植被叶面积指数时序贝叶斯网络反演方法及应用

The achievement of China quantitative remote sensing should be fully demonstrated by its successful application on China satellite data. However, the things are not going on the expected way. Behind the conflict of rich data and lacking higher level products is not only the quality of remote sensing data, but the lack of innovative inversion algorithm. Taking the vegetation leaf area index(LAI) as an example, in general, ground LAI dynamic information can be employed as background knowledge in retrieving LAI from remotely sensed data, however, such information has yet not been paid enough attention. In this proposal, such background knowledge is extracted from re-analysis on long term middle-coarse resolution LAI which are available through MODIS or SPOT VEGETATION LAI products. On this context, we proposed a dynamic Bayesian network(or time series Bayesian network) inversion method to produce spatial and temporal continue LAI products with the fusion of remote sensing observation and vegetation dynamic information. Application of our proposed methodology will be carried on the China HJ-1 CCD data, which has a 30m pixel resolution and 4 days revisit period. Thus, besides the inversion algorithm, another output of this proposed project is the 6 yeas (2010-2015) time-series higher resolution(30m) LAI products. So the achievement of this project will facilitate both the science and application development of China quantitative remote sensing.

中国定量遥感的发展成果应该在国产卫星数据上得到体现与应用。然而，现状并非如人所预期。制约中国生产出高分辨率定量产品的因素不仅仅是数据质量问题，更深层次的是没有针对我们数据特点的创新性反演算法。以陆表植被叶面积指数（leaf area index，LAI）为例，一般来说，LAI的动态变化信息可以为定量遥感反演提供基础背景知识。然而，这些信息在当前反演算法里还没得到充分重视与合理利用。面对以上问题，本项目拟对中低分辨率叶面积指数产品再分析来获取叶面积指数变化规律，发展一种基于时序贝叶斯网络（或称之为动态贝叶斯网络）的反演方法，通过融合遥感观测与植被动态信息来生成时空连续叶面积指数产品。选择2010-2015年的经过处理后的环境星数据作为应用方向，以生成典型实验区时空连续的高分辨（30m）叶面积指数产品为应用目标。本项目的研究将能够从理论与应用两个层面推动国产遥感数据的定量化发展。

植被叶面积指数（Leaf Area Index：LAI）作为重要的植被结构参数，被广泛应用于气候模型、地-气相互作用过程模型和大区域尺度森林碳循环等模型的驱动因子。目前，LAI主要通过两种方式获得，一种是通过野外实测获取，一种是通过遥感反演获取。现有的中低分辨率LAI产品，在大区域尺度（如全球）上进行地表过程的宏观变化研究中得到了广泛的应用。而在局部小区域尺度（如省县级）的土地和资源监测以及生态评估应用中，较低空间分辨率的产品应用具有局限性，越来越多的研究开始关注时间连续的高分辨率LAI产品反演。.本报告主要涵盖以下内容：.一是时间序列高分辨率叶面积指数反演研究。利用粗分辨率历史数据的动态变化信息，融合高分辨率遥感观测的空间信息，利用时序贝叶斯网络方法，反演得到时间序列高分辨率叶面积指数，并考察多源遥感数据融合过程中信息更新变化，基于产品的后验概率分布考察反演结果的后验信息。.二是LAI反演中的数据源不确定性处理及其对反演结果的影响。利用改进的时序贝叶斯网络方法，在融合粗分辨率历史数据的动态变化信息和高分辨率遥感观测的空间信息的基础上，再融合高分辨率遥感观测的不确定性信息，反演得到时间序列高分辨率叶面积指数，并对反演结果进行可信度评价，分析数据源不确定性对反演结果的影响。.结果表明，利用时序贝叶斯网络方法可以通过融合较低空间分辨率背景信息以及高空间分辨率观测数据，从而反演得到高质量的高时空分辨率LAI数据；改进的时序贝叶斯网络方法可以很好的将数据源的不确定性考虑到反演过程中，提供了一种用来评价数据源的不确定性对反演结果可信度影响的方法。研究成果可以促进高时空分辨率地表植被叶面积指数产品的生产研究，为叶面积指数产品生产与质量评价提供了一种新的选择。利用本文的研究方法以及反演结果，可以获得更高分辨率的LAI产品。.