由于受到云、气溶胶等不利天气的影响，基于热红外遥感反演的地表温度数据存在空间不连续问题，阻碍了地表温度产品的实际应用。近年来，融合热红外和微波数据生成全天候地表温度数据的研究受到广泛关注，但微波数据中低纬度较大的轨道间隙、微波与热红外数据之间空间分辨率与热感应差异以及地表温度本身高动态变化性，往往导致生成的全天候地表温度数据空间细节丢失和精度下降。
近日，我校地理空间大数据人工智能团队联合中国农业科学院农业资源与农业区划研究所、武汉大学同行合作，发表题为《Atwo-stepdeeplearningframeworkformappinggaplessall-weatherlandsurfacetemperatureusingthermalinfraredandpassivemicrowavedata》的研究论文。该文提出一种生成无缝全天候地表温度数据的两步深度学习方法。一方面，考虑到微波数据轨道间隙的周期性、相邻时相空间互补性，构建了多时相特征连接卷积神经网络（MTFC-CNN），利用相邻时相数据双向重建轨道间隙，生成空间无缝被动微波地表温度;另一方面，设计多尺度多时相特征连接的生成对抗网络（MSTFC-GAN），结合多时相重建后的无缝微波数据与云下热红外数据，生成空间无缝的全天候地表温度数据；研究结果表明，本文方法生成的无缝地表温度数据在精度上和空间细节上都有了明显提升。
该文于2022年5月10日在线发表在遥感领域顶级期刊《RemoteSensingofEnvironment》，资源与环境工程学院吴鹏海副教授为论文第一作者，研究生苏扬、吴艳兰教授、杨辉博士、马晓双副教授等为共同作者。该研究得到了国家自然科学基金项目、信息材料与智能感知安徽省实验、湿地生态修复与保护安徽省实验和安徽省地理信息工程中心共同支持。