(49-3) 16 * << * >> * Русский * English * Содержание * Все выпуски

Разработка и оценка индекса листовой поверхности LAI растительного покрова России на основе разноугловых наблюдений КМСС (Метеор-М) и нейросетевой инверсии модели PROSAIL
Д.Е. Плотников 1, Ц. Чжоу 2, П.А. Колбудаев 1, Е.А. Лупян 1, А.М. Матвеев 1, М.В. Зимин 2, Б.С. Жуков 1, Т.В. Кондратьева 1, С.В. Лебедев 3

1 Институт космических исследований РАН,
117997, Россия, Москва, ул. Профсоюзная, д. 84/32;
2 Московский государственный университет им. Ломоносова,
Россия, Москва, 119991, Ленинские горы, д. 1;
3 Федеральный научный центр биологических систем и агротехнологий РАН,
460000, Россия, Оренбург, ул. 9 Января, д. 29

  PDF, 3738 kB

DOI: 10.18287/2412-6179-CO-1621

Страницы: 504-516.

Аннотация:
В работе впервые описан метод дистанционной оценки индекса листовой поверхности LAI по данным прибора КМСС российской спутниковой системы Метеор-М с пространственным разрешением 60 метров. В основе метода лежит решение обратной задачи переноса излучения в растительном пологе с заданными краевыми условиями на основе модели переноса излучения PROSAIL, дистанционных измерений спектральной яркости прибором КМСС и известных условий наблюдения и освещения. В качестве алгоритма инверсии была использована параметризованная и обученная модель на основе полносвязной нейронной сети. При создании обучающей выборки использовался полный ортогональный план для описания комбинаций входных параметров модели, при этом были учтены распределения и сораспределения характеристик по результатам метаанализа для отражения имеющихся в природе взаимосвязей. В работе была исследована эффективность двух различных схем наблюдения – классической надирной и характерной для прибора КМСС-М разноугловой с углами ±8,67°. Была показана достаточно высокая модельная точность оценки LAI: RMSE=1, MAE=0,705 и R2=0,722. На основе разработанного метода был рассчитан и исследован продукт LAI по данным КМСС-2 с разрешением 60 метров на территорию России за 2022 год. Попиксельное сравнение результатов оценки LAI по данным КМСС-2 с продуктом NASA LAI (MODIS MCD15A3H) за бесснежный период 2022 года также указывает на достаточно высокие характеристики полученного в результате работы продукта: RMSE=1,065, MAE=0,669 и R2=0,668. Разработанный в рамках настоящей работы метод создания продукта LAI по данным прибора КМСС повысит эффективность и оперативность приложений, связанных с высокодетальным дистанционным экологическим мониторингом на основе данных российских спутниковых систем.

Ключевые слова:
LAI, КМСС, PROSAIL, Метеор-М, разноугловые наблюдения, нейросетевая инверсия, ортогональный план, растительный покров, биофизические характеристики.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда № 23-27-00412 (https://rscf.ru/project/23-27-00412/) с использованием ресурсов ЦКП «ИКИ-Мониторинг» [32] и оборудования ЦКП МГУ имени М.В. Ломоносова «Геопортал».

Цитирование:
Плотников, Д.Е. Разработка и оценка индекса листовой поверхности LAI растительного покрова России на основе разноугловых наблюдений КМСС (Метеор-М) и нейросетевой инверсии модели PROSAIL / Д.Е. Плотников, Ц. Чжоу, П.А. Колбудаев, Е.А. Лупян, А.М. Матвеев, М.В. Зимин, Б.С. Жуков, Т.В. Кондратьева, С.В. Лебедев // Компьютерная оптика. – 2025. – Т. 49, № 3. – С. 504-516. – DOI: 10.18287/2412-6179-CO-1621.

Citation:
Plotnikov DE, Zhou Z, Kolbudaev PA, Loupian EA, Matveev AM, Zimin MV, Zhukov BS, Kondratieva TV, Lebedev SV. Development and assessment of Leaf Area Index of Russia's vegetation cover based on multi-angular observations by KMSS (Meteor-M) and neural network inversion of PROSAIL model. Computer Optics 2025; 49(3): 504-516. DOI: 10.18287/2412-6179-CO-1621.

