高时空分辨率FAPAR对于陆地生态系统生产力模拟、植被动态监测和生态系统服务评估具有重要意义，然而现有FAPAR产品空间分辨率较低，同时Landsat观测受重访周期和频繁云污染影响，给高分辨率连续FAPAR产品的生成带来了较大挑战。针对这一问题，课题组提出了一种用于生成高分辨率、时空无缝Landsat FAPAR的物理引导机器学习（PGLGBM）方法，通过将辐射传输模型的物理知识与机器学习相结合，有效提升了FAPAR估算的精度和物理可解释性，并实现了云污染条件下缺失FAPAR的时空重建，为高时空分辨率FAPAR产品的生成提供了一种新方法。该成果近期发表于遥感领域顶刊International Journal of Applied Earth Observation and Geoinformation，得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划项目(2023YFF1303602)支持。

研究背景：

FAPAR是表征植被冠层吸收光合有效辐射能力的重要生物物理参数，对植被生产力模拟、碳循环研究及生态系统动态监测具有重要意义。然而，现有全球FAPAR产品空间分辨率相对较低，难以充分刻画地表空间异质性；Landsat虽然具有30 m空间分辨率，但受16天重访周期和频繁云污染影响，难以形成连续的FAPAR观测序列。此外，传统物理模型计算成本较高，而机器学习方法又存在物理约束不足等问题。因此，如何兼顾物理机理、估算精度与计算效率，是生成高分辨率时空连续FAPAR产品面临的重要挑战。

研究方法：

研究提出一种物理引导机器学习(PGML)方法。首先，构建土壤—植被—大气耦合辐射传输模型，模拟Landsat地表反射率及FAPAR；随后融合模拟数据与实际观测数据，构建物理引导LightGBM模型(PGLGBM)，实现晴空FAPAR估算；最后综合多时相FAPAR、先验知识、地形及环境变量，建立第二个LGBM模型重建云污染区域的缺失FAPAR，最终生成30 m时空无缝Landsat FAPAR产品。

主要结果：

PGLGBM方法在高时空分辨率FAPAR反演中展现出显著优势。图2对比了LaReina和Capitanata站点五种FAPAR估算方法的表现，依次为两种纯机器学习方法和三种物理引导机器学习方法。结果表明，物理引导机器学习整体优于纯机器学习方法，单纯依赖模拟数据的模型（图2中a2和b2）精度最低。通过融合模拟样本与实测样本，PGLGBM（图2中a5和b5）兼顾了物理一致性与观测真实性，在两个站点分别取得0.936和0.950的R²，以及0.068和0.077的RMSE，表现出较高的估算精度和稳定性。

如图3所示，研究进一步将所提出方法与ESTARFM、Fit_FC、HCM等经典时空融合方法以及GLASS、MODIS FAPAR产品进行对比。结果表明，该方法在R²、RMSE、CC和AAD等指标上整体表现最优，并兼具较高的计算效率。在HARV站点连续时序实验中，该方法能够有效恢复云污染造成的FAPAR缺失，较好保持地表空间细节和时间连续性，相较GLASS和MODIS具有更高的空间分辨率，同时有效减少异常值，展现出良好的连续重建精度与稳定性。

长时间序列验证结果（图4）表明，该方法在不同植被类型和生态环境下均具有良好的稳定性和适用性。 2013—2021年7个GBOV站点的对比结果显示，生成的Landsat FAPAR能够较好刻画草地、落叶阔叶林、农田、灌丛和稀树草原等不同地表类型的季节变化与年际动态，并与地面观测保持较高一致性。尤其在植被生长季和物候变化明显的区域，该方法能够准确捕捉FAPAR的峰值及变化过程。相比MODIS和GLASS产品，重建结果兼具Landsat的高空间分辨率与良好的时间连续性，减少了云污染造成的数据缺失和异常波动，体现出较强的跨地表类型泛化能力和长时间序列重建稳定性。

2026年7月12日，课题组谢江流同学博士学位论文答辩在西南交通大学九里校区学术交流中心举行。答辩委员会主席由浙江大学地球科学学院杜震洪教授担任，答辩委员包括西南交通大学地球科学与工程学院朱庆教授、刘国祥教授，电子科技大学资源与环境学院何彬彬教授以及中国科学院、水利部成都山地灾害与环境研究所赵伟研究员，答辩秘书为西南交通大学地球科学与工程学院张国东副教授。经过答辩汇报、质询讨论及专家评议等环节，答辩委员会一致同意谢江流同学通过博士学位论文答辩，并建议授予工学博士学位。

谢江流同学的学位论文面向全球“碳中和”目标和气候变化有效应对的迫切需求，针对陆地生态系统碳通量估算中机理或数据单一驱动模式难以兼顾高精度与物理一致性问题，联合机理与数据驱动方法，开展了陆地生态系统碳通量协同估算与预测研究。首先，发展了顾及生态系统关键生理生态过程环境适应特性的碳通量机理模型可微参数学习方法；进一步引入质量守恒约束，构建了陆地碳通量(GPP、NEE、RE)一体化反演模型；最终，利用机理-数据联合驱动的一体化反演模型，实现了当前及未来情景下陆地碳通量高精度、物理一致协同估算与预测，揭示了生态系统环境适应特性对碳交换过程的调控作用。研究产出的理论、方法与数据成果将深化对全球变化背景下陆地碳循环的认识，从而更好地支撑气候变化缓解策略的制定并推动“碳中和”目标的实现。

谢江流同学博士期间以第一作者身份在IEEE Transactions on Geoscience and Remote Sensing、Agricultural and Forest Meteorology、Geophysical Research Letters等高水平SCI期刊发表学术论文6篇，并获2025年度博士研究生国家奖学金，展现了扎实的科研基础和较强的学术创新能力。在此向谢江流同学顺利通过博士学位论文答辩表示热烈祝贺！愿她带着求知的热忱与探索的勇气，在学术道路上不断探索、勇于创新，取得更多优秀成果！