O monitoramento em tempo real do crescimento das culturas em escala de talhão é fundamental para a agricultura de precisão. Contudo, o sensoriamento remoto por satélite abrange áreas extensas, mas é limitado por condições climáticas e resolução espacial, enquanto drones (UAV) oferecem alta resolução espacial, porém com limitação de autonomia, dificultando o atendimento à demanda de monitoramento contínuo em grande escala por uma única fonte de dados. Para enfrentar esse desafio, este estudo baseia-se em dados multiespectrais do UAV, Sentinel-2 e PlanetScope SuperDove, propondo um método de fusão espaço-temporal multiplataforma baseado no algoritmo CACAO aprimorado. O método constrói duas estratégias de combinação de dados, "UAV+Sentinel-2" e "SuperDove+Sentinel-2+UAV", e, por meio da previsão para frente e atualização para trás, gera quase em tempo real conjuntos de dados em série temporal diária do índice de vegetação normalizado (NDVI) com resolução de 1 metro. Além disso, utiliza validação cruzada Leave-One-Out (LOOCV) e compara com o algoritmo GLM-STF existente (fusão espaço-temporal baseada em modelo linear generalizado) para avaliar a precisão da fusão. Os resultados indicam que: (1) os dados NDVI de diferentes plataformas apresentam boa consistência, com correlação NDVI entre Sentinel-2 e SuperDove atingindo 0,97, e correlação NDVI entre UAV e satélite superior a 0,75, atendendo ao pré-requisito para a fusão de dados; (2) o algoritmo CACAO consegue reconstruir efetivamente a dinâmica fenológica do arroz, com séries temporais NDVI mais suaves geradas no modo de atualização para trás, e as duas estratégias de combinação baseadas no CACAO alcançam alta precisão (R > 0,94). A introdução dos dados SuperDove com alta resolução temporal durante os períodos fenológicos críticos aumenta a precisão de 0,51 para 0,67; (3) o algoritmo CACAO apresenta desempenho mais estável e ligeiramente superior ao algoritmo GLM-STF durante toda a estação de crescimento. Em suma, a estrutura de fusão multiplataforma proposta neste estudo pode gerar eficazmente séries temporais contínuas e de alta precisão de NDVI para o arroz em escala de talhão, oferecendo suporte técnico robusto para o monitoramento detalhado do crescimento das culturas e manejo agrícola preciso.

PlanetScope;Sentinel-2;fusão de dados espaço-temporais;monitoramento do crescimento;agricultura de precisão;escala de talhão;curvas fenológicas;monitoramento quase em tempo real