Die Echtzeitüberwachung des Pflanzenwachstums auf Parzellenniveau ist ein Schlüssel für präzise Landwirtschaft. Satellitenfernerkundung deckt große Gebiete ab, ist jedoch durch Wetterbedingungen und räumliche Auflösung eingeschränkt; Drohnen (UAV) bieten hohe räumliche Auflösung, sind jedoch in der Flugzeit begrenzt. Eine einzelne Datenquelle kann die Anforderungen an eine flächendeckende, kontinuierliche Überwachung nicht erfüllen. Zur Lösung dieses Problems basiert diese Studie auf multispektralen Daten von UAV, Sentinel-2 und PlanetScope SuperDove und schlägt eine plattformübergreifende raum-zeitliche Fusionsmethode basierend auf einem verbesserten CACAO-Algorithmus vor. Die Methode konstruierte zwei Datenkombinationsstrategien, „UAV+Sentinel-2“ und „SuperDove+Sentinel-2+UAV“, und generiert nahezu in Echtzeit tägliche Zeitreihen des Normalisierten Differenz-Vegetationsindex (NDVI) mit 1 Meter Auflösung mittels Vorwärtsvorhersage und Rückwärtsaktualisierung. Weiterhin wurde Leave-One-Out Cross-Validation (LOOCV) verwendet und mit dem vorhandenen GLM-STF-Algorithmus (Generalisiertes Lineares Modell-basierte raum-zeitliche Fusion) verglichen, um die Genauigkeit der Fusion zu bewerten. Die Ergebnisse zeigen: (1) NDVI-Daten verschiedener Plattformen weisen eine gute Konsistenz auf; die Korrelation des NDVI zwischen Sentinel-2 und SuperDove beträgt 0,97, die zwischen UAV und Satellit übersteigt 0,75, was die Voraussetzung für die Datenfusion erfüllt; (2) Der CACAO-Algorithmus kann die Phänologiedynamik des Reises effektiv rekonstruieren, wobei die im Rückwärtsaktualisierungsmodus erzeugten NDVI-Zeitreihen glatter sind, und beide auf CACAO basierenden Datenkombinationsstrategien erzielten eine hohe Genauigkeit (R > 0,94). Die Einbindung von SuperDove-Daten mit hoher zeitlicher Auflösung während der kritischen phänologischen Perioden verbessert die Genauigkeit von 0,51 auf 0,67; (3) Der CACAO-Algorithmus weist während der gesamten Wachstumsperiode eine stabilere und leicht höhere Genauigkeit als der GLM-STF-Algorithmus auf. Zusammenfassend kann der in dieser Studie vorgeschlagene plattformübergreifende Fusionsrahmen kontinuierliche, hochpräzise NDVI-Zeitreihen auf Parzellenniveau effektiv erzeugen und bietet eine starke technische Unterstützung für die differenzierte Überwachung und präzise Bewirtschaftung des Pflanzenwachstums.

PlanetScope;Sentinel-2;raum-zeitliche Datenfusion;Wachstumsüberwachung;präzise Landwirtschaft;Parzellenniveau;Phänologiekurven;nahezu Echtzeitüberwachung