Identification of Years with Extreme Vegetation State in Central Europe Based on Remote Sensing and Meteorological Data

anikoacute; Kern^1*, Hrvoje Marjanović², laura Dobor³, Mislav anić², tomaacute;scaron; Hlaacute;sny³, Zoltaacute;n Barcza^4,5

2017; accepted: 12 Apr 2017; published online: 25 Apr 2017

aBStRaCt

Background and purpose: Determination of an extreme year from the aspect of the vegetation activity using only meteorological data might be ambiguous and not adequate. Furthermore, in some ecosystems, e.g. forests, the response is not instantly visible, but the effects of the meteorological anomaly can be seen in the following year. The aim of the present paper is to select and characterize typical and anomalous years using satellite-based remote sensing data and meteorological observations during the recent years of 2000-2014 for Central Europe, based on the response of the vegetation.

Materials and Methods: In the present study vegetation characteristics were described using remotely sensed official products of the MODerate resolution Imaging Spectroradiometer (MODIS), namely NDVI, EVI, FPAR, LAI, GPP, and NPP, with 8-day temporal and 500 meter spatial resolution for the period of 2000-2014. The corresponding mean temperature and precipitation data (on the same grid) were derived from the Open Database for Climate Change Related Impact Studies in Central Europe (FORESEE) daily meteorological dataset. Land cover specific anomalies of the meteorological and vegetation characteristics were created and averaged on a country-scale, where the distinction between the main land cover types was based on the synergetic use of MODIS land cover and Coordination of Information on the Environment (CORINE) Land Cover 2012 datasets.

Results: It has been demonstrated that the anomaly detection based solely on basic meteorological variables is ambiguous since the strength of the anomaly depends on the selected integration time period. In contrast, the effect-based approach exploiting the available, state-of-the-art remote sensing based vegetation indices is a promising tool for the characterization of the anomalous behaviour of the different land cover types. The selection of extreme years was performed in an explicit way using percentile analysis on pixel level.

Conclusions: Plant status in terms of both positive and negative anomalies shows strong land cover dependency in Central Europe. This is most likely due to the differences in heat and drought resistance of the vegetation, and species composition. The selection of country-specific extreme years can serve as a basis for forthcoming research. Keywords: remote sensing, anomalous vegetation conditions, phenology, MODIS

IntRODUCtIOn

copy; 2017 by the Croatian Forest Research Institute. This is an Open Access paper distributed under the thttp://www.seefor.euerms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0).

Meteorological parameters exhibit strong intra-annual variability as well with extreme events like heatwaves, drought spells, flash floods, extreme cold periods etc. In meteorology, quantification of the extreme events has long tradition [1, 4, 5]. Climate indices are calculated typically from daily meteorological records to estimate e.g. strength of heatwaves, number of days with extreme precipitation, length of dry periods etc. [1, 6, 7].

Plant processes and productivity have strong economic impacts due to its direct relationship with crop yield, wood production, animal welfare, fodder quantity and quality, ecosystem services, etc. [8]. Thus, quantifying plant production and understanding the processes behind variability of plant status on annual scale is of high importance [9, 10].

Studies focusing on ecosystem processes have problems with the existing climate indices and annual means due to the comple

剩余内容已隐藏，支付完成后下载完整资料

基于遥感和气象数据的中欧极端植被状况年鉴定

介绍

可变性是地球气候系统的一个基本特征[1,2]。气候波动导致气象参数，如温度，降水，云量，辐射等等的年际变化。气候变化研究通常以年度为基础计算气象参数，以追踪全球变化和模式[3]。百分位数作为年度偏离长期平均值的指标也用于量化极端天气事件的预期回报时间[2]。copy;2017克罗地亚森林研究所。这是一份根据知识共享署名许可证（http://creativecommons.org/licenses/by/4.0）的http://www.seefor.euerms发布的开放获取论文。气象参数表现出强烈的年内变率以及极端事件，如热浪，干旱，山洪，极端寒冷时期等。在气象学中，极端事件的量化具有悠久的传统[1，4，5]。气候指数通常根据每日气象记录计算以估计例如热浪强度，极端降水天数，干旱期长度等[1,6,7]。

由于与作物产量，木材生产，动物福利，饲料数量和质量，生态系统服务等直接相关，植物过程和生产力具有强大的经济影响[8]。因此，量化植物生产并了解植物状况变化背后的过程是非常重要的[9,10]。

