《Global and Planetary Change》：A global fitting and local refinement approach for reliable NDVI reconstruction in persistently cloudy mountain regions
编辑推荐：
多云山区NDVI重建方法及植被动态监测研究。本研究提出GFLR方法，通过全球拟合建立长期物候基线，结合局部优化捕捉当前植被动态，显著提升多云山区NDVI重建精度（R2≥0.85，RMSE≤0.05），尤其在坡向差异（R2=0.94）和海拔依赖植被模式（R2=0.97）方面表现优异。该方法有效克服传统时空融合与插值方法的局限性，为复杂地形区植被监测提供可靠数据支撑。
马杜娟|尹高飞|陈瑞|谢江柳|杨亚杰|吴晓丹|张国东|赵伟|徐宝东|谢巧云|阿德里亚·德斯卡尔斯|亚历山德雷·维尔热|伊奥兰达·菲莱拉|何塞普·佩纽埃拉斯
中国西南交通大学地球科学与工程学院，成都610031
摘要
山区拥有复杂的微气候，这为丰富的植被多样性提供了基础，因此植被监测对于生物多样性保护至关重要。高分辨率的归一化植被指数（NDVI）对于追踪这些动态变化至关重要，然而在多云山区，由于持续的云层覆盖和空间异质性，NDVI的重建受到了限制。我们在Google Earth Engine上开发了一种全球拟合与局部精细化（GFLR）方法来重建Landsat NDVI数据。GFLR方法利用近40年的像素级NDVI数据建立物候基线，并通过3年的观测窗口进行精细化处理，以捕捉当前的植被动态。与其他常用的重建方法相比，GFLR取得了更高的准确性（R2 ≥ 0.85，RMSE ≤ 0.05，偏差 ≤ 0.02），并且在不同的云层覆盖频率（COF）和地形复杂性条件下依然表现稳健。此外，GFLR在捕捉由地形驱动的细尺度空间异质性方面最为有效，特别是在表示朝向差异（R2 = 0.94，RMSE = 0.02，偏差 < 0.01）和海拔依赖的植被模式（R2 = 0.97，RMSE = 0.06，偏差 ≤ 0.01）方面表现出色。因此，基于GFLR的NDVI产品为研究多云山区的植被动态提供了可靠且稳健的数据集。
引言
山区约占地球陆地表面的24%（Kapos等人，2000年；Bian等人，2020年），其地形具有高度异质性。这种地形复杂性调节了入射辐射（Yan等人，2016年；Del-Toro-Guerrero等人，2019年；Kumari等人，2020年）、温度梯度（Maclean和Klings，2021年；Vitasse等人，2018年）以及水分分布（Gnann等人，2025年；El Kateb等人，2013年），从而形成了与区域气候分离的独特微气候（Hagedorn等人，2019年）。这些微气候在气候变化下起到了动态避难所的作用，并维持了较高的生物多样性水平。在温暖和干旱的地区，朝向极地的斜坡提供了更凉爽和湿润的条件，有助于抵御热应力和干旱（Gaofei等人，2023b）。山区的垂直温度梯度使得物种能够随着气候变暖而改变其分布范围（Chen I，2011年）。此外，如漏斗形山谷这样的保水地形有助于在干旱期间稳定植被生长（Hagedorn等人，2019年）。然而，随着气候变暖的加剧，这些避难所的能力和稳定性可能会发生变化（Gunderson，2023年），因此理解地形如何影响植被分布和动态对于有效的保护规划变得越来越重要。以往研究地形对植被生长影响的研究主要依赖于实地观察或高分辨率遥感数据（Barbosa等人，2006年；Lawley等人，2016年；Kumari等人，2020年；Ma等人，2024a，Ma等人，2024b）。虽然实地观察提供了详细的信息，但其数量有限，限制了空间表示能力，导致对地形影响植被的理解存在不一致性。例如，Yang等人（2020年）发现朝向极地的斜坡上植被覆盖度更高，而Zhou等人（2019年）在同一地区得出了相反的结论。这些局限性可以通过使用基于高分辨率遥感的植被指数（VI）来部分解决，这些指数能够提供一致的空间和时间信息，用于检测植被动态（van Dijke等人，2019年；Becerril-Pina等人，2015年）。其中，归一化植被指数（NDVI）对云影、地形变化和光照效应具有很强的鲁棒性（Huete等人，2002年；Gaofei等人，2023b；Ma等人，2024a，Ma等人，2024b），使其适合评估地形对植被动态的影响（Kumari等人，2020年；Gaofei等人，2023b；Gao等人，2019年）。然而，像Landsat提供的高分辨率NDVI数据集通常会因云层覆盖而存在大量数据缺失（Zhu等人，2016年）。为了缓解这些限制，以往的研究使用了年度最大NDVI或多年度最大NDVI来表征植被状况。例如，Gaofei等人（2023b）利用年度最大NDVI分析了不同朝向斜坡上的植被差异，发现朝向极地的斜坡上的植被在干旱和温暖地区受益更多。此外，Choler等人（2025）使用多年最大NDVI数据（2011-2022年）研究了朝向对植被的影响，发现朝向极地的斜坡比朝向赤道的斜坡具有更高的绿色度。然而，在持续多云的地区，使用年度最大NDVI可能会导致虚假的最大值，因为生长高峰期的无云观测数据可能无法获得。此外，将NDVI数据聚合在较长时间内可能会掩盖植被动态的长期趋势。因此，具有更好时间稳定性和空间完整性的NDVI数据集对于监测植被动态至关重要。
