研究背景

归一化植被指数（NDVI）时间序列数据是全球和区域植被监测的重要指标。然而，受遥感卫星观测时间和分辨率的限制，尚缺乏一套时空连续的长时序数据集，造成目前植被长时间变化监测存在极大的不确定性。

研究方法

本研究联合MODIS和AVHRR植被指数时序产品，利用随机森林（RF）降尺度建模方法研发了一套1982-2020年旬尺度长时序植被指数数据集，空间分辨率达到250 m。

研究结果：降尺度产品与MODIS标准植被指数产品相比，均方根误差（RMSE）介于0 ~ 0.075，平均绝对误差（MAE）介于0 ~ 0.05，R²值大多高于0.7。

研究结论

本研究生产的NDVI长时间序列产品精度可靠，在陆地生态系统的长期动态监测方面具有很大的潜力。

关键词

高寒草地、长时序、机器学习、NDVI

近年来，随着全球气候变化，特别是气温升高，已经对生态系统产生了重大影响（Landman, 2010; Li et al., 2018）。青藏高原作为全球变暖的警示区和敏感区（Liu＆Chen，2000），在过去的几十年里，经历了快速的气候变暖，其变暖速率是全球平均值的两倍（You et al., 2016）。全球气候的持续变化将加剧对生态系统的影响（Li et al., 2018; Warren et al., 2011; Wu et al., 2019）。卫星遥感因其覆盖范围广、时空精度高等特点已成为目前描述植被动态变化最常用的监测手段（An et al., 2015）。归一化植被指数（NDVI）是最广泛应用于反映植被吸收和反射特征的植被指数之一（Huete et al., 2002; Tucker, 1979），以其计算简单、植被监测灵敏度高、高时空适应性强等优点成为评价区域和全球植被变化的重要指标（Cui & Shi, 2010; Jiang et al., 2006; Lan & Dong, 2022; Martinez & Labib, 2023）。

目前，长时间序列植被指数产品主要包括GIMMS 和MODIS NDVI产品。其中GIMMS NDVI（1981-2015）是由美国国家海洋和大气管理局（NOAA）极轨卫星系列的AVHRR传感器生产的长时间序列植被指数产品，时间分辨率为15 d，空间分辨率为8 km，该产品消除了火山爆发、太阳高度角和传感器灵敏度随时间变化等的影响，在全球范围得到了广泛应用(Pinzon & Tucker, 2014; Tucker et al., 2005)。然而，由于其较低的空间分辨率，无法捕获异质性生态系统和土地覆盖变化所需的精细尺度细节（An et al., 2018;Chen et al., 2021）。MODIS NDVI（2000-）数据被看作是AVHRR NDVI数据的改进版，提高了空间分辨率和对叶绿素的敏感性，消除了水汽干扰，减少了辐射失真，并调整了合成方法（van Leeuwen et al., 2006）。除此之外，Landsat卫星系列也可提供1972年至今的长时间高分辨率植被指数观测数据，但受限于16天的重访周期，以及云层遮挡导致的信息缺失（Anderson et al., 2021; Sano et al., 2007），使得一年中无云观测值非常有限（Cao et al., 2020; Ju & Roy, 2008; Shen, Li, et al., 2015; Shen, Piao, et al., 2015）。

