利用协调的Landsat 8和Sentinel-2图像估算地表物候参数的贝叶斯模型( A Bayesian model to estimate land surface phenology parameters with harmonized Landsat 8 and Sentinel-2 images )

Chad Babcock Andrew O. Finley Nathaniel Looker

我们建立了一个贝叶斯陆面物候(LSP)模型，并利用从协调陆地卫星哨兵2号(HLS)数据集获得的增强植被指数(EVI)观测来检验其性能。在前人工作的基础上，我们提出了一个双logistic函数，它一旦在贝叶斯模型中出现，就可以得到所有LSP参数的后验分布。我们评估了正态分布、截断正态分布和贝塔似然的有效性，以提供稳健的LSP参数估计。提出了三个案例研究，并用于探讨拟议模式的各个方面。第一个案例研究是在一个HLS片内的森林像素上进行的，探讨了长期平均LSP参数点和不确定性估计的似然性和时空变化HLS数据可用性的选择。第二个案例研究仅使用2018年的数据，在相同的像素上进行，将我们提出的模型的年度LSP参数估计值与使用Bolton等人描述的方法生成的估计值进行比较。（2020年）。第三个案例研究是在年度时间步长（2014-2019）上对HLS内一个小的感兴趣领域进行的，除了评估拟议模型为LSP变化检测分析提供信息的潜力之外，还进一步审查了样本量和可能性选择对年度LSP参数估计的影响。结果表明，当植被指数有界时，截断正态似然和β似然在理论上是较好的，但当指数观测次数足够多且数值不接近指数界时，这三种似然在理论上是相似的。案例研究演示了如何使用像素级LSP参数后验分布通过后续分析传播不确定性。作为本文的附带内容，我们提供了一个开源的R包rsBayes以及用于再现分析结果的补充数据和代码。提出的模型规范和软件实现在像素级上提供了计算高效、统计鲁棒和推断丰富的跨大规模光栅时间序列数据集的LSP参数后验分布。rsBayes包和补充代码部分中的建模功能是线程化的，允许使用多个处理核心来进一步加快对大规模数据集的模型拟合。使用64 CPU工作站，第一个案例研究分析使用贝塔似然模型运行约3天。然而，处理时间随着CPU核数的增加而线性减少。我们期望这种LSP建模方法的运行时间将随着新计算系统的能力的增加而大大减少。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate