出版日期: 2019-11-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20198071
2019 | Volumn23 | Number 6
上一篇  |  下一篇
遥感应用 
中国区域MuSyQ叶面积指数产品验证与分析
expand article info 马培培1,2 , 李静2 , 柳钦火1,2,3 , 何彬彬1 , 赵静2
1. 电子科技大学 资源与环境学院，成都 611731
2. 中国科学院遥感与数字地球研究所 遥感科学国家重点实验室，北京 100101
3. 中国科学院大学，北京 100049
收稿日期: 2018-02-09; 预印本: 2018-09-30
基金项目: 高分辨率对地观测系统重大专项(编号：30-Y20A03-9003017/18)；国家自然科学基金(编号：41671374)
第一作者简介: 马培培，1991年生，女，硕士研究生，研究方向为叶面积指数验证。E-mail: peipeima012@163.com
通信作者简介: 李静，1978年生，女，副研究员，研究方向为植被辐射传输模型、叶面积指数反演等。E-mail: lijing01@radi.ac.cn

摘要

对多源遥感数据协同生产的2010年—2015年中国区域1 km空间分辨率5天合成的MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)叶面积指数LAI产品进行验证。参考现有的LAI产品(MODIS c5，GLASS LAI)和中国生态系统研究网络部分农田和森林站点可用的LAI地面测量数据，从时空连续性、时空一致性、精度和准确性等方面对中国区域的MuSyQ LAI产品进行定性和定量分析与评价。结果表明：(1) MuSyQ LAI产品在保证精度优于MODIS产品的情况下，时间分辨率和时空连续性均有提高。MuSyQ LAI与其他LAI产品(MODIS c5，GLASS LAI)在整体上有很好的一致性(RMSE=1.0，RMSE=0.81)，但对常绿阔叶林高值处的描述不稳定；(2) 与LAI地面测量数据相比，MuSyQ LAI产品与地面参考图对比结果较好(最高相关性(R2=0.54)和较低总体误差(RMSE=0.96))，其在阔叶作物生长季高值处有些许低估且在某些阔叶林站点有些高估。整体上，MuSyQ LAI产品呈现出较高的精度，可靠的空间分布和连续稳定的时间分布，且对森林LAI的描述具有更可靠的动态范围。

关键词

遥感, 叶面积指数(LAI), MuSyQ, 多源协同, 验证, MODIS, GLASS, 中国

Multisensor synergistic quantitative leaf area index product of China
expand article info MA Peipei1,2 , LI Jing2 , LIU Qinhuo1,2,3 , HE Binbin1 , ZHAO Jing2
1.School of Resources and Environment, University of Electronic Science and Technology of China, Chengdu 611731, China
2.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
3.University of Chinese Academy of Science, Beijing 100049, China

Abstract

Leaf Area Index (LAI), which is defined as the single-sided leaf area per unit horizontal ground area, is a key biophysical variable in land surface processes related to vegetation dynamics, such as photosynthesis, transpiration, and energy balance. This study aims to validate the Multisource data Synergized Quantitative (MuSyQ) remote sensing production system LAI product, which is produced by multisource remote sensing data of China from 2010 to 2015, with 1 km spatial resolution and 5 day time step. Several performance criteria, such as continuity, spatial and temporal consistency, dynamic range of retrievals, statistical analysis per biome type, precision, and accuracy, were evaluated. In this study, the performance of the MuSyQ LAI product was assessed in two ways, namely, (1) by comparing the spatial and temporal characteristics of the MuSyQ LAI product with those of other moderate-resolution LAI products and (2) by comparing MuSyQ LAI values with ground measurement data. The spatial and temporal consistencies of the MuSyQ LAI product were evaluated through intercomparison with reference LAI products (MODIS C5, GLASS) over a network of homogeneous study sites (BELMANIP-2.1 and CERN) in China in 2010—2015. The accuracy of the MuSyQ LAI product was evaluated using numerous available ground reference maps. The MuSyQ LAI product presents a reliable and consistent spatial distribution of dynamic range in spatial distribution, thereby overcoming MODIS’ underestimation of the LAI values and the unreasonable spatiotemporal variations in MODIS LAI products. MuSyQ LAI and MODIS and GLASS LAI have the highest differences (systematic and total) and lowest correlations in evergreen broadleaf forest given the decrease in cloud or snow and other factors by comparing their spatial and temporal characteristics with other products. Qualitative analysis of temporal profiles shows that the MuSyQ LAI product exhibits a consistent seasonal variation with two other LAI products. The temporal profiles of MuSyQ LAI have a reasonable dynamic range and are smoother and more stable than MODIS. The main limitation of the MuSyQ LAI product is the existence of some inconsistencies in the time series at the forest site with evident fluctuations near the peak of the temporal profiles in comparison with the GLASS product. The high values of broadleaf crops during their growth season were slightly underestimated. Comparisons with LAI surface measurements show that the MuSyQ product agrees well with the LAI data (highest correlation, lower systematic error, and overall error) and is slightly underestimated at high values in the broadleaf growing season, where several broadleaf forest sites were slightly overestimated. In summary, the MuSyQ LAI product based on multisource remote sensing data immensely improves the product time resolution to 5 days and the spatiotemporal continuity of LAI products. The MuSyQ LAI product exhibits favorable performance, where the spatial distribution in China is realistic, and the spatial and temporal continuity is greater than other similar products. The temporal profiles reflect the seasonal characteristics of vegetation well, with a slight difference from the ground reference measurement values. The improvement in the spatial and temporal continuity is helpful for applying LAI in dynamic models (such as crop growth and surface process models). However, these validation results are limited by the ground dataset used to quantify the uncertainties attached to the satellite products. Currently, limited data on broadleaf evergreen, deciduous forests, and large regions around the world (e.g., Asia) are available. Their representativeness can be improved by obtaining multitemporal measurements on various sites, thereby sampling the various biome types found around the world. Furthermore, the uncertainties associated with ground reference data must be quantified to provide a reliable analysis of the validation results.

Key words

remote sensing, Leaf Area Index(LAI), MuSyQ, multi-sensor, validation, MODIS, GLASS, China

1 引　言

叶面积指数LAI(Leaf Area Index)定义为单位地面面积内叶片面积总和的一半(Chen和Black，1992)。LAI是表征植被冠层结构和功能的关键参数，与植被的光合作用、蒸散以及能量平衡等过程密切相关(Sellers 等，1997)，对研究地气系统的物质、能量和动量交换具有重要意义(Quan 等，2017)。由于LAI的地面测量通常只能获取到小范围的数据(曾也鲁 等，2012)，因此遥感技术成为大尺度LAI产品生产的有效途径(Myneni 等，2002)。目前，国内外基于单一遥感卫星传感器观测数据生产了多套全球尺度LAI产品，主要包括MODIS/LAI(Knyazikhin 等，1998；Myneni 等，2002；Yang 等，2006)、CYCLOPES/LAI(Baret 等，2007)、AVHRR/LAI(Claverie 等，2016)、GEOV1/LAI(Baret 等，2013；Camacho 等，2013)、POLDER/LAI(Roujean和Lacaze，2002)、MISR/LAI(Hu 等、2007)、GLOBCARBON/LAI(Deng 等，2006)、CCRS/LAI(Fernandes 等，2003)、ECOCLIMAP/LAI(Masson 等，2003)、GLASS/LAI(Xiao 等，2013)、MERIS/LAI(Tum 等，2016)和LAI3g(Zhu 等，2013)等。但由于受天气或传感器等因素限制，单一传感器在产品周期内无法提供足够的有效观测，导致现有的LAI产品精度还不能满足全球气候观测系统GCOS(Global Climate Observing System)提出的最低精度要求，即误差不超过max(0.5，20%)(GCOS，2011)。现有的LAI产品虽然在小区域上能够满足该要求，但在全球尺度上其误差普遍高于1(Pisek和Chen，2007；Garrigues 等，2008；Fang 等，2012)。此外，合成周期内有限的有效观测使LAI产品在时间和空间上都不连续，严重限制了LAI产品在动态模型(如作物生长模型、地表过程模型等)中的应用。

