将MODIS（250m-1km）、Sentinel-2（10-60m）、Landsat（30m）等不同分辨率数据统一到同一分辨率，主要有两种策略：升尺度（Upsampling/Downscaling）和降尺度（Downsampling/Aggregation）。选择哪种策略取决于您的研究目标和应用需求。
一、分辨率统一的方法体系
1. 降尺度（高分辨率→低分辨率）
将高分辨率数据（如Sentinel-2的10m）降低到低分辨率（如MODIS的250m），适用于保持时间序列一致性。
常用方法：
空间聚合（Aggregation）：计算低分辨率像元内所有高分辨率像元的平均值、中位数或众数
面积加权平均：考虑不同地类面积比例的加权平均
重采样算法：双线性插值（Bilinear）、立方卷积（Cubic Convolution）
适用场景： 当需要与历史长时序数据（如Landsat 30m）保持一致，或进行大尺度区域分析时。
2. 升尺度/空间降尺度（低分辨率→高分辨率）
将低分辨率数据（如MODIS 250m）提升到高分辨率（如10m或30m），这是作物监测中最常用的方法。
| 方法类型 | 代表算法 | 原理 | 适用条件 |
|---|---|---|---|
| 时空融合 | STARFM、ESTARFM、FSDAF | 利用高分辨率图像的空间细节和低分辨率图像的时间频率进行融合 | 需要至少一对同时相的高-低分辨率图像对 |
| 多尺度融合 | STAIR 2.0、Gram-Schmidt | 逐步融合多源数据，从粗分辨率到细分辨率 | 整合MODIS+Landsat+Sentinel-2三种数据 |
| 深度学习 | CNN、GAN、超分辨率网络 | 学习高低分辨率间的非线性映射关系 | 有大量训练样本时效果最佳 |
| 物理模型 | DisPATCh等 | 基于物理关系（如土壤水分与光学数据关系）进行分解 | 有明确的物理机制支撑时 |
二、确定统一分辨率的依据
选择目标分辨率不是随意的，需要综合考虑以下因素：
1. 研究对象的空间尺度
作物类型识别： fragmented农田（小农户农业）需要10-30m分辨率
区域产量估算： 250m-1km足以满足需求
田块级精准农业： 需要<10m分辨率
2. 最小制图单元（MMU）
目标分辨率应能反映研究区的最小均质地块。例如：
若最小农田面积为0.5公顷（约50m×100m），则选择30m分辨率较为合适
若田块更小，则需要10m或更高分辨率
3. 数据可用性与云覆盖
热带/多云地区： 优先选择时间分辨率高的数据（如MODIS每日），牺牲空间分辨率
干旱地区： 可选择高空间分辨率数据（Sentinel-2）
4. 光谱需求
若需要红边波段（Red Edge）进行作物健康监测，必须以Sentinel-2的10-20m为基准
若仅需基础多光谱，Landsat的30m足够
5. 计算资源与存储
10m分辨率的数据量是30m的9倍，是250m的625倍
大区域长时序分析通常选择30m作为平衡点
步骤1：确定目标分辨率
建议：选择研究区最小田块能识别的最高分辨率（通常10m或30m）
步骤2：数据预处理
- 大气校正 → 云掩膜 → 几何配准 → 跨传感器定标（Harmonization）
步骤3：时空融合（关键步骤）
高分辨率数据（Sentinel-2, 10m）提供空间细节
低分辨率数据（MODIS, 250m）提供时间频率
生成10m分辨率、每日/每8天的合成数据
步骤4：气象数据降尺度
气象再分析数据（如ERA5, 25km）通过统计降尺度或动力降尺度到目标分辨率
使用高程、坡度等地形数据进行空间插值修正
步骤5：特征级融合
光谱特征（NDVI、EVI、红边指数）
雷达特征（Sentinel-1的后向散射，VV/VH）
气象特征（温度、降水、辐射）
输入机器学习模型（Random Forest、LSTM等）
关键注意事项
光谱一致性：不同传感器的波段设置不同，需要进行光谱响应函数调整（Spectral Bandpass Adjustment）
几何配准：确保所有数据源的空间配准误差<0.5个像元
时相匹配：作物生长关键期（如播种、拔节、成熟）的数据对齐比单纯的空间分辨率更重要
验证策略：升尺度后的数据必须用地面实测或高分辨率影像进行精度验证