WGAST：通过时空融合进行日常10米地表温度估算的弱监督生成网络

城市化、气候变化和农业压力增加了对精确及时环境监测的需求。地表温度（LST）是这一背景下的一个关键变量，通过遥感卫星获取。然而，这些系统面临空间分辨率和时间分辨率之间的权衡。虽然时空融合方法提供了有前景的解决方案，但很少有方法解决10米分辨率的日LST估算问题。在本研究中，我们提出了WGAST，一个用于通过Terra MODIS、Landsat 8和Sentinel-2的时空融合估算日10米LST的弱监督生成网络。WGAST是为此任务设计的第一个端到端深度学习框架。它采用条件生成对抗架构，生成器由四个阶段组成：特征提取、融合、LST重建和噪声抑制。第一阶段采用一组编码器从输入中提取多级潜在表示，然后在第二阶段使用余弦相似度、归一化和时间注意力机制进行融合。第三阶段将融合的特征解码成高分辨率LST，随后通过高斯滤波器抑制高频噪声。训练遵循基于物理平均原理的弱监督策略，并由PatchGAN判别器强化。实验表明，WGAST在定量和定性评估中均优于现有方法。与性能最佳的基线相比，WGAST平均将RMSE降低了17.18%，并将SSIM提高了11.00%。此外，WGAST对云诱导的LST具有鲁棒性，并能有效捕捉精细尺度的热模式，这一点已通过33个地面传感器验证。代码可在https://github.com/Sofianebouaziz1/WGAST.git获取。