MUSTI:用于全球叶面积指数时间序列重建的多尺度时空张量插补方法

《Remote Sensing of Environment》:MUSTI: Multi-scale spatiotemporal tensor imputation for global leaf area index time series reconstruction

【字体: 大 中 小 】 时间:2026年07月30日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  •生成无间隙、时空一致性高的叶面积指数数据集。•采用动态秩张量、多尺度注意力机制以及生物群落规则化方法。•显著提升时间稳定性,尤其在热带地区表现更佳。1. 引言叶面积指数(LAI)是指单位地面面积上的单侧叶面积,用于描述植被冠层结构及光截获能力(Chen和Black,1992;M

  •生成无间隙、时空一致性高的叶面积指数数据集。•采用动态秩张量、多尺度注意力机制以及生物群落规则化方法。•显著提升时间稳定性,尤其在热带地区表现更佳。1. 引言叶面积指数(LAI)是指单位地面面积上的单侧叶面积,用于描述植被冠层结构及光截获能力(Chen和Black,1992;Myneni等人,1997)。作为全球气候观测系统指定的关键气候变量,LAI是地球系统模型的重要输入参数,可用于模拟总初级生产力(Sellers等人,1997;Yuan等人,2007)、蒸散作用(Mu等人,2011)以及碳-水-能量循环。长期LAI观测显示全球植被呈现明显绿化趋势(Zhu等人,2016),其中土地利用管理(Chen等人,2019)及多种相互作用因素(Song等人,2018)导致了显著变化。然而,由于卫星产品存在持续的数据质量问题,要实现准确、连续且一致的全球LAI观测仍面临挑战(Fang等人,2019;Yan等人,2021)。基于中分辨率成像光谱仪(MODIS)和可见光红外成像辐射计组(VIIRS)生成的LAI产品,为过去二十多年(2000年至今)的全球植被监测提供了重要数据支持。与早期的AVHRR产品相比,这些产品在辐射校正精度和时空分辨率方面均有显著提升,已成为生态系统监测、碳循环研究及地球系统建模的基础数据集。不过,云层和大气干扰,以及为平衡检索精度与空间完整性而设计的备用算法,可能限制某些应用所需的时空一致性(Knyazikhin,1999;Myneni等人,2002;Yan等人,2016a)。多项对比研究表明,不同产品之间的绝对值和时间动态存在显著差异(Fang等人,2013;Zhang等人,2017),部分区域甚至出现相反的年度变化趋势(Jiang等人,2017)。首先,云层、气溶胶和积雪常常触发备用算法(Wenze Yang等人,2006),这在热带地区和高纬度地区会导致尤为严重的时间不连续性,尤其是季节性积雪会加剧趋势分析的难度(Fang等人,2012;Jamali等人,2015)。其次,独立的逐像素检索策略会引发空间不一致性,掩盖真实的植被分布特征,并形成人为边界(Chen等人,2019)。第三,Terra-MODIS、Aqua-MODIS和VIIRS传感器之间存在系统性差异,这些差异源于校准偏差(Tao等人,2018)、检索算法的不确定性(Wang等人,2004)以及观测时间的不同,这些都增加了构建连续多十年数据记录的难度。最新分析表明,即便在单一传感器产品中,时间稳定性问题依然存在(Zou等人,2022),异常现象出现的频率超出理论预期(Fang等人,2021),且在数据处理流程中也会出现系统性不连续性(Zhang等人,2024)。这些问题严重限制了这些产品在物候研究、碳循环建模及长期植被趋势分析中的应用价值。过去二十年间,遥感学界提出了多种重建方法,以解决卫星衍生植被时间序列中的时空缺失和不一致性问题(AghaKouchak等人,2015)。早期基于频谱-时间分析的方法(Verhoef等人,1996)确立了基本的组合原则,包括萨维茨基-戈莱滤波(Chen等人,2004)、非对称高斯拟合(J?nsson和Eklundh,2004)以及时间序列谐波分析(HANTS)(Roerink等人,2000),这些方法利用高质量观测数据来拟合植被变化轨迹,同时替代有缺陷的检索结果。这些方法有效降低了噪声,提升了时间连续性(Hird和McDermid,2009),使得人们能够提取出如植被生长开始时间和高峰期等物候指标(Beck等人,2006)。然而,这类方法仅依赖时间信息,忽视了空间特征,可能会过度平滑由火灾、干旱或极端气候事件引发的真实扰动,从而削弱那些对扰动监测和物候研究至关重要的时间序列变异特征(Zhu和Woodcock,2014)。在气候变化背景下,植物物候周期发生变化(Cleland等人,2007),因此保持物候特征的准确性尤为重要,这要求重建方法既能保留快速的变化过程,又能消除大气干扰。为纳入空间背景信息,一些时空融合方法,如广义回归神经网络(Xiao等人,2014)和四维变分同化技术(Dente等人,2008),结合了空间相关性与时序特征,为区域应用提供了更优质的重建结果。但这些方法通常在全球范围内采用统一的模型复杂度,无法适应不同类型植被区的差异——从季节变化极小的稳定常绿热带森林,到物候周期明显的季节性温带落叶林,再到经过人工干预而快速变化的农业系统(Friedl等人,2010;Zhang等人,2003)。