光学卫星图像时间序列广泛应用于农业、气候监测和地表分析等地球观测任务。然而，云层覆盖和条带边缘常导致时间维度上的不规则采样，限制了连续监测能力。现有研究多聚焦于时间序列的稠密化和重建，即在已有数据的时间范围内填充缺失或被云污染的观测值。这些方法虽然提升了时间连续性，但仅限于重建观测时间区间内的空缺，无法预测未来的观测。
针对这一局限，来自多所机构的研究人员Véronique Defonte、Dawa Derksen、Alexandre Constantin和Bastien Nespoulous提出了一种基于概率深度学习的新框架，用于Sentinel-2时间序列的稠密化与预测。该框架能够生成任意过去或未来日期的光学图像。其核心创新在于联合利用Sentinel-2的光学图像和Sentinel-1的合成孔径雷达（SAR）数据，通过多模态信息互补实现高精度生成。与大多数现有工作不同，该研究特别关注生成图像的不确定性量化，通过概率建模为每个生成的像素提供置信度估计，这对于后续应用如变化检测和决策支持至关重要。
实验结果表明，即使在稀疏且时间错位的时间序列上，该方法也能有效实现稠密化和预测，弥补了传统方法仅能填补观测区间内空缺的不足。该论文于2026年5月5日提交至arXiv（标识号2605.04239），属于计算机视觉与模式识别领域。研究者认为，这一框架有望推动卫星时间序列分析在实时监测和预报中的应用，未来可能公开代码和数据。