Page 226 - 《高原气象》2026年第5期
P. 226

高     原      气     象                                 45 卷
              1442
             月, 研究区大面积呈现棕色区域, 此时正处于冬春                           展, SIF BMA 与 PDSI 均具有较高的时滞相关系数, 尤
             阶段, 此时植被生长处于凋零期到休眠期阶段。                             其在时滞 3和时滞 4上表现最好的相关性, 表明 SIF
                  由于卫星传感器的快速发展, 为了更进一步验                         不仅可以很好地对干旱事件早期发生做出响应, 还
             证 GOSIF 数据的可靠性、 稳定性及一致性, 选择了                       可对后期干旱的进一步发展过程做出指示监测。
             2001 年和 2022 年生长季的数据降尺度后进行空间                           SIF BMA 与 PDSI 之间具有最低的归一化均方误
             对比分析。2022 年 SIF 的整体植被生长变化(图 7)                     差(Normalized MSE值为 0. 0056), 说明二者之间线
             与 2001 年在空间分布和时间序列变化上保持了一                          性相关性最强, 预测误差最小, 表明 SIF 可以很好
             致, 研究区内植被生长季呈现典型的“单峰”变化模                           的跟随 PDSI 指示植被水分胁迫变化。一致性指数
             式, 从年初 3 月植被开始发芽到 11 月基本凋零, 7                     (Consistency Index)在考虑了绝对误差的基础上作
             月基本达到最高值。通过比对 2022 年降尺度前后                          为 Pearson 和 Spearman 一 致 性 相 关 系 数 的 补 充 ,
             的结果可以明显看出, 经 BMA 降尺度后的结果在                          GOSIF Norm 、 SIF 、 SIF BMA 与 PDSI的一致性指数值分
                                                                             RF
             视觉效果和物理一致性纹理更细腻、 边缘更清晰,                            别为 0. 5133、 0. 6564 和 0. 8069, SIF BMA 的值比其他
             消除了明显斑块效应, 但在 7、 8、 9月, 降尺度结果                      两个产品的一致性值高出不少, 说明经 BMA 降尺
             明显在研究区北部低值区域有一个明显的高估, 这                            度得到的高分辨率 SIF 数据产品可以很好地与 PD‐
             可能由于降尺度模型是基于 2001-2011年数据进行
                                                                SI在监测干旱方面保持一致。
             训练, 降尺度模型长时间迁移存在一定的滞后性;
                                                                    本研究进一步对比分析了 GOSIF              Norm 、 SIF 和
                                                                                                          RF
             另外一方面, 本世纪以来西北地区暖湿化增强并进
                                                                SIF BMA 在实际干旱监测应用中的表现, 利用 3 种算
             一步东扩的过程影响, 研究区内降水增加(张强
                                                                法模型刻画了 2022 年 6 月的干旱空间分布(图 8)。
             等, 2023), 植被绿度增加所致, 这一变化从图 7 的
                                                                SIF 与 PDSI 对应的等级划分如表 4 所示。从图 8 中
             绿色区域分布可以看出是精细尺度上的微小变化。
                                                                可以看出, 2022 年 6 月研究区内出现了严重的干
             4. 3 多种降尺度产品的评价分析
                                                                旱, 3 种产品在干旱空间分布上保持了一致, 北方
                  通 过 对 降 尺 度 前 GOSIF 归 一 化 产 品
                                                                的旱情较重, 偏南区域尤其西南区域轻旱甚至无
             (GOSIF  Norm )、 随机森林降尺度产品(SIF )和基于                 旱, 这也与研究区内的地理空间分布直接相关。从
                                                  RF
             BMA模型平均降尺度得到高分辨率SIF产品(SIF                  BMA )   3 种产品对干旱的区域刻画(图 8)可以看出, SIF
             与 PDSI 进行相关性和一致性分析, 结果如表 3 所                                                                  BMA
                                                                在干旱等级刻画中展现出显著优势, 其不仅能清晰
             示。从表 3 中可以看出, SIF         BMA 与 PDSI 均具有最高         呈现西北黄土高原雨养农业区大尺度干旱空间格
             的 Pearson、 Spearman和一致性相关系数值(Pearson
                                                                局, 更能精细辨识出 GOSIF            产品难以捕捉的局
             相关系数为 0. 7408, Spearman 相关系数为 0. 7505,                                      Norm
                                                                地性干旱斑块。特别是在植被覆盖差异性较强的
             一致性相关系数为 0. 7639), 说明无论从线性相关
                                                                丘陵山地过渡带, 该产品通过增强对植被光合作用
             性、 单调相关性还是一致相关性等方面来看, 经降
                                                                动态的捕捉能力, 成功揭示了干旱梯度变化。相较
             尺度模型获得的高空间分辨率 SIF 数据可很好地对
                                                                于 GOSIF    和 SIF , SIF    产品在很大程度上提
             农业干旱做出一致性监测响应。                                             Norm     RF    BMA
                                                                升了区域精细化干旱识别。
                  SIF对PDSI和土壤湿度均存在一个延迟响应时
             间(时滞效应), 这可能归因于在干旱发生时植物生                           5  结论
             理的适应机制以及水分胁迫后的生理恢复过程
             (Chen et al., 2020)。利用时滞相关性分析考察 SIF                    干旱是一种复杂的过程, 传统的植被指数存在
             产品与 PDSI 之间的时间延迟响应关系, 不同的时                         监测延迟, 通过引入反映植被生理状态的 SIF 数
             滞相关性揭示了 SIF 对不同时间尺度下的干旱响                           据, 实现干旱的早期识别。本文通过 BMA 的动态
             应。高分辨率产品在干旱早期响应时间(时滞 1)上                           权重分配机制, 结合 CNN 对空间特征的深层提取
             表现出较强的相关性, 表明它能够更好地通过反映                            能力、 SVR 对非线性关系的适应性以及 RF 对高维
             植被光合作用变化从而更好地捕捉早期干旱事件                              数据的鲁棒性, 实现了遥感数据的最优融合, 生成
             的发生。随着干旱事件的不断发展, SIF与 PDSI的                        的 500 m 空间分辨率月尺度 SIF 产品在空间连续性
             时滞相关性呈先减弱后增强的关系。相较于 GOS‐                           和细节表征上显著优于现有 5 km 分辨率产品。实
             IF Norm  和 SIF 对干旱早期发生还是后期进一步发                     验表明, 该模型提升了在干旱敏感区域的 SIF 空间
                        RF
   221   222   223   224   225   226   227   228   229   230   231