近日，我院薛朝辉教授联合中科院东北地理所、香港大学科研团队提出了简化多层感知器的时间序列重建新方法，并成功应用于中国南部沿海地区 1999-2019 年逐年16天合成全波段 Landsat 时序重建。该成果以“Streamlined multilayer perceptron for contaminated time series reconstruction: A case study in coastal zones of southern China“为题发表在遥感领域国际权威期刊《ISPRS Journal of Photogrammetry and Remote Sensing》。河海大学地球科学与工程学院博士研究生钱思羽为第一作者，河海大学薛朝辉教授为通讯作者，中科院东北地理所贾明明副研究员、香港大学张鸿生副教授为共同作者。
论文链接：https://doi.org/10.1016/j.isprsjprs.2025.01.035
代码链接：https://github.com/ZhaohuiXue/SMLP
一、研究方法
高质量卫星遥感时间序列数据对于海岸带生态环境大尺度、长周期监测至关重要。然而，受到海岸带复杂生态系统中动态的环境和频繁的云雾覆盖等问题的干扰，难以获取高质量、长时序的卫星遥感数据。为此，本研究提出一种简化多层感知器的时序数据重建新方法（SMLP）。SMLP主要包含三个关键部分（图1）：构建频率域滤波模块，剔除时序数据中的异常值；提出基于频域表示的分解模块，捕捉时序数据的内在变化；引入基于隐式神经表示的重建模块，填补时序数据中的连续空缺。
图1 SMLP方法流程图
二、实验结果与分析
以中国南部沿海地区（图2）为例，对1999-2019 年逐年16天合成全波段 Landsat 进行时序重建，定量和定性对比分析了提出的方法与其他同类方法，并从制图的角度验证了重建方法的应用效果。
图2 研究区范围
（1）在不同程度的噪声干扰(5%-40%)和连续数据空缺(一整年)（图4）情况下，SMLP 均显著优于其他方法（图3、图4），得出的
比其他方法低 0.010 - 0.051。
图3 在不同噪声条件下不同方法的重建精度对比
图4 在连续数据空缺条件下不同方法的重建效果对比
（2）利用 SMLP 能够更为准确的构建Landsat全波段长时间序列数据（图5），得出的
比其他方法低 0.024 - 0.052。
图5 Landsat全波段数据重建效果
（3）通过重建结果的空间可视化（图6）可以发现，SMLP对含噪声数据的还原度最好，可为后续湿地制图、变化检测等下游任务提供高质量的数据支撑。
图6 不同方法重建结果的空间可视化对比
（4）利用不同方法构建的时间序列数据进行湿地制图，发现SMLP可获得更为精准的分类结果（表1、图7），相比其他方法，SMLP在总体精度和Kappa系数方面分别提升1.89% - 22.39%和4.02 - 46.03。
表1 不同方法对淇澳岛的湿地分类精度
图7 利用不同方法构建的时间序列数据对淇澳岛的湿地分类结果
（5）将不同方法应用于整个研究区（图8），发现SMLP在整个南部沿海地区具有更低的重建误差，说明该方法具有较好的可迁移性。
图8 对整个研究区进行重建后的误差空间可视化对比
（6）对比不同方法的推理速度（每秒处理的像素个数）和重建误差发现（图9），SMLP具有较高的推理速度和更低的重建误差，可应用于大尺度、长周期滨海湿地监测。
图9 不同方法的推理速度和重建误差对比
三、研究结论
本研究提出的SMLP方法成功应用于中国南部沿海地区1999-2019 年逐年16天合成全波段 Landsat 时序重建，实验结果表明该方法能够有效抑制噪声、捕捉时序细节、填补连续空缺，同时该方法运算高效且具有较好的可迁移性，能够为大尺度、长周期滨海湿地监测提供高质量卫星遥感时序数据。未来将拓展该方法在洲际或全球尺度上的滨海湿地遥感变化检测等方面的研究。
该研究得到国家自然科学基金（42271324、42201406）、江苏省自然科学基金（BK20221506）、吉林省自然科学基金（20240101016JJ）和中国科学院青年创新促进会（2021227）等项目的联合资助。
目前，团队已在滨海湿地遥感红树林制图、变化检测和时序重建等方面取得系列进展，相关成果发表在ISPRS P&RS(2024、2025)、IEEE TGRS(2023)、IEEE JSTARS(2022)和《遥感学报》(2022)等遥感领域国内外权威期刊。
相关论文：
1. S. Qian, Z. Xue*, M. Jia, H. Zhang. Streamlined multilayer perceptron for contaminated time series reconstruction: A case study in coastal zones of southern China[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 221: 193-209.
2. S. Qian, Z. Xue*, M. Jia, Y. Chen, H. Su. Temporal-spectral-semantic-aware convolutional transformer network for multi-class tidal wetland change detection in Greater Bay Area[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 216: 126-141.
3. Z. Xue*, and S. Qian. Two-Stream Translating LSTM Network for Mangroves Mapping Using Sentinel-2 Multivariate Time Series [J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-16.
4. Z. Xue*, and S. Qian. Generalized Composite Mangrove Index for Mapping Mangroves Using Sentinel-2 Time Series Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 5131-5146.
5. 薛朝辉*, 钱思羽. 融合 Landsat-8 与 Sentinel-2 数据的红树林物候信息提取与分类研究[J]. 遥感学报，2022, 26(6): 1121-1142.
Copyright © Hohai university
dilixueyuan@hhu.edu.cn