CN106296630A - 一种站点lai观测在遥感产品像元尺度内空间代表性评价方法 - Google Patents

Abstract

本发明公开了一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，包括以下步骤：一、获取站点观测时相对应的高空间分辨率影像，得到反射率数据；二、利用植被冠层物理模型生成LAI与反射率查找表，结合反射率数据，生成站点观测对应的LAI高分参考图并对其进行评价，确保得到一定精度的LAI高分参考图；三、计算站点观测植被类型代表性评价指标DVTP和站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE和CS；四、根据不同等级代表性误差最大可分原则，将站点观测在产品像元尺度内空间代表性的等级分为L0‑L4共五级。本发明验证精度和可靠性高，评价指标计算方式简单且较易实现，可为LAI产品在气候变化研究、农业估产以及环境监测等提供参考。

Description

一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法

技术领域

本发明涉及卫星遥感技术领域，特别的，涉及一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法。

背景技术

叶面积指数(Leaf Area Index,LAI)定义为单位地面面积上所有叶子单面表面积总和，是描述植被光合作用、蒸散及陆表能量平衡的重要生物物理参量，也是陆地生态***碳水循环模型的关键输入参数。目前，以遥感技术为手段生产了多种全球尺度的LAI产品，如GLASS、CYCLOPES和MODIS LAI等。为了使全球LAI产品能够满足上述研究需求，其绝对精度和相对精度一般分别需要达到±0.5和20％以内。因此十分有必要获取可靠的全球LAI产品验证数据集，并在此基础上对全球LAI产品进行真实性检验。目前已有多个LAI验证工作开展，在一定程度上对LAI产品精度进行说明，但是同时也存在一些不足之处及需要改进的方面,主要表现如下：

(1)当前的验证工作受野外观测实验限制

目前LAI产品真实性检验所使用的地面验证数据集大多是野外实验观测获取大小在30m×30m左右的样方LAI测量值，通过相应的高空间分辨率遥感影像建立其与光谱植被指数(Spectral Vegetation Index,SVI)间的经验关系并获得高空间分辨率LAI参考图，在LAI产品像元内将高空间分辨率LAI参考图聚合(求均值)用于对LAI反演结果的真实性检验。目前已在北美洲、欧洲、亚洲、非洲、南美和大洋洲等区域分别针对LAI产品真实性检验工作开展了特定的野外观测实验。但是野外实验观测需要在研究区域内多点采样，且受到人力物力等影响，研究区域有限。因此，基于野外实验开展的验证工作是有限的，尤其是对全球尺度LAI产品的验证。

(2)全球范围内站点连续观测LAI数据为遥感产品验证提供了新的数据来源

地面LAI测量的主要方式包括野外实验观测和站点组网观测两种方式。野外实验观测的优势在于可以达到地面观测与卫星数据同步，然而野外实验观测难以在全球范围内开展，成本因素也导致了其难以形成长时间序列LAI验证数据集。因此，基于野外实验观测的方式难以全面衡量全球LAI产品的精度。另一方面，全球范围内存在已有的站点组网LAI观测数据，如国际通量观测研究网络(FLUXNET)成立于1995年，分为7个主要的区域性通量研究网络，包含全球500多个站点，其中有LAI观测的站点超过300个。中国生态***研究网络(Chinese Ecosystem Research Network,CERN)等，成立于1988年，包含6种不同地表类型共40个站点，有LAI观测的站点大约30个。这些站点组网提供了全球分布、覆盖不同植被类型、时间连续的地面LAI观测数据，可以为LAI产品长时间序列的真实性检验提供良好的数据基础。

(3)站点观测数据的利用需要在产品像元尺度内进行空间代表性评价研究

由于站点测量LAI的方式是在站点周围划定几十米的样方进行单点观测，而全球LAI产品多是在百米甚至千米空间尺度。不同站点受地表空间异质性影响不同，LAI测量结果对产品像元尺度LAI值的代表性不同，如将站点观测不经筛选同时使用，会给产品验证结果带来不确定性。因此在使用站点观测数据对全球LAI产品真实性检验时，首先需要评价站点LAI观测的空间代表性并对站点观测数据进行筛选，选择在产品像元尺度空间代表性较好的站点观测用于LAI产品像元尺度验证数据集。

