ReflectGAN：用于从卫星图像估算植被区域土壤碳的植被效应建模
图像与视频处理
2025-05-27 v1 计算机视觉与模式识别
机器学习
摘要
土壤有机碳（SOC）是土壤健康的关键指标，但其准确估算受植被覆盖区域遮挡影响，因植物覆盖导致光谱污染，掩盖土壤反射率并降低模型可靠性。本研究提出反射转换生成对抗网络（ReflectGAN），一种新的成对GAN框架，用于从植被土壤卫星观测中重建准确的裸土反射率。通过学习植被土壤反射率之间的光谱转换，ReflectGAN促进了混合土地覆盖条件下更精确的SOC估算。在LUCAS 2018数据集和相应的Landsat 8卫星影像上，我们在原始和ReflectGAN重建后的反射率输入上训练了多种基于学习的模型。使用ReflectGAN输出训练的模型始终优于现有植被校正方法。例如，最佳模型（RF）在应用ReflectGAN生成信号时实现R²为0.54、RMSE为3.95、RPD为2.07，相较于最佳现有方法（PMM-SU）分别提高了35%的R²、降低了43%的RMSE和提高了43%的RPD。该模型在另一数据集（即Sentinel-2影像）上的性能同样优于对手。这一发现表明ReflectGAN有潜力提高植被覆盖区域土壤碳估算精度，支持更可靠的土壤监测。
关键词
引用
@article{arxiv.2505.18546,
title = {ReflectGAN: Modeling Vegetation Effects for Soil Carbon Estimation from Satellite Imagery},
author = {Dristi Datta and Manoranjan Paul and Manzur Murshed and Shyh Wei Teng and Leigh M. Schmidtke},
journal= {arXiv preprint arXiv:2505.18546},
year = {2025}
}