利用土地覆盖先验进行异戊二烯排放超分辨率重建

遥感在监测地球生态系统方面发挥着至关重要的作用，然而卫星反演数据往往受限于空间分辨率，制约了其在大气建模和气候研究中的适用性。在本工作中，我们提出了一种基于深度学习的超分辨率 (SR) 框架，该框架利用土地覆盖信息来提高生物源挥发性有机化合物 排放的空间精度，特别关注异戊二烯。我们的方法将土地覆盖先验作为排放驱动因素，比传统方法更有效地捕捉空间模式。我们评估了模型在各种气候条件下的表现，并分析了异戊二烯排放与农田和树木覆盖数据等关键环境信息之间的统计相关性。此外，我们通过将 SR 模型应用于未见过的气候带和地理区域，评估了其泛化能力。实验结果表明，结合土地覆盖数据可显著提高排放超分辨率精度，特别是在异质景观中。本研究通过提供一种经济高效、数据驱动的方法来细化 BVOC 排放图，为大气化学和气候建模做出了贡献。所提出的方法增强了基于卫星的排放数据的可用性，支持空气质量预报、气候影响评估和环境研究等应用。