一种用于高分辨率16米每日地表反照率产品的高效时空无缝重建方法

《International Journal of Digital Earth》：A spatial?temporal seamless reconstruction method for high-resolution 16?m daily land surface albedo products

　　摘要
精确重建高分辨率、时空连续的地表反照率对于能量平衡研究和气候变化建模至关重要。本文提出了一种双重约束最优图像匹配策略（DC-OPS），通过结合500米分辨率的MODIS产品和16米分辨率的GF-1 WFV产品，并利用灵活的时空数据融合（FSDAF）模型，重建无缝的16米每日反照率图像。该策略结合了时间邻近性和纹理相似性来识别最优参考图像对，从而提高了重建精度。在怀来地区和青藏高原（TP）进行的验证表明，该方法具有较高的准确性。在怀来地区，DC-OPS与原始GF-1图像相比的均方根误差（RMSE）为0.0304，与实地测量数据相比为0.0282。在TP地区，尽管数据极为稀缺，该方法仍保持了0.0377的可靠RMSE。对比分析显示，DC-OPS在捕捉快速地表变化（如降雪）方面优于传统方法，如时间序列的谐波分析（HANTS）和邻域相似像素插值器（NSPI）。该策略在多种景观中表现出良好的适用性，通过增强时空连续性为大规模应用奠定了基础。

关键词：反照率重建；GF-1卫星；高时空分辨率；双重约束最优图像配对策略

1. 引言
地表反照率，即反射的太阳辐射与入射辐射的比率，对于估算全球地表能量预算至关重要（Liang等人，2019年）。通过调节吸收的太阳辐射在潜热通量和显热通量之间的分配，反照率显著影响地气相互作用，进而影响地表温度、天气模式和气候动态（Wen等人，2022年）。此外，对于支持城市热岛效应分析（Xian等人，2021年）、城市温度监测（Wu等人，2024年）、农业监测（Sieber等人，2022年）以及卫星衍生产品的验证（Lin等人，2022年）等应用，对时空连续的高分辨率反照率数据的需求日益增长。然而，遥感领域的一个持续挑战是没有任何单一卫星能够同时提供高空间分辨率和高时间分辨率。此外，云层污染常常导致光学数据丢失，因为云层几乎覆盖了地球表面的67%（Wang等人，2023年）。因此，高分辨率产品通常具有较低的时间分辨率和更多的不连续性。一般来说，空间和时间重建方法可以有效恢复小范围内的缺失数据（Shen等人，2015年）。像MODIS、POLDER、VIIRS、MISR、GLASS和MuSyQ这样的低分辨率反照率产品已经成熟，并提供了长期、全面的观测数据（Zhao等人，2023年）。为了生成时空连续的高分辨率反照率产品，时空融合已成为一种高度可靠的重建方法。利用这些低分辨率反照率产品作为先验知识来填补高分辨率反照率数据中的空白已被证明是有效的方法（Bian等人，2025年）。现有的时空融合技术可以根据不同的假设和算法原理分为四类（Wang等人，2023年）：基于权重函数的方法（Zhu等人，2018年）、解混方法（Guo等人，2024年）、基于学习的方法（Qin等人，2022年）以及混合方法（Chen、Wang和Gong，2023年）。基于权重函数的方法通过应用权重函数来估计高分辨率和低分辨率图像之间的时间变化，该权重函数结合了相似邻近像素的光谱信息（Gao等人，2006年）。一些方法通过使用转换系数和虚拟图像对技术来提高在异质景观中的性能并减少时间差异（Zhu等人，2010年；Wang等人，2020年）。相比之下，解混方法对低分辨率像素进行线性解混，以预测更高分辨率下的各个端元的变化。虽然这些方法需要的高分辨率图像较少，但在捕捉同类光谱变化方面效果较差。基于学习的方法通过机器学习算法建立低分辨率和高分辨率图像对之间的预测关系，然后应用这些算法生成高分辨率图像（Du等人，2024年）。最后，混合方法结合了两种或更多种策略来提高时空融合的稳健性。例如，FSDAF（Zhu等人，2016年）及其后续发展，如Enhanced FSDAF（Shi等人，2019年）和FSDAF 2.0（Guo等人，2020年），结合了不同的融合原理，特别是在地表条件复杂和反照率变化迅速的区域提供了更准确和可靠的预测。FSDAF模型作为一种时空融合方法，以其开源特性、易于实现以及在复杂地表条件下的卓越性能而著称。这些优势使其在广泛的实际应用中非常有效，例如监测悬浮颗粒物（SPM）和通过叶绿素a（Chl-a）反演评估内陆水质（Liu等人，2021年；Yang等人，2022年）。然而，使用时空融合算法进行高分辨率反照率重建仍然面临以下挑战：一个关键问题是输入图像的最佳配对，以便有效利用先验知识。先前的研究（Dong等人，2023年；Xu等人，2024年）表明，重建应用的准确性（如雪量监测和淡水监测）受到数据选择日期与目标重建日期之间时间间隔的影响。为了解决这些挑战，本研究提出了一种双重约束最优图像配对策略（DC-OPS），该策略在最大化低分辨率数据的时间优势的同时，有效利用了低分辨率和高分辨率反照率产品中包含的固有物理信息，旨在生成无缝的16米每日反照率图像。