发明内容

有鉴于此，本发明的目的是提供一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，它可以充分利用全球范围内已有站点连续观测数据，经过空间代表性评价后用于全球LAI产品的验证，是一种对全球LAI产品现有验证工作补充的实用技术方法。

本发明的目的是通过以下技术方案实现：一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，包括以下步骤：

步骤S1、获取站点观测时相对应的高空间分辨率影像(HJ-1/CCD，Landsat/TM等)，经过区域裁剪、几何校正和辐射校正等数据预处理后，得到反射率数据；

步骤S2、利用植被冠层物理模型模拟冠层的反射率生成查找表，然后结合步骤S1获取的高分辨率影像反射率数据，生成站点观测对应的LAI高分参考图；基于站点LAI观测对生成的高分参考图进行评价，确保得到一定精度的LAI高分参考图；

步骤S3、利用已有的高空间分辨率的地表覆盖分类图，在产品像元尺度内计算站点观测植被类型代表性评价指标DVTP；利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE和CS；

步骤S4、根据不同等级代表性误差最大可分原则，并控制不同等级的平均代表性误差在一定范围内，确定不同评价指标的最优阈值，将站点观测在产品像元尺度内空间代表性的等级分为L0-L4共五级。

进一步地，所述步骤S2中生成站点观测对应时相的LAI高分参考图，其子步骤如下：

S21、根据目前已有的植被冠层物理模型，对于农田和草地植被类型，采用PROSAIL模型建立反射率查找表；

S22、对于森林植被类型，采用4-scale模型建立反射率查找表；

S23、然后与高分辨率影像反射率数据进行对比，通过对查找表进行查找反演得到LAI值；

S24、根据地面站点观测对得到的LAI高分参考图进行评价，然后通过对反射率查找表进行调整，使反演得到的LAI高分参考图满足一定精度。

进一步地，步骤S3所述的利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE具体为：

借助于LAI高分参考图，构建相对空间采样误差(Relative SpatialSampling Error，RSSE)指标，用于衡量站点观测对应的高分辨像元与高分辨率影像在产品像元尺度内聚合后的值的差异，RSSE的定义如以下公式所示：

$\mathrm{RSSE}\left(s\right)=\frac{|x_s-\stackrel{\‾}{x}\left(s\right)|}{x_s}\×100$

式中s代表产品像元尺度大小。为高分辨率LAI参考图在站点位置周边像元尺度s内聚合后的值，x_s为站点位置对应的高分参考图像元LAI值；

进一步地，步骤S3所述的利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标CS具体为：

借助于LAI高分参考图，利用半方差函数拟合方法构建基台系数(Coefficient of Sill，CS)指标，用于衡量站点观测所处的产品像元内部空间异质性。CS定义如以下公式所示：

$\mathrm{CS}\left(s\right)=\frac{\sqrt{c_0\left(s\right)+c\left(s\right)}}{\mathrm{\μ}\left(s\right)}\×100$

其中，c₀(s)+c(s)为在像元尺度s内高分LAI/NDVI参考图的基台值，μ(s)为在像元尺度s内高分LAI/NDVI参考图的均值。

进一步地，步骤S3所述的利用已有的高空间分辨率的地表覆盖分类图，在产品像元尺度内计算站点观测植被类型代表性评价指标DVTP,具体步骤如下：

植被与非植被混合而带来的空间异质性通过地表覆盖分类图进行分析，以计算像元尺度内主要植被类型比例(Dominant Vegetation TypePercent,DVTP)指标来说明，计算方式如以下公式如示：

$\mathrm{DVTP}\left(s\right)=\frac{A\left(s\right)}{{\mathrm{\Σ}}_{i=1}^{N\left(s\right)}{n}_i\left(s\right)}\×100$