近期,一些机器学习方法,如GLASS LAI产品,采用了基于多传感器反射率数据训练的广义回归神经网络,实现了自1981年以来的连续全球覆盖(Liang等人,2013;Xiao等人,2014)。不过,直接处理反射率数据往往会平滑由扰动或突发环境变化引起的真实地表异常现象(Kandasamy等人,2013)。虽然传统的时间过滤方法(如SG、HANTS)被广泛用于对LAI和NDVI等植被产品进行后期处理,而机器学习方法则利用反射率数据进行全球范围重建,但这两类方法往往难以在填补数据空白与保留复杂的时空异质性之间取得平衡。因此,一种更为先进的策略是将现有的LAI产品通过时空多传感器融合的方式进行处理,以此在提升一致性的同时保留原有检索方法的物理依据。近期推出的HiQ-LAI和SI-LAI产品便是这种思路的体现。为在提升LAI产品时空一致性的同时避免过度平滑原始数据,Wang设计了HiQ-LAI产品,该产品采用了时空信息组合算法(STICA)(Wang等人,2023),该算法能够根据局部景观的同质性和检索置信度,自适应确定最优的时空邻域大小,并进行加权插值处理。与常规的MOD15A2H产品相比,这种方法可将时间异常降低约40%,同时保持物候变化的真实性,在云层较多且仅有零星有效观测数据的地区表现尤为出色。最新的HiQ-LAI版本通过优化流程将覆盖范围延长至2024年(Yan等人,2024a),而FPAR产品也采用了类似的技术(Yan等人,2025)。不过,HiQ-LAI仅能处理Terra-MODIS的观测数据,无法解决因传感器固有限制导致的广泛时空缺失问题。为克服单一传感器的时间采样限制,Pu设计了SI-LAI产品(Pu等人,2024),该产品通过时空张量建模,整合了Terra-MODIS、Aqua-MODIS和VIIRS的高质量观测数据,从而填补数据空白。这种多传感器融合策略使得每8天可获得多达三次独立观测数据,大幅减少了数据缺失问题,最终形成了覆盖20余年、空间覆盖几乎完整的LAI数据序列。最近的研究还通过基于AVHRR数据的重建方法,将LAI/FPAR数据序列的追溯时间延长到了1981年(Verger等人,2025;Zhao等人,2024),从而实现了对数十年来植被变化的分析。不过,SI-LAI采用固定的全局秩选择方式,未能充分利用空间异质性和植被覆盖信息,因此其在描述复杂多样化景观的时空模式方面存在局限。在SI-LAI的多传感器张量补全框架基础上,我们提出了MUSTI(多尺度时空张量插补)方法。该方法着重于减少时间上的过度平滑,增强空间适应性,并遵循生态学约束,通过统一的迭代优化实现了三项针对性改进。首先,通过加权融合Terra-MODIS、Aqua-MODIS和VIIRS的观测数据,生成经过质量筛选的时空张量后,该框架采用了动态秩自适应机制。这一机制会根据局部奇异值能量分布自动调整张量分解的复杂度,而非依赖预先设定的全局秩,从而能够适应从同质景观到异质景观的不同情况。其次,该方法引入了基于小波的多尺度注意力机制,以保留纯张量分解容易过度平滑的细粒度特征和突然的物候变化。第三,该方法借助土地覆盖分类结果,引入了针对不同生物群落的特定规则化处理,从而确保时间变化模式符合生态系统特性,而非遵循统一的全局约束。这些相互配合的机制共同实现了时空一致性、细粒度特征保留以及生态学合理性的平衡。最后,我们通过多种评估方法验证了MUSTI的性能,包括与地面实测数据的对比、对不同缺失率数据的鲁棒性测试、不同生物群落间的空间一致性分析,以及气候与植被关系保持情况的检测。本文的其余部分结构如下:第2节介绍本研究使用的数据集和研究区域;第3节详细阐述MUSTI算法框架;第4节介绍验证方法和实验设计;第5节分析重建性能及对比结果;第6节讨论在极端数据匮乏情况下算法的稳定性、各组成要素的影响以及未来改进的方向。2. 数据资料2.1 卫星衍生的LAI产品输入数据:为最大化时间覆盖范围,我们整合了三种商用传感器提供的LAI估算值:MOD15A2H(Terra-MODIS,2000–2024)、MYD15A2H(Aqua-MODIS,2002–2024)以及VNP15A2H(VIIRS/Suomi-NPP,2012–2024)(Myneni等人,2015;Yan等人,2021)。所有产品均采用相同的双算法检索框架,以500米分辨率每隔8天输出一次LAI估算值。主算法针对八种不同的生物群落类型进行三维辐射传输反演计算(Knyazikhin,1999;Knyazikhin等人,1998;Myneni,2020;Yan等人,2016a、Yan等人,2016b),而当大气污染导致主算法无法运行时,则会启用备用算法,该算法利用经验性的植被指数关系来进行估算(Friedl等人,2010)。尽管这三种产品采用相同的框架,但由于传感器校准、轨道特性以及观测时间的不同,再加上传感器光谱响应函数、观测几何条件和时间采样模式的差异,它们之间仍存在系统性差异(Liu等人,2017)。多传感器组合方案使得每8天可获得多达三次独立观测数据,从而大幅减少了云层密集地区的数据缺失问题(图1a)。所有数据均来自NASA的LP DAAC网站。下载链接:高分辨率图像下载(941KB)完整尺寸图像下载图1 MODIS LAI数据质量的总体情况及其研究设计。(a) 2022年MOD15A2H产品主算法检索成功的全球分布情况,显示出数据质量的空间差异。百分比越低(红色区域),说明该区域因云层、气溶胶或积雪等大气污染问题而频繁使用备用算法。