2. 研究区域和数据来源
2.1. 研究区域
研究区域包括怀来县（115°16′E–115°58′E，40°04′N-40°35′N）和青藏高原（TP，67°40′E–104°47′E，26°00′N-39°47′N）。怀来主要由河流平原和山地组成，选择了四种土地覆盖类型——城市、农田、山地和水域进行详细分析。TP的平均海拔超过4000米，并有季节性积雪，用于验证该方法在高度异质和动态景观中的稳健性。这些研究区域的位置如图1所示。
图1. 怀来和TP研究区域的概览。(a) 怀来的详细土地覆盖分类；(b) TP上实地反照率观测点的空间分布；(c)–(f) 分别代表选定的城市、农田、山地和水域样本区域。

2.2. 数据来源
在本研究中，低分辨率反照率数据来自500米分辨率的MCD43A3反照率产品，而高分辨率反照率数据来自16米分辨率的GF-1 WFV反照率产品。此外，来自怀来和TP地区的Sentinel-2土地覆盖分类产品和实地反照率测量数据作为辅助数据，用于完善模型并验证其重建性能。
1) MCD43A3反照率：由于MCD43A3（V061）产品的广泛接受度和可靠性（Sánchez-Zapero等人，2023年），因此将其作为低分辨率卫星反照率数据集。该产品由AMBRALS算法生成，该算法结合了Terra和Aqua卫星的地表反射率数据。本研究使用了短波波段的黑天反照率（BSA）和白天反照率（WSA）。所有数据均来自Google Earth Engine（https://earthengine.google.com/）。
2) GF-1反照率：本研究使用的GF-1反照率产品是基于GF-1 WFV数据的BRDF先验知识方法生成的（You等人，2023年）。检索到的短波BSA和WSA反照率具有16米的空间分辨率和2–4天的时间分辨率。图2显示了2020年的反照率图像，其中只有26张图像（7.1%）的缺失数据少于10%，如表1所示。相比之下，281天（76.8%）的图像因数据丢失超过70%或当天没有获取图像而无法使用。值得注意的是，由于卫星的 revisit周期和云层覆盖，5月、7月和8月没有可用数据。关于TP，可用的GF反照率图像日期见表S1。由于复杂的高山环境和频繁的降雪，数据缺失更为明显；在某些高海拔地区，全年仅有7张可用图像，这对图像重建构成了更大的挑战。
图2. 2020年怀来地区的反照率图像时间序列（从左到右：第1天到第366天，缺失值用空白表示）以及数据缺失比例不同的天数（未进行GF-1 revisit的天被视为不可用）。

表1. 本研究中选定的2020年无缝GF-1反照率图像的日期和DOY。括号中的观测次数表示无缝反照率图像的频率。

3) Sentinel土地覆盖数据：用于土地覆盖分类的年度Sentinel-2 10米全球土地利用/土地覆盖时间序列数据，由Impact Observatory的深度学习AI模型生成，该模型基于超过50亿个人工标记的像素训练，每张地图的平均准确率超过75%（Karra等人，2021年）。每个研究年份的相应年度产品均来自Esri平台的Sentinel-2 Land Cover Explorer（https://livingatlas.arcgis.com/landcoverexplorer/）。
4) 实地反照率：怀来遥感综合测试站和青藏高原综合陆气观测数据集的辐射测量结果直接与GF像素数据进行了比较（Wu等人，2019年）。实地反照率计算为当地太阳正午时平均向上短波通量与向下通量的比率。怀来站点包括多种植被类型，如Zea mays、Pinus tabuliformis、Metasequoia glyptostroboides和Begonia grandis（Zm、Pt、Mg、Bg），详细信息见表2。关于TP的观测站点元数据（Ma等人，2020年），包括土地覆盖类型和测量周期，详见表S2。