式中s代表像元尺度大小，A(s)代表站点观测的植被类型在产品像元尺度的面积，n_i(s)代表像元尺度为s的第i类植被类型的面积，N(s)代表像元尺度为s的总地物类别个数。

进一步地，步骤S4中不同等级代表性误差最大可分原则具体为：

首先，站点观测代表性误差(Representativeness Error,RE)计算公式如下

RE_pk(LAI)＝|S_pk(LAI)-M_pk(LAI)|

式中S_pk(LAI)代表第k个站点在第p等级时站点位置对应的LAI高分参考图像元值，M_pk(LAI)代表第k个站点在第p等级时产品像元尺度内的LAI高分参考图均值。其次，采用平均可分离性指标(Mean SeparabilityIndex,MSI)对不同等级的观测代表性误差区分度进行描述，计算公式如下：

$\mathrm{MSI}\left(\mathrm{RE}\right)=\frac{2}{m(m-1)}{\mathrm{\Σ}}_{i=1}^{m-1}{\mathrm{\Σ}}_{j=i+1}^m\frac{|{\mathrm{MRE}}_i-{\mathrm{MRE}}_j|}{{\mathrm{SDRE}}_i+{\mathrm{SDRE}}_j}$

MRE_i和MRE_j分别表示代表性误差RE的均值；SDRE_i和SDRE_j分别表示代表性误差RE的标准差，用于说明等级内的代表性误差波动幅度。MSI越大，说明不同等级可分性越好。

进一步地，步骤S4中确定不同评价指标的最优阈值具体为：

首先，根据MODIS地表分类产品(MCD12Q1)像元分类规则，以像元内某一类地物比例达到60％进行像元类别确定。当DVTP>60％时，站点观测的植被类型与产品像元尺度内的植被类型一致，对产品像元尺度的植被类型具有空间代表性；

RSSE和CS的阈值划分通过选取不同等级代表性误差分离性指标MSI最大，同时限制每个等级的平均代表性误差均值范围，用于选择分别对应的RSSE和CS阈值。

进一步地，步骤S4中将站点观测在产品像元尺度内空间代表性的等级分为L0-L4共五级具体为：当DVTP小于设定阈值时，直接划分为L4级；当DVTP大于设定阈值时，根据RSSE和CS与阈值的关系分为L0-L3级，其中RSSE和CS都小于对应的阈值时是L0级；RSSE小于阈值而CS大于阈值时对应L1级；RSSE大于阈值而CS小于阈值时对应L2级；最后当RSSE和CS都大于阈值时对应L3级。

更进一步地，L0-L4五个等级的站点观测在产品像元尺度代表性情况基本为：

L0级站点LAI观测：站点观测与像元尺度值的一致性较好，同时像元尺度内地表也比较均质，此时代表性程度最高；

L1级站点LAI观测：站点观测所处的产品像元内地表空间异质性较大，但是由于偶然情况，站点观测与像元尺度值的一致性较好，此时代表性程度较高而稳定度不高；

L2级站点LAI观测：站点观测所处的产品像元内地表较为均质，但是由于站点观测处在像元尺度内异常点处，与像元尺度值的一致性较差，因此此时代表性程度较低；

L3级站点LAI观测：站点观测与像元尺度值一致性较差，同时所处的产品像元内空间异质性较强，此时站点观测空间代表性程度更低；

L4级站点LAI观测：站点观测植被类型与产品像元尺度内主要植被类型不一致，此时站点观测植被类型不能够反映产品实际植被类型，站点观测对产品像元没有空间代表性。

本发明的有益效果是：

本发明提出了站点LAI观测在遥感产品尺度的空间代表性评价方法。通过设计DVTP、RSSE和CS三个定量指标，综合描述站点观测在分析尺度上的空间代表性，将站点观测的空间代表性分为五级，描述站点观测在对应尺度上验证LAI产品的适用性。通过选择空间代表性等级较高的观测，在一定程度上能够提高验证的可靠性。评价指标计算方式简单且较易实现，可为LAI遥感产品真实性检验提供补充数据集，从而能够更可靠的获取产品验证精度，为LAI产品在气候变化研究、农业估产以及环境监测等提供参考。

