社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

RSE顶刊2025|长安大学发布RealFusion:深度学习驱动的无缝高分辨率影像时空融合新框架!

GEE遥感训练营 • 2 月前 • 300 次点击  

01

论文标题

Guo D, Li Z, Gao X, et al. RealFusion: A reliable deep learning-based spatiotemporal fusion framework for generating seamless fine-resolution imagery[J]. Remote Sensing of Environment, 2025, 321: 114689.

02

论文摘要


多源遥感数据的时空融合为实现高精度、动态化的地球监测提供了一种可行途径。然而,现有方法在面对两类常见且复杂的场景时,难以实现可靠的时空融合:其一是剧烈的地表变化,如自然灾害或人类活动引起的显著变化其二是图像质量较差的情况,例如由于浓云覆盖、云影、雾霾或噪声导致的图像退化。为应对上述挑战,本研究提出了一种基于深度学习的可靠时空融合框架——RealFusion,旨在融合Landsat与MODIS影像,以生成具有Landsat风格的高时相、无缝日尺度影像。RealFusion通过以下关键创新提升融合的可靠性:(1)整合具有互补信息的多源输入数据;(2)引入任务解耦的网络结构;(3)构建先进的图像重建与融合网络;(4)采用自适应训练策略;(5)建立了全面的精度评估体系。在三个具有代表性的区域共25组实验中,RealFusion在性能上全面优于近年来提出的四种先进方法,包括对象级混合时空融合方法(OL-HSTFM)、增强型深度卷积时空融合网络(EDCSTFN)、基于生成对抗网络的时空融合模型(GAN-STFM)以及多层特征融合的GAN模型(MLFF-GAN)。尤其值得强调的是,RealFusion是目前唯一能够在剧烈地表变化及图像质量较差区域中实现稳定、准确信息重建的模型。因此,RealFusion显著提升了复杂情境下高质量遥感影像的可靠重建能力,标志着时空融合技术的又一次重要进展。

03

关键图表


图 1. 时空融合所用图像间复杂关系示意图

图 2. 通用深度学习时空融合框架与RealFusion的任务分配对比

图3. RealFusion流程图

图 4. (a)SIQRN、(b)U-NAFNet模块、(c)NAFNet模块、(d)注入模块、(e)SG、(f)SCA的结构。(a)中样本图像的分辨率和获取日期已标注。

图 5. (a)DSTFN、(b)RLF模块、(c)ESA模块、(d)SRLF模块、(e)Res模块的结构。(a)中样本图像的分辨率和获取日期已标注。
图 6. DSTFN训练过程示意图。
图 7. Landsat 8 OLI影像:(a)堪萨斯州西部农业区(2021年11月5日)、(b)太行山南部地区(2017年4月28日)、(c)鄱阳湖平原区(2018年10月3日)。
图 8. 测试阶段时空融合实验设计示意图,箭头表示从基准期指向预测期。
图 9. SIQRN对2021年5月13日堪萨斯州西部农业区无云影像的实验结果。SIQRN1和SIQRN分别表示SIQRN第一个和第二个(最终)编解码器的重建图像。MOD09Q1影像采用近红外-红-近红外波段合成,MCD43A4、SIQRN1、SIQRN和Landsat 8 OLI影像采用近红外-红-绿波段合成。
图 10. SIQRN对2018年3月30日太行山南部地区影像的实验结果。
图 11. SIQRN对2014年3月14日鄱阳湖平原区影像的实验结果。
图 12. SIQRN在短波红外1波段(SWIR1)对2014年3月14日鄱阳湖平原区影像的实验结果。
图 13. 堪萨斯州西部农业区定性对比实验所用影像及其融合结果。基准期:2019年2月17日;预测期:2019年8月28日。FNDVI表示年度中值合成精细NDVI影像。CB和CP分别表示基准期和预测期的粗分辨率影像,FB和FP分别表示基准期和预测期的精细影像。
图 14. 堪萨斯州西部农业区A子区融合结果放大视图。
图 15. 堪萨斯州西部农业区B子区融合结果放大视图。
图 16. 太行山南部地区定性对比实验所用影像及其融合结果。基准期:2020年5月22日;预测期:2021年9月30日。
图 17. 太行山南部地区A子区融合结果放大视图。
图 18. 太行山南部地区B子区融合结果放大视图。
图 19. 鄱阳湖平原区定性对比实验所用影像及其融合结果。基准期:2020年10月8日;预测期:2014年3月14日。
图 20. 鄱阳湖平原区A子区融合结果放大视图。
图 21. 鄱阳湖平原区B子区融合结果放大视图。
图 22. 堪萨斯州西部农业区各方法融合结果精度统计:(a)均方根误差(RMSE);(b)iEDGE指数;(c)iSSAM指数;(d)各实验平均iSSAM值。
图 23. 太行山南部地区各方法融合结果精度统计。
图 24. 鄱阳湖平原区各方法融合结果精度统计。
图 25. 堪萨斯州西部农业区A/B子区消融实验结果放大视图。
图 26. 太行山南部地区A/B子区消融实验结果放大视图。
图 27. 鄱阳湖平原区A/B子区消融实验结果放大视图。
图 28. RealFusion通过多层不确定性降低实现复杂场景可靠时空融合的机理示意图。
图 29. 鄱阳湖平原区2017年9月30日(基准期)与2018年10月3日(预测期)影像实验。
图 30. 基于时空融合技术的太行山南部地区洪水动态监测。
图 31. RealFusion用于云去除任务的原理示意图。

04

更多阅读


ESSD顶刊2025|河海大学陈跃红副教授发表中国第七次人口普查100米网格化人口数据集(免费下载)

2025-03-23

 

RSE顶刊2025 | 西澳大利亚大学创新突破:OmniCloudMask深度学习模型实现通用卫星影像云与云阴影精确识别

2025-03-23

 

ESSD顶刊2025|空天院刘良云团队刚刚发布全球10米精细分类的土地覆盖数据

2025-03-22

 

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/180386
 
300 次点击