基于时空重建的云覆盖条件下水稻生长期卫星时序数据预测研究

针对热带地区持续云层干扰导致NDVI时间序列数据缺失的问题，本研究提出了一种结合时空填补和多步时序平滑的两阶段重建框架。该方法通过区间匹配策略有效处理了种植计划多样性，在模拟和真实Sentinel-2数据实验中均优于传统方法，使水稻生长期分类的F1分数提升达21%，为农业实时监测提供了可靠解决方案。

　　

在热带农业监测领域，持续云层覆盖如同一个顽固的"数据杀手"，尤其对依赖光学卫星的植被监测造成巨大困扰。印度尼西亚作为全球重要稻米产区，其潮湿热带气候使得超过40%的NDVI（归一化差异植被指数）观测数据因云层干扰而失效，在雨季高峰期甚至达到惊人的88%。这一难题严重制约了基于Sentinel-2等卫星数据的作物生长监测精度，而传统方法如Savitzky-Golay滤波和三次样条平滑在面对长时间数据缺失时表现乏力。更棘手的是，印尼的水稻种植具有多周期、非对称的特点，使得依赖固定季节模式的频率域方法同样难以奏效。

针对这些挑战，B. Suseno团队在《Smart Agricultural Technology》发表的研究提出了一种创新的两阶段时空重建框架。研究人员从印尼三个典型稻区（Indramayu、Garut和Pontianak）获取了2,460个田块的Sentinel-2 NDVI数据，结合BPS-Statistics Indonesia的ASF（区域抽样框架）地面调查数据，开发了融合时空模式匹配与渐进式时序平滑的解决方案。关键技术包括：1）基于CloudScore+的云污染检测与间隔划分；2）利用历史时序和空间邻近站点进行模式匹配的填补算法；3）加权三次样条的多步迭代平滑优化。通过模拟数据集验证后，该方法在真实场景中实现了对水稻五个生长阶段（营养生长期1/2、生殖生长期、收获期和土地准备期）的精准监测。

研究结果部分，3.1节的模拟实验显示，在随机和连续云覆盖场景下，新方法的RMSE（均方根误差）和MAE（平均绝对误差）均显著低于传统方法。特别是在50%连续云覆盖时，其RMSE比Savitzky-Golay低32%，展现出对长时数据缺失的强鲁棒性。3.2节的实际应用表明，重建后的NDVI曲线清晰反映了水稻物候特征：在Garut和Indramayu地区呈现典型的单峰形态，峰值对应Vegetative 2阶段（最大冠层密度）；而赤道附近的Pontianak则呈现持续高值，符合当地多熟制特点。

验证实验（3.2.2-3.2.5）通过随机森林分类器证实，重建数据将生长阶段分类的整体准确率从原始数据的0.618提升至0.673。其中Generative阶段的识别改善最为显著，F₁分数提高21%，Land Preparation阶段的精确度也提升19%。这主要归功于该方法能有效恢复云污染时段的关键物候转折点，而传统方法在长时间缺失时会产生系统性偏差。

讨论部分强调了该研究的三大创新：一是区间匹配策略突破了传统方法对完整时序或多年度数据的依赖；二是空间-时间双重约束保证了重建的生物学合理性；三是计算效率（单区域处理约11小时）使其具备业务化潜力。作者同时指出，未来结合SAR（合成孔径雷达）数据可能进一步提升在持续阴雨条件下的监测能力。这项研究不仅为热带农业监测提供了实用工具，其方法论框架也可扩展至其他植被指数（如EVI、SAVI）和作物类型，对全球粮食安全预警系统建设具有重要价值。