《Remote Sensing》：A Transfer Learning Approach for Estimating All-Weather Daily Net Radiation over the Tibetan Plateau: Site-Scale Evaluation and Spatial Extension
准确估算青藏高原（Tibetan Plateau, TP）高空间分辨率（1 km）的日净辐射（daily net radiation, Rndaily）对于理解地表能量平衡和气候动态至关重要。本研究提出了一种基于密集连接多层感知器（densely connected multilayer perceptron, DenseMLP）的迁移学习（transfer learning, TL）框架，采用两阶段策略（先在GLASS Rndaily产品上进行粗分辨率预训练，再利用有限的青藏高原地面观测进行微调），结合中等分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）地表参数和辅助数据，生成1 km分辨率的Rndaily产品。在训练集上，所提模型的总体决定系数（R2）为0.87，平均绝对误差（mean absolute error, MAE）为16.06 W m?2，均方根误差（root mean square error, RMSE）为21.94 W m?2，偏差接近零（0.07 W m?2）。在独立测试集上，模型保持稳健性能，R2=0.83，MAE=17.43 W m?2，RMSE=22.55 W m?2，偏差=?1.12 W m?2。该方法在各站点表现出持续低偏差（多数在±3.7 W m?2以内），并能准确捕捉季节变化。应用于2018年整个青藏高原时，1 km Rndaily产品揭示了清晰的坡向相关地形效应和明显的年周期变化。该框架有效缓解了站点依赖性误差，为青藏高原长期Rn产品开发提供了有益参考。
地表净辐射（net radiation, Rn）是驱动陆地生态系统所有生物物理传输过程的核心能量来源，包括潜热和感热对流、土壤-水-植被-大气介质中的热传导，以及叶绿素介导的吸能光化学反应。这一基本能量控制作用在青藏高原尤为显著，该区域以其高海拔和独特的陆-气相互作用为特征。高原的抬升加热效应由地表Rn转化为感热通量驱动，成为调节亚洲季风系统形成和演变的关键热源。在局地尺度上，Rn向潜热、感热和土壤热通量的分配直接决定了高寒生态系统的水分利用效率和地下多年冻土的热稳定性。因此，准确量化和可靠地空间估算地表Rn对于揭示复杂的陆-气-冰冻圈相互作用至关重要。
地面辐射观测通常采用四分量辐射计获取，通过量化组成地表辐射平衡的各个辐射通量（即短波和长波的下行与上行分量）来提供最直接的Rn测量。然而，辐射计的安装和维护耗时且昂贵，导致大多数区域观测网络极为稀疏。青藏高原的恶劣环境条件和后勤困难使持续辐射测量更具挑战性，观测缺口问题更加突出。再分析产品通过同化多源观测提供连续格点辐射数据，但其空间分辨率较粗（>5 km），且在青藏高原等复杂地形区域存在显著偏差。基于遥感数据的各种估算方法可分为物理方法和数据驱动方法两类。基于物理的辐射传输模型（radiative transfer models, RTMs）虽能捕捉Rn的空间异质性，但主要应用于卫星过境时刻，扩展至日尺度仍具挑战。相比之下，数据驱动模型，尤其是机器学习（machine learning, ML）方法日益受到青睐，因其能有效表征Rn与各种卫星或气象变量之间的复杂非线性关系。近期研究表明，ML方法可实现区域日尺度Rn（Rn
daily）的直接估算，无需中间辐射传输建模。然而，现有大多数机器学习模型在青藏高原等地面观测稀疏、地形复杂的区域实际应用中仍面临重大挑战。
在区域Rn
daily估算的具体应用场景中，迁移学习作为机器学习建模在本地样本有限、标签较弱条件下的自然延伸，允许模型整合从外部数据集中提取的先验知识，从而即使在本地地面观测极为有限的情况下，也能构建稳健的预测模型。现有框架主要采用卷积网络以patch-to-value回归方式从遥感影像中捕捉空间特征，但存在固有空间归纳偏置，且在稀缺原位数据下微调性能波动。本研究提出基于DenseMLP的迁移学习框架，采用"粗分辨率预训练-细分辨率微调"的两阶段策略。全连接DenseMLP作为替代架构，规避了卷积结构固有的空间归纳偏置，提升了跨分辨率可迁移性和有限地面观测下的微调稳健性，同时保持多变量日尺度Rn估算的竞争性回归性能。
该研究发表在《Remote Sensing》期刊。研究中所用的主要关键技术方法包括：基于DenseMLP网络的两阶段迁移学习策略。具体而言，第一阶段利用0.05°空间分辨率的全球陆表卫星（Global Land Surface Satellite, GLASS）Rn