已有研究（Du et al., 2014）指出，GIMMS NDVI和MODIS NDVI在青藏高原地区的空间格局和动态趋势基本一致。这两种数据集之间呈现出较高的像素相关性，说明它们具有相同的捕捉植被生长周期的能力（Fensholt & Proud, 2012）。在青藏高原地区，与世界其他干旱地区（Fensholt et al., 2012; Ma et al., 2022）相比，这两种数据集之间的相关性和差异性结果更为显著。然而，不同的数据集在空间和时间尺度上仍存在差异（Marshall et al., 2016; J. Zhou et al., 2015）。单一数据源在时序分析中受到限制，难以实现长期序列分析，并且基于植被指数产品监测植被动态的相关研究存在争议（Ding et al., 2015; Nagol et al., 2014; Zhang et al., 2013）。在早期的研究中，许多学者利用GIMMS NDVI产品探讨植被变化趋势，揭示了2000年之后全球绿化趋势出现停滞甚至逆转（Yuan et al., 2019）。在青藏高原地区，2000-2015年MODIS和SPOT表现出明显的绿化，而GIMMS则表现出明显的褐化（Ding et al., 2007; Liu et al., 2022; Zhang, Cheng, et ai., 2022; Zhong et al., 2019; Zhou et al., 2007）。此外，有研究发现在2000年代，上述三种NDVI产品在高原西南部的生长季节出现褐变（Shen, Li, et al., 2015; Shen, Piao, et al., 2015），但运用MODIS产品的相关研究发现高原西南部的NDVI从2000年代到2010年代出现由褐到绿的逆转（Li et al., 2020）。目前有两种方法：一种是通过校正没有轨道漂移时的NOAA或AVHRR传感器未退化时的NDVI数据（Jiang et al., 2008; Pinzon & Tucker, 2014），另一种是利用其他传感器校正AVHRR NDVI具有重叠观测期的数据（Cao et al., 2004; Tucker et al., 2005）。然而，如果不充分了解每个时期的产品精度并考虑校正模型参数的动态变化，准确校正NDVI产品是一个挑战。因此，为解决这一问题，我们将致力于生产一套时空连续的高分辨率NDVI产品，以改善当前植被监测手段的可靠性和精度，为更准确地理解植被生态系统的变化趋势提供有力支持。

数据融合算法有助于结合不同传感器的优势，分别在空间、光谱或时间维度上提高融合产品的时空分辨率（Cheng et al., 2020; Lima et al., 2021; Moreno-Martinez et al., 2018; Zurita-Milla et al., 2009）。早期卫星空间分辨率普遍较低的情况下，利用地理加权线性混合模型对AVHRR NDVI产品进行了尺度下推，但土地覆盖类型的差异使得该模型产生较大的不确定性，误差较大（Kerdiles & Grondona, 1995; Somers et al., 2011）。利用时空自适应反射率融合模型（STARFM）融合Landsat和MODIS数据可以生产空间分辨率更高的地表反射率时序数据（Gao et al., 2006）。基于Landsat和MODIS数据，利用改进后的残差卷积神经网络模型，可以获得三江源头地区长期归一化差值植被指数（NDVI）时间序列（Sun et al., 2024; Sun & Wang, 2022）。然而，这些降尺度方法在高度破碎和异质性斑块中估计精度会下降（Cui et al., 2018）。另外，降尺度数据可能比原始数据包含更多的信息，但由于数据融合的不准确性，或许会造成信息损失，并可能会在精细尺度分辨率的转换中产生空间配准有误（Yu et al., 2013），以及无法忽略的误差（Ge et al., 2019; Qu et al., 2021）。

随着遥感图像处理技术的不断更迭，随机森林（RF）、支持向量机（SVR）、高斯过程回归（GPR）、人工神经网络等机器学习算法在遥感数据尺度转换和时空建模方面表现出良好的性能（Ali et al., 2021; Huang et al., 2023; Karbalaye Ghorbanpour et al., 2021; Liu et al., 2020; Sdraka et al., 2022; Yan et al., 2021）。其中RF相较于长短期记忆人工神经网络（LSTM）方法在重建NDVI时间序列产品方面表现更佳（Sun, Gong, et al., 2023; Sun, Li et al., 2023）；RF模型融合AMSR-E和MODIS数据能有效避免过度平滑，获取的LST更符合实际情况（Zhang, He, et al., 2022）；基于RF、SVM、Cubist三种机器学习方法进行蒸散发降尺度，RF模型产生的误差最小，证明了RF在尺度转换方面的潜力（Ke et al., 2016）。此外，RF模型对高维数据具有更好的处理能力，并能包含更多与目标变量相关的因素，以提高模型的解释和预测精度（Li et al., 2023）。

因此，本研究通过对GIMMS和MODIS交叉时段植被指数的分析，结合地形等辅助因子，利用RF算法进行时空建模，生产一套1982-2020年250 m空间分辨率的青藏高原NDVI逐月降尺度产品。

研究区域

青藏高原位于中国西南地区，平均海拔在4000 m以上（图 1a），是世界上面积最大，海拔最高的高原，素有“世界屋脊”之称（Ding et al., 2023）。我国境内部分西起帕米尔高原，东至横断山脉，横跨31个经度，面积约为257.24万km²，约占我国陆地总面积的27%（Yao et al., 2012）。青藏高原作为高山高原气候区，植被类型以草地植被为主，草地类型主要有高寒草甸、高寒草原、高寒荒漠草原等（Wu et al., 2007）（图 1b），使得该地区成为中国最重要的牧区之一（Wu et al., 2007; Yuan et al., 2022）。因此，生产长时序、高分辨率的NDVI数据集对该区域的植被长期变化监测具有重要的参考价值，可为该区域的生态环境监测和可持续发展提供坚实的数据基础。

