基于Swin_Transfer的遥感数据时空融合模型.pdf

基于SwinTransformer的遥感数据时空融合模型

摘要

时空融合是弥补遥感数据缺失的有效方法，现有的时空融合的方法从原理上可以分

为5种。其中基于权重函数、基于混合像元分解和基于贝叶斯概率的方法都是直接对数

据进行处理分析后融合，可以将其定义为传统方法。除传统方法外，还有基于学习的方

法以及混合方法。

传统方法在处理遥感数据时空融合时面临尺度差异和时序特征处理困难的挑战，在

生成高质量、细节丰富的融合图像方面也存在限制。传统方法通常基于像素级别的操作，

无法充分考虑图像中的语义信息和结构关系。因此，在融合过程中往往无法保持目标的

准确性和边缘的清晰度，导致融合图像的质量不高。现有的基于学习的方法仅从视觉领

域出发，虽然利用了计算机的强大算力，其在在异质景观中的表现仍有待提高，如何将

传统方法中的优势在基于学习的模型中发挥出来具有实际意义。

基于此，本文提出了一种基于SwinTransformer的遥感数据时空融合模型，旨在解

决基于学习的方法在生成高质量异质区域的融合图像方面的问题。

本文首先介绍了传统方法中存在的挑战，包括对不同尺度和时序特征的处理困难以

及生成细节丰富的高质量融合图像的问题。然后提出了基于SwinTransformer的遥感数

据时空融合模型，该模型利用其特征提取和混合融合模块的能力，有效地融合了不同尺

度的特征，并通过逐层上采样的方式使其能够生成具有高质量的预测时刻的遥感图像。

为了验证该模型的性能，本文选择在三个公开的数据集上进行了实验评估。实验结

果和分析表明，基于SwinTransformer的遥感数据时空融合模型能够有效地处理不同尺

度和时序特征，并生成具有细节丰富的高质量融合图像。相比传统的时空融合模型，该

模型在捕捉地表特征变化和适应异质性地区方面表现出更好的性能。

关键词：数学模型；时空融合；遥感数据；TPS插值；混合像元分解

基于SwinTransformer的遥感数据时空融合模型

ABSTRACT

Spatio-temporalfusionisaneffectivemethodtocompletethelackofremotesensingdata.

Theexistingmethodsofspatio-temporalfusioncanbedividedintofivekindsinprinciple.

Amongthem,themethodsbasedonweightfunction,mixedpixeldecompositionandBayesian

probabilityarealldirectlyfusedafterprocessingandanalyzingthedata.Thisthesisdefines

themastraditionalmethods.Inadditiontotraditionalmethods,therearelearning-based

methodsandhybridmethods.

Becausethetraditionalmethodfacesthechallengeofscaledifferenceandtimeseries

featureprocessingwhendealingwithremotesensingimagefusion,itisdifficultforthe

traditionalmethodtogeneratehigh-qualityanddetailedfusionimages.Traditionalmethodsare

usuallybasedonpixel-leveloperations,whichcannotfullyconsiderthesemanticinformation

andstructuralrelationshipsintheimage.