祝贺多模态大数据智能实验室2022级博士研究生左子杰的论文在中科院 SCI 1区期刊IEEE Transactions on Geoscience and Remote Sensing发表。
Title：“DINFNN: Data Inpainting Fourier Neural Network for Cloud-Induced Extensive Missing Area in Sea Surface Temperature”
Abstract：海面温度 （SST） 是海洋环境变化的关键指标。然而，通过遥感对广阔的海洋区域进行不间断的观测经常受到云层覆盖的阻碍，导致持续的数据缺口。因此，完成 SST 数据成为一项必不可少的技术。最近，深度神经网络 （DNN），特别是生成模型的利用，通过有效利用历史数据进行训练，显示出有希望的结果。然而，这些方法往往集中在空间域特征上，忽视了海洋作为一个复杂系统固有的混沌性质，因此无法准确反映海洋过程的复杂性。因此，本研究引入了一种利用傅里叶神经算子完成 SST 的新方法，专注于频域特征。我们提出了一种创新的 Data INpainting 傅里叶神经网络 （DINFNN），用于数据补全，以促进复杂海洋系统中的特征学习。我们的方法采用三流神经网络来捕获周期性稳态特征、相邻时间特征和当前上下文。通过集成高通和低通滤波器并动态组合它们，我们自适应地提取必要的频域特征以进行完成。特别是，动态利用双级联融合模块将这些不同的属性融合在一起，形成一个复合特征集，包括稳态和动态频域元素，旨在实现全面的 SST 场重构。在我们的实验评估中，我们的方法在各种条件下都显示出显着的改进。具体来说，当覆盖率为 68% 且噪声信号比 （N/S） 设置为 0.1、0.2 和 0.3 时，我们观察到 R 方 （ R2 ） 分别。此外，均方根误差 （RMSE） 分别相应降低了 7.2%、13.1% 和 7.3%。此外，全面的消融实验证实了我们方法中每个组件的有效性，并强调了 DINFNN 优于传统运算符。
