GDCM: Generalized data completion model for satellite observations

Haoyu Wang

doi:10.1016/j.rse.2025.114760

2025-07-01

PRE

Haoyu Wang

Yinfei Zhou

DOI：10.1016/j.rse.2025.114760

原文链接

原文求助

摘要

En 中文

海洋遥感数据对于理解全球气候系统至关重要。由于卫星轨道覆盖缺口和云层覆盖，卫星海洋遥感产品存在显著的数据缺口。本文介绍了一种基于深度学习的广义数据补全模型（GDCM），用于重建来自包括先进微波扫描辐射计2（AMSR2）、特殊传感器微波成像仪（SSMI）和中分辨率成像光谱仪（MODIS）在内的极轨卫星传感器的无间隙、无云的关键海洋变量，如海表温度（SST）、风速、水汽、云液态水和降水率。利用卷积神经网络（CNNs）和注意力机制，GDCM模型有效利用遥感数据中的时空信息，准确填充缺失区域。我们使用再分析数据在模型训练期间模拟各种数据缺失场景以进行模型开发。我们使用覆盖美国东海岸区域的全球覆盖AMSR2/SSMI和局部覆盖MODIS数据集测试了该模型。实验表明，GDCM模型成功地精确完成了不同卫星和类型缺失数据的数据补全。为使模型能够捕捉足够的数据以反映动态变化模式，我们使用连续七天的观测数据作为输入，以提高模型的数据补全能力，显著改善了由于云层覆盖导致的MODIS SST缺失数据的处理。当输入数据持续时间从一天增加到七天时，模型R2值从0.062提高到0.93，均方根差（RMSD）从6.58降低到0.92。除了模型框架设计外，我们还实施了增量学习训练策略，以增强模型对不同类型缺失数据的补全能力，特别是AMSR2卫星的SST数据。模型补全的SST数据R2值从0.93提高到0.99，RMSD从2.64°C降低到0.50°C。水汽数据的平均绝对差（MAD）从0.88 kg/m²降低到0.76 kg/m²，RMSD从1.39 kg/m²降低到1.27 kg/m²。本研究为不同分辨率下缺失海洋数据的问题提供了一种通用的解决方案，有助于更全面地支持海洋科学研究及相关应用。

Keyword:

Satellite remote sensing

Data completion

CNNs

Attention mechanisms