出版日期: 2019-11-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20198327
2019 | Volumn23 | Number 6
上一篇  |  下一篇
综述 
遥感数据时空尺度对地理要素时空变化分析的影响
expand article info 万昌君1 , 吴小丹1 , 林兴稳2
1. 兰州大学 资源环境学院，兰州 730000
2. 浙江师范大学 地理与环境科学学院，金华 321004
收稿日期: 2018-08-14; 预印本: 2018-12-19
基金项目: 国家自然科学基金(编号：41801226)；中央高校基本科研业务费专项资金资助(编号：lzujbky-2018-45)
第一作者简介: 万昌君，1997年生，男，研究方向为遥感数据产品的分析和验证。E-mail: wanchj15@lzu.edu.cn
通信作者简介: 吴小丹，1987年生，女，副教授，研究方向为定量遥感数据产品的反演和真实性检验。E-mail: wuxd@lzu.edu.cn

摘要

地理要素的时空变化分析对于了解和掌握地表的规律性有着重要的作用。利用地面站点观测、实地调查等传统方式获取数据，对地理要素进行时空变化分析是最常用的方法。但该类方法往往表现的是“点尺度”观测，不能在大尺度情况下准确地反映地表的时空变化信息。遥感卫星能以一定的时间间隔获得空间连续的对地“面尺度”观测数据，然而其特定的空间和时间分辨率使其获取的地表信息仍十分有限。同时地表的空间异质性和个别地表短时间内的快速变化，使得利用遥感数据对地理要素进行时空变化分析时，时空变化分析结果会随观测尺度而发生改变。本文从空间尺度和时间尺度两方面综述遥感数据时空尺度对地理要素的时空变化分析产生的影响和原因，并针对这些问题总结了减小时空尺度对结果不确定性影响的现行方法。可以通过多源遥感协同观测和反演、尺度转换、空间建模等方法减小空间尺度引起的不确定性；通过联合多时相遥感数据的方法减小时间尺度引起的不确定性。在实际应用中，应根据所观测地理要素的实际情况，综合分析选择合适的方法。

关键词

时空尺度, 时空变化, 地理要素, 地表异质性, 遥感, 多源数据

Impact of spatial and temporal scales of remote sensing data on the spatiotemporal change in geographic elements
expand article info WAN Changjun1 , WU Xiaodan1 , LIN Xingwen2
1.College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
2.College of Geography and Environmental Sciences, Zhejiang Normal University, Jinhua 321004, China

Abstract

The detection of the changes in surface parameters is important to understand the regularity of the Earth’s surface. Traditional data sources, such as in situ stations and field observations, have been extensively used to analyze the spatiotemporal changes in geographic parameters. However, this kind of data only provides information at " point scales,” which cannot comprehensively reflect the spatiotemporal change information of land surfaces. Remote sensing provides a practical means of spatially and continuously obtaining the land surface information at regular intervals. However, the achievable information remains limited by specific spatial and temporal resolutions. Furthermore, results of change detection are typically inconsistent when different remote sensing data are used because of the heterogeneities and seasonal change in land surfaces. This study reviewed the causes and effects of spatial and temporal scales on the change detection of land surface parameters. The methods for reducing the uncertainty of change detection results are summarized. Spatial scale involves the size of the spatial extent and spatial resolution. Similarly, temporal scale partially refers to the length of time range and temporal resolution. The features of the surface landscape are complexity, heterogeneity, and fragmentation. Consequently, the geographic entity exists at a specific spatial and temporal frame. Thus, the completeness of the acquired surface information depends on the spatial and temporal scales of remote sensing data. The geographic elements, which are homogeneous on a scale, may be heterogeneous on another scale. Generally, the remote sensing data at large pixel scales frequently combine the detailed information contained in small pixel scales. Low temporal resolution can result in the inability to capture the rapid changes in land surfaces. For the uncertainty caused by spatial scale, the methods for reducing such kind of effects include multisource remote sensing collaborative observation and inversion, scale conversion, and spatial modeling. For the temporal scale, the methods for reducing such kind of effect are mainly focused on combining multitemporal remote sensing data. The advantages and disadvantages of these methods in practical applications were analyzed in this study. Although many scholars have developed methods for reducing the influence of spatiotemporal scale on the change detection of geographic elements, a universal method is difficult to establish given the contradiction between the spatially and temporally varying characteristics of geographic elements and the nature of remote sensing data. However, these impacts can be minimized by selecting appropriate observation scales and improving the algorithms based on the characteristics of surface parameters. With the diversity of high-quality satellite data and the improvement of the algorithms, the uncertainties of change detection results can be reduced.

Key words

spatial and temporal scale, spatial and temporal variation, geographical factors, surface heterogeneity, remote sensing, multi-source data

1 引　言

地理要素的时空变化分析研究是地理研究的重要内容，有助于认识地理要素变化的规律性，并利用规律进行预测，从而对变化的合理性和可能引起的灾害性进行评估，并提出相应的对策(姚鲁烽 等，2013)。现阶段可进行时空变化分析的数据源很多，主要包含两类：地面观测数据和遥感影像数据。单点的实地观测数据空间覆盖范围较小，往往表现的是“点尺度”，其观测值只能代表测点附近很小的空间范围。在空间范围较大，且地表不均一时，以“点”尺度观测值推广到“面”尺度观测值会引入较大的误差，不能准确地反映出地理要素的空间分布信息。多点观测能有效改善上述情况，但多点密集观测会使观测成本成倍增加，布设点的选取对区域有效观测的代表性效果影响甚大。遥感数据集能够提供时空连续的对地观测数据，逐渐成为时空变化分析的主要数据源(周国模 等，2004；陈先刚 等，2008)。如韩震等(2006)将CMODIS数据应用于研究长江口岸悬浮泥沙的平面分布和运移的时空分布规律；陈怀亮等(2010)将GIMMS NDVI数据集应用于分析对黄河、渤海地区植被覆盖的时空特征；王朗等(2010)将MODIS影像数据集应用于研究陕北植被的生态恢复状况；史磊刚等(2018)将高分数据应用于北京冬小麦面积的时空变化。特别地，遥感数据正因其空间分辨率、时间频率地提高以及时间序列地增加，在城市扩张和土地利用变化等时空变化分析中发挥着越来越重要的作用(Jensen 等，1999；Donnay 等，2014；Yang 等，2003)。

