Plastic Greenhouse Extraction Based on Index-Guided Three-Stage Large-Factor Remote Sensing Image Super-Resolution Reconstruction
Linze Bai · Xiaocan Zhang · Cheng Su 等 5 人
提出APGI引导的三阶段12倍超分框架，从Sentinel-2影像重建塑料大棚结构并提升提取精度。
APGI指数引导三阶段超分，RRDB生成器，Sentinel-2与吉林一号配对训
渐进重建与APGI引导改善大棚边界连续性，降低提取误差，提升下游分割精度。
可探索指数引导超分迁移至其他农业地物，并量化重建纹理的置信度与不确定性。
提出APGI指数引导的三阶段12倍超分辨率框架，用免费Sentinel-2数据实现亚米级塑料大棚制图，方法新颖、跨区域验证可靠，对设施农业遥感监测有实用价值。
精细尺度、大范围的塑料大棚（PG）制图通常依赖成本高昂且空间覆盖有限的高分辨率影像。尽管免费可用的Sentinel-2数据具有宽幅覆盖和高重访频率，但其空间分辨率不足限制了塑料大棚提取精度。从10 m或更粗分辨率影像直接超分辨率（SR）重建至亚米级高度不适定，因为塑料大棚结构必须从严重混合像元中推断。为应对这些挑战，我们提出了一种由空间增强型农业塑料大棚指数（APGI）引导的三阶段12×超分辨率框架。该框架将重建分解为连续的4×、2×和1.5×尺度变换，并通过RRDB生成器和可学习上采样操作逐步恢复塑料大棚空间布局和局部边界。APGI值、方向梯度和梯度幅值被编码为结构先验，以调制浅层特征、主干特征和上采样特征。进一步引入中间尺度监督、阶段间残差细化和色调一致性约束，以提高重建影像的结构稳定性和光谱一致性。该模型使用严格配准的Sentinel-2和吉林一号影像对进行训练，并通过下游塑料大棚分割任务进一步评估其实际价值。采用空间分块五折交叉验证，每次运行使用四折训练、一折测试，以防止重叠或相邻图块进入不同子集。在中国潍坊和西班牙阿尔梅里亚开展的实验表明，渐进式重建和APGI引导改善了塑料大棚边界连续性，减少了提取误差，并提升了下游分割精度。据此，该框架被定位为任务驱动的条件图像生成，即恢复与识别相关的塑料大棚结构，而低于Sentinel-2信息极限的纹理仍为学习推断而非直接观测。