Hochauflösender zeitlicher und räumlicher Normalisierter Vegetationsindex (NDVI)-Daten sind für das Monitoring des Pflanzenwachstums und die Umkehrung von Parametern von entscheidender Bedeutung. Satellitenfernsensordaten im roten und nahen Infrarot-Band können als wichtige Datenquellen für den NDVI dienen. Aufgrund der Leistungsbegrenzung von Satellitenfersensoren besteht jedoch häufig eine gegenseitige Einschränkung zwischen der räumlichen und zeitlichen Auflösung der Fernsensordaten, was es schwierig macht, NDVI-Daten mit hoher zeitlicher und räumlicher Auflösung zu erhalten. Die Raum-Zeit-Fusions-Technologie zielt darauf ab, NDVI-Daten mit hoher zeitlicher Auflösung, aber niedriger räumlicher Auflösung und NDVI-Daten mit hoher räumlicher Auflösung, aber niedriger zeitlicher Auflösung zu fusionieren, um NDVI-Daten mit hoher zeitlicher und räumlicher Auflösung zu generieren. Allerdings sieht sich die Raum-Zeit-Fusion des NDVI mit einer großen Herausforderung konfrontiert, nämlich dass zwischen dem Zeitpunkt, zu dem die Hilfsdaten bekannt sind, und dem Vorhersagezeitpunkt oft eine große Veränderung in der Bodenbedeckung auftritt. Um dieser Herausforderung zu begegnen, schlägt dieser Artikel eine Methode zur räumlichen und zeitlichen Fusion mit anschließender räumlicher Rekonstruktion (Spatio-temporal fusion then spatial reconstruction, STFSR) für die räumlich-zeitliche Fusion des NDVI vor. Die STFSR-Methode nutzt die Daten hoher räumlicher Auflösung, die zeitnah zur Vorhersage liegen, aber fehlende Daten aufweisen (aufgrund von Wolkenbedeckung in den Fernsensorenbildern) vollständig, um bei der Vorhersage der räumlich-zeitlichen Fusion des NDVI zu helfen. Der Einsatz solcher Hilfsbilder reduziert effektiv den Einfluss von NDVI-Veränderungen auf die räumlich-zeitliche Fusion. In den drei experimentellen Standorten, die in dieser Studie ausgewählt wurden, wurde gezeigt, dass die STFSR-Methode eine höhere Genauigkeit aufweist als das gängige Modell für die anpassungsfähige räumlich-zeitliche Reflexionsfusion (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM) und die Methode für die räumlich-zeitliche Fusion auf der Grundlage von räumlichem Gewicht und virtuellen Bildpaaren (spatial weighting-based virtual image pair-based spatio-temporal fusion, VIPSTF-SW). Der durchschnittliche quadratische Fehler (Root Mean Square Error, RMSE) der STFSR-Methode in den drei experimentellen Standorten wurde im Vergleich zu STARFM und VIPSTF-SW um 0,0217 bzw. 0,0188 reduziert, und der durchschnittliche Korrelationskoeffizient (Correlation Coefficient, CC) erhöhte sich um 0,0820 bzw. 0,0742. Der relative globale dimensionale Synthese-Fehler (Relative Global-dimensional Synthesis Error, ERGAS) wurde um 4,3170 bzw. 3,8535 reduziert. Darüber hinaus, wenn die Wolkenflächen in den Hilfsdaten zunehmen, zeigt die STFSR-Methode tendenziell eine Abnahme der Genauigkeit, liegt aber insgesamt immer noch über den STARFM- und VIPSTF-SW-Methoden. Die STFSR-Methode bietet eine neue Idee für die Generierung von NDVI-Daten mit hoher zeitlicher und räumlicher Auflösung und hat aufgrund ihrer Theorie und Vorteile auch ein beträchtliches Anwendungspotenzial bei anderen Indizes mit hoher zeitlicher und räumlicher Auflösung, wie dem verbesserten Vegetationsindex (EVI).

Landsat; MODIS; NDVI; räumliche und zeitliche Fusion; räumliche Rekonstruktion