Page 222 - 《高原气象》2026年第5期
P. 222

高     原      气     象                                 45 卷
              1438
































                                                     图2 研究技术路线图
                                              Fig. 2 The technical roadmap of this study

             利用 AGA 方法优化各模型的关键参数, 得到各单                          rophyll Fluorescence, SIF)预测中的测试结果。模
             一算法的统计降尺度模型。第三步: 构建 BMA 降                          型表现出良好的预测性能, 预测 SIF 与原始 GOSIF
             尺度模型。根据贝叶斯模型平均原理, 通过计算各                            数据集呈现显著的正向线性响应(R²=0. 7851), 表
             单一模型的后验概率从而为其分配权重(权重基于                             明模型能有效重建 SIF 的空间异质性特征。定量评
             模型解释数据的能力和先验偏好), 最终得到的                             估显示, 模型的均方根误差 RMSE 为 0. 0453(单位:
             BMA 降尺度模型根据 SVR、 RF 和 CNN 等 3 个模型                  mW·m⁻²·nm⁻¹·sr⁻¹)、 偏差 Bias 为 0. 0009(单位:
             的后验概率加权平均得到最终预测结果, 这一通过                            mW·m⁻²·nm⁻¹·sr⁻¹)均处于较低水平, 验证了降尺
             加权平均多个模型结果的方法, 可避免单一模型产                            度模型的稳定性。预测结果在复杂地形和植被覆
             生的偏差, 具有较好的鲁棒性和预测效果。第四                             盖过渡区域仍能保持较高的空间一致性, 说明模型
             步: 模型评估。结合 RMSE、 MSE 和 R 等统计指标                     对地表异质性具有较好的适应能力。
                                                2
             对单一模型降尺度和 BMA 降尺度模型的结果进行                           4  结果与分析
             评估, 确定最优降尺度模型。
                  图 3展示了 BMA 多模型降尺度方法在 0. 05°空                  4. 1 降尺度模型构建及其评价
             间分辨率太阳诱导叶绿素荧光(Solar-Induced Chlo‐                      本研究采用均方根误差(RMSE)、 偏差(Bias)
                                                                和决定系数(R²)作为模型评价指标, 对 SVR、 RF、
                                                                CNN 以及 BMA 多模型平均降尺度模型的精度进行
                                                                了对比分析。RMSE 和 Bias是衡量模型预测精度的
                                                                关键指标, 数值越低表明模型在拟合数据时的训练
                                                                值与预测值之间的误差越小。决定系数(R²)则反映
                                                                了模型对数据变异性的解释能力, R²值越接近 1,
                                                                说明模型能够更好地捕捉数据中的内在规律。
                                                                    4 种模型(SVR、 RF、 CNN、 BMA)的评价结果
                                                                如表 2 所示。SVR 模型的各项评价指标均低于 RF
                                                                和 CNN 单一模型, 而 BMA 模型相较于 RF 和 CNN
                                                                均有进一步的提升, 其 RMSE 和 Bias 都最低, 而 R²
                           图3 BMA模型结果评价                         最高, 说明多模型平均算法可以改进单一模型在预
                       Fig. 3 The BMA model evaluation          测方面的一些不足, BMA 模型在拟合数据时能够
   217   218   219   220   221   222   223   224   225   226   227