附图说明

图1显示了本发明的站点LAI观测在遥感产品像元尺度内空间代表性评价方法***流程图；

图2显示了本发明的LAI高分参考图反演精度验证图；

图3显示了本发明的CERN站网农田站和森林站不同观测时相在1km像元尺度内空间代表性等级图

图4显示了本发明的CERN站网全部观测对MODIS LAI产品验证结果图。

图5显示了本发明的CERN站网L0和L1级观测对MODIS LAI产品验证结果图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，包括以下步骤：

步骤S1、获取站点观测时相对应的高空间分辨率影像(HJ-1/CCD，Landsat/TM等)，经过区域裁剪、几何校正和辐射校正等数据预处理后，得到反射率数据；

步骤S2、利用植被冠层物理模型模拟冠层的反射率生成查找表，然后结合步骤S1获取的高分辨率影像反射率数据，生成站点观测对应的LAI高分参考图；基于站点LAI观测对生成的高分参考图进行评价，确保得到一定精度的LAI高分参考图；

步骤S3、利用已有的高空间分辨率的地表覆盖分类图，在产品像元尺度内计算站点观测植被类型代表性评价指标DVTP；利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE和CS；

步骤S4、根据不同等级代表性误差最大可分原则，并控制不同等级的平均代表性误差在一定范围内，确定不同评价指标的最优阈值，将站点观测在产品像元尺度内空间代表性的等级分为L0-L4共五级。

其中，步骤S2所述的生成站点观测对应时相的LAI高分参考图，其具体过程如下：

根据目前已有的植被冠层物理模型，对于农田和草地植被类型，采用PROSAIL模型建立反射率查找表；对于森林植被类型，采用4-scale模型建立反射率查找表。然后与高分辨率影像反射率数据进行对比，通过对查找表进行查找反演得到LAI值。根据地面站点观测对得到的LAI高分参考图进行评价，然后通过对反射率查找表进行调整，使反演得到的LAI高分参考图满足一定精度。

对于步骤S3所述的基于高空间分辨率地表覆盖分类图和LAI高分参考图计算得到评价指标，其具体过程如下：

首先，由于LAI产品反映的是公里级像元整体特征，而站点LAI测量值则是像元内部分区域的特征。因此，最直接的评价方式是点观测对像元尺度整体特征在统计意义上的代表性，借助于LAI高分参考图，构建相对空间采样误差(Relative Spatial Sampling Error，RSSE)指标，用于衡量站点观测对应的高分辨像元与高分辨率影像在产品像元尺度内聚合后的值的差异。RSSE的定义如公式(1)所示。

$\mathrm{RSSE}\left(s\right)=\frac{|x_s-\stackrel{\‾}{x}\left(s\right)|}{x_s}\×100---\left(1\right)$

式(1)中s代表产品像元尺度大小。为高分辨率LAI参考图在站点位置周边像元尺度s内聚合后的值，x_s为站点位置对应的高分参考图像元LAI值。RSSE值越小，说明站点观测值与产品像元尺度值越接近，站点LAI观测在像元尺度内的空间代表性程度越高。

其次，由于站点观测的空间代表性与地表的空间异质性密切联系，因此评价站点观测在产品像元尺度的空间代表性需要同时考虑地表空间异质性的影响。植被LAI的空间异质性分为植被与非植被混合带来的空间异质性以及植被内部不同长势带来的空间异质性两种方式。其中，植被与非植被混合而带来的空间异质性通过地表覆盖分类图进行分析，以计算像元尺度内主要植被类型比例(Dominant Vegetation Type Percent,DVTP)指标来说明，计算方式如公式(2)如示。

