陆表卫星遥感GLASS产品集的研发新进展

梁顺林， 陈晓娜， 陈琰， 程洁， 贾坤， 江波， 李冰，刘强， 马晗， 宋柳霖， 唐伯惠， 徐蒋磊， 姚云军，袁文平， 张晓通， 张玉珍， 赵祥， 周纪

1. 香港大学 地理系, 香港 999077;2. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室, 北京 100101;3. 武汉大学 遥感信息工程学院, 武汉 430079;4. 北京师范大学 地理科学学部 遥感科学国家重点实验室, 北京 100875;5. 北京师范大学 地理科学学部 北京市陆表遥感数据产品工程技术研究中心, 北京 100875;6. 鹏城实验室, 深圳 518055;7. 中山大学 大气科学学院, 广州 510275;8. 北京科技大学 自动化学院 北京市工业波谱成像工程技术研究中心, 北京 100083;9. 电子科技大学 资源与环境学院, 成都 611731

1 引 言

当今世界正面临着前所未有的环境变化，特别是气候变化正在广泛地影响到人类社会。为了更好地理解、监测和预测这些变化，研究人员需要获得不同地表生物和地球物理变量的高质量卫星产品。虽然国际上几个主要的宇航空间机构（比如美国宇航局、欧洲航天局）通过不同的卫星数据生成了高水平的陆地产品，但这些产品尚有一系列的局限性，比如因为这些产品通常是由寿命有限的特定卫星传感器观测数据生产的，它们通常具有较短期的时间覆盖范围。而且绝大多数的陆表产品只有在晴空的时候才有有效的估算值，由于云的覆盖导致产品有大量的“空洞”，使得产品的应用非常不方便。因此，这些产品的时空分辨率、精度和质量都需要进一步的改进（梁顺林等，2016a；梁顺林，2021）。

GLASS（Global LAnd Surface Satellite）产品集是在中国国家高新技术研究和发展项目“十一五”和“十二五”863 计划及“十三五”国家重点研发计划的支持下，经十余年努力研发而生成的多种高级陆表特征参数的卫星数据产品。作为首套具有中国自主知识产权的全球陆表卫星产品，研发团队针对国际主流相关产品时间跨度有限、一致性和连续性差等问题，攻克了一系列算法与生产方面的难题，提升了中国定量遥感产品业务化水平和中国遥感科学国际影响力，改写了中国科学家多年来一直使用国外的卫星高级产品这一历史现状。

在科技部“十一五”863 重点项目“全球陆表特征参量产品生成与应用研究”支持下，团队首先研发了5 种GLASS 产品（Liang 等，2013b），其中包含3 种长时间序列产品（叶面积指数 - LAI，宽波段反照率和长波宽波段发射率）和两种3 h 高时间分辨率辐射产品（短波下行辐射-DSR 和光合有效辐射-PAR）。GLASS 产品主要基于美国宇航局的AVHRR 长期数据记录（LTDR） （https：//ltdr.modaps.eosdis.nasa.gov［2022-09-09］）和中分辨率成像光谱仪（MODIS）数据，以及其他卫星数据和辅助信息。介绍GLASS 产品的算法，产品特性和初步验证结果的书以中英文形式分别在国内外出 版（Liang 等，2013a；梁 顺 林 等，2014）。GLASS 产品于2012 年在第九届GEO 全会上由中国科技部正式向国内外发布，免费供全球使用。

在科技部“十二五”863 专题项目“全球生态系统与表面能量平衡特征参量生成与应用”的滚动支持下，研究团队不仅将已有的5种产品不断改进，而且将GLASS 产品数拓展到12 种（Liang 等，2021），涵盖能量平衡分量（如反照率、发射率、PAR、DSR、净辐射、陆表温度-LST 等）、水循环分量（如潜热等）和碳循环分量（如LAI、光合有效辐射吸收比 - FAPAR、植被覆盖度 - FVC、植被总初级生产力 - GPP）等关键陆表特征参量。其产品的算法基础，产品特性和许多应用实例等细节也被描述在一本中文书中（梁顺林 等，2017）。

在科技部“十三五”重点研发计划项目 “全球气候数据集生成及气候变化关键过程和要素监测”的支撑下（梁顺林 等，2016b），团队既进一步提高了现有GLASS 产品的质量、精度、时间范围和空间分辨率，又发展了一系列新的数据产品。目前所有产品的特性归纳在表1。

表1 GLASS产品集及其特性 （除了北半球积雪覆盖度产品，其余所有产品都覆盖全球陆表）Table1 GLASS products and unique features （Covering the world’s land except North-hemisphere snow cover extent）

续表

为了使GLASS 产品得到更广泛的应用，本文综述了GLASS 产品的特点、反演算法、验证结果和一些初步应用示例。还介绍了目前正在进行的与GLASS产品相关的研究。

为了便于描述，下面将按照辐射能量平衡，生态系统结构参数与碳循环，冰冻圈3个类型分别讨论这些产品。

2 辐射能量平衡产品

地表辐射能量平衡相关的GLASS 产品比其他类型的产品要多。地表辐射平衡是以全波段净辐射（Rn）来表征的，代表了来自大气的入射短波和长波辐射与来自地球表面的发射长波和反射短波辐射之间的差别。其中短波净辐射和长波净辐射（）可表示为

式中，αSW为地面短波宽波段反照率（2.1 节），为下行短波辐射（DSR）（2.2 节），和为下上行长波辐射（2.6节），ε为长波宽波段发射率（BBE）（2.5 节），Ts为地表表层温度（2.4 节），σ为Stefan-Boltzmann常数。

如果估算了方程右边的所有变量，我们就可以得到全波段净辐射。但是用于每个变量估算的误差可能会递加，导致的净辐射产品的不确定性太大。GLASS 净辐射产品是通过直接估算的方法生成的，细节见2.7节。

地表能量平衡是关于全波段净辐射如何被分配到地面热通量（与地面表层温度变化相关）、感热通量（调节地面空气温度和表层温度差）和潜热通量（转换地面液态水到空气水汽）上，在2.8 节潜热通量将作为蒸散发（ET）进行讨论。所有这些能量通量都与近地表气温（Ta）有直接的关联，Ta将在第2.9节中讨论。

2.1 宽波段反照率

地表宽波段反照率定义为在一定波长范围内地表所有反射辐射能量与入射辐射能量之比。短波反照率对应于0.3—3 μm，可见光反照率对应于0.4—0.7 μm，近红外反照率对应于0.7—3 μm。地表反照率反映了地球表面对太阳辐射的反射能力，是全球变化的一个敏感因子和驱动因子，例如城市化、砍伐森林/造林和北极海冰退缩等地表变化都通过地表反照率影响太阳辐射能量的分配，向全球气候系统提供反馈。

世界上绝大多数地表反照率产品算法都基于3 个主要的步骤：大气校正得到地面反射率，二向反射分布函数（BRDF）模型得到每个波段的反照率，和窄波段到宽波段转换得到宽波段反照率。但是GLASS 地表反照率产品采用了反照率直接估计算法（Liang，2003），即根据一般晴空大气条件和地表二向反射统计规律来估算地表反照率，因为跳过了累积多角度观测数据来反演二向反射模型这一复杂步骤，从而提高了效率和降低了对输入数据的要求，使得算法能够更好地适应早期遥感数据。GLASS地表反照率产品生产涉及3个子算法：第一采用直接估计算法（Qu 等，2014）生成晴空条件下地表反照率初级产品，第二采用时空滤波算法（Liu 等，2013） 生成平滑无缺失的0.05°/500 m 分辨率全天候GLASS 地表反照率标准产品，第三采用降尺度融合算法（陆彦蓉 等，2020）对500 m 分辨率产品进行分辨率增强，生成250 m 分辨率的增值产品。2001 年—2020 年的GLASS反照率产品由MODIS和AVHRR观测数据生成，空间分辨率有0.05°，500 m 和250 m 三级，时间分辨率为4 d；1981年—2000年的GLASS反照率产品由AVHRR 观测数据生成。所有时段的0.05°和500 m 产品都包括可见光、近红外和短波3 个宽波段的黑空反照率（black-sky albedo）和白空反照率（white-sky albedo）；为了节省存储资源，250 m 分辨率的增值产品仅提供了由黑空反照率和白空反照率组合而成的晴空短波反照率（clearsky albedo），在晴天条件下该参量的物理含义与常规反照率表测量值一致。

GLASS 地表反照率产品的特色首先表现在其约40 年的长时间序列和覆盖全球陆表无缺失的特性，为气候变化和地球系统科学研究提供了有力的支持。图1 显示GLASS 反照率产品是全球最长时间序列产品。其次，GLASS 地表反照率产品为冰雪、水体以及它们的混合像元提供了针对性的算法和先验知识，提高了相应区域的反照率估算精度和稳定性（Feng等，2016；Qu等，2016）。此外，最近生成250 m分辨率的GLASS地表反照率增值产品是目前国际上全球尺度长时间序列反照率产品中空间分辨率最高的。