3. 方法
本研究采用灵活的时空数据融合（FSDAF）模型，该模型通过结合光谱解混、空间插值和参考高分辨率-低分辨率对与目标日期低分辨率图像的残差分布来预测高分辨率图像。与仅基于时间邻近性的传统配对方法不同，我们提出的DC-OPS结合了时间邻近性和反照率纹理一致性，以更好地利用低分辨率的时间信息。三步工作流程（图3）包括：(1) 使用HANTS生成无缝的每日500米MCD43A3数据；(2) 应用DC-OPS识别最优参考对；(3) 实施FSDAF重建无缝的16米每日反照率数据集。

3.1. 生成每日无缝低分辨率反照率
覆盖研究区域的500米MCD43A3反照率无缝数据集通过HANTS进行处理。时间序列的谐波分析（HANTS）（Roerink、Menenti和Verhoef，2000年）是一种基于谐波分析的时间序列重建方法，其中函数或信号表示为具有不同频率的周期函数之和。它已被广泛用于NDVI、LAI和LST等参数的时间序列数据重建。Zhou等人（2015年）提供了应用HANTS重建遥感数据时间序列的基本公式：
(1) α?(tj)=k0+∑i=1Nf[micos(2πfitj)+nisin(2πfitj)]
(2) α(tj)=α?(tj)+ε(tj)
其中α(tj)、α?(tj)和ε(tj)分别代表原始反照率序列、HANTS重建的反照率序列和误差序列。
在本研究中，我们对HANTS-GEE（Zhou等人，2023年）的实现进行了少量调整，以适应MCD43A3反照率数据的重建。HANTS参数和具体设置见表3。

3.2. 双重约束最优图像配对策略（DC-OPS）
DC-OPS策略识别用于在目标时间t2重建高分辨率反照率的最优参考图像对（t1）。通过结合时间邻近性和空间纹理相似性（通过RMSE量化），DC-OPS确保选定的配对提供精确的空间上下文。这种机制克服了仅依赖时间邻近性的传统选择方法的局限性，有效利用了低分辨率数据的时间频率，同时保持了高重建精度。
DC-OPS方法首先通过选择重建目标时间t2之前和之后的五个时间间隔作为配对候选者来考虑时间邻近性。具体来说，图像对表示为t2??t5、…、t2??t1、t2+?t1、…和t2+?t5（注意，由于无缝高分辨率反照率图像之间的时间间隔不是固定的，?t1到?t5的值可能会有所变化）。虽然地表反照率会因偶发的环境事件（例如降雪或快速融化）而迅速波动，但景观的潜在空间分布和纹理模式通常表现出显著的一致性。DC-OPS利用这些纹理相似性来识别最合适的参考图像对，以有效捕捉稳定趋势和动态变化。对于纹理相似性，选择RMSE作为度量标准，因为它已被广泛用于量化差异。例如，Wu等人（Citation2015）使用RMSE评估了反照率观测点的空间和时间异质性，以确定现场反照率测量的最佳节点选择。因此，通过方程（Equation3(3) RMSEt=∑m=1N(αfine?resm?αcoarse?resm)2/N(3)）计算t1时刻的高分辨率反照率图像与t2时刻的低分辨率反照率图像之间的反照率纹理相似性。参考图像对（即最佳配对）是在t2之前和之后的五个最近时间间隔图像对中RMSE最小的那个，并用作融合过程的输入，如方程（Equation4(4) Tbest(t2)=min(RMSEt2??t5,…,RMSEt2??t1,RMSEt2+?t1,…,RMSEt2+?t5)）所示。(3) RMSEt=∑m=1N(αfine?resm?αcoarse?resm)2/N(3) (4) Tbest(t2)=min(RMSEt2??t5,…,RMSEt2??t1,RMSEt2+?t1,…,RMSEt2+?t5)其中αfine?resm代表高分辨率反照率图像的像素，αcoarse?resm表示从500米无缝低分辨率图像通过投影到WGS 84/UTM并重采样到16米分辨率以与GF反照率图像对齐后的低分辨率反照率图像的像素。此外，t2??t5、…、t2??t1、t2+?t1和t2+?t5指的是重建时刻之前和之后捕获的五张图像的时间。

