在精细空间尺度上准确监测植被生长阶段时间(称为地表物候学 (LSP))的能力对于了解生态系统功能和管理自然资源至关重要。尽管取得了进步，但由于云层覆盖和有限的重访时间造成的高分辨率卫星数据的稀疏性使这项任务变得复杂。

发表在《遥感杂志》上的一项研究评估了两种时空数据融合算法(时空自适应反射融合模型(STARFM)和同时生成全长归一化植被指数时间序列(SSFIT))在提取春季物候方面的准确性日期精细。这些算法旨在重建高分辨率和无云时间序列数据，以提高异质景观中生长季节开始(SOS)的检测精度。

利用协调陆地卫星 Sentinel-2 (HLS) 和中分辨率成像光谱仪 (MODIS) 数据在犹他州奥格登进行模拟研究，研究团队在重建高质量增强植被指数 (EVI2) 方面相对于传统插值方法评估了 STARFM 和 SSFIT 算法)时间序列来准确识别 SOS。

研究表明，这些算法显着提高了物候日期的准确性，特别是在关键生长时期可获得有限的无云陆地卫星图像时。

该研究解决了云层覆盖和稀疏高分辨率图像捕获的挑战，这对于详细的植被生长监测至关重要。通过将频繁的 MODIS 观测结果与详细但不频繁的 HLS 数据相结合，该团队制作了合成的无云图像，将高分辨率与定期捕获间隔相结合。

通讯作者朱晓林教授强调了准确捕捉物候阶段以减轻与气候变化相关的生态和农业风险的必要性。 “我们的研究旨在通过先进的数据融合技术，利用粗分辨率和精细分辨率卫星图像的优势，弥补物候监测方面的差距。”

这项研究通过解决云量和粗分辨率卫星图像的挑战，强调了数据融合技术在推进地表物候监测方面的关键作用。

通过提高植被阶段检测的准确性，该研究支持改善环境管理和气候适应工作。它展示了卫星数据的整合是物候研究和实际应用的重大飞跃。