一种基于改进的鲁棒优化算法（iROBOT）的融合模型，用于实现可靠、时空连贯的遥感数据重建

《International Journal of Applied Earth Observation and Geoinformation》：An improved ROBust OpTimization-based (iROBOT) fusion model for reliable spatiotemporal seamless remote sensing data reconstruction

遥感影像时空融合中，iROBOT通过对象级处理替代固定矩形窗口，结合自适应间隙填充与低质量信息检测模块，有效抑制块状伪影并提升云污染场景下的融合可靠性。实验表明iROBOT较ROBOT平均降低RMSE 20.3%-30.4%，PSNR提升8.3%-8.7%，且在16组对比实验中PSNR保持最优。

　　高分辨率的时序遥感影像在农业监测、灾害评估等众多领域中具有不可替代的重要性。然而，光学卫星遥感技术在空间分辨率与覆盖宽度之间存在固有的权衡关系，这使得单一平台难以同时实现高空间与高时间分辨率。为了解决这一问题，研究者们提出了多种方法，将多源光学数据进行融合，从而生成兼具高空间和高时间分辨率的合成影像。其中，ROBust OpTimization-based (ROBOT) 融合模型因其效率高、精度好以及参数化简单，受到了广泛关注，并被成功应用于无缝全球数据立方体的重建。尽管如此，ROBOT仍存在一些局限性，例如其滑动窗口策略常常导致块状伪影，而辅助影像中的云污染进一步降低了重建的精度和可靠性。为此，本文提出了一种改进版的ROBOT模型（iROBOT），旨在解决上述问题，提升融合的准确性和鲁棒性。

iROBOT的主要改进点在于采用了光谱和空间上一致的段落（segments）作为基本处理单元，而非固定的矩形窗口。这种方法可以有效消除块状伪影，同时更好地保留影像的结构细节。此外，iROBOT在融合前对时间最近的辅助影像进行了自适应的空值填充，确保即使在云污染的情况下，也能获得更可靠的融合结果。通过这种方式，iROBOT能够从辅助影像中过滤掉不可靠的低质量信息，从而在复杂和动态的表面条件下提升重建的稳定性。实验结果显示，在两个代表性区域进行的28次实验中，iROBOT在云无影响和云污染两种情况下均优于ROBOT、OL-HSTFM和FSDAF模型，特别是在多时相辅助影像中的信息选择能力方面表现出色，随着辅助输入数量的增加，其精度优势更加显著，同时在云多的环境中也表现出更强的鲁棒性。

在方法学层面，当前的多时相融合方法主要分为权重函数法、混合分解法、贝叶斯法、学习法以及混合方法。权重函数法通过局部加权组合辅助影像来重建目标观测，其代表方法包括STARFM、ESTARFM和STNLFFM。这类方法在同质和缓慢变化的区域中表现良好，但在异质或非平稳的环境中则效果较差。混合分解法通过分解光谱混合来将低分辨率影像下采样到高空间分辨率，这一原理在超分辨率领域被广泛应用。代表方法包括U-STFM、SU-BR、SU-GW以及用于城市制图的Sentinel-2下采样方法。然而，它们在捕捉类别内部时间变化方面的灵活性有限，从而限制了其在复杂地表条件下的重建精度。贝叶斯法通过将融合问题建模为最大后验估计问题，代表方法包括STBDF和KFRFM。尽管这些方法在理论上严谨，但其对理想分布假设的依赖和对云污染及地表突变的敏感性，导致其在动态或噪声环境中可能产生不准确的结果。

学习法依赖于数据驱动建模，建立多源遥感影像之间的关系。早期方法主要采用传统的机器学习技术，如字典学习和随机森林。随着深度学习在计算机视觉领域的快速发展，遥感影像的融合、超分辨率和重建取得了显著进展。代表性的深度学习模型包括MLFF-GAN、结合Transformer和CNN的多阶段融合模型（MSFusion）、基于交叉注意力的自适应加权融合网络（CAFE）、基于扩散模型的多时相融合方法（STFDiff）、用于无缝高分辨率影像重建的可靠框架（Realfusion）以及无监督模型引导的互学习网络（MMSTF）。这些方法利用先进的深度架构提取遥感影像的层次化和抽象化特征，同时捕捉复杂的影像间关系。它们强大的非线性建模能力使得在云污染和快速地表变化等挑战性条件下也能实现准确和鲁棒的融合。然而，过拟合、异质大气条件和复杂地表变化仍然限制了它们的可迁移性和泛化能力，影响了在分布外区域或未曾观测的地表变化中的可靠重建，对大规模应用提出了挑战。

