基于卷积神经网络的卫星影像短波红外(SWIR)波段引导超分辨率重建技术研究

来自印度的研究人员针对资源卫星LISS-4传感器缺乏高分辨率短波红外(SWIR)波段的问题，创新性地采用卷积神经网络(CNN)引导超分辨率技术，利用24米分辨率的LISS-3 SWIR波段与5米分辨率的LISS-4可见光/近红外波段，成功重建出5米高分辨率SWIR数据。该技术首次实现卫星光谱波段超分辨率重建，并在Sentinel-2数据验证中展现出良好普适性。

　　

在遥感影像处理领域，基于深度学习(deep learning)的超分辨率(super-resolution)技术近期取得突破性进展。这项创新研究巧妙运用卷积神经网络(CNN)引导的超分辨率网络模型，通过融合低分辨率光谱波段与现有高分辨率波段数据，成功实现卫星影像光谱带的高精度重建。研究团队将该技术具体应用于Resourcesat-2/2A卫星的LISS-4传感器，以24米空间分辨率的LISS-3短波红外(SWIR)波段数据为引导，结合5米分辨率的LISS-4绿光(Green)、红光(Red)和近红外(NIR)波段数据，首次实现了5米高分辨率SWIR波段数据的重建。该模型的独特优势在于采用简洁的CNN架构，并保持光谱数据的原生空间分辨率特性。通过定性与定量分析验证，该技术方案展现出卓越的有效性。值得注意的是，研究团队还将该模型成功拓展应用于Sentinel-2影像数据，将低分辨率波段超分辨率重建至10米水平，充分证明了该技术的广泛适用性。