原始研究的文章

前面。远程Sens。, 2022年3月14日
秒,数据融合和同化
卷3 - 2022 | https://doi.org/10.3389/frsen.2022.810030

建模的碳吸收量旱地玉米使用高分辨率卫星图像

多萝西Menefee ¹ ^__,

Nithya Rajan ¹*,

Sanaz Shafian ²和

崔的歌 ³

¹土壤及农作物科学,德州农工大学学院站,TX,美国
²植物与环境科学学院,弗吉尼亚理工大学,布莱克斯堡,弗吉尼亚州,美国
³农业科学学院中田纳西州立大学,莫非斯堡,TN、美国

量化碳吸收或总初级生产力(GPP)从农业生态系统是很重要的对于理解的时空动态碳固定的作物。高分辨率遥感数据的可用性可以显著提高GPP估计小规模农业领域。多光谱卫星数据与模空间分辨率和频繁的全球覆盖范围可从PlanetScope的卫星网络。然而,这个数据还没有被探测研究农业生态系统的碳动力学。本研究的总体目标是开发一个简单的实证方法量化旱地玉米的GPP (玉蜀黍L。)利用遥感植被指数现场光合成有效辐射和叶面积指数的测量通过连接碳吸收数据从一个涡度相关通量塔。四个植被指数进行了归一化植被指数(NDVI)、土壤调节植被指数(SAVI),加权植被指数(WDVI)和双波段增强植被指数(EVI2)。本研究是一项为期三年的时期从2017年到2019年的中东部。总共有12个GPP预测模型使用个人年度数据和用于开发预测GPP的其他2年。预测玉米对tower-based GPP GPP价值观进行比较。归一化植被指数模型成功预测GPP和最小均方根误差最高(平均:10.1 3 gC m⁻²;gC最高:26.3米⁻²)。模型基于萨维表现特别好gC误差从0.05到0.94米⁻²。回归之间的斜率SAVI-based估计GPP和测量GPP没有不同于1.0年的所有组合。SAVI-based GPP的成功模型预测旱地玉米碳吸收量表明它是最不影响植被指数通过改变土壤背景条件这一行种植制度。

介绍

光合作用的二氧化碳(有限公司₂)吸收和呼吸是重要的机制,确定农业生态系统的碳源或下沉状态(毛尔et al ., 2020)。开发作物管理措施,促进碳封存关键是现代农业生产方式,大大促进了能源消耗和温室气体(GHG)排放在全球范围内(Weinheimer et al ., 2010;白et al ., 2019)。初级生产总值(GPP),有限公司₂捕捉到一个生态系统通过光合作用,是最大的陆地碳汇(Menefee et al ., 2020)。GPP的一部分被消耗在植物的呼吸作用和其余存储为净初级生产(NPP)或生物质(Suyker et al ., 2004)。GPP是与光合作用密切相关的活动,监视GPP可以协助确定生态系统对气候变化的脆弱性,土地利用和人类活动。

在农业生态系统中,GPP与作物生物量生产密切相关。大部分的作物生物量收获期间通常是远离现场。剩余的植物在田里耕种回土壤表面或离开。耕作措施可能导致大量土壤扰动,进而增加有机质分解和呼吸(Govindasamy et al ., 2020;萨帕塔et al ., 2021)。呼吸失去碳加上收获的生物量的删除会导致稳步下降在农田土壤碳储量。由于环境因素和管理实践的贡献的影响碳动态,准确估算GPP的农业系统是至关重要的对于理解如何种植制度与大气碳池,既是水槽和源有限公司₂排放。

使用卫星遥感、航空和地面平台提高了我们的能力,研究人类活动对生态系统的影响发展和过程,包括植物生长分析和碳循环(帕迪拉et al ., 2012;Rajan et al ., 2014;穆雷et al ., 2016;Shafian et al ., 2018)。将卫星和航空图像与数据分析算法大大改善了过去几十年,现在广泛用于许多农业生态的研究。卫星遥感地面测量相比,有几个好处。的主要优点是卫星数据可以覆盖更大的地区相比,地面传感器和是一个可靠的和易于访问的数据来源评估远程位置。各种研究调查的能力利用卫星GPP估计在决定命运的碳在不同生态系统在区域和全球尺度上(波特,1999;Rambal et al ., 2014)。在农业环境中,遥感碳吸收量估计也可以提高产量预测GPP作物生物量生产联系紧密,如草本、颗粒或纤维生物质(Alganci et al ., 2014;他et al ., 2018年)。

