初级生产力估算结果。
27.本发明采用生态水文模型，替代常用于gpp数据集的lue或vi模型，能够更好地表征山地生态系统的碳循环和水循环机制，通过光合作用过程对不同空间尺度环境变化的非线性响应过程来改进线性降尺度过程，减小了低分辨率估算空间尺度误差引起的不确定性。
28.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。