2024年7月18日-31日，尹高飞教授带领课题组两位硕士研究生张翼、倪逸旻并联合西南民族大学、福建农林大学、四川师范大学等多家单位，赴三江源国家公园开展野外考察。本次行程途径玉树市、杂多县、治多县、沱沱河、五道梁、不冻泉、玛多县等地，累计行程3000公里。共采集植物、土壤样品300多个，为三江源国家公园“多功能性”草地综合评价提供了宝贵数据支持。

摘要

准确的高山植被物候遥感产品是维持生态平衡、正确反映地表能量平衡以及冰冻圈稳定的基础性数据。然而，目前常用于提取物候的遥感数据空间分辨率多样，基于不同空间尺度提取的物候可能存在尺度效应，但该问题目前并未受到广泛关注。本研究利用10m分辨率Sentinel-2，500m以及5600m分辨率 MODIS（Moderate Resolution Imaging Spectroradiometer）遥感数据，使用NDGI（Normalized Difference Greenness Index）植被指数，基于GEE（Google earth engine）云平台提取了2022年青藏高原地区相应空间分辨率的物候产品，探讨了不同空间分辨率物候差异，定量分析了物候产品的空间尺度效应，并阐明了其随地形复杂度的变化。研究发现，高分辨率遥感产品（10m）更能清楚地反映精细物候的变化。另外，使用不同空间分辨率遥感产品探测草地物候时，尺度效应普遍存在，其中，较粗空间分辨率春季物候存在滞后现象，且秋季物候的尺度效应小于春季物候。不同空间分辨率差异形成的尺度效应对地形变化的敏感度不同，总体上，物候的尺度效应随着地形复杂度的增加而增加。

背景

青藏高原具有集中且丰富的生物气候垂直带谱，在生物多样性，调节区域气候和涵养水源等方面扮演着重要的角色。植被的存在改变了局地气候，为青藏高原区域提供了丰富的生境和栖息地，是维持该生态系统中生物多样性不可或缺的重要存在，监测青藏高原植被物候可以及时发现和评估潜在的自然灾害风险，反馈冰冻圈的稳定性，保护青藏高原生态系统的多样性。然而，目前用于监测植被动态遥感产品的空间分辨率范围从米级到公里级不等，通常基于不同尺度遥感产品探测到的植被动态可能存在差异，以前的研究已充分地证明了这一点。但是目前为止，使用不同空间尺度数据进行物候提取时是否存在空间尺度效应尚不明确，这可能会造成使用单一空间分辨率遥感产品进行物候提取时得出的结论不够准确。因此，准确认识物候提取中的空间尺度效应至关重要。鉴于归一化差分绿度指数（Normalized Difference Greenness Index，NDGI）在提取植被物候时精度较高，本研究分别利用10m Sentinel-2、500m MOD09A.061以及5600m MOD09CMG.061遥感数据计算NDGI指数，并根据NDGI的时间序列提取青藏高原的草地物候，分析了不同空间尺度的物候差异，并在该结果的基础上计算了物候的空间尺度效应。另外，为了解青藏高原区域植被物候空间尺度效应的分布特征，探讨了空间尺度效应随地形的变化情况。

主要结果

由图1， 虽然不同空间尺度NDGI的空间分布特征相同，但春秋季物候SOS值本身的大小存在较大差异，尤其是公里级遥感产品（5600m）MOD09CMG.061提取的春季物候相较10m和500m春季物候较晚。这可能是因为粗空间分辨率像元涵盖的空间范围较大，而物候可能发生在较小的区域内，这一精细变化在聚合到粗空间分辨率时会被平均，因此，粗空间分辨率不能及时探测到物候的变化。随着时间的推迟，当变绿更加明显时，粗空间分辨率像元才会将此时植被绿度的变化认别为生长季的开始。对比不同空间分辨率EOS值的分布情况，发现公里级和百米级遥感产品秋季物候值的分布非常相似，即公里级空间分辨率遥感产品（5600m）探测到EOS的滞后现象不明显，这可能归因于以下两方面：（1）在植被绿度下降阶段，草地叶子的凋落和颜色变化较为明显，在粗空间分辨率上也能捕捉到；（2）秋季青藏高原较为干旱，云量较少，遥感影像的时间序列较为完整。

