基于GMI数据的植被荧光反演研究

doi:10.3969/j.issn.1673-6141.2024.02.008

大气与环境光学学报 ›› 2024, Vol. ›› Issue (2): 221-231.doi: 10.3969/j.issn.1673-6141.2024.02.008

• 光学遥感 • 上一篇

基于GMI数据的植被荧光反演研究

王晓迪 1,2, 王先华 1*, 施海亮 1, 叶函函 1, 李超 1,2, 安源 1,2, 孙二昌 1,2

1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院通用光学定标与表征技术重点实验室, 安徽合肥 230031; 2 中国科学技术大学, 安徽合肥 230026

收稿日期:2022-03-21 修回日期:2022-04-01 出版日期:2024-03-28 发布日期:2024-04-18
通讯作者: E-mail: xhwang@aiofm.ac.cn E-mail:xhwang@aiofm.ac.cn
作者简介:王晓迪 (1996- ), 女, 安徽安庆人, 硕士研究生, 主要从事叶绿素荧光遥感方面的研究。E-mail: wxd1002@mail.ustc.edu.cn
基金资助:
国家重点研发计划资助项目 ( 2021YFE0118000), 中国科学院重点部署项目 (ZDRW-KT-2020-3), 民用航天预先研究项目 (D040102)

Retrieval of vegetation fluorescence based on GMI remote sensing data

WANG Xiaodi 1,2, WANG Xianhua 1*, SHI Hailiang 1, YE Hanhan 1, LI Chao 1,2, AN Yuan 1,2, SUN Erchang 1,2

1 Key Laboratory of Optical Calibration and Characterization, Anhui Institute of Optics and Fine Mechanics, HFIPS, Chinese Academy of Sciences, Hefei 230031, China; 2 University of Science and Technology of China, Hefei 230026, China

Received:2022-03-21 Revised:2022-04-01 Online:2024-03-28 Published:2024-04-18
Supported by:
National Key R&D Program of China;Key Research Program of the Chinese Academy of Sciences;D040102

摘要/Abstract

摘要： 太阳诱导叶绿素荧光直接指示植被生理状态，而植被作为重要的碳汇，若能利用温室气体卫星遥感数据反演出植被叶绿素荧光，则对于分析大气温室气体源、汇具有重要意义。利用氧气吸收线拟合法，基于GF-5 卫星“大气主要温室气体监测仪 (GMI) ”及美国 OCO-2 遥感数据，针对亚马逊森林、撒哈拉沙漠和非洲草原地区2019 年1 月和7 月 GMI卫星遥感数据开展了叶绿素荧光反演研究，并将结果与OCO-2 数据荧光产品进行对比分析。反演结果表明：以 OCO-2 荧光产品为基准，在三个研究区域的两个研究时段内， GMI数据能够较好地反演叶绿素荧光强度。

关键词: 太阳诱导叶绿素荧光, 遥感, 反演方法

Abstract: Solar-induced chlorophyll fluorescence can indicate the physiological state of vegetation directly. As vegetation is an important sink, it is of great significance of using greenhouse gas satellite remote sensing data to retrieve vegetation chlorophyll fluorescence for analyzing the sources and sinks of atmospheric greenhouse gases. Based on the GF-5 satellite "Atmospheric Major Greenhouse Gas Monitor (GMI)" and U.S. OCO-2 remote sensing data, the retrieval of chlorophyll fluorescence for the GMI satellite remote sensing data of Amazon forest, Sahara desert and African grassland regions in January and July 2019 is conducted using the oxygen absorption line fitting method, and the results are compared with OCO- 2 data fluorescence products. The retrieval results show that the GMI data presents a good result in the retrieval of chlorophyll fluorescence intensity compared with U.S. OCO-2 data in two research periods of the three research areas.

Key words: solar induced chlorophyll fluorescence, remote sensing, retrieval methods

中图分类号:

P407.4

王晓迪, 王先华, 施海亮, 叶函函, 李超, 安源, 孙二昌, . 基于GMI数据的植被荧光反演研究[J]. 大气与环境光学学报, 2024, (2): 221-231.

WANG Xiaodi , WANG Xianhua , SHI Hailiang , YE Hanhan , LI Chao , AN Yuan , SUN Erchang , . Retrieval of vegetation fluorescence based on GMI remote sensing data[J]. Journal of Atmospheric and Environmental Optics, 2024, (2): 221-231.

