A refletância da superfície do Planalto Tibetano tem importantes aplicações no monitoramento de recursos naturais, proteção do meio ambiente ecológico e pesquisas em ciências da Terra. Os dados de reflectância MOD09A1 apresentam muitos pixels anômalos devido a fatores como nuvens, o que provoca perda e incompletude da informação nos dados. Considerando a alta correlação de imagens multitemporais adjacentes e a alta similaridade espectral de objetos terrestres semelhantes, este artigo propõe um método de reconstrução da refletância da superfície baseado em aprendizado profundo, utilizando dados multitemporais incompletos e informações de classificação de cobertura do solo para a região do Planalto Tibetano. Primeiramente, utilizando dados multitemporais MOD09A1 e dados de classificação de cobertura do solo MCD12Q1, são removidos pixels anômalos, extraídas camadas válidas, realizadas conversões de projeção e montagem, obtendo a imagem básica de refletância da área alvo e dados auxiliares; em seguida, com base nos princípios básicos da rede residual, foi construído um modelo de rede de aprendizado profundo que integra dados multitemporais e informações de classificação de cobertura do solo; depois, utilizando amostras de máscara de nuvens cortadas de áreas completas dos dados MOD09A1 e amostras aumentadas geradas com base na classificação de cobertura do solo e no algoritmo de agrupamento K-means, o modelo foi treinado; finalmente, o modelo treinado foi empregado para reconstrução da refletância da superfície em áreas com dados faltantes. Dois experimentos comparativos mostraram que o método proposto reduz os requisitos quanto à quantidade e integridade dos dados auxiliares multitemporais, e que, em condições de dados multitemporais incompletos, a combinação da informação de classificação de cobertura do solo pode realizar a reparação e reconstrução em larga escala da refletância da superfície do Planalto Tibetano.

refletância da superfície;Planalto Tibetano;aprendizado profundo;dados MODIS;reconstrução de dados faltantes