由图2，使用不同空间分辨率遥感产品进行物候提取时尺度效应普遍存在。其中，500m和10m的尺度误差在青藏高原大部分区域分布较为均匀，但在青藏高原西南部区域，尺度误差较大。由图2b和图2c，5600m与10m以及5600m与500m的尺度误差在空间上分布具有相似性，这主要是因为10m和500m遥感产品提取的SOS差异较小的缘故。

对比不同空间分辨率尺度误差值的分布情况（图3），发现500m和10m SOS尺度误差最小，约75%的区域尺度误差小于等于12d，当空间分辨率差异为5600m和10m以及5600m和500m时，约50%的尺度误差位于[0d, 12d]的区间范围内。这一现象可能表明了空间尺度越接近，春季物候的空间尺度就越小。基于不同空间分辨率EOS的尺度误差在青藏高原中南部区域最大，其他大部分区域尺度误差较小。三种空间分辨率差异引起的尺度误差均有超过75%的区域小于12d，因此，与SOS相比，EOS物候的空间尺度效应较小。

由图4，由不同空间尺度差异引起的尺度误差随CV增大显著增加，其中5600m与500m空间分辨率SOS的尺度误差对CV敏感性较小，CV每增加0.1，SOS的尺度误差增加0.34d。5600m与10m SOS的尺度误差对CV变化最敏感，CV每增加0.1，SOS的尺度误差便增加0.74d。同SOS尺度误差随CV的变化一致，5600m与500m空间尺度差异引起的EOS尺度误差对CV的敏感性最弱，CV每增加0.1，尺度误差则增加0.49d。500m与10m EOS的尺度误差对地形最敏感，CV每增加0.1，物候偏差增加0.78d。尺度效应随地形复杂度增大而增大的原因是复杂的地形形成了多种微气候环境，使得植被生长环境各异，导致不同区域植被物候差异较大，这种差异能够在精细尺度的遥感产品中表现出来，但是当遥感产品分辨率较低时，这种变化就会在聚合的过程中被平均。当地形较为平坦，即地形复杂度较小时，植被异质性较小，基于不同空间尺度得到的物候较为相近，因此，这种情况下物候尺度效应较小。

2024年05月13日，课题组尹高飞教授指导的严欣钰、唐愉松、李望超、陈雅雪、陈樟锴五位硕士生顺利通过了硕士学位论文答辩。

答辩委员会主席由成都信息工程大学徐维新教授担任，答辩委员包括四川省林业科学研究院简毅副研究员、中国科学院成都山地灾害与环境研究所靳华安副研究员、西南交通大学钱丽源副教授以及西南交通大学熊川副教授，答辩秘书为西南交通大学张国东老师。经投票表决，五位答辩专家一致同意五位同学通过学位论文答辩，并建议授予硕士学位。

花开花落万物道，聚散离别终有时。三年千日，始于金秋，终于盛夏。在此对五位同学顺利通过学位论文答辩表示祝贺，祝愿他们未来前程似锦！

阳光正好，微风不燥，我们决定不辜负身边每一场花开。我们闻风而来，向花而去，与春天撞了个满怀。2024年4月27日，交通线路安全与生态保护遥感小组在蕉下小院迎来了本年度备受期待的春季出游活动——“蔚迹”（Veg）第二期。

本次活动从踏青赏花开始，一路欢歌笑语，小组成员们探索着大自然的美妙与奥秘。在到达小院后，一顿丰盛的围炉煮茶为大家提供了满满的能量。在享受美食的同时，大家还互相交流着心得，增进了彼此之间的友谊。下午，摘樱桃、摘桑葚等采摘活动，让大家体验到了丰收的喜悦，同时也感受到了大自然的慷慨与馈赠。而娱乐项目更是精彩纷呈，池塘捞鱼、吹牛皮等趣味游戏，让大家尽情释放青春活力，笑声不断。此外，画石膏娃娃等手工艺制作环节，更是点亮了创意的火花，展现了小组成员的多才多艺。临近傍晚，小组成员伴着晚霞开始了户外烤肉的美食之旅，尽情感受着清雅宁静的小院里美妙的闲暇时光。

