| （一）文章信息 |
标题：Filling GRACE data gap using an innovative transformer-based deep learning approach
期刊：《Remote Sensing of Environment》(中科院1区Top, IF=11.1)
作者：Longhao Wang, et al.
doi：10.1016/j.rse.2024.114465
| （二）研究背景 |
| （三）研究数据与方法 |
（四）研究结果 |
| （五）研究结论 |
本研究成功地引入了一种创新的基于Transformer的深度学习模型，用于有效填补GRACE数据中的缺口。该模型通过自注意力机制和因果卷积捕捉GRACE时间序列数据的局部上下文，并整合了气象和水文特征，如温度、降水和蒸散发，提高了填补数据缺口的准确性。研究结果支持了Transformer模型在干旱地区的卓越性能，这可以归因于时间序列模型和注意力机制的引入。通过整合温度、降水和蒸散发特征，进一步提高了填补数据缺口的准确性，平均RMSE降低了7.5%。研究提供了数据和代码，以便用户进行GRACE数据缺口填补，并为其他地球科学和水文数据集生成预测和填补结果。此外，本研究提出的基于Transformer的方法在预测水文数据和网格化观测方面显示出超越传统方法的潜力，为未来在更广泛的数据类型和特征上应用该模型提供了新的可能性。
文章来源 ：
Wang, L., & Zhang, Y. (2024). Filling GRACE data gap using an innovative transformer-based deep learning approach. Remote Sensing of Environment, 315, 114465.
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。
| 回复“1090获取全文！
【JAG好文推荐】基于Sentinel-1 SAR图像的极化与空间信息多尺度机器学习洪水映射方法
2024-12-05
【TGRS好文推荐】MGPACNet： 用于图像融合分类的多尺度几何先验感知跨模态网络
2024-12-04
【ISPRS好文推荐】PolyR-CNN：用于端到端多边形建筑物轮廓提取
2024-12-03
