基於深度學習的多光譜遙感數據缺失填補研究
本研究比較了傳統線性插值與多種深度學習模型在填補因雲層覆蓋導致的衞星數據缺失方面的效果。實驗基於四個有藻華歷史記錄的湖泊，採用CNN、Inception Resnet、Autoencoder及其與LSTM結合的模型。結果表明，深度學習模型顯著優於線性插值，其中CNN表現最優。此外，利用填補後的數據計算的藻華指數與觀測數據吻合良好，證明該方法可提升水環境監測的可靠性。
文章情報
要點
- 深度學習模型在填補缺失光譜波段方面顯著優於傳統線性插值方法。
- CNN模型在四個湖泊的數據填補中綜合表現最佳。
- 由填補影像導出的藻華指數與實測數據高度一致，驗證了方法的實用性。
- 該研究為光學衞星數據在藻華監測中的完整應用提供了有效方案。
為甚麼重要
這條新聞值得關注，因為深度學習模型在填補缺失光譜波段方面顯著優於傳統線性插值方法。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
多光譜衞星遙感技術在水環境監測中發揮着日益重要的作用，但云層覆蓋常導致影像數據缺失，從而影響對藻華等關鍵事件的及時檢測。為克服這一侷限，一項新研究系統評估了基於深度學習的數據填補方法，並與傳統線性插值進行了對比。
研究團隊選取了四個歷史上藻華頻發的湖泊，在人工模擬的缺失區域上測試了多種模型，包括卷積神經網絡（CNN）、Inception Resnet、自編碼器以及它們與長短期記憶網絡（LSTM）的組合。結果顯示，所有深度學習模型均大幅優於線性插值法，其中純CNN架構在大多數湖泊中取得了最佳填補精度。這表明，深度學習能夠有效捕捉光譜波段間的複雜非線性關係，從而更準確地重建缺失數據。
進一步，研究利用填補後的影像計算了綠/紅波段比和歸一化差異葉綠素指數（NDCI）等藻華指標，並與實際觀測值比較。結果表明，填補數據能夠可靠地反映出藻華的時空變化，為水質管理提供了更完整的遙感信息。該研究使用的衞星數據來自PlanetScope SuperDove，其高時空分辨率使得湖泊監測更加精細。
該方法不僅提升了數據完整性，還降低了因雲層遮擋導致的關鍵事件漏報風險。未來，研究團隊計劃將模型推廣至其他多光譜傳感器，並探索在更多水體類型中的應用。這一進展有望推動遙感數據在水質監測中的標準化應用，助力全球湖泊藻華預警系統的發展。