基于地物变化修复网络的遥感时空融合方法研究——LCCINet模型在长时序变化场景下的性能突破
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Learning Land-Cover Change Inpainting Network for Spatiotemporal Remote Sensing Fusion
【字体:
大
中
小
】
时间:2025年12月16日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本文针对遥感时空融合(STF)中长期时间间隔下地物覆盖和物候变化导致的纹理误差和平滑过渡问题,提出了一种创新的地物变化修复网络(LCCINet)。该研究通过变化检测模块生成通道级变化掩膜,采用特征掩膜调制器(FMM)和双阶段修复架构,显著提升了CIA、LGC和E-SMILE数据集上的融合精度(MAE/RMSE降低4-11%,SSIM提升0.003-0.008),为高动态地表过程监测提供了更可靠的技术支撑。
随着遥感技术在农业监测、森林管理和生态研究中的广泛应用,如何获取同时具备高时空分辨率的遥感影像已成为领域内的重要挑战。由于卫星传感器设计的固有限制,目前尚无任何单一传感器能同时实现高空间分辨率与高时间分辨率。更棘手的是,云层遮挡等环境干扰常常导致数据缺失,而许多应用场景又迫切需要历史时期的高质量遥感数据。遥感时空融合(STF)技术应运而生,它通过融合高时间分辨率的粗分辨率影像(如MODIS)与高空间分辨率的细分辨率影像(如Landsat),生成兼具高时空分辨率的合成影像。
然而,现有STF方法在面对长时间间隔(如Landsat的16天重访周期)下的地表变化时表现不佳。当预测时间与参考时间相隔较远时,地表可能发生显著的地物覆盖变化(如洪水、作物收割)或物候变化(如植被生长周期),导致传统方法产生纹理错误或过度平滑的预测结果。这一问题在极端天气事件(如洪水)监测等场景中尤为突出,严重制约了STF技术在实际应用中的可靠性。
为了突破这一瓶颈,南京信息工程大学江苏省大数据分析技术重点实验室的Baoluo Zhu等人提出了一种新颖的地物变化修复网络(LCCINet),该研究成果已发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》。研究团队创新性地将图像修复理念引入STF领域,通过显式区分变化与未变化区域,实现了对长时序地表变化的精准建模。
研究团队采用的核心技术方法包括:首先基于四分位距(IQR)统计方法从粗分辨率图像差异中生成通道级变化掩膜;接着设计特征掩膜调制器(FMM)对参考细分辨率图像进行空间自适应特征调制;然后通过特征融合编码器-解码器架构实现未变化区域的精细融合;最后利用由门控卷积和ASPP模块组成的粗-精修复模块重建变化区域。实验采用CIA(物候变化)、LGC(洪水事件)和E-SMILE(全球多场景)三个基准数据集,以MAE、RMSE、SAM和SSIM作为评价指标,与FSDAF、Fit-FC、GAN-STFM等传统及深度学习方法进行对比。
LCCINet采用双阶段架构,包含增强特征融合阶段和特征重建阶段。输入包括参考时间t1的细分辨率图像If1和粗分辨率图像Ic1,以及预测时间t2的粗分辨率图像Ic2。变化检测模块通过计算Ic2与Ic1的差异矩阵,采用IQR阈值法生成二进制变化掩膜M,有效区分变化与未变化区域。特征掩膜调制器(FMM)通过可学习的仿射变换对参考图像特征进行调制,增强未变化区域的特征表达,抑制变化区域的噪声干扰。
在增强特征融合阶段,全局-局部编码器通过残差块和ASPP(空洞空间金字塔池化)模块并行提取多尺度特征。通道选择模块(CSM)结合通道注意力机制,动态调整特征通道权重,突出未变化区域的关键信息。特征融合解码器通过跳跃连接逐步融合粗-细分辨率特征,生成初步预测结果Ff2。
特征重建阶段包含图像粗修复模块(CIM)和图像精修复模块(FIM)。CIM采用门控卷积处理掩膜区域,通过编码-解码结构进行初始重建。FIM设计局部和全局双分支结构,局部分支专注于细节修复,全局分支通过多头注意力机制保持风格一致性。该设计显著提升了洪水等突发变化场景下的轮廓恢复能力。
在CIA数据集(物候变化)上,LCCINet在2002年3月17日至4月27日的五个测试场景中,MAE降至0.0128-0.0184,较最佳基线方法提升约3-8%。在LGC数据集(洪水事件)上,针对2004年12月12日的洪水场景,LCCINet的SAM指标达到0.2636,显著优于传统方法(FSDAF为0.3244)和深度学习基线(MLFF-GAN为0.2771)。散射图分析显示,LCCINet预测值与真实值分布最集中,决定系数最高。
通过对比不同参考时间的影响,研究发现LCCINet对参考图像选择不敏感。在CIA数据集上,使用2月22日、3月17日、4月11日和4月27日四个不同参考图像预测4月2日影像时,MAE波动范围仅0.0179-0.0203,显著低于其他方法的0.0189-0.0305。这证明该方法降低了对临近参考图像的依赖,提升了实际应用灵活性。
消融实验验证了各模块的贡献。在LGC数据集上,移除FMM模块导致MAE平均上升5-8%,禁用掩膜引导重建则进一步使性能下降2-3%。在CIA数据集上,FMM带来的提升相对温和(3-5%),但掩膜引导重建对保持光谱一致性仍至关重要。这表明FMM和变化区域修复模块在应对不同类型地表变化时发挥互补作用。
研究结论表明,LCCINet通过显式处理变化区域,有效解决了长时序遥感影像融合中的关键难题。该方法在保持未变化区域纹理细节的同时,能够准确重建洪水等突发变化事件的地表特征,为高动态地表过程监测提供了更可靠的技术手段。尽管当前变化检测模块基于统计阈值方法在异质景观中可能存在局限,但研究提出的双阶段修复框架为后续集成更先进的语义指导机制奠定了基础。这项工作推动了STF技术从"变化盲区"向"变化感知"的范式转变,对农业监测、灾害评估等实际应用具有重要价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号