在活动结束之际，大家纷纷表示对本次“蔚迹”春季出游活动的满意与感激，同时也期待着未来更多类似的精彩活动。交通线路安全与生态保护遥感小组将继续努力，为小组成员带来更多愉快的活动体验，共同度过更加美好的时光。让我们一起期待着下一次“蔚迹”的绽放，与春天再次相遇，继续留下美好的回忆与足迹！

摘要

已有研究表明南北坡小气候差异会导致植被绿度不同，但是对于不同坡向小气候是否会影响植被物候尚无定论。为回答这一问题，本研究基于2019-2022年哨兵2（Sentinel-2）数据提取了三江源区域的草地物候，并计算了每个3×3km²格网内的南北坡物候差异。研究发现，在寒冷且潮湿的区域，南坡的春季物候（SOS）明显早于北坡，但在干旱区域，北坡的SOS发生的更早。与春季物候相比，南坡秋季物候（EOS）统一结束地较晚，这主要是因为秋季植被生长受辐射限制的缘故。该研究首次探究了三江源区域南北坡植被的物候差异，为理解植被物候随地形的变化提供了重要参考。

研究背景

植被物候变化对陆地生态系统的碳循环有重要影响。以往的研究表明，温度、降水和辐射是影响植被物候的主要气候因素，在高纬度地区，温度主导物候变化，而在干旱/半干旱地区，降水调节了物候对温度的依赖性。此外，辐射控制秋季植被的光合作用。但是，气候因子对物候的影响是否会受地形调节尚不明确。实际上，北坡和南坡的辐射差异高达30％，导致南北坡向气候存在明显差异，如南坡较为干燥和温暖，而北坡相对较冷且湿润。不同坡向的微气候不同可能会导致物候差异，比如，在较为干旱的区域，温度较高的南坡植被可能会在早春季节面临干旱风险，因此，南坡春季物候可能开始地会比较晚。而在秋季，辐射是限制植被生长的主要气候因子，接收辐射较强的南坡植被生长季可能结束地更迟。但是，以上猜想并未经过验证。基于此，本研究利用哨兵2遥感数据提取了三江源区域2019-2022年间空间分辨率为10m的草地物候，接着计算了每个3×3km²格网内的南北坡物候差异，讨论了其在气候空间中的分布，并尝试解释其背后的潜在机制。

主要结果

南坡SOS较早的区域占了46.4%，主要位于三江源东南部，北坡SOS较早区域占总区域的53.6%，位于三江源东南部。相比之下，70%以上区域南坡秋季物候结束地更迟，尤其是在东南部区域，物候差异高达10天左右。以上现象表明，三江源东南部区域的气候条件可能更适合草地生长。

南北坡物候差异受降水和温度的共同影响。在降水相对较高且温度较低的区域，南坡SOS通常比北坡早，而在大多数温度较高的区域，北坡的SOS略早于南坡。对于秋季物候而言，在低温和高降水区域，南坡的EOS明显晚于北坡，但在降水量较小的区域，北坡的EOS略晚于南坡。

分析ΔSOS和ΔEOS随气候变化的情况，发现在特定温度阈值内，随着降水增加，ΔSOS的方向发生了变化，特别是在温度适中的地区。同样，在某一降水区间内，温度的升高导致ΔSOS由正转为负。虽然ΔEOS方向的变化没有ΔSOS明显，但当一个变量固定而另一个变量变化时，ΔEOS值会发生显著变化。以空间代时间，物候差异在气候空间中的分布可以推测未来不同气候条件下南北坡向物候差异的变化方向。