daily产品作为源域数据进行预训练，从60个经地形分层采样策略选取的空间代表性静态站点提取每日时序数据（2018-2020年），这些站点覆盖青藏高原主要土地覆盖类型；第二阶段利用青藏高原11个地面站点2019-2020年的像素匹配观测进行微调，6个独立未观测站点（全部来自2018年）保留用于独立测试，实现严格的时空分离。模型输入特征空间包括：MOD09GA产品的光学波段反射率（b01-b07，500 m分辨率）、全天候陆表温度（land surface temperature, LST，TRIMS LST-TP V2产品，1 km分辨率）、下行短波辐射（Srad）、下行长波辐射（Lrad）、气温（Ta，TPMFD数据集，1/30°分辨率）以及地形因子（基于MERIT DEM提取的高程、坡度、坡向）。所有数据统一至日时间分辨率，并在地理坐标系下对齐至1 km一致格网。源域和目标域通过空间重采样实现特征空间同质，但标签空间因数据源和空间尺度差异而保持异质。预训练后仅更新最终密集块和输出头进行微调，最终应用于2018年区域数据估算青藏高原1 km全天候Rn
daily。
研究结果部分首先呈现站点尺度评估。通过将DenseMLP_TL估算结果与青藏高原17个站点（11个训练站、6个独立测试站）的观测进行对比，并与GLASS产品进行交叉验证。在训练集上，DenseMLP_TL总体R
2为0.87，MAE为16.06 W m
?2，RMSE为21.94 W m
?2，偏差接近零（0.07 W m
?2）。GLASS产品表现差得多，总体R
2仅为0.70，MAE为26.03 W m
?2，RMSE为34.26 W m
?2，偏差为?9.30 W m
?2。在站点层面，差异更为显著：SETORS站DenseMLP_TL的R
2为0.68、偏差0.50 W m
?2，而GLASS虽R
2同为0.68，偏差却达?36.71 W m
?2；JYL站模型R
2为0.89，而GLASS的MAE和RMSE均大幅高于所提模型；NL站DenseMLP_TL保持低偏差0.39 W m
?2，GLASS则达?27.45 W m
?2。对于独立测试集，模型保持稳健性能，总体R
2=0.83，MAE=17.43 W m
?2，RMSE=22.55 W m
?2，偏差=?1.12 W m
?2，较训练集仅轻微下降，表明过拟合风险较低。GLASS表现更差，不同站点间波动剧烈：HB站（海北站）接近零偏差（?1.27 W m
?2），Naqu站严重低估（?25.94 W m
?2），XDT、ZNH、TSH、SZ等站偏差均在?10 W m
?2左右。DenseMLP_TL在各站（海北站、那曲站、SZ站、TSH站、XDT站、ZNH站）将偏差有效控制于约±3.7 W m
?2内，无明显极端站点特异性偏差。时序对比显示，两者均能有效捕捉Rn
daily的总体时间特征（冬季最低、春夏逐渐升高、7-8月达峰、秋季下降），且均能捕捉云雨相关波动，但DenseMLP_TL与观测值吻合更佳，尤其在晴天条件下；GLASS在Naqu、XDT和ZNH存在明显低估。这表明DenseMLP_TL在捕捉Rn
daily季节动态和逐日变化方面优于GLASS基准。
空间扩展部分展示2018年青藏高原1 km全天候日Rn的月均值空间分布。全年空间分布模式一致：低海拔区域（东部高原、南部边缘）值较高，高海拔区域（中部和东北部）值较低，反映了清晰的地形控制。高反照率沙漠覆盖的低海拔区域（如柴达木盆地）Rn明显低于其他低地。该空间分布与先前研究一致。月估算结果还捕捉到明显的季节周期：冬季（11月至次年1月）低值（<50 W m
?2）为主，3-5月稳步升高，6月达峰（大部分地区>150 W m
?2），7-8月维持高值，9月后逐渐下降，与青藏高原已有观测研究报道的冬季最小、夏季最大的模式一致。
讨论部分首先进行模型分析与消融实验。超参数组合实验系统比较了25组不同模型宽度（增长率w，8-128）和深度（密集块数量d，1-5）组合。结果表明，适当增大w可增强特征提取能力，但过度增大会导致过拟合；增加d有利于跨块特征重用和多层次特征转换，但其效益受宽度制约。最优配置为d=5、w=128，验证性能达R
2=0.86，MAE=15.99 W m
?2，RMSE=22.11 W m
?2，偏差?0.56 W m
?2，在模型宽度和深度间取得理想平衡。
输入变量和模型组件的消融实验验证了各变量的物理合理性和DenseMLP架构及迁移学习策略的独立贡献。移除Srad和Lrad（E1）导致性能显著下降（测试集R
2从0.83降至0.75），因其为Rn的物理推导基础；但E1仍优于无迁移学习的DenseMLP（E5，测试集R
