تعتبر بيانات مؤشر النباتات المعادلة الفرقية الموحدة للفروق النباتية (NDVI) عالية الدقة الزمنية والمكانية أمراً لا غنى عنه في مراقبة نمو المحاصيل واسترجاع المعلمات. يمكن أن تكون بيانات الاستشعار عن بعد للأقمار الصناعية في الموجة الحمراء والقريبة من الأشعة تحت الحمراء كمصدر بيانات NDVI الهامة. ومع ذلك، بسبب قيود قدرة مستشعرات الأقمار الصناعية، يكون هناك تقييد متبادل بين الدقة المكانية والدقة الزمنية لبيانات الاستشعار عن بعد التي تحصل عليها، ومن الصعب الحصول على بيانات NDVI التي تجمع بين الدقة عالية الزمانية والمكانية. تهدف تقنية الدمج الزماني المكاني إلى دمج بيانات NDVI الذي تكون لديها دقة زمانية عالية ولكن دقة مكانية منخفضة وبيانات NDVI التي تكون لديها دقة مكانية عالية ولكن دقة زمانية منخفضة، لإنتاج بيانات NDVI التي تجمع بين دقة عالية زمانية ومكانية. ومع ذلك، تواجه الدمج الزماني المكاني تحديًا كبيرًا، وهو أنه من المعروف أن التغطية الأرضية غالباً ما تظهر تغييرات كبيرة بين الوقت الذي تكون فيه البيانات المساعدة والوقت المتوقع. من أجل التعامل مع هذا التحدي، يقترح هذا البحث طريقة لدمج الزماني المكاني المقوى باستخدام مجال الفضاء (STFSR)، لدمج NDVI زماني المكاني. تستفيد طريقة STFSR بشكل كامل من البيانات المكانية عالية الدقة التي تقترب في الوقت من الوقت المتوقع، ولكنها تحتوي على بيانات مفقودة (نتيجة تغطية السحب لصور الاستشعار عن بعد) كبيانات مساعدة للتنبؤ بدمج NDVI الزماني المكاني. يستخدم استخدام هذه الصور المساعدة، يقلل بشكل فعال من تأثير التغير في NDVI على الدمج الزماني المكاني. في الحقل الثلاثين الذي تم اختياره في هذا البحث، تبين أن طريقة STFSR التي تم اقتراحها تحتوي على دقة عالية من STARFM المعتادة وطريقة VIPSTF-SW القائمة على الوزن المكاني والزوج الافتراضي للصورة المكانية والزمانية الزمانية، بمعدلات متوسطة (Root Mean Square Error, RMSE) تقلل 0.0217 و 0.0188 بالمقارنة مع STARFM و VIPSTF-SW على التوالي، ومعامل الارتباط المتوسط ​​(Correlation Coefficient, CC) يتحسن 0.0820 و 0.0742 على التوالي، وخطأ الاصطناعي الشامل العالمي النسبي (Relative Global-dimensional Synthesis Error, ERGAS) يقلل 4.3170 و 3.8535 على التوالي. بالإضافة إلى ذلك، عندما تزداد مساحة منطقة السحب في البيانات المساعدة، تظهر إلى جانب منحى هبوطي في الدقة، لا تزال طريقة STFSR بشكل عام أفضل من STARFM و VIPSTF-SW. تقدم طريقة STFSR وسيلة جديدة لإنتاج بيانات NDVI عالية الدقة الزمانية والمكانية، ونظرًا لمبدأها ومزاياها، فإن هذا النموذج يحتوي على إمكانيات تطبيقية ملموسة في إنتاج مؤشرات النباتات ذات الدقة الزمانية والمكانية العالية الأخرى مثل مؤشر النباتات المحسن (EVI).

Landsat;MODIS;NDVI;دمج زماني مكاني;مكاني مقوى