光學衞星圖像時間序列廣泛應用於農業、氣候監測和地表分析等地球觀測任務。然而，雲層覆蓋和條帶邊緣常導致時間維度上的不規則採樣，限制了連續監測能力。現有研究多聚焦於時間序列的稠密化和重建，即在已有數據的時間範圍內填充缺失或被雲污染的觀測值。這些方法雖然提升了時間連續性，但僅限於重建觀測時間區間內的空缺，無法預測未來的觀測。
針對這一侷限，來自多所機構的研究人員Véronique Defonte、Dawa Derksen、Alexandre Constantin和Bastien Nespoulous提出了一種基於概率深度學習的新框架，用於Sentinel-2時間序列的稠密化與預測。該框架能夠生成任意過去或未來日期的光學圖像。其核心創新在於聯合利用Sentinel-2的光學圖像和Sentinel-1的合成孔徑雷達（SAR）數據，通過多模態信息互補實現高精度生成。與大多數現有工作不同，該研究特別關注生成圖像的不確定性量化，通過概率建模為每個生成的像素提供置信度估計，這對於後續應用如變化檢測和決策支持至關重要。
實驗結果表明，即使在稀疏且時間錯位的時間序列上，該方法也能有效實現稠密化和預測，彌補了傳統方法僅能填補觀測區間內空缺的不足。該論文於2026年5月5日提交至arXiv（標識號2605.04239），屬於計算機視覺與模式識別領域。研究者認為，這一框架有望推動衞星時間序列分析在實時監測和預報中的應用，未來可能公開代碼和數據。