了解地理要素的重要特征，有助于更好地利用遥感数据对地表的时空变化进行分析；复杂性是地理要素的重要特征之一，地理要素的相互作用及其之间的驱动关系导致地理要素在不同的时空尺度下具有不同的时空变化规律，遥感数据某一观测尺度所揭示的时空变化规律不能简单地应用到更高一级或低一级的尺度上(陈佑启 等，2005；宋长青 等，2018)。只有当观测尺度和分析尺度与所研究对象的特征尺度相匹配时，该观测对象的时空变化规律特征才能被揭示(张娜，2006；Wu 等，2006)。利用遥感数据进行的相关研究中，如果观测尺度选择不合适，可能会得不出理想的实验结果。以旱灾风险评价系统为例，土地利用方式和人类活动在不同空间尺度上存在差异，旱灾影响程度在不同空间尺度上表现也会不同。因此旱灾风险评价的首要问题是评价单元的选取，即空间观测尺度选取。随着观测尺度的变化，旱灾风险评价系统的类型和结构会发生相应的变化，干旱的衡量指标和表现特征也会随之不同。此外，不同时间尺度可以构成不同层面的干旱风险，有些区域在长时间尺度受旱影响小、较平稳，但在短时间尺度内有较大的风险。如内蒙兴和县，年降水量不低，约400 mm左右，但降水变率大，容易形成春旱(李双成 等，2005；潘东华 等，2018)。

虽然现阶段有关时空尺度的研究日益增多，但缺少时空尺度对时空变化分析影响的相关梳理，选择合适的时空观测尺度来准确研究地理要素的时空变化依然是较为困难的(Bierman 等，2011)。本文概括了利用不同时空尺度遥感影像对地理要素时空变化分析造成的影响，并综述了引起这种现象的原因，同时总结了相应的解决措施，最后对遥感数据时空尺度对时空变化分析的影响进行展望。

2 时空尺度对时空变化分析影响

遥感中尺度问题涉及空间和时间两类，各包含两方面的内涵：一方面指在观察或研究某一现象或地物时所选用的空间和时间单位；另一方面，也可以指空间和时间上的现象或过程的范围(张莹 等，2012)。对于空间尺度有两种含义，一种是空间范围的大小，一种是空间分辨率的大小。相应地，时间尺度也有时间范围的长短和时间分辨率的高低两种含义(宇振荣，2008)。从种类上，空间尺度又可分为特征尺度、观测尺度和分析尺度，特征尺度为地理要素所固有的，不随意识而改变，是地理要素的自身性质和变化的尺度；观测尺度是对地理要素采样、测量、观察所依据的标准，常常受观测目的、认知和测量仪器的限制；分析尺度是对地理要素分析时采用的表征尺度，受制于观测尺度和现象尺度(刘凯 等，2008)。本文探讨的是不同遥感数据的观测尺度对地理要素时空变化分析的影响。

2.1 空间尺度的影响

在使用不同空间尺度的遥感数据时，较大的空间尺度可能掩盖中小尺度上的数据差异；中尺度遥感数据能较好地处理数据的获取与精度的关系，但不能很好地揭示复杂地表的规律性；精细尺度能较为深入地获取地理要素的复杂特征信息，但对数据的质量、数据处理的能力要求过高，同时容易陷入局部，不能全面反映较大区域的地表信息(曾红伟 等，2011)。如巴桑等(2012)使用半球尺度的NOAA北半球周积雪数据和500 m分辨率的MODIS数据对西藏地区积雪变化趋势分析，得出了不同的春季积雪变化趋势；NOAA数据分析的结果为增加，而MODIS数据分析的结果为减少，且变化趋势比别的季节更加明显。张友静等(2010)使用MODIS和Landsat遥感数据集反演获取土壤水分时，更高空间分辨率的Landsat影像具有更好的NDWI(归一化水指数)估算结果。毛学刚等(2016)指出用30 m空间分辨率的遥感产品对森林生物量进行地统计分析时，该参量存在明显的尺度效应，如果使用更高空间分辨率的遥感产品进行估算可能得到不同的估算结果。

AVHRR和MODIS是两种较易获取且时间序列较长的遥感数据，在区域及全球等大尺度的土地覆被研究中具有重要意义，从而被广泛应用。但是AVHRR(8 km、1 km)的低空间分辨率限制了其对地表参量观测信息细节的描述，只能用于反映自然系统的概况，而进行空间变异性和异质性高的土地覆被系统研究，需要采用比AVHRR空间分辨率更高的数据(Zhan 等，2002)。因此常有学者采用具有较高空间分辨率的MODIS数据进行土地覆盖的研究，张明伟等(2008)基于MODIS时序数据建立了一种大尺度农作物类型识别模型；田静等(2011)采用MODIS时序数据对黑河中游荒漠化和绿洲化的时空变化进行分析监测；孙雷刚等(2014)利用MODIS时间序列资料，对近13年来河北坝上地区植被变化特征进行了深入分析。但对于空间异质性较强的地表，MODIS 250/500 m或1 km的空间分辨率仍相对较低，在遥感影像中不易区分的区域应继续采用更高空间分辨率的数据(Comber 等，2012)。与低空间分辨率影像数据相比，高空间分辨率影像数据提供了更为丰富的纹理信息和空间结构，通常是土地利用/覆盖度测绘和变化检测的主要数据来源(Woodcock 等，2012)，常应用于监测生态系统的动力过程(Healey 等，2005；Masek 等，2006, 2008)以及生物地球化学参数估计(Cohen 等，2004)等领域。但是，这些卫星数据获取成本高，重访周期长(Landsat：16天；IRS：24天；SPOT / HRV：26天)、频繁的云污染和其他恶劣的大气条件(Jorgensen，2000；Asner，2001；Ju 等，2008)，限制了它们在检测季节内生态系统物候变化和快速地表变化时的使用(Ranson 等，2003；Giri 等，2013；韩刚 等，2017)。无人机遥感作为一种新兴的遥感数据获取手段，具有成本低、体积小、机动性强、操作简便等诸多优势；受地形和天气条件影响小，可通过设置飞行高度获得多时相、多尺度的高时空分辨率遥感影像，快速掌握地理要素的时空变化，减小了传统光学卫星和普通航空遥感易受时间分辨率、空间分辨率和云层遮挡等带来的影响(李冰 等，2012；高尚，2017)。但无人机遥感数据和其他具有米级或亚米级尺度的(超)高分辨率卫星遥感数据和航空遥感数据(QuickBird；WorldView；IKONOS 等)虽具有细致的空间结构信息，却面临角度数据不足，难以准确的捕捉地表二向反射特性的问题。同时，研究尺度过于精细，陷入局部而不能窥其全貌；数据复杂，数据量大使得遥感数据处理和信息提取也存在一定的难度。另外，基于这种数据反演得到的产品虽然能够反映空间分布的细节，但绝对精度难以保证(王伟超 等，2013；吴小丹 等，2015)。如何有效利用多空间分辨率的遥感数据，使提供的信息量最大化，是应该进一步考虑的问题。

