评估基于地球同步卫星的方法在极轨卫星观测中填补NDVI数据缺失的问题 Han-Sol Ryu Sung-Joo Yoon Jinyeong Kim Tae-Ho Kim

《Sensors》：Evaluating Geostationary Satellite-Based Approaches for NDVI Gap Filling in Polar-Orbiting Satellite Observations Han-Sol Ryu, Sung-Joo Yoon, Jinyeong Kim and Tae-Ho Kim

　　摘要 来自极轨卫星的归一化差异植被指数（NDVI）被广泛用于植被监测；然而，其时间连续性常常受到云层污染和固定重访周期的限制。为了解决这一限制，本研究探讨了利用地球静止卫星观测来增强Sentinel-2 NDVI在标准重访间隔下的空间完整性的可行性，通过云层间隙填充技术。本研究以地球静止海洋颜色成像仪II（GOCI-II）数据（250米分辨率）作为输入数据，而Sentinel-2多光谱仪器（MSI）NDVI（10米分辨率）作为参考数据集。为了实现跨传感器整合，开发了一个数据驱动的转换框架，将GOCI-II NDVI转换为类似MSI的NDVI，同时保持主要的空间变化模式，而不是追求严格的像素级超分辨率。转换后的NDVI通过空间比较和统计指标进行评估，包括相关系数、平均绝对误差、均方根误差（RMSE）、归一化RMSE和结构相似性指数。结果显示，地球静止卫星生成的NDVI能够捕捉到MSI NDVI中的广泛空间组织和场尺度变化。基于这种跨尺度一致性，云层间隙填充实验表明，时间上相邻的转换NDVI场景保持了一致的变化模式，支持它们互补使用以补偿云层导致的间隙。尽管由于较大的空间分辨率差异和亚像素异质性，对比度和幅度依赖性偏差仍然存在，但中等分辨率（80米）的敏感性分析表明，当分辨率差距减小时稳定性有所提高。总体而言，这些发现突显了整合地球静止卫星和极轨卫星观测以提高云层易发区域NDVI空间连续性的实际潜力。