目前，全球LAI产品生产方式逐渐由基于单一传感器向多传感器的协同使用方向发展，并生产了基于多传感器观测的LAI产品，如基于Terra和Aqua生产的MOD15A3 LAI产品、基于VEGETATION、MERIS、ATSR-2、AATSR生产的GLOBCARBON LAI产品、以及基于MODIS、AVHRR生产的GLASS LAI产品等。这些产品通过周期内多源传感器的互补观测提高了时间分辨率，如MOD15A3的时间分辨率提高到4天；通过不同传感器的观测历史年限互补提高了时间跨度，如GLASS/LAI产品的时间跨度提高到1982年—2016年。然而，虽然多源传感器的协同使用为提高LAI质量提供了一个有效途径，但协同使用的程度有限，如MOD15A3使用了上午过境的Terra和下午过境的Aqua，但实际上仍是同类型传感器；GLASS LAI协同了不同历史年限的数据，但同一时期的观测使用的仍是同一传感器。因此，如何真正地将特定周期内多传感器提供的多时相和多角度观测协同起来生产LAI产品，进一步提高LAI产品精度和时间分辨率，仍是目前需要解决的问题。为了综合利用多源遥感数据集以提高LAI产品的估算精度和时间分辨率，李静等(2017a, 2017b, 2017c, 2017d, 2017e, 2017f)利用Terra/MODIS、Aqua/MODIS、FY3A/MERSI和FY3B/MERSI等传感器的地表反射率数据生产了2010年—2015年1 km分辨率的全球陆表卫星MuSyQ LAI产品，协同特定周期内多传感器提供的多时相和多角度观测，将时间分辨率提高到5天。

本文研究目标是对中国区域2010年—2015年MuSyQ LAI产品进行质量评价与精度检验。通过MuSyQ与MODIS和GLASS LAI产品的相互比较和分析，评价MuSyQ LAI产品的时空连续性和时空一致性。在空间尺度上，分析MuSyQ与MODIS和GLASS LAI产品缺失值分布和产品及产品差值在中国区域的空间分布和频率分布；在时间尺度上，对MuSyQ、MODIS和GLASS LAI产品不同植被类型像元在2010年—2015年进行时间序列分析，比较MuSyQ LAI产品与其他LAI产品的异同。通过MuSyQ LAI产品与地面测量数据的直接比较，评价MuSyQ LAI产品的精度。

2 数 据

2.1 全球LAI产品

本研究使用了几种全球LAI产品，表1对这些LAI产品特点进行了简单地概括。

表 1 本文使用的LAI产品
Table 1 LAI products used in this paper

下载CSV 
LAI产品
名称 		空间分
辨率/km 		时间分
辨率/天 		投影方式 覆盖范围 时间
范围/年
MCD15A2 1 8 正弦投影 中国 2010—2015
GLASS 1 8 正弦投影 中国 2010—2015
MuSyQ 1 5 正弦投影 中国 2010—2015

2.1.1 MuSyQ LAI产品

MuSyQ LAI产品是基于多源数据集生产的1 km分辨率5天周期的全球叶面积指数产品，采用正弦(SIN)投影方式。本次分析使用是MuSyQ LAI的V2版本。

MuSyQ LAI(V2)的反演算法包含一个主算法和一个备用算法。主算法利用3维辐射传输模型构建的查找表(LUT)进行LAI反演。当主算法失败时，使用备用算法。备用算法利用特定地类的LAI和NDVI之间的经验关系反演LAI。在主算法中，针对水体混合像元，利用GlobeLand30地表分类数据(陈军 等，2017)提取1 km像元中的水体混合像元及水体面积比例(于文涛 等，2016)，并得到混合像元中水体反射率，然后通过对水体混合像元进行线性分解计算得到混合像元中植被端元反射率，反演得到植被端元LAI，再根据植被面积比例计算得到去除水体反射率影响的混合像元LAI值(徐保东，2018)。MuSyQ LAI(V2)产品与MODIS LAI产品反演算法使用模型相同，查找表建立方法相同，两者差异主要有两点：一是对水体混合像元设计了去除水体影响的反演算法；二是输入反射率是经过预处理后的多传感器观测的地表反射率数据集。为控制输入多源数据集的数据质量，算法首先使用基于后验方差估计的变权重迭代BRDF/NDVI反演算法(CWI)(Zeng 等，2016)，根据多源多角度BRDF观测的一致性，去除误差较大的观测。基于每个观测地表反射率反演LAI/FAPAR，在5天的合成期间选择对应于最大FAPAR的LAI值作为合成时间内的LAI值。MuSyQ LAI使用的地表分类图是经过重分类的MCD12Q1数据。产品除提供每个像元的LAI值，还提供了质量控制信息(QC)，用以说明LAI的反演质量，包括使用的算法类型以及是否存在云等信息。

2.1.2 MODIS LAI产品

本文使用MODIS第5版本的LAI产品(MCD15A2)。产品空间分辨率为1 km，时间分辨率为8天，时间跨度为2002年—2018年，采用正弦(SIN)投影方式。本文使用2010年—2015年的MODIS LAI产品。

MODIS LAI的反演算法包含一个主算法和一个备用算法(Knyazikhin 等，1998；Myneni 等，2002)。MODIS LAI产品还附带输出质量控制信息，用以说明LAI反演质量，包括处理状态，输入信息的质量以及是否存在雪，云和阴影等。

2.1.3 GLASS LAI产品

GLASS(Global Land Surface Satellite)叶面积指数(LAI)产品(http://www.bnu-datacenter.com[2019-02-09])(Liang 等，2013)时间分辨率是8天，时间范围是1981年—2016年。1981年—1999年的GLASS LAI产品由AVHRR地表反射率数据反演得到，采用等角度投影方式，空间分辨率为0.05°；2000年—2016年的GLASS LAI产品由MODIS地表反射率数据(MOD09A1)反演得到，采用正弦(SIN)投影方式，空间分辨率为1 km(向阳 等，2014)。本文使用2010年—2015年的LAI产品。

GLASS LAI反演算法(Xiao 等，2014)采用多输入多输出的广义回归神经网络(GRNN)，从遥感观测的时间序列中生产全球长时间序列的LAI产品。GLASS LAI产品附带输出质量控制信息，用以说明LAI反演质量，包括处理状态，输入信息的质量以及是否存在雪—云和阴影等。

2.2 LAI地面验证数据集与BELMANIP-2.1 站点网络

2.2.1 地表分类图

本文使用的地表分类图是经过重分类的MCD12Q1地表分类图(图1)。


图 1 2013年中国区域的MODIS重采样地表覆盖分类图
Fig. 1 The resampling MODIS land cover map for China in 2013

本文将地表覆盖类型分为草地/粮食作物、灌丛、阔叶作物、稀树草原、常绿阔叶林、落叶阔叶林、常绿针叶林、阔叶针叶林和非植被区等9类，具体分类描述如表2所示。

表 2 本文采用的地表覆盖类型分类方案
Table 2 Proportion of site vegetation types participating in the verification

下载CSV 
类别 覆盖类型 简称 所占比例/%
1 草地/粮食作物 GCC 9.6
2 灌丛 Shrub 0.33
3 阔叶作物 BLC 1.33
4 稀树草原 Sava 1.20
5 常绿阔叶林 EBF 1.70
6 落叶阔叶林 DBF 1.86
7 常绿针叶林 ENF 0.73
8 落叶针叶林 DNF 0.13
0, 9, 10,254, 255 非植被区 非植被区 83.12

2.2.2 中国生态系统研究网络CERN

CERN(Chinese Ecosystem Research Network)的建立是为了监测中国生态环境变化，综合研究中国资源和生态环境方面的重大问题(http://www.cern.ac.cn/1wljs[2019-02-09])。目前，该研究网络共有40个生态系统定位研究站，包括16个农田站、11个森林站、3个草地站、3个沙漠站、1个沼泽站、2个湖泊站、3个海洋站、1个城市生态站。站点基本覆盖了中国区域的主要植被类型，也有较长时间序列的重复观测。然而，站点观测范围(30—100 m)远小于遥感产品像元观测尺度(1 km)，二者尺度的不一致会给验证结果带来误差。因此，在产品真实性检验前需要对站点LAI观测进行升尺度。基于已有研究提出的对站点观测进行空间代表性评价及升尺度的方法GUGM(Grading and Upscaling Ground Measurements)(Xu 等，2016, 2018),本文共得到11个CERN站点(8个农田站和3个森林站)在2010年—2011年共65个产品像元尺度内的LAI参考值。站点信息如表3所示。

表 3 验证站点信息及其对应地表类型
Table 3 Characteristics of the validation sites and associated ground biophysical maps

