基于生成式CNN-Transformer的多模态多时相地表水概率填补模型GCT-GF研究

针对卫星影像时空数据缺失导致的高频次地表水制图难题，本研究创新性提出"地表水概率填补"概念，构建了融合合成孔径雷达(SAR)与地表水概率(WP)数据的新型数据集，开发了集成卷积神经网络(CNN)和Transformer优势的GCT-GF模型。该模型通过分支门控修复模块和SAR引导的细化对齐模块实现多模态多时相数据融合，在10米分辨率10天间隔的地表水制图中展现出超越现有方法的性能，为水资源管理、洪旱灾害监测提供了可靠技术支撑。

　　

在气候变化加剧和人类活动影响下，高频次、大范围、高精度的地表水监测变得愈发重要。然而，依赖光学遥感的传统方法面临云层遮挡和卫星重访周期限制，导致影像存在严重的时空数据缺失。虽然合成孔径雷达(SAR)具备穿透云层的能力，但单纯使用SAR数据难以准确识别水体边界。更棘手的是，现有基于深度学习的填补方法主要针对连续值的光学影像，无法有效处理传统二值水图(0-1离散值)的修复问题。

针对这些挑战，中国科学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性地提出"地表水概率填补"概念，开发了生成式CNN-Transformer模型GCT-GF。该研究构建了包含20个中国典型区域、36个时相的10米分辨率SAR-WP配对数据集，通过两阶段生成网络结构：先利用分支门控修复模块(BGIM)聚合多时相信息生成粗修复结果，再通过SAR引导的细化对齐模块(SARM)进行时空对齐和细节增强，配合创新的分支SN-PatchGAN判别器(BSPD)提升生成质量。实验表明，该模型在不同缺失比例(10-90%)下均显著优于现有方法，成功实现了10米分辨率10天间隔的无缝地表水制图。

关键技术方法包括：1) 构建融合Sentinel-1 SAR和Dynamic World地表水概率(WP)的多模态数据集；2) 设计分支门控修复模块处理多时相输入；3) 采用Restormer块实现SAR引导的特征对齐；4) 开发分支SN-PatchGAN判别器优化对抗训练。研究选取中国白洋淀、鄱阳湖流域和青海湖等典型水域验证模型可靠性。

研究结果

1. 多模态数据融合优势：通过定量比较发现，融合SAR和WP数据的模型在MAE、RMSE等指标上比单模态输入提升23.7%，证明多模态协同能有效克服光学数据缺失限制。

2. 时相信息整合机制：BGIM模块通过权重共享的3D卷积聚合不同时相特征，在30-60%缺失率情况下，SSIM达到0.892，显著优于单时相输入方法。

3. SAR引导的细化网络：SARM模块利用Restormer块的多尺度特征提取能力，使水体边界清晰度提升41.2%，验证了微波影像对光学数据时空对齐的指导作用。

4. 判别器结构优化：BSPD通过谱归一化(SN)处理的多分支结构，使对抗训练稳定性提高，MGMIC指标优于传统PatchGAN 18.5%，表明其更适应概率型数据的评估。

5. 实际应用验证：在大型湖泊场景测试中，模型生成的水体概率图与实地调查结果相关系数达0.93，证实了方法在大范围监测中的实用性。

结论与意义
该研究突破性地将深度学习应用于地表水概率数据的填补，主要贡献体现在三个方面：首先，提出的GCT-GF模型首次实现了CNN的局部特征提取与Transformer的全局依赖建模在水体填补中的有机融合；其次，构建的SAR-WP多模态数据集为相关研究提供了基准测试平台；最后，开发的10米/10天无缝制图技术填补了高时空分辨率连续水监测的技术空白。

在讨论部分，作者指出WP数据的连续概率特性(0-1范围)比传统二值水图更适配深度学习模型，而Dynamic World数据集的高精度特性保障了方法普适性。未来工作将拓展模型在洪水淹没动态监测中的应用，并探索结合GNSS-R(全球导航卫星系统反射测量)等多源数据进一步提升监测频率。这项研究不仅为地表水遥感开辟了新思路，其提出的多模态时序列修复框架也可迁移至其他地物分类任务，具有重要的方法论意义和应用价值。