最新研究成果：NB_Re3框架实现高质量反射率时序数据重建
最新研究成果：NB_Re3框架实现高质量反射率时序数据重建
高时空分辨率多光谱反射率数据对于监测地球表面动态变化至关重要，但云层污染等干扰因素往往导致数据获取困难。本研究提出了一种新型的基于NDVI辅助的多光谱反射率时间序列重建模型（NB-Re3），通过深度学习框架充分捕捉反射率本身的时间趋势以及高质量的NDVI信息，实现了高时空分辨率反射率时序数据的重建。
研究背景
高时空分辨率多光谱反射率数据可以为各种地表应用监测地球表面连续、密集的动态变化并捕捉准确的空间细节。遗憾的是，由于云层污染和其他干扰，高时空分辨率的无云反射率时间序列往往很难获取。现阶段的各类数据重建方法均有其不足之处，且稳定的基于深度学习框架的时间序列重建方法仍处于正在发展的阶段。本研究提出了一种新型的基于NDVI辅助的多光谱反射率时间序列重建模型（NB-Re3），通过合适的深度学习框架充分捕捉反射率本身的时间趋势以及充分利用高质量的NDVI信息来构建反射率与NDVI之间的潜在关系，从而重建高时空分辨率的反射率时序数据。
方法介绍
本研究框架主要通过学习高质量NDVI与反射率之间的特征关系以及反射率波段之间的相关性来构建，主要分为以下三个步骤：（1）采用ATSA等云雾识别算法获取到高分辨率影像的云掩膜；（2）采用高质量遥感时间序列影像缺失数据插补算法（Gap Filling and Savitzky-Golay filtering method，GF-SG）对NDVI时序数据进行高质量重建；（3）构建深度学习网络——时序卷积网络（TCN）和双向循环深度学习网络（Bi-LSTM）学习NDVI的时序趋势特征，及其与反射率之间的深度特征关系，对反射率时序数据进行高质量重建。
图1 网络结构图
主要结果
在不同的时间序列缺失模式下，尽管总体精度随着云覆盖率的增加而呈下降趋势，但NB-Re3在两个不同的研究地点（CIA和RKZ）和不同数据集上（Landsat-8和Sentinel-2），均方根误差（RMSE）和空间边缘指标（Edge）都表现得最为稳健和出色。另外，所有方法在哨兵数据集上的表现普遍优于Landsat-8数据集，主要原因是哨兵数据集具有更高的时空分辨率，增加了输入信息帮助算法更好的建模。
图2 不同方法在不同缺失模式下的重建影像的定量精度分析
从视觉空间分布角度来分析，与其他方法相比，NB-Re3更能准确地捕捉空间细节，避免 "椒盐噪声 "或 "分块效应"。而基于其他方法重建的时间序列影响在视觉表现上均表现出空间不连续性或空间细节的平滑模糊。
图3 不同方法在不同缺失模式下的重建影像的视觉空间表现
此外，NB-Re3可以在一定程度上减轻不准确的云掩膜对重建精度的影响（图4），以及引入的重建NDVI时间序列的质量越高，NB-Re3的重建精度就越高（见图 5）。这不仅证实了在 NB-Re3 中选择GF-SG重建NDVI时序是一个更好的选择，而且还表明任何提高NDVI重建质量的方法都将有利于提高NB-Re3的性能。
图4 NB_Re3在不同云掩膜错误情形下的重建影像的视觉空间表现
图5 引入不同重建精度的NDVI时间序列的精度对比
结论
本研究提出了一种新型的高质量反射时间序列重建方法（NB-Re3），充分利用了NDVI时间序列和多个光谱波段之间的光谱自相关性。实验表明，在不同的观测缺失情况下，NB-Re3模型的性能优于其他四种现有的先进方法（MNSPI、HANTS、STAIR 和 U-TILISE），且对于不同错误情形下的云掩膜具有一定的鲁棒性。总之，NB-Re3在为用户特定应用生成无云反射率时间序列产品方面具有巨大潜力。
论文信息
H. Shu, Z. Gu, Y. Chen, H. Chen, X. Chen and J. Chen, "NB_Re3: A Novel Framework for Reconstructing High-Quality Reflectance Time Series Taking Full Advantage of High-Quality NDVI and Multispectral Autocorrelations," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 17, pp. 12451-12465, 2024, doi: 10.1109/JSTARS.2024.3421237.