基于Hopfield神经网络的时空数据融合新方法

时空数据融合技术旨在结合粗分辨率卫星图像的高时间分辨率和细分辨率卫星图像的高空间分辨率。然而，现有算法通常要求细分辨率和粗分辨率图像在时间上匹配，这在实际应用中是一个很大的限制。

为了解决这个问题，本文提出了一种新的时空数据融合算法，称为Hopfield神经网络时空数据融合模型（HNN-SPOT）。HNN-SPOT利用Hopfield神经网络（HNN）的优化能力，只需要一幅任意日期的细分辨率图像和一幅预测日期的粗分辨率图像，即可生成预测日期的合成细分辨率图像。

HNN-SPOT的主要优势在于:

无需时间匹配: HNN-SPOT不要求细分辨率和粗分辨率图像在时间上重叠，解决了不同卫星平台数据难以匹配的问题。* 适用于稳定区域: 算法假设目标区域的空间结构在数据获取日期和预测日期之间保持一致，因此更适用于土地覆盖变化较小的区域。

实验结果表明:

在模拟和真实数据集上，HNN-SPOT的融合效果与现有算法（如STARFM）相当。* 对于土地覆盖一致的区域，HNN-SPOT可以产生高度准确的融合结果，相关系数超过90%。* 即使对于经历土地覆盖变化的区域，HNN-SPOT仍然可以预测较大特征的轮廓和色调。

未来展望:

HNN-SPOT提供了一种新的时空数据融合思路，未来可以通过修改或添加HNN架构中的目标和约束来进一步改进。由于对数据先决条件的要求较低，HNN-SPOT有望扩展遥感细粒度应用（如环境建模和监测）的适用性。