利用遥感与气候数据推导叶片性状全球分布图的方法论
应用统计
2020-12-14 v1 应用物理
摘要
本文介绍一种用于推导叶片性状全球高分辨率分布图的模块化处理链。具体地，我们给出了 500 m 分辨率的特定叶面积、叶干物质含量、单位干质量的叶氮磷含量以及叶氮磷比的全球分布图。该处理链利用机器学习技术结合光学遥感数据（MODIS/Landsat）与气候数据，对原位测量的叶片性状进行缺口填补与上采样。该链首先使用带替代变量的随机森林回归填补数据库缺口（缺失条目 > 45%）并最大化性状数据集的全球代表性。除估计的叶片性状全球分布图外，我们还提供了由回归模型得出的相关不确定性估计。该处理链为模块化设计，可轻松纳入新性状、数据流（性状数据库与遥感数据）及方法。所应用的机器学习技术可将信息增益归因到数据输入，从而提供在植物与生态系统尺度上理解性状-环境关系的机会。
引用
@article{arxiv.2012.06417,
title = {A Methodology to Derive Global Maps of Leaf Traits Using Remote Sensing and Climate Data},
author = {Alvaro Moreno-Martinez and Gustau Camps-Valls and Jens Kattge and Nathaniel Robinson and Markus Reichstein and Peter van Bodegom and Koen Kramer and J. Hans C. Cornelissen and Peter Reich and Michael Bahn and Ulo Niinemets and Josep Peñuelas and Joseph Craine and Bruno E. L. Cerabolini and Vanessa Minden and Daniel C. Laughlin and Lawren Sack and Brady Allred and Christopher Baraloto and Chaeho Byun and Nadejda A. Soudzilovskaia and Steven W. Running},
journal= {arXiv preprint arXiv:2012.06417},
year = {2020}
}