Model-based analysis of the relationship between Sun-Induced chlorophyll Fluorescence and gross primary production for remote sensing applications
1
2016
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Linking chlorophyll a fluorescence to photosynthesis for remote sensing applications: mechanisms and challenges
0
2014
Solar Induced chlorophyll Fluorescence: origins, relation to photosynthesis and retrieval
1
2018
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Remote sensing of Solar-Induced chlorophyll Fluorescence: Review of methods and applications
1
2009
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
New global observations of the terrestrial carbon cycle from GOSAT: Patterns of plant fluorescence with gross primary productivity
2
2011
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
... 轨道碳观测2号(Orbiting Carbon Observatory-2,OCO-2)是一颗由美国国家航空航天局(National Aeronautics and Space Administration,NASA)于2014年发射的探测大气中二氧化碳浓度的卫星.同时,该卫星也以的“夫琅禾费暗线填充原理”(Fraunhofer Line Discrimination, FLD),应用了Frankenberg 等[5]作全球尺度SIF的算法,开发了自己的IMAP-DOAS算法以提取758 nm处和770 nm处的O2-A波段的SIF值,反演得到L2级荧光产品.该产品有3个观测模式,即星下点观测(Nadir模式)、闪烁观测(Glint模式)和目标观测(Target模式).其中,Nadir模式有较好的分辨率,闪烁观测有较高的信噪比,目标观测的单次观测数据点较多,适用于与地面站点的匹配验证.研究收集了2018年5月至2019年该版本的SIF数据,并从中提取了已校正的日值SIF,通过云掩膜编码剔除了有云的脚点数据. ...
Retrieval and glo-bal assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements
0
2012
Filling-in of far-red and near-Infrared solar lines by terrestrial and atmospheric effects: simulations and space-based observations from SCIAMACHY and GOSAT
1
2012
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
A linear method for the retrieval of Sun-Induced chlorophyll Fluorescence from GOME-2 and SCIAMACHY data
1
8
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
太阳诱导叶绿素荧光的卫星遥感反演方法研究进展
1
2019
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
太阳诱导叶绿素荧光的卫星遥感反演方法研究进展
1
2019
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Chlorophyll fluorescence observed by OCO-2 is strongly related to gross primary productivity estimated from flux towers in temperate forests
1
2018
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Prospects for chlorophyll fluorescence remote sensing from the Orbiting Carbon Observatory-2
1
2014
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Spatially downscaling Sun-Induced chlorophyll Fluorescence leads to an improved temporal correlation with gross primary productivity
1
2016
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
High‐resolution global contiguous SIF of OCO‐2
0
2019
1
1995
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
A global spatially contiguous Solar-Induced Fluorescence (CSIF) dataset using neural networks