2.2 时间尺度的影响

在不同的地区，城市扩张、洪涝和森林砍伐等地表动态往往发生在一个较小的空间尺度和时间范围内。若需及时有效地监测土地覆盖的细微变化，有必要收集时间序列长、时空分辨率高的遥感影像(Zhang 等，2018)。如万玮 等(2010)用3个时相的遥感影像作为数据源对青藏高原湖泊面积进行提取时，采用丰水期的瞬时水边线进行湖泊面积提取，发现提取的湖泊面积存在一定的误差，若采用更高时间分辨率的多景影像将有效减小误差。目前，随着遥感技术的进一步发展，同一区域内不同时期大量遥感数据的累积成为可能。采用长时间序列的遥感数据对地理要素进行估算，已广泛地应用到地表参量的监测和分析中(杨忍 等，2013；赵忠明 等，2016)，如积雪覆盖变化(Parajka 等，2008；Immerzeel 等，2009)，植被监测(Kennedy 等，2010；Gandhi 等，2015)，海冰变化(柯长青 等，2013)等。

遥感影像的时间序列分析不仅可以定性地揭示地理现象的变化发展规律，也可以定量地来描述地理现象之间的内在联系，有效地认识地理要素时空变化规律、较好地预测地理现象的未来行为(罗芳琼 等，2009；Kim 等，2017)。但使用不同的时间分辨率的数据进行分析常会导致不一致的时间序列分析结果。在热带疏草原地区，旱季开始前或开始时火灾灾情常较轻且不太强烈，而在旱季中后期发生的火灾则剧烈且更加密集，采用较低时间分辨率的遥感数据进行观测，将造成对积极火点预测时刻的误差(Alves 等，2017)。此外，使用遥感数据产品进行时间序列分析时，仍面临某一遥感数据产品时间序列不够长的问题，无法进行准确的预测和深入的定量分析。如柯长青等(2013)利用AMSR_E海冰密集度数据产品(2002年—2011年)来观测北极海冰的具体变化情况时，限于时间序列不长，并没有对影响海冰的因素进行全面、深入地定量分析；Liu 等(2012)通过高度异常均方根或海面涡动能来间接研究中尺度涡旋的年际变化时，限于使用的高度计数据时间序列不够长(<18年)，难得到年代际之间的变化。

3 时空尺度对时空变化分析影响原因分析

地表景观具有复杂性、异质性、破碎性的特点，使用不同时间尺度和空间尺度的对地观测遥感数据获取的地表信息的完整度不同，遥感影像数据代表的时空信息均存在不同程度的缺失。空间分辨率过低会导致混合像元的存在，时间分辨率过低会导致无法捕捉地表覆被的快速变化。每一地理实体都有其固定的空间范围和时间范围，而且仅能在特定的空间、时间范围内被观测到。研究的地理要素高度依赖观测的尺度，在某一个观测尺度上地理要素是同质的，在另一个观测尺度上则可能是异质的(苏理宏 等，2001)。

空间分辨率对时空变化分析的影响，主要来源于地表的异质性和遥感数据特定的空间尺度(Xian 等，2005；刘雅妮 等，2010；孟宝平 等，2015)。遥感影像是由规则、大小均一的栅格组成，随着遥感观测尺度的增大，像元的结构由简单到复杂，组成成分也逐渐增多(宇振荣，2008)。当地表覆盖类型异质性较大，且遥感观测空间分辨率较低的时候，则必需考虑混合像元的问题。否则，混合像元分析出来的时空变化结果很可能不是针对某种特定的地表类型(Lu，2006；Garrigues 等，2006)。提高像元的空间分辨率，可以在一定程度消除尺度引起的不确定性，并减小估算误差(梁雷 等，2013)。当空间分辨率较高且像元内相对均一时，可认为它是纯净像元并用于精确的监测模型研究，便于遥感和地面观测数据的互相比较。如于磊等(2011)与官宝红等(2008)分别使用SPOT 5和Landsat数据研究水质和土地利用结构的相关性，结果不一致的原因可能是流域与亚流域尺度的选择和遥感影像(SPOT 5和Landsat)空间分辨率不同导致的。张友静等(2010)指出TM影像较MODIS影像具有更好NDWI(归一化水分指数)估算结果的原因，可能是研究区小麦地破碎，地表覆盖的空间异质性导致空间分辨率较低的MODIS数据反演误差更大。但如果进行大面积、持续观测时，较高时间分辨率的MODIS数据无疑具有更大的优势。叶面积指数(LAI)是定量遥感的一个关键参数，大量的研究结果表明，不同空间分辨率遥感数据的叶面积指数往往不同。对于连续植被，当像元尺度小和空间分辨率提高时，可以获得一个“微观大、宏观小”的尺度，忽略混合像元所占的比例，从而认为该尺度下测得的LAI为真实的LAI。因此，一般从高分辨率遥感数据中提取的LAI值高于从粗分辨率遥感数据提取的LAI值，造成这种现象的原因是地表的空间异质性和反演方法的非线性(徐希孺 等，2009；Zhu 等，2010；范闻捷 等，2013)。