1. 引言
归一化差异植被指数（NDVI）是遥感中常用的指标，用于量化植被状况，并已广泛应用于农业监测、作物产量估算和植被变化检测[1,2,3]。基于光学卫星图像的NDVI分析特别适用于捕捉区域尺度上的周期性植被动态[4]，同时像Sentinel-2和Landsat这样的免费可用中等分辨率极轨卫星常用于此目的。然而，基于极轨卫星的监测由于云层污染而固有地存在数据间隙，因为观测是在固定的时间间隔内获得的[5,6,7,8,9,10,11]。这些由云层引起的缺失像素往往会降低NDVI时间序列的时间连续性，使得对固定区域的连续监测变得困难，从而降低了基于时间序列的植被分析和变化检测的可靠性[12]。这种连续性对于地块级别的作物状况监测和田间管理及决策支持应用尤为重要[13,14]，在这些应用中需要持续跟踪植被状况的短期变化，以支持灌溉调度、肥料管理和作物胁迫评估[15,16,17]。
为了解决光学NDVI产品中的云层引起的间隙问题，先前的研究提出了多种基于不同数据假设和重建机制的间隙处理策略。一些研究通过多传感器SAR–光学融合直接进行重建，利用机器学习或翻译框架将穿透云层的SAR观测与光学数据结合，以恢复缺失的植被信息[18,19,20,21]。其他研究采用了时空插值和统计间隙填充方法，利用光学时间序列内的时间连续性和空间相关性来从相邻观测中重建缺失像素，而无需引入外部传感器输入[22,23,24]。基于复合技术的策略也广泛用于通过选择或聚合无云观测来减轻云层污染，从而在不进行显式像素级重建的情况下提高数据可用性[25,26]。此外，一些研究利用了跨传感器互补性和分辨率差异，通过整合具有不同空间或光谱特性的传感器信息来间接补偿缺失观测[27,28]。尽管这些方法在依赖辅助数据、时间假设和重建目标上有所不同，但它们共同强调了在NDVI间隙填充应用中平衡空间保真度、时间连续性和数据可用性的持续努力。然而，尽管这些方法在减轻缺失数据方面很有用，但它们仍然受到极轨卫星重访周期的根本限制，因此无法完全支持固定区域的连续或准实时监测。在这种情况下，地球静止卫星观测被建议作为克服基于极轨卫星监测固有局限性的潜在替代方案。地球静止卫星在短时间内可以对同一区域进行重复观测，由于云层位置随时间变化，一个观测时间被云层遮挡的像素在另一个时间可能是可见的。在东亚，2020年发射的GEO-KOMPSAT-2B（GK-2B）卫星搭载了地球静止海洋颜色成像仪II（GOCI-II），为包括中国、朝鲜半岛和日本在内的地区提供可见光和近红外波段的多光谱观测。GOCI-II以每小时一次的频率获取图像，能够捕捉到使用极轨传感器难以获得的密集时间观测数据[29,30]。尽管有这一优势，但由于其相对较粗的空间分辨率（约250米），GOCI-II与极轨卫星数据的整合用于陆地植被监测受到了限制。这一分辨率与Sentinel-2多光谱仪器（MSI）（10米）的分辨率有很大差异，对直接比较和间隙填充应用造成了显著限制。
为了使地球静止卫星观测能够帮助填补极轨NDVI场景的间隙，两个数据集之间的空间兼容性至关重要。由于GOCI-II和MSI的空间分辨率差异显著，需要先进行分辨率转换，才能将地球静止卫星NDVI投影到MSI网格上，以便进行有意义的整合。在这个意义上，转换步骤是为恢复受云层影响的NDVI观测中的空间连续性而实施的跨轨道数据融合的技术支持。
最近在基于深度学习的空间降尺技术方面的进展展示了将粗分辨率卫星图像转换为高分辨率产品的强大潜力。基于卷积神经网络的模型，包括U-Net架构，在保留大尺度模式的同时展现了有效的性能[31,32]。然而，大多数现有研究主要集中在改进降尺度算法本身上，而对地球静止卫星作为连续NDVI观测的参考监测数据的实际作用关注不足。特别是，高分辨率地球静止卫星NDVI产品作为极轨卫星NDVI间隙填充辅助输入的潜力尚未得到充分探索。
为了解决这一差距，本研究评估了使用更频繁获取但分辨率较低的地球静止GOCI-II NDVI观测来支持高分辨率MSI NDVI产品中的空间间隙填充的可行性，从而提高云层易发区域植被监测的空间完整性。在此框架中，分辨率转换被视为跨轨道整合的技术前提，而不是超分辨率目标。鉴于250米GOCI-II输入和10米MSI目标分辨率之间的显著空间尺度差异，目标不是重建亚像素的场尺度细节，而是评估是否可以在受云层影响条件下生成稳定且物理上一致的NDVI模式，以支持更完整的NDVI制图。相关的挑战已在先前研究中通过旨在提高卫星图像的空间保真度和物理可靠性的方法得到解决，包括基于物理传感器特性的空间分辨率增强和反射率校正[33,34]。其他研究则关注评估跨传感器的一致性和卫星平台之间的辐射度或光谱差异，包括光谱带调整、交叉校准以及来自多个传感器的植被指数的比较分析[35,36,37,38]。由于NDVI在大于单个地块的尺度上表现出空间自相关性和有组织的变异性，粗分辨率观测可以保留主要的植被结构，有助于在MSI网格上进行空间一致的间隙填充。
中国安徽省的农业区域因其频繁的云层覆盖和异质性种植模式而被选为研究区域，以在现实条件下评估所提框架的稳健性。本研究使用MSI NDVI作为主要数据，并应用从GOCI-II生成的类似MSI的NDVI来填充被云层遮挡的区域。为了确保对间隙填充性能的客观评估，在无云MSI场景上使用了模拟云层掩膜进行定量验证实验。此外，还设计了一个中等分辨率实验来检查尺度间隙大小对模型稳定性和转换性能的影响。具体而言，本研究首先评估10米分辨率下的转换性能，然后检查表面依赖的稳定性，定量验证NDVI间隙填充，最后分析尺度间隙大小与转换稳健性之间的关系。