图1 研究区域地图。（a）青藏高原的数字高程模型；（b）草地类型；1：高寒草甸；2：高寒草原；3：高寒荒漠草原；4：山地草甸；5：高寒荒漠；6：高寒草甸草原；7：温性草原；8：温性荒漠；9：低地草甸；10：其他。

数据来源

MODIS NDVI数据来源于NASA MODIS陆地产品组根据统一算法开发的MODIS植被指数产品，从MODIS Web网站（https://modis.gsfc.nasa.gov/）下载本文所采用的时间分辨率为16 d，空间分辨率为250 m的MOD13Q1 NDVI数据集。该产品时间范围为2000年2月28日至2020年12月31日，利用MODIS数据重投影工具（MODIS Reprojection Tools，MRT）将各瓦片数据拼接，投影定义为WGS1984/Albers。

GIMMS NDVI 3g产品由美国国家和大气管理局（NOAA）极地轨道气象卫星上的高级甚高分辨率辐射计（AVHRR）传感器提供（https://ecocast.arc.nasa.gov/data/pub/gimms）。该产品在1982-2015年间问世，时间分辨率为15 d，空间分辨率为8 km，消除了火山爆发、太阳高度角和传感器灵敏度随时间变化等的影响，在全球范围得到了广泛应用（Pinzon & Tucker, 2014; Tucker et al., 2005）。虽然这两个数据集在植被的月际和年际变化方面相对一致，但NDVI峰值出现的时间存在显著差异（图 2），这为植被物候的研究带来了不确定性。因此，为了解决数据差异造成的不确定性，我们基于上述两个数据集生产了一套长时间序列，高分辨率的NDVI数据集。

图2  基于AVHRR GIMMS NDVI 3g 数据集和MODIS NDVI 数据集的2001至2015年青藏高原NDVI月度变化。

研究使用的DEM数据由国家地理空间情报局（NGA）和国家航空航天局（NASA）运营的航天飞机雷达地形测绘任务（SRTM）提供（Rodriguez et al., 2006; Schneider & Reinartz, 2009）。现有的DEM数据空间分辨率包括30米和90米，可通过http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp访问获取。数字高程模型、经度和纬度可以说明青藏高原某一区域的水热条件，从而深入了解植被的地带性变化，有助于更精确地预测空间变化和植被分布（Li et al., 2023）。

数据预处理

通过应用Albers投影系统和WGS 1984坐标系，实现不同空间纬度数据的整合。利用最大值合成（MVC）方法将MODIS和GIMMS NDVI结果整合为每个像元的月时间序列，该方法从每个月内所有可用的NDVI观测值中提取像素级的最大NDVI值（Faisal et al., 2019）。然后利用最邻近方法对GIMMS数据进行重采样到250 m，使其与MODIS NDVI的分辨率相匹配。同样，我们也使用最近邻方法将90 m分辨率的DEM重新采样到250 m。选取GIMMS和MODIS两种数据集交叉时段（2001-2015）进行模型构建和评估，其中，以奇数年数据构建逐月降尺度模型，以偶数年数据评估降尺度产品的精度。

随机森林

随机森林是一种集成学习方法，通过构建多个决策树并对其进行投票或平均来提高预测的准确性和稳定性。考虑到Landsat数据无法每日获取,以及其与GIMMS NDVI在空间分辨率上存在显著差异，我们认为GIMMS NDVI和MODIS NDVI由于其匹配的时间分辨率和重叠的时间段,是模型构建的理想数据源。在模型训练阶段，我们仔细筛选对NDVI有显著作用的辅助数据作为回归变量，以提高模型的预测准确性和解释能力。NDVI随机森林降尺度模型是一种利用变量间非线性统计关系的机器学习技术，建立一组回归解释变量与NDVI之间的映射关系，从而生成高空间分辨率的NDVI数据。具体步骤如下：1）MODIS NDVI作为目标变量，具有相同分辨率的GIMMS NDVI、DEM、经度和纬度作为回归解释变量，构建随机森林降尺度模型。2）输入不同参数并比较测试集和训练集的结果，以评估模型的性能和数据拟合效果。3）调整模型参数以创建不同的模型，比较它们的性能，并选择最优模型。

