WGAST: Red Generativa Débilmente Supervisada para la Estimación de la Temperatura de la Superficie Terrestre Diaria a 10 m mediante Fusión Espacio-Temporal

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

August 8, 2025

Autores: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai

cs.AI

Resumen

La urbanización, el cambio climático y el estrés agrícola están aumentando la demanda de un monitoreo ambiental preciso y oportuno. La Temperatura de la Superficie Terrestre (LST, por sus siglas en inglés) es una variable clave en este contexto y se obtiene a partir de satélites de teledetección. Sin embargo, estos sistemas enfrentan un compromiso entre la resolución espacial y temporal. Aunque los métodos de fusión espacio-temporal ofrecen soluciones prometedoras, pocos han abordado la estimación diaria de LST a una resolución de 10 m. En este estudio, presentamos WGAST, una Red Generativa Débilmente Supervisada para la Estimación Diaria de LST a 10 m mediante la Fusión Espacio-Temporal de Terra MODIS, Landsat 8 y Sentinel-2. WGAST es el primer marco de aprendizaje profundo de extremo a extremo diseñado para esta tarea. Adopta una arquitectura generativa adversarial condicional, con un generador compuesto por cuatro etapas: extracción de características, fusión, reconstrucción de LST y supresión de ruido. La primera etapa emplea un conjunto de codificadores para extraer representaciones latentes de múltiples niveles a partir de las entradas, que luego se fusionan en la segunda etapa utilizando similitud coseno, normalización y mecanismos de atención temporal. La tercera etapa decodifica las características fusionadas en LST de alta resolución, seguida de un filtro gaussiano para suprimir el ruido de alta frecuencia. El entrenamiento sigue una estrategia débilmente supervisada basada en principios de promediado físico y reforzada por un discriminador PatchGAN. Los experimentos demuestran que WGAST supera a los métodos existentes tanto en evaluaciones cuantitativas como cualitativas. En comparación con la línea base de mejor rendimiento, en promedio, WGAST reduce el RMSE en un 17.18% y mejora el SSIM en un 11.00%. Además, WGAST es robusto frente a LST inducida por nubes y captura eficazmente patrones térmicos a escala fina, como se ha validado con 33 sensores terrestres. El código está disponible en 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.