2. 数据和研究区域
本研究使用GK-2B GOCI-II数据和Sentinel-2A/B MSI数据来训练和测试神经网络模型。
GK-2B卫星上的GOCI-II数据被用作模型生成的输入数据。GK-2B卫星于2020年2月18日（UTC）发射，GOCI-II传感器的常规操作始于2020年10月。GOCI-II观测12个光谱带，覆盖从380到865纳米的可见光到近红外波长范围，具有每小时一次的时间分辨率和250米的空间分辨率。在本研究中，使用了来自朝鲜半岛周围局部区域覆盖范围的第10号频道的二级（L2）地表反射率（SRL）数据。NDVI是从660纳米的第8波段和865纳米的第12波段得出的。GOCI-II L2 SRL数据由韩国水文和海洋机构的国家海洋卫星中心提供，并通过官方数据门户公开，数据可从2020年10月至今获取。
Sentinel-2 MSI数据被用作模型生成的目标输出。Sentinel-2A于2015年6月23日（UTC）发射，Sentinel-2B于2017年3月7日（UTC）发射。本研究联合使用了这两颗卫星的数据。每颗卫星的名义重访周期为10天，Sentinel-2A和Sentinel-2B的组合使用使得重访间隔约为5天。MSI传感器包含13个光谱带，覆盖从443到2190纳米的可见光到短波红外波长范围，空间分辨率分别为10米、20米和60米。在本研究中，使用了来自T51SLC瓦片的二级A（L2A）大气底部（BOA）地表反射率（SR）数据。NDVI是从665纳米的第4波段和842纳米的第8波段得出的，空间分辨率为10米。Sentinel-2 MSI L2A BOA SR数据通过欧洲空间局为欧洲联盟的哥白尼计划运营的Copernicus数据空间生态系统公开提供，数据可从2018年12月至今获取。
表1总结了本研究中用于NDVI计算的卫星传感器的气谱带、中心波长和空间分辨率。Sentinel-2指Sentinel-2A/B。
表1. 本研究中使用的GK-2B GOCI-II和Sentinel-2 MSI传感器的光谱带特性。本研究中使用的NDVI数据是根据上述特定传感器的观测结果计算得出的。NDVI是使用大约600纳米的可见光范围内的红色波段和大约800纳米的近红外波段组合计算得出的。NDVI的计算公式如下[39]：
???????????=??????????????????????????????????????????+????????????? (1)
其中?????表示每个传感器提供的地表反射率，????????和????????分别代表近红外和红色光谱带。表2总结了与主要土地覆盖类型相关联的代表性NDVI值[40]，这些值在先前的遥感研究中被常见报告。负值或接近零的NDVI值通常与水体相关，而低正值对应于裸露的土壤或稀疏植被表面。随着NDVI的增加，植被覆盖逐渐变得密集，较高的值表示中度到密集的植被条件。这些NDVI范围并非严格的分类阈值，而是作为解释本研究中NDVI分布的参考值。
研究区域选在中国中部的安徽省部分地区，该地区以广泛的农田覆盖和明显的季节性植被动态为特征。这些特点为分析NDVI变异性以及在一致的观测域内比较地球静止卫星和极轨卫星观测提供了有利条件。图1显示了研究区域的地理位置。图1b中的橙色边界代表用于中等分辨率实验的更广泛区域。黄色矩形表示用于10米分辨率分析和间隙填充评估的子区域。
图1. 研究区域概览：(a) 研究区域在东亚的位置，(b) 放大地图显示用于10米分辨率分析的子区域（黄色）和用于中等分辨率实验的更广泛区域（橙色）。背景图像由Esri World Imagery提供。方法
本研究采用了一种数据驱动的NDVI转换框架，将GOCI-II的NDVI转换为类似MSI的NDVI，以便评估基于地球静止卫星的NDVI填补方法。该框架旨在解决地球静止卫星和极轨卫星观测之间的空间不一致性问题，同时保持NDVI值的物理可解释性。如图2所示，首先将GOCI-II NDVI（输入）和MSI NDVI（目标）组织成配对数据集用于模型训练。在转换之前，两个数据集都经过归一化处理，以确保值范围的一致性。然后，归一化的GOCI-II NDVI通过基于U-net的条件生成对抗网络（cGAN）进行处理，该网络由生成器和鉴别器组成。生成器产生类似MSI的NDVI（模型输出），并与目标MSI NDVI进行比较，以估计相似性并更新模型参数。转换后，生成的NDVI被重新缩放到原始NDVI范围，以保持物理一致性。最终输出是转换后的GOCI-II NDVI，它随后被用作补充来源，以改善被云层污染的MSI NDVI场景的空间完整性。在本研究中，“转换”一词用于表示通过该框架在显著空间尺度差异下生成的NDVI，这反映了模式级的一致性，而不仅仅是严格意义上的像素级降采样到MSI分辨率。

图2. NDVI转换框架的工作流程。GOCI-II NDVI（输入）和Sentinel-2 MSI NDVI（目标）被组织成配对数据集用于模型训练。通过归一化、转换和重新缩放过程，从GOCI-II观测数据中生成转换后的NDVI。本研究中使用的数据集涵盖2023年1月至2025年12月的时期，包括完整的年度周期和相关的季节性植被变化。当GOCI-II和MSI的观测时间重叠时，选择配对的NDVI案例，并且仅保留MSI产品中提供的像素级质量标志表示云层覆盖率小于15%的场景。像素级云层掩蔽仅在场景选择过程中应用，而在模型训练过程中不应用。由于MSI的云层掩蔽定义为10米分辨率，直接将其转移到250米GOCI-II网格上将无法充分表示粗粒度像素内的部分云层污染。在显著分辨率差异下进行此类掩蔽可能会引入用于监督学习的配对输入-目标样本中的不一致性。采用这种场景级选择方法，共准备了57个配对的NDVI案例。其中49个案例用于模型开发，45个案例用于训练，4个案例用于内部验证，其余8个案例专门用于独立测试。对于每个选定的案例，GOCI-II和MSI NDVI数据被组织成1020 × 1020像素的二维数组，作为转换框架的输入-目标对。

