《Remote Sensing of Environment 》一种通过将协调的 Landsat 8 和 Sentinel-2 观测与 PhenoCam 时间序列融合来生成无间隙时间序列的新算法——用于检测地表物候
植被物候对环境变化敏感，精细卫星数据（如HLS）用于地表物候（LSP）检测时存在观测间隙问题。本研究提出新算法，通过融合HLS与PhenoCam数据生成无间隙时间序列。方法为：构建PhenoCam站点植被生长模型库，匹配HLS像素的EVI2序列与库中最佳GCC形状，生成合成序列。结果表明，融合后LSP检测精度显著提升（R 0.82-0.97，MAD 2.8-3.5天），远优于HLS单独检测（R 0.57-0.78）。当HLS高质量观测<10%时，融合法优势超两周，且随观测质量提升误差指数级降低。该技术可生成高精度物候数据集，衔接近地表与卫星观测，并验证全球MODIS/VIIRS产品。
1.1 研究区
研究选取新英格兰（美国东北部佛蒙特州、新罕布什尔州、马萨诸塞州周边）和威斯康星-密歇根州（美国北部）作为算法开发区域。新英格兰地区具有显著季节性植被周期动态，而威斯康星-密歇根州在植被生长季多阴雨天气，频繁的云层和积雪对LSP检测构成挑战。两区域常被用于植被物候学研究。
图1 两个研究区域的位置：新英格兰有 2 个 HLS 切片（18TYN 和 19TCH） （a） 和威斯康星-密歇根州有 2 个 HLS 切片（15TYM 和 15TYL） （b）。还会显示位于 HLS 图块中的 PhenoCam 站点和图块大小一半的扩展，这些站点处于活动状态，并遵循标准化协议、维护和故障排除。
1.2 研究数据
HLS产品由NASA整合Landsat 8 OLI与Sentinel-2 MSI数据生成，经大气校正、云掩膜、BRDF归一化等处理形成无间隙30米地表反射率数据，含质量标识区分高低质量观测，实际时间分辨率2-3天。本研究采用v1.4版本，覆盖2019-2020年新英格兰（18TYN、19TCH）和威斯康星-密歇根（15TYM、15TYL）地区。PhenoCam网络自2008年起利用北美700余站点的近实时RGB影像（每30分钟）支持物候研究，本研究选取19个（新英格兰）和8个（威斯康星-密歇根）站点（图1）。NLCD基于Landsat数据提供30米分辨率的16类土地覆盖信息，每2-3年更新。统计显示两地均以木本湿地、混交林、落叶林为主（10-26.3%），新英格兰常绿林占15%（图2）。
图2 从 NLCD 2019 中提取的新英格兰 （a） 和威斯康星-密歇根 （b） 研究区域的土地覆被地图。该表显示了两个案例研究中土地覆被类型的图例和比例。颜色代码用于两个映射。
2.1. HLS 和 PhenoCam 数据的植被指数时间序列计算
2.1.1. HLS 植被指数时间序列
研究选用HLS双波段增强植被指数（EVI2）进行LSP检测，而非常用的NDVI。因NDVI对背景反射率敏感且在高植被覆盖区易饱和，而EVI2在物候时间提取上与原位PhenoCam观测高度一致，并已成功应用于MODIS、VIIRS及HLS的LSP产品生成。EVI2为无蓝波段传感器（如VIIRS、AVHRR）提供等效增强植被指数解决方案。数据处理方面，基于植被短期变化微小的假设，通过筛选每3天内的高质量观测（HQO）生成复合EVI2时间序列。针对仍可能存在的异常值（如大气校正误差或云雪污染导致的极值），采用双阈值检测法：1）EVI2值超过前后1个月NDVI均值的90%或任意EVI2值的110%；2）NDVI小于归一化差值水指数（NDWI）。该方法已在MODIS和HLS数据中验证有效。
2.1.2. PhenoCam 无间隙植被指数时间序列
研究提出了一种新的PhenoCam图像ROI划分方法：将每个站点图像均分为10×10网格（图3），计算每个网格的GCC值并聚合为3天复合值（选取第90百分位数）。传统方法仅基于1-2个ROI提取单一植被类型物候特征，但本研究发现即使在同质植被区，单株树木间物候行为仍存在显著差异。通过高密度网格划分和3天聚合处理，有效消除了电力中断、雨雪雾等干扰导致的不连续性，同时滤除高频噪声，生成无间隙高质量的GCC时间序列。
