Hochauflösende NDVI (Normalized Difference Vegetation Index) -Daten mit hoher räumlicher und zeitlicher Auflösung sind unverzichtbar für das Monitoring des Pflanzenwachstums und die Umkehrung von Parametern. Die rote und nahe Infrarot-Banddaten von Satelliten-Fernerkundungssensoren können als wichtige Datenquellen für NDVI dienen. Aufgrund der Leistungsbegrenzung der Satellitensensoren ist es jedoch schwierig, NDVI-Daten mit gleichzeitig hoher räumlicher und zeitlicher Auflösung zu erhalten. Die spatio-temporale Fusionstechnik zielt darauf ab, NDVI-Daten mit hoher zeitlicher Auflösung, aber geringer räumlicher Auflösung und NDVI-Daten mit hoher räumlicher Auflösung, aber geringer zeitlicher Auflösung zu kombinieren, um NDVI-Daten mit hoher räumlicher und zeitlicher Auflösung zu erzeugen. Die spatio-temporale Fusion des NDVI steht jedoch vor einer großen Herausforderung, nämlich einem signifikanten Wandel in der Bodenbedeckung zwischen dem Zeitpunkt, an dem die Hilfsdaten bekannt sind, und dem Zeitpunkt der Vorhersage. Um dieser Herausforderung zu begegnen, schlägt dieses Dokument eine gekoppelte raumzeitliche Verschmelzung mit räumlicher Rekonstruktion (Spatio-temporal fusion then spatial reconstruction, STFSR) für die raumzeitliche Verschmelzung des NDVI vor. Die STFSR-Methode nutzt die zeitlich hochauflösenden, aber fehlenden Daten (aufgrund der Wolkenbedeckung in den Satellitenbildern) in der Nähe des Vorhersagezeitpunkts zur Unterstützung der Vorhersage der raumzeitlichen Verschmelzung des NDVI bestmöglich aus. Die Verwendung dieser Art von Hilfsbildern reduziert effektiv die Auswirkungen von NDVI-Veränderungen auf die raumzeitliche Verschmelzung. In den drei in diesem Dokument ausgewählten Experimentierstandorten wurde gezeigt, dass die STFSR-Methode eine höhere Genauigkeit aufweist als das gängige Modell für raumzeitliche adaptive Reflexionsverschmelzung (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM) und die Methode für raumzeitliche Verschmelzung basierend auf räumlichen Gewichten und virtuellen Bildpaaren (spatial weighting-based virtual image pair-based spatio-temporal fusion, VIPSTF-SW). Die durchschnittliche mittlere quadratische Abweichung (Root Mean Square Error, RMSE) der STFSR-Methode in den drei Experimentierstandorten sank im Vergleich zu STARFM und VIPSTF-SW um 0.0217 bzw. 0.0188. Der durchschnittliche Korrelationskoeffizient (Correlation Coefficient, CC) stieg um 0.0820 bzw. 0.0742, und der relative globale dimensionslose Synthese-Fehler (Relative Global-dimensional Synthesis Error, ERGAS) sank um 4.3170 bzw. 3.8535. Darüber hinaus zeigt die STFSR-Methode eine Abwärtstendenz bei der Genauigkeit, wenn der Wolkenbereich in den Hilfsdaten zunimmt, ist insgesamt jedoch immer noch besser als STARFM und VIPSTF-SW. Die STFSR-Methode bietet einen neuen Ansatz zur Erzeugung von NDVI-Daten mit hoher räumlicher und zeitlicher Auflösung und aufgrund ihrer Prinzipien und Vorteile hat dieses Modell auch ein erhebliches Anwendungspotenzial für andere Vegetationsindizes mit hoher räumlicher und zeitlicher Auflösung, wie z.B. den Enhanced Vegetation Index (EVI).

Landsat; MODIS; NDVI; raumzeitliche Fusion; räumliche Rekonstruktion