一种基于YOLO11?MSC的小目标害虫监测灯图像检测方法

《Sensors》：A YOLO11-MSC-Based Method for Small Pest Detection in Insect Pest Monitoring Lamp Images

　　

蒸散发（Evapotranspiration, ET）在水循环与能量循环中发挥着关键作用，然而ET产品的精度及其驱动机制在复杂地形区存在显著差异。研究人员系统评估了五种ET产品在中国青藏高原（Tibetan Plateau, TP）、云贵高原（Yunnan–Guizhou Plateau, YGP）及低地（lowlands）的表现并探讨其驱动机制。结果表明，尽管ET产品在低地通常具有较高精度，但PML_V2与ETMonitor在具有挑战性的高原环境中展现出优于其他产品的精度与敏感性，而GLASS在云贵高原及平原区表现出更优的空间连续性。研究观察到明显的区域异质性：TP受辐射热因子主导，YGP受热量与水分条件共同约束，低地则受热量、水分与植被因子协同驱动。与以往常将这些区域同质化处理的研究不同，本工作强调了根据区域特性选择模型的必要性，以减轻地形变化带来的不确定性。这些发现深化了对ET差异的理解，促进了适宜ET产品的选取，推动了ET反演模型优化研究，并增强了不同地形条件下水资源管理与水文模拟的能力。

研究背景方面，全球水循环中约60%的年降水量通过蒸散发（ET）返回大气，干旱区该比例可达90%。准确评估不同时空分辨率的ET产品对区域水文研究至关重要。现有ET估算分为直接测量与间接反演两类，原位观测如涡度相关（eddy covariance, EC）系统虽精确但空间覆盖稀疏、成本高，难以支撑区域至全球尺度连续估算；遥感（remote sensing, RS）产品、再分析产品、数据驱动产品及水平衡产品各具优势但均受限于云覆盖、分辨率、物理过程表征不足及地形影响考虑不充分等问题。尤其在占中国陆地面积约67%的山地高原区，现有评估多聚焦均质区域而忽视地形差异，缺乏高原与平原间ET产品性能及驱动因素的对比研究。为此，研究人员以中国为研究区，基于34个EC站点数据，系统评估五种ET产品在TP、YGP及平原区的时空变异、性能差异及驱动机制，旨在阐明地形导致的ET差异及其机制，为不同地貌水文分析提供产品选取依据。

关键技术方法方面，研究人员选用中国FLUX网、黑河遥感试验网及中科院青藏高原研究所的34个EC站点月尺度ET数据作为基准；选取MOD16A2GF（MOD16）、GLASS、PML_V2、SSEBop、ETMonitor五种空间分辨率粗于1000 m的RS基ET产品（2003–2020年），统一重采样至500 m并转换为月累积ET；辅助数据包括中国气象强迫数据集v2.0、降水、MODIS（MCD43C3、MOD13A2）、GLASS（叶面积指数LAI、净辐射R_n）、月均地表温度（land?surface temperature, Ts）、日照时数（sunshine duration, SSD）等，统一处理至500 m。统计指标采用皮尔逊相关系数（R）、决定系数（R²）、均方根误差（RMSE）、偏差（bias）；驱动因子分析采用地理探测器（Geographical Detector）计算q值，变量涵盖辐射、地表植被、气象及降水、SSD等14个因子。

研究结果部分保留小标题说明如下：

4.1. ET Differences Between the TP, YG, and Other Regions of China Based on EC Data

研究人员基于EC数据分析发现，日尺度ET呈季节性变化，TP、YGP及其他区域平均日ET存在差异；月尺度均呈单峰分布，TP峰值在7月（87.04 mm/月），YGP在8月（74.40 mm/月），其他区域峰值更高（97.05 mm/月，7月）；年尺度ET随海拔与土地覆盖类型（land cover types, LCT）变化显著，TP草地ET随海拔升高递减，YGP森林ET总体随海拔升高递增（除个别灌溉影响站点），其他区域森林与农田ET随海拔升高而增加，表明不同海拔与LCT间ET存在显著区域差异。

4.2. Validation of ET Products Against EC Observations

通过与EC对比，TP上PML_V2与ETMonitor精度最优（R²分别为0.61、0.69，RMSE分别为23.03、21.67 mm/月），SSEBop最差；生态子系统上，TP森林GLASS一致性高，草地/湿地PML_V2最优，裸地ETMonitor最优。Region I（32° N以北）PML_V2整体最优（R²=0.78，RMSE=19.30 mm/月），森林推荐GLASS，草地/农田推荐PML_V2，湿地ETMonitor，裸地SSEBop。YGP上GLASS精度相对最高（R²=0.91，RMSE=17.48 mm/月），森林推荐GLASS，农田推荐PML_V2；Region II（32° N以南）GLASS与PML_V2较高，森林与湿地推荐GLASS。总体而言，平原区产品精度高于高原区，且同一产品在不同LCT表现各异。

