山区具有高度复杂的微气候环境，孕育了丰富的植被多样性，对植被动态的精准监测对于生物多样性保护具有重要意义。高分辨率归一化植被指数(NDVI)是刻画植被时空变化的关键指标，但在多云山区，由于长期云覆盖和显著的空间异质性，NDVI重建面临较大挑战。本研究在Google Earth Engine(GEE)平台上开发了一种全局拟合与局部优化(Global Fitting and Local Refinement，GFLR)方法，用于重建Landsat NDVI。该方法首先利用近40年的像元级NDVI时序进行全局拟合，构建稳定的物候基准曲线。随后利用3年滑动观测窗口进行局部优化，以刻画植被动态。与现有常用重建方法相比，GFLR在精度上表现更优，且在不同云覆盖和地形复杂度条件下均表现出较强的稳健性。因此，基于GFLR的NDVI产品为复杂多云山区植被动态研究提供了可靠且稳健的数据支持。为促进方法的可重复性与应用推广，GFLR的完整代码已公开，可通过以下链接获取：https://code.earthengine.google.com/faf7a2d54025d0069bbe936dea313da8。该成果近期发表于中科院一区期刊Global and Planetary Change。

研究背景

山区约占全球陆地面积的24%，地形起伏通过调控辐射输入、温度梯度和水分分布，形成与区域气候部分脱耦的微气候环境。这些微气候为物种提供了气候变化背景下的重要庇护空间，是维持高生物多样性的关键。然而，随着气候变暖加剧，山区微气候格局及其庇护功能可能发生变化，从而影响植被分布与生态系统稳定性。因此，有必要系统评估地形通过微气候调制对植被分布与动态变化的影响机制。高分辨率NDVI为揭示地形对植被的影响提供了重要工具，但在多云山区，长期云覆盖和地形复杂性导致Landsat数据存在大量缺失，限制了对植被长期变化趋势的准确刻画。现有的时空融合与时间插值方法虽在一定程度上改善了数据连续性，但在持续多云、地形驱动异质性显著的山区仍面临尺度平滑效应、空间信息不足以及等问题。因此，亟需一种能够适用于多云山区的NDVI重建方法，以提升复杂山区植被监测的稳定性与可靠性。

研究方法

GFLR方法通过全局拟合和局部优化两个步骤对Landsat NDVI进行重建。全局拟合步骤包括物候曲线的构建与调整；局部优化步骤则主要采用改进的加权Savitzky-Golay(SG)滤波方法实现。相应的流程图及具体实现步骤如下：

(1) 物候曲线构建与曲线调整
本研究首先基于1986-2024年共39年的Landsat NDVI观测数据，为每个像元构建标准植被物候曲线。具体做法是将不同年份的影像按照年积日(DOY)进行堆叠，将其视为一个合成年份的完整物候过程，并采用七参数线性谐波模型拟合NDVI的季节变化特征，从而获得稳定的长期物候基准曲线。在此基础上，利用3年滑动时间窗口内的有效观测对物候曲线进行局地调整，以刻画实际植被动态。为保证数据质量，在调整前通过相对百分比差异(RPD)筛除异常值，剔除明显受噪声影响的观测数据。随后，根据研究区植被物候特征，将生长季划分为返青期和衰退期，并在两者重叠的过渡阶段采用加权方式实现平滑衔接。通过建立观测NDVI与物候曲线对应值之间的线性关系，对物候曲线进行分阶段校正，最终获得兼具长期稳定性与短期动态响应能力的NDVI时间序列。

(2) 改进的加权SG滤波
为进一步提升调整后物候曲线与实际观测之间的一致性，本研究对Savitzky–Golay(SG)滤波方法进行了改进。首先，在存在高质量观测的日期，将调整后物候曲线对应的NDVI值替换为实测值，并根据数据来源赋予不同权重，以体现对观测数据更高的可信度。随后，在滑动时间窗口内采用最小二乘法拟合多项式，计算标准SG滤波系数，并将其与数据来源权重相结合形成复合权重。考虑到原始SG卷积系数可能包含负值，为避免对平滑结果产生不利影响，对系数进行了归一化处理，使权重保持为正并合理缩放。最终，通过归一化后的复合权重对NDVI时间序列进行平滑处理，从而获得兼顾观测可靠性与时间连续性的重建结果。

主要结果

从两个研究区的NDVI空间分布来看(图2和图3)，GFLR重建结果与参考NDVI最为接近，而GFSG和FF在高NDVI区域引入了明显的低值噪声。在局部放大图中，GFSG和FF在刻画地形驱动的植被差异方面表现不足。基于密度散点图及统计指标分析(图2和图3)，GFLR在空间格局刻画方面表现最佳。在云影响分析方面(图4)，无论从云发生频率(COF)还是云覆盖比例(CCF)角度来看，GFLR均保持较高稳定性，而GFSG和FF在COF超过60%后精度明显下降，且随CCF增加呈现R²逐渐降低的趋势。地形因子分析表明(图5)，三种方法在高海拔地区精度均受一定影响，但GFLR受高程影响最小。在坡向方面，GFSG和FF在南坡表现较好，在北坡精度下降，而GFLR几乎不受坡向影响。总体而言，GFLR在不同云条件和复杂地形环境下均表现出更高的稳定性与重建精度。