基于植被自适应滞后效应的DBN-LightGBM混合空间降尺度方法在GSMaP数据上的应用

《International Journal of Remote Sensing》：DBN-LightGBM hybrid spatial downscaling of GSMaP based on the adaptive lag effect of vegetation

卫星降水产品分辨率低制约流域灾害预警与极端天气监测，传统降尺度方法受植被滞后效应限制，缺乏系统分析其稳定响应特性。本文提出自适应滞后增强植被指数（ALEVI），结合DBN与LightGBM模型，验证其显著提升降尺度精度，为水文模拟和气候变化分析提供可靠数据支持。

　　

摘要

基于卫星的降水产品（如GSMaP）的空间分辨率限制，阻碍了它们在流域区域内用于局部灾害预警和极端天气监测的应用。传统研究采用降尺度方法来提高降水数据的分辨率，但植被对降水的影响存在滞后效应，这仍是一个关键制约因素。目前，关于植被对降水响应的稳定滞后特性仍缺乏系统分析。因此，本文提出了一种自适应滞后增强植被指数（ALEVI），该指数结合了植被对降水的稳定响应特性，从而能够更精确地描述植被对降水的滞后响应。通过ALEVI，我们建立了一套更准确、更合理的影响因素集（ALEVI-IFS），以探讨滞后效应对降尺度性能的影响。在此基础上，我们开发了一种新的降尺度模型，该模型通过结合深度信念网络（DBN）和LightGBM方法将降水与ALEVI-IFS联系起来，并通过地面观测数据进行了验证。案例分析表明，ALEVI通过有效表征植被-降水相互作用，显著提高了降尺度模型的精度。此外，DBN-LightGBM模型相较于传统方法表现出显著的优势，能够更准确地反映局部降水模式的空间分布。这一框架为水文模拟和气候变化分析提供了可靠的数据支持，提升了局部预测能力。