下载CSV 
站点 代码 纬度/(°N) 经度/(°E) 地表类型
辽宁沈阳站 SYA 41.51819 123.368 草地和粮食作物
四川盐亭站 YGA 31.27153 105.4565 草地和粮食作物
陕西长武站 CWA 35.24014 107.6833 草地和粮食作物
新疆阿克苏站 AKA 40.61811 80.82975 阔叶作物
河北栾城站 LCA 37.88893 114.693 阔叶作物
山东禹城站 YCA 36.82861 116.57 阔叶作物
河南封丘站 FQA 35.01875 114.5483 阔叶作物
湖南桃源站 TYA 28.93019 111.441 稀树草原
吉林长白山站 CBF 42.40306 128.0956 落叶阔叶林
北京森林站 BJF 39.95803 115.4251 常绿针叶林
湖南会同站 HTF 26.851 109.605 常绿阔叶林

2.2.3 BELMANIP 站点网络

BELMANIP-2.1(BEnchmark Land Multisite ANalysis and Intercomparison of Products 2.1)站点网络对全球植被类型具有很好的代表性(Baret 等，2006)。该网络主要是利用现有实验网络(FLUXNET，AERONET，VALERI，BigFoot等)建立的，并补充了GLC2000土地覆盖数据的其他网站。选点时尽量保证了每个纬度带范围(10°)内地表植被类型单一，地势平坦，市区和永久性水体比例最小。这些站点大部分都没有地面测量数据，因此BELMANIP-2.1网络常作为植被类型代表性站点被用于全球尺度上的交叉检验研究，而不用于直接验证。BELMANIP-2.1数据集包含的445个站点。图2显示了中国区域全部的BELMANIP-2.1和CERN所有农田和森林站点及其地表覆盖类型空间分布情况。表4给出了参与验证的站点植被类型所占比例。


图 2 中国区域BELMANIP-2.1网络和所有CERN农田和森林站点及其地表覆盖类型空间分布
Fig. 2 Spatial distribution of the BELMANIP-2.1 network of sites and all the farmland and forests sites of CERN and the corresponding biome type in China

表 4 参与验证的站点植被类型所占比例
Table 4 Proportion of site vegetation types participating in the verification

下载CSV 
覆盖类型 所占比例/%
草地/粮食作物 39.5
灌丛 0
阔叶作物 17
稀树草原 8
常绿阔叶林 17
落叶阔叶林 14.5
常绿针叶林 4
落叶针叶林 0
所有植被 100

3 方　法

本文通过对MuSyQ LAI产品与其他参考LAI产品在时空连续性方面的比较分析，分析多源反演MuSyQ LAI在提高时空连续性上的优势；通过与其他LAI产品在时空一致性方面的比较分析，实现MuSyQ LAI产品的质量评价；使用LAI地面测量数据对MuSyQ LAI产品进行精度验证。

MuSyQ、MODIS、GLASS LAI产品的投影方式均为SIN投影，空间分辨率相同为1 km，时间分辨率不同。为了降低随机误差的影响，交叉验证时在时间尺度上将MuSyQ、MODIS和GLASS LAI产品聚合到1个月，即对一个月窗口内的有效像元值进行平均，如果一个月中无有效像元值，则将该像元赋值为NoData。本文选择2013年1月和7月分别作为中国区域LAI低值和高值代表来对LAI产品进行交叉验证研究。有效像元值定义参考3.1.1产品的质量控制。

3.1 交叉验证

3.1.1 产品的质量控制

本文研究的3种LAI产品均提供质量控制文件。对产品之间的交叉比较使用表5中列出的标准对每个产品进行质量控制。与其他研究一致(Weiss 等，2007；Garrigues 等，2008；Fang 等，2012；Camacho 等，2013；Fang 等，2013)，根据质量控制文件被标记为无云、无雪、无卷云等，使用主算法反演且根据MODIS地表覆盖分类产品地表覆盖类型为植被的像元将视为有效像元。由于各个LAI产品的质量控制层不同，所以对产品质量控制也不尽相同。MODIS产品对于裸地像元等非植被区没有进行反演，只是提供了一个默认值，所以本研究中不考虑地表覆盖类型为非植被(裸地、水体、城镇和未分类)的像元。MODIS的备用算法反演的LAI质量较差，因此在产品相互比较中MODIS和MuSyQ选择由主算法反演的LAI，GLASS选择时间序列上反射率数据完整，用GRNN网络反演的LAI。

表 5 本研究中3种LAI产品的质量控制信息
Table 5 Quality control for the three LAI products under study

下载CSV 
产品名称 质量控制层 云 雪 阴影 卷云 整体 算法
MuSyQ DataSet_LAIqc 无 — — — — LUT
MODIS FparLaiQC 无 — — — 好 LUT
FparExtraQC 无 无 无 无 — —
GLASS QC 无 无 无 — 好 GRNN

3.1.2 时空连续性

LAI产品的时空连续性主要指的是LAI数据在空间和时间上的缺失情况。由于LAI产品反演过程中受到云、冰雪或者较差大气条件等因素的影响，通常产品在时间和空间上有一定程度的缺失。无论对于全球气候变化研究还是作为生态模型输入参数，产品时空连续性都是评价产品可用性的一个重要指标(Camacho 等，2013)。本文计算2013年7月中国区域3种LAI产品的缺失值空间分布图用来对比分析MuSyQ LAI产品的空间连续性。产品的质量控制如3.1.1。根据质量控制文件标记为云、雪且未使用主算法反演等的植被像元定义为缺失值。这里使用每种产品原始空间分辨率1 km，时间窗口为1个月。

3.1.3 空间一致性

空间一致性衡量不同产品在不同空间区域上的产品值是否相同。该检验能够对差异较大的区域进行分析，从而对产生这种现象的原因溯源。利用在2013年1月和7月中国区域MuSyQ、MODIS和GLASS LAI产品的频率分布及MuSyQ与MODIS以及MuSyQ与GLASS之间的差值空间分布和频率分布，分析每一种产品的有效LAI变化范围和取值分布，评价产品之间的一致性，并分析产品之间空间差异。每种LAI产品只对有效像元进行统计。

这里定义了3个不确定性等级(最佳值，目标值和阈值)作为定量指标，用于定量化产品间的差异，如表6所示。这里最佳不确定度水平与LAI的GCOS(MAX(0.5,20%))精度要求一致。每种LAI产品都只针对有效像元进行统计。

表 6 用于LAI产品的不确定性等级
Table 6 Uncertainty levels used for LAI products

下载CSV 
变量 最佳一致性(GCOS) 目标一致性 阈值一致性
LAI MAX(0.5,20%) MAX(0.75,25%) MAX(1,30%)

3.1.4 时间一致性

时间一致性检验是从时间尺度上对不同产品进行交叉检验，包括季节性变化和平滑度两个指标(Camacho 等，2013)。季节性变化用来评价不同产品在时间序列上的主要差异及是否在特定时相上存在异常值，进而分析LAI产品在时间序列上是否稳定，是LAI产品交叉检验中最普遍的分析方式。平滑度指标主要用来定量评价产品在时间序列上是否稳定及是否存在异常值。时间平滑度(Weiss 等，2007)的计算方法如公式(1)：在时间序列中，对于3个连续的产品日期，计算中心日期与其两个相邻日期的产品的平均值之差的绝对值。

$\delta {\rm{LAI}}\left(t \right) = \left({1/2\left({{\rm{LAI}}\left({t + \Delta t} \right) + {\rm{LAI}}\left({t - \Delta t} \right)} \right)} \right) - {\rm{LAI}}\left(t \right)$ (1)

式中， ${\rm{LAI}}(t)$ 代表某一时相 $t$ 的产品值， ${{\rm{LAI}}\left({t + \Delta t} \right)}$ 和 ${{\rm{LAI}}\left({t - \Delta t} \right)}$ 分别代表在时相t前后相邻时相的产品值。注意，只有当连续的3个日期都有有效数据时，才进行平滑度计算。

由于植被生长的非线性特征，在植被快速生长或落叶期，植被时间序列的并非为0，而是在一个小范围内变化。但目前产品的估算偏差大于此范围。因此， $\delta {\rm{LAI}}\left(t \right)$ 越小，说明产品平滑度越高。一般而言，除了一些火灾、洪水等自然灾害的影响外，LAI的变化随着时间是连续的。因此，平滑度越高，代表产品在时间尺度上质量越好，更能够反映实际LAI的时间变化趋势。平滑度计算是在中国区域的BELMANIP-2.1和CERN所有农田和森林站点(48个)上进行的。

3种LAI产品的时间序列提取和时间平滑度计算都是针对有效像元进行的。

3.2 直接验证

本文通过对MuSyQ、MODIS和GLASS LAI产品与部分CERN站点(11个)基于GUGM算法获得的LAI高分参考图进行比较，定量地评价MuSyQ LAI产品的精度。LAI高分参考图和LAI产品的空间分辨率以及投影方式不同，对LAI高分参考图进行投影转换并升尺度到1 km分辨率。由于LAI产品的儒略日期与地面测量的时间可能存在差异，本研究选择包含地面测量时间的LAI产品与地面测量数据进行比较。该部分分别提取MuSyQ和MODIS产品主算法，GLASS产品GRNN网络反演的LAI与地面实测LAI数据进行比较。注意对于草地和农田，其聚集指数较大，所以未区分有效LAI和真实LAI，统一认为是真实LAI；而对于森林在此指的是真实LAI。

