出版日期: 2017-05-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176184
2017 | Volumn21 | Number 3
上一篇  |  下一篇
遥感应用 
黑河流域遥感物候产品验证与分析
expand article info 王聪1,2 , 李静1 , 柳钦火1,2 , 柏军华1 , 徐保东1,2 , 赵静1 , 曾也鲁1,2
1. 中国科学院遥感与数字地球研究所，遥感科学国家重点实验室，北京 100101
2. 中国科学院大学，北京 100049
收稿日期: 2016-06-13; 修改日期: 2016-12-03; 优先数字出版日期: 2016-12-10
基金项目: 国家自然科学基金(编号：41271366)；国家重点基础研究发展计划(973计划)(编号：2013CB733401)
第一作者简介: 王聪(1992—　)，女，硕士研究生，研究方向为遥感植被物候。E-mail： wangcong@radi.ac.cn
通讯作者简介: 李静(1978—　)，女，副研究员，研究方向为植被辐射传输模型、叶面积指数反演。E-mail： lijing01@radi.ac.cn
中图分类号: TP701
文献标识码: A

摘要

植被物候遥感产品对全球变化响应、农业生产管理、生态学的应用等多领域研究具有重要意义。但现有植被物候遥感产品还有较多问题，主要包括一方面使用不同参数的时间序列数据以及不同提取算法导致的产品结果差异较大，另一方面在地面验证中地面观测数据与遥感反演数据的物理含义不一致导致的验证方法的系统性误差。本文以黑河流域为研究区，对比验证基于EVI(Enhanced Vegetation Index)时间序列数据提取的MLCD(MODIS global land cover dynamics product)植被遥感物候产品和基于LAI(Leaf Area Index)时间序列数据提取的UMPM(product by universal multi-life-cycle phenology monitoring method)植被遥感物候产品的有效性及精度等。同时，通过验证分析进一步评估基于EVI和LAI时间序列提取的物候特征的差异及特点，探讨由于地面观测植被物候与遥感提取植被物候的物理意义的不一致问题导致的直接验证结果偏差。结果表明: UMPM产品有效性整体高于MLCD产品，但在以草地和灌木为主的稀疏植被区，由于LAI取值精度的原因，UMPM产品存在较多缺失数据，且时空稳定性较低；基于玉米地面观测数据表明，EVI对植被开始生长的信号比LAI更加敏感，更适合提取生长起点，但植被指数易饱和，峰值起点普遍提前，基于LAI提取的峰值起点更加合理。由于地面观测的物候期在后期更加关注果实生长，遥感观测仅关注叶片的生长，遥感定义的峰值终点和生长终点与玉米的乳熟期和成熟期差异较大。

关键词

遥感物候产品, 生长起点, 生长终点, 验证, 黑河流域

Validation and analysis of remote sensing phenology products in the Heihe River Basin
expand article info WANG Cong1,2 , LI Jing1 , LIU Qinhuo1,2 , BAI Junhua1 , XU Baodong1,2 , ZHAO Jing1 , ZENG Yelu1,2
1.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
2.University of Chinese Academy of Sciences, Beijing 100049, China

Abstract

Land surface phenology is of great significance in the fields of global change response, agricultural management, and ecological applications. However, compared with the strong demand for vegetation phenology mapping for global and regional research and applications, the development of remote sensing vegetation phenology products is slower than that of other remote sensing parameters, such as Leaf Area Index (LAI) and Vegetation Index (VI). Although Enhanced Vegetation Index (EVI) and LAI are the most widely used vegetation parameters for remote sensing phenology extraction, this study aims to compare the remote sensing phenology products derived from MODerate-resolution Imaging Spectroradiometer (MODIS) EVI and global land surface satellite product LAI in Heihe River Basin. Moreover, this study aims to assess the difference inphenology information that was extracted from EVI and LAI time series. The validity and accuracy between the MODIS global Land Cover Dynamics product (MLCD) and Universal Multi-life-cycle Phenology Monitoring Method (UMPM) product in the Heihe River Basin were compared. Validity contains the missing product rate and stability. Accuracy was assessed using representative observation sites. The sites were the basis of the two proposed indications (the mean bias and mean absolute bias) for the evaluation of remote sensing phonological metrics. Furthermore, phenology information that was extracted from EVI and LAI products was compared. Then, the variances between ground observations and phenology products were discussed in detail. The validity of UMPM is better than that of MLCD as a whole. However, in sparse vegetation that is mainly composed of shrubs and grasslands, UMPM has more missing data and lower spatial-temporal stability because its precision value is lower than that of EVI. For maize, EVI is more suitable for extracting the start of growing season, whereas LAI performs better for extracting the peak of growing season. However, field observations focus on fruit development during the later period of maize growth, whereas remote sensing phenology detection is specific to leaf development. Both MLCD and UMPM are inconsistent with ground observations after the peak of the growing season. Either MLCD or UMPM has advantages in different vegetation types and various phenological developmental stages. Uniting multisource data can improve the accuracy and validity of remote sensing phenology products. In addition, owing to the coarse spatial resolution of current remote sensing phenology products, it inevitably includes other plants within one square kilometers, which may lead to variability in phenological developmental stages and a weak relationship between remote sensing data and ground observations. Improving the spatial resolution of remote sensing phenology products is significant in the future promotion of their application and development.

Key words

remote sensing phenology product, the start of growing season, the end of growing season, validation, Heihe river basin

1 引　言

植被物候是研究植被周期性现象(如发芽、展叶、开花、落叶等)的发生时间，及其与环境的季节性变化相互关系的科学(Myneni 等，1997；竺可桢和宛敏渭，1999；Zhang 等，2003)。植被物候现象不仅反映自然季节的变化，而且能表现出生态系统对全球环境变化的响应和适应，因而也被视为是“大自然的语言”(竺可桢和宛敏渭，1999)和全球变化的“诊断指纹”(Root 等，2003)，已经被广泛应用于全球变化响应(Myneni 等，1997；Linderholm，2006；Schwartz 等，2006；Wang 等，2011)、农业生产管理(吴炳方 等，2005；Lunetta 等，2010；de Beurs和Ioffe，2014)和生态学的应用(Piao 等，2008, 2009；Barichivich 等，2013)等。