4.3. Spatiotemporal Differences in ET Between the Plateau and the Plain

空间分布上，TP上PML_V2、ETMonitor、SSEBop随地形变化明显，MOD16异常高值且边缘噪声大，GLASS空间连续性最优但地形响应弱，TP普遍存在数据缺口（MOD16最严重）。YGP五产品空间连续性优于TP，呈南/西南高格局，PML_V2能反映地形变化。平原区（HYP）五产品空间分布相似，GLASS连续稳定，PML_V2能有效反映水体高ET。时间序列上，三区域均呈单峰季节变化（7–8月峰值，12–1月最低），但量级差异大：TP整体最低（MOD16最高，GLASS最低），YGP高于TP，HYP最高且季节变幅最大。年际趋势上，TP的MOD16、GLASS、ETMonitor显著增加，PML_V2略降不显著，SSEBop无显著趋势；YGP的MOD16、GLASS显著增加，其余不显著；HYP的MOD16、GLASS显著增加，SSEBop显著下降，其余不显著。

4.4. Driving Factors of ET Products Between the Plateau and the Plain

地理探测器结果显示，TP上MOD16、GLASS、ETMonitor主要受下行长波辐射（downward longwave radiation, DLR）（q=0.84–0.96）及气温（air temperature, T_a）、T_s驱动；PML_V2受净辐射（net radiation, R_n）（q=0.67）主导；SSEBop受LAI（q=0.96）主导，体现高热辐射因子主控。YGP上T_a与DLR仍关键，但降水（Prec）、气压（Pa）、相对湿度（RH）解释力增强，呈热?湿协同特征；SSEBop转为T_a主导（q=0.87）。平原区MOD16仍受DLR主导，GLASS与ETMonitor转为R_n主导（q=0.92–0.93），PML_V2维持R_n（q=0.69），SSEBop为LAI（q=0.89）；R_n、LAI、NDVI、水汽压亏缺（vapor pressure deficit, VPD）、RH解释力显著提升，呈热?湿?植被协同驱动。不同产品主导因子具算法依赖性。

讨论部分总结：研究人员指出评估存在EC填隙、能量不平衡、足迹尺度不匹配及RS产品时空分辨率不一致、重采样引入的误差，地理探测器难以捕捉非线性关系及驱动数据本身不匹配等不确定性。高原与平原ET时空差异源于气候与覆被差异；产品精度平原优于高原，PML_V2在TP草地/湿地、ETMonitor在裸地、GLASS在森林表现优，与其算法中组分划分、参数校准、多算法融合及土壤水分与DEM校正有关；MOD16因忽略夜间ET及地形参数校准不足而精度较低；SSEBop因固定参数及忽略LCT在高原精度下降。据此提出区域?生态系统尺度的产品应用建议（如TP草地湿地用PML_V2、裸地用ETMonitor、森林用GLASS；YGP农田用PML_V2、森林用GLASS等）。与现有研究相比，本研究扩展至五产品十四因子并强调生态分区对比与驱动空间异质性；局限在于YGP与Region II站点少、EC时段不一、缺区域尺度验证及能量平衡校正，未来需多源验证与耦合地形植被优化算法。

结论部分翻译浓缩如下：

研究人员从2003至2020年定量评估了中国高原与平原区五种ET产品的表现及主导驱动因子。基于原位EC观测，进行了亚区域与生态系统特异性验证及典型地形ET驱动机制分析，关键结论如下：

（1）ET产品性能因生态系统与区域而异。TP上PML_V2在草地与湿地出色，ETMonitor在裸地出色，GLASS在森林出色；Region I中PML_V2在森林、草地、农田表现好，SSEBop适于裸地；YGP中PML_V2推荐农业用水管理，GLASS推荐森林干旱监测。这凸显依区域特性选取ET产品的重要性。

（2）ET产品空间分布在低地一致性好，高原区尤其TP差异显著；时间序列分析揭示区域间年均ET及趋势存在实质差异，强调依据区域特征优化ET模型以提升精度的迫切性。

（3）主导驱动因子具区域性：TP以热辐射因子为主；YGP呈热辐射与水分因子结合特征；平原呈热辐射、水分与植被因子协同作用。

（4）识别若干局限，包括EC站点空间分布不均、EC足迹与ET产品尺度不匹配及缺能量平衡校正。未来研究应采用多源验证策略，将植被与土壤水分数据纳入P?M类模型，在能量平衡模型中耦合地形与植被数据以优化算法并提升ET估算精度；通过数据同化纳入地形、气候、植被信息可产出新ET产品，提升山地精度并为气候变化下水管理提供支撑。

综上，研究人员分析评估了不同地理条件下五种ET产品，为多样地形下气候变化中水资源利用的适宜产品选取与模型优化提供了参考。论文发表于《Sensors》。