在转换之前，250米GOCI-II NDVI数据使用基于地理坐标对齐的最近邻插值方法重新采样到10米MSI网格。该过程将每个粗粒度GOCI-II像素值分配给多个10米MSI网格单元，而不会引入额外的空间细节，从而确保数据集之间的空间一致性，同时保留原始信息。然后对NDVI值进行归一化，以确保数值一致性和稳定的处理过程。归一化基于物理NDVI范围，表示为：
??????????????=（???????????????????????????????）/（???????????????????????????????????）
（2）
其中?????????????表示给定传感器的第n个像素的原始NDVI值，?????????????????和?????????????????分别表示来自该传感器整个NDVI数据集的最小和最大NDVI值。这种归一化将NDVI值限制在0到1的范围内，同时保持它们的相对分布。

归一化的GOCI-II NDVI使用基于U-Net的cGAN转换为类似MSI的NDVI。选择U-Net作为其核心网络，是因为它在空间转换任务中的适用性以及其保持多尺度空间模式的能力。尽管之前的研究[41,42]关注的是不同的应用领域，但这两项研究都涉及到学习异构卫星观测之间的空间结构映射。在那项研究中，类似的U-Net框架在分层建模设置中表现出稳定的性能，这成为了本可行性研究采纳它的依据。仅保留了整体结构框架的概念，而模型参数和训练配置则针对NDVI转换任务进行了调整。本研究重点评估所提出的转换方法在技术上的可行性，使用单一的、一致的模型架构。

转换之后，将MSI等效的NDVI通过NDVI重新缩放转换为物理可解释的NDVI值。重新缩放过程使用以下公式进行：
???????????′??=??????????????′·（???????????????????????????????????）+?????????????????
（3）
其中???????????′??表示原始物理尺度上的重缩放NDVI值，??????????????′表示转换为MSI等效NDVI的归一化NDVI值。

除了主要目标分辨率实验（10米）之外，还进行了中等分辨率分析（80米），以检查空间分辨率差异对转换性能的影响。使用了上述相同的配对NDVI案例集，以确保时间覆盖范围和季节性变化的一致性。对于这项分析，空间范围扩展到图1中所示的更广泛区域（橙色边界），并将GOCI-II和MSI NDVI重新采样到80米网格进行转换。这种配置保持了相同的训练和测试案例，同时在一致的实验框架内隔离了分辨率差异的影响。

然后，将每个实验中的重新缩放NDVI与相应的参考MSI NDVI进行比较，以评估在各自目标分辨率下的转换一致性。为了定量评估NDVI转换框架的性能，通过将转换后的NDVI与参考MSI NDVI进行比较来进行像素级统计验证。使用了五个评估指标，包括皮尔逊相关系数（R）、平均绝对误差（MAE）、均方根误差（RMSE）、归一化RMSE（nRMSE）和结构相似性指数（SSIM）。R用于评估参考NDVI和转换后NDVI之间的线性相关性。MAE和RMSE用于量化NDVI转换误差的大小，由于误差的平方，RMSE对较大偏差更敏感。nRMSE允许在不同尺度上比较相对误差的大小。SSIM通过考虑亮度、对比度和空间结构来评估结构相似性，从而评估NDVI场中的空间模式的保持情况。SSIM使用11 × 11像素的滑动高斯窗口（σ = 1.5）计算得出，最终SSIM值是通过对所有有效窗口的平均值得出的。最佳性能表现为R和SSIM值接近1，而MAE、RMSE和nRMSE值接近0。四个统计指标的公式如下：
R=∑????=1（????????????????????????????????????????????????????????????????????????????????）·（?????????????????????????????????????????????????????????????????）/√∑????=1（?????????????????????????????????????????????????????????????????????????????）2
（4）
????????=1?????∑??=1∣?????????????????????????????????????????????????∣
（5）
???????????=√√ √ √ √?1?????∑??=1（?????????????????????????????????????????????????）2
（6）
??????????????=??????????????????????????????????????????????
（7）
???????????=(2????????????????????????????+??1)?(2?????????????????,????????+??2)(??2??????????????+??2????????+??2)
（8）
其中???????????????????????????表示第n个像素的转换后NDVI值，?????????????????????表示相应的参考MSI NDVI，??是用于评估的像素总数。?????????????????和?????????????????分别表示NDVI的理论最大和最小值（-1和1）。??和??分别表示每个NDVI数据集的均值和方差，????????????????,????????表示转换后NDVI和参考NDVI之间的协方差，??1和??2是为稳定SSIM计算引入的小常数。

