WGAST：基于时空融合的日常 10 米地表温度弱监督生成网络
计算机视觉与模式识别
2025-12-11 v2 人工智能
机器学习
摘要
城市化、气候变化和农业压力正在增加对精确及时环境监测的需求。地表温度(LST)是关键变量，需从遥感卫星上检索。然而，这些系统在空间分辨率和时间分辨率之间面临权衡。虽然时空融合方法提供了有前景的解决方案，但鲜有针对日常 10 米分辨率 LST 估计的研究。本研究提出了 WGAST—a 用于日常 10 米 LST 估计的弱监督生成网络，通过 Terra MODIS、Landsat 8 和 Sentinel-2 的时空融合实现。WGAST 是首个为此任务设计的端到端深度学习框架。它采用条件生成对抗网络架构，生成器由四个阶段组成：特征提取、融合、LST 重建和降噪。第一阶段使用编码器从输入数据中提取多层次潜在表示，在第二阶段通过余弦相似性、归一化和时空注意力机制进行融合。第三阶段解码融合特征以生成高分辨率 LST，然后通过高斯滤波器抑制高频噪声。训练遵循基于物理平均原理的弱监督策略，并由 PatchGAN 判别器强化。实验表明，WGAST 在定性和定量评估中均优于现有方法。相较于最佳基线方法，WGAST 在平均 RMSE 上降低 17.05%，SSIM 提升 4.22%。此外，WGAST 有效捕获细粒度热模式，经 33 个近地传感器的近地面空气温度测量验证。代码已公开于 https://github.com/Sofianebouaziz1/WGAST.git。
引用
@article{arxiv.2508.06485,
title = {WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion},
author = {Sofiane Bouaziz and Adel Hafiane and Raphael Canals and Rachid Nedjai},
journal= {arXiv preprint arXiv:2508.06485},
year = {2025}
}