基于深度学习的云掩蔽填补用于改善草原监测
计算机视觉与模式识别
2025-07-25 v2 图像与视频处理
摘要
连续无云光学图像时间序列对于及时监测农作物变化尤为重要，尤其是草原地区。然而，这类时间序列常被云覆盖破坏。为应对这一挑战，我们提出一种创新的深度学习方法，集成云掩蔽后的光学（Sentinel-2）观测数据和天气独立的（Sentinel-1）合成孔径雷达（SAR）数据。我们的方法采用卷积神经网络（CNN）和循环神经网络（RNN）的混合体系结构，生成连续的归一化植被指数（NDVI）时间序列，凸显NDVI在SAR与光学数据协同中的作用。我们通过评估所生成NDVI时间序列对下游草原割草事件检测任务的影响，证明观测连续性的重要性。我们在立陶宛进行研究，该国云覆盖广泛，并将我们的方法与替代插值技术（即线性、Akima、二次）进行比较。我们的方法优于这些技术，平均绝对误差（MAE）为0.024，决定系数R^2为0.92。此外，我们的分析显示，割草事件检测性能得到提升，采用两种广泛应用的割草检测方法时F1分数可达84%。我们的方法还有效缓解了来自云天气观测的突然变化和噪声，这些噪声常被传统云掩蔽遗漏，严重影响割草检测精度。
引用
@article{arxiv.2403.09554,
title = {Cloud gap-filling with deep learning for improved grassland monitoring},
author = {Iason Tsardanidis and Alkiviadis Koukos and Vasileios Sitokonstantinou and Thanassis Drivas and Charalampos Kontoes},
journal= {arXiv preprint arXiv:2403.09554},
year = {2025}
}
备注
Published in Computers and Electronics in Agriculture