Resolution Revolution: A Physics-Guided Deep Learning Framework for Spatiotemporal Temperature Reconstruction

📄 arXiv: 2507.09872v1 📥 PDF

作者: Shengjie Liu, Lu Zhang, Siqin Wang

分类: eess.IV, cs.CV

发布日期: 2025-07-14

备注: ICCV 2025 Workshop SEA -- International Conference on Computer Vision 2025 Workshop on Sustainability with Earth Observation and AI

💡 一句话要点

提出物理引导深度学习框架，用于高时空分辨率温度重建

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 时空重建 温度数据 深度学习 物理引导 卷积神经网络

📋 核心要点

  1. 现有技术在时空分辨率上存在权衡，难以同时获得高时空分辨率的温度数据，云层覆盖也带来挑战。
  2. 该论文提出了一种物理引导的深度学习框架，利用卷积神经网络融合粗分辨率地球系统模型和卫星观测数据。
  3. 实验结果表明，该框架能够有效重建高分辨率温度数据，并在不同数据集上验证了其有效性。

📝 摘要（中文）

地球观测的核心在于空间和时间分辨率之间的权衡。对于温度而言，这一点尤为重要，因为实际应用需要高时空分辨率的数据。目前的技术能够以2公里的分辨率每小时观测温度，但以100米的分辨率观测温度只能每16天一次，云层覆盖进一步加剧了这一差距。地球系统模型提供连续的每小时温度数据，但空间分辨率要粗糙得多（9-31公里）。本文提出了一种用于温度数据重建的物理引导深度学习框架，该框架集成了这两种数据源。所提出的框架使用卷积神经网络，该网络结合了年度温度周期，并包含一个线性项，以将粗糙的地球系统模型输出放大为从卫星观测到的精细尺度温度值。我们使用来自两颗卫星（GOES-16（2公里，每小时）和Landsat（100米，每16天））的数据评估了该框架，并证明了在四个数据集上使用留出数据和原位数据进行有效温度重建。

🔬 方法详解

问题定义：论文旨在解决地球观测中高时空分辨率温度数据缺失的问题。现有方法要么空间分辨率低（地球系统模型），要么时间分辨率低且易受云层影响（卫星观测），无法满足实际应用需求。

核心思路：论文的核心思路是将粗分辨率的地球系统模型数据与高分辨率但稀疏的卫星观测数据相结合，利用深度学习模型学习二者之间的映射关系，并融入物理知识（年度温度周期）作为先验信息，从而实现高时空分辨率的温度重建。

技术框架：该框架主要包含以下几个部分：1) 数据预处理：对地球系统模型和卫星观测数据进行预处理，包括空间插值、时间同步等；2) 卷积神经网络：构建一个卷积神经网络，输入为地球系统模型数据和年度温度周期，输出为高分辨率温度预测值；3) 线性放大层：在网络中加入一个线性层，用于将粗分辨率的地球系统模型输出放大到精细尺度；4) 损失函数：设计合适的损失函数，例如均方误差，用于优化网络参数。

关键创新：该论文的关键创新在于将物理知识（年度温度周期）融入到深度学习模型中，并使用线性放大层来增强粗分辨率数据的表达能力。这种物理引导的深度学习方法能够更有效地利用现有数据，提高温度重建的精度和鲁棒性。

关键设计：网络结构采用卷积神经网络，能够有效提取空间特征。年度温度周期以正弦和余弦函数的形式编码，作为网络的输入。线性放大层的权重参数通过学习得到，能够自适应地调整粗分辨率数据的放大倍数。损失函数采用均方误差，衡量预测值与真实值之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文使用GOES-16和Landsat卫星数据进行了实验验证，结果表明该框架能够有效重建高分辨率温度数据。通过与现有方法的对比，该框架在精度和鲁棒性方面均有显著提升。此外，该框架还能够处理云层覆盖的情况，具有很强的实用性。

🎯 应用场景

该研究成果可广泛应用于气候变化研究、农业监测、生态系统建模、自然灾害预警等领域。高时空分辨率的温度数据能够帮助科学家更准确地了解地球表面的温度变化规律，为相关决策提供科学依据，例如精准农业灌溉、森林火灾风险评估等。

📄 摘要（原文）

Central to Earth observation is the trade-off between spatial and temporal resolution. For temperature, this is especially critical because real-world applications require high spatiotemporal resolution data. Current technology allows for hourly temperature observations at 2 km, but only every 16 days at 100 m, a gap further exacerbated by cloud cover. Earth system models offer continuous hourly temperature data, but at a much coarser spatial resolution (9-31 km). Here, we present a physics-guided deep learning framework for temperature data reconstruction that integrates these two data sources. The proposed framework uses a convolutional neural network that incorporates the annual temperature cycle and includes a linear term to amplify the coarse Earth system model output into fine-scale temperature values observed from satellites. We evaluated this framework using data from two satellites, GOES-16 (2 km, hourly) and Landsat (100 m, every 16 days), and demonstrated effective temperature reconstruction with hold-out and in situ data across four datasets. This physics-guided deep learning framework opens new possibilities for generating high-resolution temperature data across spatial and temporal scales, under all weather conditions and globally.