山区由于其复杂的微气候和丰富的生物多样性，对气候变化尤为敏感。然而，频繁的云覆盖和复杂的地形给山区植被动态的有效监测带来了巨大挑战，导致 Landsat 等高分辨率 NDVI 数据集中存在大量持续缺失。现有的 NDVI 重建方法在这种条件下往往难以提供精确、细尺度的估算结果。为应对这一关键挑战，本研究提出了一种新颖的全局拟合与局部精细化（GFLR, Global Fitting and Local Refinement）方法，并在 Google Earth Engin（GEE）平台上实现，用于在持续多云的山区重建 NDVI 时间序列。GFLR 首先通过对近 40 年的 NDVI 观测数据进行全局拟合，提取长期的植被物候曲线；随后，在近期 3 年的时间窗口内利用有效观测对曲线进行局部精细化调整，从而更好地反映当前的植被动态。我们将 GFLR 与两种常用方法GFSG与Fill-and-Fit（FF）方法进行了系统比较。结果表明，GFLR 在各种云覆盖频率和地形复杂度条件下均表现出更高的精度与稳定性（R² ≥ 0.85，RMSE ≤ 0.05，Bias ≤ 0.02），在性能上持续优于 GFSG 和 FF 方法。更重要的是，GFLR 能够有效捕捉由地形因素（如坡向和海拔）驱动的植被细尺度空间异质性。
为展示所重建 NDVI 数据集在生态应用中的实用性，我们分析了沿地形梯度的植被动态。结果显示，在气候变暖背景下，多云山区中阳坡与阴坡之间的 NDVI 差异以及NDVI 随海拔递减的坡度均呈现上升趋势。这些变化主要归因于地形诱导的微气候差异，突显了 GFLR 揭示细微但具有生态学意义趋势的能力。
基于 GFLR 的 NDVI 数据集为在气候变化背景下研究复杂多云山区的植被动态提供了可靠、稳健的数据基础。借助 GEE 的云计算能力，GFLR 还能实现山区植被动态的高效、大尺度监测，为生物多样性保护和气候适应战略提供了重要的数据支持。GFLR 的实现代码已公开获取：https://code.earthengine.google.com/d8e44168515df9969df9e9fe8a8232bd。
 

多云山区；NDVI；重构；GEE