Page 223 - 《高原气象》2026年第5期
P. 223
5 期 郭继富等:基于BMA降尺度模型的西北雨养农业区干旱监测研究 1439
表2 各模型精度评价 23 日的 GOSIF 数据进行降尺度进行对比分析(图
Table 2 Evaluation of each model accuracy 4)。SVR 降尺度模型的结果在空间分布上与原始
RMSE Bias 图像较为接近, 但高值区域面积明显扩大, 略大于
模型 R 2
/ (mW·m⁻²· nm⁻¹·sr⁻¹) /(mW·m⁻²· nm⁻¹·sr⁻¹) 原始图像。SVR 模型生成的 500 m 高空间分辨率
SVR 0. 0603 0. 0095 0. 620 SIF 数据在低值区表现较好, 但在高值区存在一定
RF 0. 0454 0. 0091 0. 784 程度的高估现象, 尤其是西南部地区的 SIF 值存在
CNN 0. 0458 0. 0092 0. 780 明显高估; RF 降尺度模型的结果与原始图像有较
BMA 0. 0453 0. 009 0. 785 大差异, 高值区域显著扩大, 远高于原始图像, 表
明 RF 模型可能存在过度拟合的问题。模型较好地
有效降低预测误差, 同时对非线性复杂数据的解释
捕捉到了原始数据中的高值区域, 特别是在西南部
能力最强, 具有较高的泛化能力。虽然 RF 和 CNN
山区的表现尤为突出, 在空间分布上相较于原始影
其评价指标略低于 BMA 模型结果, 但对于单一模
像存在明显的植被生长区域分界线; CNN 模型的
型来说, 其较低的 RMSE 和 Bias 值, 表明这两种模
结果在空间分布和 SIF 取值范围上与原始图像较为
型在构建降尺度模型时仍能提供较为精确的预测。 接近, 模型结果虽能体现一定的空间细节, 但总体
SVR 在各项指标中均表现相对较差, 其 RMSE 和 低估了 SIF 估值, 特别是在西南区域高值区表现较
Bias 明显高于其他模型, 且 R²值最低, 表明 SVR 在 差; BMA 多模型组合平均以上 3 个模型的预测结
此类地学数据统计降尺度任务中的拟合能力较弱, 果, 既能展现 SIF 数据在高空间分辨率下与原始数
不能有效解释复杂非线性地学数据背后的规律。 据集的空间一致性, 又可以呈现出介于原始数据和
为了从空间分布上直观地展示 GOSIF 原始数 RF 模型之间的区域尺度空间细节。高低值过渡区
据集与降尺度后的结果, 本研究选择了 2001年 4月 域更为平滑, 在提高分辨率的同时也考虑了不同模
图4 5 km分辨率GOSIF (a)与500 m分辨率SVR (b)、 RF (c)、 CNN(d)和BMA (e)降尺度
SIF对比(单位: mW·m⁻²·nm⁻¹·sr⁻¹)
Fig. 4 Comparison of the 5 km resolution GOSIF (a) with the 500 m resolution downscaling SIF
obtained by SVR (b), RF (c), CNN (d), and BMA (e). Unit: mW·m⁻²·nm⁻¹·sr⁻¹