$\mathrm{DVTP}\left(s\right)=\frac{A\left(s\right)}{{\mathrm{\Σ}}_{i=1}^{N\left(s\right)}{n}_i\left(s\right)}\×100---\left(2\right)$

式(2)中s代表像元尺度大小，A(s)代表站点观测的植被类型在产品像元尺度的面积，n_i(s)代表像元尺度为s的第i类植被类型的面积，N(s)代表像元尺度为s的总地物类别个数。DVTP越大，说明像元尺度内站点观测的植被类型所占比例越高，站点观测的植被类型对产品像元尺度的植被类型的代表性程度越高。

对于不同植被密度和长势带来的空间异质性，需借助LAI高分参考图进行分析。选用半方差函数用于描述像元尺度的植被密度和长势的空间异质性特征，半方差函数计算如公式(3)所示。

$\mathrm{\γ}\left(h\right)=\frac{1}{2N\left(h\right)}{\mathrm{\Σ}}_{i=1}^{N\left(h\right)}{(z\left(x_i\right)-z(x_i+h))}^2---\left(3\right)$

式(3)中N(h)为两个点间隔h的点对数总和；z(x_i)代表在像元x_i处高分LAI/NDVI参考图的值，z(x_i+h)代表距离像元x_i间距h时高分LAI/NDVI参考图的值。在产品像元尺度内，计算每个间距h时的半方差值，根据h和对应的半方差值绘制半方差图像，通过球面模型拟合半方差图像，得到反映空间结构及属性变化的模型参数，拟合模型如公式(4)所示。

${\mathrm{\γ}}_{\mathrm{sph}}\left(h\right)=\left\{\begin{array}{ccc}{c}_0+c\·(\frac{3h}{2a}-\frac{1}{2}\·{\left(\frac{h}{a}\right)}^3)& \mathrm{if}& h\≤a\\ c_0+c& \mathrm{if}& h>a\end{array}\right.---\left(4\right)$

模型拟合参数基台值(c₀+c)用于表示区域内的最大变异程度，因此，构建基台系数(Coefficient of Sill,CS)指标来进行评价植被不同长势所带来的空间异质性。CS定义如公式(5)所示。

$\mathrm{CS}\left(s\right)=\frac{\sqrt{c_0\left(s\right)+c\left(s\right)}}{\mathrm{\μ}\left(s\right)}\×100---\left(5\right)$

c₀(s)+c(s)为在像元尺度s内高分LAI/NDVI参考图的的基台值，μ(s)为在像元尺度s内高分LAI/NDVI参考图的均值。当CS越大，说明产品像元尺度内相对空间变异程度越大。像元内部空间异质性越大，则站点观测LAI的空间代表性程度越低。

由于不同产品尺度大小所包含的地物特征是不一致的，因此以上评价指标都是与特定产品像元尺度相对应的，可用于评价站点观测在不同像元尺度LAI产品的空间代表性。

对于步骤S4利用计算的站点观测空间代表性评价指标设定阈值，从而对站点观测空间代表性进行质量分级，具体过程如下：

为了定量评价LAI观测在产品像元尺度的空间代表性，需要对评价指标DVTP、RSSE和CS划分阈值进行定量分级。根据评价指标代表的不同意义，划分为L0-L4共五个等级。当DVTP小于设定阈值时，直接划分为L4级；当DVTP大于设定阈值时，根据RSSE和CS与阈值的关系分为L0-L3级，其中RSSE和CS都小于对应的阈值时是L0级；RSSE小于阈值而CS大于阈值时对应L1级；RSSE大于阈值而CS小于阈值时对应L2级；最后当RSSE和CS都大于阈值时对应L3级。因此，定量分级前需要对评价指标对应的阈值进行确定。根据MODIS地表分类产品(MCD12Q1)像元分类规则，以像元内某一类地物比例达到60％进行像元类别确定。因此当DVTP>60％时，站点观测的植被类型与产品像元尺度内的植被类型一致，对产品像元尺度的植被类型具有空间代表性。RSSE和CS的阈值划分通过代表性误差(Representativeness Error,RE)来衡量，计算如公式(6)所示。