3.3 使用FSDAF模型重建反照率
FSDAF模型（Zhu等人，Citation2016）是一种时空融合算法，旨在应对异质区域带来的挑战，能够预测渐进变化和土地覆盖转变。该模型通过三个模块重建高分辨率反照率。第一个模块专注于时间预测，估计高分辨率图像中每个类别的土地覆盖比例。使用线性光谱混合模型，将低分辨率像素的时间变化估计为高分辨率像素的加权和，从而得到t2时刻的高分辨率反照率以及低分辨率像素的残差。(5) δ(xm,ym)=?C(xm,ym)?1p∑n=1pα2TP(xmn,ymn)?∑n=1pα1(xmn,ymn)(5)其中(6) α2TP(xmn,ymn)=α1(xmn,ymn)+?α(c)(6)m表示低分辨率像素的索引，n表示其内的高分辨率像素的索引。变量p表示低分辨率像素中的高分辨率像素数量。δ是低分辨率像素的残差，?C表示t1和t2之间低分辨率像素的变化。此外，α1和α2TP分别表示t1和t2时刻低分辨率像素(xm,ym)内第n个高分辨率像素的反照率，α2TP是由时间预测（TP）模块预测的初始值。方程（Equation6(6) α2TP(xmn,ymn)=α1(xmn,ymn)+?α(c)）基于每个土地覆盖类别c内时间变化均匀的假设提供了初始估计。为了考虑类别内变异性和土地覆盖转变，FSDAF算法进一步整合了空间预测和残差分布模块，以实现最终的高分辨率重建。第二个模块处理空间预测，它使用薄板样条（TPS）插值将t2时刻的低分辨率图像降采样，以捕获与土地覆盖类型变化和类别内变异性相关的所有相关信息。通过引入均匀性指数（HI）（Equation7(7) HI(xmn,ymn)=∑n=1pIk/p(7)）来调节残差分布，时间预测和空间预测结果得以无缝集成。加权归一化后，得到高分辨率像素的残差分布。具体公式如下：(7) HI(xmn,ymn)=∑n=1pIk/p(7)其中计算过程中的第k个高分辨率像素与中心像素(xmn,ymn)具有相同的土地覆盖类型，如果Ik=1；否则，Ik=0。均匀性指数（HI）的值范围从0到1，值越接近1表示景观越均匀。(8) r(xmn,ymn)=p×δ(xm,ym)×CW(xmn,ymn)∑n=1pCW(xmn,ymn)(8)其中(9) CW(xmn,ymn)=δ(xm,ym)×[1?HI(xmn,ymn)]+[α2SP(xmn,ymn)?α2TP(xmn,ymn)]×HI(xmn,ymn)(9)其中α2SP表示t2时刻(xmn,ym)处高分辨率像素的空间预测反照率。第三个模块整合邻域信息以完善预测。它通过加权最相似的高分辨率像素的贡献来结合时间和空间预测，确保t2时刻高分辨率反照率的准确最终估计。(10) α2?(xmn,ymn)=α1(xmn,ymn)+∑k=1qwk×[r(xk,yk)+?α(c)](10)其中wk是第k个相似像素的权重。此外，FSDAF模型还需要根据t1时刻的高分辨率图像计算土地覆盖比例，以便在t2时刻预测高分辨率反照率。在本研究中，使用Sentinel-2土地覆盖分类产品作为分类标准，以确保更精确的比例计算。在重建GF-1WFV反照率时，分别重建WSA和BSA。

4. 结果与讨论
在本研究中，通过多场景实验和跨区域验证全面评估了所提出的DC-OPS的性能。为了证明该策略生成无缝每日高分辨率（16米）反照率产品的有效性，进行了三项不同的分析。首先，评估了DC-OPS的可行性和准确性，以确定其适用于特定任务的适用性。其次，对所提出的DC-OPS与两种已建立的重建技术（即时间序列谐波分析（HANTS）和邻域相似像素插值器（NSPI）进行了方法学比较，以突出所提出的时空融合方法的优势。最后，针对Huailai地区和青藏高原（TP）的原始GF-1图像和多年现场测量数据（2016–2020年），验证了重建反照率数据的整体质量和稳健性。这种系统评估旨在证明DC-OPS在多样化和复杂地表上进行高分辨率反照率重建的可靠性。