精度评估

用三种标准指数均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）验证MODIS NDVI数据和降尺度NDVI数据之间的误差，并使用2001-2015年中偶数年84个月的时间框架来避免数据过拟合。各个指标计算公式如下：

式中,为MODIS NDVI产品数值,为降尺度NDVI产品的拟合值，N代表参与检验的像元数目。

趋势检验

为验证降尺度产品在长期植被监测中的表现，我们同时使用GIMMS NDVI、MODIS NDVI和降尺度NDVI产品进行Mann-Kendall 检验和Sen’s 斜率估计，比较三个数据集在像元尺度上的变化趋势。Sen’s 斜率是一种非参数统计时间序列变化趋势的方法，可以在接受重要数据分布的同时减少异常值的错误影响。我们计算了标准化检验统计量Z值，用于衡量时间序列的变化趋势及其是否显著。在给定的显著性水平α下，如果|Z|>Z_1-α/2，表明时间序列数据在α水平上存在显著变化，一般取α=0.05，查表得知，|Z|>1.96时，时间序列置信水平α<0.05，通过显著性检验。

模型优化

模型复杂度通过决策树数量和最大深度来控制，以避免过拟合和欠拟合。在我们的研究中，以10棵决策树和10个叶子结点作为最佳参数构建逐月模型。整体上，所有可用的解释变量对本研究的各降尺度模型均有贡献，RMSE介于0.0644 ~ 0.0661，MAE介于0.0389 ~ 0.0396，R²均大于0.8980（表 1）。值得注意的是，由于夏季植被茂盛，NDVI值显著较高（Wang et al., 2022），致使6月、7月和8月的降尺度模型相比其他月份表现出较弱的泛化能力。总体上，逐月降尺度模型既没有过拟合也没有欠拟合，这证明了利用随机森林构建降尺度模型的可行性。

表1 逐月降尺度模型评价指标。

精度评价

整体评估

验证结果如图3所示，青藏高原62.4%的区域RMSE低于0.025，主要分布在高原中部和西部地区，这些区域较为集中地分布高寒草甸和高寒草原植被。RMSE介于0.025~0.1之间的区域占比31.2%，稀疏分散在高原东部、山间谷底、青海湖周围以及一些低海拔地区，这些区域草地类型多样，主要有高寒草甸、高寒草原、温性草原等。仅有6.4%的区域RMSE高于0.1，该地区地形跨度较大，集中分布的草地类型是山地草甸。与RMSE相比，MAE高于0.1的区域仅有2.9%，主要分布在高原东南部部分地区，山地草甸为该区域主要植被类型。此外，高原43.4%的区域R²高于0.7。验证结果表明降尺度算法在青藏高原大部分草地区域表现良好。因此，本研究生产的长时序NDVI产品用于评估该区域的草地动态应该是可靠的。

图3  2002-2014年偶数年所有月份拟合优度指数的空间变化。（a）RMSE；（b）MAE；（c）R²。

逐月验证

各月拟合密度散点图显示，降尺度NDVI产品在所有指标上都表现出很高的准确性（R² > 0.809；RMSE < 0.113；MAE < 0.068），并且大多数像素点都紧密聚集在y = x周围（图4）。1月至4月，NDVI值集中在0~0.4范围之内变化，随着NDVI值的增大，降尺度NDVI出现被低估的趋势，但数据精度仍保持高水平，R²介于0.856 ~ 0.868，RMSE介于0.06 ~ 0.064，MAE介于0.034 ~ 0.037。在植被生长季（5月-9月），NDVI变化范围较大，值在0 ~ 1，但从色带变化可以看出，NDVI值在0 ~ 0.2范围之内居多，出现由高估到低估的变化趋势。与前4月相比，精度较低（R²介于0.809 ~ 0.875），误差较高（RMSE介于0.077 ~ 0.11；MAE介于0.044 ~ 0.068）。此外，由于青藏高原喜马拉雅山脉和横断山脉部分地区存在常绿针叶林（Cong et al., 2013; Ding et al., 2007; Lv et al., 2023），在植被生长较弱时期（如1月、2月、3月、4月、10月、11月和12月），仍然存在NDVI值超过0.6的像素。