1
2018
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
Reconstructed Solar-Induced Fluorescence: a machine learning vegetation product based on MODIS surface reflectance to reproduce GOME-2 solar-induced fluorescence
0
2018
A spatially downscaled Sun-Induced Fluorescence global product for enhanced monitoring of vegetation productivity
0
2020
Generation of a global spatially continuous TanSat Solar-Induced chlorophyll Fluorescence product by considering the impact of the solar radiation intensity
0
2020
Overview of the radiometric and biophysical performance of the MODIS vegetation indices
2
2002
... 太阳诱导叶绿素荧光(Solar-Induced chlorophyll Fluorescence, SIF)指植被在光合作用中发射的一种光学信号,植物叶片在日光照射下将所吸收的一部分光能用于光合作用,另一部分激发叶绿素分子使其发生电子跃迁后,以长波形式发射荧光,或以热能形式向外散耗,叶绿素分子吸收光子,被激发的叶绿素重新发射光子而产生的一种光谱范围为650~800 nm的光信号,因此具有直接指示植被光合作用的巨大潜力,是进行监测GPP和植被光合作用的有效工具[1-3].叶绿素荧光作为植被光合作用的副产品,相比于植被指数等参数更能直接地反映植被光合作用的相关信息,是植被生理状态的无损探针[4].近年来,通过卫星遥感技术得到了大量探测全球尺度SIF的研究和产品.Frankenberg等[5-7]基于日本GOSAT卫星绘制了首张荧光地图.由此,引发了SIF研究的热潮,多种可用于探测荧光的卫星反演产品也应运而生.如GOME-2传感器(搭载于MetOp-A/B卫星)可提供740 nm附近,分辨率40 km×80 km的荧光峰值分布图[8].2009年日本发射的“温室气体观测卫星”(GOSAT)提供直径为10 km分辨率,770 nm附近的叶绿素荧光.美国2014年发射的OCO-2可以提供比GOSAT更高空间分辨率的数据,足迹大小为1.3 km×2.25 km.Sentinel-5P搭载的TROPOMI传感器空间分辨率为7 km×7 km,2019年8月起为3.5 km×7.5 km,也能够获取更高分辨率的荧光产品.2016年中国发射的TanSat卫星能够提供空间分辨率为2 km×2 km的数据,未来计划发射或即将发射的荧光探测卫星用FLEX(FLORIS),美国TEMPO卫星与OCO-3卫星,以及GeoCARB卫星[9],将为SIF数据的研究与应用提供更多支持与可能.然而,当前已有的卫星所衍生的叶绿素荧光产品,或存在空间分辨率都较为粗略的问题,或其产品本身只是离散的脚点,不足以直接进行更精细的尺度或生态系统水平的分析[10].目前,这个问题能通过从OCO-2卫星中获得更高分辨率的SIF产品得到部分解决[11].同时,解决SIF数据集的空间不连续性,也成为近来全球SIF数据研究的重点问题,对于测量光合作用与更好地耦合不同时空尺度的GPP等信息将十分有价值[12-14],目前,也有许多学者从神经网络、机器学习等方面探索连续SIF数据集的构建[15-19].基于此,研究将尝试解决SIF数据的空间不连续性,通过较高分辨率的OCO-2脚点数据,结合反射率、气象因子、土地利用类型等数据生成连续的SIF产品. ...
... 日光诱导叶绿素荧光(SIF)与光合有效辐射以及植被状况有关,因此,研究将采用3类参数,即植被条件、气象条件、土地利用类型,来描述预测的SIF值.其中,由植被增强指数(Enhanced Vegetation Index, EVI)代表植被条件,EVI是被用于监测植被状况最广泛的一种植被指数[19],其计算公式如下: ...
植被指数研究进展:从AVHRR-NDVI到MODIS-EVI
1
2003
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
植被指数研究进展:从AVHRR-NDVI到MODIS-EVI
1
2003
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
用MODIS植被指数研究福州城区空间扩展变化
1
2006
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
用MODIS植被指数研究福州城区空间扩展变化
1
2006
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
增强植被指数算法的研究及其在生态环境遥感产品生产分系统的应用
1
2015
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
增强植被指数算法的研究及其在生态环境遥感产品生产分系统的应用
1
2015
... 其中:、、分别表示近红外波段、红波段、蓝波段的反射率;C1 和C2 为气溶胶阻抗系数;L为土壤调节参数;G为常数.EVI使用蓝波段的数据去校正红波段的气溶剂影响,加入土壤调节参数,使得EVI对大多数冠层背景不敏感(带有雪背景的除外)[20-21].通常取C1=6,C2=7.5,L=1,G=2.5.EVI全体取值范围为-2.5~2.5[22],植被中的EVI取值范围通常在0.2~0.8.从MCD43C4中提取诸天的0.05°反射率数据,由式(2)计算EVI,后计算每8 d的平均EVI值,得到0.05° 8 d分辨率的EVI数据集. ...