(b) 研究设计概览,展示了用于算法开发的八块代表性区域(红色矩形),即热带带状区域(23°N–23°S,粉色阴影区域),用于评估区域内的性能表现,以及分布在六大生物群落中的29个GBOV验证站点(蓝色星号)。(c) 2022年八种植被功能类型的检索算法使用比例随时间的变化情况。堆叠柱状图显示了不同算法的相对贡献程度:未饱和状态下的主算法(蓝色)、饱和状态下的主算法(Main-S,红色)、因观测几何条件不佳而使用的备用算法(绿色),以及因其他问题而使用的备用算法(橙色),从而反映了不同生物群落的数据质量特点。(关于图中颜色对应的参考内容,可参阅本文的网络版本。)对比产品:我们将MUSTI与三种现有的重建产品进行了比较。GLASS LAI(v6,北京师范大学开发)采用了基于多传感器观测数据训练的机器学习模型(GRNN)(Liang等人,2021;Liang等人,2013;Xiao等人,2014)。HiQ-LAI则采用了时空信息组合算法(STICA),并结合了质量评估和自适应过滤功能(Wang等人,2023;Yan等人,2024a)。SI-LAI则基于多传感器张量补全技术,并通过基于SVD的迭代优化方法进行改进,但采用了固定的全局秩设置(Pu等人,2024)。2.2 辅助数据土地覆盖分类:MCD12Q1 Collection 6产品利用MODIS观测数据,提供每年500米分辨率的土地覆盖分类结果。我们采用了基于LAI的分类体系,共划分了8种植被功能类型:(1) B1:草地,(2) B2:灌木丛,(3) B3:阔叶作物,(4) B4:稀树草原,(5) B5:常绿阔叶林,(6) B6:落叶阔叶林,(7) B7:常绿针叶林,(8) B8:落叶针叶林。我们使用了2001–2024年的年度分类地图,同时将非植被区域从分析中剔除(Friedl等人,2010;Yan等人,2016a)。地面参考数据:来自29个GBOV验证站点的地面LAI测量数据,这些站点分布于六大生物群落中,用于评估数据的准确性(图1b)。GBOV项目整合了FLUXNET、NEON和VALERI网络中经过质量控制的观测数据,这些数据均采用标准化处理流程进行整合(Baret等人,2006;Brown等人,2020;Fang等人,2012;Wenze Yang等人,2006)。站点选择的标准包括:2013–2024年间至少有20次观测数据、景观相对同质,以及具备可靠的不确定性估算值(Pu等人,2020;Yan等人,2016b)。各站点的具体特征详见表S1。2.3 研究区域我们采用了多尺度评估策略,涵盖了三个相互补充的研究区域(图1b):网格尺度分析:从MODIS的正弦网格中选取了八块2400×2400像素的代表性区域,每个区域以一种植被功能类型为主:h23v04(B1)、h08v06(B2)、h25v06(B3)、h12v03(B4)、h11v09(B5)、h12v04(B6)、h20v02(B7)以及h23v03(B8)。区域尺度分析:热带带状区域(23°N–23°S)云层覆盖严重,气溶胶含量高,因此备用算法的使用频率极高,数据缺失问题也比较突出(图1a、c)。该区域属于光学遥感应用中最具挑战性的环境之一(Whitcraft等人,2015年)。气候梯度分析:我们研究了受降水量限制的区域(澳大利亚东部,南纬20°至40°,东经145°至155°;巴西东北部,南纬3°至12°,西经35°至45°),以及受温度限制的区域(高纬度地区,北纬60°至90°,在4月至5月植被生长期)(Goetz等人,2005年;Yan等人,2016b年)。3. 多尺度时空张量插补方法3.1 输入LAI数据预处理我们综合使用了三种常用的LAI产品——MOD15A2H、MYD15A2H和VNP15A2H——来构建统一的合成数据集。为妥善处理原始质量评估层所具有的定性特征,我们设计了一种定量解码策略。MODIS/VIIRS LAI产品中的质量评估层是一个8位整数,其中包含与算法路径、云状况以及气溶胶浓度相关的定性标识。我们将这些定性标识转换为每个产品的定量二进制权重Mixyt∈{0,1}。具体而言,只有同时满足以下严格条件的像素才会被赋予Mi=1的值:(1)通过主要的3D-RT算法获取数据;(2)无云;(3)气溶胶浓度较低。若像素被云层、积雪覆盖,或是通过经验性备用算法获取数据,则其Mi值为0。对于每一个时空位置xyt,可通过质量加权平均值来计算出综合值X0xyt:(1)X0xyt=∑i=13MixytVixyt∑i=13Mixyt,若∑i=13Mixyt>0,则结果为该值,否则为NaN;其中Vixyt表示第i种产品对应的LAI数值。最终得到的数据集被整理成一个三维张量X0∈?^I1×I2×I3,其中I1和I2代表空间维度(高度和宽度),I3则表示时间长度。使用I1、I2、I3这一表述方式,可避免与后续分解步骤中的张量模式指数n产生混淆。3.2 多尺度时空张量插补方法尽管在预处理阶段采用了多传感器融合技术,但由于持续的云层干扰及数据获取失败,综合张量X0仍存在显著的时空缺失问题。为应对这些挑战,同时克服传统固定秩张量方法易导致的过度平滑问题,我们开发了MUSTI(多尺度时空张量插补)框架(见图2)。MUSTI采用迭代优化策略,整合了三个核心模块:(1)动态秩HOSVD分解,该模块能够根据局部奇异值能量动态调整模型复杂度,从而有效捕捉全局性的时空规律;(2)多尺度注意力驱动的精细化处理,通过基于小波的多尺度注意力机制,恢复精细的物候特征及突发性变化;(3)生物群落约束的正则化处理,通过引入与植被特性相关的时间稳定性先验知识,确保结果具备生态学合理性。