MARC

 008260126s2025        us                              c    eng  d
■001000017359157
■00520260202104843
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290965253
■035    ▼a(MiAaPQ)AAI32173175
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a634.9
■1001  ▼aLiu,  Haoran.
■24510▼aIntegrating  a  New  Terrestrial  Biosphere  Model  and  Remote  Sensing  Observations  to  Improve  Gross  Primary  Productivity  Estimates  in  Forest  Ecosystems
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a178  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Chen,  Min.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aTerrestrial  vegetation  assimilates  atmospheric  CO₂  through  photosynthesis,  producing  organic  compounds  that  sustain  ecosystem  functions  and  support  human  needs  for  food  and  fuel.  At  the  ecosystem  scale,  this  photosynthetic  carbon  assimilation  is  referred  to  as  gross  primary  productivity  (GPP)-the  largest  carbon  flux  in  the  global  carbon  cycle.  However,  estimating  GPP  using  terrestrial  biosphere  models  (TBMs)  remain  challenging  due  to  our  limited  understanding  of  vegetation  structural  dynamics  and  functional  traits,  as  well  as  their  contributions  to  photosynthesis.  This  dissertation  develops  an  integrated  model-data  fusion  framework  that  combines  advanced  radiative  transfer  models,  remote  sensing  data,  and  TBMs  to  improve  GPP  estimates,  vegetation  structural  dynamics,  and  functional  traits.  Specifically,  I  developed  the  Terrestrial  Ecosystem  Carbon  cycle  Simulator  (TECs),  a  newly  developed  TBM  that  couples  a  spectral  invariant  property  (SIP)-based  radiative  transfer  model  with  modules  for  photosynthesis,  energy  balance,  and  carbon  cycling.  TECs  simulates  bi-directional  canopy  reflectance  with  high  spectral  resolution,  allowing  direct  comparison  with  low-level  satellite  observations  without  introducing  additional  uncertainties.  Calibration  and  validation  at  the  Harvard  Forest  (HARV)  site  of  the  National  Ecological  Observatory  Network  (NEON)  demonstrate  that  TECs  accurately  simulates  net  ecosystem  exchange  (NEE),  hyperspectral  reflectance,  and  land  surface  temperature  (LST).  Moreover,  a  model-data  fusion  framework  was  developed  to  independently  utilize  spaceborne  hyperspectral  reflectance,  multispectral  reflectance,  and  leaf  area  index  (LAI)  to  optimize  TECs  GPP  simulations  through  optimizing  canopy  structure  and  leaf  traits  parameterizations.  This  aims  to  evaluate  the  unique  contributions  of  spaceborne  datasets  to  canopy  structure,  leaf  traits,  and  GPP  simulations.  Results  indicate  that  hyperspectral  reflectance  outperforms  multispectral  reflectance  in  both  improving  GPP  estimates  and  reducing  uncertainties.  Both  hyperspectral  and  multispectral  reflectance  outperform  LAI,  with  information  from  both  canopy  structure  and  leaf  traits,  thus  offering  a  joint  constraint  on  GPP  simulations.  Meanwhile,  I  extended  TECs  to  include  solar-induced  chlorophyll  fluorescence  (SIF)  emissions  at  both  leaf  and  canopy  scales,  resulting  in  the  development  of  TECs-SIF.  At  four  selected  forest  sites,  TECs-SIF  successfully  represented  SIF-GPP  relationships  across  various  temporal  scales,  providing  a  novel  pathway  for  integrating  SIF  observations  to  further  constrain  GPP  in  TBMs.    Collectively,  this  dissertation  demonstrates  the  potential  of  integrating  satellite-based  surface  reflectance,  especially  hyperspectral  reflectance,  in  improving  TBM-based  GPP  simulations.    The  TECs-SIF  also  provides  valuable  insights  for  enhancing  GPP  modeling  by  synergistically  leveraging  next-generation  hyperspectral  missions  as  well  as  the  SIF  observations.
■590    ▼aSchool  code:  0262.
■650  4▼aForestry
■650  4▼aEcology
■650  4▼aRemote  sensing
■653    ▼aTerrestrial  biosphere  models
■653    ▼aSpectral  invariant  property
■653    ▼aNational  Ecological  Observatory  Network
■653    ▼aLand  surface  temperature
■690    ▼a0478
■690    ▼a0799
■690    ▼a0329
■71020▼aThe  University  of  Wisconsin  -  Madison▼bForestry.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359157▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서