由于遥感观测具有覆盖范围广、连续性强的特点，遥感技术成为物候监测和研究的重要手段。遥感物候监测的卫星数据通常来自NOAA/AVHRR、SPOT/VGT、EOS/MODIS等中低分辨率卫星及陆地资源卫星TM/ETM+的植被参数数据，其中，包括NDVI和EVI在内的植被指数为最常用的植被参数(Zhang 等，2003；Wang 等，2006)。此外，也有研究学者探索利用叶面积指数LAI、光能辐射有效吸收比例fPAR和反照率albedo监测植被物候(Ahl 等，2006；Garrity 等，2011；Verger 等，2016)。植被物候遥感反演主要包括两个部分，一是时间序列数据重建，二是植被物候参数提取。由于云覆盖、大气气溶胶、季节性雪覆盖等因素影响，时间序列曲线中仍然残留较多低值和噪声数据，需要通过最佳指数斜率提取法、中值平滑法、S-G滤波法、非对称高斯函数拟合法等时间序列重建方法获取连续可靠的时间序列数据；对于植被物候参数提取方法，可分为阈值法(Lloyd，1990；Myneni 等，1997；Zhou 等，2001)、求导法(Moulin 等，1997；Tan 等，2011)、延迟滑动平均法(Reed 等，1994)、模型拟合法(Zhang 等，2003；Wagenseil和Samimi，2006)和最大斜率法等方法(Yu 等，2003；Piao 等，2011)。White等人(2009)对比分析十类物候监测方法提取北美地区植被春季物候，结果表明各类物候算法监测结果差异明显，不同物候监测算法所提取的生长起点不一致。此外，不同数据源和不同参数时间序列会使得在同一区域范围遥感植被物候监测结果差异很大(White 等，2009；Schwartz和Hanes，2010；White 等，2014)，因此，有必要深入分析遥感物候监测结果的有效性及精度。

当前植被物候结果验证方法包括地面物候观测数据验证(Soudani 等，2008；Ganguly 等，2010)、高分辨率卫星与地面物候观测相结合验证(Fisher和Mustard，2007；Liang 等，2011；Hmimina 等，2013)、通量观测塔验证(Garrity 等，2011；Gonsamo 等，2012)、无线传感器验证(Hmimina 等，2013；Klosterman 等，2014)和物候模型验证(White 等，2009；Schwartz和Hanes，2010)。其中，地面物候观测数据验证将地面站点代表性植物的特定物候现象的发生日期作为验证数据，是最传统、最直接的物候验证方法(竺可桢和宛敏渭，1999)，也是目前在算法验证、产品真实性检验中广泛使用的方法(Ganguly 等，2010；Hmimina 等，2013；Xiao 等，2013)。但遥感提取物候方法是基于特定参数(如EVI或LAI)时间序列的曲线变化特征，这个特征是否与地面物候观测到的物候节点对应，且不同的参数的时间序列提取的植被物候特征是否一致，这些都是影响植被物候产品验证精度、分析有效性的关键问题，需要更深入的分析与讨论。

现阶段已发布的全球遥感物候产品仅有MODIS遥感物候产品MLCD(MODIS global land cover dynamics product)。MLCD产品以MODIS EVI为数据源，EVI相较于NDVI在高植被覆盖敏感性、降低土壤背景影像、消除大气传输干扰等方面进行了改进。当前已有学者对MLCD产品开展了一些验证工作。Ganguly等人(2010)采用北美地区两个森林站点的地面观测数据验证物候提取结果，说明MLCD物候产品能监测植被的展叶和落叶过程，但生长终点的不确定性较大。Hmimina等人(2013)研究结果表明MLCD物候产品在热带雨林区域存在较多的数据缺失，且该区域反演的物候期与实际值存在系统偏差。全球遥感物候产品的缺乏以及产品缺陷一定程度上已经限制了遥感物候的应用和发展(夏传福 等，2012)。在此背景下，Verger等人(2016)基于SPOT-VEGETATION LAI(universal multi-life-cycle phenology monitoring method)采用阈值法生产了全球遥感物候产品。该产品与全球气候扰动及生态群落的分布有很好的空间一致性，产品所采用的冠层结构参数LAI对不同传感器的观测具有鲁棒性，能更好的反映茂密植被的动态变化。夏传福等人(2012)基于LAI时间序列数据提出通用多周期物候反演方法，并基于该方法利用MODIS LAI生产了2007年中国地区遥感物候产品，通过中国地区的地面站点数据验证该产品的提取精度较MLCD有明显的提高。考虑到GLASS LAI(Global Land Surface Satellite Product)具有良好的时空连续性和时空一致性(Liang 等，2013；Xiao 等，2014)，UMPM长时间序列全球遥感物候产品基于GLASS LAI，采用通用多周期物候反演方法(夏传福 等，2012)进行生产。

本文以西北干旱区的黑河流域为研究区，利用地面物候观测数据，对覆盖该区域的UMPM及MLCD产品开展直接验证及交叉对比验证，分析产品的有效性及精度等。同时，通过验证分析进一步评估基于MODIS/EVI和GLASS/LAI时间序列提取的物候特征的差异及特点，探讨由于地面观测植被物候与遥感提取植被物候的物理意义的不一致问题导致的直接验证结果偏差。分析结果对植被物候提取方法及验证方法的改进提供研究基础。

2 研究区与数据

2.1 研究区

黑河流域(97.1°E—102.0′E，37.7°N—42.7°N)地处欧亚大陆中部，位于中国西北干旱区，面积约14.3×105 km2(Zhong 等，2015)，属于典型的大陆性干旱与半干旱气候。黑河流域生态系统的特点与西北干旱区的其他内陆河流域具有相似性，从高山冰川/永久积雪、高山草甸、森林、草地到平原绿洲和戈壁荒漠，构成了一个完整的干旱区自然生态景观。黑河流域地形垂直高度变化大，气候差异显著。上游祁连山区海拔一般在2300 m以上，蒸发弱，降水相对充沛，主要植被类型为草地和林地，山区气候寒冷，植物开始生长时间较晚，大约在五月中旬开始生长，生长结束日期约为10月下旬；中部河西走廊区气候相对干燥，降水较少，以人工农田为主，主要作物类型为玉米和春小麦，大约在4月下旬，农作物开始大部分出苗生长，小麦的收割时间约在8月底或9月初，玉米的收割时间约为10月底；下游额济纳旗平原深居内陆腹地，降水少而蒸发强烈，主要分布着大面积的戈壁和沙漠(陈正华 等，2008；杨永民 等，2012)。

