Die relative Strahlungsnormalisierung ist eine grundlegende Technik der multitemporalen Fernerkundungsanalyse, jedoch stoßen traditionelle Methoden oft an Grenzen bei der Verarbeitung nichtlinearer Verzerrungen, Ausreißer und heterogener Bodenbedeckungsbedingungen. Zur Bewältigung dieser Herausforderungen wird in dieser Arbeit ein diffusionsbasierter probabilistischer Rahmen vorgeschlagen, der Strahlungsinkonsistenzen als Kombination aus deterministischen Residuen und zufälligen Störungen modelliert. In diesem Rahmen simuliert der Vorwärtsprozess die multiquellenbedingten Charakteristika der Strahlungsverzerrung durch Überlagerung von strukturiertem und zufälligem Rauschen, während der Rückwärtsprozess auf einer doppelt variationalen Optimierungsstrategie basiert und die Strahlungskohärenz rekonstruiert und gleichzeitig die Details des Originalbildes bewahrt, wodurch eine feingliedrige Modellierung komplexer Strahlungsverzerrungen auf mathematischer Ebene erreicht wird. Das Kernkonzept ist ein raum-spektrales Aufmerksamkeitsnetzwerk, das durch die Fusion von Raum- und Spektral-Attention-Modulen die Antwort wichtiger Bänder und lokaler Texturstrukturen während der Merkmalsextraktion dynamisch verstärkt und so die effiziente Erfassung bandübergreifender Abhängigkeiten und multiskaliger räumlicher Kontexte ermöglicht. Zur weiteren Verbesserung der Anpassungsfähigkeit des Modells in komplexen Szenen wurde eine Vorverarbeitungsstrategie basierend auf dem strukturellen Ähnlichkeitsindex entworfen, die das Modelltraining durch automatische Auswahl stabiler pseudo-invarianter Regionen steuert und so effektiv Störungen durch Oberflächenveränderungen reduziert und die Repräsentativität der Trainingsproben sowie die Stabilität der Modellkonvergenz erhöht. Umfassende Experimente basierend auf dem multitemporalen Sentinel-2-Datensatz zeigen, dass die vorgeschlagene Methode kontinuierlich bestehende vergleichbare Methoden in quantitativen Bewertungsmetriken übertrifft, nicht nur mit höherer Strahlungskorrekturgenauigkeit und spektraler Treue, sondern auch mit signifikanten Vorteilen bei der Konsistenz von Vegetationsindices und der Erhaltung von Texturdetails. Zusammenfassend bietet das diffusionstreibende Netzwerk eine praktisch anwendbare Lösung für die relative Strahlungsnormalisierung großflächiger Fernerkundungsbilder mit zukünftigem Potenzial zur Erweiterung auf Multisensorfusion und Zeitreihenanalyse.

relative Strahlungsnormalisierung; Diffusionsmodell; Aufmerksamkeitsmechanismus; tiefes Lernen