Detecting soil moisture drought impacts on ecosystem physiology from earth observation data
Yousra El-Mejjaouy · Koen Hufkens · Benjamin D. Stocker
利用多光谱、热红外和气候数据，通过机器学习提取植被干旱的生理响应，比NDVI更早更敏感。
结合MODIS反射率、地表温度与ERA5-Land水分亏缺，训练机器学习模型预测
模型能检测干旱对光合作用的影响，比NDVI更早更敏感，尤其在常绿生态系统中。
可探索将生理干旱响应模型应用于作物监测，或结合高光谱数据提高精度，并验证在不同生态系统中的适用性。
研究利用多源遥感与气候数据提升干旱对作物生理影响的监测能力，方法新颖，对农业信息化有实质贡献。
摘要：卫星遥感被广泛用于监测植被干旱影响，然而水分胁迫同时引发结构变化与生理调节，二者的相对重要性在时空上存在差异。多光谱植被指数所捕捉的结构响应已有充分记录，而现成卫星数据能在多大程度上检测干旱的生理效应仍未得到充分量化。本研究评估了多光谱反射率、地表温度（LST）及气候再分析数据中包含多少干旱诱导的生理响应信息。我们将MODIS反射率与热红外数据同ERA5-Land潜在累积水分亏缺指标（PCWD）相结合，并利用涡度协方差数据训练机器学习模型。目标变量代表干旱引起的光能利用效率降低（fLUE），明确将生理调节与冠层结构变化区分开来。我们所得的数据驱动模型对干旱相关生理响应变化的捕捉精度优于以往常用于干旱监测的指数（R² = 0.64，RMSE = 0.112，空间交叉验证）。将该模型应用于中欧近两个夏季的案例表明，其检测干旱对光合作用影响的时间早于且灵敏度高于NDVI，尤其在结构信号微弱的常绿生态系统中表现突出。研究结果表明，经过系统训练的多光谱反射率、热信号与气候数据的数据驱动集成方法，能够从地球观测数据中提取出干旱生理响应的相当大一部分信息。该方法利用卫星与气候数据集的综合信息含量，能够对干旱对光合作用的影响进行更为可靠且空间上一致的评估，超越了单纯结构植被指数所能提供的范围。