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

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）。