GLASS产品-植被覆盖度FVC数据

马里兰大学数据中心
1.GLASS产品-植被覆盖度FVC_modis(500m)【2000-2018】
http://www.glass.umd.edu/FVC/MODIS/500m/
2.GLASS产品-植被覆盖度FVC_modis(0.05°)【2000-2018】
http://www.glass.umd.edu/FVC/MODIS/0.05D/
3.GLASS产品-植被覆盖度FVC_AVHRR(0.05°)【1982-2018】
http://www.glass.umd.edu/FVC/AVHRR/

全球陆表特征参量（GLASS）产品-植被覆盖度FVC_modis(0.05°)，产品相关文件包括HDF和XML两个文件，其中数据实体存储在HDF文件中，产品的元数据信息存储在HDF和XML文件中。

[1]Xiao, Z., Liang, S., Sun, R., Wang, J., & Jiang, B. (2015a). Estimating the fraction of absorbed photosynthetically active radiation from the MODIS data based GLASS leaf area index product. Remote Sensing of Environment, 171, 105-117

[2]Xiao, Z., Liang, S., & Sun, R. (2018). Evaluation of Three Long Time Series for Global Fraction of Absorbed Photosynthetically Active Radiation (FAPAR) Products. IEEE Transactions on Geoscience and Remote Sensing, 56, 5509-5524

GLASS FVC产品算法基于机器学习方法，使用了从全球分布式高空间分辨率卫星数据生成的训练样本。最初，用于MODIS数据的GLASS FVC乘积算法是使用通用回归神经网络（GRNN）方法，训练样本数据Thematic Mapper（TM）和Enhanced Thematic Mapper plus（ETM +）数据生成的。但是，在生成长期全球GLASS FVC产品的过程中，发现GRNNs方法的计算效率并不令人满意。因此，评估了四种机器学习方法，包括反向传播神经网络（BPNN），GRNN，支持向量回归（SVR）和多元自适应回归样条（MARS）。