其他数据论文 I 区论文(评审中) 版本 ZH2
下载
MuSyQ高分16米/10天植被覆盖度产品(2018–2020年中国01版)
MuSyQ GF-series 16m/10days fractional vegetation cover product (from 2018 to 2020 across China version 01)
 >>
: 2021 - 06 - 21
: 2021 - 08 - 19
: 2021 - 08 - 19
731 10 0
摘要&关键词
摘要:植被覆盖度(fractional vegetation cover,FVC)是衡量地表植被状况的重要指标之一。卫星遥感是获取大范围动态FVC的主要技术手段。但目前国际上并没有高分辨率的FVC标准化产品,本文利用高分一号(GF-1)宽幅相机高时空分辨率的特点,针对森林类型基于孔隙率方法、针对非森林类型基于归一化植被指数(NDVI)像元二分法生产了中国2018–2020年16 m/10天FVC产品。本产品为中国植被遥感监测提供数据支撑。
关键词:植被覆盖度(FVC);孔隙率理论;像元二分法;中国;高分一号(GF-1)
Abstract & Keywords
Abstract: Fractional vegetation cover (FVC) is one of the important indicators to monitor the vegetation conditions on earth. Remote sensing is a main way to obtain the dynamic FVC at large scale. However, there is no standard high-resolution FVC product worldwide. Taking advantage of the high spatial and temporal resolution of Gaofen-1, MuSyQ GF-series FVC product with 16m/10days resolution in China from 2018 to 2020 (version 01) was produced using the gap probability theory for forest type and the dimidiate pixel model based on normalized difference vegetation index (NDVI) for other vegetation types. This product can provide reliable data for vegetation monitoring in China.
Keywords: Fractional vegetation cover (FVC); gap probability theory; dimidiate pixel model; China; Gaofen-1 (GF-1)
数据库(集)基本信息简介
数据库(集)名称MuSyQ高分16米/10天植被覆盖度产品(2018–2020年中国01版)
数据作者赵静,李静,张召星,吴善龙,仲波,柳钦火
数据通信作者李静(lijing01@radi.ac.cn);柳钦火(liuqh@radi.ac.cn)
数据时间范围2018–2020年
地理区域中国陆地
空间分辨率16米
时间分辨率10天
数据量3.72 TB
数据格式*.h5
数据服务系统网址http://www.doi.org/10.11922/sciencedb.j00001.00266
基金项目国家重点研发计划(2018YFA0605503);高分重大专项(21-Y20B02-9003-19/22)。
数据库(集)组成每个*.h5文件包括2个数据集,其中:(1) FVC是植被覆盖度产品数据;(2) FVC_QC是植被覆盖度产品质量控制数据。
Dataset Profile
TitleMuSyQ GF-series 16 m/10 days fractional vegetation cover product (from 2018 to 2020 across China version 01)
Data corresponding authorLI Jing (lijing01@radi.ac.cn); LIU Qinhuo (liuqh@radi.ac.cn)
Data authorsZHAO Jing, LI Jing, ZHANG Zhaoxing, WU Shanlong, ZHONG Bo, LIU Qinhuo
Time range2018–2020
Geographical scopeChina
Spatial resolution16 m
Time resolution10 days
Data volume3.72 TB
Data format*.h5
Data service system<http://www.doi.org/10.11922/sciencedb.j00001.00266>
Sources of fundingNational Key Research and Development Program (2018YFA0605503), GF Project (21-Y20B02-9003-19/22).
Dataset compositionThe product consists of 2 subsets in total. Subset 1 is made up of the fractional vegetation cover image, and Subset 2 is made up of the quality control information of each pixel.
引 言
植被覆盖度(Fractional vegetation cover,FVC)定义为单位面积内植被冠层(包括叶、茎、枝等植被组分)垂直投影面积所占比例,是衡量地表植被状况的重要指标之一。FVC是描述生态系统的重要基础数据,也是区域生态系统环境变化的重要指示,对水文、生态、区域变化等都具有重要意义[1-3]。遥感是大范围估算FVC的主要手段。目前,全球主流FVC产品以300 m–1 km分辨率为主,例如ENVISAT、CYCLOPES、GEOV、MuSyQ、GLASS和CGLS等[4-9],这些产品使用的传感器、时空分辨率及产品覆盖时间范围参见表1。
表1   FVC全球产品的主要特征
产品名称传感器时空分辨率时间覆盖范围
ENVISATMERIS1.2 km/10天2002–2012年
CYCLOPESVGT1 km/10天1998–2007年
GEOVVGT1 km/10天1999年至今
MuSyQMODIS, FY31 km/5天2010年至今
GLASSAVHRR5 km/8天1982年至今
MODIS500 m/8天2000年至今
CGLSPROBA-V300 m/10天1999年至今
目前使用最广泛的FVC产品仍是以GEOV和GLASS产品为主的中低分辨率产品,但在区域建模与生态过程模拟分析中,亟需更高分辨率的FVC信息监测植被生长状况。虽然在过去的几十年中不同国家成功发射了多颗中高分辨率卫星,但到目前为止仍没有形成有效的植被参数反演产品。中高分辨率卫星应用的局限在于卫星较长的重访周期,例如Landsat系列的重访周期是16天、SPOT是26天、CBERS是26天、ASTER是16天,从而导致区域无过境数据或者由于云覆盖导致的数据缺失,严重制约了中高分辨率时空连续的FVC产品生产与应用。
中国在2013年4月26日发射的“高分一号”(GF-1)卫星,搭载了4台16m分辨率宽幅相机(WFV),其视场拼接幅宽可达到800 km,全球重访周期小于4天。高时空分辨率GF-1 WFV数据为区域FVC反演和产品生成提供重要的数据支撑。本文利用GF-1高时空分辨率的优势,利用针对森林类型的基于孔隙率估算方法和针对非森林类型的像元二分法估算方法生产了MuSyQ高分系列中国区域2018–2020年16 m /10天分辨率的FVC产品01版。
1   数据采集和处理方法
1.1   数据源
本文使用基于GF-1宽幅相机反射率数据定量反演的归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)和叶面积指数(Leaf Area Index,LAI)产品作为输入,以地表覆盖分类产品、气候分区产品作为辅助数据,结合不同植被类型、不同气候分区的聚集指数和NDVI系数查找表进行FVC产品生产。产品空间范围覆盖中国全境,空间分辨率为16 m,时间范围从2018–2020年,时间分辨率为4天。
1.2   数据处理
本文建立GF-1宽幅相机全国16m/10天FVC产品算法体系。针对森林类型,利用GF-1 LAI 16 m/10天产品和不同植被类型、不同气候分区的聚集指数查找表使用基于孔隙率的反演算法,反演FVC与森林监测中郁闭度的概念更接近;针对非森林植被类型,利用GF-1 16 m/10天NDVI产品和不同植被类型、不同气候分区的NDVImin、NDVImax和非线性系数k查找表使用像元二分法反演,反演FVC与草地等监测需求更吻合。反演流程如图1所示。