图4  降尺度NDVI与MODIS NDVI逐月相关性验证。

不同草地类型验证

在青藏高原主要的九种草地类型，降尺度产品与MODIS的NDVI变化趋势总体上是一致的，且两种NDVI产品间的R²高达0.95以上，这说明降尺度NDVI和MODIS NDVI保持较高的像素一致性，进一步证实了降尺度产品具有同步捕捉植被动态的能力。然而，GIMMS数据在每种草地类型上的NDVI变化幅度与这两种NDVI产品具有显著差异。对于一些植被斑块（如高寒荒漠草原、高寒荒漠和温性草原，图5 c，e，h），MODIS与降尺度产品的NDVI差值在0.011 ~ 0.022，R²介于0.95 ~ 0.98；而GIMMS与降尺度产品的NDVI差值在0.043 ~ 0.045，R²介于0.38 ~ 0.49。造成这一显著差异的可能原因是GIMMS NDVI数据的非稳态性导致在探测季节和年际变化时存在不确定性（Pinzon & Tucker, 2014）。

图5  不同草地类型的降尺度NDVI和MODIS NDVI的长期动态变化。

图6描绘了生长季（5月-9月）降尺度NDVI和MODIS NDVI在青藏高原代表性草地类型的线性拟合情况，红色点集中的区域强调了样地中每一种草地类型NDVI值的集中分布区域。降尺度产品在不同草地类型之间的精度差异较明显，高寒草甸类型（图6a）数据精度（R² = 0.752；RMSE = 0.112；MAE = 0.080）高于其他草地类型，高寒荒漠草原类型（图6c）数据精度相对较差（R² = 0.588；RMSE = 0.034；MAE = 0.021），降尺度产品在其他草地类型中的表现比较稳定（R²：0.609 ~ 0.734；RMSE：0.048 ~ 0.101；MAE：0.025 ~ 0.083）。结果表明，无论在动态趋势还是空间格局上，降尺度NDVI产品都与MODIS NDVI产品具有较高一致性。

图6  不同草地类型的降尺度NDVI与MODIS NDVI相关性验证。黑线代表1:1拟合线，红线反映实际拟合情况。(a)高寒草甸；(b)高寒草原；(c)高寒荒漠草原；(d)山地草甸；(e)高寒荒漠；(f)高寒草甸草原；(g)温性草原；(h)温性荒漠；(i)低地草甸。

趋势检验

为评估降尺度NDVI产品对植被绿度变化趋势的刻画能力，基于降尺度NDVI产品、GIMMS NDVI产品和MODIS NDVI产品，利用Sen’s斜率估计和MK趋势检验，我们计算了青藏高原NDVI年际变化趋势（图 7）。在空间分布上，降尺度产品与MODIS NDVI产品具有较高一致性。在青藏高原腹地NDVI呈下降趋势，低海拔地区呈显著上升趋势（图7d，f），其中，降尺度产品显著上升面积占5.61%，下降面积占44.12%；MODIS NDVI产品显著上升面积占10.25%，显著下降面积占38.79%。然而，GIMMS NDVI在高原南部呈下降趋势，面积占29.06%，低海拔地区及西部高山地区呈显著上升趋势，面积占17.72%（图7b）。

图7  青藏高原2001-2015年GIMMS NDVI、Downscaled NDVI、MODIS NDVI三种产品NDVI年际变化趋势空间分布图。

开发高寒草地长时序NDVI产品

作为植被净初级生产力的重要指标，NDVI广泛应用于描述植被活动的时空动态。在长期监测青藏高原植被变化趋势方面，以往的研究主要依赖时间范围广但空间分辨率低的GIMMS NDVI数据集，AVHRR传感器缺乏可靠的机载校准装置，降低大气校正的准确性，在某种程度上可能会导致趋势分析不确定性较大（Nagol et al., 2009）。同时，数据本身的缺陷可能或导致有关植被变化趋势的研究结论相互矛盾（Cortés et al., 2021; de Jong et al., 2011; Pan et al., 2018）。为了克服这些限制，我们迫切需要长时间序列、高空间分辨率的NDVI产品来更准确地监测植被变化。