References:
  1. Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review. Remote Sens Environ 2020; 236(5): 111402. DOI: 10.1016/j.rse.2019.111402.
  2. Waldner F, Schucknecht A, Lesiv M, et al. Conflation of expert and crowd reference data to validate global binary thematic maps. Remote Sens Environ 2019; 221: 235-246. DOI: 10.1016/j.rse.2018.10.039.
  3. Shabanov NV, Bartalev SA, Eroshenko FV, Plotnikov DE. Development of capabilities for remote sensing estimate of Leaf Area Index from MODIS data [In Russian]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa 2018; 15(4): 166-178. DOI: 10.21046/2070-7401-2018-15-4-166-178.
  4. GCOS, WMO. Systematic observation requirements for satellite-based data products for climate – 2011 update. GCOS, WMO: Geneva, Switzerland; 2011.
  5. Wang L, Good SP, Caylor KK. Global synthesis of vegetation control on evapotranspiration partitioning. Geophys Res Lett 2014; 41(19): 6753-6757. DOI: 10.1002/2014GL061439.
  6. Boussetta S, Balsamo G, Beljaars A, Kral T, Jarlan L. Impact of a satellite-derived leaf area index monthly climatology in a global numerical weather prediction model. Int J Remote Sens 2013; 34(9-10): 3520-3542. DOI: 10.1080/01431161.2012.716543.
  7. Fuster B, Sánchez-Zapero J, Camacho F, García-Santos V, Verger A, Lacaze R, Weiss M, Baret F, Smets B. Quality assessment of PROBA-V LAI, fAPAR and fCOVER collection 300 m products of copernicus global land service. Remote Sens 2020; 12(6): 1017. DOI: 10.3390/rs12061017.
  8. Yang W, Shabanov NV, Huang D, Wang W, Dickinson RE, Nemani RR, Knyazikhin Y, Myneni RB. Analysis of leaf area index products from combination of MODIS Terra and Aqua data. Remote Sens Environ 2006; 104(3): 297-312. DOI: 10.1016/j.rse.2006.04.016.
  9. Bacour C, Baret F, Béal D, Weiss M, Pavageau K. Neural network estimation of LAI, fAPAR, fCover and LAI× Cab, from top of canopy MERIS reflectance data: Principles and validation. Remote Sens Environ 2006; 105(4): 313-325. DOI: 10.1016/j.rse.2006.07.014.
  10. Polyanskiy IV, Zhukov BS, Kondratieva TV, Prokhorova SA, Smetanin PS. Medium-resolution multispectral satellite imaging system for hygrometeorological spacecraft [In Russian]. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 2019; 16(6): 83-92. DOI: 10.21046/2070-7401-2019-16-6-83-92.
  11. Plotnikov DE, Kolbudaev PA, Matveev AM, et al. Accuracy assessment of atmospheric correction of KMSS-2 Meteor-M #2.2 Data over Northern Eurasia. Remote Sens 2023; 15(18): 4395. DOI: 10.3390/rs15184395.
  12. Plotnikov DE, Kolbudaev PA, Loupian EA. An automatic method for subpixel registration of KMSS-M imagery based on coarse-resolution actualized reference. Computer Optics 2022; 46(5): 818-827. DOI: 10.18287/2412-6179-CO-1098.
  13. Plotnikov DE, Loupian EA, Kolbudaev PA, et al. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems. VIII Int Conf on Information Technology and Nanotechnology (ITNT) 2022: 1-5. DOI: 10.1109/ITNT55410.2022.9848630.
  14. Kuusk A. Canopy radiative transfer modeling. In Book: Liang S, ed. Compregensive remote sensing, Volume 3. Oxford: Elsevier; 2018: 9-22. DOI: 10.1016/B978-0-12-409548-9.10534-2.
  15. Baret F, Buis S. Estimating canopy characteristics from remote sensing observations: Review of methods and associated problems. In Book: Liang S, ed. Advances in land remote sensing. System, modeling, inversion and application. Springer Science+Business Media BV; 2008: 173-201. DOI: 10.1007/978-1-4020-6450-0_7.
  16. Goel NS. Inversion of canopy reflectance models for estimation of biophysical parameters from reflectance data. In Book: Asrar G, ed. Theory and applications of optical remote sensing. New York: Wiley; 1989: 205-251.
