WGAST: Rede Generativa com Supervisão Fraca para Estimação Diária da Temperatura da Superfície Terrestre em 10 m via Fusão Espaço-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

Resumo

A urbanização, as mudanças climáticas e o estresse agrícola estão aumentando a demanda por monitoramento ambiental preciso e oportuno. A Temperatura da Superfície Terrestre (LST) é uma variável fundamental nesse contexto e é obtida a partir de satélites de sensoriamento remoto. No entanto, esses sistemas enfrentam um trade-off entre resolução espacial e temporal. Embora os métodos de fusão espaço-temporal ofereçam soluções promissoras, poucos abordaram a estimativa diária de LST com resolução de 10 m. Neste estudo, apresentamos o WGAST, uma Rede Generativa com Aprendizado Fracamente Supervisionado para Estimativa Diária de LST em 10 m via Fusão Espaço-Temporal de dados do Terra MODIS, Landsat 8 e Sentinel-2. O WGAST é o primeiro framework de aprendizado profundo end-to-end projetado para essa tarefa. Ele adota uma arquitetura generativa adversarial condicional, com um gerador composto por quatro estágios: extração de características, fusão, reconstrução de LST e supressão de ruído. O primeiro estágio emprega um conjunto de codificadores para extrair representações latentes de múltiplos níveis a partir das entradas, que são então fundidas no segundo estágio usando similaridade de cosseno, normalização e mecanismos de atenção temporal. O terceiro estágio decodifica as características fundidas em LST de alta resolução, seguido por um filtro Gaussiano para suprimir ruídos de alta frequência. O treinamento segue uma estratégia de aprendizado fracamente supervisionado baseada em princípios de média física e reforçada por um discriminador PatchGAN. Experimentos demonstram que o WGAST supera os métodos existentes em avaliações quantitativas e qualitativas. Em comparação com a linha de base de melhor desempenho, em média, o WGAST reduz o RMSE em 17,18% e melhora o SSIM em 11,00%. Além disso, o WGAST é robusto a LST induzida por nuvens e captura efetivamente padrões térmicos em escala fina, conforme validado por 33 sensores terrestres. O código está disponível em 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.