社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

JAG最新成果|西南交通大学张国东团队提出物理引导机器学习框架,生成30米时空无缝Landsat FAPAR产品,精度超越GLASS和MODIS

GEE遥感训练营 • 2 月前 • 156 次点击  

论文摘要



研究背景:光合有效辐射吸收比例(FAPAR)是表征植被光合效率的关键生物物理参数,对理解陆地生态系统、全球碳循环以及气候变化影响具有重要作用。卫星观测可实现全球尺度 FAPAR 估算,但现有中低分辨率产品(250 米‑1 千米)难以充分刻画地表异质性,在地形复杂、植被类型多样的区域问题尤为突出。
研究目标:提出物理引导的机器学习方法,实现高分辨率 FAPAR 反演,克服传统方法物理约束不足与云污染带来的数据缺失问题。
研究方法:本研究提出一种物理引导的机器学习方法,用于高分辨率 FAPAR 反演。首先,构建土壤‑植被‑大气耦合辐射传输模型,模拟全球典型像元的 Landsat 地表反射率与 FAPAR;其次,融合模拟反射率‑模拟 FAPAR 与实测反射率‑实测 FAPAR 数据集,构建物理引导的轻量梯度提升机模型(PGLGBM),基于 Landsat 地表反射率反演晴空条件下的 FAPAR;最后,引入时空约束与环境变量,构建第二个 LGBM 模型,实现多云条件下 Landsat FAPAR 缺失像元的重建
结果与结论:研究采用 GBOV、ImagineS 地面验证观测数据集开展精度检验,模型具备良好的时空一致性(GBOV 数据集:(R2=0.793),RMSE=0.113;ImagineS 数据集:(R^2=0.856),RMSE=0.110),在多种地表景观下均表现出稳定性能。该方法有效解决传统方法物理约束不足与云污染的缺陷,生成周期 16 天、30 米分辨率的连续 FAPAR 产品。这套高分辨率 FAPAR 数据集可为生态系统光能利用率研究、植被生产力模拟以及碳循环动态评估提供重要支撑。

关键图表



图1.所用 Landsat 8 波段的光谱响应函数。

图2.基于 Landsat 地表反射率的三步法 FAPAR(光合有效辐射吸收比例)估算流程图。

图3.(a)全球代表性像素的空间分布;(b)GBOV 和 ImagineS 观测网络的 FAPAR 测量站点空间分布。

图4.用于估算 Landsat 晴空 FAPAR 的物理引导机器学习框架。

图5.训练结果的密度散点图。(a)仅使用地面测量的纯机器学习方法;(b)仅使用模拟数据的纯机器学习方法;(c)采用特征增强策略的物理引导机器学习(PGML)方法;(d)采用多输出耦合策略的 PGML 方法;(e)采用样本协同策略的 PGML 方法。

图6. 地面测量站点的估算性能对比,以 ImagineS 在 LaReina 和 Capitanata 站点的 FAPAR 图作为参考。(a1)和(b1)仅用地面测量训练的纯机器学习方法;(a2)和(b2)仅用模拟数据训练的纯机器学习方法;(a3)和(b3)采用特征增强策略训练的 PGML 方法;(a4)和(b4)采用多输出耦合策略训练的 PGML 方法;(a5)和(b5)采用样本协同策略训练的 PGML 方法。

图7. Landsat 云天下 LGBM(轻梯度提升机)模型的密度散点图。

图8.Landsat 云天下 LGBM 模型的时空交叉验证结果。S01 至 S10 表示 10 个空间交叉验证组,T01 至 T12 表示 12 个时间交叉验证组。

图9.Landsat 晴空 FAPAR、Landsat 云天 FAPAR 与 ImagineS、GBOV 参考图之间的对比。

图10.利用 GBOV 和 ImagineS 参考数据对 Landsat 晴空 FAPAR 与云天 FAPAR 的验证散点图。不同符号代表不同土地覆盖类型:混交林(MF)、落叶阔叶林(DBF)、草地(GR)、常绿阔叶林(EBF)、常绿针叶林(ENF)、农田(CRO)、灌木林(SHR)、稀树草原(SAV)。

图11. 利用 DIRECT2.0 3 公里 FAPAR 产品按土地覆盖类型的验证散点图:(a)Landsat,(b)GLASS,(c)MODIS。

图12.GBOV 网络 HARV 站点上与时空融合方法及各类 FAPAR 产品的对比。

图13.2013–2021 年七个 GBOV LP4 站点的 Landsat 云天 FAPAR 时间序列:(a)CPER,(b)BART,(c)KONA,(d)SRER,(e)OSBS,(f)NIWO,(g)STEI。

图14.2019 年中国西南地区以 32 天为间隔的 Landsat FAPAR 图。

图15.2019 年 Landsat FAPAR、GLASS FAPAR 和 MODIS FAPAR 的空间分布对比:第一行为年积日第 33 天的 FAPAR,第二行为年积日第 225 天的 FAPAR。

图16.Landsat FAPAR、GLASS FAPAR 和 MODIS FAPAR 沿经度方向变化趋势的折线图。

图17.PGLGBM 模型在不同样本比例下的性能表现。

版权声明

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.jag.2026.105544,点赞、收藏、关注!

更多阅读



ISPRS最新成果|知识规则自动造样本 + 深度学习驱动,实现东北水体、湿地、水稻田一体化 30 米制图

2026-08-29

ESSD最新成果|中国科学院杜鑫团队构建"机理+深度学习"无实测标签框架,生成2019–2024年东北玉米逐年产量地图,2023年洪涝减产一目了然

2026-08-28

JAG最新成果|南京大学陆应诚团队基于Sentinel-2量化分析中国最大海草床2016‑2024 年时空动态特征

2026-08-27

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200395