基于深度学习的多光谱遥感数据缺失填补研究
本研究比较了传统线性插值与多种深度学习模型在填补因云层覆盖导致的卫星数据缺失方面的效果。实验基于四个有藻华历史记录的湖泊，采用CNN、Inception Resnet、Autoencoder及其与LSTM结合的模型。结果表明，深度学习模型显著优于线性插值，其中CNN表现最优。此外，利用填补后的数据计算的藻华指数与观测数据吻合良好，证明该方法可提升水环境监测的可靠性。
文章情报
要点
- 深度学习模型在填补缺失光谱波段方面显著优于传统线性插值方法。
- CNN模型在四个湖泊的数据填补中综合表现最佳。
- 由填补影像导出的藻华指数与实测数据高度一致，验证了方法的实用性。
- 该研究为光学卫星数据在藻华监测中的完整应用提供了有效方案。
为什么重要
这条新闻值得关注，因为深度学习模型在填补缺失光谱波段方面显著优于传统线性插值方法。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
多光谱卫星遥感技术在水环境监测中发挥着日益重要的作用，但云层覆盖常导致影像数据缺失，从而影响对藻华等关键事件的及时检测。为克服这一局限，一项新研究系统评估了基于深度学习的数据填补方法，并与传统线性插值进行了对比。
研究团队选取了四个历史上藻华频发的湖泊，在人工模拟的缺失区域上测试了多种模型，包括卷积神经网络（CNN）、Inception Resnet、自编码器以及它们与长短期记忆网络（LSTM）的组合。结果显示，所有深度学习模型均大幅优于线性插值法，其中纯CNN架构在大多数湖泊中取得了最佳填补精度。这表明，深度学习能够有效捕捉光谱波段间的复杂非线性关系，从而更准确地重建缺失数据。
进一步，研究利用填补后的影像计算了绿/红波段比和归一化差异叶绿素指数（NDCI）等藻华指标，并与实际观测值比较。结果表明，填补数据能够可靠地反映出藻华的时空变化，为水质管理提供了更完整的遥感信息。该研究使用的卫星数据来自PlanetScope SuperDove，其高时空分辨率使得湖泊监测更加精细。
该方法不仅提升了数据完整性，还降低了因云层遮挡导致的关键事件漏报风险。未来，研究团队计划将模型推广至其他多光谱传感器，并探索在更多水体类型中的应用。这一进展有望推动遥感数据在水质监测中的标准化应用，助力全球湖泊藻华预警系统的发展。