​

MuSyQ 30m/10天叶片叶绿素含量产品（中国）V02 简介与Notebook示例

此数据集为高分30米空间分辨率10天合成的叶片叶绿素含量产品（负责人：李静研究员），为多源协同定量遥感产品生产系统（(Multi-source data Synergized Quantitative remote sensing production system，MuSyQ)）中产品之一。 叶片叶绿素含量（Chlleaf）植被遥感监测中最重要的参数之一，目前国际上缺少高分辨率的叶绿素含量标准化产品，难以满足日益精细化的应用需求。双方合作的产品利用Sentinel-2 MSI 数据的时空分辨率优势，生产出30米/10天高时空分辨率的Chlleaf产品。在生产过程中使用了一种对叶片信息敏感对冠层信息不敏感的 CSI 指数来计算不同植被类型的Chlleaf ，相比已有Chlleaf产品，精度更高，产品时间序列物候特征更加显著。前言 – 人工智能教程

数据集生产由中国科学院遥感科学国家重点实验室柳钦火老师团队提供算法，AI Earth团队提供多源卫星遥感数据和强大算力支持，在云上共同完成产品生产。【产品使用手册】

 叶片叶绿素含量（leaf chlorophyll content, 简称 Chlleaf）直接反映了植被叶片的生理状态， 是植被获取光合作用所需太阳辐射信息的重要参数，是生物圈和大气之间进行碳、水和能量 交换的核心。监测叶绿素含量变化对于了解植物长势、固碳能力、监测农作物产量乃至监测 植被对全球气候变化反馈有着重要的意义，与初级生产力 GPP 也密切相关。遥感是获取大 范围动态 Chlleaf 的主要技术手段。但目前国际上 Chlleaf 产品欠缺，没有中高分辨率 Chlleaf 产 品。红边是植被反射率光谱中斜率最大的波段，是叶绿素含量的最佳指示因子。2015 年发 射的 Sentinel-2A 和 2017 年发射的 Sentinel-2B 卫星携带多光谱成像仪（MSI），具有红边波 段，对叶绿素含量敏感，可以进行运算反演，具有较高的时空分辨率，重访周期为 5 天，空 间分辨率为 10m。因此，能够生成具有较高时空分辨率的叶绿素含量产品，适用于监测生态 过程，进一步改进与碳循环模型相关的全球和区域生态系统模型。 本数据产品算法由中国科学院空天信息研究院研发，产品由阿里达摩院合作生产并于 AI Earth 发布。利用哨兵二号多光谱成像仪（Sentinel-2 MSI）高时空分辨率的特点，基于叶 绿素敏感指数（chlorophyllsensitive index, CSI）根据不同的植被类型使用经验回归法生产了 多源协同定量遥感产品生产系统(Multi-source data Synergized Quantitative remote sensing production system，MuSyQ)高分系列中国地区 30 m/10 天分辨率的标准化 Chlleaf 产品，并针 对缺失值进行了时间序列重建填充。在验证区，阔叶林和针叶林的地面验证结果均方误差 RMSE 为 8.80 µg/cm2，产品能够描绘不同植被类型生长季内的 Chlleaf 物候变化。本产品可提 供中国地区高时空分辨率的 Chlleaf 信息，对生态系统建模及生态应用有重要价值。

代码1：

import aie
aie.Authenticate()
aie.Initialize()

feature_collection = aie.FeatureCollection('China_Province')

dataset = aie.ImageCollection('MuSyQ_LCC_CHINA_V02')\
             .filterBounds(feature_collection) \
             .filterDate('2022-07-20', '2022-07-30')\
             .mosaic()\
             .clipToCollection(feature_collection)

imgs = dataset.select(['lcc_combine'])

map = aie.Map(
    center=imgs.getCenter(),
    height=800,
    zoom=6
)

vis_params = {
    'bands': 'lcc_combine',
    'min': 1,
    'max': 80,
    'palette': [
        '#C94739', '#EA8602', '#F4CD12', '#2FEA1F', '#00C21D', '#008E8F', '#022B7F'
    ]
}

map.addLayer(
    imgs.updateMask(imgs.gt(aie.Image(0))),
    vis_params,
    'lcc_combine',
    bounds=imgs.getBounds()
)
map

 代码2（单景影像）：

import aie
aie.Authenticate()
aie.Initialize()

img = aie.Image('MuSyQ_LCC_CHINA_V02_20220809_51RTM')

map = aie.Map(
    center=img.getCenter(),
    height=800,
    zoom=9
)

vis_params = {
    'bands': 'lcc_combine',
    'min': 1,
    'max': 80,
    'palette': [
        '#C94739', '#EA8602', '#F4CD12', '#2FEA1F', '#00C21D', '#008E8F', '#022B7F'  
    ]
}

map.addLayer(
    img.updateMask(img.gt(aie.Image(0))),
    vis_params,
    'lcc_combine',
    bounds=img.getBounds()
)
map

MuSyQ 高分 30 m 空间分辨率 10 天合成的叶片叶绿素含量产品存储格式为多波段栅格 影像 TIFF，参考美国军用网格参考系统 （US-Military Grid Reference System, US-MGRS） 进行分幅，每个文件大小平均为 150MB，包含 3 个波段。Band1 为综合波段（lcc_combine）， 若原有CSI数值不为NoData值或0值，则在该波段中仍保持原有CSI数值计算得到的Chlleaf， 反之则为填充后新的 CSI 数值计算得到的 Chlleaf；Band2 为填充波段（lcc_reconstruct），在 该波段中均为填充后新的 CSI 数值计算得到的 Chlleaf；Band3 为质量控制波段（QC），该波 段为用十进制数存储的四位二进制数，其中第一位表示综合波段中，该像元 CSI 数值为原有 数值或是填充后的数值；第二到第四位表示该像元所对应原有 CSI 数值的时间序列缺失率。 Chlleaf 按照分幅后的条带号和获取时间存放在不同的 *.tif 文件中。 

 数据引用

[a] Zhang, H., Li, J., Liu, Q., Lin, S., Huete, A., Liu, L., Croft, H., Clevers, J.G.P.W., Zeng, Y., Wang, X., Gu, C., Zhang, Z., Zhao, J., Dong, Y., Mumtaz, F., Yu, W., 2022. A novel red-edge spectral index for retrieving the leaf chlorophyll content. Methods in Ecology and Evolution n/a. https://doi.org/10.1111/2041-210X.13994（IF=8.335） [b] 李静,张虎,王晓函等.MuSyQ 高分 30 米空间分辨率 10 天合成的叶片叶绿素含量产品(2019–2020 年中国 01 版)[J].中国科学数据(中英文网络版),2022,7(01):247-255.

​