基于背景场的框架，用于从AVHRR LTDR数据重建时空连续的日NDVI（1982–2020年）

《Ecological Indicators》：A background field-based framework for reconstructing spatially and temporally continuous daily NDVI (1982–2020) from the AVHRR LTDR

NDVI时间序列重建方法及性能评估 | BFF框架利用背景场和多年观测数据解决云层、积雪等导致的缺失问题，显著优于Savitzky-Golay、双对数等五种方法，在MAE（0.0025-0.0110）、RMSE（0.0124-0.0314）和R2（0.949-0.993）指标上全面领先，并成功处理时空连续缺失数据。

　　植被动态和其对气候变化的响应是生态学和环境科学中的重要研究课题，而高精度、长期的归一化植被指数（NDVI）时间序列数据在这一领域具有不可替代的价值。由于卫星遥感数据不可避免地受到云层、雾气、传感器故障等多种因素的干扰，导致原始数据中存在大量缺失值和噪声，因此，如何有效地重建这些数据成为研究的核心挑战之一。本文提出了一种基于背景场的NDVI重建框架（BFF），旨在解决现有方法在处理长时间序列数据中的大规模时间间隙和空间不连续性问题，从而生成更加可靠、连续的每日NDVI时间序列。

AVHRR（高级甚高分辨率辐射计）卫星数据因其长期观测记录而具有重要研究价值，但这些数据常因云层遮挡、雪覆盖、传感器性能下降等原因出现不完整。目前，虽然已有多种NDVI重建方法，但它们在面对长时段的缺失数据时往往效果不佳，无法生成连续的每日时间序列。此外，某些方法在处理短时间间隙时表现尚可，但当出现持续性缺失时，其重建效果会显著下降。例如，基于时间域的插值方法容易受到相邻数据点的影响，而基于频率域的谐波分析等方法则可能在处理连续缺失时产生多重波浪状的异常结果。这些局限性使得NDVI数据在生态学研究中存在较大的误差，尤其是在提取植被物候特征和监测生态系统变化时。

为了解决上述问题，本文提出了一种新的NDVI重建方法，即BFF（Background Field-based Framework）。该方法的核心思想是利用长期的背景场数据和高质量的观测数据进行重建，从而在保持时间连续性的同时，减少噪声对结果的影响。BFF方法包括四个主要步骤：质量评估筛选、积雪去除、异常值剔除和间隙填充。通过这些步骤，BFF能够有效识别并剔除异常数据，同时利用背景场数据进行填补，以确保重建数据的准确性。

在质量评估筛选阶段，研究者首先利用LTDR（长时序数据记录）数据集中的质量评估（QA）信息，对受云层、阴影、太阳天顶角过高等因素影响的像素进行掩码处理，保留仅来自可靠观测的像素。这一过程有助于减少噪声对后续分析的干扰。在积雪去除阶段，研究者结合GLDAS（全球陆地数据同化系统）的温度数据，识别出积雪覆盖的时期，并通过替换积雪影响下的NDVI值为同区域无积雪覆盖的最小NDVI值，从而避免因积雪干扰导致的植被绿度高估。这一策略在传感器性能不佳或云层遮挡严重的地区尤为重要，因为这些区域往往缺乏足够的高质量观测数据。

在异常值剔除阶段，研究者采用双重策略：一是基于全球时间序列的异常值检测，即剔除超出长期平均值3个标准差的NDVI值；二是基于局部时间窗口的异常值检测，即在每个像素的5天时间窗口内，剔除偏离多年平均值2.5个标准差的异常值。这种策略能够有效识别并去除数据中的极端异常，同时避免误剔除有效的观测数据。通过这一过程，研究者获得了更加可靠的NDVI数据，为后续的重建工作奠定了基础。

在间隙填充阶段，BFF方法充分利用了长期背景场数据的优势。对于连续缺失的NDVI数据，研究者采用线性回归模型，结合同日期其他年份的平均NDVI值，对缺失日期进行预测。这一方法在数据缺失率较高时表现尤为突出，因为它不依赖于单一时间段的观测数据，而是通过多时间段的数据融合来实现重建。此外，当背景场与目标年份的NDVI数据之间存在显著相关性时，可以进一步提高重建的精度。对于数据缺失率较低的情况，研究者则采用小窗口均值插值法进行填充，以确保数据的完整性。

