基于机器学习和融合算法的全球陆表植被覆盖度估算方法研究

Fractional vegetation cover is a key parameter for characterizing land surface vegetation coverage, and plays an important role in global change research, earth surface processes simulation and weather forecast models. In this proposal, based on the building of high spatial resolution global fractional vegetation cover sample data set,machine learning and fusion algorithm will be investigated to develop long time series, high temporal resolution and high accuracy global fractional vegetation cover estimation method. This study will provide technic support for producing high accuracy global fractional vegetation cover product, and then improve the parameterization scheme and assimilation techniques for the key land surface processes, and provide data basis for global change research. The main contents and methods of this study include: (1) High spatial resolution global fractional vegetation cover sample data set building. (2) Development of global fractional vegetation cover estimation method based on machine learning algorithm. (3) Fusion algorithm of fractional vegetation cover products from multi-source remote sensing data. This study will solve the problem of lower accuracy of global land surface fractional vegetation cover product and improve the estimation accuracy, and then service to the data basis acquirement of global change and land surface processes research.

植被覆盖度是刻画地表植被覆盖的一个重要参数，在全球变化研究、地表过程模拟和天气预报数值模拟中发挥着重要的作用。本项目在面向全球植被覆盖度遥感估算方法研究的高空间分辨率样本数据集建设的基础上，研究基于机器学习和融合算法的全球长时间序列、高时间分辨率、高精度的植被覆盖度估算方法，为生产高精度全球植被覆盖度产品，进而改进关键陆面过程的参数化方案及同化技术，开展全球变化应用研究提供数据基础与技术支撑。本研究主要内容和方法包括：（1）全球高空间分辨率植被覆盖度样本数据集建设；（2）基于机器学习算法的全球陆表植被覆盖度遥感反演方法研究；（3）多源遥感数据植被覆盖度产品融合算法研究。通过上述研究，解决全球陆表植被覆盖度产品精度不高的问题，提高遥感估算精度，服务于全球变化和陆表过程研究的基础数据需求。

植被覆盖度是刻画地表植被覆盖的一个重要参数，在全球变化研究、地表过程模拟和天气数值预报中发挥着重要的作用。目前，已存在几种利用中等空间分辨率卫星数据生产的全球植被覆盖度产品。但是，验证结果表明现有植被覆盖度产品存在较大的不确定性和时空不连续性。因此，研发能够用于生产全球高质量植被覆盖度数据的可靠算法具有重要意义。. 本项目以研究可靠的全球植被覆盖度估算方法为目的，主要研究内容包括：1）高空间分辨率植被覆盖度样本数据集建设。本项目在全球代表性样点位置选取的基础上，提出了基于生态分区和土地覆盖类型的高空间分辨率遥感数据植被覆盖度样本生成方法；2）基于机器学习算法的全球植被覆盖度遥感反演方法研究。在具有时空代表性的全球高空间分辨率植被覆盖度样本数据集的基础上，本项目研发了采用机器学习算法的全球植被覆盖度反演方法，并进行了精度验证及与现有植被覆盖度产品的时空比较；3）多源遥感数据植被覆盖度产品融合算法研究。本项目在探索区域高空间分辨率植被覆盖度遥感反演多方法融合提高估算精度的基础上，研究了多源全球植被覆盖度数据融合方法。. 研究结果表明，本项目研发的全球植被覆盖度反演算法精度可靠，优于现有植被覆盖度产品，并且产生的全球植被覆盖度数据具有更好的时空完整性。另外，多源植被覆盖度数据融合可以改善植被覆盖度精度，而且两种合适的植被覆盖度数据融合就可以达到较好的效果。. 综上所述，本项目研究成果能够生产高精度、长时间序列、时空连续的全球植被覆盖度数据，进而为改进关键陆面过程模型参数化方案及同化技术，开展全球变化研究提供数据基础和技术支撑。