WGAST : Réseau génératif faiblement supervisé pour l'estimation quotidienne de la température de surface terrestre à 10 m via la fusion spatio-temporelle

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

L'urbanisation, le changement climatique et les pressions agricoles augmentent la demande pour une surveillance environnementale précise et en temps réel. La température de surface terrestre (LST) est une variable clé dans ce contexte et est obtenue à partir de satellites de télédétection. Cependant, ces systèmes sont confrontés à un compromis entre résolution spatiale et temporelle. Bien que les méthodes de fusion spatio-temporelle offrent des solutions prometteuses, peu d'entre elles ont abordé l'estimation quotidienne de la LST à une résolution de 10 m. Dans cette étude, nous présentons WGAST, un réseau génératif faiblement supervisé pour l'estimation quotidienne de la LST à 10 m via la fusion spatio-temporelle des données de Terra MODIS, Landsat 8 et Sentinel-2. WGAST est le premier cadre d'apprentissage profond end-to-end conçu pour cette tâche. Il adopte une architecture générative adversarial conditionnelle, avec un générateur composé de quatre étapes : extraction de caractéristiques, fusion, reconstruction de la LST et suppression du bruit. La première étape utilise un ensemble d'encodeurs pour extraire des représentations latentes multi-niveaux des entrées, qui sont ensuite fusionnées dans la deuxième étape en utilisant la similarité cosinus, la normalisation et des mécanismes d'attention temporelle. La troisième étape décode les caractéristiques fusionnées en une LST haute résolution, suivie d'un filtre gaussien pour supprimer le bruit haute fréquence. L'entraînement suit une stratégie faiblement supervisée basée sur des principes de moyenne physique et renforcée par un discriminateur PatchGAN. Les expériences démontrent que WGAST surpasse les méthodes existantes dans les évaluations quantitatives et qualitatives. Par rapport à la meilleure méthode de référence, en moyenne, WGAST réduit l'erreur quadratique moyenne (RMSE) de 17,18 % et améliore l'indice de similarité structurelle (SSIM) de 11,00 %. De plus, WGAST est robuste aux perturbations de la LST induites par les nuages et capture efficacement les motifs thermiques à fine échelle, comme validé par 33 capteurs au sol. Le code est disponible à l'adresse suivante : 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.