蘇揚，吳鵬海，，程潔，殷志祥，馬曉雙，楊輝

1.安徽大學濕地生態(tài)保護與修復安徽省重點實驗室,合肥 230031;

2.信息材料與智能感知安徽省實驗室,合肥 230031;

3.北京師范大學遙感科學國家重點實驗室,北京 100089

1 引 言

地表溫度LST（Land Surface Temperature）決定了陸地表層系統(tǒng)輻射能量平衡中的長波輻射，是地表輻射能量平衡和水循環(huán)物理過程中的關(guān)鍵參數(shù)（Li 等，2013）。因此，及時、準確獲取LST值，掌握其時空變化規(guī)律對農(nóng)情信息監(jiān)測、生態(tài)和環(huán)境研究以及氣候變化等方面具有重要意義。要獲取區(qū)域和全球尺度上地表溫度的時空分布，常規(guī)的地面定點觀測難以實現(xiàn)，而衛(wèi)星遙感是唯一可能的手段（李召良等，2016）。由于較高的空間分辨率和反演精度，基于熱紅外TIR（Thermal infrared）遙感的地表溫度反演算法引起了學者的廣泛關(guān)注，并取得了長足的進步，各種熱紅外遙感地表溫度產(chǎn)品得到生產(chǎn)和免費發(fā)布（Wu等，2021；Li等，2018）。但TIR傳感器具有無法穿透云層的先天缺陷，云覆蓋像元信息的缺失很大程度上破壞了地表溫度時空分布的完整性和連續(xù)性，嚴重阻礙了地表溫度產(chǎn)品的應用（Tang 等，2021；Long 等，2020）。被動微波PMW（Passive microwave）遙感受大氣干擾小、可穿透云層，具有可獲取全天候地表輻射信息的優(yōu)勢（Zhang和Cheng，2020；Holmes等，2013）。PMW 地表溫度數(shù)據(jù)（如AMSR-E、AMSR2數(shù)據(jù)）常用于熱紅外云下地表溫度的估算研究（Xu 和Cheng，2021；Xu 等，2019；Shwetha 和Kumar，2016；Duan 等，2017），但其特定掃描方式導致兩個相鄰軌道之間出現(xiàn)掃描間隙（以下稱為軌道間隙）的問題，在中低緯度區(qū)域缺失寬度可達數(shù)百公里，影響實際應用。因此，重建PMW地表溫度數(shù)據(jù)的軌道間隙具有重要理論價值與實際意義。

目前遙感地表溫度缺失信息的重建研究主要集中于熱紅外云覆蓋、傳感器故障等情況，針對不同傳感器、不同遙感定量產(chǎn)品產(chǎn)生了大量創(chuàng)新性研究方法（Zhao 和Duan，2020；Zhou 等，2017；Zhang 等，2021；Weiss 等，2014；Liu 等，2020），主要包括基于空間信息的方法（Xu和Shen，2013；Shuai 等，2014）、基于時相信息的方法（Zeng 等，2015；劉紫涵等，2017）、基于多傳感器信息方法和混合方法（Zhang等，2018；Liu和Wang，2016）。其中基于空間信息的方法適用于小范圍信息缺失，并假設(shè)缺失像元值可以由周圍鄰域像元計算出來，這種假設(shè)在大范圍信息缺失時精度難以保證（Wu等，2021；Duan等，2017）；基于時相信息的方法假設(shè)在一定時間內(nèi)地物信息未發(fā)生較大變化或缺失區(qū)域與未缺失區(qū)域具有相似的變化信息（Zeng等，2018；Weiss等，2014）；基于多傳感器方法要求不同傳感器能獲取同一時間同一地區(qū)的地物信息，能處理完全缺失的情況，卻常面臨分辨率差異、傳感器波段設(shè)置差異等（Shen 等，2015）。相比而言，對于PMW 地表溫度軌道間隙數(shù)據(jù)的重建研究則較少。Zhang 等（2020）以中國FY-3B MWRI數(shù)據(jù)集作為輔助數(shù)據(jù)，采用奇異譜分析算法生成時間連續(xù)、空間無縫的AMSR-E 近似數(shù)據(jù)，但這種方法需要對不同來源的PMW 溫度數(shù)據(jù)進行一致性校正。然而，遙感地表溫度具有強異質(zhì)性和高動態(tài)變化特點，使得傳統(tǒng)方法難以有效重建低空間分辨率PMW 溫度數(shù)據(jù)的較大軌道間隙。鑒于深度學習在解決復雜非線性問題上的優(yōu)越性（Chollet，2017），Wu等（2019）針對靜止衛(wèi)星提出基于卷積神經(jīng)網(wǎng)絡(luò)地表溫度單向重建方法，但這種方法要求相輔助LST信息不能包含缺失值，而實際情況下TIR 數(shù)據(jù)受云層覆蓋的影響，在相鄰時間內(nèi)也很難找到完全無云的有效數(shù)據(jù)，一定程度上限制了該算法的實際應用。

