归一化植被指数(NDVI)时间序列数据已经成功应用于全球与区域环境变化、植被动态监测、土地覆盖变化和植被生物物理参数反演等多方面的研究。NDVI时间序列数据受到云、气溶胶等大气条件和传感器自身等因素的影响包含很多噪声,影响了其进一步的应用。近年来,学者们提出了多种重构高质量NDVI时间序列数据的方法,但是每一种数据重构的方法都有其优缺点。因此,本文为了抑制异常低值和异常高值,提高NDVI时间序列数据的重构精度,避免改变正常NDVI值,构建高质量的时间序列影像,深入研究NDVI时间序列数据的重构方法并提出更为优化的方法,同时探索是否能够实现NDVI时间序列数据下一时刻的预测,具有十分重要的现实意义。本文以广州市为研究区,以空间分辨率为250m 16d间隔的MODIS NDVI影像和野外实测数据为数据源,裁剪位于流溪河国家森林公园内100*100大小像素的森林影像为研究对象,利用线性内插和扩展Kalman滤波组合重构方法对NDVI时间序列数据进行重构处理,并运用扩展Kalman滤波对NDVI时间序列数据重构后的结果进行一步预测,同时对重构和预测结果进行了验证。其主要内容如下:(1)NDVI时间序列重构本文在前人的研究基础上,为了提高扩展Kalman滤波重构NDVI时间序列的精度,结合已有NDVI时间序列模型,引入线性内插的方法,即利用线性内插和扩展Kalman滤波组合法对NDVI时间序列数据进行重构,并与EKF和中值滤波方法进行比较,利用部分样点的地面实测数据以及图像清晰度进行结果验证,得出基于线性内插和扩展Kalman滤波组合法、扩展Kalman滤波和中值滤波三种方法像元值的相对误差,分别在-1.91%~0.93%,-3.86%~5.85%和-0.28%~16.30%之间;其图像清晰度提升的范围是0.0014~0.0908,提升的幅度范围在3.89%~154.09%之间。总体而言,线性内插和扩展Kalman滤波组合的重构方法能够更好的逼近高质量的数据,拟合原始曲线的波峰,在提升曲线的整体效果的同时,降低原始数据的均值偏差和数据的离散程度,对低值噪声的抑制能力更好,图像清晰度更高。(2)NDVI时间序列预测基于NDVI时间序列重构的时序模型,利用扩展Kalman滤波算法的一步预测功能对NDVI时间序列进行预测,其像元点的时间序列预测结果的绝对误差范围在0.0044~0.0944之间,EC拟合效果达到0.9785,而图像清晰度整体呈下降趋势,下降的范围是-0.1063~-0.0011,降低幅度范围为-71.04%~-2.90%,说明扩展Kalman滤波对NDVI时间序列预测的效果并不显著,其值的准确性及适用性有待进一步探讨。基于以上分析,虽然扩展Kalman滤波对NDVI时间序列数据的重构效果不显著,需要后期进一步研究完善,但是线性内插和扩展Kalman滤波组合重构方法对NDVI时间序列数据的重构效果较好,对云层干扰、效果差的影像效果有明显提高,对原始影像中数据较好的区域在重构后也能够保留原有的影像质量,能够为森林监测、生态保护以及生态建设提供了良好的技术支持和信息基础。