基于深度网络的亚日尺度日光诱导叶绿素荧光数据重建
文献类型：学位论文
| 作者 | 王欣宜 |
| 答辩日期 | 2025-05 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 苏奋振 ; 颜凤芹 |
| 关键词 | 日光诱导叶绿素荧光 轨道碳观测3 号（OCO-3） 深度网络模型 数据重构 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 日光诱导叶绿素荧光（Solar-induced Chlorophyll Fluorescence，SIF）是植物在光合作用过程中自身发射出的一种光谱信号。相较于传统的植被指数，SIF 反映了植被实际的光合动态，在监测植被生理活动、健康状态、作物估产和估算生产力方面具有重要作用。近年来，叶绿素荧光遥感技术取得了突破性进展，是全球植被生产力遥感监测的理想工具。然而，现有的卫星SIF 产品普遍存在的时空不连续问题，限制了SIF 数据在大尺度生态研究中的更广泛应用。以往研究在SIF 数据重构过程中，受到模型输入变量和卫星SIF 样本时空分辨率的限制，生成的SIF 产品时间分辨率通常为8 天或月尺度，难以开展区域规模植被光合动态及其环境效应机制的日内变化分析。轨道碳观测3 号（ Orbiting CarbonObservatory-3，OCO-3）卫星能够提供一天中不同时间的SIF 数据，为探究区域尺度上植被光合作用动态的日内变化提供了可能，但OCO-3 SIF 产品仍然是空间离散数据。地球静止卫星具有全天候连续观测的能力，观测数据适合作为驱动因子用于生成高时空分辨率的OCO-3 SIF 重建产品，弥补OCO-3 SIF 观测的局限性。 针对上述问题，本研究通过构建深度网络模型，融合地球静止卫星观测和多源气象遥感数据，完成了OCO-3 卫星原始SIF 观测的时空重构，生成2020 年7月-9 月中国大陆地区亚日尺度（每小时）的空间连续SIF 产品，空间分辨率为2km，有效解决了OCO-3 卫星原始SIF 观测的空间离散问题。研究从生态机理出发，筛选并分析了与叶绿素荧光密切相关的15 个变量构成特征数据集，包括包括波段反射率（蓝色、绿色、红色和近红外波段）、短波辐射、土壤水分、高程、气象数据（气温、饱和蒸气压差等）、时空因子（经纬度、时间）和土地覆被类型等。本研究构建的深度网络模型引入了残差连接，并采用集成学习和交叉验证策略开展SIF 的反演，在保证模型稳定性和泛化能力的同时，降低过拟合风险。基于生成的数据产品，深入分析了研究区域内植被SIF 的时空变化特征和光合午后抑制现象，并利用可解释的机器学习方法评估各个特征变量对SIF 预测的贡献。主要研究结论如下：（1）地球静止卫星提供了构建高时间分辨率SIF 产品的有效数据支撑；（2）深度网络模型在SIF 空间重建方面表现良好，所有植被功能类型的平均R2 为0.69，RMSE 为0.087 W/m2/μm/sr，MAE 为0.066 W/m2/μm/sr，未出现过拟合现象。重建结果表明该模型可以准确可靠地捕捉SIF 的时空分布； （3）2020 年7 月-9 月期间，中国大陆地区植被SIF 呈现显著的空间分布特点和日内峰值变化。气温和饱和蒸汽压差的日内变化与午后抑制呈负相关关系，非森林生态系统表现出更显著的SIF 午后抑制。可解释的机器学习分析显示，红光反近红外反射率以及短波辐射贡献了接近50%的特征重要性，地理因子和观测几何参数也是SIF 预测的关键驱动变量。本研究构建的亚日尺度SIF 连续重建产品，为亚日尺度植被功能动态分析提供了更可靠和更高精度的数据支持，分析结果有助于深化对不同生态系统SIF 时空变化机制的理解。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 85 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215732]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 王欣宜. 基于深度网络的亚日尺度日光诱导叶绿素荧光数据重建[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。