WGAST: Слабо контролируемая генеративная сеть для оценки дневной температуры поверхности земли с разрешением 10 м с использованием пространственно-временного слияния

Аннотация

Урбанизация, изменение климата и стресс в сельском хозяйстве увеличивают спрос на точный и своевременный мониторинг окружающей среды. Температура поверхности земли (LST) является ключевой переменной в этом контексте и извлекается с помощью спутников дистанционного зондирования. Однако эти системы сталкиваются с компромиссом между пространственным и временным разрешением. Хотя методы пространственно-временного слияния предлагают перспективные решения, лишь немногие из них решают задачу оценки ежедневной LST с разрешением 10 м. В данном исследовании мы представляем WGAST — слабо контролируемую генеративную сеть для оценки ежедневной LST с разрешением 10 м посредством пространственно-временного слияния данных Terra MODIS, Landsat 8 и Sentinel-2. WGAST является первой сквозной глубокой обучающейся архитектурой, разработанной для этой задачи. Она использует условную генеративно-состязательную архитектуру, где генератор состоит из четырех этапов: извлечение признаков, слияние, восстановление LST и подавление шума. На первом этапе используется набор кодировщиков для извлечения многоуровневых скрытых представлений из входных данных, которые затем объединяются на втором этапе с использованием косинусного сходства, нормализации и механизмов временного внимания. На третьем этапе декодируются объединенные признаки в высокоразрешающую LST, после чего применяется гауссовский фильтр для подавления высокочастотного шума. Обучение следует слабо контролируемой стратегии, основанной на принципах физического усреднения и усиленной дискриминатором PatchGAN. Эксперименты показывают, что WGAST превосходит существующие методы как в количественных, так и в качественных оценках. По сравнению с лучшим базовым методом, в среднем WGAST снижает RMSE на 17,18% и улучшает SSIM на 11,00%. Кроме того, WGAST устойчив к LST, вызванной облачностью, и эффективно захватывает мелкомасштабные тепловые паттерны, что подтверждено на основе данных 33 наземных датчиков. Код доступен по адресу 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.

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

Аннотация

Support