Sentinel-2多光谱影像具有十米级空间分辨率、密集的观测频次和丰富的波段信息，因而被广泛应用在地表生态环境参量监测研究中。然而，在Sentinel-2影像的13个波段中，只有4个波段的空间分辨率达到10米，其余9个波段只达到20或60米。如何通过影像融合方法对低分辨率波段进行细节增强，获得全波段10米分辨率的Sentinel-2影像，进而开展全波段的协同分析与应用，是一个有待解决的重要问题。
为了解决该问题，本研究利用深度神经网络自主学习输入和输出间的复杂映射关系，建立分层融合网络，生成全波段10米分辨率的Sentinel-2影像。在融合框架方面，本方法将研究问题划分为超分辨率重建和多分辨率融合两个任务进行处理，分别挖掘低分辨率波段的自相似信息和高分辨率波段的空间结构信息，从而提升融合模型的锐化效果。在网络结构方面，采用残差密集连接模块挖掘影像的深层特征，结合通道注意力模块对影像的通道权重进行自适应赋权，以提高光谱保真效果。基于本方法，可以分别对20米和60米的低分辨率波段进行锐化，获得其对应的10米分辨率融合结果。
为了充分验证融合模型的效果，基于模拟实验和真实实验将模型与DSen2、SupReME、PRACS、HPF等方法进行了对比。实验发现，本方法能够在保持低分辨率波段光谱特征的前提下，有效增强影像的空间细节。在20米、60米波段的锐化实验中，本方法相对其他方法的融合精度都更高。例如，在60米波段锐化实验中，相对于DSen2、SupReME、PRACS和HPF，本方法将峰值信噪比（PSNR）提高了0.51、5.86、6.45和7.10。此外，在异质性地表下，本方法的融合精度显著也高于其他融合方法。综上所述，融合模型能够有效增强Sentinel-2影像20/60米波段的空间细节，构建全波段10米分辨率的影像，有助于在统一的10米分辨率下开展全波段的数据分析和应用研究。Sentinel-2多光谱影像具有十米级空间分辨率、密集的观测频次和丰富的波段信息，因而被广泛应用在地表生态环境参量监测研究中。然而，在Sentinel-2影像的13个波段中，只有4个波段的空间分辨率达到10米，其余9个波段只达到20或60米。如何通过影像融合方法对低分辨率波段进行细节增强，获得全波段10米分辨率的Sentinel-2影像，进而开展全波段的协同分析与应用，是一个有待解决的重要问题。
为了解决该问题，本研究利用深度神经网络自主学习输入和输出间的复杂映射关系，建立分层融合网络，生成全波段10米分辨率的Sentinel-2影像。在融合框架方面，本方法将研究问题划分为超分辨率重建和多分辨率融合两个任务进行处理，分别挖掘低分辨率波段的自相似信息和高分辨率波段的空间结构信息，从而提升融合模型的锐化效果。在网络结构方面，采用残差密集连接模块挖掘影像的深层特征，结合通道注意力模块对影像的通道权重进行自适应赋权，以提高光谱保真效果。基于本方法，可以分别对20米和60米的低分辨率波段进行锐化，获得其对应的10米分辨率融合结果。
为了充分验证融合模型的效果，基于模拟实验和真实实验将模型与DSen2、SupReME、PRACS、HPF等方法进行了对比。实验发现，本方法能够在保持低分辨率波段光谱特征的前提下，有效增强影像的空间细节。在20米、60米波段的锐化实验中，本方法相对其他方法的融合精度都更高。例如，在60米波段锐化实验中，相对于DSen2、SupReME、PRACS和HPF，本方法将峰值信噪比（PSNR）提高了0.51、5.86、6.45和7.10。此外，在异质性地表下，本方法的融合精度显著也高于其他融合方法。综上所述，融合模型能够有效增强Sentinel-2影像20/60米波段的空间细节，构建全波段10米分辨率的影像，有助于在统一的10米分辨率下开展全波段的数据分析和应用研究。

遥感数据融合,空谱融合