天津大学海洋学院师生在云致数据缺口填补研究领域取得重要进展

近日，天津大学海洋学院师生在遥感观测云致数据缺口填补研究中取得重要突破。云层遮挡是海洋遥感观测中最普遍的难题之一，长时间、大范围的云覆盖会导致海面观测数据出现显著缺失，直接影响海洋监测、预测和业务化应用的准确性与可靠性。

图 1. 研究海域云覆盖的时间变化特征。图(a–f) 展示了多年的云覆盖动态变化。上层为每日平均云覆盖情况，下层为每月平均云覆盖情况。下层图中，蓝柱表示该月的多云天数占比，粉柱表示该月云覆盖像素的平均比例。左上角的饼状图展示全年多云天数的占比，左下角的饼图展示全年因云层遮挡导致数据损失的比例。虚线及其阴影部分标示了“云季”，对应云量高发、云区范围广的时段。

为解决这一问题，课题组提出了一种全新的贝叶斯概率融合深度学习框架BF-CNet。该模型能够在大面积云覆盖条件下，对缺失的海洋遥感数据进行高精度重建，并同时提供像素级不确定性评估，为结果的可靠性提供明确量化支撑。BF-CNet 综合利用空间结构信息与时间演变特征，不仅可以有效恢复云下缺测区域的数据，还能够实现对未来短期变化的预测，显著提升了海洋遥感数据的完整性和连续性。

图 2. BF-CNet的概率化架构与数据流传递示意图。不同颜色用于区分结构组件：圆形表示的不确定性特征提取模块（UFEM），方形表示时空推断模块（SIM）。箭头表示数据的顺序流动：经过预处理的输入首先进入UFEM，提取99个分位上的概率特征；随后这些特征被传递至SIM进行时空推断；最终通过滚动预测扩展，生成多日尺度的概率预测结果。

同时，团队构建了覆盖真实云层分布的大规模数据集，并建立了完善的确定性与不确定性联合评测体系。实验表明，BF-CNet 在海洋遥感重建精度、结构保真度和不确定性可靠性等方面均显著优于现有先进方法，为海洋遥感数据的完整获取和业务化应用提供了更稳健的技术支持。

图 3. 在不同云覆盖水平下，BF-CNet 与基线方法（BNN、cGAN、SVGP 和 Kriging）的定量性能比较。子图分别展示 (a) MAE、(b) RMSE、(c) PSNR 和 (d) SSIM 的变化情况。彩色散点表示单次测试结果，实线表示各云覆盖水平下的平均变化趋势，其中 BF-CNet 以蓝色曲线突出标示。

该研究成果发表于地球科学领域1区TOP期刊《International Journal of Applied Earth Observation and Geoinformation》（CiteScore=13.5），题为：BF-CNet: A Bayesian-informed probabilistic fusion network to address cloud-induced data gaps in ocean remote sensing。2024级博士研究生许洛川为第一作者，导师张安民研究员为第二作者，徐剑副教授为第三作者并担任通讯作者。