深度学习驱动的遥感时空融合技术：十年进展与未来展望

《eTransportation》：Optimizing the charging behaviors of private BEVs to enhance coordinated charging and V2G in Beijing

这篇综述系统梳理了近十年深度学习(DL)在遥感时空融合(STF)领域的突破性进展，首次建立了包含CNN、Transformer、GAN、扩散模型和序列模型的五维分类体系。文章通过7个基准数据集验证了不同架构的优劣：CNN擅长空间特征提取，Transformer长于捕捉时序依赖，而GAN/扩散模型在细节重建上表现卓越。综述还揭示了当前面临的时空冲突、泛化性不足等五大挑战，并指出基础模型(foundation models)和自监督学习等未来方向。

　　

Highlight

本综述首次全面回顾了过去十年深度学习在遥感时空融合(STF)中的应用，建立了包含卷积神经网络(CNN)、Transformer、生成对抗网络(GAN)、扩散模型和序列模型的系统分类体系。我们的分析表明：基于CNN的方法在空间特征提取中占据主导地位，Transformer架构在捕捉长程时间依赖性方面表现更优，而GAN和扩散模型在细节重建上展现出非凡能力，在结构相似性和光谱保真度上远超传统方法。

Advances

近年来，时空融合(STF)技术取得显著进展，特别是通过深度学习方法的整合。该领域已从传统统计方法发展为复杂的神经网络架构，实现了跨不同空间、时间和光谱分辨率的遥感数据更精准高效的融合。

Experiments

为全面评估深度学习方法在遥感时空融合中的性能，我们在7个基准数据集上对10种代表性方法进行了系统对比实验。

Challenges

本节探讨遥感时空融合技术开发和应用中遇到的各种挑战。突破这些限制需要研究者创新现有技术，深化对问题的理解，并提供支持时空融合应用进一步发展的解决方案。

Balancing data-driven and model-driven approaches

平衡数据驱动和模型驱动方法源于遥感图像处理中对泛化性和精确性的不同侧重。如前述，泛化性指模型在陌生训练数据上的表现能力，本质是其适应性或可迁移性。精确性则衡量模型在处理已知数据时预测结果与实际结果的匹配程度。像深度学习这样的数据驱动方法展现出卓越的自适应能力...

Conclusion

本综述首次系统回顾了过去十年深度学习在遥感时空融合中的应用，建立了包含CNN、Transformer、GAN、扩散模型和序列模型的五维分类体系。分析表明CNN主导空间特征提取，Transformer擅长建模长程时间依赖，而GAN/扩散模型在生成能力上更胜一筹。