为了提高Landsat衍生NDVI的空间时间连续性，通常采用空间时间融合和时间插值方法（Chen等人，2021年）。空间时间融合旨在通过整合Landsat图像的精细空间细节和MODIS观测的高时间频率来重建连续且高分辨率的NDVI时间序列。早期的空间时间融合方法如STARFM（Gao等人，2006年）、ESTARFM（Zhu等人，2010年）和FSDAF（Zhu等人，2016年）通过使用相同或接近时间拍摄的无云图像对来整合Landsat和MODIS的NDVI数据。尽管这些方法提高了数据的可用性，但它们对图像对的依赖性限制了它们有效捕捉植被动态的能力（Zhu等人，2010年；Liu等人，2019年）。为了克服这一限制，开发了如IFSDAF和STAIR等先进方法，通过整合多时相图像来改善动态特征的表示（Liu等人，2019年；Luo等人，2018年）。然而，这些方法的高计算成本限制了它们的广泛应用（Chen等人，2021年）。Chen等人（2021年）提出的间隙填充和Savitzky–Golay滤波（GFSG）方法有效解决了这一限制。时间插值利用观测的时间连续性来估计缺失或受污染的值（Pouliot和Latifovic，2018年；Li等人，2021年）。传统的线性回归模型等时间插值方法已在森林监测和农业活动跟踪等生态研究中得到广泛应用（Kennedy等人，2010年；Schmidt等人，2016年）。为了更好地捕捉植被生长动态，研究人员开发了先进的拟合方法来表征植被物候模式，包括逻辑回归模型（Kovalskyy等人，2012年；Melaas等人，2013年）、线性谐波分析（Brooks等人，2012年）和非线性谐波近似（Carrao等人，2009年）。然而，这些方法严重依赖于观测数据的连续性，并且容易受到长时间缺失的影响。为了克服这一限制，已经开发了充分利用产品本身内在空间和时间连续性的方法。例如，Yan和Roy（2020年）提出了FF方法，该方法首先识别光谱相似的像素进行空间填充，然后再进行时间拟合。同样，STSG（Cao等人，2018年）和ST-Tensor（Dong等人，2021年）框架利用数据内的内在空间时间一致性，在一定程度上提高了重建性能。尽管有这些进展，但在持续多云的山区，空间时间融合和时间插值方法仍面临重大挑战。依赖于低分辨率NDVI先验的空间时间融合方法本质上会继承尺度引起的平滑效应，经常无法解析由地形驱动的细尺度变化（Ma等人，2023年）。时间插值可能会遇到超过插值窗口的间隙，需要外推，从而导致误差随间隙长度非线性增长，可能错误地表示植被动态（Yan和Roy，2020年）。尽管这些改进的方法在时间插值之前结合了空间信息来填充数据间隙，但在多云山区，由于可用于填充的空间信息非常有限，其性能仍然有限。另一种策略是为每个像素建立标准的物候曲线，并根据可用观测数据进行调整（Verger等人，2013年；Verger等人，2023年）。虽然这种方法可以解决多云地区的NDVI重建问题，但在持续多云的山区其适用性仍需进一步探索。
研究区域
横断山脉位于青藏高原东南部，经度范围为96°E-104.5°E，纬度范围为25°N-34°N。该地区地形极其复杂，海拔变化剧烈，使其成为全球地貌最异质的地区之一（图1a）。该地区经常出现云层覆盖和降水，受季风气候和地形抬升效应的影响。过去40年的Landsat数据显示，该地区近一半的区域Landsat NDVI
Landsat Collection 2二级表面反射率（L2SR）数据集来源于Landsat 5专题制图仪（TM）、Landsat 7增强型专题制图仪Plus（ETM+）、Landsat 8操作陆地成像仪（OLI）和Landsat 9操作陆地成像仪-2（OLI-2），是由美国地质调查局（USGS）和国家航空航天局（NASA）联合发布的科学验证的遥感数据集。该数据集是通过一系列处理从原始Landsat图像中提取的重建NDVI的定量准确性评估
根据两个研究区域NDVI的空间分布（图6a-d；图7a-d），GFLR与参考NDVI的相似度最高，而GFSG和FF在NDVI较高的区域引入了明显的低值噪声（图6c，d；图7c，d）。此外，如两个研究区域的放大视图所示（图6c1-d1，图7c1-d1），GFSG和FF难以有效反映地形驱动的植被差异。为了量化这些差异，我们生成了密度重建方法比较
本研究将GFLR方法的准确性与其他两种代表性的NDVI重建方法进行了比较：空间时间融合方法GFSG和时间插值方法FF。结果表明，GFLR的重建准确性高于GFSG和FF。相比之下，GFSG和FF在NDVI较高的区域倾向于引入低值异常，并且在某些情况下无法准确捕捉植被的空间分布模式。结论
在这项研究中，我们开发了一种全球拟合与局部精细化（GFLR）方法，专门用于持续多云山区的Landsat基NDVI产品重建。该方法通过使用线性谐波模型拟合近40年的Landsat观测数据来构建长期物候曲线，并在定义的时间窗口内使用可用观测数据进行迭代细化，从而提高与实际情况的一致性
CRediT作者贡献声明
马杜娟：撰写——原始草稿，可视化，验证，方法论，数据管理，概念化。尹高飞：调查，数据管理。陈瑞：撰写——审阅与编辑，验证。谢江柳：验证，方法论。杨亚杰：验证。吴晓丹：监督。张国东：方法论。赵伟：验证。徐宝东：监督。谢巧云：撰写——审阅与编辑。阿德里亚·德斯卡尔斯：验证，概念化。亚历山德雷·维尔热：方法论。伊奥兰达未引用的参考文献
La Iglesia等人，2023年Xu等人，2015年
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。致谢
本研究得到了国家自然科学基金（资助编号42271323）、国家重点研发计划（资助编号2023YFF1303602）、科学技术基础资源调查计划（资助编号2022FY100204）和国家自然科学基金（资助编号42401396）的支持。