图1   基于GF-1数据16m/10天FVC产品算法流程图
利用孔隙率理论反演算法中聚集指数是主要输入参数之一,但目前缺乏高分辨率的聚集指数产品,因此本文基于高分辨率地表覆盖分类图,选择500 m空间分辨率均质像元,统计2001–2018年500 m/8天合成聚集指数均值形成不同气候带、不同植被类型的聚集指数先验知识查找表。基于像元二分法的估算方法涉及3个关键系数:NDVImin、NDVImax和非线性系数k,其中NDVImax和NDVImin统计不同植被区划、不同植被类型的GF-1 NDVI产品在时间序列上的最大值和最小值,非线性系数k通过MODIS NDVI和GEOV1 FVC产品进行非线性像元二分模型拟合求解得到。
GF-1 16 m/10天FVC产品的生产流程如下:1)基于地表分类图,判断像元植被类型;2)针对森林像元,利用气候分区产品、GF-1 16 m/10天LAI产品和不同植被类型、不同气候分区的聚集指数查找表,调用基于孔隙率反演算法反演;3)针对非森林像元,利用GF-1 16 m/10天NDVI产品和不同植被类型、不同气候分区的NDVImin、NDVImax和非线性系数k查找表,基于孔隙率的反演算法反演;4)添加产品质量描述符。
2   数据样本描述
2.1   数据信息及结构描述
GF-1 16m/10天植被覆盖度产品存储格式为HDF5 (*.h5),参考美国军用网格参考系统 (US-Military Grid Reference System,US-MGRS)进行分幅,每个文件大小约为45 MB,包含植被覆盖度信息(FVC)和质量控制信息(FVC_QC)两个数据集,其基本信息和数据结构描述详见表1。
表1   GF1 16 m/10天植被覆盖度产品信息及结构描述
数据集FVCFVC_QC
数据类型Int16Int16
像元数量6863×68636863×6863
转换系数0.0011
填充值-327683
地理坐标系WGS1984WGS1984
投影方式UTMUTM
2.2   数据样本
使用1.2节的数据处理方法,得到了2018–2020年中国地区16m/10天植被覆盖度产品。图2为全国2019年第三季度16 m/10天GF-1 FVC产品,图3为甘肃黑河实验观测样点在植被生长期内多时相FVC产品与局部FVC时间序列图。