RE_pk(LAI)＝|S_pk(LAI)-M_pk(LAI)| (6)

S_pk(LAI)代表第k个站点在第p等级时站点位置对应的LAI高分参考图像元值，M_pk(LAI)代表第k个站点在第p等级时产品像元尺度内的LAI高分参考图均值。阈值选择标准分为两方面：一是每个等级的平均代表性误差需要满足在一定的范围；其次，为了确保分级的有效性，各个等级之间的平均代表性误差需要尽可能区分，并且每一级代表性误差波动幅度较小。采用平均可分离性指标(Mean Separability Index,MSI)对不同等级的代表性误差区分度进行描述，计算如公式(7)所示。

$\mathrm{MSI}\left(\mathrm{RE}\right)=\frac{2}{m(m-1)}{\mathrm{\Σ}}_{i=1}^{m-1}{\mathrm{\Σ}}_{j=i+1}^m\frac{|{\mathrm{MRE}}_i-{\mathrm{MRE}}_j|}{{\mathrm{SDRE}}_i+{\mathrm{SDRE}}_j}---\left(7\right)$

MRE_i和MRE_j分别表示代表性误差RE的均值；SDRE_i和SDRE_j分别表示代表性误差RE的标准差，用于说明等级内的代表性误差波动幅度。通过选择合理的平均代表性误差均值范围和最大的分离性指标MSI对应的RSSE和CS阈值，从而确定不同评价指标的最优阈值。

质量分级通常将站点LAI观测在遥感产品像元尺度内空间代表性分为五级。根据以上方法，五个等级的站点观测在产品像元尺度代表性情况基本为：

L0级站点LAI观测：在观测数据集中，站点观测与像元尺度值的一致性较好，同时像元尺度内地表也比较均质，此时代表性程度最高。

L1级站点LAI观测：站点观测所处的产品像元内地表空间异质性较大，但是由于偶然情况，站点观测与像元尺度值的一致性较好，此时代表性程度较高而稳定度不高。

L2级站点LAI观测：站点观测所处的产品像元内地表较为均质，但是由于站点观测处在像元尺度内异常点处，与像元尺度值的一致性较差，因此此时代表性程度较低。

L3级站点LAI观测：站点观测与像元尺度值一致性较差，同时所处的产品像元内空间异质性较强，此时站点观测空间代表性程度更低。

L4级站点LAI观测：站点观测植被类型与产品像元尺度内主要植被类型不一致，此时站点观测植被类型不能够反映产品实际植被类型，站点观测对产品像元没有空间代表性。

基于以上对本发明的工作原理及其功能的叙述,本实施例用中国生态***研究网络(Chinese Ecosystem Research Network,CERN)农田站和森林站2010年观测的LAI数据，用于在MODIS LAI产品像元尺度内空间代表性评价。

第一步，下载对应站点观测时相的HJ-1/CCD影像，首先利用定标参数对影像进行辐射定标，其次用6S模型对影像进行大气校正，最后进行几何校正，控制校正精度在0.5个像元以内。然后以站点位置为中心，裁剪5km×5km影像数据用于站点观测空间代表性评价。

第二步，根据目前已有的植被冠层物理模型，对于农田和草地植被类型，采用PROSAIL模型建立反射率查找表，模型主要参数输入如表1所示；对于森林植被类型，采用4-scale模型建立反射率查找表，模型主要输入参数如表2所示，其中太阳与观测天顶角以及相对方位角度信息可以从影像中直接提取。然后与高分辨率影像反射率数据进行对比，查找得到LAI值。根据地面站点观测对得到的LAI高分参考图进行验证，验证结果见图2。可以看出反演精度RMSE在0.5左右，R²达到了0.89，能够满足高分参考图用于评价指标计算的精度要求。

