应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：A temporal attention-based multi-scale generative adversarial network to fill gaps in time series of MODIS data for land surface phenology extraction
期刊：《Remote Sensing of Environment》(中科院1区Top, IF=11.2)
作者：Yidan Wang, et al.
doi：10.1016/j.rse.2024.114546
遥感技术已成为地球观测和地表监测的重要工具，其衍生产品，尤其是遥感数据的时间序列，在多个领域得到广泛应用，如作物产量估算、植被物候反演、变化检测和土地利用模拟等。其中，地表反射率的时间序列数据因其能够提取大尺度地表物候信息而备受关注，这些物候信息是评估气候变化对生态系统影响和监测植物响应的敏感指标。然而，云污染、传感器故障和退化等因素严重影响了遥感数据的质量，导致遥感图像时间序列中出现缺失信息和数据空白。因此，填补这些空白和恢复缺失信息对于提高遥感数据质量至关重要，对于地表物候提取等下游研究和应用具有重要意义。目前，已有多种填补空白的方法被提出，包括基于空间的方法、基于时间或时空的方法以及基于深度学习的方法。尽管取得了进展，但现有方法在处理连续和重叠的缺失区域时仍存在局限性。为此，本研究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），用于重建MODIS数据的时间序列，以填补其中的空白。研究使用了搭载在Terra和Aqua卫星上的中分辨率成像光谱仪（MODIS）提供的产品，特别是MOD09A1产品，该产品提供了500米分辨率的8天合成地表反射率数据。由于MODIS数据受云污染和不利天气条件的影响，研究中使用了8天或16天合成的MODIS产品来最小化低质量数据的影响。研究中选择了数据质量相对较高的8个区域作为训练和验证数据集，并通过数据增强技术扩大了数据集规模。为了生成高质量的训练和验证真值数据，对数据进行了优化处理，填补了少量的缺失区域。此外，还采用了数据质量检测方法，识别并标记了MODIS产品中的低质量像素，如云、云影、冰雪以及与云相邻的像素。研究中提出的TAMGAN框架包括生成器和判别器，生成器利用空间和时间信息来生成缺失区域的内容和纹理，而判别器则用于区分观测图像和生成图像。生成器网络设计为多尺度渐进式结构，通过3D卷积块提取时空特征，并引入时间注意力块来捕捉时间序列中的变化趋势。此外，研究还定义了损失函数，包括像素级损失和对抗损失，以优化生成图像的质量。通过补丁拼接和像素替换的方法，将生成的特征图与原始图像结合，生成高质量的时间序列遥感数据。实验结果表明，TAMGAN在处理MOD09A1数据集时，相较于其他广泛认可的模型，如加权线性回归（WLR）、改进的邻域相似像素插值方法（mNSPI）和渐进式时空云去除框架（PSTCR）等，在多个评价指标上均表现出优越的性能，尤其是在结构相似性指标（SSIM）上，显示出其在重建缺失区域的纹理和细节信息方面的能力。无论是在模拟数据集还是真实数据集上，TAMGAN都能有效地填补大面积和连续缺失区域，生成的图像在视觉上更接近原始图像，具有更好的光谱连续性和纹理清晰度。此外，研究还在远离训练数据的区域进行了实验，证明了模型的空间可转移性和鲁棒性。在下游应用方面，通过使用TAMGAN填补的MODIS数据提取的地表物候信息，如生长季开始（SOS）和结束（EOS），与原始MOD09A1产品相比，能够生成更连续的物候图，减少了因数据缺失导致的无数据区域。本研究提出的TAMGAN模型，基于时间注意力机制和3D卷积神经网络结构，有效地填补了MODIS数据时间序列中的空白，重建了高质量的地表反射率数据。TAMGAN作为一个多尺度渐进式网络，通过在不同尺度上提取和结合特征，获取了更丰富的时空信息，并结合生成对抗网络机制，优化了重建图像的视觉效果。实验结果表明，TAMGAN在大多数图像上均取得了优于其他比较方法的性能，特别是在结构相似性指标上，显示出其在重建缺失区域的纹理和细节信息方面的能力。此外，模型在远离训练数据的区域也表现出良好的空间可转移性和鲁棒性，为地表物候提取等下游应用提供了一种可行的方法。尽管TAMGAN在重建MODIS数据的时间序列方面取得了显著成果，但仍存在改进空间。例如，在高纬度地区连续数月被冰雪覆盖的区域，模型的准确性受到较大影响，因为冰雪覆盖的像素作为网络输入的一部分时，会对同一地区无冰雪覆盖图像的预测产生较大影响，可能导致异常的预测结果。未来的研究可以考虑将包含冰雪覆盖特征的序列数据加入训练和验证数据集中，以联合训练模型。此外，尽管TAMGAN能够重建大面积和连续缺失区域，但在整个图像缺失的情况下，仍难以应对。在这种情况下，从周围地物提取全局光谱信息具有挑战性，生成的光谱噪声可能与实际情况不符，导致不准确的重建结果。解决这些限制将是未来探索和改进的重点。文章来源 ：
Wang, Y., Wu, W., Zhang, Z., Li, Z., Zhang, F., & Xin, Q. (2025). A temporal attention-based multi-scale generative adversarial network to fill gaps in time series of MODIS data for land surface phenology extraction. Remote Sensing of Environment, 318, 114546.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
