2024/11/25 @國際
北京師範大學的遙感科學國家重點實驗室研究團隊開發StarFusion的新型融合方法,透過結合深度學習和傳統回歸技術,成功將高解析度的Gaufen-1數據與中解析度的Sentinel-2數據融合,顯著提高了農業監測影像的品質,解決目前衛星影像在農業監測中的空間和時間解析度之間的權衡問題。
示意圖
遠端遙控在監測農業方面發揮著至關重要的作用,但目前的衛星感測器經常在空間分辨率和時間分辨率之間無法兼顧。高空間解析度影像雖然詳細,但經常受到雲干擾等限制,降低了在變化快速的環境中發揮實用性。反之,具有更好即時解析度的影像缺乏精確分析所需的空間細節。
研究團隊採用深度學習與傳統回歸結合,利用超解析生成對抗網絡(SRGAN)與偏最小二乘回歸(PLSR)模型進行融合,將Gaofen-1和Sentinel-2的數據進行有效整合,在多個農業地點進行廣泛測試,以評估StarFusion相較於現有技術的性能。
研究發現StarFusion成功融合高解析度和中解析度影像,保持了空間細節,在雲層覆蓋較多的地區仍能生成高品質影像,並能夠有效處理空間異質性和有限的雲影像可用性問題。
此項研究發表在2024年7月《Remote Sensing》,此項研究貢獻在於StarFusion方法提供高解析度影像,有助於詳細的作物監測、產量預測及災害評估,在氣候條件惡劣的地區,能夠克服雲層干擾問題,隨著技術的進步,未來StarFusion將在提升農業生產力和永續性方面發揮關鍵作用。【延伸閱讀】- 運用深度機器學習分析韓國飼料作物生產數據及氣候影響性研究
資料來源
文章摘譯