4. 结果
4.1. 转换后的GOCI-II NDVI与参考MSI NDVI的比较
本节对从GOCI-II获得的转换后NDVI与10米空间分辨率的参考MSI NDVI进行了比较分析。该分析研究了地球静止卫星派生的NDVI在MSI网格上表示时保持空间结构和植被变化的程度。评估空间对应性和定量一致性，为后续的MSI NDVI填补应用做准备。

图3显示了2025年1月13日在研究区域获取的代表性案例中，来自不同传感器的NDVI与转换后的结果的空间比较。图3a显示了原始的GOCI-II NDVI，由于其粗空间分辨率，空间图案相对平滑。无法清晰地分辨出细尺度的土地地块边界和线性特征，这反映了GOCI-II NDVI的固有空间限制。当在MSI网格上表示时，转换后的NDVI（图3b）显示的空间图案与参考MSI NDVI（图3c）中观察到的更加一致。与原始GOCI-II NDVI相比，田块规模的变化和农业结构变得更加明显。转换不仅没有再现细尺度细节，还使得主要植被模式与MSI观测的空间框架对齐。转换后NDVI与MSI NDVI之间的差异图（图3d）显示了场景中分布的正面和负面偏差。偏差出现在地块边界以及农田内部，反映了空间分辨率差异和亚像素异质性的影响。这些偏差在空间上是有组织的，而不是随机分散的，表明转换在保持整体NDVI模式连续性的同时引入了局部差异。

图3. 2025年1月13日获取的案例的NDVI空间比较：(a) GOCI-II NDVI，(b) 转换后的NDVI，(c) 参考MSI NDVI，(d) 转换后NDVI与参考MSI NDVI的差异，以及(e) 绘制GOCI-II、转换后NDVI和参考MSI NDVI NDVI值分布的直方图。直方图比较（图3e）进一步说明了三个NDVI数据集的NDVI值分布。总体而言，转换后的NDVI更接近MSI NDVI的分布，特别是在主导的中等范围植被值方面。然而，在较低的NDVI范围内，MSI显示的像素比例更大，峰值位于略低的值，表明转换后的分布中没有完全表示低NDVI条件。尽管观察到了轻微的差异幅度，但整个场景级别的分布特征大体上仍然可比。场景级别的平均NDVI值分别为GOCI-II的0.233、转换后NDVI的0.374和MSI NDVI的0.375。相应的标准差分别为0.052、0.133和0.171。因此，转换后的NDVI与MSI平均值非常接近，同时表现出介于粗分辨率GOCI-II和参考MSI NDVI之间的中间变异性。

对于2025年1月13日获取的案例，转换后NDVI与参考MSI NDVI之间的统计比较得出的R值为0.589。MAE和RMSE值分别为0.108和0.142，nRMSE为0.071。SSIM值为0.494。这些值表明转换后NDVI与参考NDVI在像素级别上有中等程度的一致性，尽管在更细的空间尺度上仍存在差异。

图4显示了2025年3月19日获取的案例的NDVI空间比较。转换后的NDVI（图4b）相对于原始GOCI-II NDVI（图4a）显示出更大的空间区分度，并且与图4c中显示的参考MSI NDVI总体上一致。田块规模的变异性和主要的线性景观特征可以分辨出来，表明转换使主要NDVI模式与MSI中观察到的模式对齐。转换后NDVI与参考MSI NDVI之间的差异图（图4d）显示了场景中分布的空间结构化偏差。正负差异在田块规模上以聚集的形式出现，表明差异遵循有组织的空间模式，而不是随机的像素级噪声。虽然局部差异仍然明显，但没有明显的大规模系统偏差。总体而言，转换后的NDVI保持了MSI NDVI中的广泛空间组织，差异主要发生在更细的空间尺度上。转换后的NDVI与MSI平均值非常接近，并且相对于GOCI-II表现出显著增加的变异性，同时仍然低于MSI的离散度。对于2025年3月19日获取的数据，转换后的NDVI与参考MSI NDVI之间的比较结果显示R = 0.647，MAE = 0.116，RMSE = 0.157，nRMSE = 0.079，SSIM = 0.515。这些数值表明在像素级别上存在中等程度的一致性，但在更精细的空间尺度上仍存在差异。表3总结了八个独立测试案例的统计评估结果。在所有案例中，平均R值为0.511，MAE和RMSE分别为0.108和0.139。平均nRMSE为0.070，平均SSIM为0.514。这些结果表明在不同季节条件下，像素级别的一致性是稳定的，但在个别日期之间仍然存在变异。在大多数情况下，R值介于约0.47和0.65之间，而nRMSE保持在0.08以下，表明在整个测试集中的相对误差幅度是稳定的。2025年11月21日获取的数据显示出较低的相关性（R = 0.216），同时保持了中等程度的结构相似性（SSIM = 0.520）。在这一天，GOCI-II和MSI的观测值在整个场景中都呈现较低的NDVI。因此，这种情况被认为是输入观测中的低对比度条件，代表了特定数据的情况，而不是转换框架的结构限制。在测试案例中观察到的中等程度的一致性反映了原始分辨率的显著差异以及单阶段转换框架的特点。表3列出了转换后NDVI与MSI NDVI之间定量比较的统计指标。

