RSE最新成果|武汉大学黄昕团队:基于MISTR的遥感长时序光谱 - 时序重建架构

图 5.四种模型（MISTR、SAITS、SSLI、BFAST）在三类土地覆被变化场景下的蓝波段时序重构结果对比。季节波动型：(a) 中国中部稳定草地（北纬 35.8101832°，东经 102.1196326°）；(b) 河套平原季节性冰封湖泊（北纬 40.6507224°，东经 106.8241344°）。突变转换型：(c) 武汉市地表水转为建设用地（北纬 30.6844079°，东经 113.9643615°）；(d) 黄河沿岸沙漠沙地转为湿地（北纬 40.2568924°，东经 106.8826408°）。人为扰动型：(e) 台湾卑南河沿岸受淹农田（北纬 22.9597909°，东经 121.1728673°）；(f) 台中市河漫滩林地（北纬 22.73737538°，东经 121.08563123°）。Crossformer、SG、MICN、HANTS 模型结果详见附图 S2。

图 6.不同模型在乌鲁木齐地区（北纬 44.320285°，东经 86.662148°）年内时序影像重构效果对比。所示日期为每 16 天周期的首日。

图 7.MISTR 模型对长江中游 VII 号研究区域的年内时序重构结果。所示日期为每 16 天周期的首日；原始 ARD 数据见附图 S4。每个子图均给出峰值信噪比（PSNR）、结构相似性（SSIM）及有效像元占比；“N/A” 表示有效像元占比低于 2% 的时相。

图 8.各模型在不同土地覆被类型下的重构精度表现，附 VII 号研究区域均方根误差（RMSE）分布示例。Crossformer、MICN、SG、HANTS 模型结果详见附图 S5。

图 9.零样本与少样本场景下，Landsat 向 MODIS、Sentinel-2 跨传感器适配效果。混合微调指采用 Sentinel-2 与 MODIS 样本混合批次（每类传感器各 500 个样本）对 MISTR 主干网络进行参数更新。

图 10.基于少样本学习的 MODIS 与 Sentinel-2 生长季时序重构结果（VII 号研究区域）。每间隔 4 个时相展示一景影像；标注日期为每 16 天周期首日；黑色区域为无数据区。

图 11.不同时间间隔缺口下 Landsat 协同重构精度表现。下方子图分别给出 Landsat 与 Sentinel-2、MODIS 协同重构示例；灰色圆圈为未掩码输入观测值，黑色叉号为掩码目标时相。

图 12.基线模型与 MIE 模块时序片段嵌入特征的 t-SNE 降维可视化。采用两种配色方案：(a) 按土地覆被类型着色；(b) 按数据缺失率着色。

图 13.各模型吞吐量与内存占用对比。

图 14.不同时序表征方法应用于土地覆被分类与变化检测的定量及定性评估。柱状图对比基于学习特征（MISTR、SSLI、SAITS）与人工设计特征（CCD 谐波、组合特征）在 GLanCE 土地覆被分类（上图）、LCMAP 变化检测（下图）任务下的均衡精度。右侧附图为哈尔滨市精细土地覆被分类结果及武汉市首次土地覆被变化年份空间分布。注：MISTR 变化检测结果基于逐年变化 / 未变化分类得到，CCD 结果参照 Zhu 和 Woodcock（2014）时序分割方法。

图 15.基于重构 Landsat ARD、Sentinel-2 及 MODIS 影像提取植被物候示例。样点位于华北平原麦玉轮作农田区。同时附上 MCD12Q2、VNP22Q2 产品物候结果作为参考。SOS、EOS 分别表示首个生长季起始期与结束期；周期数为 2019 年内识别到的完整生长季轮次。