数据缺口填充机器学习通量扩展
Flux ML Upscaling — Gap Filling
用机器学习（RF/GPR）由遥感+气象特征把站点通量扩展到网格，生成区域 GPP/NEE。
01
定义
用机器学习（RF/GPR）由遥感+气象特征把站点通量扩展到网格，生成区域 GPP/NEE。
02
公式与计算
F_grid = GBM(站点 F, SIF/NDVI, 气象)；像元级输出 + 交叉验证。
03
适用时机
区域/全球碳汇产品（FLUXNET upscaling 范式）。 MDS/回归填充通量数据缺口支撑年度核算。
04
关键参数
特征集、模型、验证折叠、足迹加权。；填充不确定性、长缺口难填。
05
注意事项
失效与边界站点代表性（足迹）与像元匹配决定精度。 边际分布采样（MDS）、夜间外推、不确定性标记。
CLOSE
把 数据缺口填充机器学习通量扩展 用起来
下一步
实际项目如何应用？
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
相关 SIYB 产品
正式参数、方案与商务资料以 xmsiyb.com 官网为准。
需要把技术判断落到项目？
进入行业应用与智能选型中心，获取场景设计、选型与实施参考。