2.2 数据与预处理

2.2.1 MLCD

MLCD物候产品(MCD12Q2 Collection 5)(Zhang 等，2003；Ganguly 等，2010)采用MODIS反照率产品MOD43B4提供的天底反射率数据(NBAR)(Huete 等，2002)计算EVI值反演植被物候期，空间分辨率500 m，时间跨度为2001年—2014年。由于EVI数据受到云、气溶胶、雪和观测角度等影响，需先对时间序列数据进行预处理，然后由连续5个时相EVI值组成的滑动窗口来判断持续升高和降低区间，当所在区间的极大值和振幅满足给定阈值条件后，判断该升高和降低区间为一个生长周期过程，一年时间序列曲线最多记录两个生长周期。对于每一个生长周期，采用分段Logistic函数拟合，并利用其曲率值变化的极值点，确定生长起点、峰值起点、峰值终点和生长终点四个物候特征参数。Logistic函数法能有效抑制噪声影响，且不需设置阈值或经验性限制条件，具有较好的普适性，运用十分广泛。验证中提取2001年—2014年生长起点、生长峰值起点、生长峰值终点和生长终点数据集，进行拼接、投影转换、裁剪等。同时将MLCD产品采用像素取平均的方法进行升尺度至1 km，以便与UMPM产品进行对比分析。

2.2.2 UMPM

UMPM物候产品以时空连续性和时空一致性较好的GLASS LAI作为数据源(Xiao 等，2014)，采用通用多周期法生产(夏传福 等，2012)，时间跨度为1982年—2014年。其中，1982年—2000年产品的空间分辨率为5 km，2001年—2014年产品的空间分辨率为1 km。产品算法首先采用傅里叶和多项式组合函数拟合时间序列曲线，通过拟合函数的极大值点确定物候周期数，一年时间序列曲线最多记录3个生长周期。对于每一个生长周期，采用主算法和备用算法相结合的植被物候反演策略，即选用Logistic函数拟合法作为主算法，当LAI最大值小于1时，选用分段线性拟合法PLF (Piecewise Linear Fitting)作为备用算法。PLF将生长周期分割为2—5条线段进行表达，线段相连处可确认为对应的关键物候结点。相较于MLCD产品，UMPM数据集更加丰富。每个生长周期包含6个数据集，除了MLCD所包含的四个物候特征参数外，还增加了生长最快点和衰落最快点数据集。与MLCD产品预处理类似，提取2001年—2014年生长起点、生长峰值起点、生长峰值终点和生长终点数据集，进行拼接、投影转换、裁剪等。

2.2.3 植被分类产品

本文采用寒区旱区数据中心所提供的黑河流域土地利用覆被数据集([2016-06-13]http://westdc. westgis.ac.cn/)作为代表性样点筛选辅助数据集，空间分辨率为30 m，时间分辨率为每月，如图1所示。该产品保留了传统的土地利用图的基本类别信息，包括水体，城镇，耕地，常绿针叶林，落叶阔叶林等，同时增加了对耕地范围的作物精细分类，包括玉米、大麦、油菜、春小麦等主要作物信息。通过Google Earth高清影像和实地调研数据对2012年的分类结果进行精度评价，总体精度达到92.19%(仲波 等，2014；Zhong 等，2015)。此外，搜集MODIS土地覆盖分类产品MLCT(MODIS Land Cover Types)用于产品间的交叉验证，该产品的空间分辨率为500 m，通过最邻近像元法将其升尺度至1 km。


图 1 黑河流域2012年6月地表类型覆被数据
Fig. 1 Land cover map for Heihe River Basin in June 2012

2.2.4 地面站点观测数据

地面站点数据来自中国气象科学数据共享服务网农业气象资料专题(CMA)提供的“中国农作物生长发育状况资料数据集”。从中筛选出位于黑河流域的4个地面观测站点：酒泉、高台、张掖和民乐，站点信息见表1，站点分布见图1。其中，作物名称、发育期名称、发育期日期、发育程度4个字段的数据被选作站点农作物的物候观测记录进行收集、整理。观测玉米的发育期包括播种、出苗、三叶、七叶、拔节、抽穗、乳熟、成熟，观测小麦的发育期包括播种、出苗、分蘖、拔节、抽穗、乳熟、成熟。发育程度分为开始期、普遍期和末期。

表 1 地面观测站点信息
Table 1 Information of ground phenology observation sites

下载CSV 
站点名称 纬度/°N 经度/°E 时间范围 观测作物类型
酒泉 39.77 98.48 2001—2012 玉米、小麦
高台 39.37 99.83 2002—2009 玉米、小麦
张掖 39.93 100.43 2002—2012 玉米、小麦
民乐 38.45 100.82 2001—2012 小麦

3 物候产品验证

本文从3个方面开展验证工作：一是进行反演有效性分析，即统计遥感物候产品在黑河地区的缺失率和稳定性；二是以陆表分类产品为辅助数据，对MLCD和UMPM两种物候产品开展交叉验证；三是利用地面观测数据，对物候产品进行站点对比验证，并探究利用物候产品输入数据所提取的物候参数与地面观测物候期的对应关系，如图2所示。


图 2 物候产品验证方案
Fig. 2 The validation scheme of phenology products

3.1 产品有效性分析

(1) 产品缺失率。植被物候遥感产品的缺失来源主要有两部分，所选参数(如LAI或VI)时间序列不连续而无法反演和反演算法的限制而反演失败。图3分别统计了2012年黑河流域的MLCD和UMPM产品缺失像元所占比例。MLCD产品总缺失率为9.9%，UMPM产品总缺失率为7.6%。UMPM产品中灌木和草地的缺失率分别占到24.9%和7.7%，常绿针叶林和农作物的缺失率很少；而MLCD产品在4种植被类型均有缺失，常绿针叶林和农作物的缺失率分别占2.1%和9.9%。


图 3 主要植被类型反演缺失率统计结果
Fig. 3 Missing rates of main vegetation types

图4以最大叶面积指数为背景，展示了两套物候产品反演缺失的空间分布情况，即图中红色区域所示。图4底部统计了不同最大叶面积指数下产品缺失像元个数。可见，两套物候产品反演缺失分布大体相同，主要分布在上游林区间的草地以及下游的荒漠植被区。反演缺失像元的最大叶面积指数大多小于0.5，MLCD产品反演缺失像元最大叶面积指数小于0.5的占比69.9%，UMPM产品占比99.7%。稀疏植被是目前的物候产品反演失败最多、反演误差最大的植被类型。UMPM产品算法体系设计了备用算法针对稀疏植被的时间序列特点，但图3结果显示在灌木类型上基于LAI时间序列反演得到的植被物候失败仍很高。