摘要

遥感监测秋季物候具有较大的不确定性，从不同的卫星代理参数中提取的秋季物候观测结果相较于春季物候差异更大。本文比较了太阳诱导叶绿素荧光(SIF)、叶绿素类胡萝卜素指数(CCI)、增强植被指数(EVI)和归一化植被指数(NDVI)对落叶林秋季物候提取特征的差异。研究发现，基于不同卫星代理参数提取的秋季物候遵循了一个特定的时间表：SIF < CCI < EVI < NDVI。结合地面物候观测结果，我们进一步发现SIF、CCI、EVI和NDVI可以分别表征光合活性的衰减、叶绿素降解、叶片变色和叶片脱落的衰落过程。基于这些卫星代理参数中提取的秋季物候对气候因子响应的敏感性也具有一致的时间排序，其中SIF对秋季太阳辐射的偏相关系数最高，其次是CCI、EVI和NDVI，而NDVI与温度更相关，其次是EVI、CCI和SIF。

主要结果

基于SIF提取的秋季物候与基于GPP的秋季物候最匹配，其次是基于CCI、基于EVI和基于NDVI提取的秋季物候（图1 a）。然而，从CCI和EVI提取的秋季物候比从SIF和NDVI提取的秋季物候更接近叶变色（t检验均无显著差异）（图1 b）。相较于叶变色的时间，NDVI提取的秋季物候具有推迟趋势，而SIF则具有提前趋势。相反，基于NDVI提取的秋季物候与落叶时间最匹配，其次是基于EVI、基于CCI和基于SIF提取的秋季物候（图1 c）。

如表1所示，SIF提取的秋季物候与基于GPP的秋季物候关系密切，R²最高（0.331），ME（-1.36天）、MAE（6.98天）和RMSE（9.32天）最小。基于EVI的秋季物候与叶变色最相关（R²=0.257），而ME最低（1.07天）。基于CCI的秋季物候也接近叶变色，ME稍低（-2.41天），MAE（13.36）和RMSE（16.19）与基于EVI的秋季物候相似。NDVI提取的秋季物候滞后叶变色的时间约16天，MAE（19.85）和RMSE（24.06）高于EVI，但它最接近落叶的时间（ME=-2.93天，MAE=8.93天，RMSE=10.17）。

研究发现，落叶林的生理状态和结构信息在秋季出现了解耦现象，这与秋季的太阳辐射和温度变化不同步有关（图2）。SIF与太阳辐射的偏相关系数高于CCI、EVI和NDVI，略低于GPP与太阳辐射的偏相关系数。相反，NDVI与温度的偏相关系数最高，其次是EVI、CCI和SIF。

主要结论

研究发现，落叶林叶片衰老是一个循序渐进的过程，从不同卫星植被参数中提取的秋季物候也具有一定的时间顺序，它遵循了一个特定的时间表，即SIF < CCI < EVI < NDVI，它们分别对应了光合活性的衰减、叶绿素的降解、叶片变色和叶片脱落。秋季物候和气候因子之间的偏相关分析进一步支持了该时间顺序表。本研究强调了不同卫星代理提取秋季物候的差异以及它们与地面观测物候过程之间的关系，增进了我们对陆地表面物候的解译及其对气候因子响应的理解。研究建议应谨慎考虑不同卫星代理参数的含义，以正确解译秋季物候，促进遥感秋季物候在不同使用场景中的应用和推广。

2024年1月18日下午，课题组在陌上小雅召开了2023年度总结会议，回顾过去一年课题组在人才培养、科学研究等方面的成果、不足，并规划2024年的重点目标。尹高飞教授、张国东老师、于慧男老师以及在读硕、博士研究生，共19人参加了本次年会，年会由杨雅洁同学主持。

博士生谢江流、马杜娟和陈瑞分别就全球植被生产力气候限制变迁、全球山地植被变绿、遥感观测地形校正进行了专题汇报；每位同学从年度工作、年度进展、年度心得和来年计划四个方面对过去一年工作进行了总结；张国东老师也总结了其年度工作，并给与会硕博生带来了文献阅读、精美制图和团队合作等方面的经验分享；尹高飞教授对课题组2023年取得的科研成绩进行了总结，并部署了2024年的重点工作。

2023年度，课题组毕业博士1名、硕士4名；引进助理教授1名、博士研究生1名、硕士研究生4名；两位同学在外访学；发表SCI论文18篇（中科院1区10篇）；获批国家重点研发计划项目课题1项、教育部高端外国专家引进项目1项、技术研发项目2项；开展野外科学考察3次。

