文章题目：A dataset of 0.05-degree leaf area index in China during 1983-2100 based on deep learning network
发表期刊：《Scientific data》
影响因子：8.9（5年）
第一单位：北京师范大学
在线日期：2024-10-11
叶面积指数 (LAI) 是陆地生态系统中的一个重要参数，高空间分辨率数据被广泛应用于各种研究。然而，未来情景下的 LAI 数据通常仅以 1° 或更粗的空间分辨率提供。在本研究中，作者使用 LAI 降尺度网络 (LAIDN) 模型以高空间分辨率生成了 1983-2100 年的 0.05° LAI (F0.05D-LAI) 数据集，该模型由包括气温、相对湿度、降水量和地形数据在内的输入驱动。该数据集以月为间隔，涵盖历史时期（1983-2014 年）和未来情景（2015-2100 年，包括 SSP-126、SSP-245、SSP-370 和 SSP-585）。它实现了高精度（R²=0.887，RMSE=0.340），并捕捉了不同气候区和地形类型的精细空间细节，表明未来情景下绿化趋势略有增加。F0.05D-LAI 是第一个高分辨率 LAI 数据集，揭示了中国未来情景下的潜在植被变化，有利于当前和未来时期的植被研究和地球与环境科学模型开发。
图1. 降尺度流程。
图2. 降尺度模块结构。
图3.降尺度结果样本。所有数据均选自测试集。第一行是F0.05D-LAI数据，第二行是GLASS LAI。第三行是显示降尺度精度的散点图。每列代表一个季节。
图4.不同降尺度方法比较。所有数据均选取2014年7月的数据。第一行是中国地区LAI，第二行（样区1）是西南地区LAI，第三行（样区2）是华北地区。各列分别为GLASS LAI、F0.05D-LAI、GLM降尺度LAI和SRDSN降尺度LAI。最下面一行是各降尺度方法的定量比较。浅绿色实线为降尺度LAI的KDE曲线，深绿色虚线为GLASS LAI的KDE曲线，两条绿线的轴线分别位于左上方，橙色线为SSIM值的KDE曲线，轴线分别位于右下方。
图5. 中国不同区域GCM LAI、GLASS LAI及不同降尺度LAI时间序列曲线。蓝色粗线为GLASS LAI，橙色粗线为F0.05D-LAI，其余虚线细线分别为SRDSN LAI、GLM LAI和GCM LAI。
图6.中国地区GCM LAI和F0.05D-LAI平均值的变化趋势。左上角标注了各图的情景和增长率。阴影部分表示各年各月平均LAI的平均值±标准误差。
图7.关于GCM LAI高估问题的讨论。GCM LAI和F0.05D-LAI为SSP-370 2050年的平均数据，GLASS LAI数据为2014年的平均数据。图a.1中阴影部分表示各年各月平均LAI的均值±标准差。左栏（b.1、c.1、d.1）为中国三个高估程度较高的样本区，中间栏（b.2、c.2、d.2）为其他LAI与左栏GCM LAI接近的区域，右栏（b.3、c.3、d.3）为不同LAI来源的箱线图。GCM 列为 2050 年 b.1、c.1 和 d.1 的 GCM LAI 箱线图。GLASS 列为 2014 年 b.1、c.1 和 d.1 的 GLASS LAI 箱线图。F0.05D-LAI 列为 2050 年 b.1、c.1 和 d.1 的 F0.05DLAI 箱线图。CPR 列为 2014 年 b.2、c.2、d.2 的 GLASS LAI 箱线图。
图8.2025—2100年成渝城市群植被风险区域分布。图中表示2025—2100年成渝城市群植被退化风险。图中各颜色含义与柱状图相同。图中网格为1°间隔的经纬度网格，大小与GCM像素相同。
数据获取：后台回复叶面积指数2100