图1 目前国际上几个主要全球反照率产品的时间范围与空间分辨率Fig.1 The current major global albedo products in the world characterized by their temporal ranges and spatial resolutions

500 m 分辨率的GLASS地表反照率产品通过来自53 个空间均匀的站点观测数据进行了验证。这些观测数据是FLUXNET 的LaThuile open 数据集的一部分。所有匹配样本的均方根误差为0.0374，决定系数（R2）为0.887；剔除了质量标志为低质量的产品和地面观测受云影响的样本后，RMSE 降至0.0125，R2升至0.981。对于基于AVHRR数据生成的0.05°分辨率的反照率标准产品，由于与地面观测的尺度差距太大，所以采用间接验证的方法，把基于MODIS 数据生成的500 m 分辨率产品聚合到0.05°分辨率作为参考数据来检验。所有匹配样本的均方根误差为0.0766，可决系数为0.910；剔除了产品质量标志为低质量的样本后，RMSE 降至0.0613，R2升至0.973。基于AVHRR 数据与基于MODIS 数据生成产品的差异，部分原因来自AVHRR 传感器波段少、辐射精度低和AVHRR GAC（Global Area Coverage）数据集的较低空间分辨率，另外也因为它们的时间分辨率不同导致在降雪和融雪的季节出现较大差异。

GLASS 反照率产品已被许多研究使用。例如，它们已被用于计算地表蒸散发（ET）（Carter 和Liang，2019），以确定由于地表变化而产生的辐射强迫（He 等，2013；Chen 等，2015，2016），以及用于评价太阳入射辐射的动态变化（Schwarz等，2020）。

2.2 下行短波辐射（DSR）

DSR（Downward Shortwave Radiation）表征到达地球表面的短波辐射总量（包括直接辐射和漫射辐射）。它是地表能量的主要来源和表层地球系统的重要驱动力，也是地表辐射收支与能量平衡的重要分量之一。基于卫星遥感数据估算地表DSR 主要有5 种方法：（1）经验统计模型方法；（2）参数化物理模型方法；（3）混合估算方法；（4）辐射传输模型方法；（5）基于机器学习的智能化估算方法。

GLASS DSR 产品主要通过基于MODIS 数据的混合算法（Zhang 等，2019a）和基于AVHRR 数据的查找表算法（Zhang 等，2014）分别生产。基于MODIS 数据的混合算法主要包括两个部分：首先，通过利用 Terra 和 Aqua 卫星数据基于直接估计算法（Wang等，2015a）估算地表短波净辐射。其主要思想是通过不同观测几何条件下的辐射传输模型计算TOA 反射率，并建立不同大气状况下的TOA 反射率与地表短波净辐射之间的线性回归关系，使用线性回归得到的系数来估算地表短波净辐射；其次，将得到的短波净辐射数据投影到5 km 空间分辨率，并结合GLASS 宽带反照率数据得到空间连续的日均地表短波辐射。基于AVHRR数据的查找表算法过程如下： 第1 步通过直接使用陆表反射率产品或其他方法，获得陆表的反射率数据，然后通过获取的反射率计算从最晴天到最阴天之间所有大气状况的大气顶辐亮度值；第2步运用查找表算法建立不同大气状况指数与大气顶辐亮度之间的关系，结合获取的大气顶辐亮度值确定大气状况指数；第3步运用查找表算法建立地表辐射通量与大气状况指数之间的关系，进一步根据所得大气状况指数计算得到DSR。

GLASS MODIS DSR产品通过来自BSRN、GEBA和CMA 的525 个站点的观测数据的验证（Zhang等，2019a）。在月时间尺度上的验证结果表明，相关系数（R）为0.96，偏差为1.24 Wm-2，均方根误差为21.16 Wm-2。GLASS AVHRR DSR 产品也通过BSRN、GEBA 和CMA 站点的观测数据进行了验证。在日时间尺度上的验证结果表明，GLASS陆表日积DSR 产品在BSRN、CMA 站点验证相关系数（R）为0.95，偏差0.94 Wm-2，均方根误差为29.97 Wm-2。在月时间尺度上的验证结果表明，R约为0.97，偏差范围为-7.0—2.0 Wm-2，均方根误差范围为18.0—23.0 Wm-2。GLASS 辐射产品验证精度与国际同类产品验证精度相当，但具有更高的空间分辨率（5 km）。在中国实测站点的验证精度要高于同类产品。

GLASS DSR 产品已被许多研究使用。例如，被用于研究地表辐射收支（Ye等，2021），计算地表蒸散发（Jiang 等，2021）、陆面温度（Li 等，2021a；Xu 等，2021）和近地面空气温度（Chen等，2021c），研究陆地GPP的潜在驱动因素（Chen等，2021a），模型验证（Zhang等，2022a）等。

2.3 下行光合有效辐射（PAR）

地表下行PAR（Photosynthetically Active Radiation）是DSR 中的可见光（400—700 nm）部分，是植物进行光合作用的重要能量来源，直接影响着植物的生长。众多陆面生态系统都使用光合作用来调节植被冠层和大气之间的水和碳的交换，PAR 是陆地光合作用、初级生产力计算和生态系统—大气二氧化碳交换模型的必要输入。现有全球PAR产品的空间分辨率都比较低，无法满足各种应用。PAR 产品大多数针对某种气候或者地理区域估算得到的，存在一定的区域局限性；而且大部分产品也是来自特定传感器的数据。因此，进一步发展高精度和时空分辨率的地表PAR 产品显得尤为重要和迫切。

PAR 遥感产品算法大体可以分为两种，一种是间接方法，即利用PAR 与DSR 之间的关系，在已有的DSR 产品基础上乘以系数得到PAR 产品。该转换因子的变化范围为0.4—0.58。另一种则是直接估算方法，即利用大气辐射传输模型得到简化的参数化方案，结合大气参数和地表参数数据来计算PAR；或者通过卫星的大气顶观测数据直接反演得到。

GLASS PAR 产品利用GLASS DSR 产品乘以转换因子得到。对每个像元，这个转换因子是随着时间变化的，由GEWEX-SRB V3.0 PAR 和DSR产品比例系数得到的。GLASS PAR 产品通过SURFRAD，AmeriFlux，CarbonEuropeIP，AERONET和亚洲通量站点的地面观测值进行了验证。总体验证结果表明GLASS 日均PAR 产品的精度相对较好，相关系数（R）为0.84，偏差5.0 Wm-2，均方根误差为49 Wm-2。

GLASS PAR 产品也作为基础性数据进行了扩展应用，例如Qin等（2019）运用2008年—2010年及2013 年的GLASS PAR 数据进行了中国区域1961年—2014年高密度PAR数据集的重建。Cai等（2014）通过与其他几种入射辐射产品的比较证明GLASS PAR产品能够更好地估算中国陆表GPP。

2.4 地表温度 （LST）

LST（Land Surface Temperature）表征陆表地面表层的辐射温度，是许多陆表过程中的一个关键参数。在地表—大气之间的能量交互发挥了重要作用，通过遥感手段获取大尺度地表温度是最有效的手段。热红外（TIR）遥感可以直接观测地表的热发射，可以在晴空条件下估算地表温度。虽然目前已经有许多反演算法，也有十余种LST产品被发布。但是这些产品主要集中在2000年之后，长期的全球高分辨率LST卫星产品还不多，特别是在2000 年以前，无法很好地满足诸如气候变化研究等应用对长时序LST产品的需求。

2.4.1 基于AVHRR数据的LST产品

GLASS 产品集目前有两套瞬时LST 产品。第一套是利用一种多算法集成方法，针对单一反演算法在大观测角度和高水汽含量情况下反演精度低的问题，将9种常见的分裂窗算法采用集成方法构建LST 多算法集成反演模型（Zhou 等，2019；Ma等，2020）。通过地面站点测量数据对该LST产品进行了验证。初步验证结果表明，在基线地表辐射网络（BSRN）Barrow 站点上，该LST 产品的RMSE 为2.89 K（Zhou 等，2019）；在1995 年—2000 年的6 个SURFRAD 站点上，该产品的平均偏差和平均标准偏差分别为0.21 K 和2.48 K，相应的变化范围分别为-1.59—2.71 K 和2.26—2.76 K（Ma等，2020）。

另一套AVHRR LST 产品是基于一个改进型通用劈窗算法（Liu 等，2019）。该算法是在通用劈窗算法的基础上增加了两个热红外通道亮温差的二次项，进而提高了原算法在高水汽含量下的反演精度。此外，具体到生产流程，针对2000 年之前配套数据相对匮乏的现象，针对AVHRR 数据本身特点分别采用植被指数阈值法和协方差/方差比法完成了发射率和大气水汽含量的估算，并使用反演的初始地表温度代替近地表空气温度确定系数分组，从而实现了完全基于AVHRR 数据的全球LST 产品生产。使用6 个SURFRAD 站点的实际测量数据，采用基于温度的直接验证方法，评价了NOAA-14（1995 年—2000 年）的产品精度，结果表明均方根误差为2.2—4.1 K，MBE 为-0.4—2.0 K（Liu等，2019）。