通过表7的几个度量标准来衡量MuSyQ LAI产品与相应地面测量结果的一致性。整体测量不确定性(即均方根误差，RMSE)包括系统测量误差(即偏差)和随机测量误差(即偏差的标准差)。RMSE即精度，作为评价产品整体精度的指标。线性模型拟合用于量化实测值与产品的拟合程度。最后，对GCOS要求内的像元数量进行量化。

表 7 产品直接验证的衡量指标
Table 7 Uncertainty metrics for product validation

下载CSV 
统计指标 说明
地面实测值与LAI产品之间的散点图 定性评价产品与地面实测值之间的一致性
N：实测LAI数量 说明验证力度
RMSE：均方根误差 表示产品的精度(整体误差)
B：平均偏差 LAI产品与地面实测值之间差值的平均值
S：标准差 LAI产品与地面实测值之间差值的标准差
R2：相关系数 表明LAI产品与地面实测值之间的相关性
拟合方程(斜率Slope,偏移量Offset) 表明一些可能的偏差
%GCOS精度要求 与GCOS LAI精度要求匹配的像元百分比

4 结 果

4.1 交叉验证

4.1.1 空间连续性

该部分计算2013年7月中国区域3种LAI产品的缺失值空间分布图(图3)用来对比分析MuSyQ LAI产品的空间连续性。根据质量控制文件被标记为无云、无雪、无卷云等，使用主算法反演且根据MODIS地表覆盖分类产品地表覆盖类型为植被的像元将视为有效像元，否则为无效像元(缺失像元)。


图 3 2013年7月中国区域3种LAI产品缺失值的空间分布
Fig. 3 Spatial distribution of missing data for each product under study for July 2013 in China

图3中灰色代表的是非植被区域，红色代表的是缺失像元，绿色代表的是有效像元。

MuSyQ LAI产品相比MODIS和GLASS LAI有更好的空间完整性。MODIS LAI产品空间上存在大量缺失，对照MODIS土地覆盖分类图(图1)，这些缺失值主要分布在草地/粮食作物区，少数分布在阔叶林区；GLASS LAI比MODIS产品完整性好，主要因为其反演时进行了缺失值填充，但GLASS产品在空间上仍存在缺失，缺失数据主要分布在针叶林区，少数分布在草地/粮食作物区；而MuSyQ LAI产品在空间上的分布是最完整的，这是因为其在反演LAI时输入的是多源数据集，在特定时间窗口内有更多的有效数据，这与Yin等(2016)研究一致。

这里定义反演比例RR(Retrieval Ratio)用于定量评价空间连续性，即反演的有效像元数与像元总数之比(Myneni 等，2002)。表8列出了根据MODIS地表覆盖分类产品中国区域每种植被类型2013年1月和7月的MODIS、GLASS和MuSyQ LAI的RR值。

表 8 3种LAI产品中国区域反演比例
Table 8 Retrieval ratios of MODIS, GLASS and MuSyQ LAI products /%

下载CSV 
植被类型 1月 7月
MODIS GLASS MuSyQ MODIS GLASS MuSyQ
草地/粮食作物 44.55 60.81 74.04 80.06 97.73 99.69
灌丛 53.96 75.30 97.86 74.73 95.31 99.73
阔叶作物 37.87 65.27 80.73 88.00 99.95 99.95
稀树草原 85.12 94.87 96.35 51.02 99.84 99.76
常绿阔叶林 94.22 99.73 99.79 38.77 99.73 98.30
落叶阔叶林 58.40 70.08 80.27 59.17 98.72 99.88
常绿针叶林 72.10 81.18 89.79 50.75 91.30 95.82
落叶针叶林 4.35 67.78 50.37 50.33 99.52 98.70
所有植被类型 54.50 69.74 80.38 70.56 98.05 99.42

由表8可以看出，MuSyQ产品反演比例优于GLASS，GLASS优于MODIS。GLASS产品是基于MODIS和CYCLOPES LAI产品进行缺失值填充，反演比例是较优的。MuSyQ LAI产品的RR值较高，一方面是由于使用多源数据的观测互补，在一个月的周期内有更多的机会获取到无云观测；另一方面，反演比例分析的是无云观测比例，因此，反射率产品的云识别的精度会影响反演比例分析结果。MuSyQ LAI的RR值较高一部分原因是反射率产品的云标识比例偏低，部分云覆盖像元未识别出来。

4.1.2 空间一致性

图4 显示了在2013年1月和7月两个特定月份中国区域的MuSyQ、MODIS和GLASS LAI产品同时有效的LAI值频率分布。


图 4 MuSyQ、MODIS和GLASS在2013年1月和7月中国区域有效LAI值的频率直方图
Fig. 4 Histogram distributions of the MuSyQ, MODIS and GLASS valid LAI values for January 2013 and July 2013 in China

1月份3种LAI产品在中国区域内分布持续平稳。7月份的频率统计显示3种产品的LAI值频率分布差异较大。1月份的MuSyQ有效LAI均值为0.76，低于MODIS(LAI=0.84)和GLASS(LAI=0.83)的有效LAI均值；7月份的MuSyQ有效LAI均值(LAI=2.39)介于MODIS(LAI=2.28)和GLASS(LAI=2.47)产品分布之间。由7月份3种产品的LAI值频率分布图可观察到，当LAI值在1.0—2.0之间时，MODIS LAI有两个波峰，稍高于MuSyQ LAI，而GLASS处于这个范围内的频率明显低；当LAI值在2.0—5.0中间时，MODIS略低于MuSyQ的频率，而GLASS明显高于MuSyQ产品；GLASS LAI在LAI=2.6处存在一个极大值，可能是由于GLASS对低值植被高估造成的(Xiao 等，2016；2017)。对于所有的LAI产品，低值的频率在1月高，7月低，高值的频率相反，与中国(北半球)的生长季节特征一致。GLASS LAI的最高值达到了6，MuSyQ和MODIS LAI的最高值达到了7，这说明MuSyQ和MODIS LAI相比GLASS LAI有更大的动态范围来描述中国区域LAI的变化。

图5为2013年7月份中国区域内MuSyQ、MODIS和GLASS LAI产品在不同植被类型下的LAI值分布。对于草地/粮食作物和灌木两种植被类型，3种产品的LAI分布相对一致。对于阔叶作物和稀树草原两种植被类型，MuSyQ和MODIS的分布趋势类似，GLASS在低值(LAI < 2)的频率较低，峰值分别在2—3、3—4之间，可能是由于GLASS对低值植被高估造成的( Xiao 等，2016；2017)。3种LAI产品在森林地区差异较大，尤其是GLASS与其他两种LAI产品之间存在较大差异；在针叶林地区，3种产品的LAI值分布的差异加剧，GLASS的峰值位于4—5之间，而MODIS和MuSyQ的曲线峰值在1—2之间。MuSyQ与MODIS的LAI分布更为接近，两种产品在LAI高值处可达7。


图 5 2013年7月中国区域6种植被类型下3种产品的LAI频率分布
Fig. 5 Histogram distributions of the MuSyQ, MODIS and GLASS LAI values under six vegetation types in China in July 2013

图6为3种LAI产品中国区域差值的空间分布图。在本研究中不考虑地表类型为非植被的像元。非植被像元和缺失值像元在图中都由白色表示，对应的2013年中国区域地表覆盖分类如图1(审图号：GS(2018)5270号)所示。


图 6 2013年7月MuSyQ LAI和MODIS LAI、GLASS之间差值中国空间分布图
Fig. 6 Spatial distribution of differences between the MuSyQ and MODIS, GLASS LAI in July 2013 in China

图6(a)为2013年7月份MuSyQ LAI和MODIS LAI之间差值在中国区域的空间分布(差值是用每个有效像元的MuSyQ LAI值减去MODIS LAI值计算得到的)。MuSyQ LAI值高于MODIS LAI值的区域主要集中在中国东北和华北平原区域，根据图1中2013年中国区域土地覆盖分类图，该区域的地表覆盖类型为草地/粮食作物和阔叶作物；而MuSyQ LAI值低于MODIS LAI值的区域主要集中在中国东北和西南的森林区域，尤其是阔叶林地区。

