El monitoreo en tiempo real del crecimiento de los cultivos a escala de parcela es clave para la agricultura de precisión. Sin embargo, la teledetección satelital cubre áreas amplias pero está limitada por el clima y la resolución espacial, mientras que los vehículos aéreos no tripulados (UAV) tienen alta resolución espacial pero están limitados por su autonomía, por lo que una sola fuente de datos no satisface las necesidades de monitoreo continuo a gran escala. Para abordar este problema, este estudio propone un método de fusión espacio-temporal multiplataforma basado en datos multiespectrales de UAV, Sentinel-2 y PlanetScope SuperDove utilizando un algoritmo CACAO mejorado. El método construye dos estrategias de combinación de datos: "UAV+Sentinel-2" y "SuperDove+Sentinel-2+UAV" y genera casi en tiempo real series temporales diarias del índice de vegetación de diferencia normalizada (NDVI) con resolución de 1 metro mediante predicción hacia adelante y actualización hacia atrás. Se aplicó validación cruzada dejar-uno-fuera (LOOCV) y se comparó con el algoritmo GLM-STF (fusión espacio-temporal basada en modelo lineal generalizado) para evaluar la precisión de la fusión. Los resultados indican que: (1) los datos NDVI de diferentes plataformas tienen buena consistencia, la correlación NDVI entre Sentinel-2 y SuperDove alcanza 0.97, mientras que entre UAV y satélite supera 0.75, lo que satisface los requisitos para la fusión de datos; (2) el algoritmo CACAO puede reconstruir eficazmente la dinámica fenológica del arroz, la serie temporal NDVI generada por el modo de actualización hacia atrás es más suave, y ambas estrategias de combinación basadas en CACAO obtuvieron alta precisión (R > 0.94). La introducción de datos SuperDove de alta resolución temporal durante periodos fenológicos clave mejora la precisión de 0.51 a 0.67; (3) el algoritmo CACAO mostró mayor estabilidad y una precisión ligeramente superior al algoritmo GLM-STF a lo largo de toda la temporada de crecimiento. En conclusión, el marco de fusión multiplataforma propuesto puede generar eficazmente series temporales continuas y de alta precisión de NDVI de arroz a escala de parcela, proporcionando un sólido soporte técnico para el monitoreo detallado del crecimiento y la gestión precisa de cultivos.

PlanetScope; Sentinel-2; fusión de datos espacio-temporal; monitoreo de crecimiento; agricultura de precisión; escala de parcela; curva fenológica; monitoreo casi en tiempo real