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