고 분해능 시 공간의 정규화 차이 식생 지수(NDVI) 데이터는 작물 성장 감시 및 매개 변수 추정에서 중요하다. 위성 원격 센서 데이터의 빨간색 및 근적외선 대역은 NDVI의 중요한 데이터 원천으로 작용할 수 있다. 그러나 위성 원격 센서의 전력 제한으로 인해 종종 원격 센서 데이터의 시공간 해상도 간에 서로 제한이 있어 고 시공간 해상도의 NDVI 데이터를 얻기 어려울 수 있다. 시공간 융합 기술은 시간 해상도는 높지만 공간 해상도는 낮은 NDVI 데이터와 공간 해상도는 높지만 시간 해상도는 낮은 NDVI 데이터를 융합하여 고 시공간 해상도의 NDVI 데이터를 생성하는 것을 목표로 한다. 그러나 NDVI의 시공간 융합은 이미 알고 있는 보조 데이터의 시각과 예측된 시각 사이에 흔히 지형이 크게 변화한다는 큰 어려움이 있다. 이 어려움에 대처하기 위해 본 논문은 공간-시간 융합 후 공간 재구성 (STFSR) 방법을 제안한다. STFSR 방법은 예측 시각에 가까운 고 시공간 해상도 데이터를 활용하지만 데이터가 부족한(원격 센서 이미지의 클라우드 커버로 인해) 공간 해상도를 예보하는 NDVI의 공간-시간 융합을 돕는다. 이러한 종류의 보조 이미지의 활용은 NDVI의 변화가 시공간 융합에 미치는 영향을 효과적으로 줄인다. 본 연구에서 선택한 세 개의 실험 영역에서, STFSR 방법이 널리 사용되는 공간 및 시간 적응형 반사율 융합 모델(Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM)과 공간 가중치 및 가상 이미지 쌍을 기반으로 한 시공간 융합 모델(spatial weighting-based virtual image pair-based spatio-temporal fusion, VIPSTF-SW)보다 더 높은 정밀도를 보였다. 세 개의 실험 영역에서 STFSR 방법의 평균 제곱근 오차(RMSE)는 각각 STARFM과 VIPSTF-SW보다 0.0217 및 0.0188 감소했으며, 평균 상관 계수(CC)는 각각 0.0820 및 0.0742 증가했으며, 상대적 전역 치수 에러(ERGAS)는 각각 4.3170 및 3.8535 감소했다. 또한, 보조 데이터의 구름 영역이 커질수록 STFSR 방법은 정밀도가 감소하는 경향을 보이지만, 전반적으로 여전히 STARFM 및 VIPSTF-SW 방법보다 우수하다. STFSR 방법은 고 시공간 해상도 NDVI 데이터의 생성에 대한 새로운 아이디어를 제공하며, 원리 및 장점을 고려할 때, 이 모델은 고 시공간 해상도의 다른 식생 지수, 예를 들어 향상된 식생 지수(EVI)의 생성에 대해 상당한 응용 잠재력을 갖는다.

Landsat; MODIS; NDVI; 시공간 융합; 공간 재구성