.png){kind=icon}
返回
DINCoDE: A Data Interpolation Network With a Collaborative Dual Encoder for Reconstructing Missing Sea Surface Temperature Data
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3638341.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由红外卫星获取的海表温度（SST）数据常因云层覆盖而缺失。为应对这一挑战，我们提出了一种新型插值模型——具有协作双编码器的数据插值网络（DINCoDE）。该模型采用混合双编码器架构，整合了卷积神经网络（CNN）和Transformer编码器，能够联合提取局部和全局时空特征。采用复合损失函数以确保重建数据在像素级精度和结构保真度上的双重保证。在OSTIA SST数据集（ $N=6575$ ）上的实验结果表明，DINCoDE在所有评估指标上均优于数据插值卷积自编码器（DINCAE）和数据插值经验正交函数（DINEOF）模型[均方根误差（RMSE） $= 0.25~^{\circ }$ C，平均绝对误差（MAE） $= 0.16~^{\circ }$ C， $R^{2} =0.99$ ，结构相似性（SSIM）= 0.99]，并能生成更符合物理实际的空间梯度场。值得注意的是，当应用于先进向日葵成像仪（AHI）SST数据集时，预训练模型表现出稳健性能（RMSE $= 0.38~^{\circ }$ C，MAE $= 0.27~^{\circ }$ C， $R^{2} =0.99$ ），凸显其强大的泛化能力和潜在的运行部署价值。此外，我们的分析揭示，SST场固有的空间复杂性和变异性是影响重建性能的关键因素。DINCoDE为因云遮挡导致的海表温度数据缺失提供了高精度、稳健且泛化性强的重建方法，为海洋学应用中的SST数据重建任务提供了可靠解决方案。
Keyword:
Convolutional neural network (CNN)
data interpolation
dual-encoder network
missing data reconstruction
sea surface temperature (SST)
Transformer
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
A review of uncertainty in in situ measurements and data sets of sea surface temperature.png)
REVIEWS OF GEOPHYSICS
OAAI
REVIEWS OF GEOPHYSICSIF37.3
OAAI分享收藏
查看更多内容