考慮到AMSR-E LST數(shù)據(jù)具有較大軌道掃描間隙、相鄰時相數(shù)據(jù)空間信息互補且具有一定周期性等特點，本研究假設(shè)待重建AMSR-E 缺失區(qū)域像元前后相鄰兩天的地表溫度變化量與未缺失區(qū)域像元的地表溫度變化量相似，且這種變化量可以從樣本中學習到。因此，本文基于上述假設(shè)和前期工作基礎(chǔ)，提出深度學習方法下利用相鄰時相數(shù)據(jù)雙向重建AMSR-E LST數(shù)據(jù)軌道間隙的研究思路。

2 研究區(qū)域與數(shù)據(jù)

2.1 研究區(qū)域

如圖1所示。圖1（a）為研究區(qū)域邊界示意圖，圖1（b）為AMSR-E地表溫度數(shù)據(jù)區(qū)域示例圖（白色區(qū)域為軌道間隙缺失）。

2.2 數(shù)據(jù)說明

2.2.1 AMSR-E LST數(shù)據(jù)

搭載在Aqua 衛(wèi)星上的先進微波掃描輻射儀（AMSR-E）是一種多頻雙偏振微波輻射計，它可以全天候探測地球表面和大氣中微弱的微波輻射。該衛(wèi)星傳感器于2002年開始運行，大約在當?shù)貢r間下午1：30 pm 和凌晨1：30 am 觀測地球，并于2011-09停止運行；它包含12個頻段，分布在6個頻率（即6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz 和89 GHz）和兩個極化態(tài)（水平和垂直）。本研究使用的中國大陸區(qū)域AMSR-E LST 數(shù)據(jù)由北京師范大學團隊提供，該團隊利用國家冰雪數(shù)據(jù)中心（http：//nsidc.org［2020-09-27］）下載的AMSR-E 亮溫產(chǎn)品，在綜合考慮環(huán)境變量基礎(chǔ)上提出一種經(jīng)驗反演算法（Zhang 和Cheng，2020）得到LST 數(shù)據(jù)。該數(shù)據(jù)空間分辨率為25 km，每天過境成像兩次，白天以降軌過境成像，夜間以升軌過境成像。

2.2.2 MODIS 1 km中國區(qū)域每日LST合成產(chǎn)品

本研究采用了Aqua 衛(wèi)星傳感器上的MODIS 每日1 km 地表溫度數(shù)據(jù)（MYD11A1）中國區(qū)域合成產(chǎn)品進行驗證，MODIS/Aqua 傳感器與AMSR-E 傳感器處于同一平臺上，軌道幾何形狀和過境時間相同，因此不需要考慮數(shù)據(jù)采集的時差。數(shù)據(jù)來源于中國科學院計算機網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺（http：//www.gscloud.cn［2020-09-27］）。

3 研究方法

3.1 模型構(gòu)建

深度學習中的卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）越來越多應用于遙感數(shù)據(jù)處理中，它能夠自動學習不同數(shù)據(jù)之間固有的復雜關(guān)系（Zhang 等，2016）。針對研究中所用AMSR-E LST數(shù)據(jù)的特點，本文提出一種基于時相信息進行重建的多時相特征連接卷積神經(jīng)網(wǎng)絡(luò)MTFC-CNN（Multi-temporal Feature Connection-CNN）。主要網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，包括下采樣部分、上采樣部分和注意力單元等。具體結(jié)構(gòu)參數(shù)見表1。