时间尺度对时空变化分析的影响，主要来源于遥感影像记录地表信息的瞬时性。地物本身的变化不可忽视，存在渐变、突变等，因此采用不同时间尺度的遥感数据往往会获得不同的时空变化结果。当时间分辨率较低，不容易捕捉到地表的快速变化(例如植被返青，降雪融雪等过程)。另外，时间序列上的变化往往包含着年际变化(渐变过程)，季节性改变(物候)和极端情况下的突变(洪涝、干旱，暴雨，火山爆发等)(de Jong 等，2012)。当所用数据时间分辨率比较低或时间序列比较短时，往往会得到不全面的结论。

目前，高空间分辨率的卫星通常具有相对较低的时间分辨率和低重复观测能力，很难监测地理要素的快速变化或整个作物生育期的长时间序列变化信息。相反，低空间分辨率卫星传感器以高重复频率获取数据，然而空间分辨率往往太粗糙，不能检测到小区域地理要素发生的变化，刻画空间异质性能力差(Qiao 等，2009；Ozdogan，2010)。空间分辨率与时间分辨率之间的的矛盾往往难以满足地物快速变化的监测需求(朱长明 等，2014)，在使用有限遥感数据对地理要素进行时空变化分析时不可避免的受时空尺度的影响。尤其是在我国南方地区和城市环境区域，地块较为破碎，在空间和光谱特征方面具有高度异质性和复杂性，这些都加重了混合像元的问题，对最终的相关实验结果产生影响(Deng 等，2009；张莉 等，2011)。

迄今为止，还没有单个卫星传感器可以同时提供具有高空间和时间分辨率的遥感图像(Price，1994；Gao 等，2006；Li 等，2017；Zhu 等，2016)。随着对地观测技术的发展，我国的高分系列卫星在提高空间分辨率的同时，时间分辨率也有了很大的提高。但受限于天气条件的限制，可利用的数据时间连续性仍然较差。无人机遥感作为卫星遥感的补充，虽可提供高空间分辨率、高时效的影像，但仍处于起步阶段，影像质量和精度有待改进且只能获取较小范围内的“面尺度”观测值(李冰 等，2012)。现总结遥感数据时空尺度对地理要素时空变化分析的影响和原因如表1所示。

表 1 时空尺度对地理要素时空变化分析的影响和原因
Table 1 The causes and effects of spatial and temporal scales on the change detection of land surface parameters

下载CSV 
时空尺度 尺度大小 主要影响 原因
空间 大中尺度 混合像元的存在；
较大的空间尺度可能掩盖中小尺度上的数据差异 		地表的异质性；
遥感数据特定的空间尺度
小尺度 遥感数据处理和信息提取存在一定的难度；
反映局部难以窥全貌 		尺度过于精细，数据复杂，数据量大等
时间 时间分辨率低 无法捕捉地表覆被的快速变化、极端情况下的突变 遥感影像记录地表信息的瞬时性，而地理要素存在渐变(年际变化、季节性改变)、突变(洪涝、干旱，暴雨，火山爆发等)等
时间序列短 无法准确刻画地理要素变化的规律性并预测
　注：高空间分辨率的卫星影像通常具有相对较低的时间分辨率和低重复观测能力，很难监测地理要素的快速变化或整个作物生育期的长时间序列影像信息。相反，低空间分辨率卫星传感器以高重复频率获取数据，然而它们的空间分辨率往往太粗糙，不能检测到小区域地理要素发生的变化，刻画空间异质性能力差。空间分辨率与时间分辨率之间的的矛盾是遥感数据难以满足地物时空变化监测的根本原因之一。

4 减小时空尺度影响的途径

尽管，目前的遥感数据多种多样，但受限于成本和技术等条件，实际应用中常采用单一遥感模式(彭建 等，2015)。空间分辨率相对较高的遥感数据，光谱信息不足，细节信息过多，难以覆盖大空间范围；空间分辨率相对较低的遥感数据受混合像元影响严重，地物分类精度不高；同时受大气环境和传感器重返周期的影响，可利用图像都低于理论可获取图像(Mathur 等，2008；Turker 等，2011；Yang 等，2011)。因此选择最佳的遥感数据空间分辨率对于发现和理解不同现象尺度上地理要素的时空变化规律有着重要的帮助，明冬萍(2006)和冯桂香等(2015)都就此进行了相关综述。而由于地理要素的时空异质性、尺度敏感性、光谱重叠与交叉、遥感影像时间和空间分辨率相互制约以及诸多环境因素的干扰影响，单一遥感模式的数据观测效果往往不佳(宋茜 等，2015)。本文着重于如何发挥不同遥感数据源的优点，使其更好地服务于相关的应用研究，这也成为了目前研究的重点，并总结了减小时空尺度效应影响的主要途径如表2所示。

表 2 减小时空尺度影响的途径
Table 2 Methods to reduce the impact of spatial and temporal scales

下载CSV 
分类 解决途径 使用条件 优点 缺点
减小空间尺度效应的途径 多源协同观测和反演 多源遥感融合(多种时间、空间分辨率的遥感数据) 较好地保留了低空间分辨率的高时间分辨率数据的时间变化细节；
也保留了高空间分辨率卫星捕捉空间细节能力 		冗余数据源去除；
融合算法(通用性和鲁棒性)的选择；
地形多样性(极度破碎地区，其纹理特征与局部细节信息仍将有部分缺失)
多分辨率协同观测(遥感数据、非遥感数据如：GIS数据) 根据观察对象的特性和观测要求，选择与其特征尺度匹配的不同空间分辨率的遥感数据或GIS数据；
节约了成本、提高了数据的利用率 		不同分辨率的空间数据具有不同的应用范围，如何发挥各空间数据的优势，没有定量、准确的统一标准
尺度
转换 		升尺度转换 为反演产品提供真实性检验的理论和技术支持 趋于产生更同质的低信息量数据，关键信息的保留较少
降尺度转换 引入额外信息，得到信息更为丰富的数据产品 面临信息量不足的问题，且不同的信息量之间不能很好的融合
空间统计模型构建 对模型的主导因子和次要因子有较好的认识 同时具有简单性和逼真性，通过抓住主导因子，逐步增加次要因子，可以更省时省力地表达地理空间元素的分布、模式和变化过程 由于自然界的复杂性，时空建模仍不能很好的从定量的角度对地理要素的时空变化检测分析
减小时间尺度效应的途径 联合多时相遥感数据 多个时相的
遥感影像 		较好地解决了遥感数据时间序列不足的问题 受时间频率(重复观测周期)和时间序列长度(可获取的数据时间跨度)的限制和传感器、天气状况的干扰影响，可使用影像有限，较难获得连续的时间上的观测
　注：由于目前时空尺度对时空变化的影响主要在于时空分辨率之间的相互制约，不能同时具有高时间、高空间分辨率，大部分以解决空间尺度效应为目标的途径也适用于解决时间尺度效应。

