一种基于遥感技术的新高分辨率生态生理土地利用与土地覆盖（HR Eco-P LULC）产品，用于支持印度地区的区域气候建模

《Remote Sensing Applications: Society and Environment》：A New Remote Sensing-Derived High Resolution Eco-Physiological Land Use Land Cover (HR Eco-P LULC) Product in Support of Regional Climate Modeling over the Indian Landscape

本研究针对印度次大陆区域气候模型中土地覆盖分类不足的问题，整合六类遥感数据开发出高分辨率生态生理LULC产品（HR Eco-P LULC），在50米分辨率下准确率达91.15%，显著提升植被类型与地表过程的区域表征能力，并验证其在德里及布班斯瓦尔的气候模拟效果。

　　

Kshama Gupta | Bhoomika Ghale | Shailja Mamgain | Arijit Roy | Shweta Bhati | T.J. Anurose | A. Jayakumar | Abhishek Danodia | Harish Chandra Karnatak | Pramod Kumar | Raghavendra Pratap Singh | Murali Krishna Gumma | Prasad S. Thenkabail

印度遥感研究所（ISRO），印度政府空间部

摘要

多个全球土地利用和土地覆盖（LULC）数据集由不同的科学机构制作，但它们的分类方案往往不符合嵌入在区域气候模型（RCMs）中的地表模型（LSMs）的特定需求。这些数据集经常忽略了区域差异，并且通常缺乏关于植被生物物理和生态特征的足够细节。在像印度次大陆这样生态多样性丰富的地区，这一问题尤为突出，因为不同的植物功能类型（PFTs）会影响陆地-大气-土壤相互作用。本研究通过开发一个空间分辨率为50米的高分辨率生态生理LULC（HR Eco-P LULC）产品来解决这些问题，以更好地表示印度地表类型的生态、生理和形态特征。该数据集是通过综合六个不同的、经过验证的遥感产品生成的，包括Advanced Wide Field Sensor（AWiFS）LULC 250K、LULC 50K、Wasteland Map 50K、作物类型地图、植被类型和海拔数据，其整体准确率为91.15%，Kappa系数为0.89。为了确保与LSMs的兼容性并便于直接比较，HR Eco-P LULC被配置为使用分数层来表示子网格的地表异质性，遵循了LSMs中使用的格式，其中ESA气候变化倡议（CCI）LULC传统上就是采用这种格式的。与CCI LULC相比，HR Eco-P分数层在表示PFTs和非植被类别（如城市区域和裸土）时显示出显著的空间不匹配，突显了其在区域应用中的改进生态特异性和相关性。使用高分辨率德里模型（含化学和气溶胶框架，DM-Chem）对德里和布巴内斯瓦尔进行了评估，结果显示近地面天气参数的模拟得到了改善，尤其是布巴内斯瓦尔地区的RMSE较低。这种多功能性使得该产品适用于多种应用，如农业生态系统建模、土地退化评估、气候预测和灾害管理。它为研究人员和政策制定者提供了了解土地动态和支持明智决策的宝贵工具。

引言

土地利用和土地覆盖（LULC）数据在区域气候建模中起着关键作用，因为区域气候模型（RCMs）结合了地表模型（LSMs）来模拟陆地-大气-土壤相互作用，例如蒸散作用、表面能量交换和植被过程（Lodh等人，2016；Zulkafli等人，2013）。这些组成部分对于捕捉区域天气和气候变异性至关重要（Best等人，2011；Clark等人，2011）。然而，大多数全球LULC数据库无法捕捉LULC的区域差异。现有的区域尺度LULC数据集通常缺乏关于植被和土地覆盖的生物物理和生态特征的足够细节（Buchhorn等人，2017；Copernicus，2018；Friedl等人，2010；Gutman等人，2013；Herold等人，2011；Hollmann等人，2013）。多年来，卫星遥感（RS）在利用电磁波谱多个光谱带的数据及其转换（如归一化差异植被指数NDVI）开发LULC产品方面发挥了重要作用。卫星数据能够重复捕捉时间和空间的事件，这在捕捉LULC的动态和特征方面具有很大优势。然而，目前从RS数据集衍生的LULC存在一些差距和不兼容性，限制了其在LSMs中的应用。

