近日，地学学院尹高飞教授团队在高分辨率、时空连续植被参量反演领域取得新进展，构建了一种植被光合有效辐射吸收比(FAPAR)深度学习反演方法，并生成了中国区域高精度、高分辨率时空无缝FAPAR遥感数据产品。该研究成果已发表于遥感领域国际顶级期刊Remote Sensing of Environment。课题组张国东助理教授为第一作者，尹高飞教授为通讯作者。

FAPAR是衡量陆地生态系统固碳能力的关键指标。以往的中低分辨率FAPAR遥感产品虽然支持了全球植被动态研究，但难以刻画复杂地表的空间异质性，限制了局地精细尺度应用。该研究提出两步法解决了这一难题：首先，在晴空条件下，利用预先训练的随机森林回归模型从陆地卫星(Landsat)地表反射率观测中反演FAPAR；然后，应用带有注意力合优化机制的新型双向时间卷积网络(SSA-BiTCN-Attention)重建缺失的FAPAR值。研究结果表明，该方法能准确预测不同土地覆盖类型的缺失FAPAR值，均方根误差在0.08至0.12之间。通过与地面实测数据对比验证，估算的Landsat FAPAR与地面测量结果高度一致，决定系数(R⟡)值在0.82至0.92之间。应用该方法生成了中国地区2013至2023年间30米分辨率、16天间隔的无缺失FAPAR产品。

图1 产品反演技术流程

图2 中国FAPAR产品展示

该研究得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划（2023YFF1303602)支持。

论文详细信息：Guodong Zhang, Gaofei Yin*, Wei Zhao, Meilian Wang, Aleixandre Verger, 2025. A deep learning method for generating gap-free FAPAR time series from Landsat data. Remote Sensing of Environment, 326:114783.

链接：https://www.sciencedirect.com/science/article/pii/S0034425725001877

供稿：张国东

审校：尹高飞