WGAST: Schwach überwachtes generatives Netzwerk zur täglichen Schätzung der Landoberflächentemperatur mit 10 m Auflösung durch spatio-temporale Fusion

WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion

August 8, 2025

papers.authors: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai

cs.AI

papers.abstract

Urbanisierung, Klimawandel und landwirtschaftlicher Stress erhöhen die Nachfrage nach präziser und zeitnaher Umweltüberwachung. Die Landoberflächentemperatur (LST) ist in diesem Zusammenhang eine Schlüsselvariable und wird aus Fernerkundungssatelliten abgeleitet. Diese Systeme stehen jedoch vor einem Zielkonflikt zwischen räumlicher und zeitlicher Auflösung. Während spatio-temporale Fusionsmethoden vielversprechende Lösungen bieten, haben nur wenige die Schätzung der täglichen LST mit einer Auflösung von 10 m adressiert. In dieser Studie präsentieren wir WGAST, ein schwach überwachtes generatives Netzwerk zur täglichen 10-m-LST-Schätzung durch spatio-temporale Fusion von Terra MODIS, Landsat 8 und Sentinel-2. WGAST ist das erste End-to-End-Deep-Learning-Framework, das für diese Aufgabe entwickelt wurde. Es verwendet eine bedingte generative adversariale Architektur, bei der der Generator aus vier Stufen besteht: Merkmalsextraktion, Fusion, LST-Rekonstruktion und Rauschunterdrückung. In der ersten Stufe wird eine Reihe von Encodern eingesetzt, um mehrstufige latente Repräsentationen aus den Eingabedaten zu extrahieren, die in der zweiten Stufe mithilfe von Kosinusähnlichkeit, Normalisierung und temporalen Aufmerksamkeitsmechanismen fusioniert werden. Die dritte Stufe dekodiert die fusionierten Merkmale in hochauflösende LST, gefolgt von einem Gauß-Filter zur Unterdrückung von hochfrequentem Rauschen. Das Training folgt einer schwach überwachten Strategie, die auf physikalischen Mittelungsprinzipien basiert und durch einen PatchGAN-Diskriminator verstärkt wird. Experimente zeigen, dass WGAST bestehende Methoden sowohl in quantitativer als auch in qualitativer Hinsicht übertrifft. Im Vergleich zur leistungsstärksten Baseline reduziert WGAST den RMSE im Durchschnitt um 17,18 % und verbessert den SSIM um 11,00 %. Darüber hinaus ist WGAST robust gegenüber durch Wolken verursachter LST und erfasst effektiv feinskalige thermische Muster, wie durch 33 bodengestützte Sensoren validiert wurde. Der Code ist verfügbar unter https://github.com/Sofianebouaziz1/WGAST.git.

English

Urbanization, climate change, and agricultural stress are increasing the demand for precise and timely environmental monitoring. Land Surface Temperature (LST) is a key variable in this context and is retrieved from remote sensing satellites. However, these systems face a trade-off between spatial and temporal resolution. While spatio-temporal fusion methods offer promising solutions, few have addressed the estimation of daily LST at 10 m resolution. In this study, we present WGAST, a Weakly-Supervised Generative Network for Daily 10 m LST Estimation via Spatio-Temporal Fusion of Terra MODIS, Landsat 8, and Sentinel-2. WGAST is the first end-to-end deep learning framework designed for this task. It adopts a conditional generative adversarial architecture, with a generator composed of four stages: feature extraction, fusion, LST reconstruction, and noise suppression. The first stage employs a set of encoders to extract multi-level latent representations from the inputs, which are then fused in the second stage using cosine similarity, normalization, and temporal attention mechanisms. The third stage decodes the fused features into high-resolution LST, followed by a Gaussian filter to suppress high-frequency noise. Training follows a weakly supervised strategy based on physical averaging principles and reinforced by a PatchGAN discriminator. Experiments demonstrate that WGAST outperforms existing methods in both quantitative and qualitative evaluations. Compared to the best-performing baseline, on average, WGAST reduces RMSE by 17.18% and improves SSIM by 11.00%. Furthermore, WGAST is robust to cloud-induced LST and effectively captures fine-scale thermal patterns, as validated against 33 ground-based sensors. The code is available at https://github.com/Sofianebouaziz1/WGAST.git.