由于气象参数与植被状态之间存在复杂的相互作用[11]，对生态系统过程的研究对现有的气候指数和年度均值存在问题。气象参数的年内变化可能对植物生长和生产力产生强烈影响[12]。实际植被状况是过去有利和不利影响的结果。换句话说，植被状况是土壤水分状况，温度，辐射变率等所有影响的综合因素。因此，极端指数和年度均值不能直接用于研究植物生长并解释其年际变化。

研究气候变率对植物过程影响的一种合理方法是基于效应的方法，其中植物响应首先被表征，然后寻找效应的气象原因（参见例如[13,14]）。由于经济和政治原因，这些研究实际上应该集中在国家规模上（见例如[15]）。然而，由于小的空间代表性和基于观测的数量，实地数据（例如生物量数据，物候观察，叶面积指数测量，涡流协方差数据，作物普查数据等），大空间尺度上植物状况的量化并不直接）。

遥感（RS）为这个问题提供了一个非常方便的解决方案。从地面观测卫星获得的数据，如中等分辨率成像光谱仪（MODIS）提供了独特的信息[16]，这些信息可以通过植被指数与标准化差值植被指数（NDVI），增强型植被指数（EVI） 17]，叶面积指数（LAI），光合有效辐射分数（FPAR）[18]或模拟植物生产（如初级生产总值（GPP））和净初级生产量（NPP）[19]。它们以便利的空间尺度（最好250米 - 1公里）生产，如今已经拥有17年的超常数据记录。

NDVI，EVI，LAI，FPAR，GPP和NPP的MODIS Collection 6产品的空间分辨率为500 m或更细（对于250 m分辨率的NDVI和LAI），其分辨率足够小以隔离大量含有单一土地覆盖（LC）类型。这使得可以分别研究每种土地覆盖类型的植物行为分析，这是由于植物功能类型对环境条件的显着不同的依赖性所需要的[20]。然而，由于土地利用变化和土地覆盖分类错误，将像素分类为LC类别并非微不足道。为获得最佳效果，需要其他土地覆盖类型，如国家/地区森林管理地图，用于支付补贴的农业土地使用监测系统（例如欧盟国家）或CORINE土地覆盖数据库[21]。在这里我们提出一种新方法，根据不同的土地覆盖类型和空间覆盖度，基于RS数据和RS衍生产品（NFVI，EVI，LAI，FPAR，GPP和NPP），能够选择和识别异常年份。这种方法克服了与单独研究气象异常有关的问题。根据实施该方法的区域，可以帮助评估感兴趣区域内给定LC的空间和时间尺度差异。它可以应用于一个国家水平来研究每种液相色谱类型的行为，并根据“重复时间”评估发生的异常程度。

在本文中，对国家平均数进行了研究，以获得可靠的结果并支持未来的研究。在较小的空间尺度上，气候不一定是植物发育和活力的主要驱动力。例如，森林生产可能因病原体或昆虫而受到不利影响[11]。农田管理明显影响较小规模的植物状况;例如冬季小麦通常在六月至七月期间在该地区收获，影响整体的绿色度。诸如施肥，收获和灌溉等管理措施以及土壤类型明确调整了草原和农田气象条件的影响。预计土地覆盖类型的国家平均值将受到气候波动的影响，并为特定国家的总体生产力提供强有力和清晰的信号（例如，参见[15,22]）。

本文的目的是提出一种根据观察到的植物状况和绿色来选择可表征为异常的年份的方法。利用多个植被指数，我们还测试不同植被指标的相似性/不相似性，以检测其异常植物状态的可用性。为了得到健全和易于解释的结果，我们使用了国家手段。波斯尼亚和黑塞哥维那，克罗地亚和匈牙利（和补充捷克共和国，斯洛伐克和斯洛文尼亚）被选中代表地中海，大陆和高山气候。这种选择背后的原因是相对较小的地理范围以及极端天气事件通常会影响大面积地区，有时甚至影响整个国家[23]。具有转型经济的国家特别容易受到极端气候的影响[10]。这意味着理解因果关系可能有助于防止对植物状态的不利影响，这可以支持经济增长和人类福利。

材料和方法

学习区域

这项研究的目标区域是喀尔巴阡盆地的更广泛区域，由应用气象数据集的覆盖范围确定（见下文）。选择波斯尼亚和黑塞哥维那，克罗地亚和匈牙利代表地中海和大陆性气候，气候条件具有高生物多样性和多变性。 “补充材料”介绍了捷克共和国，斯洛伐克和斯洛文尼亚的结果。选定国家背后的原因是应用气象数据库的空间范围，仅覆盖选定的国家。