圖2 MTFC-CNN模型結(jié)構(gòu)Fig.2 The model structure of MTFC-CNN

下采樣主要是對輸入的AMSR-E LST數(shù)據(jù)進行特征提取，其中：（1）在卷積層之間中加入批量歸一化層BN（Batch Normalization），使得各層輸出的概率分布與各層輸入的概率分布基本重合，加快模型的收斂速度和參數(shù)擬合；（2）選擇激活函數(shù)ReLU，保證卷積層的輸出是輸入的非線性組合，確定不同LSTs 之間的非線性聯(lián)系；（3）為了使模型適用于填充較大區(qū)域缺失的LSTs，需要在卷積過程中擴展感受野建立大范圍內(nèi)不同像素之間的關(guān)系，以增強LSTs 特征圖的上下文信息；通過比較幾種增大卷積核感受野的方法，采用了效果更好的卷積核大小為2×2 的平均池化層（Average Pooling）。上采樣是實現(xiàn)圖像由低分辨率到高分辨率映射的過程，實驗中選擇了在特征還原上表現(xiàn)良好的轉(zhuǎn)置卷積（Transposed Convolution）進行特征圖的還原，使得最后輸出原圖像大小的重建結(jié)果。上采樣在結(jié)構(gòu)上和下采樣過程相同，在卷積層中加入了BN層并采用ReLU激活函數(shù)。

另一方面，由于在采樣過程中LST像素的空間位置信息會丟失，所以需要利用下采樣中低層LST特征中所包含的位置信息來克服這一問題。為了實現(xiàn)位置信息的重用，一般采用跳躍連接結(jié)構(gòu)直接將低層特征和高層特征連接起來，但還原像素位置信息通常不需要所有低層特征中的信息，引入過多低層特征信息反而容易出現(xiàn)過擬合問題（Ronneberger 等，2015）。本文引入了在圖像處理中使用較多的注意力單元（Attention Unit）來解決這個問題，深度學習中的注意力機制從本質(zhì)上講和人類的選擇性視覺注意力機制類似，核心目標也是從眾多信息中選擇出對當前任務目標更關(guān)鍵的信息。在注意力單元中，通過激活高層特征中的有效信息來輸出低層特征信息的權(quán)重，提取到更為重要的位置信息，得到加權(quán)低層特征。上采樣中再將高層特征和包含LST像素位置信息的加權(quán)低層特征相結(jié)合，作為卷積層的輸入，增強獲取不同LSTs空間信息的能力。

3.2 實驗過程

3.2.1 樣本準備

考慮到研究區(qū)域不同季節(jié)、晝夜地表溫度變化存在較大差異，研究中將2010年全年AMSR-E LST 數(shù)據(jù)分成4 個季節(jié)的降軌（白天）和升軌（夜晚）數(shù)據(jù)，共計8 個數(shù)據(jù)子集。在每一個數(shù)據(jù)子集內(nèi)，依次選取相鄰時間內(nèi)連續(xù)3 d 的AMSR-E LST 數(shù)據(jù)作為T1、T2、T3 時刻數(shù)據(jù)，統(tǒng)一裁剪成24像素×24像素大小的影像塊構(gòu)成數(shù)據(jù)對。裁剪后的24 像素×24 像素小塊上如果都沒有缺失值，則作為樣本數(shù)據(jù)集；如果任一時刻有缺失值，則按缺失區(qū)域分別制成對應時刻的真實掩膜集。訓練過程中選擇T2 時刻的完整數(shù)據(jù)作為label，然后在label中利用T2時刻的真實掩膜集，模擬得到T2時刻的缺失數(shù)據(jù)，并對樣本數(shù)據(jù)進行歸一化處理，得到同一量級（如0—1 之間）的數(shù)據(jù)集，便于網(wǎng)絡(luò)進行訓練。最后，本文按7∶1 的比例從數(shù)據(jù)集中隨機選取作為訓練集和測試集。

3.2.2 模型訓練

如圖3訓練過程示意圖所示，模型的輸入數(shù)據(jù)包括4 類：T2 時刻真實數(shù)據(jù)（標簽）、模擬的待重建T2時刻缺失數(shù)據(jù)（某個日期的缺失數(shù)據(jù)）、相鄰的T1 時刻數(shù)據(jù)（前一天的數(shù)據(jù)）、相鄰的T3 時刻數(shù)據(jù)（后一天的數(shù)據(jù)）。在輸入模型前，為了有效利用T2 時刻本身有值區(qū)域的LST 特征信息以及結(jié)合不同時相間的LST 信息，對T1、T2 與T3、T2 分別進行一個相加操作，將得到的結(jié)果進行通道上的連接，得到輸入層C。在訓練過程中，考慮到網(wǎng)絡(luò)結(jié)構(gòu)中使用了Attention 機制進行跨層連接，并且因為輸入輸出的圖像大小相同，所以采用殘差學習的方法，初始學習率設(shè)為1E-4，隨迭代次數(shù)的增加而遞減，誤差正向傳播結(jié)束后，使用反向傳播算法更新訓練參數(shù)，更好得學習LSTs 之間的非線性關(guān)系。在損失函數(shù)選擇上，均方誤差MSE（Mean Square Error）作為計算損失函數(shù)，計算公式如下：

