Temporal Interpolation of Satellite-Derived Leaf Area Index Time Series by Introducing Spatial-Temporal Constraints for Heterogeneous Grasslands

Abstract

Continuous satellite-derived leaf area index (LAI) time series are critical for modeling land surface process. In this study, we present an interpolation algorithm to predict the missing data in LAI time series for ecosystems with high within-ecosystem heterogeneity, particularly heterogeneous grasslands. The algorithm is based on spatial-temporal constraints, i.e., the missing data in the LAI time series of a pixel are predicted by the phenological links with other pixels. To address the uncertainties in the construction and selection of reference curves in a heterogeneous landscape, the algorithm constructs a reference dataset for each missing data in the LAI time series from all pixels showing very strong linear phenological links with the target pixel within a region. We also use an iterative process to update the available spatial-temporal constraints. We tested the algorithm with an eight-day composite Moderate Resolution Imaging Spectroradiometer (MODIS) LAI product in the Songnen grasslands, Northeast China in 2010 and 2011. The validation dataset was generated based on high quality time series by artificially adding data gaps. The algorithm achieved high overall interpolation accuracies with high coefficient of determination R 2 (>0.9) and low root mean square error (RMSE) (<0.2) in both dry (2010) and wet (2011) years. The algorithm showed advantages in predicting missing data for different seasons and proportions of missing data versus the algorithm that uses regional average LAI curve as a reference. These results suggest that the proposed algorithm could more effectively characterize spatial-temporal constraint information in heterogeneous grasslands for temporal interpolation.

Interpolation algorithm for the recovery of long satellite data time series of vegetation cover observation

“…В области падения функции плотности данных могут попадать значащие точки. При анализе длинных временных рядов часто для оценки качества наблюдений используется информация о статистическом распределении значений в каждом отдельном временном ряду (Ding et al, 2017). Исходя из характерного разброса значений для наблюдаемого объекта данные «зимнего» периода присоединяются к ближайшему сегменту высокой плотности, если значение исследуемой характеристики лежит в пределах двух стандартных отклонений от среднего по временному ряду.…”

“…Существует множество подходов, направленных на заполнение пропусков (Ding et al, 2017), фильтрацию выбросов Viovy et al, 1992) и сглаживание временных рядов данных дистанционного зондирования . Восстановление пропущенных данных может происходить за счёт использования измерений в ближайшие даты , окрестных пикселей (Плотников и др., 2018; Ding et al, 2017;, другого типа данных , путём фенологического анализа или интерполяционного моделирования . Для сглаживания временных рядов данных дистанционного зондирования Земли (ДЗЗ) могут использоваться скользящие оконные фильтры (ассиметричный гауссов фильтр, логистический фильтр и др.…”

“…Для решения этой проблемы часто привлекают дополнительные данные, используют методы пространственно-временного анализа (Ding et al, 2017; Gerber et al, 2016; Zhu et al, 2018). В качестве вспомогательных данных могут использоваться результаты классификации типов подстилающей поверхности , информация о качестве измерений (Ding et al, 2017), усреднённые многолетние эталоны динамики спектрально-отражательных характеристик земного покрова . При этом часто пропуски данных спутниковых наблюдений обусловлены маскирующим влиянием сплошной облачности, что не позволяет привлекать для анализа пиксели ближайшей окрестности и не обеспечивает гарантированное заполнение отсутствующих измерений.…”

Improving Time Series Reconstruction by Fixing Invalid Values and its Fidelity Evaluation

“…In summary, although time series reconstruction methods have shown the effectiveness in current applications, they still suffer from the following weaknesses: 1) these methods rely on some sort of mathematical principles or formulas and do not make full use of information that comes along with the data itself [34]; 2) they require high-quality original input data and are often significantly influenced by invalid values [35]; and 3) some methods require many input parameters that can be difficult to determine. For instance, A-G and D-L require seven and six parameters, respectively, and HANTS requires five parameters.…”

Evaluation of Three Techniques for Correcting the Spatial Scaling Bias of Leaf Area Index

“…Leaf area index (LAI), defined as half the total foliage area per unit ground horizontal surface area [1], is an essential biophysical property of vegetation for environmental assessment [2,3], crop growth monitoring [4,5] and yield prediction [6][7][8]. The accurate monitoring of LAI on multiple scales has become a key technique in those applications.…”