通过在每次迭代中结合这些全局性、局部性及生态学约束,MUSTI既保证了时空连续性,又提升了结果的物理合理性。下载:下载高分辨率图像(674KB)下载:下载全尺寸图像图2 MUSTI LAI产品的整体工作流程。3.2.1 动态秩HOSVD分解对输入张量X0进行张量重建的核心目的,是提取植被的全局性时空变化趋势,同时过滤掉高频的大气噪声及零星异常值。在每次迭代k中,高阶奇异值分解会将不完整的张量分解为一个核心张量G以及三个正交的因子矩阵U1×2×U2×3:(2)Xlowk≈G×U1×U2×U3,其中Xlowk表示重构得到的低秩近似张量,×d为模式乘积运算符,下标1、2、3分别对应时空LAI张量的三种不同模式(维度):模式1和模式2代表空间维度(即水平方向和垂直方向的坐标),模式3则代表时间维度。由于固定全球秩会限制其在地形复杂的区域中的适用性,我们采用了动态秩调整机制。每种模式d的秩rd是通过保持一定比例的奇异值能量来动态确定的:(3)rd=min{r:∑i=1rσid2≥τd/∑i=1Idσid2},其中σid是模式d对应的展开矩阵的第i个奇异值,τd为能量阈值(本研究中设置为0.98,详见补充材料)。这个动态确定的秩rd直接决定了核心张量G以及各因子矩阵Ud的维度,进而影响低秩时空基准张量Xlowk的生成。3.2.2 多尺度小波精细化处理模块虽然低秩近似张量Xlowk能够有效捕捉稳定的物候基准特征,但它会不可避免地过度平滑那些真实的细微植被变化(比如作物快速收割、森林的突然破坏等)。为恢复这些重要的生态特征,我们在每次迭代中都对重构得到的张量进行离散小波变换,将其分解为多个不同尺度的频率分量:(4)Xk=Xlowk+∑s=1SXhighks。在LAI时间序列中,低频分量Xlowk代表长期的季节性变化趋势,而高频分量Xhighks则包含了快速的时间变化以及残留的大气噪声。此处所说的“尺度”特指小波分解所得到的不同频率带(比如年度内变化与短期波动)。我们采用了Daubechies 4(db4)小波基函数,共设置三级分解层次(S=3)。为自动区分真正的快速物候变化与传感器噪声,我们设计了基于小波的多尺度注意力机制。尺度依赖的注意力系数αs取决于时空梯度幅值:(5)αsxyt=?Xhighsxyt/∑s′=1S?Xhighs′xyt+δ,其中?Xhighsxyt表示位置xyt处的时空梯度幅值,δ=10?6为防止除以零而设定的稳定常数。该机制会给予那些出现强烈且协同变化的时空梯度的位置更高的权重——这类变化通常是春季植被返青或作物收割等真实生物现象的典型特征——同时降低那些由云层残留导致的孤立、随机波动的权重。最后,通过综合考虑这些经过权重调整的高频细节,重新构建出精细化后的张量:(6)Xrefinedk=Xlowk+∑s=1Sαs⊙Xhighks,其中⊙表示逐元素相乘。这种注意力机制能够在保持时间连续性和空间一致性的同时,增强相关尺度上的物候信号强度。3.2.3 生物群落约束正则化模块为确保结果的生态学合理性,我们还将MODIS土地覆盖图(MCD12Q1)中与不同生物群落相关的约束条件纳入重建过程。对于每一个生物群落b∈1…B,我们首先计算其时间稳定性得分(TSS),以此量化该群落的自然变化程度。随后,会根据该群落的特性动态确定相应的正则化权重λb:(7)λb=βTSSb+ε,其中β为全局缩放因子(本研究中设置为0.1,详见补充材料),ε=10?3用于避免除以零的情况。这种反向关联机制确保了那些稳定性较高的生物群落能获得更强的正则化处理,从而保持其特有的时间变化模式,而变化较为频繁的生物群落则只需较弱的约束,以保留其自然的变异特征。在每次迭代中,都会计算出每个生物群落的平均时间变化轨迹,作为生态学参考值:(8)Xˉbkt=1Nb∑xy:Mxy=bXkxyt,其中Nb为属于生物群落b的像素数量,Mxy为该生物群落的掩膜,Xkxyt则表示在第k次迭代、空间位置xy处的LAI数值。之后,会将计算得到的各生物群落的平均值与正则化权重整合到一个统一的全局优化目标函数中,以此约束重建过程。在第k次迭代时,最终的重建张量Xk1是通过最小化总损失函数L来确定的,该函数由三个部分组成:(9)LXk+1=Ldata+Lbiome+Lsmooth。第一部分Ldata旨在确保重建结果与原始高质量观测数据保持一致:(10)Ldata=PΩXk1X0F2,其中PΩ为观测数据掩膜。第二部分Lbiome则是核心的生物群落约束正则化项:(11)Lbiome=∑t=1I3∑b=1Bλb∥XM=b,tk1?Xˉbkt∥F2,该项会对各个重建像素(XM=b,tk1)与其对应的生物群落平均值(Xˉbkt)之间的偏差进行惩罚,惩罚强度由动态计算的权重λb决定。最后一部分Lsmooth用于确保结果的总体时空平滑性:(12)Lsmooth=η1∥?sXk1∥F2+η2∥?tXk1∥F2,其中?s和?t分别表示空间梯度算子和时间梯度算子。通过这一统一的优化框架,该算法能够借助HOSVD捕捉全局性的时空规律,通过小波注意力机制恢复局部的高频特征,同时还能根据不同的土地覆盖类型,让缺失值向符合生态学规律的变化趋势发展。4. 