遥感数据融合的贝叶斯层次框架：以太阳诱导荧光为例
应用统计
2025-03-07 v1 统计方法学
摘要
太阳诱导叶绿素荧光（SIF）已成为植被生产力和植物健康的有效指标。SIF的全球量化及其相关不确定性产生了许多重要能力，包括改进碳通量估算、改进碳源和碳汇识别、监测多种生态系统以及评估碳固存工作。随着来自多颗地球观测卫星的SIF估计值的可用性，长期、区域至全球尺度的监测现已可行。这些工作可以通过严格核算卫星SIF数据产品中存在的各种不确定性来源来辅助。在本文中，我们引入了一个贝叶斯层次模型（BHM），用于从轨道碳观测台-2（OCO-2）卫星观测中估计SIF及相关不确定性，空间分辨率为1度，全球覆盖。我们的建模框架的层次结构允许方便的模型规范、各种变异来源的量化，以及通过回归模型中的傅里叶项纳入季节性SIF信息。该建模框架利用了大多数温带陆地区域SIF的可预测季节性。所得数据产品补充了相同时空分辨率下现有的大气二氧化碳估计。
引用
@article{arxiv.2503.03901,
title = {A Bayesian hierarchical framework for fusion of remote sensing data: An example with solar-induced fluorescence},
author = {Manju Johny and Jonathan Hobbs and Vineet Yadav and Margaret Johnson and Nicholas Parazoo and Hai Nguyen and Amy Braverman},
journal= {arXiv preprint arXiv:2503.03901},
year = {2025}
}