关于遥感图像超分辨率重建技术在作物物候提取中应用的研究

《Frontiers in Plant Science》：Research on the application of remote sensing image super-resolution reconstruction techniques in crop phenology extraction

高分辨率卫星遥感数据时空连续性不足制约作物物候监测精度，本研究提出基于生成对抗网络（GAN）的时空数据填补方法。通过统一Sentinel-2和Landsat-8的数据分辨率和光谱特性，构建轻量级PGT-GAN模型进行图像超分辨率重建，显著提升数据连续性（平均重访间隔从6.4/6.63天降至5.7/5.88天），并验证了Savitzky-Golay滤波在物候参数提取中的最优效果，为精准农业监测提供新工具。

　　作物生长周期中的物候现象是农业生产中最重要的生理特征之一，它不仅是作物生长状态的直接指标，也反映了其对环境变化的响应能力。随着物候研究的不断深入，卫星遥感技术因其大范围的观测能力和便捷的数据获取方式，已成为物候监测的重要工具。然而，高分辨率遥感卫星虽然能够提供更精确的物候信息，但往往具有较长的重访周期，而大气条件如云层覆盖则进一步影响了多日期遥感影像的可用性。这导致高分辨率的物候时间序列数据通常较为稀疏，难以捕捉作物生长季中快速变化的物候现象。为了解决这一问题，本研究以稻田和旱地作为实验区域，提出了一种基于生成式图像处理技术的新方法，用于填补遥感数据的时间间隔。该方法通过构建轻量级的超分辨率生成对抗网络（GAN）实现图像重建，随后利用重建后的数据集进行密集时间序列监测和物候参数提取。

物候现象不仅对农业生态系统具有重要意义，也对全球气候变化研究提供了关键数据支持。它反映了植被对气候条件的动态响应，是评估生态系统反馈机制的重要指标之一。物候参数的提取和分析对于理解生态系统与气候之间的相互作用至关重要，同时也在生态学和生物进化研究中扮演着核心角色。因此，准确的物候信息对于农业管理和生态保护具有深远的影响。在物候研究的发展过程中，出现了多种观测和预测方法，主要包括地面观测（包括人工监测、物候相机观测和通量测量）、遥感监测和物候建模。其中，遥感监测因其覆盖范围广和数据获取效率高，逐渐成为主流方法。然而，由于作物生长过程中植被指数变化迅速，对高时间连续性数据的需求尤为迫切，这使得作物物候提取相比其他植被物候研究更具挑战性。

近年来，随着遥感技术的不断进步，空间和时间分辨率都有了显著提升。然而，高分辨率数据的获取仍存在一定的不稳定性，而中低分辨率数据则容易受到混合像元效应的影响。此外，云层和气溶胶等大气因素也常常干扰遥感数据的准确性。即便是一些具备每日重访能力的传感器，如MODIS，其实际可用数据仍受到这些因素的限制。为了解决这些问题，研究人员提出了多种数据重建方法，例如通过谐波模型进行缺失数据的线性拟合，以预测任意日期的土地覆盖变化。这类方法虽然在降噪和数据平滑方面表现出色，但往往缺乏实际数据支持，难以准确还原缺失的物候信息。另一些研究则通过融合不同传感器的数据，如MODIS和Landsat，以生成高时空分辨率的植被指数序列，从而提升作物物候监测的精度。尽管这些数据融合方法已被验证为有效手段，但它们在空间分辨率上仍受到限制，且难以实现更高精度的物候提取。

生成式图像处理技术的快速发展为解决上述问题提供了新的思路。基于生成对抗网络（GAN）的深度学习框架在遥感图像任务中展现出强大的潜力，尤其是在风格迁移和分辨率提升方面。GAN技术能够实现跨传感器的分辨率重建和光谱特性匹配，从而克服传统插值和融合方法在数据支持和光谱一致性方面的不足。本研究提出了一种新型方法，通过GAN框架统一不同遥感影像的空间分辨率和光谱特性，生成时间序列遥感影像，以实现高精度的作物物候提取。该方法的主要创新点在于：（1）构建了一个轻量级的生成对抗网络模型，用于训练和评估生成图像的质量；（2）通过该方法统一了Landsat-8和Sentinel-2的年度影像数据的空间分辨率和光谱范围，生成了密集的时间序列数据，并应用于作物物候提取，同时对不同提取方法的性能进行了系统评估。

本研究的实验区域位于辽宁省南部，靠近辽河入海口，属于温带半湿润季风气候区，春季和夏季降水较多，而秋季和冬季则相对较少。年均降水量约为650毫米，年均气温为8.5°C。该地区位于辽河平原，是东北黑土区的重要保护区域，同时也是中国辽东地区重要的粮食生产区之一。为了进行物候分析，本研究选取了大面积的稻田和旱地作为实验样地。研究区域的地理坐标为北纬40°49′至42°05′，东经121°25′至123°00′。主要种植的作物包括水稻、玉米和高粱。