(a)


(b)


(c)


(d)


(e)


(f)


(g)


(h)


(i)

图2   2019年第三季度FVC产品示意图
(a) DOY 141 (b) DOY 151 (c) DOY 161 (d) DOY 181 (e) DOY 191 (f) DOY 211 (g) DOY 221 (h) DOY 231 (i) DOY 241


图3   2019年植被生长期内多时相FVC产品与对应红色样点的年内时间序列曲线
3   数据质量控制和评估
生产过程中确定了GF1 FVC产品生产的流程,规范了生成产品的数据格式、数据结构、命名规则等,使数据产品生产标准化。在质量控制方面对GF1 FVC产品进行了逐像元的数据质量标识,每个像元对应一个质量描述符,并储存在了FVC_QC数据集中:其中0表示森林孔隙率方法,1表示非森林像元二分法,2表示其他类型像元二分法,3表示填充值。用户可根据个性化需求筛选数据。
本产品利用2018年甘肃黑河站、吉林净月潭站、河北塞罕坝站的农田和森林类型共78个实测点地面观测数据对GF-1 16 m分辨率FVC产品进行直接检验。图4验证结果表明:在实验区内GF-1 16 m/10天FVC反演结果与地面实测数据均方根误差RMSE为0.23,决定系数R2为0.59,标准偏差BIAS为0.08。此外,利用甘肃黑河站农作物地面采样点多时相观测数据验证,2018年黑河站农作物样点在生长周期内的FVC反演精度与地面实测数据具有较好的一致性(图5)。FVC产品精度满足应用监测需求。


