1.引言
截至2020年，设计寿命六年的Terra-MODIS已在轨正常运行长达二十年，成为在轨服务时间最长的多光谱遥感传感器。同时，其继任者NPP-VIIRS也已在轨运行近十年，提供了与MODIS各项指标非常接近的多光谱数据。在MODIS和VIIRS系列数据产品中，由波士顿大学Myneni教授作为PI的科学团队所生产的叶面积指数（Leaf Area Index，LAI）产品为全球气候变化、地球生物化学等方面研究提供了有力支持。虽然该产品在全球范围内已得到了广泛的验证，但是以往的产品精度评定工作多是在产品质量随时间不变化的假设下，利用时间和空间有限采样的参考数据对产品进行验证。而已有研究已经表明，Terra-MODIS传感器已经出现随时间变化的信号衰退，这很可能将造成地表反射率等数据产品精度出现随时间的不稳定性，进而造成下游LAI产品的精度波动。
针对传感器衰退的现实，MODIS定标团队已采取了相应算法改进来延长MODIS的寿命，同时MODIS LAI反演算法在设计之初也有意考虑了观测数据的不确定性进而增加了算法对输入数据不确定性的鲁棒性。随着MODIS LAI时序的增长，越来越多的诸如“全球变绿”（greening）的研究开始使用该产品，这对产品精度，尤其是精度的时序稳定性提出了明确的要求。因而，我们很有必要通过一定的方法来对长时序MODIS LAI产品进行一次“体检”，检查该产品精度是否依旧保持了随时间的良好稳定性。
为了确保基于MODIS和VIIRS LAI产品进行的趋势检测研究的可靠性，并回答20年前的算法配置是否仍适合当前反射率产品的不确定性这一关键问题，本研究通过分析长时间序列产品中的质量指标对MODIS和VIIRS LAI算法的性能稳定性进行全面的研究。本研究的结果证明了在输入不确定性变化的情况下反演算法的良好鲁棒性，而反演算法的性能稳定性则间接保证了学术界独立使用MODIS LAI产品或与VIIRS LAI结合使用来研究全球和区域植被动态的可靠性。
该项研究成果由负责MODIS LAI C6产品生产和VIIRS LAI反演算法研发的闫凯老师，联合包括MODIS&VIIRS LAI/FPAR产品研发科学家Ranga B. Myneni和Yuri Knyazikhin在内的多国研究人员合作完成。近期以"Performance stability of the MODIS and VIIRS LAI algorithms inferred from analysis of long time series of products"为题发表于 Remote Sensing of Environment 杂志(IF 13.69)，将被收录于该杂志“Terra 20：Science”纪念专刊上。
2.背景介绍
LAI长时间序列是全球陆地生态系统模型的重要输入。MODIS和VIIRS LAI数据集被广泛应用于监测植被的时空变化规律，并在证明地球上植被正在显著增多的“全球变绿”现象上做出了卓越贡献。这些数据集也进一步支持了关于植被动态与全球气候变化以及人类活动之间关系的研究。
上述研究的有效性和结论正确性取决于LAI产品的可靠性。有许多研究量化了MODIS和VIIRS LAI数据集的准确性，可以将其分为三类：1）基于模型机制和误差传播理论推导。2）与其他产品或其他变量的交叉验证。3）使用基于地面的LAI测量进行直接验证。尽管已对MODIS和VIIRS产品进行了上述三种验证，但仅在短时间、特定区域里验证了它们的质量（即LAI不确定性）。
Terra和Aqua上的MODIS的传感器的运行周期都远远超过了6年的设计寿命，定标团队发现了传感器的明显退化。通过算法改进以及大气校正方法的调整，传感器衰退的影响已降至最低。此外，为了增强MODIS LAI反演算法的鲁棒性，反演算法不仅将BRF用作输入，还考虑了其不确定性。算法为BRF设置了不确定性缓冲区（近红外：20％，红光：5％），当BRF的不确定性超过预设缓冲范围时，将反映在理论质量指标（主算法反演率RetrievalIndex，RI和StdLAI）上。因此，当这些理论质量指标发生大的变化时，科学团队需要调整不确定性缓冲区大小，使其与BRF产品的实际不确定性相符。本文检查LAI算法的性能稳定性，以回答以下三个问题：1）LAI反演算法的配置是否仍然适用于当前BRF产品的不确定性；2）在MODIS传感器性能下降的情况下，LAI反演算法的性能稳定性是否足以支撑已发表的趋势相关研究；3）在MODIS仪器退役后，LAI和产品质量的一致性是否可以支持MODIS和VIIRS LAI的联合使用。