4.1 DC-OPS的评估和敏感性分析
为了验证所提出的DC-OPS策略的可行性和准确性，我们使用早期（DOY 119）和晚期（DOY 313）植被生长阶段的代表性参考图像进行了敏感性分析。评估涵盖了四种具有不同空间异质性的土地覆盖类型——城市/山区（高）、破碎农田（中等）和水体（稳定），以量化该策略在多种景观条件下的性能。在第一种场景中，DC-OPS选择与目标日期最接近的图像，遵循传统做法，优先考虑时间接近性。例如，在重建DOY 119的反照率图像时，DC-OPS选择了DOY 120作为t1的输入，这是围绕DOY 119的五个最接近的GF-1反照率图像中的最近日期。图4显示了DOY 119的原始GF-1反照率图像、使用DOY 120作为t1重建的类似GF的反照率图像，以及DOY 120的原始GF-1反照率图像，涵盖了四种土地覆盖类型：城市、农田、山区和水体。视觉结果显示，重建的反照率图像捕捉到了与真实图像非常相似的精细纹理细节，有效地再现了实际反照率。然而，与原始反照率图像相比，重建反照率图像中的纹理细节更依赖于t1时刻的GF-1反照率图像。

图4. DOY 119的反照率重建比较，包括城市、农田、山区和水体的原始GF-1反照率（a, b, c, d）。使用DOY 120作为t1重建的类似GF的反照率图像（a1, b1, c1, d1），以及DOY 120的原始GF-1反照率（a2, b2, c2, d2）。

图5显示了四种土地覆盖类型的重建反照率准确性。城市地区的表面异质性和复杂性最高，RMSE为0.0127，而水体区域的异质性最低，RMSE仅为0.0035。此外，四种土地覆盖类型的偏差和MAPE在两次重建中都很小，显示出出色的重建准确性和数据一致性。

在第二种场景中，DC-OPS识别了最合适的参考图像，偏离了传统的优先考虑时间接近性的做法。在重建DOY 313的反照率时，DC-OPS选择的最佳t1（DOY 325）并不是时间上最接近的日期。图6中的视觉分析显示，使用具有更高纹理相似性的t1数据（例如DOY 325）进行的重建比时间上更接近的数据（例如DOY 309）更准确地保留了精细的土地覆盖细节。这种优越性源于FSDAF模型的机制，该模型使用薄板样条（TPS）插值来降采样MODIS数据并捕捉类别内变异性。随着t1和t2之间的时间距离增加，土地覆盖边界和季节性物候变化（例如植被生长）的可能性增加，导致反照率差异显著。定量上，使用DOY 325进行的重建实现了最低的RMSE和最小的误差分散。

图6. (a) DOY 313的原始GF-1反照率图像。(b1)–(b10) 使用FSDAF算法重建的类似GF的反照率图像，分别以DOY 279、280、287、308、309、317、325、345和357作为t1输入数据。(c) 重建图像与DOY 313的原始GF-1反照率之间的反照率差异，以及相应的RMSE值。

值得注意的是，这种性能趋势在所有四种代表性土地覆盖类型中都保持高度一致（图S1）。为了进一步证明我们的策略，我们比较了两个潜在的配对指标：t1时刻MODIS与t2时刻MODIS之间的RMSE，以及t1时刻GF与t2时刻MODIS之间的RMSE。如图S1所示，重建准确性与t1时刻GF与t2时刻MODIS之间的RMSE强烈相关，而与MODIS本身的时间变化无关。这证实了高分辨率和低分辨率数据之间的纹理一致性是图像选择的更有效约束。

为了进一步研究DC-OPS的操作稳定性，对相应日期的最佳图像对的时间间隔（?t）和RMSE进行了系统统计分析（图7）。?t的分布反映了卫星重访周期和云污染频率的固有约束。在Huailai地区，大多数最佳图像对（58.1%）在15天窗口内被识别，而TP地区则表现出显著延长的间隔，超过40%的对超过30天。这种区域差异主要是由大气和气候条件的强烈季节性变化引起的；TP地区持续的夏季季风云和频繁的冬季降雪需要更广泛的时间搜索，以找到与目标日期保持物理一致性的晴空参考图像。

图7. Huailai和TP地区重建过程中时间间隔（?t）和选定最小RMSE的统计分析。条形图表示不同?t组中最佳图像对的百分比，线条表示平均RMSE的趋势，误差条表示最大和最小RMSE值。