验证设计与评估指标4.1 基于地面实测数据的验证我们利用29个GBOV监测站点提供的实地测量数据,评估了LAI值的准确度,这些站点涵盖了六种具有代表性的生物群落。对于每一个监测站点,我们都以该站点坐标为中心,选取6×6像素范围(即3公里×3公里)的卫星数据作为分析对象,同时要求卫星数据采集时间与地面测量时间相差不超过4天。只有那些有效像素覆盖率超过80%的监测窗口会被纳入分析范围,因此在2013年至2024年间共有2856组有效的对比数据。我们对比了MUSTI算法与三种独立的卫星产品(MOD15A2H、MYD15A2H、VNP15A2H)的性能。验证统计结果既从整体层面进行分析,也按照不同的土地覆盖类型进行分类,以便了解不同生物群落间的性能差异。4.2 热带地区的性能评估为评估在数据质量持续不佳的情况下,该重建方法的性能表现,我们在云层干扰最为严重的热带地区(北纬23°至南纬23°)进行了专项分析。我们通过比较MOD15A2H、MYD15A2H、VNP15A2H以及MUSTI产品对应的8天周期内的LAI分布情况,来评估空间数据的完整性。至于时间一致性,则通过计算平均时间序列稳定性(TSS)和时间序列异常值(TSA)地图来进行评估,这些地图是基于各产品的全覆盖时间段计算得出的——MOD15A2H和MUSTI的产品覆盖时间为2000年至2024年,MYD15A2H为2002年至2024年,VNP15A2H为2012年至2024年,这样的设置是为了考虑不同传感器的工作时间差异。为了进行定量比较,我们还统计了热带地区内各类TSS和TSA等级(低、中、高、非常高)的像素占比,针对每一种产品分别进行统计。4.3 气候-植被关系的验证为确认重建结果能够保持具有物理意义的 climate-vegetation耦合关系,我们分析了气候受限区域(见2.4节)中LAI值与气候因素之间的相关性。在温度受限区域(北纬60°至90°),我们研究了2000年至2022年间,森林和灌木丛在春季(4月至5月)的LAI异常值与ERA5提供的2米分辨率气温异常值之间的关联关系。在降水量受限区域,我们分析了澳大利亚东部(南纬20°至40°,东经145°至155°)以及巴西东北部(南纬3°至12°,西经35°至45°)的LAI值与降水量异常值之间的年际关联关系,同时还研究了年平均LAI值与年总降水量之间的函数关系,以此判断是否存在饱和现象。所有分析都是分别针对MUSTI算法和MOD15A2H产品进行的,目的是评估两种方法在保持或提升生态系统与气候之间的耦合关系方面的表现。4.4 模拟数据缺失条件下的稳健性测试为在受控条件下评估重建方法的性能,我们选择了八个具有代表性的监测区域(见2.4节),以高质量的MOD15A2H产品数据作为参考,开展了对照实验。我们设计了两种不同的模拟场景:空间缺失场景,即在单个8天周期的合成数据中,以不同比例(10%、30%、50%、70%)人为屏蔽连续的方形数据块,以此评估空间插补能力;时间连续缺失场景,则是在多个连续的8天周期合成数据中,对同一个数据块(屏蔽比例为70%)进行屏蔽,以此测试在持续存在云层干扰情况下的时间缺失填补能力。所有测试都在代表不同植被类型的八个监测区域中进行,旨在了解不同生物群落下的性能差异。5. 结果5.1 与GBOV实测数据的对比验证将MUSTI算法的结果与29个GBOV监测站点的实测数据相比,发现其准确度最高(R2=0.872,RMSE=0.533),远优于其他现有的卫星产品:MODIS Terra的R2为0.843,RMSE为0.587;MODIS Aqua的R2为0.809,RMSE为0.649;VIIRS的R2为0.844,RMSE为0.586(见图3)。散点图显示,现有卫星产品的预测值普遍存在系统性低估现象,点分布均位于1:1直线上方,其中MODIS Aqua的这种情况尤为严重。而MUSTI算法的预测点则更对称地分布在1:1直线附近。这一视觉上的改善也有定量数据予以支持,MUSTI算法的绝对误差最小(MAE=0.405,MAPE=18.54%),且能有效减少系统性偏差(Bias=0.0042),而其他卫星产品的MAPE值则在21.70%到25.79%之间。回归分析结果显示,各卫星产品的回归斜率分别为:Terra为0.902,Aqua为0.922,VIIRS为0.944,MUSTI为0.928;y轴截距分别为:Terra为0.254,Aqua为0.326,VIIRS为0.202,MUSTI为0.160。MUSTI算法的回归参数最接近理想的1:1线性关系。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图3 对比GBOV实测LAI值与各类卫星产品预测值的密度散点图。图中展示了地面实测数据与四种卫星产品预测值的对比情况:(a) MODIS Terra,(b) MODIS Aqua,(c) VIIRS,(d) MUSTI。红色实线表示线性回归拟合曲线,黑色虚线代表1:1的理想关系,红色虚线段则表示±30%的误差范围。颜色深浅代表数据点的密集程度。各子图还展示了相关的统计指标(R2、RMSE、Bias、MAE、MAPE)以及回归方程式。(关于图中颜色标注的含义,可参阅本文的在线版本。)在六个具有代表性的监测站点进行的横向对比分析(见图4)显示,无论在何种类型的生物群落中,MUSTI算法的表现都始终优于其他卫星产品。在森林区域,MUSTI算法的准确度最高(R2为0.86–0.91,RMSE为0.47–0.55),而其他卫星产品的相应数值分别为R2为0.52–0.85,RMSE为0.55–0.79。