图 4 UMPM和MLCD物候产品反演缺失分布
Fig. 4 The distribution of missing data of UMPM and MLCD products

(2) 稳定性分析。产品稳定性是衡量产品质量的一个重要方面，包括时间稳定性和空间稳定性。时间稳定性是指同一地区的植被在年际间的生长特征具有一定的相似性，即影响植被生长的气温降水等气候因素在同一地区通常不会有剧烈的变化。空间稳定性是指生长在同一年份同一区域的同种植被类型物候特征相似，即由于受到的气温和降水等气候因素的影响相同使得植被生长相似(侯学煜，1984)。本节使用2001年—2014年数据分析两个产品的时间稳定性，使用2012年数据对比分析MLCD和UMPM产品的空间稳定性。

为分析产品时间稳定性，以2001年到2014年植被生长起点的平均绝对误差作为指标。其计算公式为

${\rm{MAD}} = \frac{{\sum\limits_{i = 1}^{14} {\left| {{\rm{SOS}}_{i} - \overline {\rm{SOS}} } \right|} }}{{14}}$ (1)

式中，SOSi为第i年的生长起点日期，${\overline{\rm{SOS}} }$为年平均生长起点日期。平均绝对误差值越低，说明产品时间稳定性越高。总的来说，UMPM产品时间稳定性高于MLCD产品(如图5)。图6为常绿针叶林、灌木、草地、农作物4种植被类型的2001年—2014年平均差频率图。可见，对常绿针叶林、草地、农作物，UMPM产品的14年的平均变化都要小于MLCD产品，在常绿针叶林表现更明显。对灌木(图6(b))两产品的频率分布图相似，只是由于UMPM产品的缺失率较高频率值变低。因此，UMPM产品的时间稳定性在除灌木外的其他类型上都优于MLCD产品。Wang等人(2006)指出Logistic函数法不适用于稀疏植被区，Ganguly等人(2010)也指出MLCD在稀疏植被区域精度不高。对于UMPM产品，其备用算法(分段线性拟合法)也不适用于稀疏植被区。


图 5 2001年—2014年平均差频率分布图
Fig. 5 The frequency profile of mean deviation from 2001 to 2014


图 6 2001年—2014年不同植被类型平均差频率分布图
Fig. 6 The frequency profile of mean deviation for different vegetation types from 2001 to 2014

为分析产品空间稳定性，以9 km×9 km滑动窗口对黑河流域遥感物候产品进行搜索，计算该窗口内中心点与滑动窗口内同一植被类型的距平值。图7反映了两套物候产品空间绝对偏差分布情况。可见，两套物候产品空间绝对偏差大多分布在20 d以内，整体上，MLCD产品的空间稳定性高于UMPM产品。常绿针叶林、灌木、草地、农作物的空间绝对偏差频率分布如图8所示。对于常绿针叶林和农作物，两套物候产品的空间稳定性大致相同，但对于灌木和草地，UMPM产品在空间偏差小的频率低于MLCD产品，导致了UMPM的整体空间稳定性偏低。可见，在空间稳定性上，UMPM产品在灌木和草地类型上存在明显不足。其主要原因与以上的时间稳定性显示的结果相似，主要是由于LAI较低的取值精度(0.1)使UMPM产品算法对稀疏植被的算法考虑没有发挥出来，反而比EVI的结果更差。


图 7 2012年空间绝对偏差频率分布图
Fig. 7 The frequency profile of spatial absolute deviation in 2012


图 8 不同植被类型空间绝对偏差频率分布图
Fig. 8 The frequency profile of spatial absolute deviation for different vegetation types

3.2 产品间交叉验证

分别对2012年UMPM产品与MLCD产品生长起点和生长终点作差，得到物候产品差值空间分布图，如图9所示。对于生长起点，UMPM大部分像元相较于MLCD有推迟趋势，其比例约为70%；对于生长终点，UMPM较多像元相比MLCD有提前趋势，其比例约为63%。UMPM产品与MLCD产品差值范围主要分布在在–20—20天之间，最大差值的绝对值可达到30—60 d，差值较大的区域主要分布在以草地和灌木为主的稀疏植被。


图 9 2012年UMPM产品与MLCD产品差值分布
Fig. 9 The distribution of the difference between UMPM and MLCD in 2012

空间格局的分布差异具体体现在对不同植被类型的提取差异。对每一种植被类型，分别计算生长起点和生长终点的平均值，得到物候期均值年际变化，如图10所示。从两套物候产品在2001年—2014年的年间对比来看，UMPM产品对不同植被类型的年际变化较小，MLCD产品对不同植被类型的年际变化较大。由于LAI和EVI提取常绿针叶林物候的物理含义不一致(Wu 等，2014)，除常绿针叶林外，两套物候产品提取生长起点的差异大于生长终点。具体来说，对于常绿针叶林，UMPM产品所提取的生长起点较MLCD提前5 d左右，生长终点较MLCD推迟约11 d；对于灌木，两套物候产品提取结果差异较大，UMPM产品生长起点较MLCD推迟约16 d，生长终点较MLCD产品提前约15 d；对于草地，两套物候产品提取结果较为接近，特别是生长终点，其差值均在10 d以内；对于农作物，两套物候产品生长起点的差异十分明显，UMPM产品的生长起点较MLCD约推迟20 d，两套物候产品生长终点的差异较小，UMPM产品的生长起点较MLCD约提前7 d。从变化趋势上看，常绿针叶林的生长终点表现出相反的变化趋势；灌木、草地和农作物的生长终点的变化趋势较为一致。对于农作物的生长起点，两套物候产品一致表现出较大的推迟趋势。


图 10 2001年—2014年不同植被类型物候期均值年际变化
Fig. 10 The interannual variation of different vegetation types from 2001 to 2014

