时空填补模型

高缺失率下显著优

该模型利用大语言模型的表征学习能力，在高稀疏遥感数据填补中优于现有方法，且缺失率越高优势越明显。

Wang, Shuyu · 李文根 · Hanchen, Yang · 关佶红 · Liu, Xiwei · Zhang, Yichao · Qin, Rufu · 周水庚

IEEE Transactions on Geoscience and Remote Sensing 2025

技术优势

缺失越多越强

随着缺失率升高，LLM4HRS 相对现有模型的优势更加明显，表明在高稀疏场景下特别适用。

大区域也最佳

扩展到大区域 PAR 数据时，LLM4HRS 依然取得最佳表现，验证了其广泛适用性。

双向捕捉时序

通过双向时序表示学习模块融合前后向依赖，获得全面的时序表征。

开源可直接用

代码公开在 GitHub，可直接使用或微调，降低复现门槛。

应用场景

• 海洋遥感：恢复因云遮挡而缺失的海洋温度数据，获取更完整的海表温场。
• 环境监测：用更完整的叶绿素数据提高赤潮等生态事件的识别精度。
• 时空数据挖掘：以 LLM 提取稀疏序列相关性，提升缺失填补这一经典任务的效果。
• 大语言模型应用：将 LLM 强大的序列建模能力落地到遥感缺失数据重建上。