为了验证BFF方法的优越性，本文将其与五种常用方法（Savitzky–Golay滤波器、双逻辑模型、谐波分析、迭代插值和Whittaker平滑器）进行了比较。实验结果显示，BFF方法在多个评估指标上均优于其他方法。例如，在训练样本比例为80%时，BFF的均方根误差（RMSE）为0.0124，而其他方法的RMSE均超过0.039；同时，BFF的决定系数（R2）达到0.9930，显著高于其他方法的0.89–0.91。在训练样本比例降至10%时，BFF仍然表现出色，其RMSE为0.0314，R2为0.9490，而其他方法的RMSE均超过0.045，R2低于0.8940。这些结果表明，BFF方法不仅在高训练样本比例下表现出色，而且在低训练样本比例下也保持了较高的重建精度。

除了定量评估外，本文还通过可视化分析进一步验证了BFF方法在处理时间与空间连续性缺失数据方面的优势。例如，在1986年5月16日，真实的NDVI值为0.37，而BFF方法填充后的值为0.43，与其他方法填充的值相比（0.53–0.54），偏差更小。此外，BFF方法在时间轨迹上表现出更强的稳定性，它能够在更晚的时间点才表现出NDVI的上升趋势，而其他方法则容易在过早的时间点产生虚假的上升信号。这种时间轨迹的准确性对于提取植被物候特征和研究植被对气候变化的响应至关重要。

在空间分布方面，BFF方法也展现了显著的优势。研究者通过对比BFF重建数据与高质量观测数据的空间分布，发现BFF能够有效地填充数据缺失区域，特别是在北半球中高纬度森林区域。例如，在1996年1月，由于云层遮挡和传感器故障，北俄罗斯、东中国、加拿大、法国等地的高质量观测数据较少，而BFF方法能够成功重建这些区域的NDVI数据。在6月和9月，由于对流活动频繁，云层覆盖广泛，导致观测数据缺失。BFF方法利用历史背景场和高质量观测数据，成功填补了这些时间段的数据空白，从而保证了时间序列的连续性和空间完整性。此外，在1994年10月1日和2010年8月1日的两个区域，BFF方法在空间分布上表现出色，而其他方法则在某些像素中显示出明显的负偏差噪声。

BFF方法的另一个显著优势是其对数据缺失的处理能力。传统方法往往依赖于相邻像素或同一时间段的观测数据进行填充，但在某些区域，由于传感器故障或大规模云层覆盖，相邻像素的数据也可能缺失，从而限制了方法的应用。相比之下，BFF方法不依赖于相邻像素的数据，而是利用长期背景场数据进行重建，因此在面对大规模数据缺失时仍能保持较高的重建精度。例如，在某些像素中，即使全年仅存在少量高质量观测数据，BFF仍然能够通过背景场数据进行有效填充，而其他方法则可能因数据不足而无法完成重建。

尽管BFF方法在多个方面表现出色，但仍存在一些局限性。首先，该方法依赖于背景场数据，因此对背景场的时间跨度和质量有较高要求。本文使用了从1982年到2020年的近四十年数据构建背景场，这在一定程度上提高了方法的可靠性。然而，对于其他卫星数据集，如果背景场的时间跨度较短，可能会对模型的稳健性和泛化能力产生不利影响。因此，未来研究可以进一步探讨背景场时间跨度对重建结果的影响，以提高方法的适用性。

其次，BFF方法主要针对北半球中高纬度的森林生态系统进行了优化，因此在非森林生态系统（如农田、草原和灌木丛）中的适用性可能受到一定限制。这些生态系统通常表现出较弱的季节性信号或较小的植被动态变化，而BFF方法在设计时假设植被具有较强的季节周期性，这可能导致在非森林区域的重建误差较大。因此，未来的研究需要探索如何将BFF方法扩展到其他生态系统，并结合植被类型和气候季节性等辅助信息，以提高其在不同区域的适用性。

此外，BFF方法的计算复杂度较高，尤其是在大规模区域应用时，需要处理大量的像素数据。尽管本文在测试中采用了多核并行计算，以提高效率，但在实际应用中，如何进一步优化算法结构，减少计算时间，仍是值得研究的问题。例如，利用GPU加速或云平台并行计算，可以显著提升处理速度。同时，研究者还建议将BFF方法移植到Google Earth Engine等云平台，以实现更大规模的数据处理。

综上所述，本文提出的BFF方法在NDVI时间序列重建方面具有显著的优势，特别是在处理大规模数据缺失和保持时间与空间连续性方面。它不仅提高了植被物候分析和生态系统监测的准确性，还为长期生态指标的构建提供了更可靠的数据支持。然而，该方法在非森林生态系统和计算效率方面仍有待进一步优化。未来的研究应关注如何拓展BFF方法的适用范围，并探索更高效的计算策略，以推动其在生态、地理和环境遥感等领域的广泛应用。