Loading
Пропустить Навигационные Ссылки.

Авторизоваться
Для зарегистрированных пользователей

Развитие методов оценки биофизических характеристик растительного покрова на основе данных дистанционного зондирования и моделей переноса излучения в оптическом диапазоне

Исследования и разработки в рамках данного раздела темы в 2018 году проводились по двум направлениям: А) развитие стохастической модели уравнения переноса излучения (УП); Б) оптимизацию работы ИКИ LAI алгоритма на высоких северных широтах (>60о с.ш.).

ИКИ LAI алгоритм производит оценку индекса листовой поверхности путем сравнения спутниковых данных и соответствующих модельных данных. Ранее для расчета модельных данных использовалась стохастическая модель УП в режиме вычислений для мутной среды (структура среды не учитывалась). Последняя разработка (Shabanov et al., 2018) по модели проективного покрытия завершает построение теоретической базы для статистической модели структуры среды и тем самым открывает возможность использовать полные возможности модели- рассчитывать поле излучение в 3D растительном покрове. В рамках данной работы также были получены важные аналитические соотношения для доли просветов и направленной доли просветов, что позволит улучшить существующие алгоритмы обработки  наземных данных для оценки LAI (данные DHP камеры и прибора LAI-2000). В рамках данной работы также была произведена валидация модели с данными независимой 3D модели УП – DART- результаты приведены на Рисунке 2.3.1. результаты показывают хорошее согласие между моделями (Рисунок 2.3.1а) а также подчеркивают существенный вклад 3D эффектов в зависимость канальных данных от LAI (Рис. 1б)

Структурированная среда                                      Мутная и структурированная среда


     
Рис. 1. Сравнение BRF как функции LAI в красных и БИК-диапазонах, реализованных стохастической моделью УП (SRT) и 3D моделью УП (DART) для мутной среды и структурированного покрова. Данные DART показаны кружками (сплошные кружки для мутной среды и полые кружки для структурированного покрова), модельные данные SRT показаны линиями (сплошные линии для мутной среды и пунктирные для структурированного покрова). Моделирование проведено для VZA = 0°, RAA = 0° и результаты представлены черным цветом, и для VZA = 60°, RAA = 160° - серым, и каждый вариант повторен для четырех значений SZA (15°, 30°, 45°, 60°).

Была проведена оптимизация работы ИКИ LAI алгоритма на высоких северных широтах (>60о с.ш.). Анализ временных рядов бета-версии LAI продукта показал, что в осенний период, при низких углах Солнца у LAI продукта возникают существенные аномалии (см. Рис. 2 а): а) полосы чередования низких и высоких значений LAI (нижняя часть карты); б) ступень изменений в значениях LAI (вехняя часть карты);. Анализ данных показал что данные особенности продукта не вызваны физическими свойствами поверхности (изменения рельефа или типов растительности)- а являются артефактами измерений и LAI алгоритма.

LAI                                                                   LAI_QC
 
 
 


Рис. 2. Аномалии при расчете продукта 250м MODIS LAI. Слева показаны суточные данные LAI, а справа соответствующие данные LAI_QC (контроль качества продукта). Данные приведены для MODIS тайла h19v02, 3-й сеанс за 2 октября 2016 г.

Полосы в продукте возникают ввиду эффекта поляризации данных при низких углах солнца (SZA) и низком коэффициенте отражения земной поверхности (КСЯ) (по данным персональной переписки с НАСА). При этих условиях алгоритм атмосферной коррекции работает нестабильно и может занижать значения КСЯ в красном канале, как показано на Рис. 2.3.3. В частности, данные с КСЯ (красный канал) <0.02 являются данными с заниженной оценкой LAI. LAI алгоритм способен выявить аномальные данные- они обрабатываются не основным алгоритмом (основанным на уравнении переноса), а запасным эмпирическим алгоритмом (основанном на эмпирическом соотношении LAI-NDVI). Для решения проблемы было предложено отфильтровывать аномалии удовлетворяющих двум условиям: КСЯ(красный канал) <0.02 и SZA>60о на этапе построения композитных изображений.


  
Рис. 3. Аномалии в красном канале 250м MODIS данных. Слева показано пространственное распределение данных в красном канале для 3-го сеанса наблюдений за 4 октября 2016 г. Справа показана гистограммы для тех же данных, но разделенных на 2 категории- обработанные основным и запасным алгоритмами. Аномальные данные не удовлетворяют ограничениям основного алгоритма и обрабатываются запасным алгоритмом- они представлены пиком для Red<0.02.

Эффект ступени в значения LAI возникает ввиду внутренних ограничений LAI алгоритма- переключения с основного на запасной алгоритм при зенитном угле солнца, SZA>60о. Используя последние разработки в стохастической модели УП, модельные данные были пересчитаны чтобы расширить диапазон SZA как показано на Рисунке 2.3.4. Комбинированное применение этих двух подходов (новые модельные данные и композитная схема с ограничениями) решает проблему аномалий без какого-либо существенного ограничения на пространственное покрытие LAI продукта.

     Рис.4. Оптимизация модельных данных на основе стохастического УП. Базовая версия модельных данных представлена синим, а новые данные красным цветом. Диапазон модельных данных был расширен, чтобы включить более высокие значения зенитного угла солнца (SZA) [15o,30o,45o,60o] --> [15o, 30o, 45o, 55o, 60o, 65o, 70o, 75o].