Google Earth Engine（GEE） ——使用gee的通用精細分辨率FPAR估計，随機森林或多元線性回歸方法

為了在更精細的尺度上對陸地表面過程進行模組化，迫切需要對吸收的光合有效輻射（FPAR）的精細分辨率部分進行準确的估計。雖然傳統的方法難以兼顧普遍性、效率和準确性，但以粗分辨率産品為參考的方法對細分辨率FPAR的運作估計很有希望。然而，目前的方法面臨着粗分辨率FPAR産品中FPAR-反射關系代表性不足的主要問題，特别是對于植被茂密的地區。為了克服這一局限性，本文開發了一種增強的縮放方法，提出了一個去除離群點的程式和一種對所選樣本進行權重的方法，并通過粗分辨率FPAR産品和彙總的細分辨率表面反射率之間的權重多元線性回歸（MLR）建立FPAR模型。同時，還實施了随機森林回歸（RFR）方法進行比較。這兩種方法都特别适用于谷歌地球引擎上的Landsat 8 OLI和中等分辨率成像分光儀（MODIS）FPAR資料。它們的性能在區域範圍内進行了一整年的測試。增強的縮放方法的結果更接近現場測量（RMSE=0.058和R 2=0.768），與MODIS FPAR（RMSE=0.091和R 2=0.894）相比，與RFR的結果更一緻，特别是在植被密集的像素上。這表明一個設計良好的基于MLR的簡單方法可以勝過更複雜的RFR方法。與RFR方法相比，增強的縮放方法對訓練樣本的數量也不太敏感。此外，這兩種方法對土地覆寫圖都不敏感，其計算效率取決于要估計的圖像數量。

MCD15A3H.006 MODIS Leaf Area Index/FPAR 4-Day Global 500m 

MCD15A3H V6 level 4, C