在数据来源方面，本研究使用了Sentinel-2和Landsat-8的遥感影像数据。Sentinel-2是由欧洲航天局（ESA）发射的一系列高分辨率多光谱成像卫星，包括Sentinel-2A和Sentinel-2B，分别于2015年和2017年发射。Sentinel-2的多光谱仪器（MSI）能够捕捉从可见光到短波红外区域的13个光谱波段，其空间分辨率为10米、20米和60米不等，具体取决于使用的波段。为了构建训练数据集，本研究选取了2023年不同季节拍摄的20幅Sentinel-2影像，并将其下采样至40米分辨率，以模拟低分辨率输入数据。同时，还选取了79组在相同日期拍摄的Sentinel-2和Landsat-8影像，作为异构图像数据集。这些Landsat-8数据也被下采样至40米分辨率，以实现与Sentinel-2影像的分辨率匹配，从而进行模型的微调，提升其在多源数据上的表现。

为了评估模型的性能，本研究采用了一系列标准指标，包括峰值信噪比（PSNR）和结构相似性指数（SSIM）。PSNR用于衡量图像的清晰度，而SSIM则用于评估图像的结构相似性，其基于人眼对图像结构信息的感知特性。实验结果显示，所提出的超分辨率重建方法在PSNR和SSIM指标上均优于主流方法，SSIM值达到0.834，PSNR值为28.69，表明该方法在异构遥感数据重建方面具有较高的准确性。此外，该方法在时间序列重建后，有效缩短了实验区域的遥感影像重访周期，分别从6.40天和6.63天提升至5.70天和5.88天。这表明，该方法不仅在空间分辨率上具有优势，还显著提升了时间序列数据的连续性，为作物物候监测提供了更全面的数据支持。

为了进一步分析物候参数，本研究采用了四种平滑技术，其中Savitzky-Golay滤波器在准确性和稳定性方面表现最佳。尽管重建数据与原始数据在某些物候指标上仍存在差异，但所提出的方法在与基准数据集的对比中显示出更小的偏差。相较于传统的插值方法，该框架在物候提取的准确性上具有明显优势，同时在空间分辨率和数据稳定性方面也优于HLS数据集。实验结果验证了该方法在填补遥感影像时间间隔、提升数据连续性、准确捕捉关键物候转折点以及实现高分辨率作物物候监测方面的有效性。

在物候提取实验中，本研究采用NDVI（归一化植被指数）作为主要的植被健康指标，结合多种平滑方法对时间序列数据进行处理。实验结果表明，重建后的数据在不同平滑方法下展现出与原始数据不同的物候特征。例如，使用移动平均平滑法和Savitzky-Golay滤波器提取的SOS（生长季开始）和EOS（生长季结束）日期在某些区域出现了明显差异。然而，重建数据在减少异常点和提升数据稳定性方面表现优异，特别是在Savitzky-Golay滤波器处理下，提取的EOS日期更早，且在最大值和振幅等指标上表现出更显著的变化。高时空分辨率数据在处理这些差异时展现出更强的鲁棒性，尤其是在移动平均法的实验结果中，重建数据在物候提取过程中表现出更少的噪声，从而提高了数据的可靠性。

此外，与HLS 30米数据和MODIS数据相比，重建后的10米分辨率数据在物候提取的细节上更加丰富，能够更精确地反映不同地块之间的生长差异。尽管MODIS在时间分辨率上具有优势，适合大范围的宏观监测，但在农业区的精细监测方面仍显不足。相比之下，本研究提出的方法在保持高时间分辨率的同时，提升了空间分辨率，从而实现了对作物物候变化的更细致捕捉。这种能力对于精准农业管理和生态研究具有重要意义。

本研究的实验结果还表明，通过将低分辨率的Landsat-8影像重建为高分辨率的Sentinel-2影像，能够有效减少由于云层覆盖和数据缺失导致的物候提取误差。重建后的数据不仅在时间序列上更加密集，而且在关键物候转折点（如作物萌发、抽穗和成熟阶段）上表现出更准确的动态变化趋势。这种数据重建方法为农业遥感研究提供了新的工具，有助于更深入地理解作物生长与环境因素之间的关系，为精准农业、作物产量预测以及气候变化研究提供可靠的数据基础。

在实际应用中，高时空分辨率的物候数据可以用于建立作物生长阶段与产量形成之间的定量关系，从而提升产量预测的准确性。此外，物候信息还能够为农业管理提供科学依据，例如在作物生长的关键阶段实施精准施肥策略，或在易受霜冻影响的时期采取预防措施。这些应用不仅有助于提高农业生产的效率和可持续性，还能够促进农业决策的智能化和数据驱动化。

综上所述，本研究提出了一种基于生成对抗网络的高分辨率遥感图像重建方法，有效解决了传统方法在时间连续性和空间分辨率方面的不足。通过整合超分辨率重建与时间序列数据填充，该方法为作物物候监测提供了更精确和可靠的数据支持。实验结果表明，该方法在多个方面表现出优越的性能，包括提升数据连续性、准确捕捉关键物候转折点以及在不同平滑方法下的鲁棒性。未来的研究可以进一步扩展该方法的应用范围，包括在物候数据缺失更为严重的地区进行验证，以评估其在不同环境条件下的适用性。此外，还可以结合地面观测数据（如PhenoCam数据）对重建结果进行更严格的验证，以提高物候提取的准确性。这些努力将进一步推动遥感技术在农业和生态研究中的应用，为实现精准农业和生态监测提供强有力的技术支持。