WGAST：時空間融合による日次10m地表面温度推定のための弱教師あり生成ネットワーク

要旨

都市化、気候変動、農業ストレスの増大により、精密かつタイムリーな環境モニタリングの需要が高まっています。地表面温度（LST）はこの文脈における重要な変数であり、リモートセンシング衛星から取得されます。しかし、これらのシステムは空間解像度と時間解像度のトレードオフに直面しています。時空間融合手法は有望な解決策を提供しますが、10m解像度での日次LST推定に取り組んだものはほとんどありません。本研究では、Terra MODIS、Landsat 8、Sentinel-2の時空間融合による日次10m LST推定のための弱教師付き生成ネットワーク、WGASTを提案します。WGASTはこのタスクのために設計された初めてのエンドツーエンドの深層学習フレームワークです。条件付き生成的敵対的アーキテクチャを採用し、生成器は特徴抽出、融合、LST再構築、ノイズ抑制の4段階で構成されています。第1段階では、一連のエンコーダを使用して入力から多層の潜在表現を抽出し、第2段階ではコサイン類似度、正規化、時間的注意機構を用いて融合します。第3段階では、融合された特徴を高解像度LSTにデコードし、その後ガウシアンフィルタを使用して高周波ノイズを抑制します。訓練は物理的平均原理に基づく弱教師付き戦略に従い、PatchGAN識別器によって強化されます。実験結果は、WGASTが定量的および定性的評価の両方で既存の手法を上回ることを示しています。最も性能の良いベースラインと比較して、平均的にWGASTはRMSEを17.18%削減し、SSIMを11.00%向上させます。さらに、WGASTは雲によるLSTに対して頑健であり、33の地上センサーに対する検証により、微細な熱パターンを効果的に捉えることが確認されています。コードはhttps://github.com/Sofianebouaziz1/WGAST.gitで公開されています。

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.

WGAST：時空間融合による日次10m地表面温度推定のための弱教師あり生成ネットワーク

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

要旨

Support