本技术提出了一种利用随机森林方法提高植被光学厚度(VOD)空间分辨率的新方法。该方法综合考虑了与VOD相关的动态和静态变量,如光学植被指数、地形参数、土壤湿度和降水等,并引入了植被光学厚度的记忆效应(滞后VOD)。通过这种方法,研究人员能够将基于多频辐射计的0.1°VOD数据降尺度至0.01°分辨率的VOD数据。研究表明,加入滞后VOD变量显著提升了模型的准确性。此外,使用归一化植被指数(NDVI)、增强植被指数(EVI)和叶面积指数(LAI)对降尺度后的0.01°VOD进行评估,结果显示其与这些光学植被指数的时空格局高度一致,并能较好地捕捉植被的时空动态特征。
背景技术
植被光学厚度(VOD)描述了微波(被动或主动)辐射在植被层中的衰减,与植被含水量(VWC)和冠层结构有关。量化这种衰减效应对于从被动微波卫星观测中准确检索地表土壤湿度、分析全球气候和环境变化领域非常重要。且已广泛应用于全球尺度的碳动态变化植被物候学,全球等水分变化与干旱探测,烧伤面积趋势和火灾风险。如上述研究中VOD产品主要来自不同频率的无源微波传感器。这些数据集包括AMSR-E(先进微波扫描辐射计)及其继任者AMSR2(先进微波扫描辐射计2号)中的高频(C/X/Ku波段)VOD和土壤水分和海洋盐度(SMOS)、土壤水分主动式被动(SMAP)中的L波段低频VOD(L-VOD)。
然而,上数VOD产品大都以辐射计为基础,空间分辨率较低(0.25°-0.1°),阻碍了区域尺度(如1km)植被动态监测应用。此外,高分辨率VOD作为微波土壤水分反演的必要辐射传递变量,对提高高分辨率土壤水分反演也很重要。由于这些已开发的VOD产品的空间分辨率较粗,为了满足实际应用中对分辨率的要求,获取高分辨率VOD在许多研究领域变得越来越必要。国内外研究者们提出了基于统计与物理的方法,以此获得高分辨率VOD,如基于平滑滤波器调制(SFIM)技术得到的锐化微波亮度温度反演得到分辨率增强的VOD、利用Sentinel-1C波段后向散射数据基于水云模型反演得到黑河流域某草原高分辨率的VOD;这些方法利用在粗尺度VOD和细小尺度辅助变量之间建立统计相关性或基于物理的模型的思想,并需设置先验条件,例如线性拟合假设,这难以全面描述VOD与辅助变量之间的复杂关系;
受辅助变量与预测变量之间非线性关系建模能力强的启发,国内外学者们引入机器学习方法且应用于不同数据产品的降尺度研究,而不仅仅限制于某一种数据;如将质量守恒校正引入RF模型对土壤湿度(SM)进行降尺度,得到高分辨率的SM数据;利用SMAP中36km、9km分辨率的SM数据作为神经网络(NN)算法的训练,基于两者训练关系,获得2.25km分辨率的SM数据;除应用在SM数据降尺度外,另有考虑降水之间的空间相关信息并基于RF模型,对降水产品进行降尺度,生成了高精度、高分辨率的降水数据;上述基于机器学习方法降尺度研究中,充分考虑了高分辨率下自变量与因变量之间非线性关系,降尺度结果在保留了原始大尺度数据空间格局的同时也表现出更多的空间异质性;然而利用机器学习方法对同样通过微波测量从被动微波辐射传递方程中获得的VOD进行降尺度的研究较少。
实现思路