原文以“Derivation of temporally continuous LAI reference maps through combining the LAINet observation system with CACAO”為題發表在Agricultural and Forest Meteorology上。
作者：Gaofei Yin,Ainong Li,Huaan Jin,Wei Zhao,Jinhu Bian,Yonghua Qu,Yelu Zeng, Baodong Xu原文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0168192316307031
LAINet：一種不間斷的LAI觀測系統，由無線傳感器網絡技術開發，詳情請參考文獻：10.1016/j.compag.2014.08.003
CACAO：（Consistent Adjustment of the Climatology to ActualObservations）：根據實際觀測對時序穩態進行調整的一種數據融合方法，詳情請參考文獻：10.1109/TGRS.2012.2228653

葉面積指數(LAI)是指單位水平地面面積綠葉總面積的一半，在光合作用、呼吸作用和蒸騰作用等方面的模擬、應用起著關鍵作用。分享的這篇文獻主要關注LAI在遙感方面的以下兩個應用：

1.葉面積指數數據庫（Leaf area index (LAI)products）（中文文獻里通常將“Leaf area index (LAI) products”翻譯成“葉面積指數產品”，此處采取了不同翻譯，請讀者注意）一般通過遙感產生，被廣泛地應用于大部分的地表過程模型。

2.在驗證過程中，需要根據葉面積指數參考圖將實地測量進行尺度上推（upscale）達到低分辨率。

評估葉面積指數數據的不確定性，對葉面積指數數據庫的正確應用至關重要，因此，迫切需要時間連續的葉面積指數參考圖。然而，有兩個主要的問題阻礙了時間連續的葉面積指數參考圖的生成：

1.如何高效且低成本地獲得時間連續的現場測量數據？

2.如何獲得時間連續的、高空間分辨率的、與現場測量同步的衛星圖像？

這篇文獻結合LAINet觀測系統（圖2）和CACAO時空融合方法，提出了一種解決上述兩個問題的方法：

首先，通過LAINet觀測系統獲得多角度的間隙率，接著對多角度的間隙率進行分析可以獲得有效的、時間連續的葉面積指數。通過CACAO時空融合方法去重新計算時間連續的歸一化植被指數（NDVI）。

圖1、試驗區Landsat-8 OLI假彩色合成圖像(波段5-4-3)。黑**格指示MODIS像元，點代表部署在研究區域內的LAINet觀測系統的位置。

圖2、LAINet系統示意圖，上方節點（Above Node, AN）（b）和下方節點（Below Node ,BN）（c）分別安裝了3個、9個量子傳感器。12個傳感器通過Zigbee協議與中央節點（Central Node,CN）通訊。中央節點接收12個傳感器的數據并將數據通過GPRS網絡傳輸給遠程的數據服務器（Data Server,DS），服務器進一步處理測量數據，輸出葉面積指數。

圖3、LAINet觀測系統測量的平均葉面積指數的時間變化

圖4、Landsat-8 OLI NDVI與CACAO時空融合方法重新計算的NDVI之間的回歸。DOY187和235的數據分別以紅色和綠色顯示。

然后，通過指數函數擬合去訂正將重新計算的NDVI與現場測量的LAI聯系起來的轉換函數。

通過將訂正的轉換函數應用到重新計算的NDVI去生成時間連續的葉面積指數參考圖。

研究者們在一個作物種植點對所提出方法的效果進行了評估。結果如下：

1.重構的LAI參考圖與根據Landsat-8 OLI NDVI得出的原始LAI參考圖有很高的一致性 (R2 = 0.90, RMSE = 0.27 at 30 m resolution, R2 = 0.97, RMSE = 0.09 at 1 km resolution)。

圖5、重構的葉面積指數與原始葉面積指數的回歸。(a)分辨率為30米；(b)分辨率尺度上推到1公里。DOY187和235的葉面積指數分別以紅色和綠色顯示。

2.通常情況下，MOD15A2的葉面積指數數據具有相對較高的分辨率、基本包含植物的所有物候期，但將重構的時間連續的LAI參考圖作為基準去驗證MOD15A2的葉面積指數數據庫，發現MOD15A2的葉面積指數數據出現明顯的低估，誤差約為0.30。

這項研究的結果有助于評估葉面積指數數據不確定性的時間動態，有利于植物的長期監測以及我們更好地理解LAI數據。

致謝：感謝論文作者對翻譯的修改

作者簡介：