利用多输出高斯过程融合光学与SAR时序进行叶面积指数缺口填补

卫星光学信息的可用性常受自然云层存在的阻碍，这对许多应用而言可能是个问题。农田上持续的云层会掩盖作物生长的关键阶段，导致产量预测不可靠。合成孔径雷达(SAR)提供全天候影像，可潜在克服此限制，但鉴于其对不同地表属性高度且独特的敏感性，SAR与光学数据的融合仍是一项开放挑战。本工作中，我们提出使用多输出高斯过程(MOGP)回归——一种自动学习多传感器时序间统计关系的机器学习技术——来检测植被区域，在其上SAR-光学影像的协同是有益的。为此，我们使用伊比利亚半岛西北部研究区的Sentinel-1雷达植被指数(RVI)与Sentinel-2叶面积指数(LAI)时序。通过对训练的MOGP模型进行物理解释，我们展示了其即便在云覆盖期也能利用与RVI共享的信息提供LAI估计的能力，这保证了解始终与实际测量相关联。结果证明了MOGP尤其在长数据缺口下的优势，而基于光学的方法在此类情况下显著失效。应用于整体植被覆盖的留一影像评估技术显示，MOGP预测在短时缺口下优于标准GP估计（R$^2$为74%对68%，RMSE为0.4对0.44 $[m^2m^{-2}]$），尤其在长时缺口下（R$^2$为33%对12%，RMSE为0.5对1.09 $[m^2m^{-2}]$）。