图7中所示的RMSE对?t的敏感性提供了关于地表反照率物候持续性的更深入见解。尽管平均RMSE随着?t的增加而逐渐上升，但增加率相当温和。从物理上讲，这种趋势主要是由于地表物候轨迹（例如植被生长或融雪过程）的逐渐变化，这改变了FSDAF模型中TPS插值所需的亚像素空间异质性。然而，即使在较大的?t下，最小RMSE也始终保持在较低水平（Huailai通常<0.04，TP通常<0.06），这表明代表底层景观结构的空间纹理随时间更为保守。表S3中详细描述的季节性变化进一步证明了DC-OPS在不同环境约束下的稳健性。统计结果表明，平均?t在不同地区和季节间有显著差异：在Huailai，较大的间隔主要出现在夏季和秋季，而在TP，最大的间隔出现在夏季和冬季。这些延长的间隔主要是由区域气候条件引起的，例如两个地区夏季季风的持续云层覆盖和TP冬季频繁的降雪导致的数据丢失。这些因素严重限制了晴空观测的可用性，对连续监测构成了重大挑战。尽管存在这些数据缺口，通过优先考虑纹理相似性，DC-OPS避免了仅基于时间接近性选择参考图像所带来的不准确性，后者可能无法捕捉到由水分变化或植被物候引起的快速辐射度变化。这种机制确保了所提出的方法在捕捉细尺度反照率变化方面保持高保真度，有效适应了复杂的高山和农业环境中的数据稀疏问题。

4.2. 与基准方法的比较分析
为了突出所提出的DC-OPS时空融合策略的优势，选择了两种广泛使用的经典重建方法作为基准：时间序列谐波分析（HANTS）和邻域相似像素插值器（NSPI）。如前所述，HANTS是一种常用的基于时间的算法，常用于平滑和重建长期序列，例如NDVI（Zhou, Jia, 和 Menenti 2015年引用）。另一方面，NSPI是一种标准的空间-时间间隙填充技术，最初是为修复Landsat 7 ETM + SLC-off图像而开发的（Chen等人2011年引用；Zhu等人2018年引用）。虽然这两种基准方法对于一般数据恢复都非常有效，但它们主要依赖于单源观测。通过将DC-OPS与这些成熟方法进行比较，我们旨在展示如何整合粗分辨率MODIS的先验信息来克服传统插值的固有局限性，特别是在长时间数据缺口期间保持重建稳定性以及捕捉快速表面变化方面。

图8展示了2020年全年26幅原始GF-1反照率图像的重建准确性。从定量上看，DC-OPS策略在所有误差指标上均优于基准方法，实现了最低的RMSE（0.0304）和MAPE（7.48%），而NSPI和HANTS的RMSE值分别为0.0349和0.0362。在HANTS的结果中观察到一个显著差异，它表现出明显的系统性低估，偏差为0.0207。这种低估主要是由于频域拟合的局限性；在长时间数据缺口或快速季节性波动期间，HANTS倾向于产生过度平滑的拟合，未能捕捉到峰值反照率，导致散点始终低于1:1线。虽然NSPI的偏差（0.0116）相对较低，但其较高的RMSE和MAPE表明在没有粗分辨率先验信息指导的情况下，它在重建复杂景观细节时缺乏稳定性。这些总体统计结果首次证明了通过DC-OPS策略整合多源数据显著提高了每日高分辨率反照率产品的可靠性。

图8. 使用不同方法重建的2020年全年26幅原始GF-1反照率图像的准确性：(a) DC-OPS，(b) NSPI，(c) HANTS。

通过Huailai站的每日反照率时间序列进一步比较了三种方法的时间连续性（图9）。与基于插值的基准方法相比，DC-OPS在捕捉快速表面变化方面表现出更强的能力。在GF-1数据长时间缺口的期间，由于依赖于稀疏的单源观测，HANTS和NSPI都无法反映快速的反照率增加。相比之下，通过利用每日MODIS的先验信息，DC-OPS能够准确跟踪这些变化（例如突然降雪），与实地测量保持高度一致。

