遥感在监测农业景观方面发挥着至关重要的作用，但目前的卫星传感器往往难以平衡空间和时间分辨率。
高空间分辨率图像虽然细节丰富，但通常受到不频繁拍摄和云干扰的限制，从而降低了其在快速变化的环境中的应用。相反，时间分辨率更高的图像缺乏精确分析所需的空间细节。
这些挑战凸显了对能够更好地服务于农业应用的先进融合方法的需求。
北京师范大学遥感科学国家重点实验室团队与其他机构合作开发了一种新的时空融合方法StarFusion。
这项研究发表在《遥感杂志》上，结合了深度学习和传统回归技术，以解决当前融合方法的局限性。StarFusion 有效地将高分辨率 Gaofen-1 数据与中分辨率 Sentinel-2 数据融合，从而显著增强了农业监测图像的质量。
StarFusion 代表了一种时空图像融合的创新方法，融合了深度学习和传统回归模型的优势。通过将超分辨率生成对抗网络(SRGAN) 与偏最小二乘回归 (PLSR) 模型相结合，StarFusion 实现了高融合精度，同时保留了精细的空间细节。
该方法有效地管理了空间异质性和无云图像可用性有限等挑战，使其在现实世界的农业应用中非常实用。
在各种农业站点进行的广泛测试表明，StarFusion 优于现有技术，特别是在保持空间细节和提高时间分辨率方面。它能够以最少的无云数据运行，这使其与众不同，为经常受云层困扰的地区的农作物监测提供了可靠的解决方案。
“StarFusion 代表了农业遥感技术的一次宝贵尝试，”该研究的主要作者金晨教授说。“它能够生成具有更高时间分辨率的高质量图像，这将大大增强精准农业和环境监测。”
StarFusion 为数字农业提供了显著优势，可提供详细的农作物监测、产量预测和灾害评估所必需的高分辨率图像。它能够在云层覆盖和数据可用性有限的情况下生成精确的图像，这对于天气条件恶劣地区的农业管理尤其有价值。
随着这项技术的发展，StarFusion 有望在提高农业生产力和可持续性方面发挥关键作用。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！