用于MODIS地表温度超分辨的卷积神经网络建模
计算机视觉与模式识别
2022-04-04 v2 人工智能
机器学习
图像与视频处理
数据分析、统计与概率
摘要
如今，热红外卫星遥感传感器能够在大规模上提取非常有意义的信息，尤其是地表温度(LST)。然而此类数据在空间分辨率和/或时间分辨率上受限，阻碍了对精细尺度的分析。例如，MODIS卫星提供每日1Km空间分辨率的观测，不足以处理高度异质的环境如农业地块。因此，图像超分辨率是更好利用MODIS LST的关键任务。本文致力于解决该问题。我们引入一种基于深度学习的算法，称为Multi-residual U-Net，用于MODIS LST单幅图像的超分辨率。我们所提网络是U-Net架构的改进版本，旨在将输入LST图像从每像素1Km超分辨至250m。结果表明，我们的Multi-residual U-Net优于其他SOTA方法。
引用
@article{arxiv.2202.10753,
title = {Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution},
author = {Binh Minh Nguyen and Ganglin Tian and Minh-Triet Vo and Aurélie Michel and Thomas Corpetti and Carlos Granero-Belinchon},
journal= {arXiv preprint arXiv:2202.10753},
year = {2022}
}