气象数据库

为了研究天气变化对植被活动和绿色的影响，我们使用了FORESEE数据库[24]。这个免费提供的气象数据库包含中欧在常规网格上观测和预测的每日最大/最小温度和降水场，空间分辨率为1/6°times;1/6°，涵盖1951年至2100年之间的年份。1951年-2014年期间，FORESEE为喀尔巴阡盆地广大地区提供了基于观测的内插气象场。

为了匹配所应用的遥感数据集和FORESEE的时间和空间分辨率，基于Kern等人的方法在MODIS产品的更细网格上计算8天平均温度值和降水总和。 [25]。计算研究区内上述六个国家的国家平均值和异常值。

平均温度和降水场

（分别）计算的ForestEE数据库的整个区域面积如图1和2所示，研究期间为2000 - 2014年。如图3-6所示，年异常场是从气象角度来看可能被认为极端的年份的例证。图3和图4分别显示了2011年的温度和降水异常图（分别），而图5和图6分别显示了2014年的温度和降水异常图（注意温度和降水异常图具有不同的图例）。

植被相关的MODIS产品

在本研究中，我们使用了具有500times;500 m空间分辨率的最新版本（第6集）MODIS NDVI，EVI，FPAR，LAI，GPP和NPP，作为

MOD13A1，MOD15A2H，MOD17A2H和MOD17A3H官方产品[26,27]来源于卫星Terra上MODIS传感器的测量结果。选择最长的数据集（涵盖2000-2014年期间）以匹配MODIS产品的可用性和应用气象数据集的时间覆盖率。

基于Kern等人描述的方法，使用包括在数据集中的质量标志信息来执行每个数据集的质量过滤。 [25]。除此之外，为了滤除植物状态中不切实际的突然增加和减少，所谓的最佳索引之后在像素级应用lSlope提取（BISE）方法[28]进行NDVI和EVI数据[25]。虽然FPAR，LAI和GPP具有相同的8天时间分辨率，但NDVI和EVI是16天的复合产品，因此基于MOD13数据集中包含的Julian日期信息的时间重采样对于创建NDVI和EVI数据集也是必要的相同的8天时间分辨率[25]。必须指出的是，虽然大多数MODIS产品都是最先进的，标准化的，有据可查的数据集，但基于模型的产品的质量预计会更低，并且会影响其适用性[19]。最值得注意的是，MODIS年度NPP产品存在一个重大误差（前四年（2000-2003）出现大的意外正偏差，如图7所示，不应用于FORESEE域，因此，异常值从每年的核电厂产品计算相对于2004 - 2014年的时间。

定义异常年份的方法和度量

根据质量（MOD13A1数据BISE滤波的情况），8天时间分辨率数据集计算了喀尔巴阡盆地内所选国家整个植被面积的国家平均多年平均值和年异常值。针对阔叶林和针叶林，农田和草地的土地覆盖物具体国家平均值也得出。每年的异常情况都是在一年的前40天和最后40天内计算的，以避免因积雪影响而产生的误导性结果。使用推导出的年异常值，通过将年异常值除以2000 - 2014年调查期间绝对异常值的最大值来计算相对异常值。

为了分析年异常场的空间分布，我们计算了一个特定国家内所有土地覆盖特定像素的所有年平均异常值的0.5,2,9,25,50,75,91和99.5个百分点值。选定的百分位数将异常分类的阈值定义为以下10类：

lt;0.5p最极端的负异常，

0.5p - 2p极端负异常，

2p - 9p强负异常，

9p - 25p负异常，

25p - 50p

50p - 75p}正常范围

75p - 91p正异常，

91p - 98p强阳性异常，

98p - 99.5p极端正异常，

gt; 99.5p最极端的正异常。

得出的百分位数值适用于2000 - 2014年研究期间给定土地覆盖类型（在给定国家内）的异常值总分布。根据建议的分类，我们每年都会计算所有创建的百分比范围内像素的数量（作为给定LC类型的百分比）。请注意，例如，对于给定的LC类型，在整个时间段内都没有发生强正异常。在这项研究中，最大异常的使用与其幅度无关。

所提出的分类的优点如下：（1）我们应用的方法对于所有LC类型是相同的，但是它产生LC特定的结果; （2）它能够确定所选地理区域（如国家）内的区域，其中平均异常情况比国家平均值更积极或更负，表明一些地区的生产力更高/更低，或者对气象异常更加敏感或者不太敏感（由于年度作物类型的变化，应该特别注意农田）; （3）适用于任何其他植物相关特征。

