MODIS叶片叶绿素含量数据产品(2000-2020)
叶绿素是绿色植物进行光合作用的主要色素，在光合作用的光吸收过程中起着核心作用。叶片叶绿素含量（Leaf chlorophyll content, LCC）被定义为单位叶片面积上叶绿素a和叶绿素b的总含量（单位：µg/cm2），与吸收的光合有效辐射直接相关，是一种重要的叶片生化参数。在全球气候变化导致极端气候事件频发的背景下，准确估算全球植被叶片叶绿素含量的时空分布以及监测叶片叶绿素含量的长期变化对提高陆地生态系统碳通量的模拟精度、监测生态环境扰动、指导农业和林业生产均具有重要意义。为此，课题组针对MERIS和MODIS两种各具优势的遥感传感器数据，分别开发了对应的叶片叶绿素含量反演模型，生成了两套全球植被叶片叶绿素含量遥感产品：MODIS叶片叶绿素含量产品提供了2000-2020年8天时间间隔、500米空间分辨率时空连续的全球植被叶片叶绿素含量数据；MERIS叶片叶绿素含量产品提供了2003-2012年7天时间间隔、300米空间分辨率时空连续的全球植被叶片叶绿素含量数据。上述数据产品较好地揭示了全球植被叶片叶绿素含量的时空变化分布，对区域和全球陆地碳水循环研究具有重要的应用价值。
· 算法简介
MODIS传感器在过去20年间连续不断地获取全球观测数据，非常适合用于监测植被的长期变化。然而，MODIS地表反射率数据并不包含对叶绿素含量变化最为敏感的红边波段，从MODIS数据反演叶片叶绿素含量必须有效排除叶面积指数、冠层非光合物质以及地面背景等的干扰。为此，Xu et al. (2022) 开发了一种适用于MODIS的叶片叶绿素含量反演算法——多级植被指数矩阵系统，较好地消除了叶面积指数和冠层非光合物质等的影响，适用于不同季节的叶片叶绿素含量反演。算法的基本流程是：①基于PROSAIL辐射传输模型广泛模拟多种植被场景和冠层反射光谱，通过对叶绿素含量与其他参数作相关关系约束，剔除不合理的冠层场景，从而提高对应叶片叶绿素含量反演算法在植被覆盖度较低时的敏感性；②利用模拟数据构建植被指数二维矩阵，用于从卫星冠层反射光谱反演叶片叶绿素含量和冠层非光合物质比例，最小化叶面积指数的影响；③利用对应的植被指数二维矩阵迭代反演叶片叶绿素含量和冠层非光合物质比例这两个参数，分离两者的混淆影响，从而得到较为准确的叶片叶绿素含量结果；④利用局部自适应三次样条时间序列插值算法（LACC）对时间序列反演结果进行插值平滑，得到2000-2020年8天时间间隔、500米空间分辨率时空连续的全球植被叶片叶绿素含量数据。
· 数据组织
· 投影转换
本数据提供的是Sinusoidal等面积投影，用户可根据需要，使用arcpy、gdal等工具将其转为其他投影（如GCS_WGS_1984）。
Arcpy代码示例：
# Reproject MODIS LCC from Sinusoidal into WGS1984
import arcpy
arcpy.env.workspace = rmain_folder
inputfile = MODISLCCInterp.A2007185.Sinusoidal.NH.tif
outputfile = MODISLCCInterp.A2007185.WGS84.NH.tif
arcpy.ProjectRaster_management(inputfile, outputfile, 4326,NEAREST, 0.01 0.01, #, #, #)
GDAL python代码示例：
# Reproject MODIS LCC from Sinusoidal into WGS1984
from osgeo import gdal
inputfile = MODISLCCInterp.A2007185.Sinusoidal.NH.tif
outputfile = MODISLCCInterp.A2007185.WGS84.NH.tif
result = gdal.Warp(outputfile, inputfile, xRes=0.01, yRes=0.01, format='GTiff', resampleAlg=bilinear, dstSRS='EPSG:4326')
result.FlushCache()
· 相关论文
使用数据请引用相关论文：
[1] Xu, M., Liu, R., Chen, J.M., Liu, Y., Wolanin, A., Croft, H., He, L., Shang, R., Ju, W., Zhang, Y., He, Y., Wang, R., 2022. A 21-year time-series of global leaf chlorophyll content maps from MODIS imagery. IEEE Transactions on Geoscience and Remote Sensing. https://doi.org/10.1109/TGRS.2022.3204185.
[2] Xu, M., Liu, R., Chen, J., Liu, Y., Shang, R., Ju, W., Wu, C, Huang, W. (2019). Retrieving leaf chlorophyll content using a matrix-based vegetation index combination approach. Remote Sensing of Environment. 224, 560-73. https://doi.org/10.1016/j.rse.2019.01.039
[3] Xu, M., Shang, R., Chen, J.M., Zeng, L., 2023. LACC2.0: Improving the LACC Algorithm for Reconstructing Satellite-Derived Time Series of Vegetation Biochemical Parameters. Remote Sensing. 15, 3277. https://doi.org/10.3390/rs15133277
·数据下载
Zenodo:
Mingzhu Xu, Ronggao Liu, Jing M. Chen, Yang Liu, & Rong Shang. (2021). Global leaf chlorophyll content (LCC) product from MODIS imagery (2000-2020) (Version V1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5805575
Google Drive:
https://drive.google.com/drive/folders/11eXetjsAB_ZjFqGs8SXEWzd6byr_8LoW?usp=sharing
· 联系方式