基于RS的LULC产品有时会简化植物功能类型（PFTs）分布的复杂性，因为光谱反射率并不能直接捕捉植物的生理特征（Hartley等人，2017）。绘制PFTs地图有助于理解关键生态系统过程，PFTs是一组具有共同生态生理特征的植物，如阔叶林和针叶林、C3和C4草类以及灌木（Padalia等人，2019；Smith等人，1997；Srinet等人，2020；Walker，1992）。它们对于准确估计总初级生产力、模拟碳通量和捕捉光合作用途径至关重要，从而提高了我们对区域到全球尺度碳循环和气候变异性的理解（Mathison等人，2023；Unnikrishnan等人，2016；Slevin等人，2017）。在像印度次大陆这样复杂且异质性的地区，季风气候与喜马拉雅山脉和西高止山脉的地形变化相结合，形成了具有不同PFTs的多样化植被类型（Padalia等人，2019；Srinet等人，2020）。

广泛使用的Anderson分类系统（Anderson，1976）是许多LULC方案的基础，但它主要用于土地利用规划，缺乏功能性植被属性。此外，Anderson的分层分类不利于将LULC直接映射到PFTs，从而在将标准LULC类别转换为生态生理土地覆盖类别时导致不确定性。基于Anderson分类系统的国家级LULC地图，如LULC 250K和LULC 50K（NRSC，2019，2025），可以在区域尺度上对土地覆盖进行分类，但无法区分对各种RCMs至关重要的PFTs。同样，全球LULC数据集，如欧洲航天局气候变化倡议（ESA CCI）LULC和中分辨率成像光谱辐射计（MODIS）土地覆盖数据，虽然提供了广泛的植被类别，但没有考虑区域生态差异（Friedl等人，2010；Harper等人，2023；Poulter等人，2015）。作物类型地图对于农业监测至关重要，但缺乏进行生态生理地表模拟所需的C3和C4植物类型的分类（Gumma等人，2022）。此外，土地退化数据集主要关注土壤侵蚀和植被损失，但没有包含植被动态，因此不太适用于区域气候建模（NRSC，2020）。

ESA CCI LULC产品广泛用于大规模地表应用，它是通过一个转换表将全球土地覆盖类别转换为PFTs生成的（Poulter等人，2015）。虽然在全球范围内有效，但这种通用的转换方法无法捕捉印度的区域特定生态差异，因为那里多样的气候和生态条件需要更细的分类（Mathison等人，2023；Zulkafli等人，2013）。因此，在整个印度应用统一的转换方法会导致PFTs表示的差异。最近的进展，如Harper等人（2023）开发的年度300米PFT时间序列，提高了空间细节和准确性，但仍受转换方法的限制。此外，该数据集将C3和C4草类合并为“管理”和“自然”草类类别，这限制了这些功能不同草类的区分。在印度背景下，这是一个重要限制，因为C3-C4的差异强烈调节地表能量平衡和气候变异性。因此，需要一个新的高分辨率、基于生态生理学的LULC数据集，专门针对印度次大陆，以改进通用转换方法，并结合区域特定的功能特征来准确捕捉印度的复杂植被模式。这些不一致性也突显了需要与RCMs中的LSMs兼容的区域特定LULC数据集的需求，例如联合英国土地环境模拟器（JULES）LSM在统一模型（UM）中的应用（Best等人，2011；Clark等人，2011）。

因此，本研究通过引入“高分辨率生态生理LULC（HR Eco-P LULC）”的概念来解决这些限制，该概念整合了区域差异以及土地覆盖的生态、生理和形态特征，通过改进PFTs和非植被地表层的空间表示来实现。本研究采用了JULES LSM中定义的相同九种PFTs，确保了Eco-P LULC分类框架与地表模型参数化之间的一致性。六个不同的多源遥感衍生产品被整合在一起，生成了具有9个地表层的HR Eco-P LULC。该高分辨率数据集旨在捕捉印度植被和土地覆盖的空间异质性，从而提高气候和水文建模的准确性。这一进展旨在支持印度地区区域气候研究、天气预报和生态系统评估中的地表表示改进。

