用差异加权卡尔曼波器和LSTM组合填补Sentinel-2 NDI45数据的时空空隙

科学领域:

• 地球和环境科学 地球和环境科学
• 遥感 遥感 遥感 遥感
• 农业科学 农业科学

背景情况:

• 植物的健康对气候碳循环至关重要.
• 规范差异指数 (NDI45) 对于评估高树冠覆盖区域的植被至关重要.
• 云层覆盖经常会掩盖卫星数据,在植被指数时间序列中产生缺失的值.

研究的目的:

• 为了重建由于云层覆盖造成的缺失的NDI45值.
• 开发一个没有差距的,高分辨率的NDI45时间序列.
• 为了实现可靠的植被压力和趋势检测.

主要方法:

• 一个混合框架,结合了决定性的卡尔曼波器 (KF) 和基于集群的长短期存储器 (LSTM) 网络.
• 产生无间隙的NDI45系列,具有20米的空间分辨率和5天的时间分辨率.
• 开发一个单传感器工作流程,使用像素级不确定性映射和LSTM过最小化.

主要成果:

• 与独立的KF或LSTM相比,KF-LSTM混合方法减少了22-35%的平均绝对误差 (MAE),并将95%的置信区间缩小了25-40%.
• 在整个研究区域展示了更好的空间均性和可靠性.
• 成功生成了无间隙,高分辨率的NDI45时间序列,并量化了不确定性.

结论:

• 拟议的框架提供了一种可靠的方法来重建植被时间序列,这对于监测植被压力和弹性至关重要.
• 适用于干旱作业监测,作物保险和农业气候风险评估.
• 提供了全球高分辨率植被时间序列重建的基础,可能包含雷达数据和多模型合奏.