时间序列NDVI数据集重建方法：原理、应用与展望.docxVIP

时间序列NDVI数据集重建方法：原理、应用与展望

一、引言

1.1研究背景与意义

地表植被作为陆地自然生态系统的关键构成部分，是生态环境变化的灵敏指示标。对全球或某一区域在特定时段内的植被覆盖变化展开研究，是监测气候与环境变化、评估环境质量的重要手段。归一化植被指数（NDVI）与植被分布密度呈现线性相关，是当前卫星遥感监测植被特征应用最为广泛的指数之一。其数值范围通常在-1到1之间，一般绿色植被区的范围是0.2-0.8。负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，近红外（NIR）和红光（R）近似相等；正值表示有植被覆盖，且随覆盖度增大而增大。

NDVI在诸多领域发挥着重要作用。在全球与区域环境变化研究中，它能帮助科学家了解植被对气候变化的响应，为预测未来环境变化趋势提供依据。例如，通过分析长时间序列的NDVI数据，可以发现植被覆盖度随气候变暖的变化情况，以及这种变化对生态系统的影响。在植被动态变化监测方面，NDVI能够实时反映植被的生长、衰退等过程，帮助相关部门及时掌握植被的健康状况。以森林监测为例，通过监测NDVI的变化，可以及时发现森林病虫害的发生，以便采取相应的防治措施。在叶面积指数等植物生物物理量参数反演中，NDVI是重要的输入参数，能够提高反演结果的准确性。在净第一性植被生产力研究中，NDVI也为评估植被的生产力提供了关键信息。

然而，受地面状况、大气干扰、传感器状态等因素影响，NDVI时间序列数据集包含大量噪声。在卫星观测红光和近红外光的过程中，很容易受到大气因素、云雪覆盖和传感器误差的影响，通常会造成观测的红光反射率增大，近红外光反射率减小，从而导致最终的NDVI值产生负偏差。这些噪声会干扰对植被真实生长状态的判断，阻碍植被的研究与应用。在监测植被生长周期时，噪声可能导致对植被生长阶段的误判，从而影响对整个生态系统的评估。因此，对NDVI时间序列数据集进行重建，去除噪声，提高数据质量，具有重要的现实意义。它能够为各种研究提供更为可靠的时序数据集，助力科学家更准确地分析植被动态变化及其对环境的影响，为生态环境保护、农业生产、资源管理等领域的决策提供有力支持。

1.2国内外研究现状

迄今为止，国内外学者相继提出了很多时序NDVI数据集的重建算法，总体上可分为基于时域、基于频域和混合方法三类。

基于时域的方法应用最为广泛，包括利用时序插值替换的最大值合成法（MVC）、迭代插值法（IDR）、数据同化法（DA）、最佳指数斜率提取法（BISE）、采用时域滤波的S-G滤波和均值迭代滤波（MVI）法、通过函数进行曲线拟合的非对称高斯函数拟合法（AG）、双逻辑斯蒂拟合法（DL）以及采用深度学习模型的填补方法等。MVC方法是在指定的合成周期内选取最大值作为合成数据，能在一定程度上去除云和大气的干扰，但如果一个周期时间内所有图像都有云，就无法得到该周期的无云图像。IDR方法能通过迭代逐渐让低值点接近上包络线，但在冬季等植被变化频繁的时候容易错误地高估NDVI的值。S-G滤波是一种基于最小二乘的卷积算法，用一定长度的过滤器和待处理数据作卷积，对待处理的数据作加权多项式拟合，拟合目标是求得最小均方根误差，能快速平滑时间序列并剔除异常值，但当云污染持续时间很长或者处于植被持续生长时期时表现较差，且需要先验知识来确定滑动窗口的大小和多项式的阶数。

基于频域的方法，如快速傅里叶变换法（FFT）、时间序列谐波分析法（HANTS）、小波变换法（WT），将污染数据从时域变换到频域从而重建NDVI时间序列。这类方法认为噪声多为高频成分，在频域上易于去除，重建的曲线通常较为光滑。但FFT方法由于公式的严格对称性，在平滑不规则时间序列时性能较差；HANTS方法设置大量的参数都会影响其性能。而且当植被生长中发生突然变化，如火灾或者庄稼收获时期，这些变化会被频域方法视为噪声去除掉，不能有效地涵盖植物的物候特征。

混合方法则考虑了植被生长的时间连续性和空间相似性，克服了上述方法在处理长时间连续缺口时的不足，例如时空滤波法（TSF）、时空S-G滤波法（STSG）、时空张量填补法（ST-tensor）。这类方法不仅考虑了时空相关性，还考虑了不同像元之间生长轨迹的相似性以及环境变化和人为因素的影响，在面对长时间缺失时仍能发挥较好性能，保留有效的低值。但它们仍然没有深度挖掘出遥感影像中潜在的植被的空间与时间特征，无法实现时空信息的有效协同利用。

近年来，深度学习技术在NDVI时间序列重建中也得到了应用。长短期记忆网络（LSTM）能够根据已有的数据序列，预测和填补缺失值，同时捕捉数据中的动态模式，但需要大量的数据来学习和捕捉时间序列中的模式和特征，数据量不足时可能会