图6. 2014年的降水异常（毫米）

在本文中，我们根据给定植被特征（NDVI，EVI，FPAR，LAI，GPP和NPP）显示正面和负面异常面积百分比，提出以下年份分类。 使用给定植物的年异常场

图7.中欧受调查国家的国家平均MODIS NPP年平均值（请注意，由于技术问题，前4年（2000-2003年）不适用于进一步加工）

对于特定的土地覆盖类型，所选择的年份可以根据表1中给出的阈值进行分级。应当指出的是，给定地点的给定年份的等级取决于所选的参考期（如MODIS时代，在我们的案例2000-2014）以及代表一个领域（如地区，国家或大陆）的领域。

MODIS和CORInE土地覆盖数据库的协同作用

为了研究不同植被类型对气象异常的响应，我们根据两个土地覆盖数据集的协同使用来区分主要土地覆盖类型。所谓的基于MODIS观测[29]和CORINE 2012数据库[30]的MCD12土地覆盖产品被用来识别具有高度概率的阔叶林，针叶林，农田和草地的像元。

从MCD12Q1产品[31]中包含的五类土地覆盖分类中，我们使用了1型（国际地圈生物圈计划

- IGBP）确定农田和草地以及针对阔叶林和针叶林的Type3（MODIS派生的LAI / fPAR方案）分类。所用MODIS像素的土地覆盖分类类别在不同LC方案之间的转换矩阵中给出（表2）。森林使用Type-3的原因是广泛使用的Type-1 IGBP土地覆盖分类遭受了良好的记录误差[32,33]，总体准确率为75％[31]，其中包括将混合林类错误分类为好[34]。我们发现，错误分类对于河流沿岸的低地森林尤其明显，例如匈牙利多瑙河的Gemenc森林，或克罗地亚东部的Spačva盆地，也延伸到塞尔维亚的伏伊伏丁那。根据图7.中欧受调查国家的国家平均MODIS NPP年平均值（请注意，由于技术问题，前4年（2000 - 2003年）不适用于进一步加工）

对于特定的土地覆盖类型，所选择的年份可以根据表1中给出的阈值进行分级。应当指出的是，给定地点的给定年份的等级取决于所选的参考期（如MODIS时代，在我们的案例2000-2014）以及代表一个领域（如地区，国家或大陆）的领域。

MODIS和CORInE土地覆盖数据库的协同作用

为了研究不同植被类型对气象异常的响应，我们根据两个土地覆盖数据集的协同使用来区分主要土地覆盖类型。所谓的基于MODIS观测[29]和CORINE 2012数据库[30]的MCD12土地覆盖产品被用来识别具有高度概率的阔叶林，针叶林，农田和草地的像元。

从MCD12Q1产品[31]中包含的五类土地覆盖分类中，我们使用了1型（国际地圈生物圈计划

- IGBP）确定农田和草地以及针对阔叶林和针叶林的Type3（MODIS派生的LAI / fPAR方案）分类。所用MODIS像素的土地覆盖分类类别在不同LC方案之间的转换矩阵中给出（表2）。森林使用Type-3的原因是广泛使用的Type-1 IGBP土地覆盖分类遭受了良好的记录误差[32,33]，总体准确率为75％[31]，其中包括将混合林类错误分类为好[34]。我们发现，错误分类对于河流沿岸的低地森林尤其明显，例如匈牙利多瑙河的Gemenc森林，或克罗地亚东部的Spačva盆地，也延伸到塞尔维亚的伏伊伏丁那。根据MODIS第1类土地覆盖分类两个森林被归类为混合林，而实际上它们是阔叶林。事实上，Spakava森林面积为40 kHa，是欧洲有花栎林最大的复合体[35]。与此相反，Type-3分类没有混合森林分类，导致所有森林像素分类为阔叶树种或针叶树种。我们必须注意到，在3型分类中，农田和草地被归类为“草/谷类作物”，因此3类分类不能用来区分农田和草地。

从涵盖2001 - 2013年期间的500 mtimes;500 m空间分辨率的年度MC

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24879]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 在线办公系统的设计与实现外文翻译资料
• 正则表达式模式匹配外文翻译资料
• 层适应网格一致收敛的充分条件外文翻译资料
• 深度残差网络中的恒等映射外文翻译资料
• 固定和灵活汇率下国际调整的货币动态外文翻译资料
• 政策选择的本质外文翻译资料
• 大数据在海洋观测中的应用：机遇与挑战外文翻译资料
• 基于遗传算法的贝叶斯多核学习方法相关向量机外文翻译资料
• 数据库管理系统外文翻译资料
• 数据仓库外文翻译资料