Relative Strahlungsnormalisierung ist eine grundlegende Technologie der mehrzeitlichen Fernerkundungsanalyse, jedoch stoßen traditionelle Methoden bei der Verarbeitung nichtlinearer Verzerrungen, Ausreißereinfluss und heterogener Bodenbedeckungsbedingungen oft an ihre Grenzen. Zur Bewältigung dieser Herausforderungen wird in diesem Artikel ein diffusionsbasiertes probabilistisches Framework vorgeschlagen, das Strahlungsinkonsistenzen als Kombination aus deterministischen Residuen und zufälligen Störungen modelliert. In diesem Framework simuliert der Vorwärtsprozess durch Überlagerung von strukturiertem und zufälligem Rauschen die multiquelligen Eigenschaften von Strahlungsverzerrungen, während der Rückwärtsprozess sich auf eine zweizielige variationale Optimierungsstrategie stützt, die die Strahlungskonsistenz rekonstruiert und dabei die Details der Originalbilder bewahrt, wodurch eine präzise mathematische Modellierung komplexer Strahlungsverzerrungen erreicht wird. Das Kernkonzept ist ein raum-spektrales Aufmerksamkeitsnetzwerk, das durch die Verschmelzung von Raum- und Spektral-Attentionsmodulen während der Merkmalsextraktion dynamisch die Reaktion der Schlüsselbänder 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 Strukturähnlichkeitsindex entwickelt, die das Modelltraining durch automatische Auswahl stabiler pseudo-invarianter Regionen lenkt, wodurch Störungen durch Geländeänderungen effektiv reduziert und die Repräsentativität der Trainingsdaten sowie die Stabilität der Modellkonvergenz verbessert werden. Umfassende Experimente auf einem mehrzeitlichen Sentinel-2-Datensatz zeigen, dass die vorgeschlagene Methode bestehende Vergleichsansätze bei quantitativen Bewertungskriterien durchweg übertrifft, nicht nur mit höherer Strahlungskorrekturgenauigkeit und spektraler Treue, sondern auch mit signifikanten Vorteilen bei der Übereinstimmung von Vegetationsindizes und der Erhaltung texturaler Details. Zusammenfassend bietet das diffusionsgetriebene Netzwerk eine praktische und anpassungsfähige Lösung für die relative Strahlungsnormalisierung großflächiger Fernerkundungsbilder und kann zukünftig auf Multi-Sensordatenfusion und Zeitreihenanalysen ausgeweitet werden.

Relative Strahlungsnormalisierung;Diffusionsmodell;Aufmerksamkeitsmechanismus;Tiefenlernen