圖3 訓練過程示意圖Fig.3 Schematic diagram of training process

式中，yi和f（xi）分別表示第i個樣本的真實值和預測值，m為樣本個數(shù)。MSE 損失隨著誤差的減小，梯度也在減小，有利于函數(shù)較快取得最優(yōu)值，進而得到效果較好的模型參數(shù)。

3.2.3 模型測試和真實實驗

在模型測試階段，考慮到實際中AMSR-E LST數(shù)據(jù)在相鄰T1和T3時刻可能都存在空缺，但與T2時刻存在信息互補，本文分別利用上述T1 時刻和T3時刻的掩膜集對測試集T1時刻和T3時刻數(shù)據(jù)掩膜，得到真實情況下T1、T3時刻有缺失的數(shù)據(jù)對。但實驗中發(fā)現(xiàn)模型對相鄰時刻數(shù)據(jù)空間信息的完整性有一定要求，因此如圖4測試過程所示，采用簡單、快速的空間插值方法得到相對完整的T1、T3 時刻數(shù)據(jù)對，之后與訓練階段類似，將測試集中掩膜后并經(jīng)過空間插值得到的T1、T3 時刻完整數(shù)據(jù)對與模擬的待重建T2 時刻缺失數(shù)據(jù)作為模型測試輸入，得到的T2 時刻重建結(jié)果與T2 時刻完整數(shù)據(jù)進行對比評價，評價指標采用均方根誤差RMSE（Root Mean Square Error）和決定系數(shù)（R2）。為了驗證模型的泛化能力，在測試中選用了一些與訓練階段不同的掩膜形狀來進行測試驗證模型是否適用于不同缺失區(qū)域或缺失率下的重建，并根據(jù)實際重建效果進一步優(yōu)化網(wǎng)絡(luò)參數(shù)。在真實實驗階段，按圖4所示測試過程重建T2 時刻數(shù)據(jù)，最后將得到的中國大陸區(qū)域AMSR-E LST 數(shù)據(jù)與對應MODIS LST產(chǎn)品進行對比，驗證重建精度。

圖4 測試過程示意圖Fig.4 Schematic diagram of testing process

4 結(jié)果和分析

4.1 模擬實驗

4.1.1 可視化結(jié)果

對于2010年4 個季節(jié)白天和夜晚的AMSR-E LST數(shù)據(jù)在樣本準備中得到的測試集，在每個季節(jié)都分別模擬4種不同缺失情況進行測試（缺失率分別為42%、50%、60%、70%），對比真實影像檢驗重建效果。為了驗證本文所提出方法的重建效果，采用樣條空間插值（Spline）、時間線性回歸（Regress）兩種傳統(tǒng)重建方法（Pede 和Mountrakis，2018）作為對比。

由于篇幅限制，圖5只展示在50%缺失率下，不同方法對4 個季節(jié)白天與夜晚數(shù)據(jù)的重建結(jié)果。Spline 方法由于只利用周圍可用的像素信息對缺失部分進行空間插值處理，從直觀效果上來看，其重建結(jié)果具有平滑效應，失去了紋理信息。Regress方法與本文方法原理上類似，通過構(gòu)建缺失時刻數(shù)據(jù)與相鄰時序內(nèi)的數(shù)據(jù)有效LST 值間的函數(shù)關(guān)系，再將函數(shù)映射關(guān)系應用到缺失區(qū)域，計算出LST 值，其細節(jié)保持比Spline 方法效果要好方法好；但由于構(gòu)建出的只是一般的線性回歸關(guān)系，難以刻畫LST的高動態(tài)變化性，所以在部分細節(jié)特征上與真實影像還有一定差異（如圖5中紅色圓圈所示）。此外，Spline 和Regress 方法在春、冬季的重建效果優(yōu)于夏、秋季，夜晚重建效果優(yōu)于白天，可能的原因是春冬季和夜晚的LST的動態(tài)變化程度相比于夏秋季和白天較低。然而，無論四季還是晝夜，MTFC-CNN 方法的重建效果都表現(xiàn)較好，無明顯差異；證明MTFC-CNN 在挖掘地表溫度的時空變化特征方面優(yōu)于Spline 和Regress 方法，在結(jié)構(gòu)上與真實LST圖像更相似。

