Page 228 - 《高原气象》2026年第5期
P. 228
高 原 气 象 45 卷
1444
表3 不同模型SIF产品与PDSI相关性分析 遥感数据, 通过自适应遗传算法(AGA)优化支持向
Table 3 Correlation analysis between different 量 机(SVR)、 随 机 森 林(RF)和 卷 积 神 经 网 络
model SIF products and PDSI (CNN)3 种机器学习算法, RF 较 CNN 和 SVR 的模
指标 GOSIF Norm SIF RF SIF BMA 型精度较高, BMA算法在整合了以上 3种机器学习
2
Pearson相关系数 0. 6839 0. 7393 0. 7408 算法后, 模型预测精度 R 进一步提升至 0. 785。因
P值(Pearson) 0. 042 0. 028 0. 019 此, 通过贝叶斯模型平均法为不同算法模型赋予权
Spearman相关系数 0. 7024 0. 7167 0. 7505 重值, 可显著改善 SIF 的非线性拟合结果从而克服
P值(Spearman) 0. 048 0. 040 0. 038 单一算法的局限性, 为粗分辨率遥感数据降尺度提
一致性相关系数 0. 6799 0. 7393 0. 7639 供了新的技术范式。
时滞1相关性 0. 1040 0. 2580 0. 3384 (2) 在干旱监测方法上, 通过降尺度后的高分
时滞2相关性 0. 0436 0. 1204 0. 2436 辨率产品应用于区域尺度监测, 实现了雨养农业区
精细化干旱监测。通过整合 2001 -2022 年 GOSIF
时滞3相关性 0. 2130 0. 2820 0. 3641
数据集和 2001 -2011年气象站点干旱灾情数据, 采
时滞4相关性 -0. 0065 0. 2343 0. 3768
用归一化处理、 随机森林回归和自适应遗传优化等
时滞5相关性 0. 0052 -0. 0582 0. 1320
方法, 建立了适用于无气象站点区域覆盖的空间监
归一化均方误差 0. 0473 0. 0154 0. 0056
测体系。通过与干旱指数 PDSI 进行相关性分析,
一致性指数 0. 5133 0. 6564 0. 8069
帕默尔干旱指数与 SIF BMA 的 Pearson 相关系数达到
模型平均的多模型融合框架。在 BMA 降尺度算法 0. 74、 一致性相关系数达到 0. 75, 相较于 GOSIF Norm
方面, 利用植被指数、 反射波段产品、 地形因子等 和SIF 具有明显提升。
RF
图8 2022年6月GOSIF Norm (a)、 SIF (b)和SIF BMA (c)预测的SIF干旱空间分布
RF
Fig. 8 Spatial distribution of drought predicted by GOSIF Norm (a), SIF (b), and SIF BMA (c) in June 2022
RF
本研究着眼于通过解决粗分辨率遥感数据在 源于 2014 年发射的 OCO-2 碳观测卫星的 SIF 数据,
区域尺度上的精细化干旱监测应用。GOSIF 产品 其也是基于 MODIS 和 MERRA-2 数据训练的机器
模型预测得到的数据产品, 在监测农业干旱时仍存
表4 SIF值与PDSI对应的干旱等级划分
Table 4 Drought classification corresponding to 在时空连续性、 受复杂地形环境影响、 时间尺度跨
SIF and PDSI 度大(8 d)等问题。另一方面本文统计的干旱事件
是基于 2001 -2011年的数据, 对于基于数据推理的
SIF值
等级 类型 PDSI
/ (mW·m⁻²·nm⁻¹·sr⁻¹) 机器学习模型来说, 干旱事件数量样本较少, 对精
1 无旱 -0.1<PDSI 0.7<SIF 准开展降尺度的 SIF 产品与干旱之间的关系具有一
2 轻旱 -2.0<PDSI≤-1.0 0.5<SIF≤0.7 定的局限性。未来研究可引入更多异构数据源, 探
3 中旱 -3.0<PDSI≤-2.0 0.3<SIF≤0.5 索将深度学习技术与传统干旱监测方法相结合, 充
4 重旱 -4.0<PDSI≤-3.0 0.1<SIF≤0.3 分发挥深度学习在特征提取和模式识别方面的优
5 特旱 PDSI≤-4.0 SIF≤0.1 势, 以构建多尺度预测和多情景分析的区域精细化

