基于深度学习的遥感数据插值：用于多光谱图像
计算机视觉与模式识别
2026-05-26 v1 人工智能
应用统计
摘要
近年来，遥感技术在水体应用中日益受到青睐。使用光学卫星数据时，因云层遮蔽常存在缺失观测，这些数据缺口可能导致对关键事件（如藻华）的检测中断，尤其是对水权部门高度关心的湖泊。因此，提高光学卫星数据完整性对于改进水体监测和预测藻华至关重要。本研究比较了传统数据插值方法（即线性插值）与深度学习模型在四个有历史藻华记录的湖泊中重建缺失光谱波段的效果。所采用的数据深度学习模型包括基于 CNN 的架构（即 CNN、Inception Resnet 和 Autoencoder）以及 CNN-LSTM 架构（即 CNN-LSTM、Resnet-LSTM 和 Autoencoder-LSTM）。我们的结果表明，深度学习模型在人为遮蔽区域的光谱波段插值方面显著优于基准线性插值方法。在这些模型中，CNN 在大多数湖泊上表现最佳。此外，我们评估了从插值后图像推导的藻华指数（即 Green/Red 和 NDCI）与观测数据之间的性能。我们的结果表明，深度学习模型对 PlanetScope SuperDove 图像的缺失数据插值有效，能够实现更可靠的水体监测应用。
引用
@article{arxiv.2605.24003,
title = {Remote sensing data imputation using deep learning for multispectral imagery},
author = {Shuang Liua and Fiona Johnson and Rohitash Chandra},
journal= {arXiv preprint arXiv:2605.24003},
year = {2026}
}