Реальное мониторирование роста сельскохозяйственных культур на уровне полей является ключевым элементом точного земледелия. Однако спутниковое дистанционное зондирование охватывает большие территории, но ограничено погодными условиями и пространственным разрешением, беспилотные летательные аппараты (БПЛА) обеспечивают высокое пространственное разрешение, но ограничены временем автономной работы, поэтому использование одного источника данных не удовлетворяет потребности в масштабном непрерывном мониторинге. В данном исследовании предложен метод пространственно-временного слияния на основе улучшенного алгоритма CACAO, использующий многоспектральные данные от UAV, Sentinel-2 и PlanetScope SuperDove. Метод формирует две стратегии комбинирования данных: "UAV+Sentinel-2" и "SuperDove+Sentinel-2+UAV", и с помощью прямого прогноза и обратного обновления почти в реальном времени генерирует ежедневную временную серию нормализованного индекса вегетации (NDVI) с разрешением 1 метр. Далее проведена покадровая кросс-валидация (Leave-One-Out Cross-Validation, LOOCV) и сравнительный анализ с существующим алгоритмом GLM-STF (пространственно-временное слияние на основе обобщенной линейной модели) для оценки точности слияния. Результаты показывают: (1) NDVI данные с разных платформ имеют высокую согласованность, корреляция NDVI между Sentinel-2 и SuperDove достигает 0.97, а между БПЛА и спутником превышает 0.75, что соответствует требованиям слияния данных; (2) алгоритм CACAO эффективно восстанавливает динамику фенологии риса, при этом временные ряды NDVI, сгенерированные методом обратного обновления, оказываются более плавными, и обе комбинированные стратегии на основе CACAO достигают высокой точности (R > 0.94). Введение данных SuperDove с высоким временным разрешением в ключевые фенологические периоды позволяет повысить точность с корреляцией от 0.51 до 0.67; (3) CACAO показывает более стабильные и слегка повышенные показатели точности по сравнению с алгоритмом GLM-STF на протяжении всего вегетационного сезона. В заключение, предложенная структура мультиплатформенного слияния эффективно генерирует непрерывную высокоточную временную серию NDVI риса на уровне поля, что может поддержать детальный мониторинг роста и точное управление сельхозкультурами.

PlanetScope; Sentinel-2; пространственно-временное слияние данных; мониторинг роста; точное земледелие; уровень поля; фенологическая кривая; почти реальный мониторинг