兴趣区域高分辨率叶绿素荧光遥感数据集重建框架
2
2019
... OCO-2 SIF数据具有较高的分辨率,但该数据为离散的脚点数据,且呈条带状分布,使得一般的线性插值或重采样方法难以得到较为准确且分辨率高的连续SIF数据,使得OCO-2 SIF数据常被整合为1°分辨率每16 d的数据集,掩盖了该数据的高分辨率优势[23].因此,需要从非线性或机器学习等方法出发,结合多种连续的遥感数据估计连续且精度较高的SIF数据集.研究使用机器学习方法中的Cubist回归树,以数据驱动的方法开发预测0.05°分辨率的连续日光诱导叶绿素荧光(SIF).树型算法的基础决策树因其易理解、易构建、运算快等特性,被广泛应用于统计学及数据挖掘等领域.决策树可以分为两类:分类决策树与回归决策树,处理离散型数据时主要用分类决策树,处理连续型数据就会用到回归决策树,后者常被用于预测连续变化的值.经典回归树是由BREIMAN 等提出的分类与回归树(Classification And Regression Trees,CART)方法[24],CART由特征选择、树的生成及剪枝组成,通过不断将数据分为两组,分组时通过穷举每一个特征的每一个阈值来寻找最优切分特征与最优切分点,衡量方法为整体误差平方和最小化.同时,通过类似交叉验证法进行剪枝,避免回归树增长过长.但CART对样本的预测都采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果[25]. ...
... 本文主要研究了对OCO-2 SIF数据的连续预测方法,生成了每8 d 0.05°分辨率的SIF产品.预测连续SIF过程中,本研究基于Cubist回归树模型,结合由MODIS反射率数据计算所得,代表植被生长状况的EVI数据,代表气候条件的平均温度、PAR、VPD、以及土地利用类型数据进行回归树建模.通过调优参数选择Cubist回归树中规则数(Committees)为10进行模型拟合.考虑样本大小的变化对拟合结果的影响,结果发现在目前的样本数(17.4万)中,模型精度一直随样本数量的增加而增加,同时考虑土地利用类型信息对模型拟合的影响,结果表明使用土地利用类型的模型精度略高于不使用该因子的模型精度.最终,采用全部训练样本并加入土地利用类型因子进行建模,模型的验证精度较好,为R²=0.67,RMSE=0.097,表明加入的土地利用类型因子提供了更多信息.Cubist能够应用于大尺度及长时序的SIF数据重建中,然而对比于龙龙等[23]用卷积神经网络(Convolutional Neural Networks, CNN)对其小范围的感兴趣区域内OCO-2 SIF建模的验证精度不算很高,主要是由于在大尺度的重建中,会引入较多的噪声,可以通过像元植被覆盖度的大小对SIF数据进行进一步地筛选,提高算法精度. ...
兴趣区域高分辨率叶绿素荧光遥感数据集重建框架
2
2019
... OCO-2 SIF数据具有较高的分辨率,但该数据为离散的脚点数据,且呈条带状分布,使得一般的线性插值或重采样方法难以得到较为准确且分辨率高的连续SIF数据,使得OCO-2 SIF数据常被整合为1°分辨率每16 d的数据集,掩盖了该数据的高分辨率优势[23].因此,需要从非线性或机器学习等方法出发,结合多种连续的遥感数据估计连续且精度较高的SIF数据集.研究使用机器学习方法中的Cubist回归树,以数据驱动的方法开发预测0.05°分辨率的连续日光诱导叶绿素荧光(SIF).树型算法的基础决策树因其易理解、易构建、运算快等特性,被广泛应用于统计学及数据挖掘等领域.决策树可以分为两类:分类决策树与回归决策树,处理离散型数据时主要用分类决策树,处理连续型数据就会用到回归决策树,后者常被用于预测连续变化的值.经典回归树是由BREIMAN 等提出的分类与回归树(Classification And Regression Trees,CART)方法[24],CART由特征选择、树的生成及剪枝组成,通过不断将数据分为两组,分组时通过穷举每一个特征的每一个阈值来寻找最优切分特征与最优切分点,衡量方法为整体误差平方和最小化.同时,通过类似交叉验证法进行剪枝,避免回归树增长过长.但CART对样本的预测都采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果[25]. ...