表1 PROSAIL模型关键输入参数表

表2 4-scale模型关键输入参数表

第三步，根据评价指标的定义，选择30m空间分辨率的地表覆盖分类图计算DVTP，然后用第二步生成的LAI高分参考图计算评价指标RSSE和CS。

第四步，设定不同等级的平均代表性误差范围，对L0级平均代表性误差范围设置为0-0.1，L1级观测平均代表性误差范围为0.1-0.2，L2级观测平均代表性误差范围为0.2-0.3，剩余站点观测划分为L3级。基于阈值划分标准，选择使MSI值最大时分别对应的RSSE和CS阈值。因此得到阈值结果及每个等级下站点观测空间代表性误差统计如表3所示。从表3可以看出，不同等级下的代表性误差能够得到较好的区分。

表3 最大MSI下对应的评价指标阈值及每个等级下代表性误差统计

因此，基于评价指标阈值选取原则，DVTP阈值设置为60％，RSSE和CS阈值分别为25％和20％，对站点观测分级结果如图3所示。基于设定的指标阈值，分别选择L0-L1级和全部站点观测对MODIS LAI产品进行验证，产品验证结果如图4和图5所示。从图4可以看出，未经过空间代表性评价的站点观测都用于产品验证时，RMSE和R²分别为1.675和0.178，产品验证精度较低。而图5显示经过空间代表性评价后，选择代表性等级较高的L0-L1级观测对产品进行验证，RMSE和R²分别为0.894和0.607。这是由于未经过空间代表性评价时，站点观测用于代表产品像元尺度的误差较大，会对产品验证结果精度带来一定的低估。因此站点观测在遥感产品像元尺度内空间代表性评价是必要的，在一定程度上能够提高产品验证结果的可靠性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

1.一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，包括以下步骤：

步骤S1、获取站点观测时相对应的高空间分辨率影像(HJ-1/CCD，Landsat/TM等)，经过区域裁剪、几何校正和辐射校正等数据预处理后，得到反射率数据；

步骤S2、利用植被冠层物理模型模拟冠层的反射率生成查找表，然后结合步骤S1获取的高分辨率影像反射率数据，生成站点观测对应的LAI高分参考图；基于站点LAI观测对生成的高分参考图进行评价，确保得到一定精度的LAI高分参考图；

步骤S3、利用已有的高空间分辨率的地表覆盖分类图，在产品像元尺度内计算站点观测植被类型代表性评价指标DVTP；利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE和CS；

步骤S4、根据不同等级代表性误差最大可分原则，并控制不同等级的平均代表性误差在一定范围内，确定不同评价指标的最优阈值，将站点观测在产品像元尺度内空间代表性的等级分为L0-L4共五级。

2.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，所述步骤S2中生成站点观测对应时相的LAI高分参考图，其子步骤如下：

S21、根据目前已有的植被冠层物理模型，对于农田和草地植被类型，采用PROSAIL模型建立反射率查找表；

S22、对于森林植被类型，采用4-scale模型建立反射率查找表；

S23、然后与高分辨率影像反射率数据进行对比，通过对查找表进行查找反演得到LAI值；

S24、根据地面站点观测对得到的LAI高分参考图进行评价，然后通过对反射率查找表进行调整，使反演得到的LAI高分参考图满足一定精度。

3.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，步骤S3所述的利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标RSSE具体为：

借助于LAI高分参考图，构建相对空间采样误差(Relative Spatial Sampling Error，RSSE)指标，用于衡量站点观测对应的高分辨像元与高分辨率影像在产品像元尺度内聚合后的值的差异，RSSE的定义如以下公式所示：

式中s代表产品像元尺度大小。为高分辨率LAI参考图在站点位置周边像元尺度s内聚合后的值，x_s为站点位置对应的高分参考图像元LAI值。

4.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，步骤S3所述的利用步骤S2生成的高分参考图计算站点观测LAI对产品像元尺度内植被长势的代表性评价指标CS具体为：

借助于LAI高分参考图，利用半方差函数拟合方法构建基台系数(Coefficient of Sill，CS)指标，用于衡量站点观测所处的产品像元内部空间异质性。CS定义如以下公式所示：

