结合多时相光学与 SAR 数据利用 BiLSTM 网络进行 LAI 插补
计算机视觉与模式识别
2023-07-17 v1 图像与视频处理
摘要
叶面积指数（LAI）对预测冬小麦产量至关重要。通过 Sentinel-2 遥感影像获取作物状况可能受持续云层阻碍，影响产量预测。合成孔径雷达（SAR）提供全天候影像，其交叉极化与同极化通道（C 波段）之比与冬小麦区时间序列 LAI 高度相关。本研究评估了利用时间序列 Sentinel-1 VH/VV 进行 LAI 插补以增时空密度的效果。我们采用双向 LSTM（BiLSTM）网络插补时间序列 LAI，并以各时间步的半均方误差作为损失函数。我们在仅使用 Sentinel-1 VH/VV 与 Sentinel-2 生成的 LAI 数据上，于德国南部和华北平原训练模型。实验结果表明 BiLSTM 优于传统回归方法，能捕捉多时间序列间的非线性动态。其在不同生长条件下均表现稳健，且即便在 Sentinel-2 影像有限时仍有效。BiLSTM 性能超越 LSTM，尤其在衰老期。因此，BiLSTM 可用于结合时间序列 Sentinel-1 VH/VV 与 Sentinel-2 数据插补 LAI，该方法可推广至其他时间序列插补问题。
引用
@article{arxiv.2307.07434,
title = {Combining multitemporal optical and SAR data for LAI imputation with BiLSTM network},
author = {W. Zhao and F. Yin and H. Ma and Q. Wu and J. Gomez-Dans and P. Lewis},
journal= {arXiv preprint arXiv:2307.07434},
year = {2023}
}