Un estudio, publicado en el Journal of Remote Sensing evalúa la precisión de dos algoritmos de fusión de datos espaciotemporales, el modelo de fusión de reflectancia adaptativa espacial y temporal (STARFM) y la generación simultánea de series temporales de índice de vegetación de diferencia normalizada de longitud completa (SSFIT), al extraer fechas fenológicas de primavera a escalas finas. Estos algoritmos tienen como objetivo reconstruir datos de series temporales de alta resolución y sin nubes para mejorar la precisión de la detección del inicio de la temporada de crecimiento (SOS) en paisajes heterogéneos.

Utilizando datos armonizados de Landsat Sentinel-2 (HLS) y espectrorradiómetro de imágenes de resolución moderada (MODIS) para un estudio de simulación en Ogden, Utah, el equipo de investigación evaluó los algoritmos STARFM y SSFIT frente a métodos de interpolación tradicionales para reconstruir el Índice de Vegetación Mejorado (EVI2) de alta calidad. ) series de tiempo para identificar con precisión el SOS.

El estudio demostró que estos algoritmos mejoran significativamente la precisión de las fechas fenológicas, especialmente cuando hay limitadas imágenes Landsat libres de nubes disponibles durante períodos de crecimiento cruciales.

La investigación abordó los desafíos de la nubosidad y la escasa captura de imágenes de alta resolución, vitales para el seguimiento detallado del crecimiento de la vegetación. Al combinar observaciones MODIS frecuentes con datos HLS detallados, aunque poco frecuentes, el equipo creó imágenes sintetizadas y sin nubes que combinan alta resolución con intervalos de captura regulares.

El profesor Xiaolin Zhu, autor correspondiente, enfatiza la necesidad de capturar con precisión las etapas fenológicas para mitigar los riesgos ecológicos y agrícolas asociados con la variabilidad climática. "Nuestra investigación busca cerrar la brecha en el monitoreo de la fenología aprovechando las fortalezas de las imágenes satelitales de resolución gruesa y fina a través de técnicas avanzadas de fusión de datos".

Esta investigación destaca el papel fundamental de las técnicas de fusión de datos en el avance del monitoreo de la fenología de la superficie terrestre al abordar los desafíos de la cobertura de nubes y las imágenes satelitales de resolución gruesa.

Al mejorar la precisión de la detección del estado de la vegetación, el estudio respalda una mejor gestión ambiental y esfuerzos de adaptación al clima. Muestra la integración de datos satelitales como un importante avance en la investigación fenológica y sus aplicaciones prácticas.