Advancing spatio-temporal fusion with spectral super-resolution for enhancing remote sensing of marine debris and landfills

方法

基于cGAN与MST++的深度学习时空融合，并用扩展数据集重训练。

发现

MST++结构重建与泛化更优，实例归一化cGAN光谱保真但引入噪声。

机会点

可将该时空融合与光谱超分辨框架迁移至农田地块尺度作物长势与地膜/塑料污染监测。

监测垃圾填埋场扩张和海洋废弃物堆积等环境挑战，需要具有增强光谱、空间和时间细节的高分辨率卫星影像。然而，遥感系统往往在这些分辨率之间面临权衡，限制了其探测和分析动态环境变化的能力。为克服这一局限，我们提出了一种新颖的时空融合（STF）框架，该框架整合了Sentinel-2和PlanetScope卫星数据集，通过光谱超分辨率提升影像质量。本研究系统评估了基于深度学习的STF方法，重点关注条件生成对抗网络（cGANs）和多阶段光谱变换器（MST++）。结果表明，基于实例归一化的cGANs提升了光谱保真度，但引入了噪声，而MST++模型则提供了更优越的结构重建和泛化能力。通过使用扩展数据集重新训练模型，其鲁棒性显著提高，其中MST++ v2成为最可靠的模型。STF方法的整合通过实现对塑料污染、垃圾填埋场管理和海洋废弃物检测等关键问题的更精确、更频繁观测，增强了环境监测能力。生成高分辨率、多传感器融合影像的能力为可持续资源管理和环境决策提供了强大工具。本研究凸显了STF框架在推动地球观测应用和支持全球可持续发展努力方面的潜力，为解决紧迫的环境问题提供了创新解决方案。