Abstract

Wetland, an important carbon pool on the earth, is of great significance for human beings and the environment. In this study, we modeled the wetland NPP using Carnegie–Ames–Stanford Approach (CASA) and time series with high spatial and temporal resolution generated by Landsat 8 and Sentinel-2 images. Firstly, the downscaled Landsat 8 data (10 m) combined with Sentinel-2 data were utilized to produce time series with high spatial and temporal resolution. Subsequently, all Sentinel-1 and Sentinel-2 data within each stage (five stages.) are employed to obtain monthly wetland maps in these stages by an adaptive Stacking algorithm, respectively. Then, monthly fraction cover maps (mainly sedge, reed and poplar) were derived from the time series reflectance product using fully constrained least squares (FCLS) in these five Stages, respectively. Finally, monthly normalized difference vegetation index (NDVI), land surface water index (LSWI), temperature, solar radiation, as well as wetland maps and were combined to estimate monthly and total NPP in the Dongting Lake wetland by CASA model. The high correlation (R2 = 0.8445) and low (RMSE =20.30 g C/m2) between the estimated NPP using proposed method and measured NPP demonstrated a significant linear relationship and the estimated NPP based on Sentinel-2 data using the CASA model with the above-described input parameters is creditable. The NPP estimation method in this paper is expected to provide scientific data support for quantitative research of regional wetland carbon reserves and sustainable development.

摘要

湿地是地球上重要的碳库，对人类和环境具有重要意义。在这项研究中，我们使用卡内基-艾姆斯-斯坦福方法（CASA）和时间序列对Landsat 8和Sentinel-2图像生成的具有高时空分辨率的湿地NPP进行了建模。首先，将缩小的Landsat 8数据（10 m）与Sentinel-2数据结合使用以产生具有高时空分辨率的时间序列。随后，每个阶段（五个阶段）中的所有Sentinel-1和Sentinel-2数据分别通过自适应Stacking算法用于获得这些阶段中的月度湿地图。然后，分别在这五个阶段中分别使用完全约束最小二乘（FCLS）从时间序列反射率积导出月度分数覆盖图（主要是莎草，芦苇和杨树）。最后，通过月均归一化植被指数（NDVI），地表水指数（LSWI），温度，太阳辐射以及湿地图，结合CASA模型估算洞庭湖湿地的月NPP和总NPP。使用提议的方法和测得的NPP估算的NPP之间的高相关性（R2 = 0.8445）和较低的（RMSE = 20.30 g C / m2）表现出显着的线性关系，并且使用CASA模型和基于CASA模型的Sentinel-2数据估算的NPP上述输入参数是可信的。本文的NPP估算方法有望为区域湿地碳储量和可持续发展的定量研究提供科学的数据支持。以及湿地地图，并通过CASA模型组合起来估算洞庭湖湿地的月NPP和总NPP。使用提议的方法和测得的NPP估算的NPP之间的高相关性（R2 = 0.8445）和较低的（RMSE = 20.30 g C / m2）表现出显着的线性关系，并且使用CASA模型和基于CASA模型的Sentinel-2数据估算的NPP上述输入参数是可信的。本文的NPP估算方法有望为区域湿地碳储量和可持续发展的定量研究提供科学的数据支持。以及湿地地图，并通过CASA模型组合起来估算洞庭湖湿地的月NPP和总NPP。使用提议的方法和测得的NPP估算的NPP之间的高相关性（R2 = 0.8445）和较低的（RMSE = 20.30 g C / m2）表现出显着的线性关系，并且使用CASA模型和基于CASA模型的Sentinel-2数据估算的NPP上述输入参数是可信的。本文的NPP估算方法有望为区域湿地碳储量和可持续发展的定量研究提供科学的数据支持。使用建议的方法估算的NPP与测得的NPP之间的30 g C / m2表现出显着的线性关系，并且使用具有上述输入参数的CASA模型基于Sentinel-2数据估算的NPP是可信的。本文的NPP估算方法有望为区域湿地碳储量和可持续发展的定量研究提供科学的数据支持。使用建议的方法估算的NPP与测得的NPP之间的30 g C / m2表现出显着的线性关系，并且使用具有上述输入参数的CASA模型基于Sentinel-2数据估算的NPP是可信的。本文的NPP估算方法有望为区域湿地碳储量和可持续发展的定量研究提供科学的数据支持。