综述：创新性SAR-光学数据融合技术在植被覆盖区反射率时间序列重建中的应用

这篇综述推荐了一种创新的多模态数据融合方法STORI（SpatioTemporal Optical Reflectance Interpolation），通过整合Sentinel-1 SAR（合成孔径雷达）与Sentinel-2光学遥感数据，解决了云层干扰导致的植被监测时间序列缺失问题。该方法采用轻量化双向循环神经网络（Bi-LSTM）架构，结合时空特征提取模块，显著提升了反射率数据的完整性和精度，尤其在长期云污染场景下表现优异，为农业、草原和森林生态监测提供了可靠技术支撑。

　　

背景

全球环境挑战加剧使得植被动态监测成为生态系统管理的核心需求。Sentinel-2等高时空分辨率光学卫星虽能精准捕捉植被变化，但其光学传感器易受云雨干扰，导致数据缺失。传统单传感器重建方法（如HANTS时间序列插值）受限于可用无云图像数量，而多源光学数据融合（如STARFM算法）在严重云污染区域效果有限。Sentinel-1 SAR凭借全天候成像能力成为补充数据源，但其主动相干成像机制与光学数据存在显著差异，亟需创新融合方法。

方法论

STORI方法通过三阶段实现反射率重建：

1. 云影检测与时间序列合成：基于S2-cloudless产品生成云掩膜，结合近红外波段阈值识别阴影区域，构建五日均值合成序列。
2. SAR趋势特征提取：对Sentinel-1的VH极化和雷达植被指数（RVI）进行季节性趋势分解（STL），提取反映植被生长的趋势分量。
3. 双向动态重建：采用轻量化Bi-LSTM网络，通过时空卷积模块（SCM）增强SAR特征稳定性，引入自适应时间衰减因子γ_t调节长间隔预测权重，最终通过双向预测加权融合输出连续反射率序列。

实验验证

在新疆伊犁（草原）、美国普利茅斯（农田）和蒙古苏赫巴托尔（火烧迹地）的测试表明：

• 随机缺失场景：当缺失率达60%时，STORI的RMSE较BRITS降低42%，R²保持在0.91以上；
• 连续缺失场景：20期连续缺失下仍能准确重建植被物候曲线，NDVI重建误差<0.05；
• 实际应用测试：在蒙古草原火迹地检测中，重建数据成功还原了火灾前后的地表反射率突变，验证了方法在灾害监测中的实用性。

创新价值

STORI的核心突破在于：

1. 跨模态动态关联建模，通过SAR趋势特征（VHT/RVIT）与光学反射率的非线性映射，克服了传统方法对时间邻近性的依赖；
2. 轻量化设计仅需2.3M参数，无需区域特异性训练数据，适用于资源受限地区。该技术为多云地区的农作物长势评估、草地扰动检测等应用提供了高性价比解决方案。