参考文献

[1] Zhang Zhaoyin， Wang Songhan， Qiu Bo，et al. Retrieval of sun-induced chlorophyll fluorescence and advancements in carbon cycle application [J]. Remote Sensing, 2019,23(1):16.
章钊颖, 王松寒, 邱博, 等. 日光诱导叶绿素荧光遥感反演及碳循环应用进展[J]. 遥感学报, 2019,23(1):16.
[2] Meroni M, Rossini M, Guanter L, et al. Remote sensing of solar-induced chlorophyll fluorescence: Review of methods and applications[J]. REMOTE SENS ENVIRON, 2009,113(10):2037-2051.
[3] Guanter L, Frankenberg C, Dudhia A, et al. Retrieval and global assessment of terrestrial chlorophyll fluorescence from GOSAT space measurements[J]. REMOTE SENS ENVIRON, 2012,121(none):236-251.
[4] Guanter L, Alonso L, Chova L G, et al. Developments for vegetation fluorescence retrieval from spaceborne high‐resolution spectrometry in the O2‐A and O2‐B absorption bands[J]. Journal of Geophysical Research: Atmospheres, 2010,115(D19):-.
[5] Frankenberg C, O'Dell C, Berry J, et al. Prospects for chlorophyll fluorescence remote sensing from the Orbiting Carbon Observatory-2[J]. REMOTE SENS ENVIRON, 2014.
[6] Joiner J, Yoshida Y, Vasilkov A P, et al. First observations of global and seasonal terrestrial chlorophyll fluorescence from space[J]. Biogeosciences,8,3(2011-03-08), 2011,8(3).
[7] Liu Xinjie, Liu Liangyun. Retrieval of chlorophyll fluorescence from GOSAT TANSO-FTS data based on weighted least square fitting [J]. Remote Sensing, 2013,17(6):15.
刘新杰, 刘良云. 叶绿素荧光的GOSAT卫星遥感反演[J]. 遥感学报, 2013,17(6):15.
[8] Colombo M M. Leaf level detection of solar induced chlorophyll fluorescence by means of a subnanometer resolution spectroradiometer[J]. REMOTE SENS ENVIRON, 2006.
[9] Mohammed G H, Colombo R, Middleton E M, et al. Remote sensing of solar-induced chlorophyll fluorescence (SIF) in vegetation: 50 years of progress[J]. REMOTE SENS ENVIRON, 2019,231.
[10] Shi Weikang, Dong Zhibao, et al. Discussion on the symbiosis of barchan dune and liner dune: a case study from Sahara Desert[J].Desert Research, 2020,40(3):10.
石唯康, 董治宝, 陈国祥, 等. 新月形沙丘与线形沙丘共生现象探讨——以撒哈拉沙漠为例[J]. 中国沙漠, 2020,40(3):10.
[11] Liu Shumin, Liu Qiang, Wang Qiang. Review on catastrophic shifts in ecosystems[J]. Ecological Science, 2017,36(2):7.
刘书敏, 刘亮, 王强. 生态系统灾难性突变研究进展[J]. 生态科学, 2017,36(2):7.
[12] Zhang Wenmin. Changes in rainfall seasonality and their impacts on vegetation across tropical savannas based on multi-source data[D]. Nanjing University, 2018.
张文敏. 基于多源数据的降水季节变化及其对热带稀树草原植被的影响[学位论文]. 南京大学, 2018.

[1]	马宇张文豪张丽丽吴俣唐健雄付雅帅. 基于夜光数据的大气遥感研究进展[J]. 大气与环境光学学报, 2024, (2): 125-141.
[2]	段培杰, 李泽瑞, 李鲲, 许镇义, 吕钊, 康宇, . 基于混核极限学习机的道路高排放源识别方法[J]. 大气与环境光学学报, 2024, 19(1): 62-72.
[3]	谷晓平, 李光一, 陈远航, 廖瑶 . 基于OMI及地面监测的贵州省污染气体浓度时空差异研究[J]. 大气与环境光学学报, 2024, 19(1): 85-97.
[4]	郭庭威, 黄红莲, 孙晓兵, 刘晓, 提汝芳 . 环境二号卫星多光谱图像的薄云检测及去除[J]. 大气与环境光学学报, 2023, 18(4): 383-400.
[5]	张丽娟, 杨艺, 张建辉, 赵爱梅, 左辛利, 锡林哈斯, 额定敖其尔, 翁国庆, 毛慧琴, 陈辉, 陈琳涵, 赵少华, 王中挺, 刘诚, 张天舒, 陶明辉, 赖积保, 马鹏飞, 高吉喜. “五基”协同大气环境立体遥感监测系统应用研究(封面文章)[J]. 大气与环境光学学报, 2023, 18(3): 214-226.
[6]	曹媛, 宫明艳, 沈非, 麻金继, 杨光, 林锡文, . 中国区域PM2.5浓度估算以及影响因素解析[J]. 大气与环境光学学报, 2023, 18(3): 245-257.
[7]	胡洋, 高伟, 杨杰. 基于多时相遥感影像的天津市中心城区生态环境质量评价[J]. 大气与环境光学学报, 2023, 18(2): 168-180.
[8]	范轩硕, 吴海滨, 陈新兵, 宋伟 . 基于卫星数据和深度学习方法预测京津冀地区地表 NO2浓度[J]. 大气与环境光学学报, 2023, 18(2): 181-190.
[9]	戴刘新, 张莹∗, 李正强, 漏嗣佳. 中国近地面PM2.5 质量浓度卫星遥感数据集比较及历史趋势分析[J]. 大气与环境光学学报, 2022, 17(6): 613-629.
[10]	许健, 饶兰兰, DOICU Adrian, 胡斯勒图∗, 秦凯∗. 基于氧气A 带的高光谱卫星气溶胶层高优化反演[J]. 大气与环境光学学报, 2022, 17(6): 630-639.
[11]	加亦瑱, 陶明辉∗, 丁思佳, 刘航语, 曾铭裕, 陈良富. 基于卫星遥感的中国地区XCO2 和XCH4 时空分布研究[J]. 大气与环境光学学报, 2022, 17(6): 679-692.
[12]	汪嘉林, 熊伟, 李大成∗, 吴军. 弱信号亮温光谱的污染气体快速识别算法[J]. 大气与环境光学学报, 2022, 17(5): 542-549.
[13]	许镇义, 王瑞宾, 康宇, ∗, 曹洋, 张聪, 王仁军, . 移动源排放遥测主要影响因素分析及预测[J]. 大气与环境光学学报, 2022, 17(2): 220-229.
[14]	贾宏亮, 罗俊, 肖东升∗. 基于遥感数据和GWR 模型的成都PM2.5 浓度时空分布特征研究[J]. 大气与环境光学学报, 2021, 16(6): 529-540.
[15]	韩东成, ∗, 杨世植, 赵强, 韩露, 杨志, 崔生成. 面向对象的高分辨率遥感影像建筑物信息提取[J]. 大气与环境光学学报, 2021, 16(4): 358-364.

基于GMI数据的植被荧光反演研究

Retrieval of vegetation fluorescence based on GMI remote sensing data

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价