在季节变化明显的稀树草原区域,LAI值通常会在4到5之间波动,此时MUSTI算法的R2为0.85–0.87,RMSE为0.49–0.65,而其他卫星产品的R2为0.74–0.83,RMSE为0.53–0.72。在农田区域,植被生长季的LAI值通常在3到4之间,而休眠期的LAI值则接近于0,所有卫星产品在该区域的关联度都有所下降(MUSTI的R2为0.76,RMSE为0.46;其他卫星产品的R2为0.58–0.71,RMSE为0.51–0.61)。在草地区域,所有卫星产品给出的关联度都是最低的(MUSTI的R2为0.31–0.72,RMSE为0.38–0.46;其他卫星产品的R2为0.31–0.54,RMSE为0.41–0.58)。在春季植被返青和秋季植被衰老这两个关键时期,MUSTI算法的预测结果与GBOV实测数据的一致性最高。29个监测站点的详细验证统计信息见表S1和表S2。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图4 2013年至2024年间,六种不同生物群落类型代表性监测站点的LAI时间序列对比图。每个子图都展示了MODIS Terra(蓝色)、MODIS Aqua(青色)、VIIRS(黄色)、MUSTI(橙色)算法的预测结果,以及GBOV实测的地面数据(绿色点)。这些监测站点的选择都是为了体现不同植被类型的典型生长特征。(关于图中颜色标注的含义,可参阅本文的在线版本。)按生物群落类型划分的误差分布图(见图5)显示,MUSTI算法在大多数植被类型中的RMSE值均为最低或与其它算法相当。在森林区域,MUSTI算法的RMSE为0.69,低于其他卫星产品的0.80–0.83。热带草原和森林的MUSTI RMSE为0.52,而各类业务产品的RMSE则在0.62–0.70之间。在草地与热带草原中,MUSTI的RMSE为0.40,其他产品的RMSE则在0.44–0.51之间。对于农作物与热带草原而言,MUSTI的数值为0.46,与MOD的0.45相当,但优于MYD的0.61和VNP的0.53。此外,在大多数生物群落中,MUSTI在整体RMSE方面始终优于SI、GLASS和HiQ。不过,对误差分布的直观分析(图5)显示出了不同生物群落的特殊特征。具体来说,在森林生物群落中,尽管MUSTI由于误差方差较小而获得了最低的总体RMSE,但其存在明显的正偏差(均值和中位数均大于0)。相比之下,SI和HiQ这类产品在植被茂密的区域,尽管总体RMSE较高,但其均值差异却更接近于零。这表明MUSTI虽然能有效控制森林中的极端异常值,但相比参考值可能会略微高估LAI值。低生物量生态系统(草地与灌木丛、草原)的误差普遍较低,仅为0.08–0.16,且各产品之间的差异也很小。小提琴图显示,森林和森林-热带草原类别的误差分布更为广泛,尾部更长,而草原和灌木丛地区的误差则集中在接近零的水平。在大多数生物群落与产品的组合中,中位数始终接近于零。我们的基于小波的多尺度注意力机制确保MUSTI能够保留那些剧烈的植被变化(第5.3节,图8),而这些变化对于生态扰动监测至关重要(Chu和Guo,2013)。这使得MUSTI在像常绿阔叶林这样的动态生物群落中具有明显优势,因为它能够捕捉到现有长期记录中常常缺失或被平滑处理的细小特征。最后,通过引入生物群落约束优化,MUSTI产品的最终精度提升了12.2%(从0.271提升至0.238),相比缺乏生态系统特定约束的多传感器产品,其生态合理性更高。与某些生物群落中可能出现不现实LAI轨迹的标准合并数据集不同,MUSTI与气候驱动因素保持着较强的相关性(温度的相关性r > 0.83,降水的相关性r > 0.87)。这种生态一致性对于减少下游碳循环建模和地球系统模拟中的偏差非常重要(Bonan等人,2011),因为物候模式的准确性直接影响模拟出的初级生产力的精确度。

6.2. 相较于SI-LAI的算法改进

MUSTI在SI-LAI的多传感器张量补全框架基础上,进一步引入了三项针对性改进,以解决固定秩分解方法存在的根本缺陷。首先,动态秩自适应机制取代了SI-LAI的全局固定秩,转而根据局部奇异值能量分布自动选择秩数。这使得模型复杂度能够实现自适应调整——在以简单模式为主的均匀草地中使用较低秩数(r = 5–8),而在具有复杂空间结构的异质森林景观中则使用较高秩数(r = 15–20)。分块尺度对比(图7)显示,这种自适应性对异质生态系统尤为有利,在热带常绿阔叶林中,MUSTI的R2值为0.614,而SI-LAI的R2值为0.534;在均匀系统中,两种方法的性能则相当(T1-T2:R2值均为0.82–0.86)。其次,基于小波的多尺度注意力机制解决了张量分解倾向于过度平滑高频植被动态的问题。SI-LAI的纯低秩近似方法不可避免地会削弱快速的物候转变和干扰信号。而MUSTI的基于小波的多尺度注意力机制则通过选择性地恢复那些具有强烈时间梯度区域的高频小波成分,从而保留细小特征,这在春季植被生长和秋季植被衰老期间尤为重要。消融实验(表S2)显示,这一机制可降低14.8%的均方根误差,其在具有明显物候周期的落叶林中的效果最为显著。最终,重构得到的MUSTI产品体现了对这些不同频率尺度的自适应整合。在数据严重缺失时,输出主要受低频尺度控制,以确保季节稳定性;而在生态发生急剧变化时,则会加强高频尺度的权重,以保留清晰、真实的物候转变。