基于深度学习的地表温度时空融合：综合调查、实验分析与未来趋势
机器学习
2025-12-24 v2 人工智能
计算机视觉与模式识别
摘要
地表温度(LST)在气候监测、城市热浪评估和大气-陆地相互作用中发挥着关键作用。然而，当前的热红外卫星传感器无法同时实现高空间分辨率和高时间分辨率。时空融合(STF)技术通过组合两种互补卫星数据来解决这一限制：一种具有高空间但低时间分辨率，另一种具有高时间但低空间分辨率。现有的STF技术，从经典模型到现代深度学习(DL)架构，主要是为表面反射率(SR)开发的，其应用于热数据仍有限，常常忽视LST特定的空间和时间可变性。本研究提供了针对LST的DL-based STF方法的聚焦性综述。我们提出了热力学融合任务的正式数学定义，提出了相关DL方法的细化分类，分析了将SR导向模型改编用于LST所需的修改。为支持可重复性和基准测试，我们引入了一个新数据集，包含2013年至2024年的51个 Terra MODIS-Landsat LST对，并评估了代表性模型以探索其在热数据上的行为。分析结果突显了性能差距、架构灵敏性和开放研究挑战。该数据集和随附资源已公开available at https://github.com/Sofianebouaziz1/STF-LST。
引用
@article{arxiv.2412.16631,
title = {Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends},
author = {Sofiane Bouaziz and Adel Hafiane and Raphael Canals and Rachid Nedjai},
journal= {arXiv preprint arXiv:2412.16631},
year = {2025}
}