WGAST: Zwak-gesuperviseerd generatief netwerk voor dagelijkse schatting van landoppervlaktetemperaturen op 10 meter resolutie via spatio-temporele fusie

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

August 8, 2025

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

cs.AI

Samenvatting

Verstedelijking, klimaatverandering en landbouwstress vergroten de vraag naar nauwkeurige en tijdige milieumonitoring. Landoppervlaktetemperatuur (LST) is een cruciale variabele in deze context en wordt verkregen via remote sensing-satellieten. Deze systemen staan echter voor een afweging tussen ruimtelijke en temporele resolutie. Hoewel spatio-temporele fusiemethoden veelbelovende oplossingen bieden, hebben slechts weinige zich gericht op de schatting van dagelijkse LST met een resolutie van 10 m. In deze studie presenteren we WGAST, een Weakly-Supervised Generative Network voor de schatting van dagelijkse 10 m LST via spatio-temporele fusie van Terra MODIS, Landsat 8 en Sentinel-2. WGAST is het eerste end-to-end deep learning-framework dat voor deze taak is ontworpen. Het maakt gebruik van een conditionele generatieve adversariële architectuur, waarbij een generator bestaat uit vier fasen: feature-extractie, fusie, LST-reconstructie en ruisonderdrukking. De eerste fase gebruikt een set encoders om multi-level latente representaties uit de invoer te extraheren, die vervolgens in de tweede fase worden gefuseerd met behulp van cosinusgelijkenis, normalisatie en temporele aandachtmechanismen. De derde fase decodeert de gefuseerde features naar hoogresolutie LST, gevolgd door een Gauss-filter om hoogfrequente ruis te onderdrukken. De training volgt een zwak begeleide strategie gebaseerd op fysische gemiddelde principes en wordt versterkt door een PatchGAN-discriminator. Experimenten tonen aan dat WGAST bestaande methoden overtreft in zowel kwantitatieve als kwalitatieve evaluaties. Vergeleken met de best presterende baseline, reduceert WGAST gemiddeld de RMSE met 17,18% en verbetert het de SSIM met 11,00%. Bovendien is WGAST robuust tegen door wolken veroorzaakte LST en vangt het effectief fijnschalige thermische patronen op, zoals gevalideerd tegen 33 grondgebaseerde sensoren. De code is beschikbaar op 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.