在过去的几十年里,多个方法的建模GPP利用遥感数据已经被开发出来,包括植被光合作用模型(VPM),绿色和辐射(GR),温度和绿色(TG)模型(吴et al ., 2014;金et al ., 2015;董et al ., 2017;江et al ., 2021)。这些方法使用统计关系从遥感植被指数(VI)估计数据和GPP总值估计碳吸收量以最少的额外的输入。其他方法,比如VPM,使用少量使用效率(卢)基于GPP有关分数的乘积的吸收光合有效辐射(fAPAR)和卢植物的研究。这种类型的模型最初提出的环球(1977)已经被广泛使用和修改以适应GPP建模工作的需要(他et al ., 2018年)。这种方法最常见的修改是取代fAPAR或效率项VI估计从遥感数据。多个研究表明,卢和活力相关VI可以取代卢组件建模GPP (吴et al ., 2010;时et al ., 2015)。

高分辨率的出现(空间和时间)成像卫星提供了优秀的潜力提高GPP估计通过提高精度,然而,它一直没有得到充分的研究。PlanetScope网络就是这样一个高分辨率的成像卫星网络(行星实验室Inc .)、旧金山、钙、美国),由超过130多光谱成像卫星图像提供三个光谱波段可见范围和一个近红外(NIR)乐队。PlanetScope日常图像空间分辨率的卫星从400公里的太阳同步轨道上的模,提供更大的空间分辨率比其他常用的卫星系统(即。,MODIS 250 m分辨率对于大多数乐队和日常重复周期;陆地卫星有30米分辨率对大多数乐队和为期16天的重复周期)。

为现场GPP估计,最常见的一种是涡度相关方法和有效的方法。涡度相关micrometeorological方法广泛用于测量气体流量(Baldocchi 2020)。利用涡度相关,净生态系统交流有限公司₂(NEE)确定生物圈和大气之间的垂直风速和公司之间的协方差₂浓度(Rajan et al ., 2013)。高速测量风速和有限公司₂浓度一般用快速响应(即工具。,10 Hz或以上)。在白天期间,测量需要使用这种方法代表公司总值之间的平衡₂通过光合作用吸收(GPP)和有限公司₂通过生态系统呼吸释放包括自养和异养呼吸。夜间通量仅生态系统呼吸自养和异养来源。

结合PlanetScope卫星数据与GPP估计使用涡度相关方法可以帮助构建高精度GPP预测模型。这样的模型可以非常有用的升级通量数据测量以及估算作物产量和碳足迹在更大的空间和时间尺度上。然而,这样的研究涉及高分辨率卫星数据和艾迪covariance-based测量GPP的旱地农业系统是稀缺的。在这项研究中,我们开发了相对简单的回归模型GPP利用PlanetScope VIs估计卫星数据,并与艾迪covariance-based GPP估计从传统的旱地玉米(玉蜀黍L。在中东部)场。我们的目标是测试相对简单VI-based GPP回归模型代替复杂的卢模型。特别地,研究了四个VIs、归一化植被指数(NDVI)、土壤调节植被指数(SAVI),加权植被指数(WDVI)和双波段增强植被指数(EVI2)。

材料和方法

网站信息

一项为期三年的研究在34-ha旱地玉米农场位于德州农工大学研究领域(图1大学城附近),TX (30°32′46.2 N, 96°25′19.7 W,海拔112米)。该地区属亚热带湿润(Koppen Cfa)的气候,年均温度20.6°C。30年平均降水1018毫米,双峰模式最高的降雨通常发生在5月,6月和10月(Menefee et al ., 2021)。在该研究领域有三个土壤类型,主要与shrink-swell粘土矿物。大约90%的领域是由船只粘土(Halpludert铬)和Weswood粉质粘土(Udifluventic Haplustepts),其余地区由Weswood粉砂壤土(Udifluventic Haplustepts) (图1)。

