Reconstructing winter wheat NDVI time series using Sentinel-1 radar data
Dmytro Koshkin · Антонина Панфилова
用Sentinel-1雷达数据与物候归一化时间重建冬小麦NDVI时序。
基于四个生长季的Sentinel-1 VV/VH、Q、RVI，用GAM重建NDV
GAM能重现冬小麦NDVI季节轨迹，随机缺测精度更高，连续光学缺测下仍保留季节动态。
可扩展到多区域多季验证，并探索SAR-光学融合在云雨频发区作物连续监测中的泛化能力。
方法有新意，用GAM结合物候归一化时间重建NDVI，但属单点小样本研究，影响限于细分遥感领域。
目的。本研究旨在评估在Sentinel-2光学覆盖不完整条件下，利用Sentinel-1雷达数据和物候归一化时间重建冬小麦归一化植被指数（NDVI）时间序列的准确性，并评价该方法在不同生长季间的稳健性。方法。研究使用米科拉伊夫国立农业大学教育、科学与实践中心三个试验小区连续四个生长季（2021—2025年）的数据。采用物候归一化时间建立跨生长季的共同时间尺度。以Sentinel-1 VV和VH后向散射系数、极化比Q和雷达植被指数（RVI）作为预测因子。Sentinel-1与Sentinel-2观测按最接近的物候时间进行匹配。采用广义加性模型（GAM）重建季节NDVI动态，并在两种情景下进行评估：随机剔除单个观测，以及模拟由持续云覆盖导致光学观测长期缺失的块状缺口验证。结果。NDVI与SAR预测因子之间的关系具有明显的相位依赖性。RVI和Q在春季返青期与NDVI的相关性最高，而VV的关系最弱。在两种验证情景下，模型均能再现NDVI的主要季节变化轨迹，包括秋季冠层发育、冬季下降、春季返青以及抽穗前后的最大值。随机剔除情景下的重建精度较高，块状缺口验证更具挑战性，但在连续光学缺测期间仍能保持季节NDVI动态。结论。在GAM中结合物候归一化时间与Sentinel-1 SAR预测因子，为Sentinel-2覆盖不完整条件下重建冬小麦NDVI提供了适宜基础。结果表明，Sentinel-1与Sentinel-2集成具有提高冬小麦监测NDVI时间序列时间连续性的潜力。后续研究应纳入更多生长季和农业气候区，并采用空间独立验证。