归一化植被指数（NDVI）是遥感领域最常用的冠层绿度和活力指标。因此，NDVI时间序列数据已被广泛用于生态系统动力监测和模拟生物圈过程帮助理解生态系统对气候变化的反应。不幸的是，由于空间和时间分辨率之间的权衡，目前的卫星传感器仍然缺乏提供高时空分辨率NDVI数据的能力。因此，现有的全球NDVI时间序列产品（如GIMMS、MODIS、SPOT VGT）通常存在两个问题，使它们无法完全满足这些应用的要求。一是空间分辨率较低，在250 ~ 8 km之间，极大地阻碍了它们在异质景观中的应用。其次，由于频繁的云污染，特别是在多云地区，它们在时间上相当不连续。将无云合成孔径雷达（SAR）数据与光学数据相结合被认为是克服这一问题的一个有希望的选择，可以重建高质量的NDVI时间序列数据，具有高时空分辨率。
2.研究方法
BRIOS方法一般采用两层双向RNN架构，融合光学无云NDVI观测数据和SAR时序数据的时间变化模式。包括两步：首先，利用宽窗Savitzky-Golay （SG）滤波提取的SAR时间序列数据的时间变化模式作为SAR输入变量；缺失数据的NDVI时间序列被用作RNN体系结构的输入和损失函数的校准。其次，BRIOS设计了一个双向的基于SAR动态和无云NDVI观测的时间动态，采用双层循环结构的RNN网络来获取时间隐藏状态特征。回归层因此将隐藏状态特征转换为预测的NDVI值。
3.研究结果
图2 在随机删除5%、10%、20%、40%、60%和80%有效Sentinel-2 NDVI观测值的情况下，不同方法的重建精度
图4 在CIA现场对不同方法进行视觉比较。(a)，（B）是重建的Sentinel-2归一化差异植被指数两个植被类别的时间序列数据（欧空局WorldCover的土地覆盖图中的红点）。（a）和（B）中的红色区域表示连续缺失NDVI值的时段。(c)、（d）是实际的Sentinel-2 NDVI图像（于2021年3月18日和2021年8月1日获取）和使用不同方法重建的NDVI图像
文章开发了一种新的方法（称为BRIOS）来重建高质量的哨兵-2 NDVI时间序列数据。BRIOS采用两层递归架构，其中一层专注于学习NDVI时间序列数据的自相关性，另一层专注于学习NDVI和SAR信号之间的关系，并结合两层的深层特征来预测缺失的NDVI值。通过充分利用NDVI时间序列数据的自相关性，为了协调SAR和NDVI数据以建立稳定的SAR-NDVI关系，在我们的实验中，这个新的BRIOS模型优于三种基线方法（GF-SG、时空融合、谐波回归插值和MCNN-Seq深度学习），在三个完整的100 km ×100 km Sentinel-2瓦片上重建8天的Sentinel-2复合NDVI时间序列数据。有四项重大改进。首先，BRIOS是更可靠的重建哨兵-2 NDVI时间序列数据与随机或长期，连续的缺失值在多云地区。其次，BRIOS显示出令人印象深刻的泛化能力，模拟不同植被类型，如草，森林和作物的NDVI时间动态。它准确地捕捉短期和长期的生长期，复种制度，和突然的土地覆盖变化。第三，BRIOS模型可以根据云和训练数据集的不同大小灵活地调整其学习，并为Sentinel-2 tile提供推荐的训练设置。第四，通过时空平滑和SG滤波提取SAR数据的时空变化模式，对于提高SAR-光学融合的性能是非常有用的。我们期望BRIOS能推广Sentinel SAR和NDVI时间序列数据在生态、地理和环境研究中的综合应用。
-end-