图6(b)为2013年7月份MuSyQ和GLASS LAI差值在中国区域的空间分布(差值利用MuSyQ LAI有效像元值减去对应的GLASS LAI有效像元值计算得到)。MuSyQ LAI值高于GLASS的区域主要集中在东北平原和东部沿海与台湾地区，这些区域的地表覆盖类型分别为草地/粮食作物和森林(尤其是阔叶林)(图1)；而在绝大多数森林区域MuSyQ LAI值都要比GLASS LAI的值低。MuSyQ产品与GLASS LAI产品之间差异大小和空间分布范围要大于MuSyQ与MODIS产品之间差异。

图7蓝实线为MuSyQ和MODIS LAI差值的频率直方图。超过60%的像元差值分布在−0.5—0.5，峰值在0处，频率超过30%。从图中可以看出，(1)部分像元的MODIS LAI值比MuSyQ大，且这些像元的差值主要分布在−2.5—0。根据图1小于0的差值主要分布在森林区，有研究表明MODIS LAI对阔叶林像元有些高估(Garrigues 等，2008)。(2)一些像元的MuSyQ值比MODIS LAI值大，这些值大多分布在1.0—3.0，地表覆盖类型为草地/粮食作物和阔叶作物，MODIS LAI值受云等因素的影响，反演值明显偏低，而MuSyQ LAI的数据源为多源数据，在特定窗口内可选择无云或受云污染较少的数据进行反演，故LAI反演值相对较高。


图 7 2013年7月中国区域MuSyQ LAI和MODIS LAI、GLASS LAI之间差值的频率直方图
Fig. 7 Histograms of the differences between the MuSyQ LAI and the MODIS LAI and the GLASS LAI for July 2013 in China

图7红虚线是MuSyQ LAI和与GLASS LAI差值的频率直方图。可以看出，波峰分布在LAI差值为0处，频率超过30%，稍低于MuSyQ与MODIS LAI的差值频率。与图4的统计结果一致，GLASS高于MuSyQ LAI的像元更多，尤其差值在−1—−3之间。

4.1.3 时间连续性

在LAI/FPAR产品的时间序列中，由于云或雪污染，恶劣的大气条件或技术问题等导致部分像元数据缺失，将限制LAI产品在地表模型中的使用(Garrigues 等，2008；Camacho 等，2013)。这里引入“年数据缺失率”的概念用于分析3种LAI产品的时间连续性。“年数据缺失率”定义为一年(12个月)中无效月份所占百分比，它代表了缺失数据的时间长度。无效月份指的是月合成值为无效值的月份。该部分统计了2010年—2015年中国区域BELMANIP(23)和CERN(25)共48个站点6种植被类型的年数据缺失率情况。缺失频率计算由每种植被类型所有站点每年总的缺失月份与该种植被类型所有站点每年总的月份个数之比。此外3种产品的质量控制不同可能是影响年数据缺失率的重要因素。

图8的3条虚线表示6年(2010年—2015年)的MuSyQ，MODIS，GLASS LAI产品在中国区域48个站点6种植被类型的数据缺失的变化。MuSyQ在草地/粮食作物类型的站点缺失较多，数据缺失率为5%(大约半个月无数据)。缺失数据主要是在冬季，这与云和大气条件差有关。MODIS在常绿阔叶林和针叶林的缺失率相对较低，其他植被类型站点的缺失率均较高，最高达16.7%(2012年每个站点平均约2个月无数据)。GLASS在针叶林的数据缺失高率达30%(2012年每个站点平均约3.5个月无数据)，其他站点的缺失数据较MODIS少，这可能是因为GLASS产品进行了缺失值填充。


图 8 中国区域BELMANIP和CERN所有站点六种植被类型2010年—2015年的数据缺失率
Fig. 8 Percentage of missing data of six biome types over CERN sites during 2010—2015 period

4.1.4 时间一致性

(1)季节性。本文针对不同的植被类型，选择中国区域的BELMANIP-2.1和部分有实测值的CERN站点来说明2010年—2015年期间MuSyQ LAI产品表现的典型季节变化，定性定量评估几种产品之间的区别。这里需要注意，CERN站点的实测值只是作为参考值，因为每种产品提取的是月合成值，两者在时间尺度上存在误匹配。中国区域BELMANIP-2.1网络站点和可用的CERN站点及其植被类型空间分布如图2。

图9为BELMANIP-2.1 #349(青海)、BELMANIP-2.1 #355(四川)和CERN的四川盐亭站点的时间序列曲线。根据MODIS土地覆盖分类产品可知，这3个站点的地表类型为草地/粮食作物。整体上，3个站点的时间序列曲线的季节性特征明显，与中国区域生长季节特征一致；MuSyQ LAI的时间序列曲线完整，MODIS LAI在个别站点有缺失，GLASS LAI完整而平滑，因为GLASS LAI产品进行了缺失值填充和平滑处理；GLASS产品年际变化较小，但整个时间序列上较其他两种产品的LAI值偏高，尤其在生长季的高值区；整个时间序列的MuSyQ LAI与MODIS LAI的趋势更为相似且MuSyQ LAI与MODIS LAI值更为接近。在站点尺度上，MuSyQ和MODIS LAI很好的体现了双季作物的特征，而GLASS LAI因过度平滑，没有体现当地双季作物的生长特征(BELMANIP-2.1 #355(四川)和CERN的四川盐亭站点)；参考CERN四川盐亭站点时间序列曲线上实测值的分布，在非生长季的LAI低值区，MuSyQ LAI与实测值最接近，而在生长季的峰值区，MuSyQ LAI有些许低估。


图 9 MuSyQ、MODIS和GLASS 3种LAI产品在草地/粮食作物站点的时间序列曲线
Fig. 9 Temporal profiles of MuSyQ, MODIS and GLASS LAI products over the sites of grasses and cereal crops

图10为BELMANIP-2.1#324(贵州)、BELMANIP-2.1 #331(贵州)和CERN的新疆阿克苏站点的时间序列曲线。根据MODIS土地覆盖分类产品可知，这3个站点的地表类型为阔叶作物。整体上，所有LAI产品都展现了相似的季节变化和较好的一致性，且年际变化较小；MuSyQ和GLASS LAI时间序列曲线都比较完整，MODIS LAI曲线在某些年份的生长期有大量缺失；MuSyQ和MODIS很好的体现了双季作物的特征。站点尺度上，新疆阿克苏站点的阔叶作物类型为棉花，由时间序列曲线上实测值的分布可看出，MuSyQ和MODIS LAI在生长季的峰值区稍有低估。


图 10 MuSyQ、MODIS和GLASS 3种LAI产品在阔叶作物站点的时间序列曲线
Fig. 10 Temporal profiles of MuSyQ, MODIS and GLASS LAI products over the sites of broadleaf crops

图11为BELMANIP-2.1 #327(贵州)和CERN的湖南桃源站点的时间序列曲线。根据MODIS土地覆盖分类产品可知，这2个站点的地表类型为稀树草原。整体上，所有产品都有相似的季节变化规律和较低的年际变化特点。站点尺度上，在BELMANIP-2.1 #327(贵州)站点，3种产品的时间序列曲线在低值区表现出非常好的一致性，在生长季的峰值区有较大差别，MuSyQ和MODIS LAI曲线有着相似的分布；在CERN的湖南桃源站点，MODIS LAI整个生长季的值都高于MuSyQ和GLASS LAI值，在峰值处的LAI值最高超过6.0，与MuSyQ和GLASS LAI的差异高达3.0。这种异常的曲线特征可能是由于系统性偏差和地表误分类导致；与实测值相比，MuSyQ和GLASS LAI与实测值具有较好的一致性。


图 11 MuSyQ、MODIS和GLASS 3种LAI产品在稀树草原站点的时间序列曲线
Fig. 11 Temporal profiles of MuSyQ, MODIS and GLASS LAI products over the sites of savannah

BELMANIP-2.1 #342(陕西)、BELMANIP-2.1 #325(江西)和CERN的吉林长白山站点的时间序列曲线如图12所示。这3个站点的地表覆盖类型均为阔叶林。BELMANIP-2.1 #341(陕西)和CERN的吉林长白山站点的地表类型是落叶阔叶林。在落叶阔叶林站点，GLASS和MODIS LAI都存在不同程度上的缺失，而MuSyQ LAI在整个时间序列曲线都是完整的；3种LAI产品有相同的季节变化和年际变化，但在数值上存在差异，尤其在BELMANIP-2.1 #342(陕西)，MuSyQ LAI相比MODIS LAI和GLASS LAI的值较低，但有研究表明MODIS LAI对于阔叶林像元LAI有所高估(Garrigues 等，2008)；而在长白山站点三种LAI产品表现出很好的一致性，且与实测值的一致性也较好。BELMANIP-2.1 #325(江西)站点的地表覆盖类型属于常绿阔叶林。MODIS LAI的时间序列曲线有明显的波动以及突然的波谷，而MuSyQ LAI时间序列曲线相比波动较小，而GLASS LAI因为进行平滑处理和缺失值填充，其时间序列较为平滑连续。