图4   2018年GF-1 FVC产品直接验证结果


图5   黑河农作物样方2018年全年FVC产品与地面实测数据时间序列曲线
4   数据价值
植被覆盖度是反映研究区的植被情况的重要指标之一,利用遥感技术手段提取的植被覆盖度主要指绿色植被覆盖度,定义为植被绿色组分在地面的垂直投影面积占统计区总面积的百分比,本文采用的即是绿色植被覆盖度。目前,国际上的发布多个时空连续的全球和区域植被覆盖度产品,空间分辨率为300 m–1 km,难以满足日益精细化的应用需求。截至目前,还没有正式发布并广泛应用的标准化的中高分辨率FVC产品。本产品利用国产卫星GF-1 WFV宽幅相机的时空分辨率优势,生产出高时空分辨率(16 m/10天)的植被覆盖度产品。在生产过程中,针对森林类型特点建立的基于孔隙率理论的植被覆盖度反演算法,和适用于其他植被类型的基于不同气候带的植被指数像元二分法,提高反演成功率。本产品覆盖中国全境,为中国植被遥感监测提供数据支撑。
5   数据使用方法和建议
MuSyQ高分系列中国区域16m/10天植被覆盖度产品存储格式为*.h5格式,能够在ENVI等相关软件中进行读取、编辑及分析工作,也可使用MATLAB、Python等编程语言进行更加便捷地读取、处理和分析。
[1]
BIAN J H, LI A N, ZHANG Z J, et al. Monitoring fractional green vegetation cover dynamics over a seasonally inundated alpine wetland using dense time series HJ-1A/B constellation images and an adaptive endmember selection LSMM model[J]. Remote Sensing of Environment, 2017, 197: 98–114. DOI:10.1016/j.rse.2017.05.031.
[2]
GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76–87. DOI:10.1016/S0034-4257(01)00289-9.
[3]
JIAPAER G, CHEN X, BAO A M. A comparison of methods for estimating fractional vegetation cover in arid regions[J]. Agricultural and Forest Meteorology, 2011, 151(12): 1698–1710. DOI:10.1016/j.agrformet.2011.07.004.
[4]
BACOUR C, BARET F, BÉAL D, et al. Neural network estimation of LAI, fAPAR, fCover and LAI × Cab, from top of canopy MERIS reflectance data: Principles and validation[J]. Remote Sensing of Environment, 2006, 105(4): 313–325. DOI:10.1016/j.rse.2006.07.014.
[5]
BARET F, HAGOLLE O, GEIGER B, et al. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION: Part 1: Principles of the algorithm[J]. Remote Sensing of Environment, 2007, 110(3): 275–286. DOI:10.1016/j.rse.2007.02.018.
[6]
JIA K, LIANG S L, LIU S H, et al. Global land surface fractional vegetation cover estimation using general regression neural networks from MODIS surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(9): 4787–4796. DOI:10.1109/TGRS.2015.2409563.
[7]
X H M, Q H L, G Y R. A 1 km/5 day fractional vegetation cover dataset over China-ASEAN (2013)[J]. Journal of Global Change Data & Discovery, 2017, 1(1): 45–51. DOI:10.3974/geodp.2017.01.07.
[8]
FUSTER B, SÁNCHEZ-ZAPERO J, CAMACHO F, et al. Quality assessment of PROBA-V LAI, fAPAR and fCOVER collection 300 m products of Copernicus global land service[J]. Remote Sensing, 2020, 12(6): 1017. DOI:10.3390/rs12061017.
[9]
ZHAO J, LI J, LIU Q H, et al. Estimating fractional vegetation cover from leaf area index and clumping index based on the gap probability theory[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 90: 102112. DOI:10.1016/j.jag.2020.102112.
数据引用格式
赵静, 李静, 张召星, 等. MuSyQ高分16米/10天植被覆盖度产品(2018–2020年中国01版)[DB/OL]. Science Data Bank, 2021. (2021-08-18). DOI: 10.11922/sciencedb.j00001.00266.
稿件与作者信息
论文引用格式
赵静, 李静, 张召星, 等. MuSyQ高分16米/10天植被覆盖度产品(2018–2020年中国01版)[J/OL]. 中国科学数据, 2021. (2021-06-21). DOI: 10.11922/11-6035.csd.2021.0037.zh.
赵静
Zhao Jing
主要承担工作:GF-1植被覆盖度产品算法及验证研究、论文撰写。
女,北京市人,博士研究生,研究方向为定量遥感。
李静
Jing Li
主要承担工作:研究思路及方案设计、论文撰写指导。
lijing01@radi.ac.cn
女,黑龙江省齐齐哈尔市人,博士,研究方向为植被遥感。
张召星
Zhaoxing Zhang
主要承担工作:数据预处理、产品算法实现、发布产品。
男,新疆维吾尔自治区昌吉回族自治州人,硕士,研究方向为定量遥感。
吴善龙
Wu Shanlong
主要承担工作:系统集成方案设计、产品生产。
男,浙江省义乌市人,硕士,研究方向为定量遥感。
仲波
Bo Zhong
主要承担工作:数据预处理方案设计、产品生产与发布。
男,四川省雅安市人,硕士,研究方向为定量遥感。
柳钦火
Qinhuo Liu
主要承担工作:项目推广、研究方案设计。
liuqh@aircas.ac.cn
男,江西省九江市人,博士,研究方向为定量遥感。
出版历史
I区发布时间:2021年8月19日 ( 版本ZH2
参考文献列表中查看
中国科学数据
csdata