为了进一步研究土地覆盖特征对转换行为的影响，对2025年3月19日的数据进行了专门针对植被区域的额外分析。植被区域是根据2025年的时间聚合MSI NDVI数据定义的，其中平均NDVI值≤0.25的像素被归类为非植被区域。比较结果如图5所示。图5a,b显示了仅在植被区域内的转换后NDVI和参考MSI NDVI，而图5c显示了排除非植被区域后的差异。与未遮罩的结果（图4）相比，去除非植被区域后空间偏差显得更加平衡。图5d中的直方图比较进一步说明了植被区域内的NDVI分布。转换后的NDVI分布更接近MSI NDVI，特别是在主导植被范围内。遮罩后，较低NDVI部分的分布显著减少，从而改善了转换后NDVI与参考NDVI之间的对齐。图5显示了2025年3月19日数据显示的植被区域（排除非植被区域）内的NDVI比较：(a) 转换后NDVI；(b) 参考MSI NDVI；(c) 转换后NDVI与MSI NDVI之间的差异；(d) GOCI-II NDVI、转换后NDVI和MSI NDVI分布的直方图比较；(e) 图(c)中显示的NDVI差异的直方图。图5e显示了植被区域内NDVI差异（转换后NDVI减去MSI NDVI）的直方图。分布略微向负值偏移，表明在植被区域内存在低估的趋势。大多数差异集中在中等范围内，极端偏差有限。这种负偏移也反映在图5d中的NDVI分布比较中，其中转换后NDVI在主导植被范围内的值略低于MSI NDVI。NDVI差异的直方图显示平均值为-0.036，标准差为0.126。负平均值表明转换后NDVI存在轻微的整体低估，而离散度反映了围绕零点的中等程度变化。

图6使用密度散点图展示了转换后NDVI与参考MSI NDVI之间的分布关系。图6a显示了整个研究区域的结果，而图6b展示了仅限于非植被区域的分布。在图6a中，转换后NDVI相对于MSI NDVI显示出与幅度相关的偏差。较低的NDVI值倾向于被略微高估，而较高的NDVI值则表现出低估的趋势。当分析限于非植被区域（图6b）时，低NDVI值的低估现象更加明显，表明这种行为主要与低NDVI表面有关。相比之下，在全区域比较中观察到的高NDVI值的低估仍然存在，并不能仅仅由非植被区域解释。这种模式反映了使用单阶段框架直接转换具有显著空间分辨率差异的NDVI时所面临的挑战，其中MSI捕捉到的细尺度高NDVI变化可能无法在转换结果中得到完全体现。

4.2. 应用转换后的GOCI-II NDVI进行MSI NDVI中的云隙填充
为了检验转换后的静止轨道NDVI在支持极轨卫星观测中的云隙填充方面的适用性，将转换后的NDVI应用于受到云污染影响的MSI NDVI场景，这些云污染是根据MSI产品中提供的云质量信息识别出来的[43]。图7展示了一个2025年5月28日02:55 UTC获取的示例，其中MSI NDVI中存在大量由云引起的数据间隙（图7a）。图7显示了2025年5月28日的NDVI间隙填充示例：(a) 02:55 UTC时被云遮挡的MSI NDVI；(b) 03:15 UTC时使用转换后NDVI填充的间隙；(c) 同时使用03:15 UTC和02:15 UTC的转换后NDVI填充的间隙；(d) 被云遮罩的MSI NDVI；(e) 03:15 UTC时被云遮罩的转换后NDVI；(f) 02:15 UTC时被云遮罩的转换后NDVI。红线表示用于NDVI比较的云引起的间隙内的横截面。首先，使用03:15 UTC获取的时间最近转换后的NDVI填充了缺失的区域，同时根据GOCI-II的云标志信息排除了受云污染的像素[44]。图7b显示了填充后的MSI NDVI。虽然大部分受云影响的区域得到了填充，但由于MSI和转换后NDVI场景之间的空间重叠不完整，仍有一些间隙存在。为了进一步减少剩余的间隙，使用了02:15 UTC获取的转换后NDVI进行了额外的间隙填充步骤，产生了图7c中的复合结果。与原始被云遮挡的MSI NDVI（图7a）相比，空间连续性得到了改善，云边界上的不连续性也减少了。图7d和图7f分别显示了02:55 UTC时被云遮罩的MSI NDVI和03:15 UTC及02:15 UTC时被云遮罩的转换后NDVI。总体而言，这个示例表明顺序使用时间相邻的转换后NDVI场景可以逐步减少云引起的间隙，并提高MSI NDVI的空间完整性。

