高时空分辨率NDVI时间序列生成方法：综述

归一化差异植被指数（NDVI）是最广泛使用的植被指数，通过对光谱波段进行简单的变换而生成，没有任何偏差或其他参数。它是表征绿度和区域植被特性的简单可靠方法[1]。因此，利用高时间分辨率的NDVI时间序列，如由先进的高分辨率辐射计（AVHRR）和中等分辨率成像光谱辐射计（MODIS）生成的时间序列，已广泛用于监测地表动态[2]–[4]，分析生态系统对气候变化的响应[5]。然而，它们的空间分辨率不足（范围从250米到8公里），限制了在异质区域的应用。Landsat影像具有30米的空间分辨率，足以应对异质区域；然而，卫星的16天重访周期限制了其在监测快速地表变化方面的应用。因此，迫切需要获得高空间和时间分辨率的NDVI时间序列的能力。

一般来说，有三种方法可以满足这个需求。第一种方法是使用时间序列重建方法，如Savitzky-Golay（SG）滤波器[6]，Whittaker滤波器[7]，非对称高斯（AG）函数[8]，深度学习（DL）函数[9]和傅里叶方法[10]，以解决由云污染引起的NDVI时间序列中的残余噪声。由于著名的TIMESAT软件[11]的出现，该软件集成了SG、AG和DL，这些方法已成为减轻云污染影响的最常见方法。然而，它们受到预定义物候形状的限制，使其不适用于不规则时间序列重建[6]，[12]，并且无法预测由空间和时间分辨率之间的权衡引起的缺失图像。第二种方法通过拟合长时间内的所有可用Landsat图像来预测缺失的Landsat图像[13]。然而，这种方法对输入数据有严格要求。第三种方法是时空融合（STF）[14]，它通过利用至少一对无云Landsat图像（称为精细图像）和MODIS图像（称为粗糙图像）在基准日期上以及预测日期上的MODIS图像来预测缺失图像。这种类型的方法不仅可以解决空间和时间分辨率之间的权衡，而且对于输入图像的数量具有灵活性。因此，STF方法已广泛用于生成具有高空间和时间分辨率的NDVI时间序列。

到目前为止，已经提出了各种STF方法，包括空间和时间自适应反射融合模型（STARFM）[15]，增强型STARFM（ESTARFM）[16]，基于空间和时间非局部滤波的融合模型[17]，Fit-FC[18]，多传感器多分辨率技术[19]，[20]，空间和时间数据融合方法[21]，[22]，局部和全局区域覆盖NDVI整合方法[23]和灵活的时空数据融合（FSDAF）方法[24]。然而，由于预定义线性函数的有限泛化能力[25]，这些传统STF方法无法解决各种土地表面动态的情况。

通过发展深度学习（DL）方法，即基于DL的STF方法，这些缺点得到了解决，可以将其分为基于超分辨率（SR）的STF和基于融合的STF两类。前者利用基于DL的SR直接从粗糙图像到精细图像进行转换函数的建模，潜在地可以解决物候和土地覆盖变化。后者则专注于利用卷积神经网络（CNN）改善线性STF方法的泛化能力，通过自动获取加权函数来替代预定义的函数。这些类型的代表包括基于深度CNN的多步骤STF框架（STFDCNN）[27]，基于非常深的CNN的STF[28]，STFGAN[29]，深度卷积STF网络[30]及其增强版[31]，以及基于DL的时空温度融合网络[32]。