10.11833/j.issn.2095-0756.20230601
基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法
[目的]现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题,难以满足某些应用需求.因此,本研究提出一种多源LAI数据的融合方法,以减少不同来源数据的差异并提高产品精度.[方法]以帽儿山实验林场的阔叶林和针叶林区域为研究区,基于2017年的MODIS、VIIRS和PROBA-V的LAI产品,利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据,对3种LAI数据集进行混合像元分解的降尺度处理,基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化,最后对同化后的3种LAI数据进行赋权融合,使用实测数据进行精度评价.[结果]在阔叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62,比原始数据提升了 0.57、0.52和0.57;均方根误差分别为0.37、0.31和0.14,比原始数据减小了 1.23、1.69和1.06.在针叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56,比原始数据提升了 0.52、0.30和0.40;均方根误差分别为0.24、0.28和0.19,比原始数据减小了1.22、0.67和1.35.通过融合方法,阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76,比同化后数据的相关性更高;均方根误差分别为0.15和0.13,比同化后数据的误差更小.[结论]通过数据同化提升了 3种LAI产品精度,融合后LAI较同化后单一 LAI具有更高的精度和可靠性.图4表2参30
叶面积指数(LAI)、MODIS、VIIRS、PROBA-V、重建、集合卡尔曼滤波(EnKF)、数据融合
41
S758(森林经营学、森林计测学、森林经理学)
国家自然科学基金31971654
2024-09-10（万方平台首次上网日期，不代表论文的发表时间）
共9页
841-849
