Une étude publiée dans le Journal of Remote Sensing évalue l'exactitude de deux algorithmes de fusion de données spatio-temporelles, le modèle de fusion de réflectance adaptative spatiale et temporelle (STARFM) et la génération simultanée de séries temporelles d'indices de végétation par différence normalisée sur toute la longueur (SSFIT), pour extraire les dates phénologiques printanières à des échelles fines. Ces algorithmes visent à reconstruire des données de séries chronologiques haute résolution et sans nuages ​​pour améliorer la précision de détection du début de la saison de croissance (SOS) dans des paysages hétérogènes.

En utilisant les données harmonisées de Landsat Sentinel-2 (HLS) et du spectroradiomètre imageur à résolution moyenne (MODIS) pour une étude de simulation à Ogden, dans l'Utah, l'équipe de recherche a évalué les algorithmes STARFM et SSFIT par rapport aux méthodes d'interpolation traditionnelles pour reconstruire l'indice de végétation amélioré (EVI2) de haute qualité. ) des séries chronologiques pour identifier avec précision le SOS.

L'étude a démontré que ces algorithmes améliorent considérablement la précision des dates phénologiques, en particulier lorsque des images Landsat limitées et sans nuages ​​sont disponibles pendant les périodes de croissance cruciales.

La recherche a abordé les défis de la couverture nuageuse et de la capture d’images à haute résolution clairsemées, essentielles à la surveillance détaillée de la croissance de la végétation. En fusionnant des observations MODIS fréquentes avec des données HLS détaillées, quoique peu fréquentes, l'équipe a créé des images synthétisées et sans nuages ​​qui combinent une haute résolution avec des intervalles de capture réguliers.

Le professeur Xiaolin Zhu, l'auteur correspondant, souligne la nécessité de capturer avec précision les étapes phénologiques pour atténuer les risques écologiques et agricoles associés à la variabilité climatique. "Notre recherche vise à combler le fossé dans la surveillance phénologique en exploitant les atouts de l'imagerie satellite à résolution grossière et fine grâce à des techniques avancées de fusion de données."

Cette recherche met en évidence le rôle essentiel des techniques de fusion de données dans l'avancement de la surveillance de la phénologie de la surface terrestre en relevant les défis de la couverture nuageuse et des images satellite à faible résolution.

En améliorant la précision de la détection du stade de végétation, l’étude soutient l’amélioration des efforts de gestion environnementale et d’adaptation au climat. Il présente l'intégration des données satellitaires comme un progrès significatif dans la recherche phénologique et les applications pratiques.