圖5 3種方法對AMSR-E LST的重建效果對比Fig.5 Comparison of reconstruction effects of AMSR-E LST in the three methods

4.1.2 定量評價結(jié)果

為了定量比較3 種方法的效果，同樣選取了50%缺失率情況下的重建結(jié)果，從均方根誤差（RMSE）和決定系數(shù)（R2）來對重建結(jié)果進行定量對比，結(jié)果表明在夜晚重建結(jié)果整體的RMSE要比白天低一些，從季節(jié)上來看，大部分情況下夏季的RMSE 要高于其他季節(jié)?？傮w上MTFC-CNN方法得到結(jié)果的平均RMSE 在1.0 K 左右，平均R2在0.88 以上，LST 重建精度優(yōu)于另外兩種傳統(tǒng)方法。此外，本文統(tǒng)計了在不同方法在其他3種缺失率情況下（42%、60%、70%）的總體平均RMSE和平均R2，如表3所示，再次顯示了MTFC-CNN方法在不同缺失率情況下依然具有優(yōu)勢。

表2 缺失率50%下AMSR-E LST重建精度Table 2 AMSR-E LST reconstruction accuracy under 50%missing rate

表3 缺失率42%、60%、70%下總體重建精度對比Table 3 Comparison of overall reconstruction accuracy at 42%，60%，70%missing rates

此外，為了更直觀體現(xiàn)3種方法的重建結(jié)果與真實LST 之間的相關(guān)性，如圖6所示，隨機選取一定數(shù)量重建后的LST 數(shù)據(jù)與對應Label 的LST 數(shù)據(jù)繪制成散點圖。圖6（a）、（b）、（c）分別是3種方法白天和夜間重建結(jié)果與對應真實數(shù)據(jù)的散點圖。無論是散點的分布情況還是定量評價指標，再次表明MTFC-CNN方法優(yōu)于兩種傳統(tǒng)方法。

圖6 3種方法AMSR-E LST重建結(jié)果對比散點圖Fig.6 Scatterplots of the comparison of AMSR-E LST reconstruction results between three methods

4.2 真實實驗

4.2.1 中國大陸區(qū)域重建結(jié)果

為了更直觀了解重建得到的空間連續(xù)的AMSR-E LST數(shù)據(jù)所顯示的地表溫度在空間和時間上的分布變化情況，如圖7（審圖號：GS（2021）3724號）顯示了2010-01—2010-12每月取相同日期的白天和夜晚的中國陸地區(qū)域AMSR-E LST 的實際重建結(jié)果，可以看出重建結(jié)果的LST分布，基本符合不同季節(jié)對應區(qū)域的地表溫度變化特點。

圖7 2010年每月AMSR-E LST空間分布情況Fig.7 Spatial distribution of AMSR-E LST in each month in 2010

4.2.2 重建精度驗證

為了驗證在真實實驗下，AMSR-E LST 數(shù)據(jù)軌道間隙像元LST值得重建效果，本研究采用了對應時間MYD11A1地表溫度數(shù)據(jù)1 km 每日中國區(qū)域合成產(chǎn)品進行精度驗證?？紤]到MODIS LST 產(chǎn)品的質(zhì)量問題及其與AMSR-E LST 的分辨率差異，本文對MODIS 進行如下處理：（1）根據(jù)MODIS 產(chǎn)品質(zhì)量控制文件，選擇高質(zhì)量像元作為候選像元；（2）將MODIS LST 產(chǎn)品重采樣成AMSR-E 相同格網(wǎng)大小。將原AMSR-E LST 數(shù)據(jù)中未缺失部分的LST值和處理后的MODIS LST進行對比，計算得到RMSE 和R2，作為算法的重建誤差；同時計算AMSR-E 重建部分像元LST 與對應MODIS LST 的RMSE 和R2，如果兩種情況下的RMSE 和R2相近則表明重建效果好。

如圖8是對2010年每個月取相同日期的重建結(jié)果進行的總體重建精度驗證，圖8（a）是白天AMSR-E原始未重建部分（黑色點）、重建部分（橙色點）與處理后MODIS產(chǎn)品的散點圖；圖8（b）則是夜晚AMSR-E 原始未重建部分（黑色點）、重建部分（橙色點）與處理后MODIS產(chǎn)品的散點圖。