因为NOAA 卫星缺少保持轨道稳定运行的控制器，AVHRR 数据存在轨道偏移效应，即随着卫星运行时间的推移，其过境时间逐渐后移，最大甚至相差3.5 个小时。瞬时LST 随时间变化具有很强的波动性，因此轨道漂移会导致同一地点不同时期的LST 可比性下降。相应地，GLASS 产品集两个瞬时LST产品都分别提供了一种具有物理意义的轨道偏移校正算法。以第二个产品为例，该算法利用温度日变化模型描述晴空LST 的变化模式，通过过境时刻和标准时刻与最大温度时刻之间温度差和时间差的关系构建约束条件，基于贝叶斯优化算法求解系数。基于SURFRAD 站点的实测数据分析表明，漂移校正前后所引起的温度反演结果的均方根误差变化在±0.5 K 之内（Liu 等，2019）。

2.4.2 基于MODIS数据的全天候LST产品

热红外信号极易受到大气和云雾的影响，仅能获取晴空条件下的地表温度，因而现有的热红外地表温度产品存在缺失和异常值。MODIS 官方LST 产品因云层导致的产品缺失高达百分之七十（Mercury 等，2012），云识别误判也导致产品存在一定数量的异常值。LST产品的时空不连续，限制了其在各个领域的研究与应用。GLASS全天候LST产品是基于MODIS 观测数据、模式数据（GLDAS地表温度、ERA5-land 地表温度）、其他GLASS卫星产品（比如长波下行辐射、DSR、反照率、LAI、角度信息（观测天顶角、太阳天顶角、相对方位角）、地面站点观测等），先后利用机器学习算法在美国大陆和全球范围开展实验，实现了时空连续的、全天候的瞬时和日均地表温度估算（Li等，2021a）。独立数据集的验证结果表明，在美国大陆区域和全球的实验中，瞬时模型的均方根误差（RMSE）在2.7 K 左右，全球的日均地表温度模型RMSE 在2.1 K 左右。GLASS 全天候瞬时LST与MODIS官方LST产品相比，具有相似的空间分布格局和更高的验证精度，填补了MODIS 产品的缺失像素，矫正了云误判导致的LST异常值，矫正效果在高纬度地区尤为显著。对比2010 年4 天（代表春夏秋冬4 个季节）中MODIS 瞬时LST 图像和相应的GLASS LST 图像，显然MODIS LST 有大量的数据缺失，而GLASS LST 在空间上是连续的。GLASS 日均LST 产品是基于MODIS 数据的全天候日均LST卫星产品。与瞬时LST相比，具有统一的时间基准，将在气候变化、农业监测、干旱监测等研究领域发挥至关重要的作用。

在利用多种数据源生成全天候时空连续的LST产品的方法方面也取得了很好的进展。比如Zhang等（2020a）利用被动微波和热红外两种数据生成1 km 全天候LST 区域性产品。Zhang 等（2021）也证明了同时使用遥感热红外数据和陆面模式的模拟数据，也能够生成高精度的全天候LST 产品。Jia 等（2021，2022） 基于地表能量平衡的原理利用数据同化方法，从极轨卫星数据（比如MODIS 、VIIRS）和静止卫星ABI 数据，都可以生成高精度的全天候LST产品。

GLASS LST 产品受到了诸如地表温度长时序分析（Good 等，2022）、全天候地表温度估算（Jia 等，2022；Wu 等，2021）以及近地表气温估算（Valipour 和Dietrich，2022；Wang 等，2022）等应用的关注。

2.5 热红外宽波段发射率（BBE）

地表发射率是在相同温度下表面热辐射与理想黑体表面热辐射的比率。GLASS 地表热红外宽波 段 发 射 率BBE （Broadband Emissivity） 是8—13.5 μm 宽波段的平均值。 BBE 是计算地表辐射收支的一个关键变量，对解决与气候趋势、天气预测、水文模型和生物地球物理模型相关的各种科学和应用问题至关重要。由于缺少可靠的观测，在陆面模式以及全球环流模式的陆面过程中，通常将陆表宽波段发射率设置为常数或者采用简单的参数化方案来计算， 显然不能很好地表征实际的时空变化，这是制约模式模拟精度提高的一个重要因素。Jin 和Liang （2006） 证明了利用由MODIS 光谱发射率产品拟合的BBE 可以显著改善地表和大气耦合模式的模拟精度。

通常用两种方法估算宽波段发射率。第一种是基于分类的方法，每种地表类型被赋予一个固定的发射率，该发射率由实验室测量的典型地物发射率光谱确定。第二种是将窄波段（也叫光谱发射率）到特定窗口范围的BBE 的转换。这两种方法都有精度不高的缺点。第一种方法捕捉不到土壤发射率的巨大空间变化以及植被发射率的季节变化；第二种方法容易受到光谱发射率产品的精度影响。光谱发射率反演在本质上也是属于病态问题，即由N个方程（波段数）求解N+1 个未知数（N个光谱发射率和一个LST），求解往往不稳定。例如，基于实验室测量数据的验证结果表明，MODIS C5 光谱发射率产品（MOD11B1）在所有的波段都存在高估现象，平均绝对偏差为0.0193（Hulley 等，2009）。另外，光谱转换的宽波段发射率无法具有高时空分辨率。比如，ASTER的重访周期为16 d，几乎不可能实现月时间分辨率的全球宽波段发射率制图；MODIS 窄波段发射率产品是用昼/夜算法反演得到的，空间分辨率是5 km ，这样无法得到1 km BBE。

GLASS BBE 产品是基于两套不同的算法。地表分为水、冰雪、裸土、植被和过渡带几个类型，其BBE 是分别估算的。在GLASS MODIS BBE 产品算法中，裸土的BBE 是按照ASTER 光谱发射率计算的BBE 与MODIS 7 个短波反照率之间的线性关系估算的（Cheng 和Liang，2014），这种关系的物理基础通过辐射传输模拟得到了进一步的验证（Cheng 等，2018）。植被的BBE 是基于由冠层辐射传输模型构建的查找表插值得到的，输入参数为叶片BBE、土壤BBE 和植被LAI （Cheng 等，2016）。过渡地带BBE 是裸土和植被BBE 的平均值。冰雪和水体的BBE 是结合辐射传输模拟结果和光谱库／野外测量结果分别设置为常数（Cheng等，2010）。GLASS AVHRR BBE 产品是由类似的算法生成的，不同的是使用AVHRR 地表可见光和近红外反射率代替MODIS 光谱反照率（Cheng 和Liang，2013）。

GLASS MODIS BBE 产品是基于地面测量的发射率数据直接验证的。使用2006 年— 2011 年中国北方地区测量的发射率数据表明裸地BBE 差异在0.02以内（Dong等，2013）。利用2008年北美沙漠地区6个站点的地面测量数据表明BBE的平均差值为0.016 （Cheng 和Liang，2014）。使用在河南鹤壁测量的小麦冠层发射率表明 BBE 产品与测量值之间的差异小于0.005 （Cheng等，2016）。由于在2000 年之前，可获取的地面观测较少，同时AVHRR BBE 产品分辨率较粗，采用与时间重合的MODIS BBE 产品进行交叉验证。我们检查了2000 年以后与GLASS MODIS BBE 产品的一致性。均值差绝对值和均方根误差均小于0.001。还将GLASS BBE 与北美ASTER 地表发射率数据库进行了比较（Cheng 等，2014），发现在夏季和冬季二者都有很好的一致性。

GLASS BBE 产品被用来估计地面ET（Yang 和Cheng，2020）、新ET 反演算法的比较验证（Ma等，2018，2019），以及评价由于大规模太阳能设施的安装部署导致的气候影响（Li等，2017）。

2.6 长波下行、上行和净辐射

地表长波上行辐射（LWUP）包括地表向上发射的长波辐射和地面反射的长波下行辐射（LWDN）。给定地面发射率和地表温度，地表向上发射的长波辐射可以用斯特潘—玻尔兹曼定律计算。地表LWDN 是来自整层大气的热辐射，地表长波净辐射LWNT=LWDN-LWUP。地表热辐射在研究气候变化趋势、数值天气预报模式的诊断、水文和生物地球物理模拟、农业相关的科学和应用问题中具有非常重要的价值。夜晚和极区一年中的大多数天，长波辐射主导地表能量平衡。

地表长波辐射遥感估算已经取得了长足进展。但是对于全球尺度、高空间分辨率（～1 km）地表长波辐射估算以及产品研发，相关工作并不多见。在局部尺度上发展的方法推广到全球尺度可能存在较多的问题。

