保持异质景观的空间保真度：一种基于生物物理指数的1×1卷积神经网络用于多源遥感数据融合

《Remote Sensing》：Preserving Spatial Fidelity in Heterogeneous Landscapes: A Biophysical Index-Guided 1 × 1 CNN for Multi-Source Remote Sensing Fusion

　　

摘要

在高度破碎的景观中实现连续的空间重建，一直是遥感与地理信息系统领域面临的难题。诸如MODIS净初级生产力（NPP）这样的标准化产品能够提供时间上连贯的生态基准，但其中等的空间分辨率可能会掩盖受干扰环境中的急剧变化。本研究构建了一种基于生物物理指数的1×1卷积神经网络框架，用于大规模露天矿区的NPP重建。该框架利用五种来自Landsat的生物物理张量——植被水分胁迫指数（VMSI）、反植被环境指数（AVEI）、土壤调整后的植被环境指数（SAVEI）、AAI-VHI以及穗状冠层湿度（WET）——作为与MODIS NPP基准网格对齐的点态预测因子。由于将卷积核限制为1×1，该模型能够进行非线性的通道级映射，而不需要考虑相邻的网格单元，从而减少了传统多像素CNN可能出现的边界混合问题。通过与随机森林以及标准3×3 CNN的对比测试发现，3×3 CNN的整体准确率略高，而在2020年的空间精度评估中，1×1 CNN的梯度对应性更强，全域空间误差更低。研究结果表明，由具有物理意义的指数引导的点态卷积，为在MODIS基准网格尺度上进行标准化生态重建提供了一种稳妥且易于理解的方法。