面向全球遥感应用的无缝数据立方体时空融合模型

导 读

密集时间序列的遥感数据有助于理解地球系统及其动力学方面的机制和作用，特别是在研究陆面过程和动力学方面。时空数据融合技术（STF）可以将地球观测（EO）数据生成具有高时间和空间分辨率的合成数据。但现有的STF方法在生产大规模全球每日无缝数据立方体（SDC）上仍然存在许多挑战。首先，对于大规模SDC生成来说，需要计算效率高的融合算法，然而大多数现有算法效率低下。其次，大规模遥感数据处理算法应具备稳定性，并且在不同数据条件下不需要过多手动调整，现有的基于学习的STF方法不适用于大规模SDC生成。最后，使用更多有价值的时间序列信息可以提高融合方法的性能，因此需要利用时间序列数据来更好地捕捉时序变化，并在大空间时间尺度上获得更好的稳定性。为了满足大规模应用的需求，该文提出了ROBOT融合模型。

定于2023年8月发表于《Remote Sensing of Environment》上的题为”ROBOT: A spatiotemporal fusion model toward seamless data cube for global remote sensing applications”的论文提出了ROBOT融合模型，该模型基于优化方法，利用时间序列数据预测细粒度的空间变化。ROBOT能够在并非全部高像素图像作为输入的情况下，仍能获得准确的融合结果，同时它不需要参数调整且计算效率高，适用于大规模遥感数据的自动处理。通过使用常用的开放数据集进行ROBOT的性能评估，并与ESTARFM、FSDAF等八种典型融合方法进行比较，验证了ROBOT的优越性能。此外，论文中还在其他13个研究站点进行了额外的测试，展示了ROBOT在全球无缝数据立方体生成方面的潜力。

实 验 和 方 法

图1 MSGCN的流程图。将粗分辨率图像作为输入，这个框架可以扩展为预测多时相图像，因为可以有多个预测阶段。ROBOT以patch-wise方式处理图像，主要包括两个步骤：（1）通过LASSO进行图像块匹配和逼近，（2）分配残差

图2 两个研究区的部分Landsat影像。（a）CIA地区；（b）LGC地区

图3 实验一：预测时间序列数据。使用在CIA区域获取的数据来测试ROBOT在监测土地覆盖动态变化上的性能

图4 实验二：各种数据缺失条件下的鲁棒性。针对可能存在的多云地区的数据收集困难，模拟了不同数据缺失下的情况，以研究可用输入图像块的数量如何影响ROBOT的性能

结  果

图5 实验一中融合结果的定量准确性评估。可以看出ROBOT取得了非常稳定的性能，并且在大多数预测日期上获得了最准确的预测

图6 实验一中所有图像像素的实际值和预测值的散点图。ROBOT取得了最高的预测准确率

表1 实验一中五种STF方法的精度评估。最佳结果以粗体标记

图7 实验二中融合结果的视觉对比。（a）Landsat原始影像；（b）-（c）FSDAF 2.0 和 RASDF 的预测图像；（d）-（h）不同数据缺失率下ROBOT的预测图像

图8 实验二中融合结果的定量评估。当使用所有15个完整图像作为输入时，ROBOT获得了最准确的结果。随着数据缺失率的增加，ROBOT的准确率逐渐下降。直到数据缺失率值达到约80%（可用3对图像块），ROBOT仍然优于FSDAF 2.0和RASDF

表2 实验二中三种STF方法的精度评估。最佳结果以粗体标记

借 鉴 启 发

ROBOT模型利用时间序列图像作为输入，从输入数据中选择相似的部分，通过求解优化问题来逼近所需要的目标图像，不需要复杂的变化检测技术和基于学习的STF方法。而且模型性能随着额外输入图像有稳定提升，是一种稳健的用于构造数据立方体的新模型。

文章信息

DOI：10.1016/j.rse.2023.113616

分享人：程柳润，2022级硕士研究生

研究方向：建筑垃圾遥感图像目标识别

邮箱：2108570022115@stu.bucea.edu.cn

来源：灾害与环境遥感

https://mp.weixin.qq.com/s/liv3MCuzSi6rAVmmJeY-zg

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！