4.1 减小空间尺度效应的途径

目前消除空间尺度效应影响的主要途径包括多源协同观测和反演、空间尺度转换和空间统计模型构建等。有效利用多源遥感数据，可以提供更多的有效信息，减少理解的歧义性，已经成为了解决遥感时空尺度效应的有效途径之一。多源遥感的使用，既包括遥感影像的融合、同化，也包括多分辨率协同观测(唐华俊 等，2010)。多源遥感融合是基于已有的“时相密集”的低空间分辨率遥感影像序列(例如：MODIS，MERIS，SPOT)和与之时间点对应的“时相稀疏”的高空间分辨率遥感影像序列(例如：Landsat，CBERS，QuickBird)，通过时空融合算法的处理，生成目标区域内“时相密集”的高空间分辨率影像序列，综合有效地利用多源卫星遥感影像各自的优势(黄波 等，2017)。柳树福等(2011)将自适应时空反射率融合模型(STARFM)集成到ETWatch中，融合不同观察尺度的多源遥感产品反演蒸散量(ET)，较好地保留了低空间分辨率的高时间分辨率数据的时间变化细节；同时，也保留了高空间分辨率卫星捕捉空间细节能力。融合数据日期差距越小，融合结果越能体现高空间分辨率数据的空间分布特征。但多源遥感数据的融合也面临着冗余数据源去除、地形多样性、融合算法的通用性和鲁棒性的挑战(黄波 等，2017)。谢登峰等(2015)利用Landsat 8和MODIS融合而成的高时空分辨率影像来识别粮食作物，在研究区取得了较好的效果。而对于极度破碎的区域，如江南丘陵，两者的融合难以很好地解决混合像元的问题。极度破碎地区可采用更高空间分辨率数据进行融合。Zhu等(2010)基于现有的STARFM算法开发了一种增强型空间和时间自适应反射率融合模型(ESTARFM)，并用模拟卫星数据和实际卫星数据进行了测试，结果表明ESTARFM提高了预测精细分辨率反射率的精度；特别是异质景观，保留了空间细节。但是多源遥感数据多样性和时相差异性的特点，使得不同类型的地物光谱信息融合后均有一定程度的扭曲和丢失；其空间分辨率虽有提高，但其纹理特征与局部细节信息仍有部分缺失，多源遥感数据的融合仍具有挑战性(Zhang 等，2010；宋茜 等，2015)。

不同分辨率遥感数据协同观测既包括多源遥感影像的结合，也包括遥感影像数据和非遥感数据源的结合，在不同区域使用不同精度的数据。常规遥感中，地理要素的观测通常是根据一种不同精度要求的信息源来完成的。但受天气条件等的限制，可利用高空间分辨率遥感数据数量有效，导致分析结果往往不佳。因此特别强调根据观察对象的特性和观测要求，选择与其特征尺度匹配的不同空间分辨率的遥感数据。杨清华等(2001)在重要的城乡交界处使用高空间分辨率卫星数据，普通地区仍使用SPOT等较低空间分辨率遥感数据，能够对地物进行较好的识别，提高土地利用管理水平与检测的精度；陈曦(2008)利用不同空间分辨率的地表观测数据和遥感数据多尺度协同分析，能有效解决塔里木河干流流域下垫面均一性差带来的误差。但是不同空间分辨率的遥感数据具有不同的应用范围，如何在多分辨率协同观测中充分发挥各遥感数据的分辨率优势，使多分辨率协同观测效果最为显著，仍需进一步的思考。彭建等(2015)采用基于阈值分割法的多源遥感数据(SPOT等时序数据和DMSP等夜间灯光数据)，快速识别了大尺度区域的生态用地，较好地解决了单一遥感影像难以快速区分土地类型的不足；夏列钢等(2016)提出了一种基于地块的多分辨率影像协同分类方法。同时，多分辨率协同观测不局限于遥感数据的协同观测，也可在GIS和GPS的支持下，引入非遥感数据源。唐华俊等(2010)在农作物种植分类过程中引入土壤、地形(如坡度、坡向和高程信息)、分布环境和作物轮作等信息，极大地提升了农作物种植面积的提取精度。

尺度转换也是解决时空尺度影响的有效途径之一，包括升尺度转换和降尺度转换。升尺度转换是从小尺度到大尺度的转换，主要从点—面、面—面两个角度进行升尺度转换，常为反演产品提供真实性检验的理论和技术支持；降尺度转换则是从大尺度到小尺度的转换，引入额外信息，得到信息更为丰富的数据产品(Jarvis，1995；王祎婷 等，2014)。嵇涛等(2015)以川渝地区为例，构建不同尺度下的多元回归模型，选择其中精度最高的回归模型作为降尺度算法，实现了降水产品的降尺度估算，提高了降水数据的空间分辨率。目前，从真实性检验和实用性的角度考虑，升尺度转换更具有实际意义，且相对于降尺度转换难度更小(郝大磊 等，2018)。但是现有的升尺度转换总趋于产生更同质的低信息量数据，关键信息的保留较少(苏理宏 等，2001)。而降尺度总会面临信息量不足的问题，且不同的信息量之间不能很好的融合。王祎婷等(2014)提出了利用先验知识库构建地理要素趋势面，搭建了具有普适性的尺度转换框架，较好地解决了这一问题。