研究区域

研究区域包括整个印度陆地。它从北纬6°44’到35°30’，东经68°7’到97°25’，面积约为32,872.63平方公里（图1）。

印度展现了显著的生态和生物地理多样性，从北部的喜马拉雅高山植被到西高止山脉和东北部的热带常绿和半常绿森林，中部和西北部的干燥落叶林和刺灌木林，以及红树林和草地等。

数据来源

为了准备HR Eco-P LULC，收集了来自多个来源的空间数据，因为印度地区的植被和作物类型多样且异质（表1）。作为HR Eco-P LULC的基础层，使用了NRSC使用Resourcesat-2 AWiFS数据为2018-19年制作的1:250k尺度的国家级LULC（NRSC，2025）。这些数据还补充了NRSC提供的1:50k尺度的LULC和2015-16年的1:50k尺度的荒地地图（NRSC，2019，2020）。

高分辨率生态生理土地利用和土地覆盖：HR Eco-P LULC

通过整合整个印度地区的多源遥感衍生产品制备的HR Eco-P LULC显示，某些层占主导地位，例如C3草类（26.81%）、C4草类（22.74%）和阔叶林（21.21%）。灌木（5.84%）和城市区域（3.01%）所占比例较小，其次是水体（4.20%）和裸土（12.14%）。针叶林（1.32%）和冰（2.71%）的贡献最小（图3）。从空间上看，阔叶林主要分布在...

讨论

在像印度这样生态和气候多样化的景观中，迫切需要一个能够捕捉区域差异以及植被和地表类型生物物理特征的土地利用和土地覆盖数据集（Blyth等人，2021）。通过整合遥感衍生多源数据集开发的HR Eco-P LULC，在印度区域气候模型的地表特征表示方面取得了显著进展。该数据集的一个独特特点是...

结论

本研究为印度制作了一个新的遥感衍生高分辨率生态生理土地利用和土地覆盖（HR Eco-P LULC）。HR Eco-P LULC数据更好地表示了生态和生理特征，包括植物功能类型（PFTs），增强了嵌入在区域气候模型（RCMs）中的地表模型（LSMs）模拟陆地-大气-土壤相互作用的能力，提高了准确性。

利益冲突/竞争利益

作者没有需要披露的相关财务或非财务利益。

CRediT作者贡献声明

Shailja Mamgain：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理。Arijit Roy：撰写——审阅与编辑、撰写——原始草稿、监督、资源管理、方法论、数据管理、概念化。Kshama Gupta：撰写——审阅与编辑、撰写——原始草稿、可视化、监督、方法论、调查、正式分析、数据管理、概念化。Bhoomika Ghale：撰写——原始草稿、可视化

未引用的参考文献

Das和Ashok，2021；Groenendijk等人，2011；ISFR，2023；Marambe和SimicMilas，2020；Pattnaik和Sahu，2021；Renssena和Lautenschlagerc，2000；Siewert和Kroszczynski，2023；Theethai Jacob及其合作者，2023；Willett等人，2025；Yadav等人，2020；Zhang和Li，2022。

数据可用性声明

相关数据存档在机构仓库中，可根据合理请求提供。

伦理声明

本研究没有涉及对人类或动物的任何实验。所有使用的数据均来自公开可用的遥感和地理空间来源，因此不需要伦理批准。

资金

作者没有从任何组织获得提交工作的任何资金、资助或其他支持。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文报告工作的财务或个人关系。

致谢

作者感谢国家遥感中心（NRSC）共享AWiFS LULC 250k、LULC 50k和Wasteland 50k数据。作者还感谢印度遥感研究所（IIRS）提供完成这项工作所需的设施。