利用多时序Sentinel 1和2卫星数据进行叶面积指数估计
计算机视觉与模式识别
2026-05-22 v1 机器学习
摘要
叶面积指数（LAI）是理解生态系统健康和植被动态的关键参数。本文提出了一种新方法，通过利用来自Sentinel 1雷达数据和Sentinel 2多光谱数据在多个时间戳上的互补信息，进行像素级LAI预测。我们的 approach 使用基于多个U-net的深度神经网络，专为此任务定制。为处理不同输入模态的复杂性，我们的模型由多个模块组成，这些模块是单独预训练的，以将所有输入数据表示为统一的潜在空间。随后，我们端到端地进行微调，采用包含季节性因素的通用解码器，我们发现季节性在本任务中发挥重要作用。本方法在公开数据集上实现了0.06的RMSE和0.93的R2得分。我们在https://github.com/valentingol/LeafNothingBehind 上公开我们的贡献，以便未来的工作进一步改进当前的进展。
引用
@article{arxiv.2410.19787,
title = {Leveraging Multi-Temporal Sentinel 1 and 2 Satellite Data for Leaf Area Index Estimation With Deep Learning},
author = {Clement Wang and Antoine Debouchage and Valentin Goldité and Aurélien Wery and Jules Salzinger},
journal= {arXiv preprint arXiv:2410.19787},
year = {2026}
}