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