混合方法结合了多种策略，利用各自的优势，因此受到了越来越多的关注。代表性方法包括FSDAF、VSDF、OBSUM以及基于自训练随机森林回归和残差补偿的混合方法。尽管这些方法在某些情况下表现良好，但它们的复杂性往往导致计算成本较高，且在实际应用中可能面临数据质量和计算资源的限制。

本文提出的iROBOT方法在解决上述问题方面具有显著优势。首先，iROBOT采用基于对象的处理策略，将固定矩形窗口替换为光谱和空间上一致的段落。这种方法可以有效消除块状伪影，同时更好地保留结构细节。其次，iROBOT在融合前对时间最近的辅助影像和预测阶段的粗分辨率影像进行了自适应的空值填充，以提高在云污染情况下的鲁棒性。此外，iROBOT引入了低质量信息检测模块，在回归和残差分配步骤中排除不可靠的云污染区域，确保辅助影像的可靠利用。通过这些改进，iROBOT在云污染场景下的表现优于其他方法，并且能够更有效地利用多时相辅助影像。

为了验证iROBOT的性能，本文在两个具有代表性的区域（鄱阳湖湿地和天山北麓农业区）进行了实验。实验结果显示，iROBOT在所有评估指标中均优于ROBOT、FSDAF和OL-HSTFM，尤其是在云污染情况下。此外，iROBOT在云无影响和云污染两种场景下的表现均优于其他方法，证明了其在复杂地表条件下的稳定性和可靠性。通过消融实验，进一步验证了iROBOT在自适应空值填充和对象级处理方面的有效性。实验结果表明，iROBOT的改进措施显著提升了融合质量，使其在大规模应用中更具潜力。

在计算效率方面，iROBOT虽然处理了不规则的段落对象，但由于增加了辅助影像的空值填充步骤，其计算负载理论上略高于ROBOT。然而，iROBOT仍然比FSDAF快20.8-21.5倍，比OL-HSTFM快2.0-2.7倍。尽管其计算效率略低于ROBOT，但在实际应用中，这种效率损失可以接受。此外，iROBOT的结构设计使其更适合GPU加速，从而支持大规模的全球应用。

在多时相信息利用方面，iROBOT采用对象级处理，将光谱和空间上一致的段落作为回归单元，从而更有效地捕捉多时相辅助信息。这种方法不仅解决了VIP回归方法在处理空间异质性方面的不足，还通过排除低质量信息，确保了融合结果的可靠性。实验结果表明，iROBOT在云污染环境中表现尤为出色，能够充分利用多时相辅助信息，提升融合的精度和鲁棒性。

尽管iROBOT在多时相融合方面表现出色，但仍存在一些局限性。首先，对象级处理可能限制融合结果的形态多样性，特别是在地表变化剧烈的区域。其次，当前的iROBOT方法在处理异质数据源时，对尺度和光谱差异的考虑仍然不足，这可能影响其在某些复杂场景下的性能。因此，未来的研究可以进一步引入物理模型约束，如光谱响应函数，以提升超分辨率重建的可靠性。此外，iROBOT在同时存在云污染和快速地表变化的场景中仍存在一定的可靠性限制，因此需要更适应性的时相建模方法来进一步优化其性能。

综上所述，iROBOT作为一种改进的多时相融合方法，在处理云污染和块状伪影方面具有显著优势。其基于对象的处理策略、自适应空值填充和低质量信息检测模块，使得在复杂和动态的地表条件下也能实现高质量的影像重建。实验结果表明，iROBOT在多个指标上均优于现有方法，特别是在云污染和云无影响场景下。这些成果不仅证明了iROBOT在提升全球尺度影像重建精度方面的潜力，也为未来多时相融合研究提供了有价值的参考。