Die relative Strahlungsnormalisierung ist eine grundlegende Technik der multitemporalen Fernerkundungsanalyse, jedoch stoßen traditionelle Methoden oft auf Einschränkungen bei der Verarbeitung nichtlinearer Verzerrungen, Ausreißerstörungen und heterogener Oberflächenbedeckungsbedingungen. Um diesen Herausforderungen zu begegnen, wird in dieser Arbeit ein diffusionsbasiertes probabilistisches Rahmenmodell vorgestellt, das Strahlungsinkonsistenzen als Kombination aus deterministischen Residuen und zufälligen Störungen modelliert. In diesem Rahmen simuliert der Vorwärtsprozess die Mehrquellencharakteristik von Strahlungsverzerrungen durch Überlagerung von strukturiertem und zufälligem Rauschen, während der Rückwärtsprozess auf einer zweizieligen variationalen Optimierungsstrategie beruht, die gleichzeitig die Strahlungskohärenz rekonstruiert und die Details des Originalbildes bewahrt, wodurch eine präzise Modellierung komplexer Strahlungsverzerrungen auf mathematischer Ebene erreicht wird. Das Kernkonzept ist ein räumlich-spektrales Aufmerksamkeitsnetzwerk, das durch die Fusion von räumlichen und spektralen Aufmerksamkeitsmodulen während der Merkmalsextraktion dynamisch die Schlüsselbandreaktionen und lokalen Texturstrukturen verstärkt und so eine effiziente Erfassung von bandübergreifenden Abhängigkeiten und multiskaligem räumlichem Kontext ermöglicht. Zur weiteren Verbesserung der Anpassungsfähigkeit des Modells in komplexen Szenarien wurde eine Vorverarbeitungsstrategie basierend auf dem Strukturellen Ähnlichkeitsindex entworfen, die das Modelltraining durch automatische Auswahl stabiler pseudo-invarianter Regionen leitet und so effektiv Störungen durch ändertliche Landbedeckungen reduziert sowie die Repräsentativität der Trainingsproben und die Stabilität der Modellkonvergenz steigert. Umfangreiche Experimente auf einem multitemporalen Sentinel-2-Datensatz zeigen, dass die vorgeschlagene Methode quantitativ kontinuierlich bessere Ergebnisse als bestehende Vergleichsmethoden erzielt, nicht nur mit höherer Strahlungskorrekturgenauigkeit und spektraler Treue, sondern auch mit signifikanten Vorteilen in der Konsistenz von Vegetationsindizes und der Erhaltung von Texturdetails. Zusammenfassend bietet dieses diffusionsgetriebene Netzwerk eine praxisorientierte und adaptive Lösung für die relative Strahlungsnormalisierung großflächiger Fernerkundungsbilder und kann zukünftig auf multi-sensorische Fusion und Zeitreihenanalysen erweitert werden.

relative Strahlungsnormalisierung;Diffusionsmodell;Aufmerksamkeitsmechanismus;Deep Learning