图1

图1。(一)大学城附近位置的研究领域,德克萨斯州,美国;(B)涡度相关通量塔在田里,(C)高分辨率PlanetScope卫星图像研究领域的白色轮廓表示边界和黄色恒星表明通量塔的位置。数字1 - 3代表土壤类型出现在网站和橙色线表示土壤类型之间的边界。

玉米田间管理使用实践,是典型的地区。玉米种植于3月10日((机灵)69年的一天),2017年3月6日机灵(65),2018年3月和7机灵(66)2019年种子播种率为60000公顷⁻¹。Disc-tillage种植在2017年和2018年之前进行。由于异常潮湿的土壤条件和短种植窗,播前耕作并不表现在2019年。高产玉米杂交种每年种植(b - h 8845俄罗斯外贸银行2017年,先锋P1602是在2018年,2019年和迪卡尔布67 - 42)。行间距为0.76米。氮肥后应用种植125公斤N公顷的速度⁻¹尿素硝铵(32-0-0)在所有3年。机灵玉米收获2017年7月25日(206年),2018年7月19日机灵(200),并于2019年8月12日机灵(224)。植物残体分解收获后土壤和耕作使用光盘耕作。

卫星图像数据

与全区域覆盖卫星图像从万里无云的天从地球实验室下载Inc .(美国旧金山,CA)。十二个图像选择在2017年的生长季节机灵(79 - 203),18图片选择机灵(66 - 200),2018年和14图像机灵(65 - 221)在2019年被选中。光谱波段包括红色(590 - 670 nm),绿色(500 - 590 nm),蓝色(455 - 515 nm)和近红外光谱(780 - 860海里)。16位的辐射分辨率图像的像素大小3 m×3 m。下载的图片进行了分析使用图像处理软件的环境(版本5.3;美国哈里斯地理空间,博尔德有限公司)。数字数字值转换为大气反射,随后使用系数提供地球表面反射辐射产品(我想,2021)。转换为气溶胶的影响表面反射率修正,臭氧、使用内部模型和水蒸气从MODIS和额外的输入数据(我想,2021)。整个研究领域的平均带值(大约112000像素)然后提取VIs计算如下:

N D V 我 = \frac{(N 我 R - R e d)}{(N 我 R + R e d)} (1)

年代 一个 V 我 = \frac{(N 我 R - R e d)}{(N 我 R + R e d + 0.5)} * 1.5 (2)

W D V 我 = N 我 R - (1.06 * R E D) (3)

E V 我 2 = 2.5 * \frac{N 我 R - R E D}{1 + N 我 R + 2.4 * R E D} (4)

土壤调节植被指数计算土壤调节系数为0.5 (Huete 1988)。加权计算植被指数使用土壤线的斜率,1.06 (聪明的,1991)。增强型植被指数计算2双波段版本,增益系数为2.5,土壤调节系数为1.0(不同于萨维),和一个气溶胶修正2.4(从蓝带)(张,2015)。当我们需要一个VI生长季节每一天的价值,简单线性回归分析被用来估计每日VI值两个收购日期。

涡度相关仪器和通量处理

涡度相关通量塔始建于2017年2月,不断保持,直到2019年12月。在生长季节期间收集的数据(从种植到收获)是用于GPP建模。主要仪器包括两个快速响应仪器:气体分析仪测量有限公司₂模型和水蒸气浓度(li - 7550;LI-COR生物科学,林肯,美国东北)和三维声波风速计(模型CSAT-3,坎贝尔科学,洛根,UT,美国)温度测量风速和声波。仪器被附加到一个水平桅杆在三脚架上面对东南部,盛行风的方向在该地区(图1)。水平桅杆的高度调整经常保持2米以上仪器高度植物树冠保持近似200获取(测量半径)。每年气体分析仪的校准,其内部的化学物质(有限公司₂和H₂O净化器)被推荐的制造商。仪器都是连接到LI-COR SmartFlux现场数据记录和通量处理系统。数据来自两个仪器收集10赫兹的频率。

