通过高时空分辨率的NDVI融合技术进行精确量化，揭示城市物候现象的多因素驱动机制

本研究基于ESTARFM-like模型融合MODIS与Landsat数据，生成北京2020年30米高精度NDVI时序数据，用于量化植被物候参数（SOS、EOS、LOS）及其空间异质性，并揭示水热条件、城市结构与地形非线性驱动机制及阈值效应。

胡春风|杨新毅|曾慧

北京大学城市规划与设计学院，中国深圳518055

摘要

当前研究中，对城市物候参数的精确量化及其影响因素的全面分析仍然存在关键性空白。本研究采用了一种改进的时空反射率融合模型（类似ESTARFM），整合了MODIS和Landsat影像，生成了2020年北京的高精度归一化植被指数（NDVI）时间序列，分辨率为30米。该数据集能够提取物候参数——生长季开始（SOS）、生长季结束（EOS）和生长季长度（LOS），并分析其时空变化。通过多元线性回归和自动化机器学习（AutoML）集成建模分析了一组精心挑选的影响因素，并利用SHAP（Shapley Additive Explanations）方法识别关键驱动因素及其响应方向。结果表明，2020年北京30米分辨率的NDVI数据集显著提高了城市植被动态的时间连续性和空间表达准确性。融合数据与Landsat观测结果高度一致（平均相关系数R > 0.8，均方根误差RMSE < 0.1），所得到的SOS、EOS和LOS准确捕捉了研究区域内的物候参数时空变化。影响因素分析显示，水热条件是所有物候阶段的主要驱动因素，且表现出明显的干旱阈值响应。城市结构因素会提前生长季开始时间（SOS），同时延迟或延长生长季结束时间（EOS）和生长季长度（LOS）。NDVI主要对生长季结束时间（EOS）产生正面影响（延迟），并对生长季长度（LOS）产生正面影响（延长）。在高海拔地区，地形因素会延迟EOS或缩短LOS，表现出明显的空间异质性。

引言

快速的城市化深刻改变了土地表面的结构、功能和能量交换过程，导致城市植被物候节律与自然生态系统相比发生了显著变化（F. Li等人，2017；Yin等人，2024）。尽管城市物候在缓解热岛效应、改善空气质量以及调节地表能量平衡方面发挥着重要作用，但在精细的空间和时间尺度上仍缺乏足够的量化（F. Li等人，2019；Li等人，2022）。准确量化城市物候参数及其时空动态，并深入理解其驱动机制，对于设计有效的绿色基础设施和气候适应策略至关重要（Wohlfahrt等人，2019a）。这些见解为合理的城市植被规划（Yang等人，2023）、结构优化（Ojasalo等人，2025）以及生态恢复的适应性管理实践（Buisson等人，2017）提供了关键支持。

植被物候的时空变异性及其潜在驱动因素一直是城市生态学的研究焦点。与自然生态系统相比，城市植被物候表现出更大的空间异质性（Perreault和Laforest-Lapointe，2022；Zhao等人，2016）。这种异质性不仅源于不同土地利用类型下的植被组成、管理强度和水热条件的差异，还源于城市表面结构的高度破碎化和动态复杂性所带来的挑战（Chen等人，2023；Melaas等人，2016）。现有研究表明，与周边非城市地区相比，城市地区的生长季开始时间（SOS）通常更早，生长季结束时间（EOS）更晚，生长季长度（LOS）更长（Peng等人，2024；Walker等人，2015）。这些物候变化与当地气候的时空变异性、城市形态、人类活动和环境梯度密切相关（D. Li等人，2019；Pretzsch等人，2017）。

尽管取得了显著进展，但目前关于城市植被物候的研究仍面临两个主要的方法论瓶颈，限制了研究的深度。首先，传统单源遥感数据存在一个关键矛盾。广泛使用的高时间分辨率数据（如MODIS、AVHRR）的空间分辨率较低，无法捕捉到破碎城市景观的异质性（Henebry和de Beurs，2025），常常导致混合像素误差和尺度依赖性偏差（Park等人，2021；Tian等人，2020；Zeng等人，2020）。相反，高空间分辨率数据（如Landsat、Sentinel）受到 revisit周期长和云覆盖的制约，导致时间序列稀疏，无法准确重建连续的物候曲线（F. Li等人，2017；Wohlfahrt等人，2019b）。为了解决这一时空差距，本研究采用了一种改进的时空自适应反射率融合模型（ESTARFM类似）框架。与依赖单一传感器的研究（X. Li等人，2017a；Padhee和Dutta，2019；Zhou等人，2016a）不同，该方法整合了互补数据源的优势，生成了30米分辨率的每日NDVI数据集。这种方法既保证了分析城市功能区所需的空间精度，也满足了准确提取物候参数所需的时间密度（Nietupski等人，2021a；Zhu等人，2018）。

