Высокая временная и пространственная разрешающая способность нормализованного индекса различия вегетации (NDVI) играет невероятно важную роль в мониторинге роста сельскохозяйственных культур и извлечении параметров. Данные спутникового дистанционного зондирования в красном и ближнем инфракрасном диапазонах могут служить важным источником данных для NDVI. Однако из-за ограничений мощности спутниковых сенсоров получение данных дистанционного зондирования с высоким временным и пространственным разрешением часто представляет собой серьезное ограничение. Технология пространственно-временного слияния направлена на объединение данных NDVI с высоким временным разрешением, но низким пространственным разрешением и данных NDVI с высоким пространственным разрешением, но низким временным разрешением для создания данных NDVI совмещенного высокого временного и пространственного разрешения. Однако слияние NDVI во времени и пространстве сталкивается с серьезным вызовом, а именно то, что известное время дополнительных данных и время прогнозирования часто имеют значительное изменение покрытия местности. Чтобы противостоять этому вызову, в настоящем документе предложен метод пространственно-временного слияния с последующей пространственной реконструкцией (STFSR) для слияния NDVI. Метод STFSR полностью использует данные высокого пространственного разрешения, близкие во времени к прогнозируемому времени, но с отсутствующими данными (последствия облачности спутниковых изображений) для поддержки прогнозирования пространственно-временного слияния NDVI. Использование такого типа вспомогательных спутниковых изображений эффективно уменьшает влияние изменений NDVI на пространственно-временное слияние. В этом документе было показано, что метод STFSR, выбранный в трех экспериментальных областях, имеет более высокую точность, чем распространенная модель пространственно-временного адаптивного слияния отражения (STARFM) и метод пространственно-временного слияния на основе пространственного взвешивания и виртуальной пары изображений (VIPSTF-SW). Средняя квадратичная ошибка (RMSE) метода STFSR в трех экспериментальных областях уменьшилась на 0,0217 по сравнению с STARFM и на 0,0188 по сравнению с VIPSTF-SW, средний коэффициент корреляции (CC) увеличился на 0,0820 по сравнению с STARFM и на 0,0742 по сравнению с VIPSTF-SW, относительная глобальная ошибка синтеза размерности (ERGAS) уменьшилась на 4,3170 по сравнению с STARFM и на 3,8535 по сравнению с VIPSTF-SW. Кроме того, когда увеличивается площадь облачного региона во вспомогательных данных, хотя метод STFSR начинает ухудшаться по точности, он все равно превосходит в целом методы STARFM и VIPSTF-SW. Метод STFSR предоставляет новый путь для создания данных NDVI высокой временной и пространственной разрешающей способности, и учитывая его принцип и преимущества, эту модель также можно использовать с большими перспективами для создания других данных высокой временной и пространственной разрешающей способности для растительности, таких как улучшенный индекс вегетации (EVI).

Landsat;MODIS;NDVI;пространственно-временное слияние;восстановление пространства