图3 PhenoCam RGB图像×在绿化季节（a&c）和衰老季节（b&d）分别从Harvardbarn（相机杆位于42.54°N和72.19°W）和Harvardfarmnorth（相机杆位于42.52°N和72.18°W）两个PhenoCam站点获取。
2.2. HLS 和 PhenoCam 植被指数时间序列的融合
研究提出了一种基于时空形状匹配模型（SSMM）的HLS与PhenoCam时间序列融合方法，通过构建包含100个网格GCC时间序列的PhenoCam库，采用四参数线性变换（HLS(t)=a×PhenoCam(T)+b，T=λ×t+β）匹配HLS像素EVI2与PhenoCam网格GCC的时间形状，利用几何平均回归优化参数，通过分阶段加权（绿化期30%、衰老期30%、全周期40%）选择最优匹配，最终生成无间隙HLS-PhenoCam时间序列，有效解决了HLS数据间隙导致的物候检测精度问题。
2.3. HLS 时间序列质量的确定
HLS 时间序列的质量是评估重建植被生长季节性动态的重要因素。在本研究中，我们计算了 HQO 比例以确定 HLS 时间序列的质量：（1） 给定 HLS 像素的 HQO 年比例是高质量 HLS EVI2 值与其年度 3 天 HLS 时间序列中 EVI2 值总数的比率，以及 （2） HQO 在绿色阶段和衰老阶段的比例， 单独（第 3.2 节）
2.4 从 HLS-PhenoCam 时间序列中检测物候指标
采用混合分段Logistic模型（HPLM）地表物候检测算法（LSPD）提取HLS-PhenoCam时间序列的物候指标，具体步骤为：首先计算背景EVI2值（取排序后第10百分位数以下高质量值的均值），然后通过移动平均、中值滤波和Savitzky-Golay滤波进行多方法平滑处理，再利用5个3天移动窗口划分绿化与衰老阶段，最后应用HPLM模型（包含植被生长参数a/b、变化幅度c及胁迫因子d）拟合EVI2时间序列，通过曲率变化率提取绿化、成熟、衰老和休眠开始四个物候转折日期。
2.5. HLS-PhenoCam EVI2 物候检测的评估
通过对比HLS-PhenoCam EVI2、HLS EVI2及PhenoCam GCC三种数据源的物候转换日期验证算法效果：1）采用HPLM-LSPD算法从HLS EVI2提取物候指标，分析30米像素尺度的空间差异及其与HLS高质量观测（HQO）的统计相关性；2）通过Google Earth地图地标匹配（如停车场）实现PhenoCam站点与HLS像素的空间对齐（新英格兰19站中9站、威斯康星-密歇根8站中7站成功匹配），获取16个站点的38（新英格兰）和36（威斯康星-密歇根）个HLS像素数据；3）利用GMFR回归、MAD、MSB、R和RMSE等指标，基于匹配的PhenoCam GCC时间序列评估HLS-PhenoCam与HLS单独检测的物候精度差异。
图4 使用可用地标将 Readingma 站点的 PhenoCam 图像与 HLS 像素进行匹配。左边是 PhenoCam 图像，其中绿线和红数字是 ROI。右侧是 Google Earth 图像，其中红色标记和蓝色网格分别是 PhenoCam 相机杆和 30 m HLS 像素的位置。两张图像中的停车场都是通过可视化识别的地标。PhenoCam 图像和 Google 地球图像上的黄色矩形和正方形对应于一个 30 m HLS 像素。（有关此图例中对颜色引用的解释，读者请参阅本文的 Web 版本。
2.6. 表型函数的空间变化分析
30米HLS-PhenoCam LSP产品可精细解析异质区域物候动态，而粗分辨率产品难以实现。本研究选取城市、农业和湿地验证其空间异质性揭示能力：城市显著影响周边植被物候（如美国东北部生长季延长15天，Zhang等，2004），农业作为人工生态系统具有独特物候特征，湿地在水文与碳循环中起关键作用。通过分析波士顿城区、农田及湿地的物候变化，验证了该产品在复杂景观中的应用潜力。
3.1 无间隙 PhenoCam GCC 时间序列