3.3 地面站点观测验证

地面物候观测数据验证将地面站点代表性植物的特定物候现象的发生日期作为验证数据，是最传统、最直接的物候验证方式。但是，利用单点的物候观测验证大尺度的遥感监测结果十分困难(Fisher和Mustard，2007)，尺度效应使得地面站点观测数据与遥感观测数据的相关性较差，因为单站点的特定植物很难代表遥感尺度(特别是当分辨率≥1 km时)所覆盖的整个生态群落信息(Reed 等，1994；White 等，1997)，因而在验证时需要尽量选择植被类型均一、地形平坦地区的地面站点数据(Fisher和Mustard，2007)。由于在局部小区域范围内，同一年份同一植被类型所对应的植被物候期，存在一定程度的相似性，在该区域内选取地面站点观测的植被类型比例较高的像元可在一定程度上提高地面站点观测数据与遥感观测数据的相关性。基于此，本文以地面站点所在像元为中心，在9 km×9 km范围内，利用精细植被分类产品逐像元统计主要作物类型占该像元总面积的比例，将比例最高的像元所对应的物候期值作为与地面观测物候期值相对应的遥感产品值。经过筛选，酒泉站点对应像元玉米比例51.8%，高台站点对应像元玉米比例56.5%，张掖站点对应像元玉米比例73.4%，民乐站点对应像元小麦比例最高仅有30.1%。因而判定民乐站点不具备代表性，不对其进行验证分析。验证站点所代表的像元地物类型比例如表2所示，其中，其他作物是黑河地区非主要作物类型的集合(不包括玉米、大麦、小麦、油菜、棉花和苜蓿这些主要作物类型)，主要是各种蔬菜，由于植株较小，分布零散，难以进行区分(Zhong 等，2015)。

表 2 验证站点代表像元地物类型比例
Table 2 The proportion of land cover types in a pixel corresponding to each site

下载CSV 
/%
站点 玉米 其他作物 建筑 裸地
酒泉 51.8 40.1 5.4 2.7
高台 56.5 32.9 8.8 1.8
张掖 73.4 15.8 8.7 2.1

基于地面站点的遥感产品验证中，对于玉米植被类型，常常将出苗期对应生长起点，抽穗期对应峰值起点，乳熟期对应峰值终点，成熟期对应生长终点(Xin 等，2002；Xiao 等，2013)。本研究中也使用此对应关系。图11反映了3个地面站点地面观测物候期与遥感产品物候期的对应关系。分别将两套物候产品所对应的物候期与地面观测物候期进行线性拟合，可见，物候产品数据与地面观测数据相关性较好，R2均高于0.88，但在不同物候期，物候产品数据与地面观测数据差异明显。


图 11 物候产品与地面观测物候期的相关关系
Fig. 11 The correlation between remote sensing phenology data and ground observation data

表3统计了2001年—2012年MLCD和UMPM产品生长起点、峰值起点、峰值终点、生长终点与地面观测站点物候期多年平均偏差(MB)和多年平均绝对偏差(MAB)。对于生长起点，MLCD产品生长起点的多年平均绝对偏差较UMPM小，为13.4 d，但对于峰值起点、峰值终点和生长终点，UMPM产品与地面观测值更加接近，其多年平均绝对偏差分别为12.2 d，12.5 d和27.7 d。图12更直观地反映了物候产品与3个站点的地面观测物候期差值的总体分布情况。结合表3统计结果，UMPM产品的生长起点与作物出苗期存在较大差异，差值分布大部分呈现推迟趋势(MB=14.1)，MLCD产品与作物出苗期差异较小，但其值大部分呈现提前趋势(MB=–6.5)；对于峰值起点和峰值终点，MLCD普遍早于地面观测的玉米抽穗期和乳熟期，多年平均偏差分别为–22.6，–16.8，UMPM值普遍晚于MLCD值；对于生长终点，两套物候产品均表现出很大的推迟趋势，相较于玉米成熟期晚30—60 d，MLCD对生长终点的波动较大。

表 3 物候产品与地面观测站点物候期平均偏差与平均绝对偏差
Table 3 The MB and MAB between remote sensing phenology data and ground observation data

下载CSV 
站点 物候产品 生长起点 峰值起点 峰值终点 生长终点
MB MAB MB MAB MB MAB MB MAB
酒泉 UMPM 3.5 8.2 7.8 7.8 8.0 11.1 32.0 32.0
MLCD –8.5 8.8 –17.2 17.2 –25.0 25.0 56.4 56.4
高台 UMPM 20.3 22.2 22.3 22.3 –6.2 6.5 21.2 21.2
MLCD 2.9 14.0 –24.3 24.3 –6.2 13.5 29.2 29.2
张掖 UMPM 16.6 16.6 4.4 9.3 –19.9 19.9 25.4 25.4
MLCD –13.3 16.3 –24.6 24.6 –17.2 17.2 30.3 30.3
总计 UMPM 14.1 15.8 10.2 12.2 –5.0 12.5 27.7 27.7
MLCD –6.5 13.4 –22.6 22.6 –16.8 18.7 39.8 39.8


图 12 物候产品与地面观测差值的箱式分布
Fig. 12 The box distribution of the difference between remote sensing phenology data and ground observation data

为进一步分析不同物候产品所提取的遥感物候特征参数的差异性，以及与地面观测物候期之间的关系，本文以2005年—2007年酒泉、高台和张掖站点所对应的EVI和LAI时间序列曲线作为参照，将遥感提取植被物候特征参数与地面观测物候期进行对比，如图13所示。可见，GLASS LAI时间序列曲线相较于MODIS EVI时间序列曲线更加平滑(Xiao 等，2014)。就关键物候期来看，EVI对植被生长的开始比LAI更加敏感，因此MLCD产品的生长起点整体上比UMPM产品提前。EVI曲线在植被生长阶段变化十分迅速，较早达到了峰值阶段而进入了饱和期，因此，MLCD产品的峰值起点普遍都提前。玉米在拔节后进入快速生长阶段，而这时EVI已经达到峰值饱和，在抽穗期，玉米叶片生长处于峰值期，可见UMPM产品相对更能准确的把握到峰值起点。MLCD产品的峰值终点在抽穗期前后出现，这时期玉米还处于叶片生长阶段或生长峰值阶段，UMPM产品的峰值终点出现在抽穗期和乳熟期之间，相对比较合理。生长终点两个产品相近，但与成熟期都相差较多，可见两者的物候含义对应不同。


图 13 2005年—2007年物候产品数据源时间序列比较
Fig. 13 Comparison of remote sensing phenology products based on data source time series from 2005 to 2007

以上分析可见，遥感提取生长起点与地面观测的出苗期物候含义接近；快速生长期与拔节期对应；峰值起点基本在抽穗期前后；峰值终点与地面观测的物候期对应关系不是很一致，主要因为地面观测的物候期在后期更加关注果实生长，而遥感观测仅关注叶片的生长，因此导致两者差异；对生长终点，地面观测与遥感提取的差异更加明显，主要原因是玉米生长成熟期表示玉米籽粒生理成熟，达到可以正常收获的最低程度；遥感生长终点表示群落内多数植株不能正常生长且叶子开始变色的日期。本验证试验区的玉米生产农户为达到收获产量最高，玉米收获时间一般选择在初霜前进行，玉米植株在初霜后开始萎蔫。因此，造成遥感生长终点与玉米生长记录的成熟期差异较大，并且这种差异会由初霜时间的早晚决定。

