基于时间序列的影像融合算法TIF：实现10米分辨率Landsat与Sentinel-2协同地表反射率重建

本文推荐研究人员开发了一种基于时间序列的影像融合算法（TIF），旨在解决当前缺乏高时空分辨率（10米）全球地表反射率产品的问题。该研究通过整合Landsat 8/9与Sentinel-2数据，构建像素级线性回归模型，显著提升了多源遥感数据融合的精度与效率。实验表明，TIF在五个美国试验区的表现优于STARFM、FSDAF 2.0、Sen2Like和ESRCNN等方法，RMSE降低24%，SSIM提升6%，为高分辨率地表动态监测提供了切实可行的技术途径。

　　

随着对地球表面动态监测需求的日益增长，高时空分辨率遥感数据成为农业、林业、生态学和城市化研究的重要支撑。然而，现有遥感数据产品在空间与时间分辨率之间存在显著矛盾：中分辨率传感器（如Landsat系列）提供30米空间分辨率但时间分辨率较低（重访周期8–16天），无法捕捉日内或数日内发生的快速地表变化（如洪水、虫害爆发等）；而高时间分辨率数据（如MODIS）空间分辨率较粗（250–1000米），难以满足精细尺度分析的需求。尽管美国航空航天局（NASA）推出的 Harmonized Landsat and Sentinel-2（HLS）数据集融合了Landsat 8/9和Sentinel-2数据，将重访周期缩短至约2天，但其空间分辨率仍限于30米，无法充分发挥Sentinel-2原生10米波段的应用潜力。

为解决这一矛盾，近年来发展了多种时空影像融合方法，主要包括基于权重函数的方法（如STARFM）、解混方法、学习类方法（如深度学习模型ESRCNN）以及混合方法（如FSDAF）。这些方法在一定程度上提升了数据融合的能力，但仍存在三方面局限：其一，严重依赖高质量、时间匹配的影像对，在实际应用中难以保证；其二，对异质地表或突变地物变化的适应能力较差；其三，计算成本高、可扩展性差，难以支撑大范围、长时序的业务化生产。

为此，由康涅狄格大学自然资源与环境系Kexin Song、Zhe Zhu等人组成的研究团队开发了一种全新的时间序列影像融合算法——Time-series-based Image Fusion（TIF），旨在生成10米分辨率的地表反射率时间序列数据。该成果发表在遥感领域顶级期刊《Remote Sensing of Environment》上。

TIF算法的核心创新在于其完全摒弃了对影像对的依赖，转而利用所有历史有效观测数据，构建像素级的线性回归模型。其关键技术环节包括：基于16天时间窗口的L30（30米Landsat反射率数据）与S10（10米Sentinel-2反射率数据）像对匹配与时间权重分配；采用K-means聚类识别像元的不同光谱状态；利用稳健回归（robustfit）拟合不同状态下的传感器间关系；并通过自适应选择最优模型系数，最终实现对任意Landsat观测日期的高分辨率预测。

研究选取美国本土五个具有不同地形、地表覆盖与历史干扰过程的HLS图幅作为试验區，包括远西区、落基山脉、大平原、东南部和新英格兰地区。所用数据包括HLS v2.0的Landsat地表反射率数据、经大气校正和BRDF归一化处理的Sentinel-2反射率数据，以及多分辨率基准数据集。算法校准采用包含1万个简单随机样本和5000个分层随机变化样本的双重采样策略，验证则完全独立于校准数据，确保评估的客观性。

通过视觉对比、定量评价和变化检测应用三个层面的分析，TIF在多个方面展现出优越性能：

在视觉评估方面，TIF重建的影像在植被覆盖区、农田和城市区域均能较好地保持光谱特征与空间细节，无明显光谱失真或空间纹理异常。相比之下，STARFM和FSDAF 2.0容易出现斑块状artifact，ESRCNN在边缘处存在过度平滑或锐化不一致的问题，而Sen2Like（S2L）则表现出整体色调偏差和细节模糊。

在定量评价中，TIF在六个光谱指标（UIQI、SSIM、RMSE、ERGAS、CC、AAD）上综合表现最佳，其平均RMSE为0.0196，在森林均质区域甚至降至0.0132。其结构相似性（SSIM）和图像质量指数（UIQI）均接近1，误差指标显著低于对比方法。半方差分析进一步表明，TIF在不同滞后距离下与参考影像的空间特征最接近，空间保真度最高。

在变化检测应用中，基于TIF预测结果制作的变化图与真实Sentinel-2结果相比，平均F1分数达到0.70，平均差异率仅为0.05，优于ESRCNN、FSDAF 2.0和S2L等方法。TIF能够更准确地识别植被变化、林火迹地、城市扩张等类型的地表改变，且虚检与漏检率较低。

研究表明，TIF算法之所以能够取得如此显著的效果，主要源于以下几方面优势：其一，充分利用长时间序列观测，摆脱了对单一影像对的依赖，从而提高了模型的鲁棒性和泛化能力；其二，通过像素级聚类与回归，有效捕捉了异质地表下的光谱响应变化；其三，算法输出为可重复使用的系数文件，支持“一次训练、多次预测”的高效操作模式，极大提升了大规模业务化应用的可行性。

尽管如此，TIF在某些特殊环境下仍存在局限性，例如在水体区域由于大气校正的不确定性，表现有所下降；在高度集约化农业区可能出现块状效应。此外，算法性能依赖于足够数量的历史观测像对，云覆盖严重的地区可能需要扩展时间匹配窗口以获取足够样本。

综上所述，TIF算法不仅显著提升了Landset与Sentinel-2数据融合的精度与效率，而且为构建全球10米分辨率地表反射率时间序列产品提供了坚实的技术基础。这一突破将有力推动精细农业、森林扰动检测、城市环境监测、地表变化分析等领域的研究与应用，为全球尺度高时空分辨率地球观测开辟了新的时代。