**基于地理加权堆叠集成学习的植被光学厚度空间降尺度框架**

《Ecological Indicators》：A spatial downscaling framework for vegetation optical depth based on geographically weighted stacking ensemble learning

　　

植被光学厚度（Vegetation Optical Depth，VOD）是从被动微波遥感中获取的重要植被参数，被广泛用于表征植被冠层含水量和地上生物量。然而，被动微波观测通常具有较粗的空间分辨率，因而现有VOD产品难以捕捉植被状况的细尺度空间异质性，限制了其在区域植被动态监测和生态评估中的应用。VOD空间降尺度对于生成能够更好刻画细尺度植被变异性的高分辨率产品至关重要。本研究旨在为地形异质性显著的长江经济带开发一个高分辨率VOD降尺度框架。研究人员使用了2023年1月至12月的0.1° Ku波段AMSR2（Advanced Microwave Scanning Radiometer 2）VOD数据，以植被数据、气象数据和地形数据作为输入变量，选取随机森林（Random Forest，RF）、极端梯度提升（Extreme Gradient Boosting，XGBoost）和轻量梯度提升机（Light Gradient Boosting Machine，LightGBM）三种机器学习模型作为基学习器，并以地理加权回归（Geographically Weighted Regression，GWR）作为元学习器，构建了地理加权堆叠集成学习（Geographically Weighted Stacking Ensemble，GWSE）降尺度模型，实现了VOD空间分辨率从0.1°到0.01°的提升。结果表明，GWSE模型的精度（R²=0.702，RMSE=0.180，MAE=0.124）优于三种单一机器学习模型。降尺度后的VOD呈现出更精细的空间细节，同时保持了与原始数据一致的空间分布格局和时间变化特征。降尺度VOD与植被指数之间的空间相关性有所增强。该研究结果为区域尺度高分辨率VOD产品的构建提供了新方法，并为植被动态监测和生态环境评估提供了更详尽的数据支持。

**基于地理加权堆叠集成学习的植被光学厚度空间降尺度研究——论文解读**

**一、研究背景与问题提出**

植被是陆地生态系统的关键组成部分，在全球能量、水分和碳循环的调控中发挥着不可替代的作用。准确及时的植被信息对于量化生态系统生产力、监测植被对气候变化和环境干扰的响应以及评估生态系统健康与可持续性至关重要。植被光学厚度（Vegetation Optical Depth，VOD）是从被动微波遥感中反演得到的重要植被参数，可有效表征植被冠层含水量和地上生物量。与传统的归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）和增强型植被指数（Enhanced Vegetation Index，EVI）等光学植被指数相比，VOD受云覆盖和大气条件的影响较小，能够在不同天气条件下实现连续观测，尤其在高植被密度区域具有独特的应用优势。

然而，由于被动微波传感器所采用的较长波长以及卫星天线尺寸的限制，现有VOD产品普遍存在空间分辨率较粗的问题。目前主流VOD产品的空间分辨率从约9公里到25至40公里不等，难以充分捕捉复杂地形或异质性植被分布区域的细尺度空间变异，限制了其在区域生态评估中的应用。因此，如何有效提升VOD产品的空间分辨率已成为微波遥感研究的重要方向。

现有VOD降尺度方法大致可分为两类：一是基于统计回归或机器学习模型建立VOD与高分辨率辅助因子之间定量关系的方法；二是通过时空融合技术整合不同分辨率观测数据的方法。然而，单一机器学习模型在高维特征空间中容易过拟合，且难以同时兼顾全局拟合精度与局部空间变异的表征。传统的集成学习模型虽可通过整合多个基学习器来提升预测稳定性和泛化能力，但其通常假设预测变量与目标变量之间的关系在整个研究区内保持一致，难以有效适应因植被条件、气候状况和地形背景差异而产生的空间非平稳关系。

为克服上述局限性，近年来的研究尝试将地理加权回归（Geographically Weighted Regression，GWR）与集成学习相融合。GWR作为一种允许模型参数随地理位置变化而变化的空间回归方法，能够有效刻画变量关系的空间异质性。将GWR与集成学习相结合，可以在保持集成学习非线性建模优势的同时，实现对空间局部变异特征的自适应捕捉。本研究即在此背景下，以地形异质性显著的长江经济带为研究区，提出并构建了地理加权堆叠集成学习（Geographically Weighted Stacking Ensemble，GWSE）框架用于VOD降尺度，旨在为复杂地形区域高分辨率VOD产品的构建提供新的方法支撑。

**二、关键技术与方法概述**

本研究以2023年1月至12月长江经济带的0.1°空间分辨率Ku波段AMSR2 VOD日值数据为降尺度目标。辅助数据来源广泛，包括MODIS（Moderate Resolution Imaging Spectroradiometer，中分辨率成像光谱仪）系列产品（MOD13A2提供的NDVI与EVI、MOD15A2H提供的叶面积指数LAI（Leaf Area Index）、MOD11A1提供的地表温度LST（Land Surface Temperature）、MCD12Q1提供的土地覆盖、MOD17A2HGF提供的总初级生产力GPP（Gross Primary Productivity））、中国区域1000m分辨率气象数据集（气温和降水）、SRTM（Shuttle Radar Topography Mission，航天飞机雷达地形测绘使命）地形数据（DEM（Digital Elevation Model，数字高程模型）、坡度和坡向）。所有数据经时间聚合（VOD日值合成为月均值、植被指数取月最大值、气温和地表温度取月均值、降水取月累积值）和空间重采样至0.1°与0.01°两个分辨率后，以0.1°数据用于模型训练，0.01°预测因子数据用于最终降尺度预测。