我们生成了基于MODIS和AVHRR数据的全天候长波辐射产品。下面将分别介绍。

2.6.1 基于MODIS数据的长波辐射产品

利用混合估算模型，首先生成了瞬时晴空的LWUP（Cheng和Liang，2016）和LWDN（Cheng等，2017）产品。LWUP混合算法主要解决混合算法的适用性问题。LWUP主要由地表温度决定，它在全球范围内具有较大的时空变化。通过使用遥感数据产品统计地—气温差和选择代表性较好的样本，改善混合算法的适用性。在常规的全球大气温湿度廓线库基础上，使用GLASS LWUP 近似表征近地面空气温度，和MODIS 第29 波段辐亮度来确定水汽的垂直分布，进而估算晴空LWDN。在高海拔地区或干旱区域，大气含水量非常低，拟合大气可降水量和地表LWDN 的经验关系，利用MODIS可降水量产品及其经验关系估算LWDN。

对于多云天气条件，使用单层云模型，并使用MODIS 云产品作为输入来估计LWDN。云天LWUP由GLASS LST和BBE产品计算得到。在下一版本，将使用最新发展的、物理机制更完备的单层云模型（Yang和Cheng，2020）估算云天LWDN。

利用全球6 个独立的网络的137 个通量站点观测数据对晴空GLASS 长波辐射产品进行了验证。结果表明，LWDN 的偏差和均方根误差分别为-3.77 Wm-2和26.94 Wm-2，LWUP 的偏差和均方根误差分别为-4.33 Wm-2和18.15 Wm-2。由LWUP 和LWDN 差值得到的长波净辐射（LWNT）的偏差为0.70 Wm-2，均方根误差为26.7 Wm-2，精度明显优于其他同类产品（Zeng等，2020）。

另外，利用线性正弦函数内插方法生成了天均地表长波辐射产品（Zeng 和Cheng，2021），它的空间分辨率为0.05°，偏差和均方差误差分别是-4.15/13.74 Wm-2（LWUP），-1.3/27.52 Wm-2（LWDN）和2.85/25.91 Wm-2（LWNT）。

2.6.2 基于AVHRR数据的天均长波辐射产品

对于全天候的长波辐射，研发了一个密集连接的卷积神经网络模型（Xu 等，2022b），生产了GLASS AVHRR 时空连续的天均长波辐射数据集。具体而言，使用CERES，ERA5 和GLASS MODIS的长波辐射数据，基于随机森林（RF）算法融合的长波辐射样本驱动搭建的深度神经网络模型。AVHRR 大气层顶的短波反射率（Zhan 和Liang，2022）和热红外亮度温度观测值，太阳—观测几何信息，以及ERA5的近地表气象数据（气温，水汽，相对湿度）是模型的主要输入，其中短波观测值在大气水汽和液态水云含量较高的情况下对于估算全天空长波辐射有着很好的帮助。迁移学习的应用很好地解决了长波辐射在大气水汽含量较高情况下的饱和效应。独立验证的结果表明神经网络模型具有很高的精度。

与CERES，ERA5，以及GLASS MODIS 长 波辐射产品相比，在相同的地面站点实测数据验证条件下，GLASS AVHRR 长波辐射数据具有更高的精度，LWDN的偏差和均方根误差分别为-2.65 W m-2和19.08 Wm-2，LWUP 的偏差和均方根误差分别为-3.70 Wm-2和15.80 Wm-2，LWNT 的偏差和均方根误差分别为0.49 Wm-2和16.29 Wm-2。相比较而言，其余3 套数据的长波辐射的均方根误差范围为20.95—27.82 Wm-2（LWDN），17.46—17.93 Wm-2（LWUP），18.32—25.97 Wm-2（LWNT）。

2.7 全波段净辐射

全波段净辐射（Rn，以下简称净辐射）是地表从短波（0.3—4 μm）到长波（4—100 μm）波谱范围内下行辐射和上行辐射之差。净辐射表征地表辐射能量收支，是气候变化乃至全球水碳循环的重要驱动力。

GLASSRn产品基于数据驱动方法生成，包括日间（日出到日落）及天均（包含白天与夜晚）两个时间尺度。日间净辐射产品输入数据包含GLASS DSR、归一化植被指数（NDVI）和反照率产品，以及MERRA2 再分析数据的气象数据。在探索线性回归模型（Jiang 等，2015）和多种机器学习方法（Jiang 等，2014） 的基础上，我们选择了MARS和随机森林（RF）算法，通过全球逾600个站点实测数据建模生成（Jiang等，2016，2019）。

天均净辐射产品通过引入白天时长等关键变量进一步完善日间净辐射产品算法， 并且生产了GLASS MODIS 和GLASS AVHRR 两套产品。在高纬地区，由于DSR 数据产品不稳定或者缺失太多，GLASS MODIS 产品采用深度学习方法从MODIS 大气层顶波段数据直接估算（Chen 等，2020）；而GLASS AVHRR 产品则因受可用数据源限制，采用了经过矫正的ERA5填充，最终得到全球时空无缺的GLASS AVHRR 天均净辐射产品。最近也发展了利用深度学习方法从AVHRR 大气顶端观测数据直接生产了天均净辐射产品（Xu等，2022a）。

迄今为止，GLASS 天均净辐射产品是空间分辨率最高（0.05°）的长时间序列且全球时空无缝的遥感净辐射产品。为演示目的，比较了中国京津冀地区2013 年6 月CERES 与GLASS 净辐射产品。由于较粗的空间分辨率（1°），CERES 产品无法刻画GLASS 产品所表现的详细的空间细节变化。

图2 中国京津冀地区2013年6月CERES与GLASS净辐射分布图Fig.2 Distribution of CERES and GLASS Rn in the Beijing-Tianjin-Hebei region of China in June 2013

Jiang 等（2019）基于全球142 个站点实测数据直接验证以及与现有其他同类净辐射产品的交叉比较对GLASS 日间净辐射产品开展评价，GLASS 日间净辐射产品总体验证精度为R2=0.80，RMSE=51.35 Wm-2，MBE=0.18 Wm-2，优于对应的CERES SYN1deg_Ed3 产 品 （R2=0.81， RMSE=54.96 Wm－2，MBE=22.72 Wm-2），且在不同的地表覆盖、高程范围和天气状况下均表现稳健。而针对实际应用更广泛的GLASS 天均净辐射产品，利用全球574 个站点实测数据开展精度验证，并与CERES4A、ISCCP-FH 遥感产品及ERA5、MERRA2再分析产品等最新产品交叉比较。验证结果分为1983 年—2018 年 及2000 年—2018 年两个 时间段，各产品根据持续时长与站点实测数据比对。结果显示，GLASS 两套天均净辐射产品在两个时间段内的总体精度都优于两套遥感产品，尤其GLASS MODIS 产品在2000 年—2018 年时间段内以RMSE=26.18 Wm-2的精度更优于GLASS-AVHRR（RMSE=33.21 Wm-2）；而再分析产品中ERA5 的精度与GLASS AVHRR 相当，但GLASS-AVHRR 空间分辨率更高。

2.8 蒸散发（ET）

ET（Evapotranspiration）是指陆表土壤蒸发、植被蒸腾、植被截留蒸发、水体蒸发以及冰雪升华过程中由于水汽相变（水从液态到气态）向大气传输的水通量。陆表蒸散发是水圈、大气圈和生物圈水分和能量交换的主要过程参量，是陆地表层能量循环、水循环和碳循环中最难估算的份量之一，长期以来是农业、水文预报、天气预报以及气候过程模拟中必不可少的关键变量。

目前全球遥感ET 产品种类众多，且应用广泛，但绝多数产品都是采用单一算法研发的，产品不确定性大，产品间的差异可达52.5 Wm-2（Li等，2021c）。

GLASS ET 产品算法采用多算法集合理念，采用贝叶斯模型平均（BMA）方法和全球240个站点的FLUXNET 涡度相关数据，集成5 种传统蒸散发算法（MOD16 ET 算法、改进的Penman-Monteith算法、美国喷气推进实验室的Priestley-Taylor 算法、增强型的Priestley-Taylor 算法以及美国马里兰大学的半经验彭曼ET 算法）（Yao 等，2014），降低了单一算法的不确定性，提升了全球陆表蒸散发的估算精度。GLASS ET 产品主要包括MODIS ET 和AVHRR ET 两套产。产品主要特色是采用算法集合理念、产品时间跨度长、产品精度高、产品时空一致性好。