4 结　论

本文以黑河流域为研究区对UMPM和MLCD物候产品开展基于地面站点的直接验证和产品间的对比验证，进行了反演有效性分析和精度评估等，得出主要结论如下：

(1)UMPM产品和MLCD产品的缺失分析及稳定性分析显示：黑河流域不同植被类型的两套产品表现相差较大。对常绿针叶林和农作物类型，UMPM的缺失率较MLCD明显低，UMPM产品在时间稳定性上较MLCD产品更趋稳定，两套产品的空间稳定性特征较相似。对灌木类型，UMPM的缺失率明显高于MLCD，时间稳定性特征相似，UMPM产品的空间差异比MLCD产品更明显。对草地类型，UMPM产品缺失率比MLCD低，但两者相差不多，UMPM产品的时间变化小于MLCD，空间差异比MLCD产品明显。UMPM产品在灌木和草地上的整体产品有效性不高，主要是由于UMPM产品采用的LAI的取值精度(0.1)比EVI的取值精度(0.01)低，时间序列更易出现阶梯状分布，当有少数异常值存在时，阶梯状时间序列的规律性更难提取，导致最后UMPM产品在灌木和草地类型上的高失败率及空间不稳定性。因此，对稀疏植被植被指数比叶面积指数更适于植被物候的提取。

(2)UMPM产品与MLCD产品交叉验证的结果表明：两套物候产品生长起点的差异较大，差值较大的区域主要分布在以草地和灌木为主的稀疏植被。由于LAI和EVI提取常绿针叶林物候的物理含义不一致，从变化趋势上看，常绿针叶林的生长终点表现出相反的变化趋势；灌木、草地和农作物的生长终点的变化趋势较为一致。对于农作物的生长起点，两套物候产品一致表现出较大的推迟趋势。

(3)UMPM产品和MLCD产品与玉米地面观测数据的分析结果显示：对于生长起点，EVI对植被开始生长的信号比LAI更加敏感，更适合提取生长起点；对于峰值起点，由于植被指数易饱和，在玉米拔节期就已达到峰值，对后期的快速生长已无法显示，MLCD的峰值起点普遍提前，相对来说，基于LAI提取的峰值起点更加合理；由于地面观测的物候期在后期更加关注果实生长，遥感观测仅关注叶片的生长，遥感定义的峰值终点和生长终点与玉米的乳熟期和成熟期差异越来越大。对峰值终点，MLCD提取的在抽穗期前后，UMPM提取的通常延后一些，在乳熟期前后；对生长终点，MLCD和UMPM产品提取的结果相近，但与地面观测的物候期相差较大。

由于黑河流域地面验证数据集的限制，本研究的直接验证仅针对玉米植被类型进行了分析，在后续研究中还需要继续扩展区域和植被类型，对物候产品进行更为全面的精度评价。此外，升尺度后的MLCD产品和UMPM产品空间分辨率较粗，尽管我们在地面验证站点附近挑选了代表性物种比例最高的像元，由于黑河农作物田块破碎，验证站点在1 km2范围内不可避免包含了其他作物，且同一作物类型的播种时间也不一定一致，遥感监测数据与地面验证站点数据的偏差依然较大。混合像元也在一定程度上降低了遥感数据与地面数据的相关性。因此，提高遥感物候产品的空间分辨率，一方面可提升遥感对地面小尺寸目标的识别能力，一方面也有助于验证遥感物候产品精度，对推动遥感物候的应用与发展具有十分重要的意义。

参考文献(References)

