一种基于递归特征消除与双向长短期记忆网络的多重插补方法用于时空无缝Landsat NDVI重建

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A novel multiple imputation approach with recursive feature elimination BiLSTM for spatiotemporally seamless Landsat NDVI reconstruction

　　

归一化差异植被指数（NDVI）是监测植被动态和生态系统健康的基本参数，然而现有的中等分辨率NDVI产品缺乏精细环境应用所需的空间细节。虽然Landsat卫星提供30米分辨率的长周期观测数据，适用于详细植被监测，但频繁的云污染和16天重访周期造成了大量数据空缺，破坏了时间连续性。传统的缺失数据填补方法存在局限性，包括依赖辅助传感器、假设时间稳定性以及无法处理热带和山区持续云覆盖等问题。研究人员开发了一种创新的多重插补与递归特征消除和双向长短期记忆网络（MI-RFE-BiLSTM）框架，用于生成时空无缝的Landsat NDVI时间序列。该方法采用四步策略：基于GLASS NDVI的预填充，利用相关性加权相似性分析进行初始空缺估计；BiLSTM网络建模植被物候的双向时间依赖性；迭代多重插补通过收敛控制优化逐步细化缺失值和模型参数；递归特征消除利用基于梯度的灵敏度分析优化时间特征选择。在全球97个分布广泛、涵盖不同生物群系的研究区域的综合验证表明，该框架具有优越的重建性能，MI-RFE-BiLSTM在不同植被类型和环境条件下实现了R²值为0.84–0.93，均方根误差（RMSE）值为0.02–0.06。鲁棒性分析表明，即使在严重有限的晴空观测条件下，该框架仍能保持稳定精度，当数据可用性降至原始覆盖的5%–10%时表现出优雅退化。在持续云覆盖山区的实际应用证实了其运行可行性，成功重建了完整的NDVI覆盖，同时保持了Landsat原始分辨率的精细空间格局。该方法在不同景观和气候区表现出强泛化能力。通过解决现有深度学习方法中固定高维输入的关键瓶颈，所提出的自适应特征选择将输入维度降低了30%–50%，同时计算效率提高了约两倍，使得大规模运行业务部署变得切实可行。该框架为生成高质量、时间连续的Landsat NDVI产品提供了可靠解决方案，对于精准农业、生态系统监测和气候变化研究应用至关重要。

**论文解读：一种基于多重插补与递归特征消除双向长短期记忆网络的时空无缝Landsat NDVI重建方法**

**研究背景与问题**

归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）作为量化植被绿度和光合活动的关键生物物理参数，广泛应用于农业监测、森林动态评估、气候变化研究和生态系统健康评价等领域。尽管MODIS（500米）、GLASS（250米）和AVHRR（8公里）等中等分辨率NDVI产品提供了大尺度植被监测的便利，但其粗空间分辨率难以捕捉碎片化景观、农业区和山区中的精细植被模式与空间异质性。Landsat卫星拥有自1985年以来超过四十年的观测记录，提供30米空间分辨率的全球覆盖，是生成高时空分辨率NDVI产品的理想数据源。然而，Landsat的16天重访周期和频繁云污染导致NDVI时间序列中存在大量数据空缺，严重制约了下游统计分析和预测建模的可靠性。现有缺失数据填补方法面临多重局限：统计插值法低估植被动态时间变异并忽略光谱波段间关系；数据同化法依赖植被模型的准确性和高质量强迫数据；时空融合法受制于土地覆盖突变和亚像素异质性；机器学习与深度学习方法在持续多云区域因观测稀疏而精度下降，且依赖固定高维特征集导致计算负担大、可扩展性差。多重插补（Multiple Imputation, MI）技术可生成多个合理估计并捕捉不确定性，但缺乏特征选择机制；递归特征消除（Recursive Feature Elimination，RFE）能优化特征维度，但在植被遥感中仅限于预处理阶段。因此，亟需开发一种整合MI、RFE和时序重建模型的统一框架，以兼顾填补质量与计算效率。

