融合MODIS与Landsat数据的中国长期高分辨率植被指数重建数据集

针对现有植被指数数据集时空分辨率难以兼顾的问题，中国研究团队通过改进机器学习时空融合模型（InENVI），整合432,230景Landsat影像和MODIS数据，构建了2001-2020年中国8天/30米分辨率NDVI数据集。该成果有效解决了Landsat 7 SLC-off条纹修复难题，经255,000样本验证显示R2达0.85-0.99，为精细尺度植被动态监测提供了可靠数据支撑，发表于《Scientific Data》。

　　

植被动态监测是理解全球气候变化影响的关键环节，但科学家们长期面临一个两难选择：使用Landsat数据虽能获得30米的高空间分辨率，却要忍受16天以上的低时间分辨率；而MODIS数据虽能提供每日观测，但250米的粗糙分辨率又难以捕捉精细尺度的植被变化。这种"鱼与熊掌不可兼得"的困境，严重制约了农作物估产、碳循环模拟等领域的深入研究。更棘手的是，中国南方多云雨地区Landsat有效观测率仅25%，加上Landsat 7卫星2003年扫描校正器（SLC）故障导致的条带缺失，使得获取连续高精度植被指数数据难上加难。

针对这一挑战，石河子大学联合中山大学等机构的研究团队在《Scientific Data》发表突破性成果。研究人员改进了集成环境变量的机器学习时空融合模型（InENVI），通过分布式计算架构处理了43万景卫星影像，成功构建了我国首个8天/30米分辨率的20年NDVI数据集。这项研究不仅填补了高时空分辨率植被指数数据的空白，更创新性地解决了SLC-off条纹修复这一国际难题。

研究团队采用三大核心技术方法：1）优化InENVI模型，通过像素聚类和滑动窗口设计将计算效率提升10倍；2）建立分布式处理系统，将全国划分为1124个1°×1°网格并行运算；3）应用加权Whittaker平滑算法预处理MODIS-NDVI数据，结合ERA5气象再分析数据（0.1°分辨率）作为环境变量。验证样本覆盖我国6大植被带25.5万点位，包括亚热带常绿阔叶林（SEBF）、温带草原（TG）等生态系统。

数据质量验证

通过六类观测密度区域（LObv15-LObv65）验证显示，重建NDVI与实地观测的R²达0.97，偏差（Bias）<6.5%。特别在云污染严重的LObv15区域（有效观测率15%），模型仍能准确还原植被季节变化曲线（图12a），证明其强大的数据填补能力。

条纹修复效果

针对Landsat 7 SLC-off故障，研究首次实现30米尺度条纹无缝修复。图11显示2012年多条卫星数据合成的最大NDVI仍存在明显条纹（b0-f0），而融合结果（b1-f1）完全消除了条带噪声，同时保留真实植被空间格局。

时空一致性

时间序列验证表明，模型能准确捕捉不同植被区生长季动态，各区域R²均值>0.92。结构相似性指数（SSIM）达0.98以上（图8d），证明融合数据在空间细节上与真实影像高度吻合。

这项研究创建的7.5TB数据集（DOI:10.57760/sciencedb.00187）标志着我国遥感数据处理的重要突破。其创新性体现在：1）首次实现中国全域20年连续30米植被监测；2）建立机器学习与环境变量融合的新范式；3）为全球变化研究提供1.2km/8天的基准数据集。尽管存在MODIS输入数据不确定性的局限，但该成果已支撑多项农作物估产、碳汇评估研究，代码开源（GitHub/InENVI_Fusion）更推动了方法学的广泛应用。未来通过融入Sentinel等新型卫星数据，有望将时空分辨率进一步提升至5天/10米，为生态文明建设提供更精准的数据基石。