WGAST: Rete Generativa con Supervisione Debole per la Stima Quotidiana della Temperatura Superficiale del Suolo a 10 m tramite Fusione Spazio-Temporale

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

August 8, 2025

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

cs.AI

Abstract

L'urbanizzazione, il cambiamento climatico e lo stress agricolo stanno aumentando la domanda di monitoraggio ambientale preciso e tempestivo. La Temperatura della Superficie Terrestre (LST) è una variabile chiave in questo contesto e viene rilevata dai satelliti di telerilevamento. Tuttavia, questi sistemi devono affrontare un compromesso tra risoluzione spaziale e temporale. Sebbene i metodi di fusione spaziotemporale offrano soluzioni promettenti, pochi hanno affrontato la stima della LST giornaliera a una risoluzione di 10 m. In questo studio, presentiamo WGAST, una Rete Generativa Debole Supervisionata per la Stima Giornaliera della LST a 10 m tramite Fusione Spaziotemporale di Terra MODIS, Landsat 8 e Sentinel-2. WGAST è il primo framework di deep learning end-to-end progettato per questo compito. Adotta un'architettura generativa avversaria condizionata, con un generatore composto da quattro fasi: estrazione delle caratteristiche, fusione, ricostruzione della LST e soppressione del rumore. La prima fase utilizza un insieme di encoder per estrarre rappresentazioni latenti multi-livello dagli input, che vengono poi fuse nella seconda fase utilizzando la similarità del coseno, la normalizzazione e meccanismi di attenzione temporale. La terza fase decodifica le caratteristiche fuse in LST ad alta risoluzione, seguita da un filtro gaussiano per sopprimere il rumore ad alta frequenza. L'addestramento segue una strategia debole supervisionata basata su principi di mediazione fisica e rafforzata da un discriminatore PatchGAN. Gli esperimenti dimostrano che WGAST supera i metodi esistenti sia nelle valutazioni quantitative che qualitative. Rispetto alla baseline con le migliori prestazioni, in media, WGAST riduce l'RMSE del 17,18% e migliora l'SSIM dell'11,00%. Inoltre, WGAST è robusto alla LST indotta dalle nuvole e cattura efficacemente i modelli termici su scala fine, come validato rispetto a 33 sensori a terra. Il codice è disponibile all'indirizzo 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.