模型构建的核心思路如下：首先，利用SHAP（Shapley Additive exPlanations，沙普利可加性解释）方法对初始15个候选因子进行重要性排序与筛选，最终保留DEM、坡度、土地覆盖、NDVI、LAI、EVI、滞后一月的地表温度、滞后一月的气温、滞后两月的降水以及月份共10个预测因子。其次，以随机森林（RF）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）作为第一层基学习器，分别提取VOD与辅助变量之间的非线性关系。然后，采用五折交叉验证策略生成各基学习器的袋外预测结果，组合为新的特征矩阵。最后，以地理加权回归（GWR）作为第二层元学习器，对各空间位置上的基学习器输出进行局部加权融合，构建GWSE模型，将VOD从0.1°分辨率降尺度至0.01°。此外，还以线性回归和岭回归作为全局元学习器构建传统堆叠模型用于对比。模型性能采用决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）及皮尔逊相关系数（r）进行评估。

**三、主要研究结果**

**3.1 降尺度因子筛选结果**

SHAP分析显示，VOD的时空变异并非由单一变量主导，而是受植被状况、气候因子、地形条件及季节性的联合影响。变量间的交互效应分析表明，NDVI对VOD的贡献随植被覆盖度增加而增强，且在高NDVI条件下，低海拔区域的正向SHAP（SHapley Additive exPlanations）值更高。在NDVI较高时，生长季月份呈现显著更高的SHAP值；同时，较高NDVI与较多的前期降水组合通常对应更大的SHAP值，反映了VOD对降水的滞后响应。滞后一月气温与VOD呈非线性关系，且在不同高程带间存在明显差异。

**3.2 单一机器学习模型性能对比**

在三种单一机器学习模型中，LightGBM取得了最佳性能（R²=0.611，RMSE=0.203，MAE=0.148），其次为XGBoost（R²=0.605，RMSE=0.204，MAE=0.150）和RF（R²=0.579，RMSE=0.211，MAE=0.156），表明LightGBM在捕捉多源环境预测因子间复杂非线性关系方面具有更强的能力。

**3.3 GWSE模型性能评估**

GWSE模型在所有评估指标上均优于各对比模型：R²达到0.702，RMSE降至0.180，MAE降至0.124。以线性回归和岭回归为元学习器的传统堆叠模型（Stacking-LR和Stacking-Ridge）性能相当（R²均为0.597），但均略逊于最佳单一模型LightGBM。降尺度前后的VOD在区域尺度上整体空间分布格局一致，但0.01°降尺度VOD展现出更丰富的空间细节，在复杂地形和不同土地覆盖类型交错区域，高植被覆盖区与低植被覆盖区之间的空间梯度更为显著。

**3.4 降尺度结果的验证**

在基于聚合的一致性验证方面，将降尺度后的0.01° VOD重采样至0.1°后与原始VOD进行像元对像元比较，全年R²达0.702。逐月检验显示，10月至次年6月模型保持较高精度（R²均高于0.7），12月和2月表现最优（R²=0.768），而生长旺季的7月和8月R²分别降至0.605和0.535。

在空间一致性验证方面（P<0.001），降尺度VOD与NDVI、EVI、LAI和GPP的年平均空间相关系数分别从原始的0.362、0.210、0.305、0.276提升至0.442、0.240、0.424、0.362，其中与LAI相关性的提升最为显著。

在时间一致性验证方面，五个土地覆盖类型（常绿针叶林ENF（Evergreen Needleleaf Forest）、常绿阔叶林EBF（Evergreen Broadleaf Forest）、混交林MF（Mixed Forest）、草地GRA（Grassland）和农田CRO（Cropland）以及整体植被覆盖区域）下，降尺度前后VOD的月均值时间序列相关系数均大于0.900，草地、农田及整体植被覆盖区的相关系数分别高达0.993、0.992和0.997。

**四、讨论与结论**

研究表明，GWSE框架可有效整合多种基学习器的互补预测优势，并借助GWR作为空间变化元学习器的局部加权能力，适应不同环境条件下变量关系的空间变异，从而在VOD降尺度中获得优于单一机器学习模型的性能。SHAP分析进一步揭示，VOD的时空变异受地形条件、植被状况及前期气候条件的共同驱动，且各驱动因子之间存在明显的非线性交互效应，反映了植被对降水与气温响应的累积性和滞后性特征。

本研究存在以下局限：由于缺乏地面实测VOD数据和高分辨率VOD产品，降尺度结果的验证主要依赖与NDVI、EVI、LAI和GPP等植被参数的相关性分析，属于间接验证；此外，研究仅基于2023年数据，模型在不同年份的适用性尚需进一步分析；辅助变量在月合成、重采样和尺度匹配过程中也可能引入误差。

研究结论如下：（1）GWSE降尺度框架在所有评估模型中取得最高预测精度（R²=0.702，RMSE=0.180，MAE=0.124），优于单一LightGBM、XGBoost和RF模型。（2）降尺度后的0.01° VOD在保留原始0.1° VOD整体空间分布特征的同时呈现了更精细的局部空间信息，降尺度VOD与植被指数的空间相关性得到增强，且不同土地覆盖类型下降尺度前后的月均值变化趋势总体保持一致，时间相关系数达0.996，表明该方法可在提升空间分辨率的同时保持VOD的时间变化特征。（3）特征重要性分析表明，DEM、坡度和土地覆盖在塑造VOD空间分布中发挥关键作用，植被指数和滞后气象因子对模型亦有重要贡献，说明VOD受地形条件、植被状况及前期气候条件的联合影响。总体而言，GWSE方法可有效实现复杂地形区域的VOD空间降尺度，所生成的0.01° VOD数据为长江经济带的区域生态监测、植被动态分析和生态系统管理提供了有价值的支撑。