由于受到云、氣溶膠等不利天氣的影響，基于熱紅外遙感反演的地表溫度數據存在空間不連續問題，阻礙了地表溫度產品的實際應用。近年來，融合熱紅外和微波數據生成全天候地表溫度數據的研究受到廣泛關注，但微波數據中低緯度較大的軌道間隙、微波與熱紅外數據之間空間分辨率與熱感應差異以及地表溫度本身高動態變化性，往往導致生成的全天候地表溫度數據空間細節丟失和精度下降。

近日，我校地理空間大數據人工智能團隊聯合中國農業科學院農業資源與農業區劃研究所、武漢大學同行合作，發表題為《Atwo-stepdeeplearningframeworkformappinggaplessall-weatherlandsurfacetemperatureusingthermalinfraredandpassivemicrowavedata》的研究論文。該文提出一種生成無縫全天候地表溫度數據的兩步深度學習方法。一方面，考慮到微波數據軌道間隙的周期性、相鄰時相空間互補性，構建了多時相特征連接卷積神經網絡（MTFC-CNN），利用相鄰時相數據雙向重建軌道間隙，生成空間無縫被動微波地表溫度;另一方面，設計多尺度多時相特征連接的生成對抗網絡（MSTFC-GAN），結合多時相重建后的無縫微波數據與云下熱紅外數據，生成空間無縫的全天候地表溫度數據；研究結果表明，本文方法生成的無縫地表溫度數據在精度上和空間細節上都有了明顯提升。

該文于2022年5月10日在線發表在遙感領域頂級期刊《RemoteSensingofEnvironment》，資源與環境工程學院吳鵬海副教授為論文第一作者，研究生蘇揚、吳艷蘭教授、楊輝博士、馬曉雙副教授等為共同作者。該研究得到了國家自然科學基金項目、信息材料與智能感知安徽省實驗、濕地生態修復與保護安徽省實驗和安徽省地理信息工程中心共同支持。