目录
简介
谷歌地球引擎实现BioNet 算法,用于估算生物物理参数及其不确定性
利用机器学习量化高分辨率生物物理变量检索中的不确定性 生物物理变量的估算是遥感科学的核心,可以对作物和森林进行密切监测。 对相关参数进行时间分辨和空间明晰地图的绘制一直是研究的热点。 然而,从光学传感器获取产品通常会受到云污染以及空间分辨率和时间分辨率之间权衡的影响。 在这项工作中,我们利用高扩展时适应反射率融合模型(HISTARFM)算法,通过融合 MODIS 和 Landsat 反射率,生成 Landsat 表面反射率数据的无间隙长时间序列。 在 PROSAIL 反演基础上训练人工神经网络,以 30 米的空间分辨率预测每月的生物物理变量,并提供相关的、现实的不确定性条。 我们强调需要对不确定性进行更全面的分析,并提出了一种通用的、可扩展的方法,通过利用蒙特卡洛(MC)技术从训练有素的人工网络中剔除不确定性,以及通过模型传播 HISTARFM 不确定性,将认识不确定性和经验不确定性结合起来。 为了提供可靠的不确定性,我们对模型进行了重新校准。 我们提供了几个关键变量的新的高分辨率产品,以便在 30 米大地遥感卫星空间分辨率和大洲范围内量化陆地生物圈:叶面积指数 (LAI) 吸收光合有效辐射分量 (FAPAR) 树冠含水量 (CW