STReF-NDVI：持续云覆盖条件下NDVI时间序列重建的时空SAR-光学融合框架

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：STReF-NDVI: A spatio-temporal SAR-optical fusion framework for NDVI time series reconstruction under persistent cloud cover

　　

**• 提出了一种在持续云层覆盖下进行NDVI时间序列恢复的框架。**
**• 信息融合：将SAR后向散射与时间序列的光学观测相结合。**
**• 设计了一种掩膜感知监督策略以减少标签噪声。**
**• 在异质性热带景观中展示了稳健的NDVI恢复能力。**

**引言**

全球气候变化和人类活动改变了陆地生态系统的结构与功能[1,2,3]。湿地和热带森林等脆弱地区面临着生物多样性加速丧失、水文循环中断和碳储存能力减弱等问题[4]。这些生态系统是全球碳循环的组成部分，并在多个尺度上缓冲气候变化[5]。植被作为最敏感的生态系统组分，不仅反映了环境扰动[6]，还介导碳-水-能量通量，并调节碳汇功能[7]。因此，长期监测植被动态对于评估生态系统响应至关重要[8]。然而，在热带地区，由于气候变率和持续云层覆盖导致连续观测中断，这一任务尤为困难[9]。

自Tucker（1979年）提出NDVI以来，它已成为生态系统监测和气候研究的关键指标[10]。NDVI的应用范围从作物产量估算到生物量评估。Sentinel-2多光谱图像具有10米空间分辨率和较短的重访周期，是获取精细NDVI时间序列的主要数据来源[11]。然而，被动光学传感容易受到云层和阴影的影响，导致NDVI轨迹中出现频繁的缺失和异常值[12]。在湿润的热带季风地区，这些缺失往往是长时段且不规律的，从数周到数月不等。因此，尽管名义上重访周期为5天，Sentinel-2经常连续数周甚至数月无法获取有效观测，导致有效地表观测之间存在长时间间隔[13]。这种缺失性使得NDVI恢复极具挑战性，因为当直接光学监督数据稀疏或被污染时，必须恢复时间上合理的轨迹和精细尺度空间结构。

先前的研究试图利用时间冗余性和传感器之间的互补信息，从部分观测的光学图像中重建NDVI时间序列[14,15,16]。现有的NDVI缺失填补方案涵盖经典插值和曲线拟合、机器学习和深度学习重建，以及在光学记录不完整时引入SAR观测的SAR-光学融合方法[17,18,19,20]。当无云光学获取频率足够高以约束季节相位和振幅时，这些方法可以改进时间序列的连续性。然而，当云层导致的缺失变得长时段且不规律，且景观高度异质时，由于光学监督变得稀疏且间歇性不可靠，重建质量往往会下降，同时必须在时间约束减弱的情况下保持空间结构[21]。从信息融合的角度来看，持续云层下的NDVI重建是在缺失和污染观测条件下的恢复问题，其目标是在保持时间上合理的轨迹的同时保留精细尺度空间结构[22]。SAR-光学融合利用了SAR观测对云层不敏感的特性[23]，但在湿润热带环境中的稳健部署仍受到几个反复出现的问题的制约，具体包括以下方面[24]：

**静态SAR特征规范**：许多现有融合框架采用启发式且预先确定的SAR特征组合，并在不同场景和季节中应用相同的输入配置[23,24]。这种僵化的设计忽略了在不同散射机制、湿度状态和土地覆盖组成下，SAR特征与光学植被信号之间互信息的动态变化。因此，一些特征可能变得冗余并注入噪声，而携带关键结构信息的其他特征可能被排除，限制了在不同异质性条件下重建精度和可迁移性。

**地理空间非平稳性与边界保真度**：许多融合架构在相对均质的景观（如农田或草地）中验证[27]，这回避了在碎片化、镶嵌式环境中保持尖锐空间梯度和精细纹理这一根本挑战。在高度异质的热带景观中，混合像元和突然的土地覆盖转换占主导地位，无法处理非线性空间权重会导致空间退化与边界模糊。因此，这些模型向复杂景观的可扩展性在很大程度上仍未得到验证。

**稀疏监督下的时间失同步**：当持续的数周到数月间隙与快速物候转换以及残余云影或阴影污染同时出现时，可用的光学监督过于稀疏，无法在微波散射和光学反射率之间维持稳定的跨模态对齐[21]。在这种条件下，融合模型更容易出现相位漂移和时间过度平滑，削弱其捕捉快速植被变化的能力，导致时间上不连续的NDVI轨迹。

在湿润热带和季风气候下，持续云层覆盖通常使得无云光学监督在数周甚至数月内零星出现，因此NDVI重建反复在弱时间锚定条件下进行。Selangor的多年Sentinel-2获取统计（图1(a)）说明了这一状态，其中月度场景级云量分数经常超过60%，云覆盖率≥50%的场景占据相当大比例。在此背景下，固定的SAR特征配置在异质性景观中往往无法保持一致的信息量，在相对均质类别上验证的模型向镶嵌土地覆盖设置迁移时效果往往较差[28]，图1(b)中跨子区域的单日期比较显示，复制的当前最佳方法在高云条件下无法可靠地恢复精细尺度纹理和边界细节。

