L'indice de végétation différentielle normalisée (NDVI) à haute résolution spatiale et temporelle a une importance cruciale dans la surveillance de la croissance des cultures et l'inférence de paramètres naturels. Les données de télédétection satellite dans les bandes rouge et proche infrarouge peuvent servir de source de données importante pour le NDVI. Cependant, en raison des limitations de la puissance des capteurs satellitaires, l'obtention de données de télédétection avec une résolution spatiale et temporelle élevée est souvent un défi. La technologie de fusion spatiale-temporelle vise à combiner des données NDVI à haute résolution temporelle mais de faible résolution spatiale et des données NDVI à haute résolution spatiale mais de faible résolution temporelle pour générer des données NDVI à haute résolution spatiale et temporelle combinées. Cependant, la fusion NDVI spatio-temporelle est confrontée à un défi majeur, à savoir que entre le moment connu des données auxiliaires et le moment de la prédiction, la couverture terrestre présente souvent des changements importants. Pour faire face à ce défi, cet article propose une méthode de fusion spatio-temporelle avec reconstruction spatiale (STFSR) pour la fusion NDVI. La méthode STFSR utilise pleinement les données de haute résolution spatiale, proches dans le temps de la prédiction, mais avec des données manquantes (en raison de la couverture nuageuse des images satellitaires) pour soutenir la prédiction de fusion spatiale-temporelle du NDVI. L'utilisation de ce type d'images satellitaires auxiliaires réduit efficacement l'impact des changements du NDVI sur la fusion spatio-temporelle. Dans cet article, il a été démontré que la méthode STFSR choisie dans trois zones d'expérimentation est beaucoup plus précise que le modèle de fusion de réflectance adaptatif spatio-temporel (STARFM) et la méthode de fusion spatio-temporelle basée sur un poids spatial et une paire d'images virtuelles (VIPSTF-SW) couramment utilisée. L'erreur quadratique moyenne (RMSE) de la méthode STFSR dans les trois zones d'expérimentation a diminué de 0,0217 par rapport à STARFM et de 0,0188 par rapport à VIPSTF-SW, le coefficient de corrélation moyen (CC) a augmenté de 0,0820 par rapport à STARFM et de 0,0742 par rapport à VIPSTF-SW, l'erreur de synthèse globale relative (ERGAS) a diminué de 4,3170 par rapport à STARFM et de 3,8535 par rapport à VIPSTF-SW. De plus, lorsque la zone nuageuse des données auxiliaires augmente, bien que la méthode STFSR commence à diminuer en précision, elle reste globalement supérieure aux méthodes STARFM et VIPSTF-SW. La méthode STFSR offre un nouveau moyen de générer des données NDVI à haute résolution spatiale et temporelle, et compte tenu de son principe et de ses avantages, ce modèle offre également un potentiel d'application considérable pour la génération d'autres données à haute résolution spatiale et temporelle pour la végétation, telles que l'indice d'amélioration de la végétation (EVI).

Landsat;MODIS;NDVI;fusion spatiale-temporelle;reconstruction spatiale