圖8 重建LST和真實LST與MODIS LST對比情況散點圖Fig.8 Scatter diagram of reconstructed LST and real LST compared with MODIS LST

從圖8中散點的分布和定量評價指標都可以看出，重建部分與MODIS 產(chǎn)品的散點圖和非重建部分與MODIS 產(chǎn)品的散點圖非常相似，也具有非常接近的定量評價指標，這表明重建部分的LST與未重建部分的LST具有較好的一致性。

此外，為了探究不同季節(jié)的重建精度是否變化顯著，如表4顯示了MTFC-CNN 方法在不同季節(jié)的重建精度的定量對比，可以看出不同季節(jié)的總體重建精度差異不明顯，基本與模擬實驗中不同季節(jié)重建結(jié)果的對比情況一致。只有夏季的重建精度略低于其他季節(jié)，主要考慮與夏季LST的變化性更大有關(guān)。

表4 真實實驗下MTFC-CNN不同季節(jié)重建精度對比Table 4 Comparison of MTFC-CNN reconstruction accuracy in different seasons under real experiments

另一方面，為了對比真實實驗中本文的方法與其他傳統(tǒng)方法重建結(jié)果的精度，將本文中的MTFC-CNN 方法和空間插值Spline、線性回歸Regress方法的實際重建結(jié)果進行定量對比。將3種方法所得結(jié)果的重建區(qū)域LST 值分別與對應區(qū)域MODIS產(chǎn)品的LST值比較，計算得到RMSE 進行比較。如圖9結(jié)果所示，可以看出在實際生產(chǎn)中，本文中方法相比于另外兩種傳統(tǒng)方法的RMSE 更低，重建精度更高。

圖9 真實實驗3種方法重建結(jié)果RMSE對比Fig.9 RMSE comparison of reconstruction results of three methods in real experiments

5 結(jié) 論

被動微波AMSR-E LST在氣候變化研究、災害監(jiān)測等領(lǐng)域發(fā)揮重要作用，也常作為多云條件下TIR LST 數(shù)據(jù)的補充，因此重建AMSR-E LST 數(shù)據(jù)軌道掃描間隙很有必要。鑒于深度學習在解決高動態(tài)和非線性問題方面的優(yōu)勢，本文提出一種針對AMSR-E LST 數(shù)據(jù)軌道掃描間隙問題的多時相特征連接卷積神經(jīng)網(wǎng)絡(luò)重建模型（MTFC-CNN），通過引入注意力機制單元來增強不通層次特征之間的聯(lián)系，以提高模型挖掘LSTs 潛在相關(guān)性的能力。本文按照白天、夜晚對2010年全年四季數(shù)據(jù)分8個子集進行實驗。在模擬實驗中，經(jīng)過與兩種傳統(tǒng)重建方法對比發(fā)現(xiàn)，MTFC-CNN 能有效挖掘LSTs 的時空變化信息，取得較好的定量評價結(jié)果。在真實實驗中，通過與MODIS LST產(chǎn)品對比發(fā)現(xiàn)：缺失區(qū)域重建出的LST值與其他有值區(qū)域LST的時空分布基本一致?？傮w結(jié)果表明，針對AMSR-E LST 軌道間隙數(shù)據(jù)，MTFC-CNN方法取得了不錯的重建效果，是一種有效的重建方法。盡管本文只對AMSR-E LST軌道間隙數(shù)據(jù)進行測試，但同時適用于AMSR2 和MWRI等其他被動微波LST軌道間隙數(shù)據(jù)。

然而，本研究中也還存在一些不足希望在后續(xù)工作中解決。主要包括：（1）MTFC-CNN 方法要求相鄰時相數(shù)據(jù)與待重建數(shù)據(jù)具有互補信息，所以適用于AMSR-E、AMSR2 和MWRI 等被動微波溫度數(shù)據(jù)；但直接應用其他傳感器數(shù)據(jù)時由于無法保證互補信息而難以取得較好的重建效果；（2）在對各個季節(jié)制作樣本集時，由于各數(shù)據(jù)軌道間隙缺失區(qū)域不同，且要保證待重建時刻和前后相鄰時刻的影像都是同一區(qū)域，目前的順序裁剪則會出現(xiàn)數(shù)據(jù)集中各個日期的樣本數(shù)量分布不均勻的問題，進而導致樣本數(shù)較少的日期模型訓練效果較差。因此，需要發(fā)展一種樣本量最大化的裁剪方法。