**研究内容与结论**

研究人员提出了一种创新的MI-RFE-BiLSTM框架，通过协同集成多重插补、递归特征消除和双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM），有效减少无关特征干扰，提升Landsat NDVI重建质量与计算效率。该框架采用四步顺序方法：基于GLASS NDVI的预填充、BiLSTM网络建模双向时间依赖性、迭代多重插补逐步细化缺失值与模型参数、梯度灵敏度驱动的递归特征消除优化时间特征选择。在全球97个分布广泛、涵盖不同生物群系的研究区域的综合验证表明，MI-RFE-BiLSTM在不同植被类型和环境条件下取得了优越的重建性能（R²值0.84–0.93，均方根误差RMSE值0.02–0.06）。鲁棒性分析显示，即使在晴空观测严重受限（数据可用性降至5%–10%）时，框架仍保持稳定精度。在持续云覆盖山区的实际应用证实了其运行可行性，成功重建完整NDVI覆盖且保留Landsat原始分辨率的精细空间格局。该框架通过自适应特征选择将输入维度降低30%–50%，计算效率提高约两倍，实现了大规模运行业务部署的可行性。研究为精准农业、生态系统监测和气候变化研究提供了可靠的高质量时间连续Landsat NDVI产品生成方案。该论文发表在《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》。

**关键技术方法（≤250字）**

该研究的主要关键技术包括：（1）**基于GLASS NDVI的预填充**：利用相关性加权相似性分析，识别与目标像素时空模式一致的相似邻域像素，生成加权参考序列填补Landsat NDVI初始空缺。（2）**双向长短期记忆网络（BiLSTM）**：建模植被物候的双向时间依赖性，捕捉复杂时态模式。（3）**迭代多重插补（MI）**：通过收敛控制优化，逐步细化缺失值和模型参数，生成多个合理估计并量化不确定性。（4）**递归特征消除（RFE）**：利用基于梯度的灵敏度分析，迭代移除对模型性能影响最小的时间步，优化特征子集。这些方法整合为统一框架，无需额外辅助传感器假设，适应持久云覆盖区域。样本队列来源包括全球97个研究区域，涵盖农田、森林、草原、灌木等多种生物群系。

**研究结果**

限于原文中明确列出的结果小节，以下基于原文内容进行总结。原文结果部分仅包含“GLASS NDVI pre-filling process performance”这一子标题，其内容如下：

**GLASS NDVI pre-filling process performance**：通过代表性像素示例展示了预填充方法。图4(a)显示了基于相关性的相似邻域像素识别，从重采样GLASS NDVI数据中选取相关性超过0.8阈值的像素，这些像素成功捕捉到与现有Landsat晴空观测一致的时间模式（蓝色点）。图4(b)展示了加权参考序列生成，利用相关性权重组合相似像素，生成用于初始空缺估计的参考曲线。该步骤有效降低了数据稀疏性，为后续BiLSTM训练提供了更完整的输入基础。

**讨论部分总结**

研究人员在讨论中指出，MI-RFE-BiLSTM框架通过四步系统方法解决了Landsat时间序列中的数据空缺挑战，逐步提升重建质量并优化计算效率。与现有方法相比，该框架在持续多云区域表现出优越的鲁棒性，能在晴空观测极度稀疏（5–10%覆盖）时仍保持稳定精度。自适应特征选择机制克服了传统深度学习固定高维输入的瓶颈，使大规模部署可行。此外，框架在不同景观和气候区的强泛化能力表明其具有广泛适用性。未来工作可进一步扩展至其他植被指数和卫星传感器。

**研究结论（翻译原文Conclusion部分）**

本研究提出了一种新颖的MI-RFE-BiLSTM框架，用于生成30米分辨率的时空无缝Landsat NDVI时间序列。该方法整合了四个顺序组件：基于GLASS NDVI的预填充为缺失观测提供初始估计；双向LSTM网络捕捉复杂时间依赖性；通过迭代细化的多重插补逐步提升时间序列质量和模型参数；以及递归特征消除（RFE）通过梯度灵敏度分析优化特征选择，去除不相关的时序变量。该框架能够生成高质量、时间连续的NDVI产品，服务于精准农业、生态系统监测和气候变化研究应用。