... 本文主要研究了对OCO-2 SIF数据的连续预测方法,生成了每8 d 0.05°分辨率的SIF产品.预测连续SIF过程中,本研究基于Cubist回归树模型,结合由MODIS反射率数据计算所得,代表植被生长状况的EVI数据,代表气候条件的平均温度、PAR、VPD、以及土地利用类型数据进行回归树建模.通过调优参数选择Cubist回归树中规则数(Committees)为10进行模型拟合.考虑样本大小的变化对拟合结果的影响,结果发现在目前的样本数(17.4万)中,模型精度一直随样本数量的增加而增加,同时考虑土地利用类型信息对模型拟合的影响,结果表明使用土地利用类型的模型精度略高于不使用该因子的模型精度.最终,采用全部训练样本并加入土地利用类型因子进行建模,模型的验证精度较好,为R²=0.67,RMSE=0.097,表明加入的土地利用类型因子提供了更多信息.Cubist能够应用于大尺度及长时序的SIF数据重建中,然而对比于龙龙等[23]用卷积神经网络(Convolutional Neural Networks, CNN)对其小范围的感兴趣区域内OCO-2 SIF建模的验证精度不算很高,主要是由于在大尺度的重建中,会引入较多的噪声,可以通过像元植被覆盖度的大小对SIF数据进行进一步地筛选,提高算法精度. ...
1
1984
... OCO-2 SIF数据具有较高的分辨率,但该数据为离散的脚点数据,且呈条带状分布,使得一般的线性插值或重采样方法难以得到较为准确且分辨率高的连续SIF数据,使得OCO-2 SIF数据常被整合为1°分辨率每16 d的数据集,掩盖了该数据的高分辨率优势[23].因此,需要从非线性或机器学习等方法出发,结合多种连续的遥感数据估计连续且精度较高的SIF数据集.研究使用机器学习方法中的Cubist回归树,以数据驱动的方法开发预测0.05°分辨率的连续日光诱导叶绿素荧光(SIF).树型算法的基础决策树因其易理解、易构建、运算快等特性,被广泛应用于统计学及数据挖掘等领域.决策树可以分为两类:分类决策树与回归决策树,处理离散型数据时主要用分类决策树,处理连续型数据就会用到回归决策树,后者常被用于预测连续变化的值.经典回归树是由BREIMAN 等提出的分类与回归树(Classification And Regression Trees,CART)方法[24],CART由特征选择、树的生成及剪枝组成,通过不断将数据分为两组,分组时通过穷举每一个特征的每一个阈值来寻找最优切分特征与最优切分点,衡量方法为整体误差平方和最小化.同时,通过类似交叉验证法进行剪枝,避免回归树增长过长.但CART对样本的预测都采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果[25]. ...
青藏高原地区卫星降水数据时空降尺度研究
1
2017
... OCO-2 SIF数据具有较高的分辨率,但该数据为离散的脚点数据,且呈条带状分布,使得一般的线性插值或重采样方法难以得到较为准确且分辨率高的连续SIF数据,使得OCO-2 SIF数据常被整合为1°分辨率每16 d的数据集,掩盖了该数据的高分辨率优势[23].因此,需要从非线性或机器学习等方法出发,结合多种连续的遥感数据估计连续且精度较高的SIF数据集.研究使用机器学习方法中的Cubist回归树,以数据驱动的方法开发预测0.05°分辨率的连续日光诱导叶绿素荧光(SIF).树型算法的基础决策树因其易理解、易构建、运算快等特性,被广泛应用于统计学及数据挖掘等领域.决策树可以分为两类:分类决策树与回归决策树,处理离散型数据时主要用分类决策树,处理连续型数据就会用到回归决策树,后者常被用于预测连续变化的值.经典回归树是由BREIMAN 等提出的分类与回归树(Classification And Regression Trees,CART)方法[24],CART由特征选择、树的生成及剪枝组成,通过不断将数据分为两组,分组时通过穷举每一个特征的每一个阈值来寻找最优切分特征与最优切分点,衡量方法为整体误差平方和最小化.同时,通过类似交叉验证法进行剪枝,避免回归树增长过长.但CART对样本的预测都采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果[25]. ...