经过全球240 个站点的FLUXNET 涡度相关数据验证表明：GLASS ET 产品的RMSE=35.3W m-2，R2=0.75。通过验证比较GLASS ET 产品和全球常见的ET 遥感产品（PML_V2、FLUCXOM、MOD16 和GLEAM），表明GLASS MODIS ET 产品精度最高（R2=0.58， RMSE=26.2 Wm-2）， 其 次 是GLASS AVHRR ET 产 品（R2=0.58，RMSE=26.5 Wm-2）。除GLASS ET 产品外，其余4种全球ET产品中精度最高的是PML_V2（R2=0.56，RMSE=26.9 Wm-2），其次是FLUXCOM（R2=0.53，RMSE=26.9 Wm-2），再次是GLEAM（R2=0.49，RMSE=30.5 Wm-2），而MOD16 在所有ET 产品中精度最低（R2=0.42，RMSE=30.0 Wm-2）。

GLASS ET 产品在全球变化研究、自然资源调查、生态环境监测等领域得到了广泛应用。其中，Song 等（2018）比较了中国黑河流域5 个卫星ET产品，发现GLASS ET 产品比单个模型精度更高。Li 等（2021c）验证了中国海河流域6 个卫星ET 产品，发现GLASS ET 产品无论在时空连续性上还是在精度等方面都具有明显的优势。

2.9 近地面空气温度

近地面空气温度指地表以上1.5—2 m 处的大气温度，表征地表和底层大气的热状态信息。作为多种地学、气候学模型的重要输入参量，气温数据广泛地应用于生态学、气候学、环境学、流行病学等领域。高时空分辨率的气温产品对数值气候模式和天气预报必不可少，对于例如农作物估产、植物生理监测、城市热岛监测等一些遥感应用也具有至关重要的意义。然而，地面站点测量数据受限于较差的空间代表性，而再分析和气象强迫数据集的空间分辨率相对较粗、精度不高。当前缺乏同时满足中高空间分辨率、长时序、全天候和大尺度覆盖的气温产品。基于卫星遥感数据的气温估算方法主要有5 种：（1）传统统计方法；（2）温度—植被指数方法；（3）地表能量平衡参数化法；（4）卫星大气廓线产品估算法；（5）机器学习方法。

GLASS 近地面空气温度产品是基于MODIS 观测数据、GLDAS （Global Land Data Assimilation System）模式数据，以及长时序、全天候观测的其他GLASS 系列卫星遥感产品（比如DSR、反照率和叶面积指数），利用机器学习方法生成的长时序、时空无缝、全天候日均气温产品。

该方法先用于中国大陆地区（Chen 等，2021c），多种验证结果均显示了较高的精度。独立验证集的验证结果显示模型的R2为0.98，RMSE在1.4 K 左右，表明该方法能在不同天气条件下准确估算气温，并在不同的地表类型、季节上均达到比较好的精度，保证了产品的质量。将2010 年的GLASS 气温数据集产品与现有的3 种产品进行了时空分析对比，包含CLDAS（China Land Data Assimilation System）（0.0625°）、 CMFD （China Meteorological Forcing Data）（0.1°）和GLDAS 再分析数据（0.25°），并利用地面站点实测数据对产品精度进行比较。结果显示，4种气温产品在时空格局上具有较好的一致性，而GLASS 气温产品具有更高的空间分辨率（1 km）和更优的精度（R2=0.992，RMSE=1.010 K）。

除日均气温以外，日最高、最低气温同样广泛应用于全球变暖、气候分析等领域。GLASS 全球全天候LST 产品具有长时间序列、高时空分辨率、全球陆表分布的特性。因此，目前我们生产的全球陆表区域1 km 日最高、平均和最低气温产品（2000年—2020年），以满足众多研究领域的分析、决策与应用需求。

3 生态系统结构参数与碳通量产品

3.1 叶面积指数（LAI）

LAI（Leaf Area Index）有真实LAI 和有效LAI之分。真实LAI定义为单位总绿叶面积的一半水平地面面积， 而有效LAI 是真实LAI 乘以聚集指数。大多数陆面数值模型和各种应用主要使用真实LAI。

GLASS LAI产品是真实LAI。前5个版本（V1—V5）是使用一般回归神经网络（GRNN）生成的（Xiao 等，2014，2016a）。绝大多数的神经网络方法只使用特定时间获取的卫星数据来反演LAI，GLASS LAI算法使用一整年的预处理反射率数据来训练GRNN，并为每个像素估计一年的LAI 剖面，使用时间序列的地表反射率比使用单个反射率值更有优势。与其他长期LAI 产品相比，GLASS LAI产品已被证明具有更高的质量和精度（Xiao 等，2017）。独立直接验证也表明，与同类产品相比较GLASS LAI 产品显示出最佳的精度，全球R2=0.70，RMSE=0.96，中国地区R2=0.94，RMSE=0.61（Xu等，2018）。另一项独立验证研究也表明，对所有被测试的生物群落类型，GLASS LAI产品具有最低的不确定性，其次是GEOV1和MODIS （Xu等，2018）。

GLASS MODIS LAI 产品的最新版本（V6）使用了一套全新的反演方法：双向长短期记忆（Bi-LSTM） 时间循环神经网络模型，基于现有较高质量的全球LAI产品，通过聚类分析选取全球分布且能代表不同地表覆盖、不同植被生长变化类型及不同卫星观测条件下的像元，采用最小差原则，融合多种LAI产品来构建时间序列LAI 样本，利用Bi-LSTM 模型建立时间序列MODIS 地表反射率与LAI的关系，训练得到Bi-LSTM 算法模型，并最终生成22 年（2000 年—2021 年）的250 m 和500 m LAI 产品数据（Ma 和 Liang，2022）。基于Bigfoot，VALERI 及IMAGINES 观测网络的79 幅LAI 高分辨率参考图进行的直接验证表明，与300 m PROBAV LAI、500 m MODIS C6 和GLASS V5 LAI 相 比，250 m 和500 m 分辨率的GLASS V6 LAI产品具有更高的精度（RMSE 分别为0.96 和0.87），更好的空间和时间一致性。新版本GLASS LAI 产品相比旧版的改进及特点包括时空稳定性更高（没有空白或缺失值），表征植被物候、捕捉植被扰动变化等方面的时间一致性及准确性更好。

MODIS 官方LAI 产品是500 m 分辨率，GLASS MODIS LAI V6 产品的分辨率是250 m，它是全球长时序LAI 产品中空间分辨率最高的。图3 显示250 m LAI产品可以更好地表征地表的空间细节。

图3 比较不同空间分辨率的LAI图 （2015年第145天，西班牙Barrax-LasTiesas（中心经纬度39.00， -1.94，范围6 km×6 km）Fig.3 Comparison of the LAI maps at different spatial resolutions Barrax-lastiesas， Spain （center latitude and longitude 39.00， -1.94，range 6 km×6 km） on the 145th day in 2015）

GLASS LAI产品被用于从卫星数据中估算其他变量，如计算吸收的光合有效辐射比（FAPAR）（Xiao等，2016b）、植被覆盖度（Xiao等，2016b）、植被表面的宽波段发射率（BBE）（Cheng等，2016；Meng 等，2017）、植被初级生产力（GPP）（Tian等，2017）；以及描述具有复杂地形的流域内的生态系统动态特征（Liu等，2017）。GLASS LAI产品也常常在其他的反演方法中被用于先验知识或者初始值，比如我们最近研发的从卫星数据中同时估计一组大气和地表参数的数据同化方法（Ma等，2017a，2018，2021，2022b）。

GLASS LAI产品还被用于驱动各种描述地表过程的数值模型，如动态全球植被模型（LPJDGVM），以实现估算和观测GPP （Ma等，2017b）之间更好的一致性。用于确定对植树造林的水文响应的水文模型（Liu等，2016）。

GLASS LAI 产品也被用来评估陆表模型（Tesemma 等，2015；Druel 等，2017；Guimberteau等，2018）和地球系统模型（Huang等，2016），评估植被变化的环境响应（Jiapaer 等，2015），评价水量平衡与土壤酸碱度的关系（Slessarev 等，2016），评价植被对气候变暖的缓解作用（Zeng等，2017；Alkama 等，2022） 和 地 表 的 能 量 分 配（Forzieri等，2020），检测植被在不同空间尺度上的变绿或者变黄的趋势（Piao 等，2015；Zhu 等，2016b；Li等，2018；Gao等，2019，2020）。GLASS LAI产品也被同化到陆面模型（Mocko等，2021）。

3.2 植被光合有效辐射吸收比（FAPAR）

FAPAR （Fraction of Absorbed Photosynthetically Active Radiation）表征入射到植被冠层顶端的光合有效辐射被绿色植被吸收的比例，它是与植物光合活性直接相关的关键生物物理变量，是活植被存在和生产力的指标，也是陆地碳汇强度的指标。GLASS FAPAR 产品代表当地时间上午10：30 的瞬时值，是天均的近似值。

