Sentinel-1雷达后向散射对极端野火事件的响应：地表土壤湿度和植被覆盖的影响

《Science of Remote Sensing》：Response of the Sentinel-1 radar backscattering to an extreme wildfire event: surface soil moisture and vegetation cover implications

地表异质性系数结合随机森林模型提升黑河流域反照率尺度转换精度，R2达0.93，RMSE为0.026。研究构建混合CV指标量化空间异质性，在雪覆盖区域提升预测一致性，验证了机器学习方法处理复杂非线性问题的优势。

　　在现代遥感技术中，地表反射率（即地表反照率）作为地表能量平衡的重要参数，其准确性和可靠性对于气候建模、全球变化研究以及大气环流分析具有深远意义。然而，由于遥感数据在处理过程中可能受到云层干扰和反演模型误差的影响，反照率产品的精度常常受到挑战。为了提高反照率数据的准确性，研究者们提出了多种方法，其中一种有效手段是通过地表异质性来改进反照率的尺度转换过程。本文探讨了一种新的地表反照率尺度转换模型，该模型结合了地表异质性指标与机器学习算法，以提升粗分辨率像素尺度反照率数据的预测能力。

地表异质性指的是地表在空间和时间上的复杂变化，这种变化可能显著影响预测结果的准确性。传统的尺度转换方法往往忽略了地表异质性的影响，导致预测结果在异质区域出现偏差。为了弥补这一不足，本文提出了一种基于混合变异系数（CV）的地表反照率尺度转换模型。CV是一种衡量地表异质性的指标，它反映了特定地表参数的标准差与均值之间的比率。通过引入CV，模型能够更准确地捕捉地表异质性对反照率预测的影响，特别是在地表异质性较高的区域，CV的引入有助于提升预测精度。

在研究区域选择上，本文以黑河流域为案例，该流域位于中国西北地区，地理环境多样，包括高山草甸、针叶林、灌溉农田、沙漠以及河岸森林等。16个地面观测站点分布在整个流域内，它们的观测数据被用作30米分辨率的地面真值。此外，研究还选择了两个典型区域：一个是位于下游的异质区域，另一个是位于中游东部的同质区域，每个区域的面积均为20公里×20公里。通过在这些区域进行模型验证，研究能够评估模型在不同地表条件下表现的差异。

在数据处理方面，本文采用了多种辅助数据，包括归一化植被指数（NDVI）、太阳高度角（SEA）、数字高程模型（DEM）、土地覆盖类型、温度、降水、土壤湿度和积雪等。这些参数对地表反照率的预测具有重要影响，因此被选为模型的驱动变量。为了提升模型的预测能力，研究团队还采用了时间序列的变异系数融合方法，以生成具有较高时间分辨率的NDVI数据。此外，通过不同的重采样方法，如双线性插值和最近邻重采样，确保了不同分辨率数据之间的空间一致性。

本文所提出的模型基于随机森林（Random Forest, RF）算法，并结合了CV作为地表异质性指标。在模型训练过程中，研究团队将数据分为两种情况：有积雪和无积雪。在无积雪条件下，模型的训练数据集包含3037个有效样本，其中2336个用于训练，701个用于测试。而在有积雪条件下，由于积雪样本数量有限，仅使用了80个数据点，其中56个用于训练，24个用于测试。通过比较模型在两种条件下的表现，研究发现，当积雪被纳入模型时，CV的引入对提升预测精度起到了更为关键的作用。

在模型性能评估方面，研究团队使用了三种统计指标：偏差（Bias）、均方根误差（RMSE）和决定系数（R2）。这些指标能够全面反映模型在不同地表类型下的预测效果。实验结果表明，在大多数站点，引入CV的RF_CV模型相较于传统RF模型表现出更优的性能。例如，在ASN站点，RF_CV模型的RMSE从0.039降低到0.035，R2值从0.537提升到0.612。而在HZS站点，RF_CV模型的R2值达到0.97，RMSE为0.009，显著优于RF模型的R2值0.96和RMSE值0.014。然而，在某些站点，如LDI和ASP，RF_CV模型的预测效果反而不如RF模型。这种差异可能源于训练数据的代表性不足或样本数量较少，导致模型难以准确捕捉地表异质性对反照率的影响。

进一步的分析显示，CV值的分布对于不同地表类型具有显著影响。在草甸站点（如ACO和ASN），CV值普遍较低，表明这些区域的地表特性较为均匀。而在森林站点（如HYL和HHL），CV值较高，反映出地表异质性的显著存在。相比之下，裸地站点（如BJT和HZZ）的CV值通常较高，某些站点甚至表现出极端值，说明这些区域的地表特性变化剧烈，使得模型难以准确描述其空间分布特征。此外，耕地站点（如HZS和ZYS）的CV值也相对较低，表明其地表异质性程度较低。

在异质地表区域的模型验证中，研究发现，考虑CV的模型在预测精度上优于不考虑CV的模型。例如，在异质区域，RF_CV模型的R2值为0.90，显著高于同质区域的R2值0.98。这一结果表明，CV在异质地表区域的尺度转换中具有重要作用。然而，在同质区域，CV的影响较为有限，因为这些区域的地表特性较为一致，使得模型在预测时能够保持较高的准确性。

此外，研究还探讨了模型中各个独立变量的重要性。在无积雪条件下，NDVI、DEM和温度是最重要的变量，而在有积雪条件下，CV和温度的重要性尤为突出。这一发现支持了在复杂积雪环境中引入CV的必要性，因为CV能够有效捕捉积雪条件下地表的变异特征。相比之下，其他研究中雪盖的重要性较高，这可能与所采用的数据时间跨度有关。本文仅使用了2013年的雪盖数据，而其他研究可能涵盖了更长时间范围的数据，从而影响了雪盖在模型中的权重。

为了减少尺度转换过程中可能引入的不确定性，研究团队采用了多种数据处理策略。例如，对于连续变量（如温度、降水、土壤湿度和雪盖），使用双线性插值以保留空间梯度；对于分类变量（如土地覆盖类型），采用最近邻重采样以维持类别一致性；对于NDVI和DEM，使用平均聚合方法以获得更具代表性的区域值。这些方法在以往的研究中已被广泛验证，有助于确保处理后的辅助数据的可靠性。

尽管引入CV能够显著提升模型在异质区域的预测精度，但研究也指出，当前的模型验证仍受到地面观测站点分布的影响。大多数地面观测站点位于相对同质的区域，以确保空间代表性。因此，模型在这些区域的性能表现较好，而在异质区域的表现则存在较大不确定性。未来的研究可以进一步探索在不同异质区域的模型表现，以更全面地评估其性能。

综上所述，本文提出的基于地表异质性指标的反照率尺度转换模型，为提高粗分辨率地表反照率数据的准确性提供了一种有效的方法。通过引入CV，模型能够更准确地反映地表异质性对反照率预测的影响，特别是在地表异质性较高的区域。此外，该模型具有良好的适应性，能够在不同尺度下生成可靠的反照率预测结果。研究结果表明，考虑地表异质性的尺度转换方法能够有效提升模型的预测精度，为遥感数据的验证提供了新的思路。