Multitasking-Deep-Learning-Framework zur spatiotemporalen Fusion des NDVI

Hochauflösende zeitlich und räumlich normalisierte Differenzvegetationsindex (NDVI) Zeitserien sind unverzichtbar zur Überwachung der Dynamik von Landoberflächen in spatiotemporalen heterogenen Gebieten. Die spatiotemporale Fusion (STF) ist eine der gebräuchlichsten Methoden zur Erstellung solcher Daten. Diese Methoden erfordern die Verwendung eines oder zweier Paare von feinen Bildern (mit feiner räumlicher, aber grober zeitlicher Auflösung, wie z.B. Landsat-Bilder) und groben Bildern mit feiner zeitlicher, aber grober räumlicher Auflösung, wie z.B. dem Moderate Resolution Imaging Spectroradiometer (MODIS). Ein grobes Bild zum Zeitpunkt der Vorhersage ist ebenfalls erforderlich, um das entsprechende fehlende feine Bild in der Zeitreihe vorherzusagen. Kürzlich haben die vorgeschlagenen auf Deep Learning (DL) basierenden STF-Methoden vielversprechende Fusionsleistungen erzielt, haben jedoch Schwierigkeiten in Gebieten mit häufigen Wolkenkontaminationen und Vorhersagen von Landnutzungsänderungen, während sie auch unter instabilen Fusionsleistungen leiden. Darüber hinaus fehlt es den aktuellen STF-Methoden an einem Bewertungsprozess für die Fusionsresultate. Um diese Einschränkungen zu adressieren, schlagen wir in diesem Artikel ein Multitasking-DL-Framework für STF von NDVI-Zeitserien vor, das zwei Arten von DL-basierten STF-Methoden integriert. Vier Experimente an zwei Studienstandorten wurden durchgeführt, um die Effektivität der vorgeschlagenen Methode zu testen, und die Ergebnisse zeigen, dass sie eine genaue und stabile Fusion erreicht, die in der Lage ist, Landnutzungsänderungen vorherzusagen, selbst wenn Bildpaare verwendet werden, die in langen Intervallen aufgenommen wurden. Darüber hinaus wird eine Methode zur Schätzung der Fusionsunsicherheit vorgeschlagen, die das Potenzial hat, als Qualitätsbewertungsmetrik verwendet zu werden.