其次，主流的分析框架大多受到线性假设的限制。大多数现有研究依赖相关性分析或多重线性回归来识别驱动因素（D. Li等人，2019；Shen等人，2024）。虽然这些线性模型有助于识别总体趋势，但难以解析城市生态系统中复杂的非线性协同机制——例如植被对水热压力的阈值响应或建筑密度对微气候的非线性调节（Jia等人，2025；Ma等人，2025）。与传统方法不同，我们引入了一种可解释的机器学习框架，结合了自动化机器学习（AutoML）和Shapley Additive Explanations（SHAP）。这种方法使我们能够超越简单的相关性分析，精确量化非线性边际效应，并识别线性模型常常忽略的关键环境阈值（Hu等人，2025；Zhao等人，2025）。

为了解决这些挑战，本研究选择北京作为代表性案例，探讨当前城市物候文献中尚未解决的三个核心问题：（1）高时空分辨率的融合数据能否揭示传统传感器无法捕捉的微观尺度物候异质性？通过使用类似ESTARFM的模型生成30米分辨率的每日归一化植被指数（NDVI）时间序列，我们旨在量化粗分辨率数据无法捕捉的城市植被动态的细微变化。（2）调节城市物候的主要非线性驱动因素和环境阈值是什么？我们采用AutoML-SHAP框架，超越标准线性回归，以识别非线性响应模式和关键“阈值效应”。（3）多样的城市结构因素如何协同作用，塑造物候节律？我们旨在解析城市形态和人类活动的复杂影响，特别是它们在促进春季绿化与延长秋季衰老方面的不同作用。

研究区域概述

北京位于华北平原（115.7°–117.4°E，39.4°–41.6°N），西北部毗邻燕山山脉，东南部濒临渤海。地形从西北部的山区逐渐过渡到东南部的低洼平原，三面环山，东南部为开阔的平原。该地区属于暖温带季风气候，夏季炎热湿润，冬季寒冷干燥。年降水量在500–700毫米之间，其中约75%的降水集中在6月至8月。

数据融合结果

本研究使用2020年的Landsat-8和MODIS MCD43A4遥感影像进行了时空数据融合。云覆盖率低于5%的Landsat影像被用作融合过程的输入数据，而云覆盖率为5%–60%的影像则用于验证准确性。年份中的日期（DOY）以2020年的第一天为基准，此之前的日期用负值表示。补充表S1列出了本研究中使用的所有Landsat影像，显示了它们之间的强相关性

遥感数据融合在城市物候研究中的有效性

通过融合Landsat和MODIS影像，本研究成功构建了高时空分辨率的NDVI时间序列，有效弥合了城市监测中空间细节和时间频率之间的关键差距。融合过程克服了单源数据集的局限性（Hilker等人，2009；Zhu等人，2010），实现了对北京植被物候的精确、细尺度分析。验证结果证实了该方法的稳健性，预测的NDVI值

结论

本研究通过生成2020年北京的高质量30米分辨率每日NDVI时间序列，成功填补了精细尺度城市物候监测的关键空白。通过结合ESTARFM类似融合模型和先进的AutoML-SHAP解释框架，我们实现了三个重要的科学和方法论进展：

首先，我们证明了在异质城市景观中时空融合的稳健性。生成的数据集与Landsat观测结果高度一致

未引用的参考文献

(Li等人，2019；Li等人，2017b)

CRediT作者贡献声明

杨新毅：撰写——初稿、可视化、软件、方法论、数据整理。胡春风：撰写——初稿、资源获取、方法论、概念构思。曾慧：撰写——审稿与编辑、监督、资金获取、概念构思。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究由深圳市基础研究计划（编号GXWD20201231165807007-20200812142216001）资助。