图9. 2020年Huailai站由DC-OPS、NSPI和HANTS重建的每日反照率时间序列，与原始GF-1观测和实地测量结果进行比较。

这种稳健性通过图S2中显示的不同植被类型的特定站点评估得到了进一步证实。DC-OPS在大多数站点取得了最高的准确性，例如Zm（RMSE = 0.0198）和Pt及Mg（RMSE = 0.0207），而HANTS显示出显著较大的误差（RMSE分别为0.0428和0.0328）。值得注意的是，在NSPI和HANTS的散点图中，观察到散点明显偏离1:1线。这种偏差主要是由于这些方法在原始GF-1数据缺失的降雪事件期间无法捕捉到高反照率值所致。总体而言，DC-OPS在验证站点的整体RMSE为0.0284，MAPE为12.93%，优于NSPI（RMSE = 0.0359）和HANTS（RMSE = 0.0442）。这些结果进一步证实了纹理约束融合策略在监测动态表面条件方面有效克服了传统插值的局限性。

图10提供了用于评估重建产品视觉一致性的无缝16米每日反照率序列的空间概览。所有三种方法都有效地消除了原始GF-1时间序列中存在的广泛数据缺口，生成了空间连续的反照率地图。然而，DC-OPS的结果在整个年度周期（从DOY 10到360）中显示出明显更优的视觉质量。虽然在观测稀疏期间HANTS倾向于产生过度平滑的空间模式，可能会模糊细尺度的景观特征，但DC-OPS通过利用参考图像的结构信息保持了清晰锐利的空间纹理。此外，DC-OPS捕捉到的季节性变化——如早春的快速融雪和秋季的植被衰老——与实际表面动态更为一致。结合图8和图9的定量证据，这些视觉结果表明所提出的策略不仅提高了数值准确性，还确保了高分辨率反照率产品的时空完整性。

总之，比较分析强调，传统的基于插值的方法（HANTS和NSPI）受到细分辨率观测密度的严重限制，常常无法捕捉到瞬态表面现象。通过将粗分辨率MODIS的先验信息与纹理约束融合方法相结合，DC-OPS成功克服了这些局限性。

4.3. 反照率重建结果和准确性评估
为了评估DC-OPS策略的实际适用性和区域稳健性，使用Huailai和青藏高原（TP）研究区域的实地测量数据进行了全面验证。图11总结了整体性能，详细的站点特定和土地覆盖特定验证结果见图S3和S4。

图11. Huailai（a-c）和TP（d-f）区域验证站点中DC-OPS重建的反照率与实地测量结果的比较。(a, d) 总体数据点，(b, e) 仅重建的点，以及(c, f) 原始GF-1 WFV反照率。

在Huailai区域（图11a-c），DC-OPS实现了高整体准确性，RMSE为0.0282，MAPE为12.79%。值得注意的是，重建点的准确性（RMSE = 0.0284，N = 1103）与原始GF-1观测结果（RMSE = 0.0249，N = 67）非常接近。如详细的土地覆盖评估（图S3）进一步所示，这些结果之间的最小差异表明DC-OPS通过有效利用多源数据的时空约束成功捕捉了细尺度反照率变化。

在TP区域（图11d-f）也观察到了类似的稳健性趋势，尽管数据极度稀缺（原始GF-1的N = 216），该方法仍保持了可靠的总体RMSE为0.0377。4354个重建点的准确性（RMSE = 0.0379，MAPE = 13.02%）与原始观测结果（RMSE = 0.0325）保持稳定。然而，图S4中的个别站点验证显示了性能差异；例如，2016年的MAWORS站点的RMSE较高，为0.0568，有几个散点显著偏离1:1线。这些具体差异主要是由于在同时观测缺口期间难以捕捉到高反照率值所致。尽管TP的绝对误差略高于Huailai——由于地形复杂和大气条件极端——但两个区域的整体一致性验证了纹理约束融合策略在多样化景观中的稳健性。

图12. （a）Huailai和（b）TP区域典型验证站点的每日反照率时间序列比较。

为了进一步研究输入数据密度和景观异质性的影响，图12展示了与实地测量和MODIS相关数据整合的每日反照率时间序列。在Huailai区域（图12a），重建的GF样反照率与HANTS拟合的MODIS趋势和实地观测高度一致，有效代表了积雪和融化的季节性轨迹。这种一致性和时间连续性在Huailai的九个验证站点中得到了一致保持（图S5），特别是在树木和高粱等相对均匀覆盖的区域。

然而，在异质区域（如Bg覆盖区域[图S3和S5]）观察到某些差异。在生长高峰和衰老期（DOY 200–300），植被到裸土的快速转变会导致反照率的显著波动。虽然DC-OPS利用无缝MODIS图像恢复了缺失的数据，但MODIS的粗空间分辨率使其难以捕捉到具有碎片化和复杂土地覆盖区域的细尺度变化。此外，如图MAWORS站点（图12b和图S4）所示，当GF-1和MODIS同时缺乏有效观测时，重建性能受到限制。由于DC-OPS是一个数据驱动的框架，在缺乏客观卫星证据的情况下，它保持了保守的估计。

