基于深度学习的复杂地形下受云层干扰的地表温度重建与融合技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Deep Learning-Based Reconstruction and Fusion of Cloud-Contaminated Land Surface Temperature in Complex Terrain

　　

摘要：

云层覆盖和强烈的地形异质性严重限制了在复杂地形上生成空间连续且时间一致的地表温度（LST）产品。为了解决这个问题，本研究开发了一个混合重建和融合框架，该框架整合了部分卷积神经网络（PCNN）、ConvLSTM时间重建分支以及考虑地形和季节因素的三重配准（TC）融合策略。PCNN旨在处理不规则云层覆盖下的空间修复问题，而ConvLSTM则利用LST序列中的时间依赖性。首先在每个传感器数据流中自适应地结合它们的输出，然后与ERA5-Land数据融合，以生成全天候的地表温度场。使用2011年至2022年的MODIS数据和2011年至2019年的FY-3数据对中国西北部哈密地区进行实验评估，通过模拟缺失数据实验、代表性场景分析、外部交叉验证以及时间-空间一致性诊断来验证该框架的有效性。结果表明，PCNN更好地保留了受地形控制的空间细节和局部热梯度，而ConvLSTM提供了更平滑的时间演变和更稳定的夜间重建结果。与Landsat 8 C2_ST和TRIMS的数据进行外部验证后发现，重建产品再现了地表温度的主要空间和时间特征，尽管在不同传感器和日变化条件下其性能仍存在差异。考虑地形和季节因素的TC融合方法相对于最佳单一来源产品具有选择性的提升，表明其优势取决于具体场景。总体而言，所提出的框架为在易受云层影响且地形复杂的地区重建受云层污染的地表温度提供了一种有效且具有物理解释性的方法。