Wildlife tracking data allow monitoring of how organisms respond to spatio-temporal changes in resource availability. Remote sensing data can be used to quantify and qualify these variations to understand how movement is related to these changes. The use of remote sensing data with concurrent high levels of spatial and temporal detail may hold potential to improve our understanding of habitat selection. However, no current orbital sensor produces data with simultaneous high temporal and high spatial resolution, therefore alternative methods are required to generate remote sensing data that matches the high spatial-temporal resolution of modern wildlife tracking data. We present an analytical framework, not yet used in movement ecology, for data fusion of optical remote sensing data from multiple satellites and wildlife tracking data to study the impact of seasonal vegetation patterns on the movement of maned wolves (Chrysocyon brachyurus). We use multi-source data fusion to combine MODIS data with higher spatial resolution data (ASTER, Landsat 4–5–7-8, CBERS 2-2B) and create a synthetic NDVI product with a 15 m spatial detail and daily temporal resolution. We also use the higher spatial resolution data to create a multi-source NDVI product with same level of spatial detail but coarser temporal resolution and data from MODIS to create a single-source NDVI product with high temporal resolution but coarse spatial resolution. We combine the three different spatial-temporal resolution NDVI products with GPS tracking data of maned wolves to create step-selection functions (SSF), which are models used in ecology to investigate and predict habitat selection by animals. The SSF model based on multi-source NDVI had the best performance predicting the probability of use of visited locations given its NDVI value. The SSF based on the raw MODIS NDVI product, one which is commonly employed by ecologists, had the poorest performance for our study species. These findings indicate that, in contrast with current practice in movement ecology, a detailed spatial resolution of contextual environmental variable may be more important than a detailed temporal resolution, when investigating wildlife habitat selection regarding vegetation, although this result will be highly dependent on species. The choice of data set should therefore take into account not only the scale of movement but also the spatial and temporal scales at which dynamic environmental variables are changing.

野生动物跟踪数据可用于监视生物体如何响应资源可用性的时空变化。遥感数据可用于量化和限定这些变化，以了解运动与这些变化之间的关系。将遥感数据与高水平的时空细节同时使用可能会提高我们对生境选择的理解。但是，当前的轨道传感器都无法同时产生高时间和高空间分辨率的数据，因此需要替代方法来生成与现代野生动植物跟踪数据的高时空分辨率相匹配的遥感数据。我们提出了一个尚未用于运动生态学的分析框架，（Chrysocyon brachyurus）。我们使用多源数据融合将MODIS数据与更高空间分辨率的数据（ASTER，Landsat 4-5-7-8，CBERS 2-2B）结合起来，创建具有15 m空间细节和每日时间分辨率的合成NDVI产品。我们还使用较高的空间分辨率数据来创建具有相同水平的空间细节但具有较粗糙的时间分辨率的多源NDVI产品，并使用来自MODIS的数据来创建具有高时间分辨率但具有粗糙的空间分辨率的单源NDVI产品。我们将三种不同的时空分辨率NDVI产品与鬃狼的GPS跟踪数据结合起来，以创建阶跃选择函数（SSF），这是生态学中用于调查和预测动物栖息地选择的模型。给定NDVI值，基于多源NDVI的SSF模型在预测访问位置的使用概率方面具有最佳性能。基于原始MODIS NDVI产品的SSF（生态学家通常使用的一种产品）对我们的研究物种而言性能最差。这些发现表明，与目前在运动生态学中的实践相比，在调查关于植被的野生动植物栖息地选择时，环境环境变量的详细空间分辨率可能比详细的时间分辨率更为重要，尽管该结果将高度依赖物种。因此，数据集的选择不仅应考虑运动的规模，还应考虑动态环境变量正在变化的时空尺度。基于原始MODIS NDVI产品的SSF（生态学家通常使用的一种产品）对我们的研究物种而言性能最差。这些发现表明，与目前运动生态学的实践相反，在调查野生动植物栖息地的植被选择时，环境环境变量的详细空间分辨率可能比详细的时间分辨率更为重要，尽管该结果将高度依赖物种。因此，数据集的选择不仅应考虑移动规模，而且还应考虑动态环境变量正在变化的时空尺度。基于原始MODIS NDVI产品的SSF（生态学家通常使用的一种产品）对我们的研究物种而言性能最差。这些发现表明，与目前运动生态学的实践相反，在调查野生动植物栖息地的植被选择时，环境环境变量的详细空间分辨率可能比详细的时间分辨率更为重要，尽管该结果将高度依赖物种。因此，数据集的选择不仅应考虑移动规模，而且还应考虑动态环境变量正在变化的时空尺度。在调查关于植被的野生动植物栖息地选择时，环境环境变量的详细空间分辨率可能比详细的时间分辨率更为重要，尽管此结果将高度依赖物种。因此，数据集的选择不仅应考虑移动规模，而且还应考虑动态环境变量正在变化的时空尺度。在调查关于植被的野生动植物栖息地选择时，环境环境变量的详细空间分辨率可能比详细的时间分辨率更为重要，尽管此结果将高度依赖于物种。因此，数据集的选择不仅应考虑移动规模，而且还应考虑动态环境变量正在变化的时空尺度。