总结会在欢声笑语中落下了帷幕。欢送2023，喜迎2024，正是课题组的老师和同学们过去一年的全力投入与奉献，才会在年终之际绽放最绚烂的笑容。旧岁已展千重锦，新年再进百尺竿，西南交通大学植被生态遥感课题组全体师生将会站在新的起点，在新的一年里续写新篇。

山地坡向差异会形成小气候，使得与区域宏观气候相比，朝向赤道的坡面（EFSs）更干燥、温暖，而朝向极地的坡面（PFSs）更湿润、寒冷。因此，生长在不同坡向上的植被可能呈现出不同生长状态和过程，即坡向效应。通过对2003年至2021年的归一化植被指数（NDVI）的分析，我们在全球尺度上研究了坡向效应，发现EFSs和PFSs植被绿度差异与区域气候条件密切相关：在寒冷地区，EFSs植被绿度强于PFSs，而在干燥地区则相反，这主要取决于温度和水分限制的相对重要性；不管在何种气候区，PFSs植被变绿趋势强于EFSs，导致EFSs和PFSs植被绿度差异在湿冷区域逐渐减弱，在干热区域则逐渐增强，表明温度限制减轻而水分限制加剧。山地生态系统坡向差异构成了一个“自然实验室”，提供了一种以空间替代时间的方式探究气候对植被生长控制的演变。

研究背景

陆地植被吸收了大约三分之一的人为碳排放，是减缓气候变暖的主要机制。卫星观测和模型模拟研究均表明，过去四十年里植被表现出明显的“变绿”趋势。尽管持续的全球变暖缓解了高纬度、高海拔地区温度限制，水资源限制也变得越来越普遍。因此，这种“变绿”趋势在未来是否会持续，仍不确定。山区地形形成的复杂小气候，使得对山区植被动态的认识尤其不确定。

除了海拔梯度，坡向在山地植被生长中起着重要作用。坡向通过调节入射太阳辐射，改变大气和地表之间的能量和水通量交换，创造了独特的局部小气候。例如，与区域宏观气候相比，朝向赤道的坡面（EFSs）比朝向极地的坡面（PFSs）接受更多的太阳辐射，导致EFSs更干燥、温暖，而PFSs更湿润、寒冷。这些坡向诱导的小气候显著影响植被活动，调节植被对区域气候变化的响应。目前已有研究表明，PFSs植被比EFSs植被生长得更好，然而，这些研究大多依赖于实地观测，空间覆盖有限，时间跨度较短。因此，在全球尺度上，坡向引起的植被绿度差异的空间分布和年际变化尚不清楚，阻碍了我们对未来全球山地植被对气候变化响应的认识。基于此，本研究利用NDVI数据，引入绿度差异指数（GDI，GDI = (NDVI_EFSs  – NDVI_PFSs) / (NDVI_EFSs + NDVI_PFSs)），探究了EFSs和PFSs之间植被绿度差异的时空格局及其气候控制。

主要结果

GDI具有明显的纬度分布格局：大部分高纬度地区（>52°N和> 40°S）的EFSs比PFSs更绿绿（GDI >0），而中纬度地区（16-52°N和23.5-40°S）的PFSs比EFSs更绿（GDI <0）（图1）。GDI确定了植被生长的区域气候控制：干旱区（P/PET≤0.5），GDI均为负（PFSs比EFSs更绿），植被生长主要受水分控制；湿润地区（P/PET >0.5），GDI随区域温度的增加，由正值（FFSs比PFSs更绿）转变为负值，植被生长在低温下主要受温度控制，而在高温下主要受水分控制（图2）。

全球范围内，山地“变绿”趋势普遍存在，然而，PFSs“变绿”趋势大于EFSs，使得GDI在温度限制和水分限制趋势均呈下降趋势（图3），表明PFSs比EFSs从持续变暖中获益更多。

该研究成果近期以“Aspect Matters: Unraveling Microclimate Impacts on Mountain Greenness and Greening”为题，发表于《Geophysical Research Letters》。

