基于多源数据融合与混合ResNet-GAN-Transformer架构的高寒草地高分辨率植被覆盖度降尺度方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A ResNet–GAN–Transformer Hybrid Framework for Multi-Source Data–Driven Fractional Vegetation Cover Downscaling in Alpine Grasslands

　　

摘要：

fractional vegetation cover (FVC) 是监测高寒草地生态系统和模拟碳—水循环的关键指标。然而，现有FVC产品相对较粗的空间分辨率限制了对精细尺度空间异质性的表征能力，从而降低了其在高精度生态评估中的有效性。现有降尺度方法受限于跨尺度训练样本不足以及多源环境约束融合不充分。为克服这些局限性，本研究提出了一种多源生成式降尺度框架，用于将FVC从250米分辨率高精度重构至30米分辨率。具体而言，采用Stacking集成学习模型协同整合无人机、MODIS和Sentinel-2数据，构建了包含长期250米输入和高精度30米参考样本的跨尺度数据集。随后，开发了一种混合ResNet-GAN-Transformer（RGT）架构。该模型集成Transformer瓶颈层以捕获全局空间依赖关系，并采用高效通道注意力机制自适应融合环境变量。此外，采用带梯度惩罚的Wasserstein生成对抗网络以增强细粒度纹理重构。结果表明：(1) Stacking模型生成的样本具有较高的准确性，R2 > 0.82，RMSE < 0.11；(2) 所提出的RGT模型优于随机森林、ViTgan和SwinGAN，实现了更优的降尺度性能（R2 = 0.882，RMSE = 0.107）；(3) 2015至2025年生成的30米FVC数据集在黄河源区表现出稳定的跨年验证性能，各年份R2在0.77至0.87之间波动。所提出的框架有效克服了高异质区域亚像元信息重构的局限性，提供了可靠的数据基础和一个转...

查看更多