GLASS 前五版FAPAR 产品不是直接从卫星数据反演得到，而是从GLASS LAI 产品和其他辅助信息（Xiao 等，2015）衍生而来。该方法主要根据整个冠层的光合有效辐射（PAR）透过率计算FAPAR。GLASS MODIS FAPAR V6 产品与LAI V6产品保持一致，是利用卫星数据和现有FAPAR、LAI 产品反演得到的（Ma 等， 2022a），比前五版具有更高的质量和精度。它基于较高质量的全球FAPAR 产品（MODIS C6、GLASS V5 和PROBA-V V1），在已选取的全球代表性样点上，采用最小差距原则融合现有FAPAR 产品来构建FAPAR 时间序列样本；并利用Bi-LSTM 模型训练得到时间序列MODIS 反射率（仅使用红、近红外前两个波段及角度信息）、GLASS V6 LAI 和FAPAR 样本值的映射关系，从而生成全球250 m 空间分辨率的FAPAR 产品。基于VALERI 及MAGINES 观测网络的62 幅FAPAR 高分辨率参考图的直接验证表明，250 m 和500 m 分 辨 率 的GLASS V6 FAPAR 产 品（RMSE 均为0.1）比现有300 m 和500 m 的FAPAR产品具有更高的精度。与GLASS LAI V6 在时空分布上具有一致性。

GLASS AVHRR FAPAR V5 产品与两种类似产品（NCEI 和GIMMS3g）进行了比较，GLASS 产品具有更好的质量和精度（Xiao等，2018）。

GLASS FAPAR产品已在许多研究中得到应用。例如，Zhu 等（2016a）和Wang 等（2017）证明，通过用GLASS FAPAR 产品替代MODIS FAPAR 产品，特别是在农田方面，在估算GPP方面取得了很大的改进。Hu等（2018）也将GLASS FAPAR 产品纳入他们的GPP计算中。

3.3 植被覆盖度（FVC）

FVC （Fractional Vegetation Cover）（Zhu 等，2016a）定义为绿色植被在地面的垂直投影面积占统计区总面积的百分比。植被覆盖度是表征陆表植被水平分布特征的重要参数，在大气圈、土壤圈、水圈和生物圈研究中占据重要地位，长期以来是陆面模型、天气预报模型、区域和全球气候模式、水文模型、全球变化、生态环境监测等研究中表征地表植被状况的关键变量。

目前，基于不同卫星遥感数据已经生成了多个全球FVC 产品，但不同产品间存在明显的差异，而且存在产品验证精度不确定性大、时间——空间不连续等问题，如GEOV1 FVC 产品验证精度较好（Camacho 等，2013），但利用农田区的连续地面观测数据的验证表明该产品高估了多达0.2（Mu等，2015）。

GLASS FVC 产品算法建立在构建全球分布的高空间分辨率遥感植被覆盖度样本数据集的基础上，训练和检验机器学习算法，综合考虑算法精度和计算效率构建可靠的全球FVC 反演算法（Jia等，2019）。最初 GLASS MODIS FVC 产品算法是基于GRNN 模型（Jia等，2015），但在全球FVC 产品生产过程中计算效率不令人满意，通过比较多种机器学习方法，最终选择具有较高计算效率和合理精度的MARS方法（Yang等，2016）。

此外，为进一步拓展GLASS MODIS FVC 产品的时间跨度，发展具有时空一致性的长时间序列全球FVC 产品，在GLASS MODIS FVC 产品的基础上，研发了基于AVHRR 数据的GLASS AVHRR FVC 产品（Jia等，2019）。首先，在全球采样点的支持下，构建一整年空间对应的AVHRR 反射率与GLASS MODIS FVC 全球训练样本集；然后，利用样本集训练MARS 模型，形成基于AVHRR 反射率数据的植被覆盖度算法。最后，利用GLASS MODIS FVC 对AVHRR 数 据 估 算 的FVC 进 行 线 性校正，得到与GLASS MODIS FVC 一致的AVHRR FVC产品。

基于全球分布的VALERI地面验证数据的精度检验结果表明（Jia等，2019）：GLASS MODIS FVC产品的RMSE=0.157，R2=0.809，略优于GEOV1 FVC 产品（RMSE=0.166，R2=0.775）；GLASS AVHRR FVC 产 品 的 验 证 结 果（R2=0.834，RMSE=0.145）优于基于AVHRR 数据的GEOV1 FVC 产品（R2=0.799，RMSE=0.174）。此外，在黑河农田区基于时间序列的FVC地面测量数据验证表明，GLASS FVC产品的精度表现（R2=0.86，RMSE=0.087）明显优于GEOV1 FVC 产品（R2=0.71，RMSE=0.193）（Jia等，2018a），改善了GEOV1 FVC 产品的高估现象（Jia等，2016，2018a）。

GLASS FVC 产品具有产品时间跨度长、时空连续性好、精度高等主要特色。GLASS FVC 产品已在全球变化研究、生态环境监测等领域得到了应用，例如评估青藏高原地区生态脆弱性，并分析了其时空变化特征（Xia 等，2021）；分析中国2001 年—2018 年的植被覆盖变化趋势，并定量化探讨了CO2、温度、短波辐射、降雨和土地覆盖变化等因素对植被覆盖变化的影响（Mu等，2021）。

3.4 植被总初级生产力（GPP）和净初级生产力（NPP）

植被初级生产力可以分为总初级生产力GPP（Gross Primary Production） 和净初级生产力NPP（Net Primary Production）。前者是指生态系统中绿色植物通过光合作用，吸收太阳能固定大气二氧化碳合成有机物的速率。后者则表示了从总初级生产力中扣除植物自养呼吸所消耗的有机物后剩余的部分。植被初级生产力体现了陆地生态系统在自然条件下的生产能力，是估算地球支持能力和评价生态系统可持续发展的一个重要生态指标。同时，植被面积占陆地总面积的90%以上，其对气候变化的调节与反馈作用对于调节气候、减缓大气CO2浓度增加扮演着重要作用。不仅如此，大约40%植被净初级生产力被人类直接或间接的利用，是人类赖以生存与持续发展的基础。

GLASS GPP 算法源于Eddy Covariance-Light Use Efficiency （EC-LUE）模型 （Yuan 等，2010）。原始的EC-LUE 模型仅由4 个变量驱动：遥感植被指数（NDVI）、光合有效辐射、空气温度和波文比（感热和潜热通量的比值）。后期的EC-LUE模型用生态系统蒸散发与净辐射的比值代替了波文比，并对RS-PM 模型进行了修正，以模拟生态系统蒸散发（Yuan 等，2010）。最近，为了准确模拟GPP的长期变化特征，GLASS GPP 产品使用了最新版本的EC-LUE 模型，重点是综合了几个影响GPP长期变化趋势的环境变量：大气CO2浓度、直接和散射辐射通量和大气水汽压亏 （Yuan 等，2019；Zheng 等，2020）。在GLASS GPP 的基础上，采用TRENDY 模型比较计划中的10 个动态植被模型模拟的植物自养呼吸与GPP 的比值，模拟生成GLASS NPP产品。

EC-LUE 模型已经在北美、欧洲和东亚使用涡动相关塔的测量数据进行了验证（ Yuan 等，2007，2010，2014；Li 等，2013）。验证结果表明，EC-LUC 模型能够较好地再现GPP在不同生态系统类型上的时空变化特征。特别是最近的验证结果表明，EC-LUE 模型能够很好地模拟GPP空间和时间变化趋势（Zheng 等，2020）。几个模型的比较也表明，EC-LUE模型优于其他LUE模型。以往的研究将EC-LUE模型与基于中国东南部涡动相关塔测量的MODIS GPP 产品进行了比较，发现EC-LUE 模型比MODIS 算法表现更好（Xu 等，2013）。最近的一项研究比较了8 个基于卫星的GPP 模型在不同主要草地生态系统类型上的表现，发现EC-LUE 模型表现最好（Jia 等，2018b）。对分布在全球的85 个涡动相关塔的评估表明，由于GLASS GPP 产品集成了重要的环境变量，因此能够代表年际变化和长期趋势（Zheng等，2020）。

GLASS GPP 产品已经广泛地用于评价不同时空尺度的GPP 变化（Han 等，2015；Ma 等，2015；Wang 等，2015b；Xu 等，2013）。例如，Yuan 等（2019）利用GLASS GPP产品研究了大气VPD对全球陆地GPP 的影响，发现20 世纪90 年代末以后，由于VPD 的增加，GPP 持续普遍下降，抵消了正CO2施肥效应。此外，GLASS GPP 算法已被用于开发和改进其他GPP 模型（Kanniah 等，2009；Restrepo-Coupe等，2013；Pasquato等，2015；Verma等，2015）。

3.5 森林地上生物量（AGB）

森林生物量是指单位面积上长期累积的全部活有机体的总量，通常用单位面积上的干物质重量表示，单位为t/ha 或Mg/ha。森林AGB（Above-Ground Biomass）指的是土壤以上所有活的生物量，包括茎、树桩、树枝、树皮、籽实和叶。森林AGB 作为陆地生态系统重要的碳储库，在全球碳循环领域具有重要作用。