为解决这些挑战，我们提出了STReF-NDVI，一种在持续云层覆盖下进行10米NDVI的时空重建框架。基于上述考虑，STReF-NDVI从信息融合角度被构建为一种SAR-光学框架，用于在缺失和污染光学观测条件下进行NDVI时间序列恢复。SAR衍生特征作为对云层不敏感的结构输入，而Sentinel-2提供稀疏的光学监督，云、水和降雨信息约束跨模态学习的可靠性。多模态样本构建遵循配对策略，将SAR序列与对称±7天窗口内最近的合格光学NDVI对齐。光学合格性通过场景级云量分数和同日降雨进行筛选。该筛选减少了残余云、阴影和水的污染，使得在晴空观测稀疏时监督更具一致性。在建模方面，STReF-NDVI将块级空间编码与序列建模和全局交互相结合，以便在长时间间隙下更好地保留精细尺度纹理和边界细节[29]。训练进一步采用掩膜感知损失，不可靠日期获得较低权重，有效观测提供主要学习信号。STReF-NDVI不依赖固定的手工SAR特征组合，而是在相同的训练和验证工作流程中系统评估候选SAR特征组合。对于每种实验设置，候选组合在相同架构、训练协议和验证流程下进行训练和评估，从而以可重复的方式识别最合适的紧凑特征子集。该设计允许输入配置适应不同数据条件，同时保持整体框架不变。在相同评估协议下，与复制的当前最佳方法的对比实验表明，STReF-NDVI实现了最强的整体重建性能。

本文的主要贡献总结如下：

**• 开发了一种名为STReF-NDVI的稳健时空SAR-光学融合框架**，用于在持续云层覆盖下进行10米NDVI重建。通过将块级空间编码与序列建模和全局时空聚合相结合，该框架在高度异质性景观中保留精细尺度纹理和边界保真度，同时在数周光学数据间隙期间保持时间连续性。

**• 针对热带地区稀疏且不确定的光学监督问题**，引入了一种具有多级筛选的噪声弹性监督策略。该策略结合SAR主导的时间配对、基于场景级云量分数、云影掩膜和水掩膜的光学合格性筛选，以及基于降雨的SAR获取筛选，以提高稀疏光学监督的可靠性。结合质量感知损失加权，它减轻了残余云、阴影和水污染的影响，并改善了模型训练期间跨模态对齐的可靠性。

**• 将系统的SAR特征子集评估范式嵌入到统一的训练和验证工作流程中**，而非依赖静态、手工的SAR特征组合。该设计允许在不同的环境条件下以可重复的方式识别最合适的紧凑SAR特征子集，从而改善了在不同散射机制和土地覆盖组成下SAR输入配置的灵活性。在共同协议下的严格证据，结合消融分析和同一研究区域内的跨年SAR特征子集分析，证明STReF-NDVI持续改进了NDVI时间序列恢复，并在不同年度云量、降雨和光学观测条件下优于复制的当前最佳基线方法。

本文其余部分组织如下。第2节回顾相关工作。第3节介绍材料与方法。第4节报告实现细节、评估指标和实验结果。第6节总结全文。

---

**NDVI重建：持续云层与不确定监督下的相关工作**

持续云层下的NDVI重建是一个在缺失且有时受污染的观测条件下的恢复问题。主要目标是在有效光学观测稀疏的情况下恢复合理的时序变化，同时避免强烈的空间伪影。现有研究主要遵循三条路线。第一条路线使用插值和曲线拟合，包括线性、双线性、双三次插值、Savitzky-Golay滤波[18]，以及双对数拟合等周期模型。

---

**数据收集与预处理**

遵循数据驱动框架，本研究组装了多传感器数据集，整合Sentinel-1 SAR、Sentinel-2多光谱图像和CHIRPS日降雨数据，用于在持续云层覆盖下进行NDVI时间序列重建。数据集覆盖两个完整年份，即2020年和2024年，并统一到共同的10米网格以确保跨传感器一致性。数据来源和时间覆盖如表1所示。为建立可靠的光学重建目标，使用Sentinel-2进行……

---

**实验设计**

本研究构建的10米SAR-光学数据集为STReF-NDVI实验提供了数据基础。实验在两个年度数据集上进行，2020年和2024年分别代表拉尼娜年份和接近正常年份[53]。STReF-NDVI与五种基线方法进行了比较，包括CNN-RNN融合模型、TTSM、BRIOS、SenRVM和MCNN-Seq。所有基线均按照其已发表设置进行复现。为确保公平比较，STReF-NDVI与所有五种……

---

**结论**

在SAR观测的帮助下，湿润热带地区NDVI重建的挑战可以得到缓解。然而，SAR散射信号与光学植被响应之间存在显著差异，且SAR图像通常受斑点噪声影响，在变化的环境条件下特征相关性不稳定。此外，当前研究尚未完全解决异质性景观中静态SAR特征规范、地理空间非平稳性等问题。

---

**CRediT作者贡献声明**

Pengfei Jia：撰写——初稿、可视化、验证、软件、方法论、数据整理。
Qiqi Zhu：撰写——审阅与编辑、监督、方法论、概念化。
Zhi Zheng：可视化、验证、方法论。
Helmi Zulhaidi Mohd Shafri：可视化、验证。
Abdul Rashid Mohamed Shariff：验证、资源。
Qingfeng Guan：监督、调查。

Pengfei Jia | Qiqi Zhu | Zhi Zheng | Helmi Zulhaidi Mohd Shafri | Abdul Rashid Mohamed Shariff | Qingfeng Guan