多卫星数据融合开展高时空分辨率地表状态的观测

国家需求与应用背景

随着全球气候变化加剧与人类活动影响深化，高精度、高频次的地表状态观测已成为国家资源管理、生态保护与灾害应急的核心需求。我国《”十四五”规划和2035年远景目标纲要》明确提出构建”空天地一体化生态监测网络”，要求突破单一卫星传感器的时空分辨率限制，实现地表动态的精细化感知。例如：

• 农业监测：需每日10米级分辨率识别作物长势与病虫害，支撑粮食安全决策；
• 环境评估：需高光谱数据（10nm级）定量反演水质、大气污染物浓度；
• 灾害应急：需无云雾干扰的连续影像支持海洋、林火实时监测。

现有卫星体系存在显著短板：

• MODIS等卫星虽能每日成像，但空间分辨率（≥250米）难以区分农田地块；
• Landsat-8、Sentinel-2等高分辨率卫星重访周期长（5-16天），易受云雾干扰导致数据缺失。
  多源卫星数据融合技术成为破解国家重大应用瓶颈的必由之路。

研究点1：高时空分辨率数据融合——从”鱼与熊掌”到协同增效

原理与方法

通过整合高时间分辨率（如MODIS）与高空间分辨率（如Sentinel-2）数据，构建时空融合模型，生成兼具每日频次与10米分辨率的地表影像：

1. 经典时空融合算法
   • 采用时空自适应反射率融合模型
   • 通过加权相似像元实现数据融合
2. 深度学习模型
   • 基于双分支卷积神经网络
   • 基于物理模型与深度解混模型融合的架构

应用价值

• 支持农田精准管理（如每日监测灌溉效率）
• 近岸海域高时空分辨率赤潮监测

研究点2：时间序列云雾插补——破解光学遥感”无晴空”难题

问题与挑战

• 我国南方地区年均云覆盖率超60%
• 传统EOF类插值方法无法处理大片云雾导致的数据缺失问题

基础思路

1. 多时相协同重建
   • 基于历史无云影像库构建物候曲线
   • 采用动态时间规整（DTW）算法匹配相似曲线
2. 时空插值
   • 构建协方差模型
   • 构建改进的EOF类方法

典型应用

• 近岸海域状态监测
• 遥感数据与站点观测数据对齐

研究点3：多光谱至高光谱重建——从”有限波段”到连续光谱解析

科学意义

• 高光谱数据可识别叶绿素含量、重金属污染等特征
• 多光谱成像系统价格便宜，但光谱应用受限

基础技术路径

1. 物理驱动模型
   • 基于线性光谱混合模型（LSMM）分解像元
   • 基于光谱退化模型的光谱重建技术
2. 数据驱动模型
   • 构建unrolling网络学习非线性映射

应用场景

• 精准农业、低成本碳循环监测、林业碳汇