上述方法都是以历史或现时数据作为前提，难以对未来趋势进行描述，不能获得大面积、长时间序列的地理要素分布空间格局及变化特征。时空建模作为遥感的辅助技术，是对自然界的抽象和简化，在弥补这一方面具有很强的优势。它同时具有简单性和逼真性，通过抓住主导因子，逐步增加次要因子，可以更省时省力地表达地理空间元素的分布、模式和变化过程(李小文，2005；Liu 等，2005；Sun 等，2016)。如夏天等(2014)提出一个适用于中国农作物空间格局动态变化模拟模型，一定程度上解决了统计分析法难以大区域应用和遥感检测法的时间频率不够的问题。但由于地理的复杂性，时空建模仍不能很好地从定量角度对地理要素的时空变化检测分析。目前随着光学遥感数据、主被动微波遥感数据的不断增多和时间序列的延长，以及计算能力和遥感数据空间分辨率的提高；多源遥感数据和数值模式相结合分析将是以后的一个重要发展方向，(超)高分辨率的遥感数据也将得到进一步的广泛应用(柯长青 等，2013)。

4.2 减小时间尺度效应的途径

遥感观测数据多是瞬时获取的，遥感影像是静态影像，描述某一时刻观测对象的状态。单个时相的影像难以有效表达地物随时间变化特征；两个时相变化检测难以有效利用高时间分辨率形成的长时间序列对地观测数据，得出完整的地物变化规律(王伟超 等，2013；朱长明 等，2014)。如何选择最佳时间分辨率以及如何降低时间尺度效应带来的问题，现主要的解决办法集中于对多时相遥感数据的综合利用。多时相遥感是指利用两个以上的时相影像，如使用1982年—2000年的NOAA/AVHRR植被指数和2000年后的EOS/MODIS植被指数，对两者进行对比分析，并采用相同年份的统计关系式进行订正，能较好地解决遥感数据时间序列不足的问题(康悦 等，2011)。但多个时相的遥感影像也受时间频率(重复观测周期)和时间序列长度(可获取的数据时间跨度)的限制和传感器、天气状况的干扰影响，可使用影像有限，得不到连续的时间上的观测，使得观测结果存在局限性。在一定的条件下，难以对时间尺度上的变化规律进行系统分析，结果不具有普适性(殷守敬 等，2013)。针对当前遥感变化检测中的问题，未来的多时相检测将向以下3个方向发展：(1)综合使用光谱特征、空间信息、时间信息和地理信息等多种数据源；(2)认识地物的变化规律，充分结合地物的本质、机理等先验知识，有利于提高变化检测的自动化程度；(3)检测方法上吸收数据挖掘、模式识别和机器学习等智能化检测方法(Coppin 等，1996；张路，2004)。同时由于目前时空尺度对时空变化的影响主要在于时空分辨率之间的相互制约，不能同时具有高时间、高空间分辨率，大部分以解决空间尺度效应为目标的途径也适用于解决时间尺度效应。如：多源遥感影像的融合在保留高空间分辨率影像空间细节的同时也保留了高时间分辨率影像的时间变化细节。

5 结　语

研究地理要素的时空变化有助于理解土地覆被变化的规律性，但地理要素的时空变化分析往往受时空尺度的影响(陈佑启 等，2005；Bierman 等，2011；姚鲁烽 等，2013)。本文系统综述了时空尺度对地理要素时空变化分析的影响，导致影响的原因及减小时空尺度影响的主要途径。时空尺度对地理要素时空变化分析结果产生影响的根源在于地理要素空间上的异质性和时间的变化性，而遥感影像只能记录某一空间尺度上瞬时的地理参量观测信息，较低的空间分辨率和时间分辨率会加重混合像元和地表信息缺失等不确定性因素的影响。地理要素对应的特征尺度与遥感观测的时空尺度之间的差别是导致95%海量遥感数据无法有效利用、地理要素时空变化分析结果不准确的根本原因之一(苏理宏 等，2001；王祎婷 等，2014)。使得遥感数据“又多又少”(遥感数据多，有效数据少)，如何解决遥感数据的获取能力与应用能力之间的供需矛盾成了时空尺度对时空变化分析结果影响研究中的重要论题。

近年来，有不少学者提出了减小时空尺度对地理要素时空变化分析影响的方法，但考虑到地理要素和遥感影像的特点，想要找到一种普适的方法几乎是不可能的。时空尺度对地理要素的时空变化分析影响总是存在的，这些影响不能完全消除，只能通过合适的方法将影响降到最小。在遥感数据较少的前提下，减小时空尺度的影响可通过改善算法来实现，引入额外信息，保留关键信息。如现有的多源遥感融合、时空模型等方法，较好地解决了遥感数据源“又多又少”的问题，较大地提高了遥感数据的利用率。在方法的选择上需要综合考虑多方面的因素，包括研究区域的特点、遥感数据的能力和局限性等。同时针对研究的问题，选择合适的时空尺度，将时空尺度的影响降到最小(Herold 等，2005)。但是，无论基于何种原理，进行何种应用，现有的减小时空尺度影响的算法仍不够完善，它们都有着各自的优点和局限性，还远未到成熟的地步，这些都要求我们对算法进一步地优化。未来应该尝试更多的方法，来减小时空尺度对时空变化分析结果的影响。随着目前可使用卫星数据的增多，数据质量的提高，时间序列的增加，算法的多样性，综合多种遥感数据源正成为解决时空尺度问题的最主要途径之一，相信未来时空尺度对地理要素时空变化分析结果的影响也将进一步减小！

参考文献(References)