本研究基于如下假设：长时间序列中LAI的大小存在一定增长或下降趋势和明显的年际变化，但是产品质量应保持一致（质量指标应保持稳定）。因此，我们分三步研究了上述问题。首先，我们比较了MODIS和VIIRS产品在重叠期间的LAI稳定性特征，以分析其产品质量（从产品质量标记而不是基于地面的验证得出）有无变化。其次，我们对整个数据周期内产品质量的年际变化进行了全面的时空分析，以评估算法性能稳定性。最后，我们对MODIS LAI大小及其产品质量进行了趋势分析，以重新审视已发表的“全球变绿”研究。
图1 选定的BELMANIP2.1站点在2017年MCD12Q1 LAI分类方案中的全球分布情况，图中点代表站点
本研究通过BELMANIP 2.1的445个站点（图1）代表全球分析MODIS/VIIRS LAI产品质量的时间变化，用以减少全球范围的计算量和土地覆被分类所带来的不确定性。而为了分析LAI产品质量的空间分布，本研究通过降尺度（500 m至5 km）的方法分析了全球LAI幅值和质量指标的变化。而针对“全球变绿”现象，研究区域范围则为64.35°E至139.06°E和2.74°N至58.32°N，覆盖了整个中国，印度，西伯利亚南部和东南亚北部。
3.研究方法
1）本研究使用了一年中46个LAI反演结果的平均值进行时间序列分析。还使用距平（StandardizedAnomaly，SA）量化了LAI及其产品质量指标的时间变化趋势，以更好地比较不同变量的趋势。SA的计算公式为：
2）曼·肯达尔（Mann Kendall，MK）检验是用于气候分析和预测的常用统计方法，该方法可以确定时间序列中是否存在重大趋势。我们对所有趋势分析均采用了MK检验，以确保检测到的趋势具有统计显著性，
3）方差分析（Analysis of Variance，ANOVA）可以用于获取两个或更多样本之间均值的显著差异。整个ANOVA的基本步骤如下：（1）设置原始假设：H0-无差异；H1-显著差异。（2）选择检验统计量：方差分析中使用的检验统计量为F统计量，它是组间差异与组内差异的比率。（3）计算检验统计量的观测值和概率P值。（4）给出显著性水平，并做出决定。在本研究中，当P > 0.05时，假设H0被接受。
4) 本研究使用变异系数（Coefficient of Variation，CV）作为指标来分析LAI和产品质量指标的年际变化。使用CV来测量LAI，RI和StdLAI的年平均值的变异性，与变量的单位和绝对大小无关。
4.结果分析
图2 各植被类型的MOD15A2H和VNP15A2H的年平均主算法反演比例RI对比
为了分析MODIS LAI和VIIRS LAI在产品质量方面的一致性，本研究比较了产品质量指标RI（图2）在不同植被类型和LAI幅度下的年平均值。与VIIRS相比，在灌木（B2）和阔叶作物（B3）中的LAI值较高的情况下，MODIS提供了更好的主算法覆盖率（图2b，c）。对于其他5种生物群落类型，在低LAI情况下，MODIS和VIIRS的RI彼此非常接近。但是，RI的相关性在高LAI时波动较大，这可能是饱和所导致的。但从整体来说，MODIS和VIIRS的RI高度一致，其R2为0.88。
图3 MODIS（2001-2019）和VIIRS（2013-2019）的LAI，RI和StdLAI稳定性分析以及MODIS的LAI，RI和StdLAI趋势分析
比较LAI及其产品质量，我们可以观察到，在大多数情况下，RI和StdLAI的年际变化（以CV值表示）均小于LAI。这也表明，LAI的年际变化更大，其产品质量指标也更稳定。而与MODIS相比，VIIRS在LAI幅值和产品质量指标方面更稳定（CV较小），这可能是由于MODIS（2001-2019）和VIIRS（2013-2019）的研究时间不同所致。当我们混合植被类型时，我们发现LAI（4.5％/a）的增长趋势非常显著，但RI或StdLAI都没有显著趋势，这意味着，MODIS LAI的质量没有显著变化。该结果证明了在传感器衰退的情况下，MODIS科学团队进行的校正工作的有效性。
图4 MODIS和VIIRS的LAI及其质量指标年际变化稳定性的空间分布
