1. 研究背景
卫星遥感数据在监测陆地表面的物候等方面的研究中至关重要，但云层遮蔽和传感器故障等因素导致数据质量下降，甚至出现缺失。填补这些缺失数据对于物候特征提取至关重要。现有方法在处理时间序列数据中的连续和重叠缺失区域时存在困难。本文提出了一种基于时间注意力机制的多尺度生成对抗网络（TAMGAN），用于填补MODIS数据中的时间序列间隙，以提高陆地表面物候提取的准确性。本文详细介绍了TAMGAN的网络结构、损失函数、数据预处理方法以及在模拟和真实数据集上的实验结果及相关指标，并与其他方法进行了比较。
2.创新之处
TAMGAN通过结合时间注意力机制和多尺度特征提取，能够有效填补MODIS数据中的时间序列空白。其创新点在于利用3D卷积神经网络同时处理空间和时间信息，通过多尺度渐进结构和对抗性损失函数，显著提升了重建图像的光谱一致性和纹理细节，TAMGAN为陆地表面的物候信息提取提供了高质量的影像数据支持。
3. 关键图表
图1 本研究的技术路线图
图2 本研究所提出的基于时间注意力的多尺度生成对抗网络（TAMGAN）的网络结构。每个卷积层或模块的通道数（n）、卷积核大小（k）和步幅（s）
图3 当某个区域在整个时间序列影像中缺失时，不同方法重建结果的比较。
4. 主要结论
研究结果表明，TAMGAN在填补MODIS时间序列空白数据方面表现出色，在各种评估指标上均优于现有方法，特别是在处理大面积连续缺失区域时，能够生成高质量、连续的图像数据。通过有效填补空白和去除云层，提供了时空连续的MODIS地表反射率数据，支持了陆地表面物候的提取，验证了其在不同区域的空间迁移能力和鲁棒性，为处理时间序列数据中大面积连续缺失区域提供了高质量的数据支持。
5. 发表信息
Wang Y, Wu W, Zhang Z, et al. A temporal attention-based multi-scale generative adversarial network to fill gaps in time series of MODIS data for land surface phenology extraction[J]. Remote Sensing of Environment, 2025, 318: 114546.https://doi.org/10.1016/j.rse.2024.114546
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