为了进一步检验填充区域是否在相邻的采集时间保持一致的空间变化模式，进行了基于轮廓的比较。由于这项分析的重点是变化结构而非精确的像素级一致性，因此在应用z分数归一化后比较了转换后的NDVI轮廓。图7e,f中的红线表示位于02:55 UTC时MSI场景中云引起的间隙内的横截面，其中03:15的观测受到云污染的影响，而02:15的观测提供了有效的覆盖。图8展示了02:15和03:15 UTC时转换后NDVI沿此横截面的标准化NDVI轮廓。蓝色和橙色曲线分别对应两个采集时间。尽管观察到幅度上的差异，但两个时间沿像素序列的整体变化模式大致一致。在03:15的轮廓中，由于云效应的存在而出现了不连续性，而02:15的轮廓在同一区域内保持了连续的趋势。这种比较表明，时间相邻的转换后NDVI场景表现出可比的空间变化结构，并且可以互补地用于补偿MSI NDVI中的云引起的间隙。这种适用性在优先考虑田地尺度NDVI模式和空间完整性的情况下尤其相关，包括地块级别的作物状况评估和管理导向的农业监测。

4.3. 使用中等分辨率进行尺度间隙敏感性分析
为了研究空间尺度对转换行为的影响，进行了一个额外的转换实验，使用80米的中等空间分辨率。在这种设置中，MSI NDVI被聚合成80米，GOCI-II NDVI在模型构建前也被重新采样到相同的80米网格。为了在这个分辨率下获得足够的训练样本，分析域扩展到了图1b中显示的更广泛区域，并使用三分之一的重叠范围通过滑动窗口方法生成了300 × 300像素的图像块。图10展示了2025年3月19日获取的数据的中等分辨率（80米）转换结果，与图4和图5中分析的同一日期相对应。转换后的NDVI（图10a）和重新采样到80米的MSI NDVI（图10b）显示出相似的大尺度空间分布。差异图（图10c）显示空间组织上的偏差仍然存在；然而，这些偏差的幅度相对于直接的10米转换有所减小。图10d中的密度散点图更清楚地表明了这一行为。与10米情况（图4）相比，80米情况下的样本沿着1:1线更紧密地聚集。在较高NDVI范围内，点的分布更加集中，低估现象不如直接10米转换那么明显。尽管在低NDVI值处仍有轻微的高估，但总体离散度更为紧凑，表明在中等分辨率下转换后NDVI与参考NDVI之间的一致性得到了改善。图10显示了2025年3月19日案例在中等空间分辨率（80米）下的NDVI转换比较：(a) 转换后NDVI；(b) 参考MSI NDVI；(c) 转换后NDVI与MSI NDVI之间的差异；(d) 相应的密度散点图。这些结果表明，转换后NDVI捕捉到了MSI NDVI的主要空间变化结构，并可以作为补偿云引起的间隙的辅助信息。残余的幅度差异反映了在一个较大的空间分辨率差异上应用单阶段转换所关联的结构限制。这一观察结果激发了对尺度间隙效应的进一步研究，这在下一节通过中等分辨率敏感性分析进行了探讨。

5.讨论
本研究探讨了将静止轨道上的GOCI-II NDVI转换以支持极轨MSI NDVI数据间隙填充的可行性。结果表明，尽管两种传感器在空间分辨率上存在显著差异，转换后的NDVI在保持主要空间结构和相对植被变异性方面仍表现出一致性。在多个独立测试案例中观察到了适度但稳定的统计一致性，这表明在不同季节和地表条件下存在可复制的跨尺度对应关系。需要强调的是，本研究的目的是不是实现MSI NDVI的像素级超分辨率重建，而是作为一种技术手段，以建立异构卫星观测数据之间的空间兼容性。在这种背景下，适度的统计性能应考虑到250米与10米分辨率差距所固有的结构限制。在10米分辨率下捕获的细粒度变化如果未在低分辨率的静止轨道观测中得到明确体现，则无法完全恢复。因此，观察到的幅度依赖性偏差（例如低NDVI值时略微高估、高NDVI值时略微低估）反映了内在的跨尺度局限性，而不仅仅是模型本身的缺陷。这一结构限制还受到研究区域特征的影响：农业景观由相对较小且多样化的田地组成，通常涉及混合种植方式。在250米分辨率下，单个GOCI-II像素不可避免地合并了多种作物类型和物候阶段，放大了混合像素效应。在这种条件下，与10米MSI观测的完美像素级对应在物理上是无法实现的。因此，转换结果代表了在单一阶段技术跨越大分辨率差距时所能达到的跨尺度表示的上限。

