《Agricultural and Forest Meteorology》一种基于端到端的卫星GPP估算模型

文章预览

植被总初级生产力（GPP）在碳循环和全球变暖中具有重要作用，但区域和全球GPP估计仍存在较大不确定性。遥感模型因其在大尺度监测中的优势，成为GPP估算的重要工具，主要包括回归模型、参数模型、过程模型和机器学习模型。尽管这些模型各具特点，但普遍依赖植物功能类型（PFT）和多源数据，如气象和土地覆盖数据。由于PFT仅是植被的简化表示，且遥感像元常包含多种植被类型，传统模型在复杂区域的精度受限。此外，气象数据的分辨率和不确定性也影响估计结果。为提高GPP估算精度，研究提出一种端到端遥感（ETES）模型，旨在通过植被指数时间序列和机器学习算法改进GPP估算的准确性，并与现有产品进行比较。 研究数据 1.1 通量数据 使用FLUXNET 2015数据，筛选出85个站点、10种植被类型的110,530个站点日记录。遵循数据质量要求，使用下向短 ………………………………