总之，跨不同生态区和不同数据密度的验证结果证明了DC-OPS策略的强大实际潜力。通过成功填补广泛的观测缺口，同时保持高数值和物理一致性，所提出的方法为生成无缝的高分辨率每日反照率产品提供了稳健的解决方案。尽管在极端云覆盖下捕捉高度异质景观的突然变化仍存在挑战，但算法的整体稳定性证实了其适用于大规模和长期土地表面监测。

5. 结论
准确绘制和监测时间连续的细尺度土地表面反照率数据对于观察土地表面辐射能量平衡和量化驱动自然动态的物理过程至关重要。在这项研究中，我们提出了一种新的时空重建策略，该策略结合了时间接近性和配对图像的纹理相似性，以确保指导FSDAF算法的最佳时空信息，称为双重约束最优图像匹配策略（DC-OPS）。该方法利用MODIS和GF-1反照率图像重建无缝的每日16米反照率数据。我们评估了这种重建策略的可行性，并验证了结果的准确性。

我们的发现表明，在目标重建日期前后选择RMSE最低的五对图像中的图像对作为参考图像对，可以提高最终重建结果的准确性，并确保表面特征的更真实和详细的纹理表示。时间间隔的分析表明，最佳参考对通常在短时间内被识别出来，这有助于保持参考日期和目标日期之间表面特征的相似性。在这种重建策略下，不同土地覆盖类型和研究区域的RMSE趋势保持一致，显示出对各种土地覆盖类型的良好适应性，并为细尺度反照率重建提供了稳健的框架。

此外，与原始GF-1图像和实地测量相比，重建的反照率结果显示出高准确性。对于Huailai区域的26幅重建反照率图像，RMSE为0.0304，偏差为0.0143，MAPE为7.48%。对于不同的土地覆盖类型，城市区域的RMSE为0.0127，水体区域的RMSE为0.0035，显示出良好的重建准确性。与实地测量相比，整体RMSE为0.0282，显示出强烈的准确性，并有效捕捉了季节性反照率变化。比较分析表明，DC-OPS在捕捉快速变化（如降雪）方面优于传统方法，如HANTS和NSPI。虽然HANTS受到其平滑效果的限制，且在有效原始观测稀缺时经常低估峰值反照率，但DC-OPS保持了更好的一致性。此外，在TP区域的应用证实了该方法的适用性，即使在数据极度稀缺的情况下也保持了可靠的RMSE为0.0377。这表明所提出的方法适用于不同区域的大规模应用。

然而，反照率重建的质量也受到GF-1反照率图像可用性的影响。当原始图像稀缺时，所提出的DC-OPS可能会受到影响。此外，MODIS反照率像素的粗空间分辨率可能无法完全捕捉复杂混合土地覆盖类型的细尺度变化。在GF-1反照率图像较为稀疏的情况下，重建结果可能能够反映整体反照率趋势，但难以准确捕捉这些复杂区域内的快速反照率变化。在未来的工作中，我们将利用FSDAF和其他时空融合算法的优势，通过整合更全面的统计先验信息，进一步提高具有高度复杂地表覆盖和快速反照率变化区域的重建精度。

**补充材料：**
- Appendix_for_review.docx
- 下载MS Word文件（12.5 MB）

**数据可用性声明：**
本研究所需的数据集可在Zenodo平台上获取，网址为：https://zenodo.org/records/15631465，DOI: 10.5281/zenodo.15631465。分析中使用的以下资源属于公共领域：
- NASA LP DAAC提供的MCD43A3数据，可通过Google Earth Engine访问：https://earthengine.google.com/，DOI: 10.5067/MODIS/MCD43A3.061
- Esri提供的Sentinel-2 LULC数据，可通过https://livingatlas.arcgis.com/landcoverexplorer/访问，DOI: 10.1109/IGARSS47720.2021.9553499
- 青藏高原的实地数据，可通过Science Data Bank访问：https://doi.org/10.11922/sciencedb.00103，DOI: 10.11922/sciencedb.00103

支持本研究结论的怀来地区实地数据，可向相应作者提出合理请求后获取。

**本文的补充数据：**
可访问地址：https://doi.org/10.1080/17538947.2026.2639748