森林AGB 的准确估计有赖于对森林水平和垂直结构刻画的能力，因此，目前的研究大多采取联合光学、微波（尤其是合成孔径雷达）、激光雷达数据和气象等辅助数据的方式，进行区域森林AGB 估算或制图，并产生了一些区域或全球覆盖森林AGB空间分布图（Zhang等，2019b）。尽管多源遥感数据估算森林AGB 的研究取得了较大进展，甚至全球森林AGB 制图仍是一些地球观测系统任务的主要驱动力，但目前森林AGB 估算的不确定性依然很大，并且长时间序列森林AGB 数据相对缺乏。要解决这些问题，我们需要在高质量的地面实测数据、发展深度学习等高级算法、更好地利用新型传感器数据和准确量化森林AGB 变化等方面进行深入研究和不断推进。

GLASS 森林AGB 产品基于高级陆表遥感产品估算生成，其训练数据来自于从地面实测、激光雷达和部分高精度生物量数据编译而成的森林AGB 基准数据（Zhang 和Liang，2020），预测变量包括GLASS GPP、Albedo、FVC 和FAPAR 以及植被光学厚度（VOD）数据和坡度等。这些输入数据涵盖了光学、微波和激光雷达获取的数据。森林AGB 预测算法为CatBoost 集成算法。在前期的研究中，我们发现CatBoost 比RF、GBRT、SVR、MLP 和MARS 等算法在预测生物量方面性能更好（Zhang 等，2020b）。基于时间序列的遥感产品和CatBoost算法，生产了1985年—2015年每5年一期的全球森林AGB 空间分布，并量化了生物量基准数据采样对森林AGB 估算的不确定性。交叉验证结果表明，GLASS 森林AGB 精度R2为0.83，均方根误差为34.45 Mg/ha。全球有81.47%森林像元其AGB 估算不确定性≤10%，仅有0.84%的森林像元其AGB 估算不确定性＞20%。从纬度分布上，GLASS森林AGB与基于全球FRA（Forest Resources Assessment）生物量降尺度得到的森林AGB较为接近（Kindermann等，2008）。

4 北半球积雪面积（SCE）

积雪是季节性积雪的简称，代表地球表面存在时间不超过一年的雪盖。积雪面积SCE（Snow Cover Extent）是单位上积雪覆盖的百分比。积雪是全球气候变化的重要指示器，对气温和降水等气候系统变量极其敏感。同时，积雪对气候系统有重要的反馈作用，以高反照率、高冷储、巨大相变潜热和显著的温室气体源汇作用影响着地球表层的能量平衡、大气循环、水循环和碳氮循环。SCE不仅是中国气候系统检测的关键指标之一，也是世界气象组织（WHO）和政府间气候变化专门委员会（IPCC）数次气候变化评估报告的重要变量之一。

现阶段积雪卫星产品较多，但存在时间尺度短、分辨率低、时空覆盖不完整等问题，比如空间分辨率普遍粗于25 km。为解决这一问题，以AVHRR 逐日地表反射率气候数据集（AVHRR-SR CDR）为基础，分离陆地、积雪、云覆盖、无效观测等像元，在此基础上通过已发布积雪产品填充、时空滤波和查找表补全等方法，生产了近40 年时空无缝的GLASS SCE 产品（Chen 等，2021b）。

GLASS SCE 产品算法包括4个步骤：（1）采用多阈值检验的决策树算法从AVHRR 数据中区分逐日积雪面积像元（NHSCE-D）和其他地表覆盖类型；（2）利用已发布的两个积雪产品将云覆盖和无效观测的像元进行填补，并进一步与NHSCE-D合并，生成北半球逐日积雪面积数据（NHSCEDc）；（3）利用时间聚合，检测NHSCE-Dc 在每个8 d 周期内的最大积雪覆盖面积（NHSCE-8Dc）和最小空缺像元；（4）利用先验知识和历史积雪覆盖率曲线，进一步对最小空缺值像元进行判断和填充，并与NHSCE-8Dc 合并，从而产生时间分辨率为8 d的无间隙的GLASS SCE产品。

利用全球历史气候学网络（GHCN）站点积雪深度数据、MOD10C2 积雪丰度数据和独立的CLARA-SAL-A2 地表反照率数据对GLASS SCE 产品的质量进行了评价。我们发现，基于GHCN 站点和GLASS SCE 计算得到的1981 年—2017 年间年平均积雪覆盖频率之间的相关性为0.61（p＜0.05）；基于MOD10C2和GLASS SCE计算得到的2001年—2019 年间年平均积雪覆盖丰度之间的相关性为r=0.97（p＜0.01）。此外，基于CLARA-SAL-A2 计算得到的1982 年—2018 年间4—8 月平均地表反照率与相同时间段内基于GLASS SCE 计算得到的月平均积雪覆盖丰度之间呈现一致的峰谷分布，在95%显著水平下其线性相关系数为0.76。通过与独立CLARA-SAL-A2 地表反照率的比较，我们发现GLASS SCE产品在捕捉北半球长期积雪异常方面是可行的。

GLASS SCE产品与NOAA NHSSCE（低空间分辨率-25 km）、Suomi-NPP 和MODIS（短时间跨度），以及ESA SCFG 和JASMES（空间覆盖不完整）相比，GLASS SCE 产品具有时间序列长、空间分辨率高（特别是2000年以前）、空间覆盖完整等优点。此外，结合已发布的JASMES和ESA 的两个SCE 产品，以8 d 为间隔进行逐日积雪面积数据聚合，提高了GLASS SCE 的空间完整性。在具体的应用中具有一定的优势。

5 GLASS产品生产、发布和应用

生成高级遥感产品需要除了有先进的数据处理方法和有效的反演算法，还要有海量存储装置及一套软、硬件结合的高性能计算机系统。GLASS 产品集涉及的产品种类多、时间长，范围广，因此需要有一套高性能计算与存储系统用于数据处理、存储和备份。在过去10 多年间，北京师范大学建设并不断完善了GLASS 产品生产系统（Zhao等，2013）。

GLASS 产品生产系统包括系统管理和产品生产等业务模块，目前存储的数据超过3 PB。系统管理主要包含用户管理、计算任务提交、任务管理和任务调度功能模块。产品生产模块目前支持每种GLASS 产品的生产。GLASS 产品采用HDFEOS文件格式存储。此外，我们使用JPG格式显示产品缩略图，使用XML 格式存储产品元数据。产品使用等面积正弦地图投影和等角的地理经纬度地图投影。所有产品也聚集到0.05°或更粗的空间分辨率。

目前GLASS 产品主要通过两个网站（国家地球系统科学数据中心http：//www.geodata.cn［2022-09-09］和马里兰大学地理系GLASS 产品发布网站http：//www.glass.umd.edu［2022-09-09］）向国内外全球用户发布。用户也可以通过北京师范大学GLASS数据网站（http：//glass-product.bnu.edu.cn［2022-09-09］）和全球对地观测系统的系统（GEOSS）数据门户（https：//www.geoportal.org［2022-09-09］）对不断更新的GLASS产品信息查阅与订购。

GLASS 产品已经得到国内外同行高度认可，截止2021 年12 月，GLASS 产品累计下载量超过1.7 PB（图4），服务1059 所科研院所企事业单位306368 人次。用户不仅包含国内众多的科研院校和行业部门，也包含国外的一些著名的机构，比如美国宇航局（NASA）、美国大气海洋局（NOAA）、美国农业部（USDA）等。越来越多的用户正在使用GLASS产品。

图4 GLASS产品用户下载量统计Fig.4 The temporal changes in the users’ downloading data volume of the GLASS products

截至到2021 年底，利用GLASS 产品发表的SCI 文章达到2033 篇，其趋势在非线性地增加（图5）。使用GLASS产品的成果除了发表在各种专业杂志上，近二十项重要研究成果已发表在Nature、Science、PNAS 等国际顶尖的交叉学科期刊上。本次文献检索工作主要内容是检索2007年—2022 年7 月GLASS 产品文章的引用情况，使用web of science 网站（文献检索—所有数据库（webofscience.com））中的所有数据库（包括web of science 核心合集、中国科学引文数据库、KCIKorean Journal Database、MEDLINE、SciELO Citation Index）作为本工作的检索数据库。本工作利用GLASS网站（http：//glass.umd.edu/introduction.html［2022-09-09］）列出的参考文献在web of science 网站进行查找，检索出文章的引用文章后区分自引、他引进行管理，最终进行汇总得到最终结果。

图5 利用GLASS产品逐年发表的SCI论文Fig.5 The annual published SCI-indexed journal papers based on the GLASS products

