该数据集基于反向传播神经网络（BPNN）模型和像素整合方法，开发了新一代 GIMMS LAI 产品（GIMMS LAI4g，1982-2020 年）。GIMMS LAI4g的特点是使用了北京大学GIMMS NDVI产品和大量高质量的Landsat LAI样本。最近发布的 PKU GIMMS NDVI 有效地消除了 NOAA 轨道漂移和 AVHRR 传感器退化的影响，而这一直是现有 LAI 产品的关键问题。高质量的全球陆地卫星 LAI 样本总数达 360 万个，时间覆盖 1984-2015 年，这为创建时空一致的 BPNN 模型提供了便利。时空一致的 GIMMS LAI4g 产品覆盖了从 1982 年到 2020 年的时间跨度，时间分辨率分别为15天。它可以为长期植被监测和高精度、高可靠性的模型开发提供有力的数据支持。
本研究共使用了八个全球数据集，即北京大学 GIMMS NDVI、Landsat LAI 样本数据集、MODIS 土地覆被类型、经再处理的 MODIS LAI、GLASS LAI、GLOBMAP LAI、GIMMS LAI3g 和实地 LAI 测量值。PKU GIMMS NDVI 是生成 GIMMS LAI4g 的主要数据源。陆地卫星 LAI 样本数据集被用作机器学习模型建立和产品评估的 LAI 参考。野外 LAI 测量也用于产品评估。MODIS 土地覆被类型产品为 LAI 建模提供了植被生物群落类型。经过再处理的 MODIS LAI 被用于扩展 GIMMS LAI4g 的时间覆盖范围。GLASS LAI、GLOBMAP LAI 和 GIMMS LAI3g 是三个主流的全球 LAI 产品，它们被纳入进来进行相互比较。
利用北京大学 GIMMS NDVI 和 Landsat LAI 样本来解决遥感和 LAI 参考数据的不确定性问题。利用这些数据，开发了生物群落特定的反向传播神经网络（BPNN）模型，并增加了解释变量（经度和纬度、NDVI 月份以及 NOAA 发射后的编号和年份）。然后根据 BPNN 模型生成 GIMMS LAI4g 产品。最后，通过像素融合方法将 GIMMS LAI4g 与重新处理的 MODIS NDVI 产品合并，将时间覆盖范围扩展到 2020 年。
根据 Landsat LAI 样本对其进行的验证显示，R2为 0.96，均方根误差为 0.32m2m-2，平均绝对误差为 0.162m-2，平均绝对百分比误差为 13.6%，达到了全球气候观测系统提出的精度目标。在陆地大部分地区的大多数植被生物群落中，它的 LAI 性能优于其他产品。它有效地消除了卫星轨道漂移和传感器退化的影响，并在 2000 年前后呈现出更好的时间一致性。与经过再处理的 MODIS LAI 合并后，GIMMS LAI4g 的时间覆盖范围从 2015 年扩展到近期（2020 年），生成的 LAI 趋势在 2000 年前后保持高度一致，并与 MODIS 时代经过再处理的 MODIS LAI 趋势一致。GIMMS LAI4g 产品可能有助于减少全球植被长期变化研究之间的分歧，也有利于地球和环境科学的模型开发。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.ZENODO.DB6427.2024
10.5281/zenodo.8281930