青藏高原地区卫星降水数据时空降尺度研究
1
2017
... OCO-2 SIF数据具有较高的分辨率,但该数据为离散的脚点数据,且呈条带状分布,使得一般的线性插值或重采样方法难以得到较为准确且分辨率高的连续SIF数据,使得OCO-2 SIF数据常被整合为1°分辨率每16 d的数据集,掩盖了该数据的高分辨率优势[23].因此,需要从非线性或机器学习等方法出发,结合多种连续的遥感数据估计连续且精度较高的SIF数据集.研究使用机器学习方法中的Cubist回归树,以数据驱动的方法开发预测0.05°分辨率的连续日光诱导叶绿素荧光(SIF).树型算法的基础决策树因其易理解、易构建、运算快等特性,被广泛应用于统计学及数据挖掘等领域.决策树可以分为两类:分类决策树与回归决策树,处理离散型数据时主要用分类决策树,处理连续型数据就会用到回归决策树,后者常被用于预测连续变化的值.经典回归树是由BREIMAN 等提出的分类与回归树(Classification And Regression Trees,CART)方法[24],CART由特征选择、树的生成及剪枝组成,通过不断将数据分为两组,分组时通过穷举每一个特征的每一个阈值来寻找最优切分特征与最优切分点,衡量方法为整体误差平方和最小化.同时,通过类似交叉验证法进行剪枝,避免回归树增长过长.但CART对样本的预测都采用最终叶子节点处所有训练集训练结果的均值,由此导致对新的样本集预测偏差较大,难以达到理想预测效果[25]. ...
Simplifying decision trees
1
1987
... 为克服CART等简单的回归树的局限,Quinlan[26]提出了由M5模型树发展而来的Cubist回归树.Cubist回归树的特点在于模型树的叶子节点上是一个线性回归模型,一系列的分段线性模型组合为Cubist回归树,能够很好地解决非线性问题[27].Cubist树训练规则简单、有效,速度快,对输入空间的分割由算法自动进行,能够处理高维属性的问题.模型树将输入的数据集样本空间划分为不同的长方形区域,其边缘互相平行,在每一层模型树中,选择识别力最强的属性成为子树的根节点,将样本根据该根节点划分为若干个子集.为防止树过度增长,对节点增长设置多个停止条件:节点样本的目标属性标准差与总体样本的目标属性标准差的比例或差值小于某一阈值,或节点的样本数低于某一阈值[27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
基于Cubist模型树的城市不透水面百分比遥感估算模型
2
2016
... 为克服CART等简单的回归树的局限,Quinlan[26]提出了由M5模型树发展而来的Cubist回归树.Cubist回归树的特点在于模型树的叶子节点上是一个线性回归模型,一系列的分段线性模型组合为Cubist回归树,能够很好地解决非线性问题[27].Cubist树训练规则简单、有效,速度快,对输入空间的分割由算法自动进行,能够处理高维属性的问题.模型树将输入的数据集样本空间划分为不同的长方形区域,其边缘互相平行,在每一层模型树中,选择识别力最强的属性成为子树的根节点,将样本根据该根节点划分为若干个子集.为防止树过度增长,对节点增长设置多个停止条件:节点样本的目标属性标准差与总体样本的目标属性标准差的比例或差值小于某一阈值,或节点的样本数低于某一阈值[27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
... [27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
基于Cubist模型树的城市不透水面百分比遥感估算模型
2
2016
... 为克服CART等简单的回归树的局限,Quinlan[26]提出了由M5模型树发展而来的Cubist回归树.Cubist回归树的特点在于模型树的叶子节点上是一个线性回归模型,一系列的分段线性模型组合为Cubist回归树,能够很好地解决非线性问题[27].Cubist树训练规则简单、有效,速度快,对输入空间的分割由算法自动进行,能够处理高维属性的问题.模型树将输入的数据集样本空间划分为不同的长方形区域,其边缘互相平行,在每一层模型树中,选择识别力最强的属性成为子树的根节点,将样本根据该根节点划分为若干个子集.为防止树过度增长,对节点增长设置多个停止条件:节点样本的目标属性标准差与总体样本的目标属性标准差的比例或差值小于某一阈值,或节点的样本数低于某一阈值[27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
... [27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
Estimation of net ecosystem carbon exchange for the conterminous United States by combining MODIS and AmeriFlux data
2
2008
... 为克服CART等简单的回归树的局限,Quinlan[26]提出了由M5模型树发展而来的Cubist回归树.Cubist回归树的特点在于模型树的叶子节点上是一个线性回归模型,一系列的分段线性模型组合为Cubist回归树,能够很好地解决非线性问题[27].Cubist树训练规则简单、有效,速度快,对输入空间的分割由算法自动进行,能够处理高维属性的问题.模型树将输入的数据集样本空间划分为不同的长方形区域,其边缘互相平行,在每一层模型树中,选择识别力最强的属性成为子树的根节点,将样本根据该根节点划分为若干个子集.为防止树过度增长,对节点增长设置多个停止条件:节点样本的目标属性标准差与总体样本的目标属性标准差的比例或差值小于某一阈值,或节点的样本数低于某一阈值[27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
... [28]. ...
