Global-Scale Self-Supervised Spatiotemporal Learning for NDVI Time-Series Reconstruction

📄 arXiv: 2608.02322v1 📥 PDF

作者: Ang Li, Menghui Jiang, Xiaobin Guan, Dong Chu, Huanfeng Shen

分类: cs.CV

发布日期: 2026-08-03

💡 一句话要点

提出GloSSR框架以解决NDVI时间序列重建问题

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

关键词: NDVI重建 自监督学习 时空学习 深度学习 遥感数据

📋 核心要点

  1. 现有方法在重建受云污染和噪声干扰的NDVI时间序列时面临数据获取困难和模型泛化能力不足的挑战。
  2. 本文提出GloSSR框架，通过人工降解清晰NDVI数据生成自监督训练对，并采用双向Transformer与ConvLSTM网络进行时空学习。
  3. 实验结果表明，GloSSR在人工降级像素重建中优于对比方法，并能准确捕捉植被动态和关键的物候状态。

📝 摘要（中文）

准确高效地重建受云污染和噪声干扰的NDVI时间序列在遥感领域仍然是一个挑战。深度学习为建模复杂的时空依赖关系提供了有希望的解决方案，但由于获取相同时空位置的清晰和退化NDVI数据对的困难，其应用受到限制。为了解决这一问题，本文提出了GloSSR，一个全球尺度自监督时空框架用于NDVI重建。该框架通过人工降解相对干净的NDVI观测，构造监督信号，生成自监督训练对，进一步引入了一个端到端的时空学习网络，通过双向Transformer与ConvLSTM架构共同捕捉长程时间依赖和短期时空相关性。大量评估表明，该框架在人工和真实场景中均表现出色。

🔬 方法详解

问题定义：本文旨在解决云污染和噪声干扰下的NDVI时间序列重建问题。现有方法往往依赖于清晰和退化数据对的获取，导致模型训练受限。

核心思路：GloSSR框架通过人工降解清晰的NDVI观测，生成自监督训练对，模拟真实世界的降解情况，从而克服数据获取的困难。

技术框架：该框架包括一个端到端的时空学习网络，结合双向Transformer和ConvLSTM架构，能够捕捉长程时间依赖和短期时空相关性。同时，设计了一个基于时间通道注意力的重建模块和时空先验约束，以优化重建效果。

关键创新：GloSSR的主要创新在于自监督学习策略，通过人工降解生成训练对，避免了对清晰数据的依赖，且引入的时空先验约束有效保留了细微结构和长期物候趋势。

关键设计：在网络结构上，采用双向Transformer与ConvLSTM的结合，设计了时间通道注意力模块以增强信息特征，损失函数则考虑了重建误差与时空先验约束的综合优化。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在实验中，GloSSR在人工降级像素重建任务中表现优异， consistently outperforming 其他对比方法，显示出在NDVI时间序列重建中的有效性。基于真实观测的时间序列分析表明，该框架能够准确捕捉植被动态和关键物候状态，验证了其在长期植被趋势分析中的应用潜力。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在大规模环境监测、农业监测和生态研究等领域。通过准确重建NDVI时间序列，能够更好地理解植被动态和生态变化，为决策提供数据支持。未来，该框架可扩展至其他遥感数据集，进一步提升其应用价值。

📄 摘要（原文）

Accurate and efficient reconstruction of cloud-contaminated and noise-corrupted NDVI time series remains a challenge in remote sensing. Deep learning provides a promising solution for modeling complex spatiotemporal dependencies; however, its application is often limited by the difficulty of obtaining paired clear-sky and degraded NDVI data for identical spatiotemporal locations. To address this issue, we propose GloSSR, a Global-scale Self-supervised Spatiotemporal framework for NDVI Reconstruction. The framework constructs supervisory signals by artificially degrading relatively clean NDVI observations with realistic cloud contamination patterns, producing self-supervised training pairs that closely mimic real-world degradation. It further introduces an end-to-end spatiotemporal learning network that jointly captures long-range temporal dependencies and short-term spatiotemporal correlation through a bidirectional Transformer with a ConvLSTM architecture. A temporal-channel attention-based reconstruction module is incorporated to enhance informative features, while a spatiotemporal prior constraint is designed to preserve both fine-scale structures and long-term phenological trends during optimization. Extensive evaluations on MODIS NDVI data demonstrate the effectiveness of the proposed framework across both artificial and real-world scenarios. In artificial degraded-pixel reconstruction experiments, GloSSR consistently outperforms the comparison methods. Time-series analyses based on real observations further demonstrate that the proposed framework can accurately characterize vegetation dynamics and capture the key phenological states. Long-term vegetation trend analysis and the transferability analysis to AVHRR data validate the scalability of the framework and illustrate its broad applicability for large-scale environmental monitoring.