2=0.68）且偏差远小于GLASS，表明二者虽重要但非不可或缺。移除LST（E2）、地形因子（E3）或光学反射波段（E4）仅引起轻度精度损失，测试集R
2分别达0.80、0.81、0.80，均优于非迁移学习基线。非迁移学习模型中，加入GLASS Rn作为物理约束（E6）可改善训练站验证性能（RMSE从23.15降至21.39 W m
?2），但泛化严重退化（测试集RMSE增至29.53 W m
?2，偏差?13.50 W m
?2），而迁移学习通过预训练学习广义特征模式，实现跨站点稳定预测。最关键的E7基线（标准MLP_TL，相同输入和迁移学习配置）测试集R
2=0.79、RMSE=25.08 W m
?2，明显劣于完整DenseMLP_TL模型，明确验证了密集连接架构的独立且不可忽视的贡献：在相同迁移学习框架和输入条件下， vanilla MLP房型无法有效提取和传递跨尺度地理空间和辐射特征，导致跨站点泛化较弱。
与先前研究的比较表明，现有方法存在忽视地形效应、限制于晴空条件、缺乏复杂高海拔地形评估或依赖难以获取的训练样本等局限。DenseMLP_TL针对这些不足进行优化：相比Li等的9 km分辨率ResNet迁移学习框架、Jiang等仅限于晴空条件的30 m产品、Jing等针对高纬地区MODIS高频次观测设计的模型、Li等依赖ERA5的随机森林模型，以及Miao等采用卷积DenseNet的两阶段迁移学习框架，本研究的全连接DenseMLP消除了人工空间归纳偏置，更符合Rn估算的物理特性，实现全天候1 km分辨率估算，且迁移学习策略确保有限本地观测下的稳健泛化。
与主流产品的比较（GLDAS，0.25°；ERA5-Land，0.1°；GLASS，0.05°；CHiRAD，0.05°）显示，DenseMLP_TL年均值空间模式与各产品总体一致，但因其1 km分辨率呈现更丰富的空间细节，特别是清晰区分相邻山坡与河谷的Rn差异。坡向分析表明，DenseMLP_TL产品呈现显著的坡向相关Rn对比：东西差异达16.59 W m
?2，南北差异2.29 W m
?2，符合向阳坡（东、南）高于背阴坡（西、北）的预期模式；而粗分辨率产品的坡向间差异均低于1 W m
?2，无法分辨细尺度坡向对比。经统一线性校准后的定量比较中，DenseMLP_TL表现最优（R
2=0.83，偏差?1.12 W m
?2，MAE=17.43 W m
?2，RMSE=22.55 W m
?2），校准后各主流产品偏差虽大幅降低，但R
2、MAE和RMSE仍明显差于DenseMLP_TL。
研究结论概括为：为获取青藏高原1 km空间分辨率的准确Rn
daily，本研究提出了基于DenseMLP的迁移学习框架，采用两阶段策略（GLASS Rn
daily粗预训练后利用有限青藏高原地面观测微调），结合MODIS陆表参数及其他辅助辐射、气象和地形数据。所提模型利用分布于青藏高原的6个独立测试站进行评估。散点图显示DenseMLP_TL估算值在训练集和测试集均紧密聚于1:1线附近，与地面观测高度一致且无显著系统偏差。定量而言，训练集总体R
2=0.87，MAE=16.06 W m
?2，RMSE=21.94 W m
?2，偏差接近零（0.07 W m
?2）；独立测试集保持稳健性能（R
2=0.83，MAE=17.43 W m
?2，RMSE=22.55 W m
?2，偏差?1.12 W m
?2）。该方法在各站点表现出一致且低的偏差（多数在±3.7 W m
?2内）。时序对比进一步证明模型准确捕捉了Rn
daily的季节动态（冬季最低、夏季最高）及云雨相关的逐日波动，在所有6个测试站持续跟踪原位观测。与GLASS基准相比，DenseMLP_TL估算值与观测值更为接近，站点特异性差异更小，证实所提框架有效缓解了站点依赖性系统误差，实现了青藏高原Rn
daily估算的高精度和良好空间泛化。
随后，该框架用于生成2018年整个青藏高原的1 km分辨率Rn
daily。Rn
daily空间分布受地形清晰控制，低海拔区域值较高，高海拔区域值较低；高反照率沙漠区域（如柴达木盆地）Rn
daily明显较低。月均值Rn呈现明显年周期：冬季低值、6月达峰、9月后逐渐下降。与主流产品（GLDAS、ERA5-Land、GLASS、CHiRAD）相比，DenseMLP_TL年均值空间模式总体一致；重要的是，得益于1 km分辨率，DenseMLP_TL清晰解析了坡向依赖的Rn对比（高达16.59 W m
?2），而粗分辨率数据集完全缺失这一信息，凸显了精细空间分辨率对于坡向敏感Rn估算的价值。定量上，DenseMLP_TL在各评估指标上均优于所有对比产品。这些空间与季节模式及 inter-product 比较进一步说明了所提框架的泛化能力。未来工作将基于DenseMLP_TL模型开发青藏高原长期1 km日分辨率Rn产品。