开源EddyPro(6.2.2)版软件(NE LI-COR生物科学,林肯,美国)被用于磁处理。EddyPro之前执行几个后处理修正计算最后一边娘家姓的通量。这些修正包括坐标旋转,频率响应修正,修正为空气密度的波动,和传感器分离延迟(Menefee et al ., 2020)。后处理后,EddyPro标记数据质量测试基于内部动荡。高质量的数据是用“0”,中等质量与“1”和“2”的低质量。低质量的数据主要发生在降水事件和摩擦速度小于0.2时。日常维护(即。,calibration), instrument shutdown during management activities (i.e., planting), and occasional power failure also created gaps in the data. Gap filling was used to predict missing and poor-quality data points. We used the Max Plank Institute for Biogeochemistry’s R-based gap-filling program (REddyProc version 72 written in R Gui 3.4.1), which fills data gaps based on a marginal distribution algorithm (Reichstein et al ., 2005),使用气象变量计算失踪的流量数据。同一个程序分区的娘家姓的到它的两个组件通量,GPP(同化通量)和R_生态(呼吸通量)使用nighttime-based通量分区方法。nighttime-based通量的分区方法,REddyProc算法决定了温度和夜间有限公司之间的关系₂通量,因为所有夜间通量是R_生态。这种关系被用来计算白天R_生态作为温度的函数,最后计算GPP NEE和R_生态娘家姓的是R的总和_生态和GPP (Rajan et al ., 2013)。最后,总结所有一边GPP值估计每天的碳吸收量。每日GPP值被用于估计每周平均发展中回归模型。

天气

额外的气象仪器安装现场收集天气和土壤数据。特别是空气温度和相对湿度测量使用HMP155A探针(芬兰Vaisala,万塔)。光合有效辐射(PAR)用量子测量传感器(li - 190 r, Li-COR,林肯,东北,美国)。一个引爆bucket-style雨量计(德克萨斯州TE525电子、达拉斯、TX,美国)被用来测量降水。所有额外的气象仪器都连接到一个CR3000数据记录仪(坎贝尔科学,洛根、UT、美国)。仪器的读数是每2年代收集的,后来用于计算一边平均水平。降水估计累积求和一边忙期。

叶面积指数

植物样本收集每隔一周从六个选定的区域内。在每个位置,15植物被随机选中,狼狈地为叶面积取样。叶面积测量通过采样树叶通过li - 3100叶面积仪(NE LI-COR,林肯,美国)。叶面积指数(LAI)是计算使用测量叶面积和人口数据。

总初级生产力模型开发和验证

考虑到有限的数量₂固定在光合作用通常是成正比的PAR吸收植物树冠,常见的方法估计GPP可以形式化如下:

GPP = 卢*面值* f APAR (5)

卢在哪里光利用效率(g乔丹⁻¹),PAR是入射光合成有效辐射(微克分子m²年代⁻¹),fAPAR的一部分被植物吸收林冠不相上下。卢和的测量fAPAR通常需要进行大量的数据收集。扩展的应用这个模型中,多个作者提出的一些变化。例如,GPP已被证明是成正比的VI * PAR以类似的方式与卢*标准相比,对多种作物,包括玉米(Gitelson et al ., 2012;彭et al ., 2013;他et al ., 2018年)。此外,赖昌星被证明与相关联fAPAR草原由植物与横向的叶子和农田大量的进行植物空间(例如,行间距),赖在哪里通常少于4 (阿诺et al ., 2013)。

在这项研究中,我们假设基于涡度相关的GPP VI的乘积成正比,赖,票面所示情商。。

GPPαVI *赖*标准 (6)

为了验证这个假设,我们开发了GPP回归模型使用单远程感觉到活力,LAI PAR和涡度相关GPP数据。简单线性回归模型使用VI *赖* PAR的产品开发作为独立变量和艾迪covariance-based GPP作为因变量。使用数据从每年,我们开发了四个模型使用归一化植被指数,萨维,WDVI EVI2。总共十二GPP预测模型是使用数据从3年。这些单年数据建立线性回归模型被用来预测GPP其他2年。例如,线性回归模型使用2017年的数据被用来开发预测GPP在2018年和2019年。模拟GPP相比现场GPP来确定模型的准确性。

