Google Earth Engine（GEE） ——使用gee的通用精细分辨率FPAR估计，随机森林或多元线性回归方法

为了在更精细的尺度上对陆地表面过程进行建模，迫切需要对吸收的光合有效辐射（FPAR）的精细分辨率部分进行准确的估计。虽然传统的方法难以兼顾普遍性、效率和准确性，但以粗分辨率产品为参考的方法对细分辨率FPAR的运行估计很有希望。然而，目前的方法面临着粗分辨率FPAR产品中FPAR-反射关系代表性不足的主要问题，特别是对于植被茂密的地区。为了克服这一局限性，本文开发了一种增强的缩放方法，提出了一个去除离群点的程序和一种对所选样本进行加权的方法，并通过粗分辨率FPAR产品和汇总的细分辨率表面反射率之间的加权多元线性回归（MLR）建立FPAR模型。同时，还实施了随机森林回归（RFR）方法进行比较。这两种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仪（MODIS）FPAR数据。它们的性能在区域范围内进行了一整年的测试。增强的缩放方法的结果更接近现场测量（RMSE=0.058和R 2=0.768），与MODIS FPAR（RMSE=0.091和R 2=0.894）相比，与RFR的结果更一致，特别是在植被密集的像素上。这表明一个设计良好的基于MLR的简单方法可以胜过更复杂的RFR方法。与RFR方法相比，增强的缩放方法对训练样本的数量也不太敏感。此外，这两种方法对土地覆盖图都不敏感，其计算效率取决于要估计的图像数量。

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

MCD15A3H V6 level 4, C