  • Alves D B and Pérez-Cabello F. 2017. Multiple remote sensing data sources to assess spatio-temporal patterns of fire incidence over Campos Amazônicos Savanna Vegetation Enclave (Brazilian Amazon). Science of the Total Environment, 601-602 : 142–158. [DOI: 10.1016/j.scitotenv.2017.05.194]
  • Asner G P. 2001. Cloud cover in Landsat observations of the Brazilian Amazon. International Journal of Remote Sensing, 22 (18): 3855–3862. [DOI: 10.1080/01431160010006926]
  • Ba S, Yang X H, La Z, Zheng Z J, Kuang D and La B. 2012. Variation of snow cover over Tibet autonomous region based on multi-source data. Journal of Glaciology and Geocryology, 34 (5): 1023–1030. ( 巴桑, 杨秀海, 拉珍, 郑照军, 旷达, 拉巴. 2012. 基于多源数据的西藏地区积雪变化趋势分析. 冰川冻土, 34 (5): 1023–1030. )
  • Bierman P, Lewis M, Ostendorf B and Tanner J. 2011. A review of methods for analysing spatial and temporal patterns in coastal water quality. Ecological Indicators, 11 (1): 103–114. [DOI: 10.1016/j.ecolind.2009.11.001]
  • Chen H L, Liu Y J, Du Z X and Zou C H. 2010. Spatiotemporal variations of vegetation cover in Huang-Huai-Hai area based on remote sensing data. Chinese Journal of Ecology, 29 (5): 991–999. [DOI: 10.13292/j.1000-4890.2010.0138] ( 陈怀亮, 刘玉洁, 杜子璇, 邹春辉. 2010. 基于卫星遥感数据的黄淮海地区植被覆盖时空变化特征. 生态学杂志, 29 (5): 991–999. [DOI: 10.13292/j.1000-4890.2010.0138] )
  • Chen X. 2008. MSSA method of vegetation remote sensing monitoring on the mainstream of the Tarim River. Arid Land Geography, 31 (1): 1–9. [DOI: 10.13826/j.cnki.cn65-1103/x.2008.01.016] ( 陈曦. 2008. 塔里木河干流植被遥感监测时空多尺度协同分析方法. 干旱区地理, 31 (1): 1–9. [DOI: 10.13826/j.cnki.cn65-1103/x.2008.01.016] )
  • Chen X G, Zhang Y P, Zhang X Q and Guo Y. 2008. Carbon stock changes in bamboo stands in China over the last 50 years. Acta Ecologica Sinica, 28 (11): 5218–5227. [DOI: 10.3321/j.issn:1000-0933.2008.11.003] ( 陈先刚, 张一平, 张小全, 郭颖. 2008. 过去50年中国竹林碳储量变化. 生态学报, 28 (11): 5218–5227. [DOI: 10.3321/j.issn:1000-0933.2008.11.003] )
  • Chen Y Q and He Y B. 2005. Scale issues in the analysis of land use/cover change. Economic Geography, 25 (2): 152–155. [DOI: 10.3969/j.issn.1000-8462.2005.02.003] ( 陈佑启, 何英彬. 2005. 论土地利用/覆盖变化研究中的尺度问题. 经济地理, 25 (2): 152–155. [DOI: 10.3969/j.issn.1000-8462.2005.02.003] )
  • Cohen W B and Goward S N. 2004. Landsat’s role in ecological applications of remote sensing. BioScience, 54 (6): 535–545. [DOI: 10.1641/0006-3568(2004)054[0535:LRIEAO]2.0.CO;2]
  • Comber A, Fisher P, Brunsdon C and Khmag A. 2012. Spatial analysis of remote sensing image classification accuracy. Remote Sensing of Environment, 127 : 237–246. [DOI: 10.1016/j.rse.2012.09.005]
  • Coppin P R, Bauer M E. 1996. Digital change detection in forest ecosystems with remote sensing imagery. Remote Sensing Reviews, 13 (3/4): 207–234. [DOI: 10.1080/02757259609532305]
  • de Jong R, Verbesselt J, Schaepman M E and de Bruin S. 2012. Trend changes in global greening and browning: contribution of short‐term trends to longer‐term change. Global Change Biology, 18 (2): 642–655. [DOI: 10.1111/j.1365-2486.2011.02578.x]
  • Deng J S, Wang K, Hong Y and Qi J G. 2009. Spatio-temporal dynamics and evolution of land use change and landscape pattern in response to rapid urbanization. Landscape and Urban Planning, 92 (3/4): 187–198. [DOI: 10.1016/j.landurbplan.2009.05.001]
  • Donnay J P, Barnsley M J and Longley P A. 2014. Remote Sensing and Urban Analysis: GISDATA 9. London: CRC Press
  • Fan W J, Gai Y Y, Xu X R and Yan B Y. 2013. The spatial scaling effect of the discrete-canopy effective leaf area index retrieved by remote sensing. Science China Earth Sciences, 43 (2): 280–286. [DOI: 10.1007/s11430-012-4554-5] ( 范闻捷, 盖颖颖, 徐希孺, 闫彬彦. 2013. 遥感反演离散植被有效叶面积指数的空间尺度效应. 中国科学: 地球科学, 43 (2): 280–286. [DOI: 10.1007/s11430-012-4554-5] )
  • Feng G X and Ming D P. 2015. Fractal based method on selecting the optimal spatial resolution for remote sensing image. Journal of Geo-Information Science, 17 (4): 478–485. [DOI: 10.3724/SP.J.1047.2015.00478] ( 冯桂香, 明冬萍. 2015. 分形定量选择遥感影像最佳空间分辨率的方法与实验. 地球信息科学学报, 17 (4): 478–485. [DOI: 10.3724/SP.J.1047.2015.00478] )
  • Gandhi G M, Parthiban S, Thummalu N and Christy A. 2015. NDVI: vegetation change detection using remote sensing and GIS–a case study of Vellore District. Procedia Computer Science, 57 : 1199–1210. [DOI: 10.1016/j.procs.2015.07.415]
  • Gao F, Masek J, Schwaller M and Hall F. 2006. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44 (8): 2207–2218. [DOI: 10.1109/TGRS.2006.872081]
  • Gao S. 2017. Summary of unmanned aerial vehicle platform and measurement technology. Henan Science and Technology (3): 55–56. [DOI: 10.3969/j.issn.1003-5168.2017.05.024] ( 高尚. 2017. 无人机平台及测量技术综述. 河南科技 (3): 55–56. [DOI: 10.3969/j.issn.1003-5168.2017.05.024] )