统计分析

统计分析了使用SigmaPlot(14.0版)和R(3.4.1版)。协议(d-index)指数计算使用以下方程7情商。:

d = 1 - (\frac{\sum {(y - x)}^{2}}{\sum {(| x - \bar{y} | + | y - \bar{y} |)}^{2}}] (7)

其中x是模拟值和y是观测值。d-index显示的程度之间的协议模型数据和实测数据。D-index值介于0和1之间,更适合接近1.0。均方根误差(RMSE)计算如下情商。:

R 米 年代 E = \sqrt{\frac{\sum {(x - y)}^{2}}{n}} (8)

协议建模和原位使用简单线性回归GPP也被调查。线性回归分析模型的使用SigmaPlot和斜率比较在SigmaPlot 1.0使用界函数。确定系数(R²)也用于比较预测和测量GPP之间的协议。

结果

季节性的植被指数和总初级生产力

有玉米生长在三个生长季节的差异也反映在季节性VI曲线和涡度相关GPP (图2,3分别)。所有四个植被指数遵循了类似的模式,在所有3年机灵在150年达到顶峰。这个季节的变化增长主要是由于天气的变化,主要降水(图4)。这是明显的累积沉淀和累积GPP之间强有力的协议(R²= 0.97)。

图2

图2。季节性的植被指数在2017年的生长季节,2018年和2019年旱地玉米场附近的大学站,美国德克萨斯州。植被指数包括归一化植被指数(NDVI)、土壤调节植被指数(SAVI),加权植被指数(WDI)和增强型植被指数2 (EVI2)。

图3

图3。每日总初级生产力(GPP)的玉米在2017年、2018年和2019年的生长季节。

图4

图4。月平均气温和累积降水量在大学城附近3年(2017 - 2019),美国TX。高降水在2017年8月是由于飓风哈维。

在所有3年,在3月初种植玉米。然而,2017年3月平均气温变暖比2018年和2019年(19.1°C到17.5°C和14.7°C相比,分别)和高土壤水分、作物可能导致更快的建立。每日GPP是2018年最高(26.8 g厘米⁻²)相比,2017 g(20.9厘米⁻²)和2019 g(20.0厘米⁻²)。最大程度上的每日GPP时期恰逢生殖生长阶段在5月和6月,2018比2017年或2019年的温暖(26.9°C相比,25.1和25.5°C)。在衰老阶段2019年的生长季节,每日GPP是高于2017年和2018年,这是反映在所有四个植被指数。这个赛季中段GPP,可见植物生长在很大程度上是受到温暖的季节杂草的生长,尤其是Bermudagrass (香附子)和帕默苋菜(苋属palmeri)在生长季节的后面部分,由高降水收到现场post-maturity期间的玉米。有相当大的差异,降水之间的3年。2019年生长季降水(March-July)(618毫米)显著高于其他2年。最少的生长季节降水在2018年收到(330毫米)。2017年降水量452毫米。年降水量1346毫米2017(包括从飓风哈维雨),2019年为2018 1234毫米,1060毫米。尽管有些GPP和降水的季节性模式的差异,总碳吸收量之间的3年是相似的。累积生长季节GPP是1361 g厘米⁻²2017年,1408 g厘米⁻²在2018年和1374年g厘米⁻²在2019年。

总初级生产力模型

GPP的预测模型是为每年开发利用每周的平均价值六世* *赖和艾迪covariance-based GPP (p< 0.0001)。所有12个模型在本质上是线性与R²在0.92和0.96之间(表1)。图5显示了VI的每周平均关系* *赖和不相上下现场GPP的3年的总和。与单模型类似,VI之间有很强的线性关系* *赖和不相上下现场GPP当数据的总和。SAVI-based模型最高R²值为0.95。数据结合时,一阶多项式模型提供了最高的R²为增强型植被指数和WDVI。

表1

表1。斜率和截距的线性回归模型使用涡流covariance-based开发总初级生产力和植被指数的乘积,叶面积指数、光合有效辐射。植被指数,研究了包括归一化植被指数(NDVI)、土壤调节植被指数(SAVI),增强植被指数2 (EVI2),加权植被指数(WDVI)。R²是确定系数。