  17. Berger K, Atzberger C, Danner M, D’Urso G, Mauser W, Vuolo F, Hank T. Evaluation of the PROSAIL model capabilities for future hyperspectral model environments: A review study. Remote Sens 2018; 10(1): 85. DOI: 10.3390/rs10010085.
  18. Bacour C, Jacquemoud S, Leroy M, et al. Reliability of the estimation of vegetation characteristics by inversion of three canopy reflectance models on airborne POLDER data. Agronomie 2002; 22(6): 555-565. DOI: 10.1051/agro:2002039.
  19. Li L, Jamieson K, DeSalvo G, Rostamizadeh A, Talwalkar A. Hyperband: A novel bandit-based approach to hyperparameter optimization. J Mach Learn Res 2018; 18(1): 6765-6816.
  20. Feret JB, François C, Asner GP, et al. PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments. Remote Sens Environ 2008; 112(6): 3030-3043. DOI: 10.1016/j.rse.2008.02.012.
  21. Féret JB, Gitelson AA, Noble SD, Jacquemoud S. PROSPECT-D: Towards modeling leaf optical properties through a complete lifecycle. Remote Sens Environ 2017; 193: 204-215. DOI: 10.1016/j.rse.2017.03.004.
  22. Scurlock JMO. Worldwide historical estimates of leaf area index, 1932-2000. ORNL/TM-2001/268. Oak Ridge National Lab; 2002.
  23. Weiss M, Baret F, Jay S. S2ToolBox Level 2 products LAI, FAPAR, FCOVER. Research Report. EMMAH-CAPTE, INRAE Avignon; 2020.
  24. Masson V, Champeaux JL, Chauvin F, Meriguet C, Lacaze R. A global database of land surface parameters at 1-km resolution in meteorological and climate models. J Clim 2003; 16(9): 1261-1282. DOI: 10.1175/1520-0442(2003)16<1261:AGDOLS>2.0.CO;2.
  25. Baret F, Morissette JT, Fernandes RA, et al. Evaluation of the representativeness of networks of sites for the global validation and intercomparison of land biophysical products: Proposition of the CEOS-BELMANIP. IEEE Trans Geosci Remote Sens 2006; 44(7): 1794-1803. DOI: 10.1109/TGRS.2006.876030.
  26. Weiss M, Baret F, Smith GJ, Jonckheere I, Coppin P. Review of methods for in situ leaf area index (LAI) determination: Part II. Estimation of LAI, errors and sampling. Agric For Meteorol 2004; 121(1-2): 37-53. DOI: 10.1016/j.agrformet.2003.08.001.
  27. Garrigues S, Shabanov NV, Swanson K, Morisette JT, Baret F, Myneni RB. Intercomparison and sensitivity analysis of Leaf Area Index retrievals from LAI-2000, AccuPAR, and digital hemispherical photography over croplands. Agric For Meteorol 2008; 148(8-9): 1193-1209. DOI: 10.1016/j.agrformet.2008.02.014.
  28. Weiss M, Baret F, Leroy M, Hautecœur O, Bacour C, Prevol L, Bruguier N. Validation of neural net techniques to estimate canopy biophysical variables from remote sensing data. Agronomie 2002; 22(6): 547-554. DOI: 10.1051/agro:2002036.
  29. Liu W, Baret F, Gu X, Zhang B, Tong Q, Zheng L. Evaluation of methods for soil surface moisture estimation from reflectance data. Int J Remote Sens 2003; 24(10): 2069-2083. DOI: 10.1080/01431160210163155.
  30. Jacquemoud S, Baret F, Hanocq JF. Modeling spectral and bidirectional soil reflectance. Remote Sens Environ 1992; 41(2-3): 123-132. DOI: 10.1016/0034-4257(92)90072-R.
  31. Myneni R, Knyazikhin Y, Park T. MODIS/Terra+Aqua Leaf Area Index/FPAR 4-Day L4 Global 500m SIN Grid V061 [Data set]. NASA EOSDIS Land Processes Distributed Active Archive Center. 2024. Source: <https://catalog.data.gov/dataset/modis-terraaqua-leaf-area-index-fpar-4-day-l4-global-500m-sin-grid-v061-73ff7>. DOI: 10.5067/MODIS/MCD15A3H.061.
  32. Loupian EA, Proshin AA, Bourtsev MA, Balashov IV, Bartalev SA, Efremov VYu, Kashnitskiy AV, Mazurov AA, Matveev AM, Sydneva OA, Sychugov IG, Tolpin VA, Uvarov IA. IKI center for collective use of satellite data archiving, processing and analysis systems aimed at solving the problems of environmental study and monitoring [In Russian]. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 2015; 12(5): 263-284. DOI: 10.21046/2070-7401-2017-14-7-136-152.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20