基于深度学习的Landsat数据生成无缝FAPAR时间序列方法

研究概述

植被光合有效辐射吸收比(FAPAR)是衡量陆地生态系统固碳能力的关键指标。以往的中低分辨率FAPAR遥感产品虽然支持了全球植被动态研究，但难以刻画 复杂地表的空间异质性，限制了局地精细尺度应用。该研究提出两步法解决了这一难题：首先，在晴空条件下，利用预先训练的随机森林回归模型从陆地卫星(Landsat)地表反射率观测中反演FAPAR；然后，应用带有注意力和优化机制的新型双向时间卷积网络(SSA-BiTCN-Attention)重建缺失的FAPAR值。研究结果表明，该方法能准确预测不同土地覆盖类型的缺失FAPAR值，均方根误差在0.08至0.12之间。通过与 地面实测数据对比验证，估算的Landsat FAPAR与地面测量结果高度一致，决定系数(R²)值在0.82至0.92之间，应用该方法生成了中国地区2013至2023年间30米分辨率、16天间隔的无缺失FAPAR产品。

主要图文解读

图1Landsat 8 OLI波段光谱响应函数，该图展示的6个关键波段（蓝、绿、红、近红外及两个短波红外波段）在FAPAR反演中的重要作用。这些经过严格大气校正的波段数据不仅覆盖了植被光合作用的特征吸收区，其高光谱分辨率特性更为后续随机森林模型提供了区分不同植被类型的判别依据，这种多波段组合能有效克服单一植被指数的局限性。

图2全球地面验证站点分布与统计，该图系统性地呈现了VALERI、ImagineS和GBOV三大验证网络在全球主要生态区的站点布局。这些经过严格质量控制（包括NDVI异常值剔除）的实测数据，不仅覆盖了从热带雨林到寒带苔原的各类生态系统，其时间跨度更能有效评估产品的季节性和年际变化特征。

图3无缝FAPAR生成技术路线，流程图清晰地展示了本研究提出的创新性技术框架。该方案通过随机森林模型实现晴空条件下的高精度反演，再借助新型的SSA-BiTCN-Attention深度学习模型解决云覆盖问题，二者协同工作突破了传统方法对辅助数据的依赖。

图4GLASS训练样本空间分布，图中全球分布的52,999个训练样本呈现出明显的生态区代表性。这些样本是通过多源卫星产品（GLASS V5、MODIS C6和GEOV2）交叉验证精选获得，其空间分布确保了模型能够学习到不同气候带、不同植被类型的FAPAR变化特征，为模型的泛化能力提供了根本保障。

图5SSA-BiTCN-Attention模型架构，该图完整呈现了本研究提出的新型深度学习模型的技术细节。论文深入分析了双向TCN网络在捕捉长时间依赖关系上的优势，注意力机制对关键时序特征的强化作用，以及麻雀搜索算法在超参数优化中的独特价值。这种创新架构有效解决了传统方法在复杂云覆盖场景下的重建难题。

图6晴空FAPAR反演验证，验证结果直观展示了随机森林模型的优异性能。该模型不仅整体精度高（R²>0.95），在不同植被类型和不同季节条件下都表现出稳定的反演能力。

图7多云条件下重建效果，利用五组典型站点的对比验证。论文通过详实的定量分析指出，虽然重建精度较晴空条件略有下降（R²降低约0.1-0.15），但算法成功保留了关键的空间细节特征，且在不同生态区都表现出较好的适应性，证明了方法的鲁棒性。

图8中国区域产品示范，这张覆盖全国的高分辨率FAPAR产品展示了方法的实际应用价值。产品不仅准确捕捉了主要生态系统的空间格局（如东部季风区农田、西南山地森林、西北荒漠等），其16天的时间分辨率更能有效支持植被物候和生态系统生产力的动态监测需求。

研究结论

1、方法创新与技术突破：提出融合随机森林（RF）与改进型双向时序卷积网络（SSA-BiTCN-Attention）的深度学习框架，首次实现Landsat数据的无云FAPAR时间序列重建。通过麻雀搜索算法（SSA）优化模型参数，结合注意力机制强化关键时序特征，解决了多云条件下数据缺失难题，生成30米/16天分辨率的全球FAPAR产品（2013–2023），填补了传统卫星产品（MODIS 500米、GLASS 250米）在时空分辨率上的不足。

2、精度与适用性优势：模型在独立验证中表现优异（R²=0.82–0.92，RMSE=0.10–0.12），显著优于MODIS和GLASS产品。30米高分辨率数据能精细化表征植被异质性（如农田斑块、森林梯度），且时空连续性支持长期生态监测与碳循环研究，适用于复杂地形（山地、城乡过渡带）和多样化生态系统（森林、草原、农田）。

3、应用潜力与局限性：为生态模型、碳循环评估和精准农业提供高一致性数据支撑，尤其在细尺度植被动态监测中展现独特价值。但受限于GLASS训练数据，高FAPAR值可能低估；异常气候事件（如火灾、洪涝）可能引入短期误差。未来需结合多源数据（如Sentinel-2）和过程模型提升鲁棒性，扩展全球应用场景。

论文引用

Guodong Zhang, Gaofei Yin*, Wei Zhao, Meilian Wang, Aleixandre Verger, 2025. A deep learning method for generating gap-free FAPAR time series from Landsat data. Remote Sensing of Environment, 326:114783.