  • Ahl D E, Gower S T, Burrows S N, Shabanov N V, Myneni R B and Knyazikhin Y. 2006. Monitoring spring canopy phenology of a deciduous broadleaf forest using MODIS. Remote Sensing of Environment, 104 (1): 88–95. [DOI: 10.1016/j.rse.2006.05.003]
  • Barichivich J, Briffa K R, Myneni R B, Osborn T J, Melvin T M, Ciais P, Piao S L and Tucker C. 2013. Large-scale variations in the vegetation growing season and annual cycle of atmospheric CO2 at high northern latitudes from 1950 to 2011 . Global Change Biology, 19 (10): 3167–3183. [DOI: 10.1111/gcb.12283]
  • Chen Z H, Ma Q Y, Wang J, Qi Y, Li J, Huang C L, Ma M G and Yang G J. 2008. Estimation of Heihe basin net primary productivity using the CASA model. Journal of Natural Resources, 23 (2): 263–273. [DOI: 10.11849/zrzyxb.2008.02.011] ( 陈正华, 麻清源, 王建, 祁元, 李净, 黄春林, 马明国, 杨国靖. 2008. 利用CASA模型估算黑河流域净第一性生产力. 自然资源学报, 23 (2): 263–273. [DOI: 10.11849/zrzyxb.2008.02.011] )
  • de Beurs K M and Ioffe G. 2014. Use of landsat and MODIS data to remotely estimate Russia’s sown area. Journal of Land Use Science, 9 (4): 377–401. [DOI: 10.1080/1747423X.2013.798038]
  • Fisher J I and Mustard J F. 2007. Cross-scalar satellite phenology from ground, landsat, and MODIS data. Remote Sensing of Environment, 109 (3): 261–273. [DOI: 10.1016/j.rse.2007.01.004]
  • Ganguly S, Friedl M A, Tan B, Zhang X Y and Verma M. 2010. Land surface phenology from MODIS: characterization of the Collection 5 global land cover dynamics product. Remote Sensing of Environment, 114 (8): 1805–1816. [DOI: 10.1016/j.rse.2010.04.005]
  • Garrity S R, Bohrer G, Maurer K D, Mueller K L, Vogel C S and Curtis P S. 2011. A comparison of multiple phenology data sources for estimating seasonal transitions in deciduous forest carbon exchange. Agricultural and Forest Meteorology, 151 (12): 1741–1752. [DOI: 10.1016/j.agrformet.2011.07.008]
  • Gonsamo A, Chen J M, Price D T, Kurz W A and Wu C Y. 2012. Land surface phenology from optical satellite measurement and CO2 eddy covariance technique . Journal of Geophysical Research: Biogeosciences, 117 (G3): G03032 [DOI: 10.1029/2012JG002070]
  • Hmimina G, Dufrêne E, Pontailler J Y, Delpierre N, Aubinet M, Caquet B, de Grandcourt A, Burban B, Flechard C, Granier A, Gross P, Heinesch B, Longdoz B, Moureaux C, Ourcival J M, Rambal S, Saint André L and Soudani K. 2013. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: an investigation using ground-based NDVI measurements. Remote Sensing of Environment, 132 : 145–158. [DOI: 10.1016/j.rse.2013.01.010]
  • Hou X Y. 1984. What is the distribution of the vegetation types in China?. Plants (6): 21–22. ( 侯学煜. 1984. 我国的植被类型是怎样分布的?. 植物杂志 (6): 21–22. )
  • Huete A, Didan K, Miura T, Rodriguez E P, Gao X and Ferreira L G. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83 (1/2): 195–213. [DOI: 10.1016/S0034-4257(02)00096-2]
  • Klosterman S T, Hufkens K, Gray J M, Melaas E, Sonnentag O, Lavine I, Mitchell L, Norman R, Friedl M A and Richardson A D. 2014. Evaluating remote sensing of deciduous forest phenology at multiple spatial scales using PhenoCam imagery. Biogeosciences, 11 (16): 4305–4320. [DOI: 10.5194/bg-11-4305-2014]
  • Liang L, Schwartz M D and Fei S L. 2011. Validating satellite phenology through intensive ground observation and landscape scaling in a mixed seasonal forest. Remote Sensing of Environment, 115 (1): 143–157. [DOI: 10.1016/j.rse.2010.08.013]
  • Liang S L, Zhao X, Liu S H, Yuan W P, Cheng X, Xiao Z Q, Zhang X T, Liu Q, Cheng J, Tang H R, Qu Y H, Bo Y C, Qu Y, Ren H Z, Yu K and Townshend J. 2013. A long-term global land surface satellite (GLASS) data-set for environmental studies. International Journal of Digital Earth, 6 (S1): 5–33. [DOI: 10.1080/17538947.2013.805262]
  • Linderholm H W. 2006. Growing season changes in the last century. Agricultural and Forest Meteorology, 137 (1/2): 1–14. [DOI: 10.1016/j.agrformet.2006.03.006]
  • Lloyd D. 1990. A phenological classification of terrestrial vegetation cover using shortwave vegetation index imagery. International Journal of Remote Sensing, 11 (12): 2269–2279. [DOI: 10.1080/01431169008955174]
  • Lunetta R S, Shao Y, Ediriwickrema J and Lyon J G. 2010. Monitoring agricultural cropping patterns across the Laurentian Great Lakes Basin using MODIS-NDVI data. International Journal of Applied Earth Observation and Geoinformation, 12 (2): 81–88. [DOI: 10.1016/j.jag.2009.11.005]
  • Moulin S, Kergoat L, Viovy N and Dedieu G. 1997. Global-scale assessment of vegetation phenology using NOAA/AVHRR satellite measurements. Journal of Climate, 10 (6): 1154–1170. [DOI: 10.1175/1520-0442(1997)010<1154:GSAOVP>2.0.CO;2]
  • Myneni R B, Keeling C D, Tucker C J, Asrar G and Nemani R R. 1997. Increased plant growth in the northern high latitudes from 1981 to 1991. Nature, 386 (6626): 698–702. [DOI: 10.1038/386698a0]
  • Piao S L, Ciais P, Friedlingstein P, Peylin P, Reichstein M, Luyssaert S, Margolis H, Fang J Y, Barr A, Chen A P, Grelle A, Hollinger D Y, Laurila T, Lindroth A, Richardson A D and Vesala T. 2008. Net carbon dioxide losses of northern ecosystems in response to autumn warming. Nature, 451 (7174): 49–52. [DOI: 10.1038/nature06444]
  • Piao S L, Friedlingstein P, Ciais P, Peylin P, Zhu B and Reichstein M. 2009. Footprint of temperature changes in the temperate and boreal forest carbon balance. Geophysical Research Letters, 36 (7): L07404 [DOI: 10.1029/2009GL037381]
  • Piao S L, Wang X H, Ciais P, Zhu B, Wang T and Liu J. 2011. Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006. Global Change Biology, 17 (10): 3228–3239. [DOI: 10.1111/j.1365-2486.2011.02419.x]
  • Reed B C, Brown J F, VanderZee D, Loveland T R, Merchant J W and Ohlen D O. 1994. Measuring phenological variability from satellite imagery. Journal of Vegetation Science, 5 (5): 703–714. [DOI: 10.2307/3235884]
  • Root T L, Price J T, Hall K R, Schneider S H, Rosenzweig C and Pounds J A. 2003. Fingerprints of global warming on wild animals and plants. Nature, 421 (6918): 57–60. [DOI: 10.1038/nature01333]
  • Schwartz M D, Ahas R and Aasa A. 2006. Onset of spring starting earlier across the Northern Hemisphere. Global Change Biology, 12 (2): 343–351. [DOI: 10.1111/j.1365-2486.2005.01097.x]