在本研究中，我们提出了RF降尺度算法，成功扩展了MODIS NDVI数据的时间序列，研发了一套长时序（1982-2020年）高分辨率（250 m）的NDVI数据集，在准确描述不同植被类型绿度变化趋势、季节性变化方面表现出很高的潜力，尤其在青藏高原的高山植被区，它能捕捉到更精细的NDVI空间变化细节。

不确定性分析

在验证过程中，以MODIS NDVI数据为基准，该数据本身的精度和存在的误差在很大程度上影响降尺度产品的精确性和准确性（Tian et al., 2015）。同时，由于无法较为全面地获取青藏高原地面实测数据进一步限制了对降尺度产品的全面验证，这表明在未来的作中理应投入更多精力完善实测数据。此外，将地形信息应用于降尺度研究可能是导致产品存在不确定性的另一个因素。在早期关于环境变量（如地表温度，降水）的降尺度研究中考虑了地形变化（Bartkowiak et al., 2019; Xu et al., 2020），其作为影响NDVI分布的重要因素，在提高算法精度方面表现出良好的潜力。然而，NDVI与整体的水热条件之间存在相互作用（Zhang， He, et al., 2022），且青藏高原NDVI随地形变化极其复杂（Wang et al., 2020），将地形数据作为降尺度研究具有挑战性，其中的差异可能对NDVI产生影响。

在降尺度研究中缺乏残差校正和校准过程或许也会带来不确定性。残差校正考虑的是粗分辨率模拟值与原始卫星数据之间的差异（Ulloa et al., 2017）。一些研究表明，残差修正可以改善降尺度结果（Baghanam et al., 2020）。例如，残差校正纠正了由样条插值法、分类和回归树（Ashouri et al., 2015; Jia et al., 2011）以及最近邻法（Xu et al., 2015）得到的偏差，因此被认为是降尺度的一个必要步骤。然而，也有一些研究得出了相反的结论（Duan & Bastiaanssen, 2013; Zhu et al., 2023），残差修正降低了模型的估计性能。

不确定性的潜在原因

与Ma等人(Ma et al., 2022)的结果相比，我们生产的降尺度NDVI产品精度更高，误差更小。然而，这两种NDVI产品在高山地区和高原东南部局部区域差异比较显著。在高山植被区，主要是喜马拉雅山脉地区，导致产品差异极显著的可能原因在于RF降尺度算法自身的缺陷。机器学习模型的性能很大程度上取决于于它在训练集数据上的表现，DEM对模型预测性能的贡献最大，这意味着RF降尺度模型的预测能力受到DEM的极大影响。因此，算法本身会扩大NDVI产品间的差异，造成降尺度产品出现巨大偏差。

高原东南部区域降尺度NDVI产品出现高偏差的主要原因是NDVI敏感性下降。高寒草甸类型在该区域密集分布，NDVI在生长季容易饱和（Wunderle et al., 2004），对高生物量条件变化不敏感（Gitelson, 2004; Sakamoto et al., 2010; Zeng et al., 2016），随植被生长NDVI不再继续增加，不能区分植被绿度更多的季节性变化（May et al., 2018）。此外，高寒草甸类型NDVI空间分布受气候因素和人类活动的共同作用，随着全球气候变化的不稳定，加之人类活动强度的增强，导致草地空间变化高度突变，NDVI发生明显变化（Sun, Gong, et al., 2023; Sun, Li, et al., 2023），这可能也会使得降尺度产品出现高偏差。相反，同样作为监测植被生长状况的增强型植被指数（EVI），其在NDVI发生饱和现象的植被类型中也具有良好性能，且能明显反映出植被生长的季节性特征（Bai, 2021; Lin et al., 2008; Ma, Xie, et al., 2022），但EVI序列时间范围窄，在众多研究中鲜少使用，无法充分发挥其作用（Fensholt et al., 2006; Li et al., 2021）。

本研究中，基于MODIS和AVHRR植被指数时序产品，我们成功开发了一套长时序（1982-2020年）、高分辨率（250 m）的旬尺度植被指数数据集，为青藏高原高寒草地的长期动态监测提供了有力支撑。

随机森林降尺度算法表现出良好的准确性，降尺度NDVI产品与MODIS NDVI具有较高的一致性。在青藏高原大部分地区，RMSE介于0 ~ 0.075，MAE介于0 ~ 0.05，R²通常高于0.7。这表明该算法在降尺度过程中能够较为精确地模拟植被指数的空间变化，为进一步的地表生态研究提供了可靠的数据基础。