图 12 MuSyQ、MODIS和GLASS 3种LAI产品在阔叶林站点的时间序列曲线
Fig. 12 Temporal profiles of MuSyQ, MODIS and GLASS LAI products over the sites of broadleaf forest

图13为BELMANIP-2.1 #323(四川)和CERN的四川贡嘎山站点的时间序列曲线。这2个站点的地表覆盖类型为常绿针叶林。整体上，MuSyQ、MODIS LAI呈现出相似的曲线变化趋势，没有明显的年际变化和季节变化，且在LAI值的大小上的差异也不明显。站点尺度上，GLASS在BELMANIP-2.1 #323(四川)站点的时间序列曲线波动明显，有明显的波峰和波谷，且在某些年份与MuSyQ和MODIS有着相反的变化趋势；四川贡嘎山站点的MODIS和GLASS LAI存在大量的缺失值，而MuSyQ在整个时间序列上相对完整且连续；MuSyQ和MODIS LAI的时间序列曲线变化趋势相同，但在数值上有些许差异，而GLASS LAI在高值区的值明显高于MuSyQ和MODIS LAI的值。


图 13 MuSyQ、MODIS和GLASS 3种LAI产品在针叶林站点的时间序列曲线
Fig. 13 Temporal profiles of MuSyQ, MODIS and GLASS LAI products over the sites of needleleaf forest

(2)时间平滑性。图14为MuSyQ、MODIS和GLASS LAI产品的δLAI作为LAI(t)值函数的箱线图。图14中框内十字架和水平线分别表示平均值和中值。该框中包含50%的数据，上下端短线之间显示95%的置信区间。

结果(图14)表明，GLASS LAI时间平滑性最好，主要是因为GLASS LAI产品进行了缺失值填充和平滑处理。对于较低的LAI(<1)，MODIS的时间分布较稳定；对于较高LAI，MODIS的δLAI在−3—1.5变化。较高LAI值观察到的不对称性是因为当LAI(t)值较高时，t+Δt或t−Δt时获得更高LAI值的可能性较低。MuSyQ LAI产品的时间曲线相对MODIS平滑，与前面时间序列曲线的分析结论一致。且GLASS(0.39)和MuSyQ(0.59)，LAI(t)与 $1/2\left({{\rm{LAI}}\left({t + \Delta t} \right) + {\rm{LAI}}\left({t - \Delta t} \right)} \right)$ 之间的均方根误差较低，而MODIS(0.65)则较高。


图 14 MuSyQ、MODIS和GLASS LAI产品δLAI作为LAI(t)值函数的箱线图
Fig. 14 Boxplot of the δLAI value as a function of LAI(t) for MuSyQ、MODIS和GLASS LAI products

4.1.5 MuSyQ LAI与其他LAI产品之间的一致性

图15为MuSyQ、MODIS和GLASS LAI产品之间的散点图。利用中国区域的BELMANIP-2.1站点(23个)和CERN所有农田和森林站点(25个)作为植被代表性样点，提取3种LAI产品2010年—2015年72个月的数据(MuSyQ和MODIS产品有效像元且反演算法为主算法的LAI，GLASS产品有效像元且由GRNN网络反演的LAI)进行一致性分析，采用表7列出的指标作为衡量标准。该部分将站点植被类型分为3大类：非森林站点(草地/粮食作物，灌丛，阔叶作物和稀树草原)，阔叶林(常绿阔叶林和落叶阔叶林)和针叶林(常绿针叶林和落叶针叶林)。


图 15 基于2010年—2015年中国区域BELMANIP-2.1和CERN站点产品之间的散点图
Fig. 15 Product versus product scatter-plots over the BELMANIP-2.1 sites and CERN sites in China using the LAI values from the 72 months of the 2010—2015 period

在非森林站点(图15(a))，MuSyQ与GLASS LAI的相关性和一致性(R2=0.73，RMSE=0.55)比MuSyQ与MODIS LAI的相关性和一致性(R2=0.65，RMSE=0.71)好；MuSyQ和MODIS的离散程度(S=0.69)相对较大，而MuSyQ和MODIS之间的平均差异(B=−0.13)却不明显(只在极低LAI值处MODIS才显示出较高值)，这是由短时间内的尺度不稳定造成的(Camacho 等，2013)。在阔叶林站点(图15(b))，MuSyQ与MODIS和GLASS的一致性(RMSE=1.35; RMSE=1.24)都较低，且离散程度也较大(S=1.35；S=1.23)，但MuSyQ与二者的平均偏差(B=−0.13;B=0.14)却不明显，这主要是由较高的LAI值造成的。在针叶林站点(图15(c))，MuSyQ和MODIS有较好的相关性和一致性(R2=0.51，RMSE=0.49)且没有明显的偏差(B=−0.08)；而MuSyQ和GLASS的相关性和一致性都较差(R2=0.19，RMSE=0.94)，离散程度(S=0.93)也较高。将所有站点数据一起统计分析的结果如表9。整体上，MuSyQ与两种LAI产品的一致性较好，与GLASS的一致性和相关性略高于MODIS。

表 9 2010年—2015年3种LAI产品在中国区域BELMANIP-2.1和CERN站点的交叉验证统计结果
Table 9 Statistics of the intercomparisons among three LAI products over BELMANIP-2.1 sites and CERN sites during 2010—2015 in China

下载CSV 
指标 MuSyQ-MODIS MuSyQ-GLASS
N 2249 3366
R2 0.86 0.86
RMSE 1.0 0.81
B −0.32 −0.10
S 0.95 0.81
Slope 0.78 0.98
Offset 0.32 −0.054
%optimal(GCOS) 61.36 58.02
%target 10.89 14.53
%threshold 6.94 11.20
　注：N：实测值个数；R2：拟合系数；RMSE：均方根误差；B：偏差；S：差异标准差；Slope：斜率；Offset：偏移量。

4.2 直接验证

利用CERN站点的LAI地面测量数据对MuSyQ、MODIS和GLASS LAI产品进行直接验证。LAI产品时间窗口内的LAI值与单一日期地面测量值之间的时间不匹配不影响常绿林地的验证结果，因为常绿林地的LAI值短时间(至少一个月)内相当稳定。然而，这种时间误匹配可能给农田、草地和落叶林等高度动态植被的验证带来不确定。图16显示了不同LAI产品和LAI地面测量值的散点图。图16(a)、(b)和(c)中分别有58、61和65个LAI实测数据及对应的MuSyQ、MODIS和GLASS LAI产品数据。使用回归方程、均方根误差和相关系数来衡量不同LAI产品的质量。


图 16 MuSyQ、MODIS和GLASS LAI与地面实测LAI的散点图
Fig. 16 Scatterplot comparison of the MuSyQ, MODIS and GLASS LAI products with mean LAI of the reference maps

与LAI地面测量数据比较，MuSyQ LAI与地面测量数据的相关性(R2=0.54)高于MODIS(R2=0.46)和GLASS(R2=0.49)，MuSyQ LAI的精度(RMSE=0.96)比MODIS LAI(RMSE=1.09)高，但与GLASS LAI(RMSE=0.84)精度相比偏低，这是因为5天分辨率的MuSyQ LAI产品短时间内LAI值不稳定性，导致精度略有下降；表10的直接验证结果表明MuSyQ LAI产品的准确度(S=0.96)比MODIS产品(S=1.09)略高且与LAI地面测量数据的拟合程度(Slope=0.92)最好。MuSyQ产品与实测值差异在±0.5之间的频率超过55%，高于其他两种产品(47.54%，53.85%)。3种产品均显示正向平均偏差(0.091，0.003和0.03)。

表 10 3种LAI产品与LAI实测点比较统计
Table 10 Statistics corresponding to the comparison with the ground measurements for the three LAI products under study

下载CSV 
指标 MuSyQ MODIS GLASS
N 59 61 65
R2 0.54 0.46 0.49
RMSE 0.96 1.09 0.84
B 0.091 0.003 0.03
S 0.96 1.09 0.83
Slope 0.92 0.88 0.65
Offset 0.23 0.20 0.64
%optimal(GCOS) 55.93 47.54 53.85
%target 15.25 21.31 15.38
%threshold 10.17 4.92 7..69
　注：N：实测值个数；R2：拟合系数；RMSE：均方根误差；B：偏差；S：差异标准差；Slope：斜率；Offset：偏移量。