图5

图5。测量总初级生产力(GPP)策划与植被指数(VI)的产物,光合有效辐射(PAR)和叶面积指数(LAI)。植被指数包括归一化植被指数(NDVI)、土壤调节植被指数(SAVI),增强植被指数2 (EVI2),加权植被指数(WDVI)。

初级生产总值的测试模型

我们使用GPP预测模型开发了使用单的数据预测GPP其他2年和比较结果现场GPP的年。图6礼物现场2017年GPP对预测GPP绘制。在这种情况下,使用2018年和2019年的数据建立的模型进行了测试的准确性预测2017 GPP。在四个VI模型,利用萨维GPP模型估计现场GPP的精度最低(RMSE)更高。分析边坡采用t检验显示1:1关系现场GPP和使用萨维模型预测GPP发达使用2018年和2019年的数据。每周2017年的时间序列原位GPP和SAVI-based预测所示图9,以方便比较。其他VI-based GPP模型显著高估了2017 GPP(斜率< 1)。

图6

图6。测量2017总初级生产力(GPP)使用2018年和2019年预测GPP GPP模型。直线回归线,虚线红线是1:1。

图7礼物现场2018年GPP对预测GPP绘制。在这种情况下,使用2017年和2019年的数据建立的模型进行了测试的准确性预测2018 GPP。类似于前一年,SAVI-based GPP模型预测现场GPP在2018年更大的准确性(RMSE)最低。中提供了一个时间序列图图9 b。分析边坡采用t检验表明,回归直线的斜率1(没有明显不同p两年> 0.05)。其他VIs,增强型植被指数和WDVI-based GPP模型基于2019年数据的预测现场GPP萨维精度相似。然而,这些模型预测的RMSE高于萨维(表2)。VIs、归一化植被指数预测模型使用2019训练数据RMSE特别高(26.3),极大地高估了实际GPP在2018年。

图7

图7。测量2018总初级生产力(GPP)使用2017年和2019年预测GPP GPP模型。直线回归线,虚线红线是1:1。

表2

表2。总结统计分析(RMSE、d-index和t检验的结果)的表现总初级生产力(GPP)模型比较预测和艾迪covariance-based现场GPP (gC米⁻²一天⁻¹)。相比,t检验回归直线的斜率为1.0,p值小于0.05表明坡1.0显著不同。植被指数用于开发GPP预测模型包括归一化植被指数(NDVI)、土壤调节植被指数(SAVI)、双波段增强型植被指数(EVI2)和加权植被指数(WDVI)。

图8礼物现场2019年GPP对预测GPP绘制。在这种情况下,使用2017年和2018年作为训练数据建立的模型进行了测试的准确性预测2019 GPP。和前几年一样,SAVI-based预测模型是最成功的最低的RMSE和1:1的协议。每周一个时间序列图显示原位GPP和SAVI-based预测提供了图9 c。2018年,与其他GPP使用归一化植被指数预测模型开发,EVI2和WDVI也估计现场GPP准确(斜率= 1)。然而,2017年GPP使用归一化植被指数预测模型,EVI2 WDVI高估了2019年现场GPP。

图8

图8。测量2019总初级生产力(GPP)使用2017年和2018年预测GPP GPP模型。直线回归线,虚线红线是1:1。

图9

图9。每周平均涡度相关tower-based总初级生产力(GPP)策划反对使用SAVI-based GPP GPP模型预测为2017(一),2018年(B),2019(C)。

讨论

在全球范围内,耕地导致超过10%的陆地GPP (Ai et al ., 2020)。初级生产作物的生理指标,气候和管理约束影响植物的生长和发展。C4作物,玉米的栽培作物中GPP最高理想的生长条件下(Suyker和Verma 2012)。日常GPP的大小是衡量我们的研究网站使用涡度相关方法类似于GPP的玉米以美国大平原在旱作条件下(Suyker和Verma 2012;Dold et al ., 2019)。为了解公司GPP是一个重要的指标₂通过光合作用固定的领域、地区和/或全球尺度,远程sensing-based方法通常用于评估GPP (特纳et al ., 2006;陈et al ., 2021)。

