提升时空融合：结合逐步建模与传统方法

5. 将逐步建模与传统方法相结合进行完整建模

其他时空融合方法虽然模拟了时间差异，但并未对全部三个差异进行建模。为了证明完整建模的必要性，我们将新提出的建模框架应用于现有的方法，通过实验结果间接证明其有效性。本节将我们的方法与现有的一对时空融合方法结合，探索完整建模的价值。

5.1. 改进的当代比较

基于深度神经网络的方法需要大量数据来训练模型以适应时间差异，而传统方法只需要一对或两对已知图像。在训练数据不足的情况下，基于深度神经网络的方法可能无法稳定地表现良好，而一对融合方法仍然适用。例如，时空融合可用于混合镶嵌图像以实现颜色和谐，这是一种一对融合方法 (Wei et al., 2021)。

在我们的模型中，空间模型和传感器模型的训练仅涉及少量原位遥感图像。空间训练使用DIV2K数据集一次即可完成。传感器训练只需要少量的图像补丁，可以在离线训练或在一对融合中提供。由于每个时空融合方法都模拟了时间差异，因此它们可以按照我们的前两个模型使模型更完整。我们将前两步重建的结果应用于STARFM、EBSCDL、FSDAF和Fit-FC进行进一步预测，最终结果列于表6和表7中。在这些表中，传感器模型使用CIA或LGC数据进行离线训练。

当我们的方法与传统方法相结合时，表6显示了CIA数据集的结果，表7显示了LGC数据集的结果。我们评估了RMSE和SSIM，“old”指的是原始结果，“new”指的是组合结果。这些表突出表明，传统方法可以从新模型中受益。对于CIA数据集，辐射损失的RMSE值降低，大多数结构得分增加。组合FSDAF算法的性能稳步提高。

对于LGC数据集，表7中的得分表明性能改进存在问题。LGC数据集中的第8张图像是在洪水期间拍摄的，与第7张和第9张图像相比，其土地覆盖发生了很大变化。因此，当使用该图像进行预测或参考时，所有算法的性能都较差。当不涉及剧烈变化时，组合策略表现良好，如最后两张图像所示，但改进幅度小于CIA数据集。

图11和图12展示了一些将一对方法与我们的方法集成之前和之后的结果，其中前缀“SS-”表示组合方法。在图11中，Fit-FC的细节得到丰富，其他方法的颜色得到轻微校正。图12中的改进效果较弱，与数字评分一致。总体而言，组合方法对Landat-7 CIA数据集具有较强的效果，对Landsat-5数据集的效果较弱。