MuSyQ LAI产品在整个取值变化的范围内都表现了非常好的一致性。总体而言，大部分数据分布在±1 LAI偏差范围内，表明该验证结果的总不确定度小于1个LAI单位。这种不确定性来自于MuSyQ产品本身以及其他方面，包括参考地图的不确定性以及空间和时间尺度的误匹配。MuSyQ的回归直线方程与1∶1线最接近，大部分样点都分布在1∶1线两边，只是在个别森林(主要是阔叶林)站点偏离较远，出现了高估。MODIS对不同的植被类型具有良好的精度，但对稀树草原有明显的高估，可能是因为混合像元造成的地表误分类。

5 结　论

MuSyQ LAI产品是基于多源遥感数据协同生产的1 km分辨率5天周期的全球叶面积指数产品。本研究通过MuSyQ LAI与现有LAI产品(MCD15A2和GLASS LAI)之间的交叉验证(包括时空连续性、时空一致性、精度和准确性等方面)以及与CERN部分农田和森林站点的LAI地面实测数据之间的直接验证这两种方法，对2010年—2015年间中国区域MuSyQ LAI产品进行定量分析与评价。结果表明，基于多源遥感数据协同生产的MuSyQ LAI产品不仅将产品时间分辨率提高到5天，而且极大提高了LAI产品的时空连续性。MuSyQ LAI产品在空间分布上呈现出可靠和一致的空间分布动态范围。通过与其他产品进行一致性比较，发现MuSyQ LAI与MODIS和GLASS LAI在常绿阔叶林地区具有最高差异(系统性和总体性)和最低相关性，这是由于云或雪等因素的影响降低了用于算法输入的反射率的可靠性。时间序列曲线的定性分析表明，MuSyQ LAI产品显示与其他两种LAI产品一致的季节变化；MuSyQ LAI的时间序列曲线较MODIS平滑稳定，并有从低到高的实际动态范围；相对于GLASS产品来说，MuSyQ LAI产品的主要局限是在森林站点的时间序列有些许不一致，在曲线峰值附近会有明显的跳动；阔叶作物生长季高值处有些许低估。与LAI地面测量数据的比较结果显示，MuSyQ产品与LAI实测数据的对比结果较好(最高相关性，较低系统误差和总体误差)，只是在阔叶作物生长季高值处有些许低估且在某些阔叶林站点有些高估。

综上所述，MuSyQ LAI产品表现出良好的效果：中国区域空间分布合理，时空连续性最好，时间序列曲线很好的体现了植被的季节特征，与地面参考测量值的比较误差不大，尤其在时空连续性方面的提高更加有助于LAI在动态模型(如作物生长模型、地表过程模型等)中的应用。然而，由于地面数据集数量和代表性的限制，对MuSyQ LAI产品定量分析的验证结果有局限性。目前，关于常绿阔叶和落叶林地区的资料很少，这些森林类型的代表性可以通过在更多的森林站点进行长时间序列的观测来提高。此外，与地面测量数据相关的不确定性也是影响直接验证结果的主要因素，对这些不确定性进行更好地量化有助于对验证结果进行更可靠的分析。

参考文献(References)

