海院科研动态（98）| 基于傅立叶卷积长短期记忆网络的遥感月平均叶绿素a浓度影像重建研究获得新进展

      卫星遥感技术在海洋环境监测方面发挥着重要作用。叶绿素a浓度是评估海洋生态系统健康状况的关键指标，然而，由于云层覆盖、太阳耀斑及邻近效应的影响，卫星遥感叶绿素a浓度数据往往存在大量缺失，给海洋生态评估和可持续管理带来极大挑战。目前，国际上针对卫星遥感叶绿素a浓度缺失数据重建的深度学习方法研究较少。南海作为我国最大的边缘海，具有复杂多变的水动力和生物地球化学特征。构建适用于南海卫星遥感叶绿素a浓度的重建方法，对深入认识该海域生态环境演变具有重要意义。

      我院海洋环境遥感研究团队利用深度学习技术，研发了基于傅里叶变换卷积长短时记忆神经网络（FTC-LSTM）的卫星遥感月均叶绿素a浓度重建模型（图1）。该模型通过引入频域信息和全局感受野，有效缓解了传统卷积神经网络感受野有限及卷积长短时记忆网络时空信息非对称的问题。该模型在南海不同区域表现出色，整体上优于目前主流的深度学习模型，如DINCAE和Conv-LSTM。此外，该模型能够准确捕捉叶绿素a浓度的时空分布特征。该成果为卫星遥感叶绿素a浓度缺失数据重建提供了新的思路和方法，可为南海乃至全球海洋生态环境监测和预警提供重要支撑。

图1 FTC-LSTM模型架构示意图

      该研究成果近期发表在中科院大类一区期刊IEEE Transactions on Geoscience and Remote Sensing. Chen Siyu, Deng Lin, Zhao Jun. Enhanced Reconstruction of Satellite-Derived Monthly Chlorophyll a Concentration With Fourier Transform Convolutional-LSTM. 2024（62）。论文第一作者为我院硕士研究生陈思宇，通讯作者为我院邓霖博士后与赵俊教授。上述研究得到了南方海洋科学与工程广东实验室（珠海）（ML2023SP217、311020004）、国家自然科学基金（42176173）的资助，

      原文链接: https://ieeexplore.ieee.org/document/10509652