中等分辨率实验进一步揭示了空间分辨率差异对转换稳定性的影响。当两个数据集在80米分辨率下进行协调处理时，密度散点图沿1:1线显示出了更好的集中趋势，并且与直接进行10米转换相比，幅度偏差有所减小。尽管仍然存在结构性偏差，但其幅度降低了。这表明尺度差距的大小对转换稳定性起着关键作用。随着分辨率差异的缩小，模型需要推断的子网格空间变化减少了，从而提高了NDVI幅度的表示一致性。重要的是，80米分辨率下的改进行为并不与本研究10米分辨率的目标相矛盾，反而表明逐步缩小分辨率差距可能为跨尺度NDVI转换提供更稳定的途径。在这种背景下，采用多阶段转换策略（通过中间空间分辨率逐步细化NDVI）可以在保持与静止轨道观测信息内容物理一致性的同时，减少由分辨率引起的偏差。这一可能性值得在未来的研究中进一步探讨。

从应用角度来看，这种转换的相关性应在更广泛的NDVI数据间隙填充目标背景下进行解读。间隙填充实验表明，时间相邻的转换NDVI场景能够逐步减少MSI观测中的云层引起的不连续性。基于剖面的分析进一步证实，即使在绝对幅度存在差异的情况下，时间相邻的静止轨道观测之间的空间变化模式仍然大体一致。在受云层影响的场景中，保持连贯的田尺度模式和空间连续性通常比严格的像素级一致性更为重要。在这种操作背景下，转换后的NDVI为改善多云条件下的MSI NDVI空间完整性提供了有意义的辅助信息。与仅依赖极轨卫星观测时间插值的传统NDVI间隙填充方法[45,46]相比，当前框架整合了来自静止轨道传感器的补充信息。通过跨尺度转换实现空间对齐，该方法将NDVI数据间隙填充的方法论范围扩展到了超出单一 revisit-cycle 限制的范围。虽然本研究聚焦于东亚地区的GOCI-II观测数据，但该框架在概念上可适用于其他静止轨道平台，具体取决于光谱兼容性和区域覆盖范围。

总体而言，研究结果既证实了使用静止轨道观测数据重建极轨NDVI的潜力，也指出了其结构上的局限性。虽然在大的单阶段分辨率差距下无法完全恢复细粒度的像素级信息，但可以实现有意义的空间组织和时间互补性。中等分辨率分析还表明，随着尺度差距的减小，转换的稳定性有所提高，这表明逐步的跨尺度细化可能增强稳定性。这些结果为利用静止轨道辅助进行NDVI间隙填充奠定了技术基础，并强调了跨轨道数据融合在提高高分辨率NDVI产品在农业监测中的空间完整性和操作可用性方面的潜力。

6. 结论
本研究探讨了利用静止轨道卫星观测数据支持极轨卫星数据NDVI转换的可行性，主要目标是利用静止轨道卫星数据作为补充来源，提高MSI NDVI观测在其标准 revisit interval 下的空间完整性。通过将GK-2B GOCI-II观测数据（250米）与Sentinel-2 MSI NDVI数据（10米）作为主要参考进行整合，结果表明，尽管存在固有的空间分辨率差异，静止轨道数据仍能有效再现固定区域内的广泛空间NDVI模式（10米分辨率）。本研究重点不在于精确的像素级转换，而是一个监测框架：高分辨率的极轨卫星数据提供空间细节，而静止轨道卫星观测数据则作为补充来源，用于减少云层引起的间隙并提高高分辨率NDVI场景的空间完整性。静止轨道卫星的高时间采样能力提供了额外的观测机会，可能在云层污染条件下辅助NDVI转换，从而扩展了MSI NDVI产品的实际可用性。尽管转换结果揭示了与较大空间分辨率差距相关的结构限制，分析还证实了主要NDVI空间结构和田尺度变异性在很大程度上得到了保留。此外，中等分辨率敏感性实验表明，随着分辨率差距的减小，转换稳定性得到提高，这表明逐步或多阶段的跨尺度细化可能为未来的改进提供更稳健的途径。总体而言，本研究建议将极轨和静止轨道卫星观测数据相结合，为提高多云地区高分辨率NDVI产品的空间完整性和操作可用性提供了一种实用且概念上一致的策略。所提出的框架为未来完善静止轨道-极轨集成NDVI转换及其在连续农业和区域植被监测中的应用奠定了基础。