  • Baret F, Hagolle O, Geiger B, Bicheron P, Miras B, Huc M, Berthelot B, Niño F, Weiss M, Samain O, Roujean J L and Leroy M. 2007. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION: part 1: principles of the algorithm. Remote Sensing of Environment, 110 (3): 275–286. [DOI: 10.1016/j.rse.2007.02.018]
  • Baret F, Morissette J T, Fernandes R A, Champeaux J L, Myneni R B, Chen J, Plummer S, Weiss M, Bacour C, Garrigues S and Nickeson J E. 2006. Evaluation of the representativeness of networks of sites for the global validation and intercomparison of land biophysical products: proposition of the CEOS-BELMANIP. IEEE Transactions on Geoscience and Remote Sensing, 44 (7): 1794–1803. [DOI: 10.1109/TGRS.2006.876030]
  • Baret F, Weiss M, Lacaze R, Camacho F, Makhmara H, Pacholcyzk P and Smets B. 2013. GEOV1: LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part1: principles of development and production . Remote Sensing of Environment, 137 : 299–309. [DOI: 10.1016/j.rse.2012.12.027]
  • Camacho F, Cernicharo J, Lacaze R, Baret F and Weiss M. 2013. GEOV1: LAI, FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part 2: validation and intercomparison with reference products. Remote Sensing of Environment, 137 : 310–329. [DOI: 10.1016/j.rse.2013.02.030]
  • Chen J, Liao A P, Chen J, Peng S, Chen L J and Zhang H W. 2017. 30-meter global land cover data product-GlobeLand30. Geomatics World, 24 (1): 1–8. [DOI: 10.3969/j.issn.1672-1586.2017.01.002] ( 陈军, 廖安平, 陈晋, 彭舒, 陈利军, 张宏伟. 2017. 全球30 m地表覆盖遥感数据产品-GlobeLand30. 地理信息世界, 24 (1): 1–8. [DOI: 10.3969/j.issn.1672-1586.2017.01.002] )
  • Chen J M and Black T A. 1992. Defining leaf area index for non‐flat leaves. Plant Cell and Environment, 15 (4): 421–429. [DOI: 10.1111/j.1365-3040.1992.tb00992.x]
  • Claverie M, Matthews J L, Vermote E F and Justice C O. 2016. A 30+ year AVHRR LAI and FAPAR climate data record: algorithm description and validation. Remote Sensing, 8 (3): 263 [DOI: 10.3390/rs8030263]
  • Deng F, Chen J M, Plummer S, Chen M Z and Pisek J. 2006. Algorithm for global leaf area index retrieval using satellite imagery. IEEE Transactions on Geoscience and Remote Sensing, 44 (8): 2219–2229. [DOI: 10.1109/TGRS.2006.872100]
  • Fang H L, Jiang C Y, Li W J, Wei S S, Baret F, Chen J M, Garcia‐Haro J, Liang S L, Liu R G, Myneni R B, Pinty B, Xiao Z Q and Zhu Z C. 2013. Characterization and intercomparison of global moderate resolution leaf area index (LAI) products: analysis of climatologies and theoretical uncertainties. Journal of Geophysical Research: Biogeosciences, 118 (2): 529–548. [DOI: 10.1002/jgrg.20051]
  • Fang H L, Wei S S and Liang S L. 2012. Validation of MODIS and CYCLOPES LAI products using global field measurement data. Remote Sensing of Environment, 119 : 43–54. [DOI: 10.1016/j.rse.2011.12.006]
  • Fernandes R, Butson C, Leblanc S and Latifovic R. 2003. Landsat-5 TM and Landsat-7 ETM+ based accuracy assessment of leaf area index products for Canada derived from SPOT-4 VEGETATION data. Canadian Journal of Remote Sensing, 29 (2): 241–258. [DOI: 10.5589/m02-092]
  • Garrigues S, Shabanov N V, Swanson K, Morisette J T, Baret F and Myneni R B. 2008. Intercomparison and sensitivity analysis of leaf area index retrievals from LAI-2000, AccuPAR, and digital hemispherical photography over croplands. Agricultural and Forest Meteorology, 148 (8/9): 1193–1209. [DOI: 10.1016/j.agrformet.2008.02.014]
  • Hu J N, Su Y, Tan B, Huang D, Yang W Z, Schull M, Bull M A, Martonchik J V, Diner D J, Knyazikhin Y and Myneni R B. 2007. Analysis of the MISR LAI/FPAR product for spatial and temporal coverage, accuracy and consistency. Remote Sensing of Environment, 107 (1/2): 334–347. [DOI: 10.1016/j.rse.2006.06.020]
  • Knyazikhin Y, Martonchik J V, Diner D J, Myneni R B, Verstraete M, Pinty B and Gobron N. 1998. Estimation of vegetation canopy leaf area index and fraction of absorbed photosynthetically active radiation from atmosphere‐corrected MISR data. Journal of Geophysical Research: Atmospheres, 103 (D24): 32239–32256. [DOI: 10.1029/98JD02461]
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017a. MuSyQ-AMLAI-1km-2010. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017a. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2010). [DOI: 10.3974/geodb.2017.04.03.V1])
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017b. MuSyQ-AMLAI-1km-2011. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017b. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2011). [DOI: 10.3974/geodb.2017.04.04.V1])
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017c. MuSyQ-AMLAI-1km-2012. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017c. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2012). [DOI: 10.3974/geodb.2017.04.05.V1])
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017d. MuSyQ-AMLAI-1km-2013. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017d. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2013). [DOI: 10.3974/geodb.2017.04.07.V1])
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017e. MuSyQ-AMLAI-1km-2014. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017e. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2014). [DOI: 10.3974/geodb.2017.04.07.V1])
  • Li J, Liu Q H, Zhao J, Lin S R, Zhong B and Wu S L. 2017f. MuSyQ-AMLAI-1km-2015. Global Change Research Data Publishing and Repository, (4) (李静, 柳钦火, 赵静, 林尚荣, 仲波, 吴善龙. 2017f. 一带一路及其毗邻区域1 km/5 d分辨率叶面积指数数据集(2015). [DOI: 10.3974/geodb.2017.04.08.V1])
  • Liang S L, Zhao X, Liu S H, Yuan W P, Cheng X, Xiao Z Q, Zhang X T, Liu Q, Cheng J, Tang H R, Qu Y H, Bo Y C, Qu Y, Ren H Z, Yu K and Townshend J. 2013. A long-term Global LAnd Surface Satellite (GLASS) data-set for environmental studies. International Journal of Digital Earth, 6 (sup1): 5–33. [DOI: 10.1080/17538947.2013.805262]
  • Masson V, Champeaux J L, Chauvin F, Meriguet C and Lacaze R. 2003. A global database of land surface parameters at 1-km resolution in meteorological and climate models. Journal of Climate, 16 (9): 1261–1282. [DOI: 10.1175/1520-0442-16.9.1261]
  • Myneni R B, Hoffman S, Knyazikhin Y, Privette J L, Glassy J, Tian Y, Wang Y, Song X, Zhang Y, Smith G R, Lotsch A, Friedl M, Morisette J T, Votava P, Nemani R R and Running S W. 2002. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 83 (1/2): 214–231. [DOI: 10.1016/S0034-4257(02)00074-3]
  • Pisek J and Chen J M. 2007. Comparison and validation of MODIS and VEGETATION global LAI products over four BigFoot sites in North America. Remote Sensing of Environment, 109 (1): 81–94. [DOI: 10.1016/j.rse.2006.12.004]
  • Quan X W, He B B, Yebra M, Yin C M, Liao Z M and Li X. 2017. Retrieval of forest fuel moisture content using a coupled radiative transfer model. Environmental Modelling and Software, 95 : 290–302. [DOI: 10.1016/j.envsoft.2017.06.006]
  • Roujean J L and Lacaze R. 2002. Global mapping of vegetation parameters from POLDER multiangular measurements for studies of surface-atmosphere interactions: a pragmatic method and its validation. Journal of Geophysical Research: Atmospheres, 107 (D12): ACL 6-1–ACL 6-14. [DOI: 10.1029/2001JD000751]
  • Sellers P J, Dickinson R E, Randall D A, Betts A K, Hall F G, Berry J A, Collatz G J, Denning A S, Mooney H A, Nobre C A, Sato N, Field C B and Henderson-Sellers A. 1997. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere. Science, 275 (5299): 502–509. [DOI: 10.1126/science.275.5299.502]
  • Tum M, Günther K, Böttcher M, Baret F, Bittner M, Brockmann C and Weiss M. 2016. Global gap-free MERIS LAI time series (2002-2012). Remote Sensing, 8 (1): 69 [DOI: 10.3390/rs8010069]
  • Weiss M, Baret F, Garrigues S and Lacaze R. 2007. LAI and fAPAR CYCLOPES global products derived from VEGETATION. Part 2: validation and comparison with MODIS collection 4 products. Remote Sensing of Environment, 110 (3): 317–331. [DOI: 10.1016/j.rse.2007.03.001]
  • Xiang Y, Xiao Z Q, Liang S L, Wang J D and Song J L. 2014. Validation of Global LAnd Surface Satellite (GLASS) leaf area index product. Journal of Remote Sensing, 18 (3): 573–596. [DOI: 10.11834/jrs.20143117] ( 向阳, 肖志强, 梁顺林, 王锦地, 宋金玲. 2014. GLASS叶面积指数产品验证. 遥感学报, 18 (3): 573–596. [DOI: 10.11834/jrs.20143117] )
  • Xiao Z Q, Liang S L and Jiang B. 2017. Evaluation of four long time-series global leaf area index products. Agricultural and Forest Meteorology, 246 : 218–230. [DOI: 10.1016/j.agrformet.2017.06.016]
  • Xiao Z Q, Liang S L, Wang J D, Chen P, Yin X J, Zhang L Q and Song J L. 2014. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 52 (1): 209–223. [DOI: 10.1109/TGRS.2013.2237780]
  • Xiao Z Q, Liang S L, Wang J D, Xiang Y, Zhao X and Song J L. 2016. Long-time-series global land surface satellite leaf area index product derived from MODIS and AVHRR surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 54 (9): 5301–5318. [DOI: 10.1109/TGRS.2016.2560522]
  • Xu B D. 2018. Leaf Area Index Retrieval and Product Validation over Heterogeneous Land Surfaces. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth, Chinese Academy of Science, 70-72) (徐保东. 2018. 非均质地表叶面积指数反演及产品真实性检验, 北京: 中国科学院大学(中国科学院遥感与数字地球研究所, 70-72))
  • Xu B D, Li J, Liu Q H, Huete A R, Yu Q, Zeng Y L, Yin G F, Zhao J and Yang L. 2016. Evaluating spatial representativeness of station observations for remotely sensed leaf area index products. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (7): 3267–3282. [DOI: 10.1109/JSTARS.2016.2560878]
  • Xu B D, Li J, Park T, Liu Q H, Zeng Y L, Yin G F, Zhao J, Fan W L, Yang L, Knyazikhin Y and Myneni R B. 2018. An integrated method for validating long-term leaf area index products using global networks of site-based measurements. Remote Sensing of Environment, 209 : 134–151. [DOI: 10.1016/j.rse.2018.02.049]
  • Yang W Z, Huang D, Tan B, Stroeve J C, Shabanov N V, Knyazikhin Y, Nemani R R and Myneni R B. 2006a. Analysis of leaf area index and fraction of PAR absorbed by vegetation products from the terra MODIS sensor: 2000-2005. IEEE Transactions on Geoscience and Remote Sensing, 44 (7): 1829–1842. [DOI: 10.1109/TGRS.2006.871214]
  • Yin G F, Li J, Liu Q H, Zhong B and Li A N. 2016. Improving LAI spatio-temporal continuity using a combination of MODIS and MERSI data. Remote Sensing Letters, 7 (8): 771–780. [DOI: 10.1080/2150704X.2016.1182657]
  • Yu W T, Li J, Liu Q H, Zeng Y L, Yin G F, Zhao J and Xu B D. 2016. Extraction and analysis of land cover heterogeneity over China. Advances in Earth Science, 31 (10): 1067–1077. [DOI: 10.11867/j.issn.1001-8166.2016.10.1067] ( 于文涛, 李静, 柳钦火, 曾也鲁, 尹高飞, 赵静, 徐保东. 2016. 中国地表覆盖异质性参数提取与分析. 地球科学进展, 31 (10): 1067–1077. [DOI: 10.11867/j.issn.1001-8166.2016.10.1067] )
  • Zeng Y L, Li J and Liu Q H. 2012. Global LAI ground validation dataset and product validation framework: a review. Advances in Earth Science, 27 (2): 165–174. ( 曾也鲁, 李静, 柳钦火. 2012. 全球LAI地面验证方法及验证数据综述. 地球科学进展, 27 (2): 165–174. )
  • Zeng Y L, Li J, Liu Q G, Huete A R, Xu B D, Yin G F, Zhao J, Yang L, Fan W L, Wu S B and Yan K. 2016. An Iterative BRDF/NDVI inversion algorithm based on a posteriori variance estimation of observation errors. IEEE Transactions on Geoscience and Remote Sensing, 54 (11): 6481–6496. [DOI: 10.1109/TGRS.2016.2585301]
  • Zhu Z C, Bi J, Pan Y Z, Ganguly S, Anav A, Xu L, Samanta A, Piao S L, Nemani R R and Myneni R B. 2013. Global data sets of vegetation leaf area index (LAI)3g and fraction of photosynthetically active radiation (FPAR)3g derived from global inventory modeling and mapping studies (GIMMS) normalized difference vegetation index (NDVI3g) for the period 1981 to 2011. Remote Sensing, 5 (2): 927–948. [DOI: 10.3390/rs5020927]
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体