一、主要功能和关键技术介绍：

1.1 主要功能

受卫星平台高度和传感器技术限制，单一传感器观测反演的数据产品往往难以同时兼顾高时间分辨率和高空间分辨率。另一方面，地表反射率产品的反演主要使用卫星传感器在可见光波段的观测数据，故云和亮地表（如冰和雪）等因素的影响将非常严重，使得卫星反演的数据产品常存在大面积的数据缺失。因此，如何有效提升地表反射率产品的时空分辨率和空间覆盖水平是当前遥感领域亟待解决的重要技术问题。

针对上述问题，如直接从硬件设计和改进角度出发去解决则代价巨大。随着航天和遥感技术的快速发展，搭载在不同卫星平台的传感器提供了海量多源异构数据产品，极大地丰富了对地观测数据资源。时空数据融合方法作为集成多源/多模态数据资料的重要技术手段，旨在通过建立不同数据产品间的时空关联特征，发挥多源异构数据资料的时空互补优势，生成时空分辨率和空间覆盖更高的数据资料。因此，本项目在现有的数据融合算法基础上开发新的融合方法，利用现有多源卫星数据开展数据融合，生成高时空分辨率的数据，不仅成本低、效率高，且可行性更强。

2.2 关键技术

构建新的融合框架 MQQA-BME（Modified Quantile-Quantile Adjustment-Bayesian Maximum Entropy）模型，集成了自适应误差订正算法 MQQA与 贝叶斯最大信息熵算法BME 的优势，来提升融合产品的精度并同时降低 BME 的计算耗时。图1为 MQQA-BME 算法的流程图，具体流程总结如下。首先，对各输入数据 资料进行必要的预处理。其次，利用 MQQA 算法校正系统偏差并构建 BME 算法所 需的误差模型。在此过程中，选取 MODIS 和 Landsat 8 同步观测历史数据，利用 MQQA 将 MODIS 数据校准到 Landsat 8 水平。由于 Landsat 8 观测数据具有高空间分辨率，故作为误差订正的基准数据和融合过程中的硬数据。同时，将误差订正后的 MODIS 数据作为软数据，与 Landsat 8 观测数据进行 BME 融合，重构 Landsat 8 重 访周期内的缺失影像。在本算法中，MODIS 数据由于分辨率较低故用作软数据，具体则由两部分组成：一部分为 MODIS 观测值的平均值（单个像元），另一部分为基于 MODIS 和 Landsat 8 历史同步观测数据计算得到的偏差的方差。

二、产品精度和运行效率

为评估MQQA-BME算法的精度质量与重建效果，采用遥感领域常用的交叉验证的方法来对融合算法精度进行验证。通过预先保留部分Landsat 8真实观测反射率数据，并将数值预留的像元进行掩膜以模拟数据缺测，再分别使用MQQA-BME和其他算法来重建上述缺失数据，进而与保留的观测数据进行对比分析，实现精度交叉验证。

产品精度评估显示，融合后的卫星产品MQQA-BME算法的R² 值在蓝波段为0.32，RMSE为0.011。融合数据的空间分布上，MQQA-BME融合后的数据都接近完整覆盖，其余波段结果类似，具体如图2。

运行效率方面，一幅完整覆盖的Landsat 8影像包含1006×995个像素。如果分析的时间序列覆盖2022年，总体计算量则非常大。因此， MQQA-BME算法在Intel Xeon 64-bit 处理器64核的服务器上采用MATLAB进行并行处理实现。在运行时如果选用50核获取一天影像需要1.5小时。这是由于分辨率为30米且MQQA-BME由28个子程序构成。

三、覆盖范围

本模型覆盖范围为上海市嘉定区，如图3所示。

四、可应用场景

本融合算法和所提供的产品可应用于地表地物监测识别、旱涝时期水体和河道的监测、区域植被和农产品面积估算等场景。

五、产品类型

1