arXiv 于 2026 年 5 月 19 日发布了一篇题为《Remote sensing data imputation using deep learning for multispectral imagery》的新论文（编号 arXiv:2605.24003v1），作者为 Shuang Liu 等三人，提交人为 Rohitash Chandra。该研究聚焦光学卫星遥感在水体监测中的一个长期难题：云层遮挡造成的观测缺失。对于水体管理部门高度关注的湖泊而言，这些数据缺口可能导致藻华等关键事件被漏检，因此提升光学卫星数据集的完整性，对改进藻华的监测与预测至关重要。
论文围绕四座有藻华历史记录的湖泊展开对比实验，将传统的线性插值方法与多种深度学习模型进行比较，评估它们重建缺失光谱波段的能力。研究所采用的深度学习架构分为两大类：一类是纯卷积神经网络（CNN）方案，包括标准 CNN、Inception ResNet 和自编码器（Autoencoder）；另一类是 CNN 与 LSTM 结合的时序方案，包括 CNN-LSTM、ResNet-LSTM 和 Autoencoder-LSTM。实验在人工掩膜区域内进行，以便将模型填补结果与真实观测值直接对照。
结果显示，深度学习模型在填补掩膜区域内的光谱波段数值时，明显优于作为基线的线性插值方法。在多数湖泊上，标准 CNN 取得了最佳表现，说明在这一任务中，相对简洁的卷积结构已足以捕捉光谱与空间特征，而更复杂的混合时序架构并未带来一致的优势。
除波段级重建外，研究团队还进一步检验了填补结果在下游应用中的可用性。他们基于填补后的影像计算了两种常用的藻华指数，即 Green/Red 比值与 NDCI（归一化差异叶绿素指数），并将这些指数与真实观测数据对比。结果表明，深度学习模型能够有效填补 PlanetScope SuperDove 影像中的缺失数据，从而为水体监测提供更可靠的应用基础。
该论文归类于计算机视觉与模式识别（cs.CV），并交叉涉及人工智能（cs.AI）以及统计应用（stat.AP）。研究的意义在于，它把评估从单纯的数值误差推进到藻华指数这一业务相关层面，为受云遮挡困扰的光学遥感水体监测提供了一条可行路径，也提示在类似的多光谱填补任务中，模型复杂度并非越高越好。