Spatio-temporal data fusion refers to the technique of combining high temporal resolution from coarse satellite images and high spatial resolution from fine satellite images However data availability

时空数据融合是指将来自粗分辨率卫星图像的高时间分辨率与来自细分辨率卫星图像的高空间分辨率相结合的技术。然而，数据可用性仍然是算法开发的主要限制因素。现有的时空数据融合算法需要至少一对已知的细分辨率和粗分辨率图像。然而，来自两个不同卫星平台的数据不一定在其过境时间上有重叠，从而限制了时空数据融合的应用。本文提出了一种名为Hopfield神经网络时空数据融合模型（HNN-SPOT）的新算法，利用Hopfield神经网络（HNN）中的优化概念进行时空图像融合。该算法通过使用任意日期拍摄的一幅细分辨率图像和预测日期拍摄的一幅粗分辨率图像，从粗空间分辨率卫星图像中得出合成的细分辨率图像（类似于降尺度）。HNN-SPOT特别解决了细分辨率和粗分辨率图像在相同地理范围内来自不同卫星过境时间的问题。在对HNN-SPOT进行评估时，使用了模拟数据集和香港和澳大利亚的真实数据集。结果显示，HNN-SPOT与现有的融合算法空间和时间自适应反射融合模型（STARFM）相当。HNN-SPOT假设数据获取日期和预测日期之间的目标区域具有一致的空间结构。因此，它更适用于地理区域的土地覆盖变化很少或没有的情况。研究表明，HNN-SPOT可以在一致的土地覆盖上产生>90%的相关系数的准确融合结果。对于经历土地覆盖变化的区域，如果其特征足够大以在预测日期的粗分辨率图像中记录下来，HNN-SPOT仍然可以对其轮廓和色调进行预测。HNN-SPOT提供了一种相对较新的时空数据融合方法，通过修改或添加其HNN架构中的新目标和约束，可以进一步改进该方法。由于对数据先决条件的需求较低，预计HNN-SPOT将增加遥感中细粒度应用（如环境建模和监测）的适用性。