干旱对生态系统的可持续性构成了重大威胁，造成中国西南等地区的年累积碳吸收量(ACCU)降低。为理清背后的潜在机制，本研究基于综合物候和生理学统计模型(Statistical Model of Integrated Phenology and Physiology, SMIPP)，将ACCU分解为春季物候(Start of Season, SOS)、秋季物候(End of Season, EOS)和生产力峰值(Peak of Gross Primary Productivity, GPPmax)，并分析其对干旱的响应。结果显示，物候 (SOS和EOS)和生理 (GPPmax)的组合能很好的捕获ACCU的变异；2001 – 2020年，干旱通过推迟SOS和提前EOS导致ACCU净损失75.90 Tg C。研究结果强调，干旱对ACCU的负面影响主要通过影响物候来实现。总体而言，本研究量化了干旱通过物候和生理效应对ACCU的贡献，可为未来干旱条件下生态系统碳循环预测提供依据。

研究背景

随着全球变暖和人类活动加剧的挑战不断升级，全球范围内干旱发生的频率、强度和持续时间都在增加，对生态系统产生了重大影响。生态系统年累积碳吸收(ACCU)是指植物在一年内通过光合作用吸收有机碳的总量，是评价生态系统碳循环的重要指标。干旱通过改变光合作用活性、调节植被物候、致使森林火灾和病虫害的发生等影响生态 ACCU。因此，量化干旱对碳吸收的影响对于监测生态系统中的碳循环至关重要。

已有研究发现，ACCU与春季物候(Start of Season, SOS)、秋季物候(End of Season, EOS)和生产力峰值(Peak of Gross Primary Productivity, GPPmax)密切相关。干旱以不同的方式影响SOS、EOS和GPPmax，例如，春季干旱使植物因缺水而推迟生长，导致SOS延后；秋季干旱促进脱落酸分泌，从而提前EOS；夏季干旱可通过限制光合作用而降低GPPmax，但伴随的温度和有效太阳辐射的增加，亦会增加GPPmax。因此，了解SOS、EOS和GPPmax对季节性干旱的响应模式，并通过这些指标量化干旱降低ACCU的程度，对于理解干旱对生态系统碳循环的影响具有重要意义。

中国西南地区在是全球生态恢复工程最为显著的区域，也是中国最大的碳库。然而，近年来气候变化和人类活动对该地区的影响日益显著，导致干旱频繁发生。因此，研究西南地区干旱对生态系统碳吸收的影响，对于维护生态系统的稳定性及保护生态系统功能的完整性至关重要。本研究旨在借助综合物候和生理学统计模型(Statistical Model of Integrated Phenology and Physiology, SMIPP)模型，量化干旱通过对物候(SOS, EOS)和生理(GPPmax)的影响引起的ACCU变化，以便更好地了解干旱对西南地区碳循环的影响。

研究方法

SMIPP模型：

SMIPP模型分解结果表明，SOS、EOS和GPPmax能有效捕获西南地区ACCU的变化，平均R²为0.74。干旱导致中国西南地区65.95%区域SOS延后，平均延后4.89天，导致60.26%区域EOS提前，平均提前2.87天，且随着干旱的加剧，SOS延后、EOS提前程度及面积占比均增大。然而，干旱对GPPmax的积极影响和消极影响相当，50.82%的地区GPPmax增大，49.18%的地区GPPmax减小，且随着干旱程度的加剧，GPPmax先增加再减小。

2001 – 2020年，干旱通过推迟SOS和提前EOS使西南地区ACCU分别减少65.58 Tg C，和21.47 Tg C，但通过增加GPPmax使ACCU增加11.15 Tg C，最终导致ACCU净损失75.90 Tg C。

当前，空间遥感技术的快速发展为我们提供了大量高质量的卫星图像和数据，为精准观测和模拟地表变量提供了可能。但是，主流的遥感卫星产品存在空间分辨率单一的问题，难以满足对多尺度地表信息的需求，制约了遥感在地表过程研究中的应用。因此，迫切需要开发有效的算法，将不同分辨率的卫星图像进行融合，以综合提取出多分辨率的地表变量信息。