这种动态的频域平衡使得MUSTI有别于传统的时间滤波方法(如标准SG滤波),后者通常采用统一的平滑尺度,有可能模糊重要的生态事件。第三,生物群落特定的正则化机制通过源自土地覆盖分类的自适应约束来确保生态合理性。与SI-LAI的全局统一约束不同,MUSTI采用了针对不同植被类型的特定时间变化模式——允许农业系统快速变化,同时在稳定的常绿森林中保持更严格的连贯性。气候-植被关系验证(图9)表明,这种方法能够保持具有物理意义的耦合关系,在高纬度地区温度的相关性可达r > 0.83,在水分受限的生态系统中降水的相关性可达r > 0.87,而SI-LAI的相关性范围仅为r = 0.76–0.81。这些协同改进使得热带地区的时间稳定像素比例从18%(业务产品的平均值)上升到了63%(图8 d1),而整个框架相较于传统的时间滤波方法,能够将均方根误差降低39.3%(表S2)——这一效果远远超过了各组成部分单独贡献之和,充分体现了强大的算法协同性。

6.3. 极端数据匮乏条件下的算法稳健性

在基于卫星的植被监测中,时空数据填补是一个重大挑战,云层覆盖、传感器故障以及轨道限制等因素会导致不规则的数据缺失,从而严重影响产品质量(Fang等人,2019)。近年来,基于张量的重建方法在植被时间序列的重建方面取得了显著进展,相比传统插值方法有了很大提升(Cai等人,2025;Chu等人,2021)。现有的植被参数重建方法在极端数据匮乏条件下会出现严重失效,传统插值方法在高缺失率情况下会产生不真实的伪影(Hird和McDermid,2009),而基于模型的方法则在时间连续性被打断时会出现过度平滑的问题(Kandasamy等人,2013)。在重建其他卫星衍生的环境变量时也出现了类似问题,包括土壤湿度(Rong等人,2025)和植被光学深度(Wang等人,2025)。在热带地区,由于持续的云层覆盖,时空数据缺失问题更为严重(Jamali等人,2015);在历史档案中,传感器老化也会导致大量数据缺失,使得许多观测数据无法使用。目前研究中使用的固定秩张量分解方法无法适应不同的数据稀疏程度(Liu等人,2013),因此在异质景观中会导致欠拟合,而在数据稀少的情况下则会导致过拟合(Bai等人,2022;Cai等人,2025)。为了解决这一根本性问题,我们设计了系统的稳健性实验,以评估MUSTI在各种生物群落中面对可控的空间(图S2)和时间(图S3)数据匮乏场景时的表现。实验结果表明,得益于其自适应框架设计,MUSTI在空间和时间维度上都展现出出色的韧性。在空间层面,随着缺失率从10%上升至70%,MUSTI的均方根误差仅从0.038上升至0.108,呈现出平稳的线性上升趋势,而传统方法则会出现突然的失效现象(Chen等人,2004;Roerink等人,2000)。这种稳健性直接源于第3.3节中介绍的动态秩自适应机制,该机制能够在数据稀少的区域自动降低模型复杂度,以避免过拟合,同时在数据丰富的区域保持足够的灵活性。不同生物群落的敏感度也存在差异——森林地区的均方根误差增加了181%,而草原地区的增幅为110%——这一现象与我们验证结果中发现的景观异质性模式一致(第5.1节),即由于复杂的树冠结构,森林地区的绝对误差始终更高。在时间层面,所有生物群落的重建结果都表现出一致的指数级下降趋势,24天内的误差增幅为5.06–5.09倍,这表明16天的时间阈值对应着植被响应的基本时间尺度,仅靠算法改进是无法突破这一阈值的。除了分别研究空间和时间层面的稳健性之外,这两者之间的非对称下降趋势还揭示了我们多尺度处理框架所具备的关键补偿机制(第3.4节)。当空间覆盖率超过50%时,基于小波的注意力机制能够有效地将时间模式传播到各个空间位置。从算法层面来看,大量有效观测数据的存在使得注意力模块(公式5)能够准确估计区域内的空间梯度。通过给予协调的空间变化更高的权重,该框架迫使缺失像素跟随其周围无云区域的时间轨迹变化。这一机制充分利用了Chen所研究的均匀区域内植被物候的高空间自相关性(Chen等人,2019),从而使张量分解能够借助空间连续性来克服时间上的数据缺失问题。相反,当时间间隔小于8天时,张量分解也能够利用时间连续性来克服高达70%的空间缺失问题,我们在热带地区的分析中就看到了这一现象,尽管存在广泛的空间缺失,TSS值仍提升了61%(第5.3节)。然而,当空间缺失与时间间隔同时出现时,这种补偿机制就会失效——我们的实验显示,当70%的空间缺失与16天的时间间隔同时存在时,均方根误差会超过0.35,这一数值超过了各因素单独作用的效果之和,这也解释了为何在季风地区,当这两种情况同时出现时,业务产品的性能会出现系统性下降。这些发现与张量补全方法的理论基础是一致的,该理论表明,重建精度取决于数据缺失的程度以及底层信号的内在维度(Cai等人,2025;Liu等人,2013)。总体而言,这些研究结果证明了MUSTI是一种在中度到重度数据匮乏条件下进行植被监测的可靠解决方案。不过,它们也明确了性能的临界阈值——当空间缺失率达到70%,时间间隔达到16天时,重建质量就会开始显著下降。在如此极端的条件下,就需要引入替代数据源(如微波遥感)或混合融合方法,才能维持准确的植被监测。

6.4. 局限性与未来改进方向