在全球范围内,数据中分辨率成像辐射计(MODIS)由美国宇航局Terra卫星传感器通常用于评估陆地生态系统功能和GPP (特纳et al ., 2006)。在最近的一项研究(黄et al ., 2018),MODIS GPP相比现场从七个玉米涡度相关通量测量网站在世界不同地区。他们的研究结果表明,玉米的GPP是低估了在这些网站6 - 58%。这低估主要是由于不准确在卢和fAPAR估计是用于生成MODIS GPP产品。几个以前的研究报告了类似的问题根据卢GPP估计方法(元et al ., 2014;朱et al ., 2018)。一个潜在的缺陷导致GPP低估在大多数卢将作为整体植物树冠的治疗方法和无法捕获突然颞碳吸收量的变化(梅尔卡多et al ., 2009;奥列芬特et al ., 2011)。有一些努力开发两扇的方法区分阳光和阴影树叶GPP估计。(关et al ., 2022)能够提高两扇模式进一步的辐射标量。

在我们的研究中,我们测试了一个简化的方法估计GPP使用高分辨率PlanetScope VIs估计卫星现场赖、PAR和艾迪covariance-based碳通量测量。我们的结果显示一致的玉米GPP SAVI-based模型的预测精度比其他指标。虽然一些研究已经发现合理的预测玉米GPP和归一化植被指数增强型植被指数(Kalfas et al ., 2011;Zhang et al ., 2015;Wagle et al ., 2016),这些指标的性能不一致的在我们的研究中。当作物种植在更广泛的行,如玉米的情况下在我们的研究中,植物之间的裸土行仍然是长期暴露在生长季节。因此,土壤成为主导因素影响场景反射率在卫星遥感测量。早期生长季节、不同土壤背景亮度由于水分条件以及光谱土壤和发展树冠之间的相互作用能很强烈地影响遥感力的大小(马斯河和拉詹,2010)。另外在农田,播前耕作,在本培养实践和灌溉可以带来改变土壤反射率(高达et al ., 2001)。因为这些瞬态管理活动对土壤反射率的影响,遥感指数,包括条款对土壤背景条件更容易成功模型GPP的农业系统。

指数萨维特别发达,以抵消的影响土壤背景亮度归一化植被指数(Huete 1988)。在许多农业系统研究中,SAVI-based模型预测产量和精度比归一化植被指数(郭et al ., 2019;Nagy et al ., 2021)。在我们的研究中,不管,SAVI-based模型估计碳吸收量RMSE小于1 g厘米⁻²一天⁻¹。这是低于RMSE报道相比,全球研究建模GPP反对现场GPP从133年获得涡度相关通量塔(2.08 g C m⁻²一天⁻¹)。虽然增强型植被指数和WDVI还包括soil-related因素修正变量背景反射,这些指数表现不佳而萨维(RMSE g - 17厘米之间⁻²一天⁻¹)。两个增强型植被指数和WDVI已被证明执行更优化植被密集时,可能减少其功效与GPP关联在玉米作物生长的早期阶段(Qi et al ., 1994;周et al ., 2014)。深色的土壤和非常低的时期LAI在旱作农田占主导地位,这表明萨维可能有很多实用GPP估计旱作作物种植区。而归一化植被指数仍然是最受欢迎的指标,这是最有效的在预测GPP。与其他三个指标,归一化植被指数不包括soil-related因素,从而可能影响行之间的裸露的土壤,特别是在早期的生长季节。

模型的一个优势(VI赖××PAR)测试在这个研究是它可以计算使用易得的数据,尤其是当GPP直接测量和原来的相比LUE-based GPP模型。当我们使用手动收集赖在我们的研究中,赖昌星可以成功地估计使用遥感数据(Gitelson et al ., 2003;刘et al ., 2012)。最近,基于无人机遥感系统也变得受欢迎的LAI估算作物(Shafian et al ., 2018)。使用光探测和测距(激光雷达)传感器来描述植物树冠和赖估计也被成功(理查森et al ., 2009;唐et al ., 2014)。此外,ceptometer也可以用来衡量赖,这是远比破坏性抽样微创和耗时。

