Die Echtzeitüberwachung des Pflanzenwachstums auf Feldflächenskala ist entscheidend für präzise Landwirtschaft. Satellitengestützte Fernerkundung bietet eine große Abdeckung, ist jedoch wetter- und auflösungseingeschränkt. Unbemannte Luftfahrzeuge (UAVs) haben eine hohe räumliche Auflösung, sind jedoch durch die Flugzeit begrenzt, wodurch eine einzelne Datenquelle den Bedarf an großflächiger kontinuierlicher Überwachung schwer erfüllen kann. Zur Lösung dieses Problems wird in dieser Studie eine plattformübergreifende räumlich-zeitliche Fusionsmethode auf Basis verbesserter CACAO-Algorithmen unter Verwendung von multispektralen Daten von UAV, Sentinel-2 und PlanetScope SuperDove vorgeschlagen. Die Methode entwickelt zwei Datenkombinationsstrategien: „UAV+Sentinel-2“ und „SuperDove+Sentinel-2+UAV“ und erzeugt nahezu in Echtzeit tägliche Zeitreihendatensätze des normalisierten Differenzvegetationsindex (NDVI) mit 1-Meter-Auflösung durch Vorwärtsvorhersage und Rückwärtsupdate. Weiterhin wird eine Leave-One-Out-Cross-Validation (LOOCV) durchgeführt und mit dem bestehenden GLM-STF-Algorithmus (generalisierte lineare Modell-basierte räumlich-zeitliche Fusion) verglichen, um die Genauigkeit der Fusion zu bewerten. Die Ergebnisse zeigen: (1) NDVI-Daten verschiedener Plattformen weisen eine gute Konsistenz auf, die NDVI-Korrelation zwischen Sentinel-2 und SuperDove beträgt 0,97, die zwischen UAV und Satellit über 0,75, was die Voraussetzungen für die Datenfusion erfüllt; (2) Der CACAO-Algorithmus kann die Phänologiedynamik des Reises effektiv rekonstruieren, die NDVI-Zeitreihen, die im Modus des Rückwärtsupdates generiert wurden, sind glatter, und beide CACAO-basierten Datenkombinationsstrategien erreichen eine hohe Genauigkeit (R > 0,94). Durch die Einführung zeitlich hochauflösender SuperDove-Daten in Schlüssel-Phänologiephasen kann die Genauigkeit von 0,51 auf 0,67 verbessert werden; (3) Der CACAO-Algorithmus zeigt während der gesamten Vegetationsperiode eine stabilere und leicht höhere Genauigkeit als der GLM-STF-Algorithmus. Zusammenfassend kann der vorgeschlagene plattformübergreifende Fusionsrahmen kontinuierlich hochauflösende NDVI-Zeitreihen auf Feldflächenskala für Reis generieren und bietet damit effektive technische Unterstützung für detailliertes Wachstumssmonitoring und präzises Management von Pflanzen.

PlanetScope; Sentinel-2; räumlich-zeitliche Datenfusion; Wachstumsüberwachung; präzise Landwirtschaft; Feldflächenskala; phänologische Kurve; nahezu Echtzeit-Überwachung