尽管MUSTI在时空一致性和生态真实性方面取得了显著改进,但目前的框架仍存在一些亟待解决的根本性局限。首先,其对时间间隔的容忍度在连续缺失16天之后就会显著下降。我们的稳健性实验(图S3)显示,与单次间隔相比,16天的缺失会导致均方根误差增加2.2倍,24天的缺失则会使误差增加5.1倍。这反映了在时间自相关性严重受损的情况下,时空插值方法存在的根本局限性,尤其是在那些因持续云层覆盖而出现30–60天连续缺失的热带季风地区。在如此极端的数据匮乏条件下,张量分解主要依赖于空间传播,这可能会引入过度平滑效应,进而削弱快速的物候变化(如突然的植被生长或衰老)。当将MUSTI的输出与高频的现场观测数据相比时,这种削弱效应尤为明显(第5.1节),因为过长的时间间隔会导致季节性峰值变得不那么明显。其次,该框架容易受到输入数据依赖性带来的不确定性影响。生物群落约束正则化机制在很大程度上依赖于MCD12Q1土地覆盖产品的准确性。在那些存在分类错误或实际发生突发性土地利用变化(如快速森林砍伐或城市化)的地区,强行将像素值拉向过时的生物群落特定均值,可能会掩盖真实的生态变化。此外,MUSTI是通过整合Terra-MODIS、Aqua-MODIS和VIIRS的观测数据来构建初始张量的。尽管这些产品采用了相似的反演算法,但由于光谱响应函数和轨道过境时间的差异,它们之间仍然存在固有的传感器偏差。如果在融合之前不进行明确的交叉校准,这些人为的传感器差异就不可避免地会被纳入张量中。因此,动态秩机制可能会为了弥补这些系统偏差而估计出略高的秩数,从而导致重建后的基准数据中仍保留一部分传感器特有的噪声。第三,就验证策略而言,虽然气候-植被相关性分析(第5.4节)表明MUSTI能够保留宏观的生态响应,但它作为一种衡量绝对精度的指标仍存在局限性。重建得到的LAI与气候驱动因素(温度或降水)之间的高相关性,主要只能证明该产品捕捉到了共同的气候周期性,而无法证明LAI数值本身的结构真实性。因此,基于现场的验证(第5.1节)仍然是评估像素级精度最严格的基准。目前的计算资源限制了MUSTI在大规模业务应用中的部署。要处理2000–2024年的全球LAI数据集,需要在拥有强大内存资源(1 TB RAM)的高性能计算平台上运行大约15小时,这反映了高维张量运算的固有复杂性。未来的研究将致力于通过多项针对性改进来解决这些局限性。为了解决基于张量的滤波方法在时间序列起始点(2000年)和结束点(2024年)处常见的边界效应,未来的实现方案将在分解之前加入气候学上的填充处理或镜像扩展策略。此外,我们还计划利用最终的重建残差(即高质量原始观测数据与MUSTI输出结果之间的差异)来建立逐像素的置信区间,这对于后续的建模应用来说至关重要。最后,整合动态变化检测掩码,以便在发生突发性生态扰动时灵活调整生物群落约束,以及运用混合物理引导的深度学习框架来加速张量迭代过程,这些都是开发下一代业务级植被产品的重要方向。

7. 结论

本研究提出了MUSTI,这是一种全新的多尺度时空张量插补框架,它通过三项集成创新显著提升了全球LAI产品的质量。通过整合Terra-MODIS、Aqua-MODIS和VIIRS的多传感器观测数据,结合动态秩张量分解、基于小波的多尺度注意力机制以及生物群落特定的生态约束,MUSTI有效解决了现有业务产品所面临的诸多根本性问题。通过对29个GBOV监测点的全面验证,该框架展现了出色的精度(R2 = 0.872,RMSE = 0.533),尤其在时间一致性方面取得了显著提升——在热带地区,稳定像素的比例提升了三倍,时间异常现象则减少了61%。在该框架下,即使在极端数据匮乏的情况下,其性能也能保持良好,所有生物群落中单次间隔导致的均方根误差都能控制在0.14以下,不过一旦出现连续16天的时间间隔,由于时间自相关性的衰减,性能就会大幅下降。消融实验表明,该框架的各个组成部分之间存在强烈的协同作用,整个系统相比传统的基于多传感器融合与Savitzky-Golay滤波的时间过滤方法,性能提升了39%。尤为重要的是,重建得到的产品能够在温度受限(r > 0.83)和降水受限(r > 0.87)的生态系统中保持符合物理规律的气候-植被关系,从而验证了其生态一致性。由此产生的无缺失、时间稳定的LAI数据集,为那些需要长期稳定植被观测的应用提供了坚实的基础,这些应用包括物候研究、碳循环建模、农业监测以及气候变化影响评估等。未来的工作应探索结合物理引导的深度学习方法,以降低计算成本,并通过与动态植被模型的整合来提高对时间间隔的容忍度。

数据与代码获取说明

MUSTI框架的核心算法实现、使用文档以及一部分示例数据(包括验证监测点的时间序列数据和样本分块数据)均已通过GitHub仓库公开发布(https://github.com/Gardenias-123/MUSIT_LAI_FPAR)。通过开源核心模块,我们让用户能够根据自身的具体空间和时间需求,定制生成高分辨率的MUSTI LAI/FPAR产品。由于数据量巨大且终端用户需求多样,完整的高分辨率数据集并未直接提供;不过,目前正在制作分辨率为5公里的简化版全球数据集,未来将会发布。CRediT作者贡献说明:余新培:方法论、原始稿撰写、验证、可视化。严凯:审稿与编辑、概念设计、监督。蒲佳斌:审稿与编辑、方法论。刘金秀:审稿与编辑。吴锦:审稿与编辑。亚历山大·J·温克勒:审稿与编辑。王桥:审稿与编辑。余新培|严凯|蒲佳斌|刘金秀|吴锦|亚历山大·J·温克勒|王桥
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号