Retrieving Leaf Area Index from Landsat using MODIS LAI products and field measurements
1
2014
... 为克服CART等简单的回归树的局限,Quinlan[26]提出了由M5模型树发展而来的Cubist回归树.Cubist回归树的特点在于模型树的叶子节点上是一个线性回归模型,一系列的分段线性模型组合为Cubist回归树,能够很好地解决非线性问题[27].Cubist树训练规则简单、有效,速度快,对输入空间的分割由算法自动进行,能够处理高维属性的问题.模型树将输入的数据集样本空间划分为不同的长方形区域,其边缘互相平行,在每一层模型树中,选择识别力最强的属性成为子树的根节点,将样本根据该根节点划分为若干个子集.为防止树过度增长,对节点增长设置多个停止条件:节点样本的目标属性标准差与总体样本的目标属性标准差的比例或差值小于某一阈值,或节点的样本数低于某一阈值[27].建立初步的模型树之后,还需对树进行剪枝,即归并某些冗杂的子树并用叶子节点代替,从而提高模型树的效率与简洁程度,最后需要使用平滑方法对剪枝后叶子节点的不连续行进行补偿,具体需要参考叶子节点的父节点来使用平滑方法,将父节点与叶子节点重新拟合为一个新的线性方程[28].目前,该模型已被广泛用于估计生物物理变量与碳通量中,如对叶面积指数[29]与净生态系统交换量等的估计[28]. ...
Cubist: rule- and instance-based regression modeling
1
2014
... 研究采用有Kuhn 等[30]针对R语言开发的Cubist包进行建模,目前该程序包已经更新到0.2.3版本.Cubist在建模和预测时分别通过设置规则数(Committees)和实例数(Instances)进行优化,规则数指在树模型中需要使用的模型数量,取值范围为0~100,实例数表示在预测时需要参考来修正结果的样本数量,取值范围为0~9.然而,规则数越高不一定就代表模型的精度越高,也可能出现过拟合的情况.为避免这类情况发生,提高模型的稳定性和准确性,在训练模型前需要先进行参数优化,以最能精简模型的同时,有较高的模拟预测精度.模型拟合的精度由计算训练集中预测值和观测值的平均绝对误差(Mean Absolute Error, MAE),相对误差(Relative Error, RE),和相关系数R(Correlation Coefficient)来衡量.其计算方法如下: ...
1
2013
... Cubist回归树算法的树模型(即规则集)会被自动修剪或合并,因此可以不需要事先进行子集的划分.因此,研究直接通过样本数据对Cubist模型进行参数调优.由于本研究样本数量较大(样本量为万级),故采用常用于参数调优的经典方法十折交叉验证法[31],该方法最大的优势在于能重复运用随机产生的子样本进行训练和验证.研究使用训练集数据,以十折交叉验证训练模型中规则数(Committees)和实例数(Neighbor)两个参数,训练结果如图2. ...