使用深度生成模型对 Sentinel-2 时间序列进行稠密化与预测：融合多模态 SAR 与光学卫星数据
计算机视觉与模式识别
2026-05-07 v1
摘要
光学卫星图像时间序列在许多地球观测应用中被广泛使用，包括农业、气候监测和地表分析等。然而，云层和扫描边缘导致时间维度上的不规则抽样，限制了连续监测。为此，越来越多的研究致力于时间序列稠密化和重建，以填补数据范围内缺失或被云污染观测的间隙。虽然这些方法改进了时间连续性，但本质上仅限于在观测时段内重建缺口，无法预测未来观测。本文提出一种概率深度学习框架，用于 Sentinel-2 时间序列的稠密化与预测，可在任意过去或未来日期生成光学图像。该方法通过联合利用 Sentinel-2 光学数据和 Sentinel-1 SAR 数据，实现多模态卫星数据的融合。与大多数现有工作不同，本文聚焦于生成图像的不确定性。实验结果表明，在稀疏和时间错位的时间序列上，本方法实现了有效的稠密化与预测。
引用
@article{arxiv.2605.04239,
title = {Densification and forecasting of Sentinel-2 time series from multimodal SAR and Optical satellite data using deep generative models},
author = {Véronique Defonte and Dawa Derksen and Alexandre Constantin and Bastien Nespoulous},
journal= {arXiv preprint arXiv:2605.04239},
year = {2026}
}