第二个变量,我们在模型中使用标准,我们使用量子传感器获得的涡度相关通量塔网站。量子传感器测量票面价格便宜和合理简单的安装和操作。尽管大多数通量塔网站全球量子传感器,这些传感器通常不可以在当地气象站。然而,大多数当地气象站传感器测量辐照度(太阳辐射)。辐照度,可用于光合作用的比例是相当一致的,允许估算辐照度的标准。在我们的网站,大约45 - 50%的入射太阳辐射一样,一些变化由于太阳角和大气条件。这irradiance-based PAR估计的最大误差约为10% (温顺的et al ., 1984)。此外,许多网上气象数据库历史气象数据,包括总辐照度数据(理查森et al ., 2009;索et al ., 2015)。

建模工作的成功在这项研究中使用SAVI-based方法预测玉米GPP还强调了潜在使用高分辨率卫星遥感估算GPP在领域范围内。PlanetScope提高分辨率的多光谱数据(3米)相比更常用的MODIS GPP的产品(1公里)提高应用遥感数据的准确性,减少错误引起的混合像素。PlanetScope也创造了机会的高空间分辨率估计GPP从较小的农业领域的站点区域太小被许多更可靠地测量常用卫星MODIS等陆地卫星,或前哨。

模型改进和进一步研究的一个可能的途径是将额外的因素,影响农作物生长和发展或应用其他建模方法。例如,一个大型GPP建模研究使用类似的方法表明,添加对温度和水分胁迫的标量可以改善模型性能和在建模农田GPP(特别有效郑et al ., 2018)。这是一个预期的结果作为植物水分含量的变化会影响反射模式在所有波长(Asrar et al ., 1984)。另一个潜在的使用将标量模型所有通量(NEE、侦察和GPP)使用卫星数据提供一个更完整的图片(马哈德文et al ., 2008)。与谨慎,然而,这些方法应该被应用,因为短期内土壤水分的变化和植物水分胁迫会导致突然的变化GPP在短时间内,可以准确地捕捉到涡度相关的测量,但可以征收挑战卫星图像方法操作更低的空间和时间分辨率比涡度相关方法(Gitelson et al ., 2012)。的另一种方法改善GPP估计在这样的研究是将云修正机制与云层从图像中提取VIs (陈et al ., 2004;楚et al ., 2021)允许更多的图片中使用的开发和验证模型。

结论

在这项研究中,我们表明,GPP预测模型使用萨维估计从遥感图像和发达现场PAR、LAI和艾迪covariance-based碳通量测量预测总碳吸收量旱地玉米合理的精度比其他遥感指数。性能优越的萨维在我们的研究表明,在旱地种植制度行,索引,减少土壤背景条件的影响可能捕获精度较高的作物生长发育指标相比,容易受到土壤背景的变化。PlanetScope的高空间分辨率卫星数据创造机会来估计GPP的小型农田太小被其他常用可靠地测量与高空间分辨率卫星数据。未来的工作是需要测试的准确性遥感赖和PAR估计使用区域气象数据GPP模型,我们提出了我们的研究。这将导致大规模的应用这个模型在评估GPP的旱地农田尤其是那些小规模的字段使用一个相对简单的方法。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

DM:写作、数据收集和分析、编辑、NR:监督、写作、编辑、SC:方法论、编辑、SS:方法论、编辑。

资金

这项工作是由USDA-NIFA,格兰特号2016-70001-24636 /项目加入。1008730。这个工作是由地球的“教育和研究项目”,提供免费访问PlanetScope图像数据。这项工作是在德州农工大学进行系统和德州农工大学支持的农业生活。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

确认

作者还要感谢德州农工大学生态农业研究农场的工作人员,特别是管理maizefield阿尔弗雷德·纳尔逊(农场经理)(种植、收获、施肥、耕作和杂草控制)。作者要感谢唐t Conlee(大气科学、德州农工大学)提供失踪的气象数据。美国农业部是一个机会均等的雇主和提供者。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/frsen.2022.810030/full补充材料

引用

Ai, Z。,Wang, Q., Yang, Y., Manevski, K., Yi, S., and Zhao, X. (2020). Variation of Gross Primary Production, Evapotranspiration and Water Use Efficiency for Global Croplands.阿格利司。对。Meteorol。287年,107935年。doi: 10.1016 / j.agrformet.2020.107935