其中，c₀(s)+c(s)为在像元尺度s内高分LAI/NDVI参考图的基台值，μ(s)为在像元尺度s内高分LAI/NDVI参考图的均值。

5.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，步骤S3所述的利用已有的高空间分辨率的地表覆盖分类图，在产品像元尺度内计算站点观测植被类型代表性评价指标DVTP,具体步骤如下：

植被与非植被混合而带来的空间异质性通过地表覆盖分类图进行分析，以计算像元尺度内主要植被类型比例(Dominant Vegetation Type Percent,DVTP)指标来说明，计算方式如以下公式如示：

式中s代表像元尺度大小，A(s)代表站点观测的植被类型在产品像元尺度的面积，n_i(s)代表像元尺度为s的第i类植被类型的面积，N(s)代表像元尺度为s的总地物类别个数。

6.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，步骤S4中不同等级代表性误差最大可分原则具体为：

首先，站点观测代表性误差(Representativeness Error,RE)计算公式如下

RE_pk(LAI)＝|S_pk(LAI)-M_pk(LAI)|

式中S_pk(LAI)代表第k个站点在第p等级时站点位置对应的LAI高分 参考图像元值，M_pk(LAI)代表第k个站点在第p等级时产品像元尺度内的LAI高分参考图均值。其次，采用平均可分离性指标(Mean Separability Index,MSI)对不同等级的观测代表性误差区分度进行描述，计算公式如下

MRE_i和MRE_j分别表示代表性误差RE的均值；SDRE_i和SDRE_j分别表示代表性误差RE的标准差，用于说明等级内的代表性误差波动幅度。MSI越大，说明不同等级可分性越好。

7.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内评价方法，步骤S4中确定不同评价指标的最优阈值具体为：

首先，根据MODIS地表分类产品(MCD12Q1)像元分类规则，以像元内某一类地物比例达到60％进行像元类别确定。当DVTP>60％时，站点观测的植被类型与产品像元尺度内的植被类型一致，对产品像元尺度的植被类型具有空间代表性；

RSSE和CS的阈值划分通过选取不同等级代表性误差分离性指标MSI最大，同时限制每个等级的平均代表性误差均值范围，用于选择分别对应的RSSE和CS阈值。

8.根据权利要求1所述的一种站点LAI观测在遥感产品像元尺度内空间代表性评价方法，步骤S4中将站点观测在产品像元尺度内空间代表性的等级分为L0-L4共五级，具体为：当DVTP小于设定阈值时，直接划分为L4级；当DVTP大于设定阈值时，根据RSSE和CS与阈值的关系分为L0-L3级，其中RSSE和CS都小于对应的阈值时是L0级；RSSE小于阈值而CS大于阈值时对应L1级；RSSE大于阈值而CS小于阈值时对应L2级； 最后当RSSE和CS都大于阈值时对应L3级。

9.根据权利要求8所述的一种站点LAI观测在遥感产品像元尺度内评价方法，其特征在于：L0-L4五个等级的站点观测在产品像元尺度代表性情况基本为：

L0级站点LAI观测：站点观测与像元尺度值的一致性较好，同时像元尺度内地表也比较均质，此时代表性程度最高；

L1级站点LAI观测：站点观测所处的产品像元内地表空间异质性较大，但是由于偶然情况，站点观测与像元尺度值的一致性较好，此时代表性程度较高而稳定度不高；

L2级站点LAI观测：站点观测所处的产品像元内地表较为均质，但是由于站点观测处在像元尺度内异常点处，与像元尺度值的一致性较差，因此此时代表性程度较低；

L3级站点LAI观测：站点观测与像元尺度值一致性较差，同时所处的产品像元内空间异质性较强，此时站点观测空间代表性程度更低；

L4级站点LAI观测：站点观测植被类型与产品像元尺度内主要植被类型不一致，此时站点观测植被类型不能够反映产品实际植被类型，站点观测对产品像元没有空间代表性。