为解决上述问题，本文提出了一种基于多尺度多深度卷积神经网络(MSDCNN)的新框架。该框架能够同时从七颗卫星传感器获取的大气顶反射率（TOA）中以七种空间分辨率估算叶面积指数（LAI）、光合有效辐射吸收比（FAPAR）、短波反照率、可见光反照率和地表反照率，共五个地表变量。七个不同空间分辨率的传感器包括：VIIRS(750米)、MODIS(500米)、FY-3B MERSI (250米)、CBERS-04 WFI(73米)、Landsat 8 OLI(30米)、GF-1 WFV (16 m)和Sentinel-2A/B(10 m)。基于ImagineS的高分辨率LAI/FAPAR参考图、 SURFRAD和ICOS的时间序列短波反照率实测值的验证结果表明，估算的各地表变量均具有较高的精度，RMSE分别为0.361 ~ 0.489 (LAI)、0.023 ~ 0.120 (FAPAR)和0.013 ~ 0.026(无雪短波反照率)。所提的MSDCNN方法具有综合各种卫星数据源在不同空间尺度上估算全球地表变量产品的潜力。

算法概述

在之前的研究中，我们已经成功开发了一种结合辐射传输模型（RTM）模拟和机器学习的同时从VIIRS TOA观测数据中估算多个地表和大气变量的有效方法。虽然在全球范围获得出色表现，但该方法仅解决了两个问题，即从单个传感器估算变量之间的物理一致性和物理RTM方法的计算效率。本研究则侧重解决更关键的三个问题，即高时空分辨率、多空间分辨率和多空间分辨率一致性。

图1展示了本研究的算法流程。首先，在全球代表性样点上，结合SCE优化技术和耦合的土壤-叶片-冠层-积雪-大气RTM从VIIRS TOA观测数据对5个地表变量进行模拟，并使用多输出随机森林 (RF) 算法建立输入变量与模拟变量间的回归模型。其次，采用PSTCR算法重建多云的VIIRS和MODIS像元，并在给定MODIS TOA反射率的情况下，利用MSDCNN模型将750 m的VIIRS TOA反射率降尺度到500 m；随后将生成的500 m VIIRS TOA反射率与下一个精细尺度的TOA反射率融合，直到Sentinel-2A/B数据参与融合，生成多尺度VIIRS TOA反射率。最后，将多尺度VIIRS TOA反射率、角度信息、海拔、GLASS V6 LAI和MERRA2 AOD输入多输出RF模型，估算多尺度LAI、FAPAR、地表反照率和地表反射率。

主要结果

多输出RF回归模型在不同分辨率下均表现较好，所有变量的R²值均大于0.9 ，RMSE值较小（图2）。两个用于降尺度MERSI和Sentinel-2A/B SWIR波段的自适应融合模型R²均高于0.98，RMSE为0.0090 – 0.0123，说明模型的较高性能（图3）；将VIIRS 波段降尺度到不同分辨率的其他模型也表现良好，但由于不同传感器数据之间的光谱差异和数据观测时间的不一致，其精度略低于两个自适应融合模型。

由MSDCNN模型估算的不同空间分辨率下各地表变量的时间序列与地面实测值及其他产品均具有较高的一致性且时序更完整，能够反映植被物候及冰雪变化，然而，由于持续的云覆盖，估算的时间序列仍不连续（图4）。

由MSDCNN模型估算的30/10m LAI、FPAR均能够捕捉空间细节，且在均质性地表的表现优于异质性地表（图5）。估算的30m反照率值与站点实测反照率值吻合较好（图6）：GWN、DE-HoH、FR-LGt等无雪站点反照率R²普遍较小，RMSE值均不大于0.04，但季节性不明显；与无雪站点相比，SXF、DE-Kli等有雪站点反照率的R²和RMSE均更大，其中，SXF的RMSE最小（0.042），DE-Kli站点的RMSE最大（0.121）；所有站点估算的反照率与实测反照率偏差较小（0.014 ~ 0.026）。持续的云覆盖和雪的快速变化是造成估算不确定性的主要原因。

主要结论

本文提出了一种基于深度学习模型的多分辨率多地表变量估算方法，与地面实测值验证精度较高，与现有高级变量产品一致性好，且能显著提升多云雾山区地表参数时间序列连续性。该方法有潜力综合各种卫星数据源在不同空间尺度上估算全球地表参数产品。