高质量植被指数产品生产：NDVI时间序列重建技术综述

LI S, XU L, JING Y, et al. High-quality vegetation index product generation: a review of ndvi time series reconstruction techniques[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 105: 102640. DOI:10.1016/j.jag.2021.102640.

摘要

卫星遥感归一化植被指数（NDVI）已经广泛应用于遥感领域，然而由于大气扰动、云覆盖、传感器故障等原因，NDVI时间序列中存在大量噪声，因此，NDVI产品在使用前进行去噪非常有必要。在过去的几十年里已经提出了大量的技术方法来缓解这个问题，但是目前没有对此进行系统性的总结和分析各种NDVI时间序列重建技术的现状。因此本文对当前NDVI重建方法进行了概括，解释了各种方法的原理、优缺点。目前常用的NDVI重建方法主要有以下三类：

基于时间的方法
基于频率的方法
混合算法

介绍了NDVI重建质量评价方法，讨论了未来的发展趋势。

常见的NDVI卫星遥感数据产品

如下表所示，本表来自于论文原文，GIMMS NDVI目前已经发展到了V3版本，时间1981-2015，可以使用R语言gimms包获取，下面的链接有误。

GIMMS NDVI下载使用推荐阅读： R语言GIMMS NDVI数据下载与合成

Sensors	Products	Resolutions	Dates	Data Sources
MODIS Terra/Aqua	MOD13Q1	16-day, 250 m	1999～	https://ladsweb.modaps.eosdis.nasa.gov
	MOD13A1	16-day, 500 m
	MOD13A2	16-day, 1 km
	MOD13A3	Monthly, 1 km
	MOD13C1	16-day, 0.05 deg
	MOD13C2	Monthly, 0.05 deg
VIIRS	VNP13A1	16-day, 500 m	2011～	https://ladsweb.modaps.eosdis.nasa.gov
	VNP13A2	16-day, 1 km
	VNP13A3	Monthly, 1 km
	VNP13C1	16-day, 1 km
	VNP13C2	Monthly, 1 km
Landsat 5 TM	Landsat5 C1	16-day, 30 m	1984 ～ 2012	https://earthexplorer.usgs.gov
Landsat 7 ETM	Landsat7 C1	16-day, 30 m	1999～
Landsat 8 OLI	Landsat8 C1	16-day, 30 m	2013～
Sentinel-2	S2 L1C	5-day, 10 m	2015～	https://earthexplorer.usgs.gov/
NOAA-AVHRR	GVI	7-day, >=15 km	1982～	https://ladsweb.modaps.eosdis.nasa.gov
	GIMMS	15-day, 8 km	1981 ～ 2006	https://ecocast.arc.nasa.gov/data/pub/gimms
SPOT	VGT-S10	10-day, 1 km	1998～	https://earth.esa.int/eogateway

遥感影像重建方法

基于空间的方法

基于空间的方法是重建单幅遥感影像的最常用技术，基于临近像素的相关性，根据影像有效部分恢复丢失的部分像元。空间插值是典型代表，包括线性插值、双线性插值、克里金插值等，基于空间的方法对于少量丢失像元或简单纹理有较好的效果，但不适于时间序列重构。本文不过多讨论。

时间序列重构方法

根据重构方法原理可以主要分为三类：

基于时间的方法（最流行），又可以细分为四种：

时间插值替换
时间滤波
时间函数拟合
时间深度学习

基于频率的方法
混合方法

Category	Method	Advantage	Disadvantage	Scope
Temporal interpolation	MVC	Simplicity	Neglecting atmospheric interference	Data without long-term gaps
	IDR	Retaining the valid pixels	Overestimating during dormant period
	DA	Smoother temporal evolution	Poor performance at the onset of spring green
	BISE	Close to original time series	Bad for long-term decline trend
Temporal filters	SG	Reaching the upper envelope	Bad for peak growth and crop harvest	Long-term accumulated data
	MVI	Good with uniform spatial–temporal distribution	Bad for areas with high interannual changes
	MA	Retaining the seasonal peak of the curve	Changing the width and height of the curve
	CW	Maintaining the shape and amplitude of the curve	Remaining residual noises
Temporal function-fitting	AG	Extracting phenological parameters while smothing	Bad for very short growing seasons	Vegetation without suddenly explodes or perishes
	DL	Revealing the trend of NDVI time series	Remaining problematic with NDVI in winter
Temporal deep learning models	Deep-STEP_FE	Good performance with a very large dataset	High computational complexity	Nearly all data
Frequency-based methods	FFT	Smooth reconstructed curve	Poor performance for irregular time series	Vegetation without abruptly changes
	HANTS	Reduction of the amount of data	Over-parameterized
	WT	Preserving patterns of time series while smoothing	Reducing some reasonable high values
Hybrid methods	TSF	Restoring the seasonal trends	Restriction of QC data	Nearly all data
	SFA-MOM	Good performance in data deficient scenario	Restriction of LULC data
	STSG	Available for local low values during harvest	Bad for the data with high spatial resolution
	ST-tensor	Available for spatio-temporal continuous gaps	Restriction of RI data

重建数据质量评价

质量评价从定性和定量两方面进行评价。

定性评价

一种通过目视检查的主观评价，简单、直观，主要两种方式：

观察单个像元的时间序列曲线，判断是否符合该类植被物候
观察重建图像，通过影像清晰度、噪声残留程度、重建轨迹等来评估性能。

定量评价

本文以湖北神农架地区的2011-2020年平均值NDVI作为基准数据，使用相关系数(Correlation Coefficient, CC)和均方根误差（Root Mean Square Error, RMSE）来对重建后的结果进行质量评定。

STSG重建方法有着最大的CC和最小的RMSE，重建效果最好，根据模拟实验，混合方法在NDVI重建中表现较好，更稳健。

发展趋势

尽管目前已经提出了很多的NDVI重建技术，但仍有很多方面可以改进。未来的发展趋势包括：

加强时空信息的有效利用
多源数据融合应用
机器学习方法的应用
任务驱动，例如，植被分类、物候提取所需的NDVI产品特性不一样，根据任务需求选择适合的重建方法
算法和效率的平衡