长时序中高分辨率植被覆盖度遥感估算方法研究

Global vegetation cover experienced drastic changes during the last decades. As one of the most important biophysical parameters in ecological and climate models, fractional vegetation cover (FVC) reflects the density of vegetation cover at horizontal scale. Thus, accurate and continuous estimation of FVC across the temporal and spatial domain is of great importance. Current remote sensing based FVC estimation has been carried out mostly at coarse resolution, which is unable to reflect changes of vegetation occurred at small scale. At medium to high resolution, there are two major issues unsolved in utilizing the long-term Landsat dataset for FVC estimation. 1) The amount and representability of FVC ground measurement is limited; 2) Long-term Landsat surface reflectance data is inconsistent due to changes in solar zenith angle and differences in the setting of spectral bands of multiple sensors. Focusing on these issues, this study will propose a FVC estimation method based on high-resolution satellite data, serving as training data to establish a single-time FVC estimation model; improve the angular normalization model for Landsat surface reflectance data based on priori BRDF knowledge; and build a transformation model for different spectral bands under various solar zenith angle and land surface conditions. The overall goal is to implement the automatic training data extraction and to build a long-term FVC estimation model based on consistent Landsat surface reflectance data.

数十年来全球植被覆盖经历了剧烈的变化，植被覆盖度（FVC）是植被覆盖在水平方向的密度，是生态模型及气候模型中最重要的生物物理参数之一，因此时空连续的高精度FVC信息非常重要。目前基于遥感技术的FVC提取主要是在粗尺度进行，无法反应地表植被的细微变化。在中高分辨率尺度，基于长时序Landsat数据集的FVC提取主要存在两方面问题，1）用于建模的实地数据数量与代表性有限；2）长时序Landsat地表反射率由于太阳天顶角变化和不同传感器的波段光谱差异而存在不一致。本项目计划针对这些问题，发展基于高分辨率遥感数据的植被覆盖度提取算法，改进基于先验BRDF知识的地表反射率角度归一化算法，并构建针对不同太阳天顶角和地表下垫面情况的波段差异转换模型，实现光谱归一化。最终解决长时序估算模型的训练数据自动提取问题，以及Landsat反射率的不一致问题，构建长时序植被覆盖度估算模型。

数十年来全球陆地生态环境经历了剧烈的变化，对于生态系统及其变化的长时期大范围精确监测具有重要的科学意义。植被覆盖度(FVC)是植被覆盖在水平方向的密度，是生态模型及气候模型中关键的生物物理参数之一，因此长时序、高精度的植被覆盖度数据对于生态系统监测和建模十分重要。目前，基于卫星遥感技术的植被覆盖度提取主要是在粗尺度进行，在中高分辨率上提取植被覆盖度主要存在两方面问题，1）用于建模的训练数据数量与代表性有限；2）长时序中高分辨率地表反射率数据存在不一致，主要受太阳天顶角变化和不同传感器的波段光谱差异影响。本项目针对以上问题，发挥了高分辨率遥感数据的观测优势，发展了中高分辨率植被覆盖度训练样本构建与估算模型，能够快速准确地提取30米分辨率植被覆盖度结果，基于这一算法实现了我国30米分辨率植被覆盖度制图；改进了基于先验知识的地表反射率角度归一化算法，构建了针对不同太阳天顶角情况的波段差异转换模型，解决了长时序中高分辨率卫星反射率数据不一致的问题，实现了多源卫星数据的光谱归一化；围绕中高分辨率卫星数据普遍存在的数据缺失问题，改进了植被覆盖度时空重建模型的输入数据与模型参数，实现了30米时空连续植被覆盖的提取与典型区域植被变化特征分析。本项目的研究成果能够为我国长期以来的生态资源监测、碳源碳汇估算提供高分辨率、高精度的数据支持，满足不同时空尺度的应用需求。