[发明专利]一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法

说明书

本发明涉及一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法，包括如下步骤：步骤1，基于现有叶面积指数和地表覆盖分类产品，利用聚类分析和最小差规则创建可代表全球主要土地覆盖类型的训练样本；步骤2，通过训练长短时记忆、门控递归单元、和双向LSTM深度学习模型，确定最佳叶面积指数估算模型；步骤3，通过将BiLSTM模型分别应用于MODIS 500米和250米地表反射率，生成分辨率为500米和250米的叶面积指数中间产品；步骤4，利用时空加权平均后处理合并两个250米和500米分辨率LAI中间产品，从而得到全球250米分辨率时空连续的叶面积指数产品。本发明可以填补目前产品在高纬地区的空白，是目前唯一可满足全球气候观测系统模拟碳循环的叶面积指数产品。

技术领域

本发明属于定量遥感卫星产品生成领域，特别是涉及一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法。

背景技术

叶面积指数(Leaf Area Index,LAI)是全球气候观测系统(GCOS)指定的陆地基本气候变量之一，广泛应用于陆地生态系统模型模拟、作物产量估算和植被变化监测等多种科学应用。卫星观测数据为LAI全球时间序列测绘提供了唯一可靠的手段。目前全球LAI产品存在着一些局限性。最突出的问题是，输入地表反射率往往受到云雾或高浓度气溶胶的污染，导致时间序列产品的波动或数据缺失。例如在多云有雪的地区，MODIS LAI数据缺失率可达40％，尽管GLASS-LAI算法已经使用基于植被指数的平滑方法重建了地表反射率，但现有的V5产品在中高纬地区冬季仍存在异常值和假生长季的现象。此外，由于GLASS需要对地表反射率进行优化重建，导致其生产过程非常耗时。

其次，由于输入观测数据与反演算法的差异，现有的LAI产品存在显著差异。例如，在热带林区，不同产品之间的平均赖氨酸差异可达1个LAI标准单位。这会在植被变化分析和地表模型模拟中造成很大的不确定性。如何通过整合产品的差异，优势互补，仍是一个挑战。第三，全球气候观测系统(GCOS)需要250米分辨率的LAI产品用于碳建模(GCOS 2016)，然而，目前能够满足这种要求的LAI产品只是区域性的或短于一年的，如多伦多大学(UFFT)LAI产品。因此，目前还没有满足该要求的叶面积指数产品。

基于以后研究背景，目前迫切需要一种具有高计算效率、可生产高精度、高分辨率的长时间系列全球叶面积指数的新方法。

发明内容

本发明针对现有技术的不足，基于MODIS(Moderate Resolution ImagingSpectroradiometer，中等分辨率成像光谱仪)卫星21年长的地表观测数据，提供一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法。

为了达到上述目的，本发明提供的技术方案是：

步骤1，基于现有叶面积指数和地表覆盖分类产品，利用聚类分析和最小差规则创建可代表全球主要土地覆盖类型的训练样本；

步骤2，通过训练长短时记忆、门控递归单元、和双向LSTM深度学习模型，确定最佳叶面积指数估算模型为双向LSTM深度学习模型，即BiLSTM模型；

步骤3，通过将BiLSTM模型分别应用于MODIS 500米和250米地表反射率，生成分辨率为500米和250米的叶面积指数中间产品；

步骤4，利用时空加权平均后处理合并250米和500米分辨率LAI中间产品，从而得到全球250米分辨率时空连续的叶面积指数产品。

进一步的，步骤1的具体实现方式如下，

首先，通过对2000年之后的任意一年的时间序列GLASS LAI曲线进行K均值聚类分析，识别出不同类型的LAI时间曲线，基于MODIS土地覆盖产品分别对每种土地覆盖类型进行聚类；