LAI产品的质量及其大小与植被类型，地理位置，地形和当地气候条件等相关。因此，我们通过降尺度方法（500 m-5 km）绘制了LAI幅值及其产品质量变化的全球覆盖图。图4a -2和b-2显示了RI的较浅颜色，这表明RI的变化小于LAI和StdLAI。这在图4c和d中更加明显，RI的CV小于LAI和StdLAI。图4还显示了两个产品的LAI和StdLAI的CV值具有很强的空间一致性。此外，我们还可以观察到，就LAI幅值及其产品质量而言，MODIS和VIIRS之间CV的空间分布高度一致。LAI和StdLAI的年际变化随纬度而变化，通常在高纬度比在低纬度处显示更高的CV（北极除外）。
图5 MODIS的LAI及其质量指标年际变化趋势的空间分布
与RI相比，StdLAI显示出更少的白色像元，这表明StdLAI具有更加明显的趋势，也表明产品质量没有显示出明显的趋势。与图4相同，LAI和StdLAI显示出明显的空间一致性。我们还注意到一些分散的彩色像元，这些像元不能支持我们得出下降趋势或上升趋势的一致结论。北半球中纬度和高纬度植被带的LAI显示出明显的增长趋势，这与已发表的趋势研究一致。
图6 亚洲的MODIS LAI及其产品质量指标（RI和StdLAI）在2001年至2019年的变化趋势
在MODIS记录期间（2001-2019年），中国和印度大部分地区呈现出清晰的绿化趋势（图6a中的绿色和蓝色像元），这与先前的研究相符。据统计，从2001年到2019年，整个亚洲地区植被显著增长的区域达到33.09%，而且植被显著下降的区域面积仅有1.73％。我们还注意到，LAI和StdLAI均通过了MK测试，LAI的趋势为7.72％/a，StdLAI的趋势为2.09％/a，而RI没有显著的变化趋势。比较图6a，b和c，我们发现具有清晰LAI趋势的像元没有显示出RI的显著下降趋势或StdLAI的显著上升趋势，这表明变绿或变黄现象不是由数据质量引起的，从而使“亚洲变绿”的研究更加可信。
图7 MODIS（左）和VIIRS（右）的无云/无气溶胶像元的百分比和LAI产品质量指标（RI和StdLAI）的年际变化
除了算法的理论不确定性外，输入反射率不确定性（主要是由大气校正引起的）也会影响产品质量。除此之外，大气条件的变化也会影响LAI的反演精度。因此，我们需要排除此影响，以便更好地分析传感器退化对LAI产品质量的影响。在此，我们测试了以下假设：产品质量的变化是由于云/气溶胶的变化所致，而不是由于算法本身的不确定性，BRF不确定性和传感器性能下降导致的。从图7可以看出，在MODIS和VIIRS期间，大气条件都保持稳定。但是，与MODIS相比，VIIRS高估了无云的百分比，并且低估了无气溶胶像元的百分比。此外，我们发现MODIS的RI受云的影响更大，而VIIRS受气溶胶的影响更大。对于MODIS（VIIRS），RI与无云和无气溶胶的相关性值分别为0.22（0.87）和0.77（0.69）。我们还发现云/气溶胶对RI的影响大于对StdLAI的影响。根据以上分析，影响LAI产品质量（如云和气溶胶）的大气条件没有显示出明显的年际变化。因此，我们可以忽略大气条件变化趋势对产品质量变化趋势的影响。
5.结论
本研究基于如下假设：长时间序列中LAI大小应存在一定增大或降低趋势和明显的年际变化规律，但是产品质量应保持一致性，因而质量指标（即StdLAI和RI）应具有时序稳定性。本研究在MODIS（2001-2019年）和VIIRS（2013-2019年）时序里对LAI大小和产品质量的年际稳定性和趋势性进行分析以检验该假设。结果显示，LAI反演算法的性能稳定性足以支持已发表的LAI趋势相关的研究（如中印变绿）。MODIS和VIIRS LAI产品也在其相应时段内保持了相对稳定的反演精度，并且在LAI大小和产品质量上均显示出良好的一致性。这间接增强了独立使用MODISLAI产品或与其后续产品VIIRSLAI结合使用以研究全球和区域植被动态的可靠性。
6.论文信息
论文标题：
Performance stability of the MODIS and VIIRS LAI algorithms inferred from analysis of long time series of products
论文作者：闫凯, 濮嘉彬, Taejin Park, 徐保东, 曾也鲁, 阎广建, MarieWeiss, Yuri Knyazikhin, Ranga B. Myneni
通讯作者：闫凯 kaiyan@cugb.edu.cn;濮嘉彬 Pujiabin@cugb.edu.cn
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
