STAIR-Tr：基于Transformer的多源卫星数据融合间隙填充方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：STAIR-Tr: Transformer-based Gap Filling for Multi-source Satellite Data Fusion

　　

摘要：

卫星图像可为大规模生态系统监测提供稳定且可扩展的数据，并为地球系统建模提供输入。然而，有两个主要问题制约了卫星图像的应用：（1）由于云层或传感器故障导致的数据缺失；（2）单个卫星传感器的空间分辨率与时间分辨率之间的权衡。为解决这些问题，人们广泛采用了多源卫星数据融合技术，如ESTARFM和STAIR。这些方法依赖无云图像作为参考，要么需要大量人工处理，要么计算成本高昂，这限制了其在大范围区域的应用能力。在本研究中，我们提出了一种基于Transformer的新框架STAIR-Tr，通过高效填补数据缺失并融合多源光学卫星数据来克服上述问题。该方法首先使用基于Transformer的模型填补缺失数据，然后再通过多传感器融合模型生成高分辨率、每日更新且无云的卫星数据。具体而言，我们在北美和南美的三个区域测试了STAIR-Tr在融合Landsat-8（16天周期、30米分辨率）和MODIS（每日更新、500米分辨率）数据时的效果。与STAIR相比，STAIR-Tr在数据填补的准确性和效率方面都有显著提升，标准化均方绝对误差从4.83%降至3.48%，决定系数从0.763升至0.883，同时借助GPU加速，处理速度提升了18倍，成本则降低了2.3倍。相较于ESTARFM，STAIR-Tr无需依赖无云图像，可利用更多参考图像，进一步提升了融合效果，决定系数从0.51升至0.64，标准化均方绝对误差也从23.2%降至20.4%。STAIR-Tr通过基于Transformer的填补机制提升了多源卫星数据融合的准确性与效率，使其更适用于实际应用……

查看更多