Los datos de índice de vegetación de diferencia normalizada de alta resolución temporal y espacial (NDVI) son de vital importancia para el monitoreo del crecimiento de los cultivos y la inversión de parámetros. Los datos de satélite de sensores remotos en la banda roja y en el infrarrojo cercano pueden servir como fuentes de datos importantes para el NDVI. Sin embargo, debido a las limitaciones de potencia de los sensores remotos de satélite, a menudo existe una restricción mutua entre la resolución espacial y temporal de los datos de sensores remotos, lo que hace difícil obtener datos NDVI con alta resolución temporal y espacial. La tecnología de fusión espacial y temporal tiene como objetivo fusionar datos NDVI con alta resolución temporal pero baja resolución espacial y datos NDVI con alta resolución espacial pero baja resolución temporal para generar datos NDVI con alta resolución temporal y espacial. Sin embargo, la fusión espacial y temporal del NDVI enfrenta un gran desafío, es decir, entre el momento en que se conocen los datos auxiliares y el momento de la predicción, a menudo hay un gran cambio en la cobertura terrestre. Para hacer frente a este desafío, este artículo propone un método de fusión espacial y temporal acoplado con reconstrucción espacial (Spatio-temporal fusion then spatial reconstruction, STFSR) para la fusión espacial y temporal del NDVI. El método STFSR hace un uso completo de los datos de alta resolución espacial que están cerca en el tiempo de la predicción pero tienen datos faltantes (debido a la cobertura de nubes en las imágenes de sensores remotos) para ayudar a la predicción de la fusión espacial y temporal del NDVI. El uso de este tipo de imágenes auxiliares reduce efectivamente el impacto de los cambios del NDVI en la fusión espacial y temporal. En los tres sitios experimentales seleccionados en este estudio, se demostró que el método STFSR tiene una precisión más alta que el modelo común de fusión espacial y temporal adaptable de reflectancia (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM) y el método de fusión espacial y temporal basado en el peso espacial y pares de imágenes virtuales (spatial weighting-based virtual image pair-based spatio-temporal fusion, VIPSTF-SW). El error cuadrático medio promedio (Root Mean Square Error, RMSE) del método STFSR en los tres sitios experimentales se redujo en 0.0217 y 0.0188 en comparación con STARFM y VIPSTF-SW, respectivamente, y el coeficiente de correlación promedio (Correlation Coefficient, CC) aumentó en 0.0820 y 0.0742, respectivamente. El error de síntesis global-dimensional relativo (Relative Global-dimensional Synthesis Error, ERGAS) se redujo en 4.3170 y 3.8535, respectivamente. Además, cuando el área de nubes en los datos auxiliares aumenta, el método STFSR muestra una tendencia a disminuir en precisión, pero sigue siendo superior en general a los métodos STARFM y VIPSTF-SW. El método STFSR proporciona una nueva idea para la generación de datos NDVI con alta resolución temporal y espacial, y dada su teoría y ventajas, este modelo también tiene un considerable potencial de aplicación en otros índices de vegetación con alta resolución temporal y espacial, como el índice de vegetación mejorado (EVI).

Landsat; MODIS; NDVI; fusión espacial y temporal; reconstrucción espacial