一种受推荐系统启发的卫星海岸观测云数据填补方案

填补卫星影像中云覆盖区域的缺失数据是一项重要任务，可提升数据数量与质量以加强地球观测。传统的云填补研究侧重于连续数值数据，如开阔海洋中的温度和蓝藻浓度。由于地貌复杂，海岸影像中的云数据填补问题研究甚少。受为在线购物设计的推荐系统中数据插补方法成功的启发，本研究探索了它们在卫星云数据填补任务中的应用。我们设计并开展了一项针对 LandSat 数据集的数值实验，该数据集具有一系列合成云覆盖，以检验不同数据填补方案的性能。受推荐系统启发的矩阵分解算法 Funk-SVD 在恢复复杂海岸区域地貌类型的任务中，在计算精度和效率上均优于传统的 DINEOF（数据插值经验正交函数）填补方案和深度学习 method Datawig。新方法达到了最佳填补精度，且速度可与 DINEOF 媲美，远快于深度学习方法。我们建立了一个理论框架来分析 DINEOF 中的误差传播，发现该算法需要修正才能收敛到真实值。本研究表明 Funk-SVD 在提升云数据填补性能方面具有巨大潜力，并连接了推荐系统与云填补领域，以促进有用算法的改进与共享。