  • Schwartz M D and Hanes J M. 2010. Intercomparing multiple measures of the onset of spring in eastern North America. International Journal of Climatology, 30 (11): 1614–1626. [DOI: 10.1002/joc.2008]
  • Soudani K, le Maire G, Dufrêne E, François C, Delpierre N, Ulrich E and Cecchini S. 2008. Evaluation of the onset of green-up in temperate deciduous broadleaf forests derived from Moderate Resolution Imaging Spectroradiometer (MODIS) data. Remote Sensing of Environment, 112 (5): 2643–2655. [DOI: 10.1016/j.rse.2007.12.004]
  • Tan B, Morisette J T, Wolfe R E, Gao F, Ederer G A, Nightingale J and Pedelty J A. 2011. An enhanced TIMESAT algorithm for estimating vegetation phenology metrics from MODIS data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4 (2): 361–371. [DOI: 10.1109/Jstars.2010.2075916]
  • Verger A, Filella I, Baret F and Peñuelas J. 2016. Vegetation baseline phenology from kilometric global LAI satellite products. Remote Sensing of Environment, 178 : 1–14. [DOI: 10.1016/j.rse.2016.02.057]
  • Wagenseil H and Samimi C. 2006. Assessing spatio-temporal variations in plant phenology using Fourier analysis on NDVI time series: results from a dry savannah environment in Namibia. International Journal of Remote Sensing, 27 (16): 3455–3471. [DOI: 10.1080/01431160600639743]
  • Wang H, Li X B, Ying G, Wang D D and Long H L. 2006. The methods of simulating vegetation growing season based on NOAA NDVI. Progress in Geography, 25 (6): 21–32. [DOI: 10.11820/dlkxjz.2006.06.003]
  • Wang X H, Piao S L, Ciais P, Li J S, Friedlingstein P, Koven C and Chen A P. 2011. Spring temperature change and its implication in the change of vegetation growth in North America from 1982 to 2006. Proceedings of the National Academy of Sciences of the United States of America, 108 (4): 1240–1245. [DOI: 10.1073/pnas.1014425108]
  • White K, Pontius J and Schaberg P. 2014. Remote sensing of spring phenology in northeastern forests: a comparison of methods, field metrics and sources of uncertainty. Remote Sensing of Environment, 148 : 97–107. [DOI: 10.1016/j.rse.2014.03.017]
  • White M A, De Beurs K M, Didan K, Inouye D W, Richardson A D, Jensen O P, O’Keefe J, Zhang G, Nemani R R, Van Leeuwen W J D, Brown J F, De Wit A, Schaepman M, Lin X M, Dettinger M, Bailey A S, Kimball J, Schwartz M D, Baldocchi D D, Lee J T and Lauenroth W K. 2009. Intercomparison, interpretation, and assessment of spring phenology in North America estimated from remote sensing for 1982-2006. Global Change Biology, 15 (10): 2335–2359. [DOI: 10.1111/j.1365-2486.2009.01910.x]
  • White M A, Thornton P E and Running S W. 1997. A continental phenology model for monitoring vegetation responses to interannual climatic variability. Global Biogeochemical Cycles, 11 (2): 217–234. [DOI: 10.1029/97GB00330]
  • Wu B F, Zhang F, Liu C L, Zhang L and Luo Z M., 2005. An integrated method for crop condition monitoring. Journal of Remote Sensing, 8 (6): 498–514. [DOI: 10.11834/jrs.20040602] ( 吴炳方, 张峰, 刘成林, 张磊, 罗治敏. 2005. 农作物长势综合遥感监测方法. 遥感学报, 8 (6): 498–514. [DOI: 10.11834/jrs.20040602] )
  • Wu C Y, Gonsamo A, Gough C M, Chen J M and Xu S G. 2014. Modeling growing season phenology in North American forests using seasonal mean vegetation indices from MODIS. Remote Sensing of Environment, 147 : 79–88. [DOI: 10.1016/j.rse.2014.03.001]
  • Xia C F, Li J and Liu Q H. 2012. Vegetation phenology monitoring method using time-series MODIS LAI data. Transactions of the Chinese Society of Agricultural Engineering, 28 (19): 103–109. [DOI: 10.3969/j.issn.1002-6819.2012.19.014] ( 夏传福, 李静, 柳钦火. 2012. 基于MODIS 叶面积指数的遥感物候产品反演方法. 农业工程学报, 28 (19): 103–109. [DOI: 10.3969/j.issn.1002-6819.2012.19.014] )
  • Xiao W W, Sun Z G, Wang Q X and Yang Y H. 2013. Evaluating MODIS phenology product for rotating croplands through ground observations. Journal of Applied Remote Sensing, 7 (1): 073562 [DOI: 10.1117/1.JRS.7.073562]
  • Xiao Z Q, Liang S L, Wang J D, Chen P, Yin X J, Zhang L Q and Song J L. 2014. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 52 (1): 209–223. [DOI: 10.1109/TGRS.2013.2237780]
  • Xin J F, Yu Z R, van Leeuwen L and Driessen P M. 2002. Mapping crop key phenological stages in the North China Plain using NOAA time series images. International Journal of Applied Earth Observation and Geoinformation, 4 (2): 109–117. [DOI: 10.1016/S0303-2434(02)00007-7]
  • Yang Y M, Tian J, Rong Y and Long A H. 2012. Monitoring spatial patterns of vegetation phenology in Heihe River Basin based on remote sensing. Remote Sensing Technology and Application, 27 (2): 282–288. [DOI: 10.11873/j.issn.1004-0323.2012.2.282] ( 杨永民, 田静, 荣媛, 龙爱华. 2012. 基于遥感的黑河流域植被物候空间格局提取分析. 遥感技术与应用, 27 (2): 282–288. [DOI: 10.11873/j.issn.1004-0323.2012.2.282] )
  • Yu F F, Price K P, Ellis J and Shi P J. 2003. Response of seasonal vegetation development to climatic variations in eastern central Asia. Remote Sensing of Environment, 87 (1): 42–54. [DOI: 10.1016/S0034-4257(03)00144-5]
  • Zhang X Y, Friedl M A, Schaaf C B, Strahler A H, Hodges J C F, Gao F, Reed B C and Huete A. 2003. Monitoring vegetation phenology using MODIS. Remote Sensing of Environment, 84 (3): 471–475. [DOI: 10.1016/S0034-4257(02)00135-9]
  • Zhong B, Ma P, Nie A H, Yang A X, Yao Y J, Lü W B, Zhang H and Liu Q H. 2014. Land cover mapping using time series HJ-1/CCD data. Science China Earth Sciences, 44 (5): 967–977. [DOI: 10.1007/s11430-014-4877-5] ( 仲波, 马鹏, 聂爱华, 杨爱霞, 姚延娟, 吕文博, 张航, 柳钦火. 2014. 基于时间序列HJ-1/CCD数据的土地覆盖分类方法. 中国科学: 地球科学, 44 (5): 967–977. [DOI: 10.1007/s11430-014-4877-5] )
  • Zhong B, Yang A X, Nie A H, Yao Y J, Zhang H, Wu S L and Liu Q H. 2015. Finer resolution land-cover mapping using multiple classifiers and multisource remotely sensed data in the heihe river basin. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (10): 4973–4992.
  • Zhou L M, Tucker C J, Kaufmann R K, Slayback D, Shabanov N V and Myneni R B. 2001. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999. Journal of Geophysical Research: Atmospheres, 106 (D17): 20069–20083. [DOI: 10.1029/2000JD000115]
  • Zhu K Z and Wan M W. 1999. Phenology. Changsha: Hunan Education Press (竺可桢, 宛敏渭. 1999. 物候学. 长沙: 湖南教育出版社)
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体