在这些发表的SCI 文章中，发现1421 篇论文是主要关于应用的。其应用领域可以通过这些论文关键词出现的频率来粗略地确定。图6显示关键词出现频率由高到低的应用领域分别是：碳循环，生态，地表能量，热环境，气候变化，农业，水文水利，林业资源，国土，地球系统，草地资源等。

图6 GLASS 产品在不同应用领域发表的SCI文章统计结果Fig.6 Number of SCI papers on the application areas of the GLASS products

此外，利用GLASS LAI、FAPAR、FVC、GPP、NPP等产品，科技部国家遥感中心发布了2012年—2013 年、2017 年和2019 年等年度全球生态环境遥感监测报告，揭示了陆地植被的分布特征和变化趋势。这些报告发布可为保护生态环境、应对全球气候变化及政府决策提供支撑。

事实证明，GLASS 产品已成为国内外科研人员首要考虑的主流数据集。GLASS 产品的成功研发和在国际上的广泛使用，为中国对全球遥感领域的发展以及全球气候变化等方面的研究做出了杰出贡献。

6 GLASS产品的未来改进

我们将在以下几个方面不断地改进GLASS 产品的研发：

（1）提高现有产品的空间分辨率。2000 年以后一些产品（如反照率、LAI 和FAPAR）已经具有250 m 的空间分辨率。计划将生成更多的250 m分辨率的产品。MODIS 传感器已经在天空中工作了20 多年。如果MODIS 数据不再获取，我们将采用中国风云卫星的MERSI 传感器数据，它有4 个250 m空间分辨率的波段；

（2）Hi-GLASS 产品。与GLASS 产品研发并行发展的相关工作是高空间分辨率Hi-GLASS（High-resolution GLASS）产品集的研发，初步目标是利用长时间Landsat 观测数据生成30 m 分辨率的Hi-GLASS 产品。Hi-GLASS 生产系统建设在武汉大学遥感信息工程学院，目前存储容量已经接近10 PB。Hi-GLASS 科学团队成员是来自国内多家大学和科研单位，在没有国家科研经费的支持下，大家采用“自带干粮”的方式组织起来的。目前正在生成的产品包含：云与阴影（Sui 和 Sun，2022），地形校正的地表反射率（Liu 等，2021），气溶胶光学厚度（Lin 等，2021），地面反照率（He 等，2018；Ma 等，2022c），地面温度（Cheng等，2021），全波段净辐射，LAI 和FAPAR，植被覆盖度，森林覆盖度（Liu 等，2021），土壤湿度（Zhang 等，2022b），ET （Yao 等，2017），GPP（Huang等，2022）等。有些产品的算法已经发表，《Science of Remote Sensing》正在组织一期特刊，更多的Hi-GLASS算法和产品文章在陆续发表中。

由于Landsat 数据的时间分辨率不高，如何生成全球时空连续的Hi-GLASS 产品是个巨大的挑战。使用多源数据，特别是中国高分16 m 分辨率的数据，可以增加时间分辨率。Hi-GLASS 团队正在探索一系列的方法，有些算法已经在杂志上发表（Li等，2021b；Ma等，2022b）。

我们也希望国内更多的遥感同仁加入到Hi-GLASS 团队。特别是如果你已经发表了Landsat 数据的产品算法，希望生成全球产品，Hi-GLASS 生产系统将有效地帮助实现你的目标；

（3）探索不同的机器学习算法（包含深度学习）和使用更多的卫星数据源， 特别是中国的卫星数据，比如风云三号卫星的MERSI 传感器与MODIS 相似，而且有4 个250 m 分辨率的波段，不断提高陆表产品的精度和质量；

（4）扩大产品数量。目前正在努力从不同的卫星观测中产生更多的陆表数据产品。将来的GLASS 产品还会包含陆面类型变量，比如基于GLASS 定量产品生成的全球土地覆盖图（Liu 等，2020），基于温度和降水生成的气候区分布图（Cui 等，2021）。除了共性产品，我们将积极地发展一些针对特定行业（比如农业、林业、可持续发展目标评价）的专用数据产品。也可以根据有户要求提供定制式的产品；

（5）拓宽GLASS 产品的宣传。要更加积极地在专业学术会议，讲习班和暑期学校上宣讲。我们自2011 年以来在北京师范大学，2019 年以来在武汉大学一直举办定量遥感暑假班。仅仅在2021 年武汉大学举办的暑假班中，就有超过13 万人次听讲。我们要改善有效和高效的web用户界面数据下载和分发GLASS 产品。我们也开发了“定量遥感天地”微信公众平台，有关GLASS 产品的研发进展不断地在这个公众平台上更新。

（6）促进GLASS 产品的充分利用。我们正在发展GLASS 产品团队和其他研究项目之间的合作，并计划周期性地举办GLASS产品用户大会。

7 结 语

本文简要地概述了现有GLASS 产品的算法发展，产品特性，验证精度，及其应用例子。GLASS 产品的成果都发表在顶尖的国际遥感杂志上，得到了国内外同行的高度认可。

GLASS 产品的特性很大程度上是由其算法决定的。每个GLASS 产品算法都具有一定的创新性。归纳起来有几个特性值得在这里强调一下。

（1）基于时间序列深度学习的反演算法。现有产品算法基本上是基于单个像元，GLASS LAI（Ma 和 Liang，2022）和FAPAR产品是基于双向长短时记忆（Bi-LSTM） 深度学习网络，利用遥感观测数据时间、光谱信息，生成250 m 分辨率全球长时序LAI 和FAPAR 产品，验证结果表明该产品具有更好的时空连续性和更高的精度。

（2）使用多源数据集成的反演算法。针对已有数据未全球覆盖，GLASS 森林地上生物量产品发展了利用多源遥感数据（激光雷达、光学热红外遥感产品，地面观测） 机器学习集成算法（Zhang 等，2022c）。首先集成地面观测、激光雷达获取的生物量以及区域高分辨率生物量空间分布，编译生成全球范围森林生物量基准数据。然后，基于多源遥感数据（光学+微波），采用CatBoost 集成算法进行训练，建立森林生物量估算模型。克服了已有模型数据时间范围有限，难以推广获取时空一致产品。

（3）基于物理过程的反演算法。GLASS 总初级生产力/净初级生产力（GPP/NPP）产品利用课题组自主研发的EC-LUE模型，多代模型发展，模型逐渐完善。目前模型考虑了植被阴阳叶光合效率差异，大气干旱影响，以及二氧化碳施肥效应等对植被光合作用重要的影响因子（Zheng 等，2020）。

（4）耦合深度学习与物理模型的集成算法。单一的潜热算法都存在不确定性。GLASS 陆表潜热产品采用深度神经网络 （DNN） 集成五种卫星潜热通量算法（Shang 等，2021）。多模型集成理念可以降低单一模型不确定性，确保了产品高精度。

与国际上其他现有全球陆表卫星产品相比，GLASS产品具有一系列独特的特点：

1） 有些产品是世界上独一无二的，比如高分辨率（1 km）宽波段发射率产品，每5 年0.05°森林地上生物量长时间序列产品等；

2） 把目前国际主流同类产品（DSR、地表反照率、BBE、上下行长波辐射、净辐射、LAI、FAPAR、FVC、GPP、NPP、潜热、积雪覆盖度）的时间范围向前推了近20 年。大多数国际上同类产品从2000 年前后开始，时间跨度为20 年左右。基于AVHRR 数据生产的GLASS 产品集（1981 年至今），时间跨度超过40年；

3） 覆盖全球陆地海洋的辐射产品（DSR、长波辐射、净辐射）的空间分辨率为1 km 或5 km，比国际同类产品提高了一个数量级。国外主流辐射产品（例如GEWEX、CERES、ISCCP）空间分辨在100 km左右；

4） 多个世界上空间分辨率最高的长时间序列全球产品（比如LAI，FAPAR，反照率，积雪覆盖）。GLASS LAI、FAPAR、地表反照率产品的分辨率为250 m，而国外长时间序列全球覆盖的同类产品的空间分辨率最高为500 m。另外还有1 km全天候LST 与近地面空气温度，0.05°北半球积雪覆盖度产品等；

5） GLASS产品具有高质量和高精度。它们都是空间连续，无数据缺失，方便有户使用。基于地面测量的直接验证和多产品的比较，GLASS 产品具有更高的精度、质量和时空一致性。

GLASS 产品集是国内多家大学和研究单位无数老师和同学的共同劳动结晶，代表了中国陆表遥感的研究水平，在国际上也已经产生了重要的影响。展望未来，GLASS 产品集的持续研发还有很多的挑战，除了技术和组织方面的，更大的挑战是科研经费资助的可持续性。

志 谢感谢国内外许多专家的指导与支持；感谢国家科技基础条件平台—国家地球系统科学数据中心（http：//www.geodata.cn）和马里兰大学地理系（www.glass.umd.edu）发布GLASS 产品。也感谢许多同事和研究生为GLASS 产品的研发做出了巨大的贡献。