图 6. 光谱波段重要性估计结果及对比。（a）未引入混合 SCOPE 数据集进行预训练时的波段重要性估计结果；（b）引入混合 SCOPE 数据集进行预训练后的波段重要性估计结果。为保证结果的稳健性并考虑实验变异性，每种实验设置（使用 / 不使用混合 SCOPE 数据集）均重复进行 3 次。B1-B8A 代表所使用的哨兵 2 号（Sentinel-2）卫星光谱波段。
图 7. 不同功能型植物类型（PFT）的哨兵 2 号（Sentinel-2）瞬时总初级生产力（GPP）制图结果。分别选取 FR-Lam（法国朗格多克）、BE-Dor（比利时多尔）、US-BZF（美国本泽尔维尔）、IT-SR2（意大利圣雷莫）、BE-Vie（比利时维耶）、IT-Cp2（意大利卡普里）和 US-Rpf（美国罗斯福）站点周边区域，对应绘制农田（CRO）、草地（GRA）、湿地（WET）、常绿针叶林（ENF）、混交林（MF）、常绿阔叶林（EBF）和落叶阔叶林（DBF）的 GPP 图。（a）RGB 影像；（b）不使用 PFT 信息的近红外植被指数（NIRvPnonPFT）方法结果；（c）使用 PFT 信息的近红外植被指数（NIRvPPFT）方法结果；（d）不使用 PFT 信息的偏最小二乘（PLSnonPFT）方法结果；（e）使用 PFT 信息的偏最小二乘（PLSPFT）方法结果；（f）不使用 PFT 信息的随机森林（RFnonPFT）方法结果；（g）使用 PFT 信息的随机森林（RFPFT）方法结果；（h）不使用 SCOPE 数据集预训练的 GPP-net（GPP-netnonSCOPE）结果；（i）使用 SCOPE 数据集预训练的 GPP-net（GPP-netSCOPE）结果。所用实地光合有效辐射（PAR）数据与哨兵 2 号过境时间相匹配。整个实验过程中，GPP-net 均不使用 PFT 信息。
图 8. GPP-netSCOPE 与其他方法的总初级生产力（GPP）制图结果空间相关性分析。以 GPP-netSCOPE 的 GPP 制图结果作为参考基准。
图 9. 年平均预测误差。RRMSE 表示模型预测结果在各年份间的年平均相对均方根误差，MAD 表示模型预测结果在各年份间年平均 RRMSE 差值的最大绝对值；n 表示每个站点的有效年份数量。RRMSE 和 MAD 值越小，表明模型对 GPP 年际变率的追踪能力越强。
图 10. C3 和 C4 植被总初级生产力（GPP）预测结果对比。灰色虚线表示等值线（观测值与预测值相等）；红色虚线表示 C3 植被 GPP 预测结果的趋势线；蓝色虚线表示 C4 植被 GPP 预测结果的趋势线。（a）不使用 PFT 信息的近红外植被指数（NIRvPnonPFT）方法结果；（b）使用 PFT 信息的近红外植被指数（NIRvPPFT）方法结果；（c）不使用 PFT 信息的偏最小二乘（PLSnonPFT）方法结果；（d）使用 PFT 信息的偏最小二乘（PLSPFT）方法结果；（e）不使用 PFT 信息的随机森林（RFnonPFT）方法结果；（f）使用 PFT 信息的随机森林（RFPFT）方法结果；（g）不使用 SCOPE 数据集预训练的 GPP-net（GPP-netnonSCOPE）结果；（h）使用 SCOPE 数据集预训练的 GPP-net（GPP-netSCOPE）结果。整个实验过程中，GPP-net 均不使用 PFT 信息。决定系数（R²）为实地观测 GPP 与预测 GPP 之间的皮尔逊相关系数平方；斜率为强制过原点（即截距 = 0）的线性回归系数，该回归以估算 GPP 为因变量、观测 GPP 为自变量拟合得到。
图 11.干旱和热浪期间的总初级生产力（GPP）估算结果。横轴为实地观测 GPP，纵轴为估算 GPP；灰色虚线表示等值线（观测值与预测值相等）。（a）不将水汽压亏缺（VPD）作为预测因子的结果；（b）将 VPD 作为预测因子的结果。有无 VPD 的模型使用相同数据集训练，唯一差异在于是否将 VPD 纳入预测因子。整个实验过程中，GPP-net 均不使用 PFT 信息。
声明：本推文仅用于学习交流，不做其他任何目的。若有侵权，请联系微信号：GeeStudy_2020删除或修改！论文doi链接：https://doi.org/10.1016/j.rse.2025.115198，点赞、收藏、关注！后台回复：GEE遥感训练营260110，免费获取原文。