  • Garrigues S, Allard D, Baret F and Weiss M. 2006. Influence of landscape spatial heterogeneity on the non-linear estimation of leaf area index from moderate spatial resolution remote sensing data. Remote Sensing of Environment, 105 (4): 286–298. [DOI: 10.1016/j.rse.2006.07.013]
  • Giri C, Pengra B, Long J and Loveland T R. 2013. Next generation of global land cover characterization, mapping, and monitoring. International Journal of Applied Earth Observation and Geoinformation, 25 : 30–37. [DOI: 10.1016/j.jag.2013.03.005]
  • Guan B Y, Li J, Zeng A B, Deng J S and Zhang J. 2008. Impacts of urban land use on water quality in Hangzhou. Resources Science, 30 (6): 857–863. [DOI: 10.3321/j.issn:1007-7588.2008.06.009] ( 官宝红, 李君, 曾爱斌, 邓劲松, 张军. 2008. 杭州市城市土地利用对河流水质的影响. 资源科学, 30 (6): 857–863. [DOI: 10.3321/j.issn:1007-7588.2008.06.009] )
  • Han G, Li R P, Wang S N, Tian X, Hu Y P, Fan A X and Sun Y. 2017. Study on drought monitoring and spatial and temporal characteristics of desertification grassland based on multi-scale remote sensing data. Jiangsu Journal of Agricultural Sciences, 33 (6): 1301–1308. [DOI: 10.3969/j.issn.1000-4440.2017.06.015] ( 韩刚, 李瑞平, 王思楠, 田鑫, 胡勇平, 樊爱霞, 孙燕. 2017. 基于多尺度遥感数据的荒漠化草原旱情监测及时空特征. 江苏农业学报, 33 (6): 1301–1308. [DOI: 10.3969/j.issn.1000-4440.2017.06.015] )
  • Han Z, Jin Y Q and Yun C X. 2006. Spatial and temporal distributions of suspended sediment contents in the Yangtze River Estuary using the CMODIS image data from China’s SZ-3 spacecraft. Journal of Remote Sensing, 10 (3): 381–386. [DOI: 10.3321/j.issn:1007-4619.2006.03.015] ( 韩震, 金亚秋, 恽才兴. 2006. 神舟三号CMODIS数据获取长江口悬浮泥沙含量的时空分布. 遥感学报, 10 (3): 381–386. [DOI: 10.3321/j.issn:1007-4619.2006.03.015] )
  • Hao D L, Xiao Q, Wen J G, You D Q, Wu X D, Lin X W and Wu S B. 2018. Advances in upscaling methods of quantitative remote sensing. Journal of Remote Sensing, 22 (3): 408–423. [DOI: 10.11834/jrs.20187070] ( 郝大磊, 肖青, 闻建光, 游冬琴, 吴小丹, 林兴稳, 吴胜标. 2018. 定量遥感升尺度转换方法研究进展. 遥感学报, 22 (3): 408–423. [DOI: 10.11834/jrs.20187070] )
  • Healey S P, Cohen W B, Yang Z Q and Krankina O N. 2005. Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection. Remote Sensing of Environment, 97 (3): 301–310. [DOI: 10.1016/j.rse.2005.05.009]
  • Herold M, Couclelis H and Clarke K C. 2005. The role of spatial metrics in the analysis and modeling of urban land use change. Computers, Environment and Urban Systems, 29 (4): 369–399. [DOI: 10.1016/j.compenvurbsys.2003.12.001]
  • Huang B and Zhao Y Q. 2017. Research status and prospect of spatiotemporal fusion of multi-source satellite remote sensing imagery. Acta Geodaetica et Cartographica Sinica, 46 (10): 1492–1499. [DOI: 10.11947/j.AGCS.2017.20170376] ( 黄波, 赵涌泉. 2017. 多源卫星遥感影像时空融合研究的现状及展望. 测绘学报, 46 (10): 1492–1499. [DOI: 10.11947/j.AGCS.2017.20170376] )
  • Immerzeel W W, Droogers P, De Jong S M and Bierkens M F P. 2009. Large-scale monitoring of snow cover and runoff simulation in Himalayan river basins using remote sensing. Remote sensing of Environment, 113 (1): 40–49. [DOI: 10.1016/j.rse.2008.08.010]
  • Jarvis P G. 1995. Scaling processes and problems. Plant, Cell and Environment, 18 (10): 1079–1089. [DOI: 10.1111/j.1365-3040.1995.tb00620.x]
  • Jensen J R and Cowen D C. 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogrammetric Engineering and Remote Sensing, 65 : 611–622.
  • Ji T, Liu R, Yang H, He T R and Wu J F. 2015. Spatial downscaling of precipitation using multi-source remote sensing data: a case study of Sichuan-Chongqing Region. Journal of Geo-Information Science, 17 (1): 108–117. [DOI: 10.3724/SP.J.1047.2015.00108] ( 嵇涛, 刘睿, 杨华, 何太蓉, 吴建峰. 2015. 多源遥感数据的降水空间降尺度研究——以川渝地区为例. 地球信息科学学报, 17 (1): 108–117. [DOI: 10.3724/SP.J.1047.2015.00108] )
  • Jorgensen P V. 2000. Determination of cloud coverage over Denmark using Landsat MSS/TM and NOAA-AVHRR. International Journal of Remote Sensing, 21 (17): 3363–3368. [DOI: 10.1080/014311600750019976]
  • Ju J C and Roy D P. 2008. The availability of cloud-free Landsat ETM+ data over the conterminous United States and globally. Remote Sensing of Environment, 112 (3): 1196–1211. [DOI: 10.1016/j.rse.2007.08.011]
  • Kang Y, Li Z C, Tian H, Liu R, Shi X K, Zhang J H and Wen J. 2011. Trend of vegetation evaluation and its responses to climate change over the source region of the Yellow River. Climatic and Environmental Research, 16 (4): 505–512. [DOI: 10.3878/j.issn.1006-9585.2011.04.11] ( 康悦, 李振朝, 田辉, 刘蓉, 史小康, 张静辉, 文军. 2011. 黄河源区植被变化趋势及其对气候变化的影响过程研究. 气候与环境研究, 16 (4): 505–512. [DOI: 10.3878/j.issn.1006-9585.2011.04.11] )
  • Ke C Q, Peng H T, Sun B and Xie H J. 2013. Spatio-temporal variability of Arctic sea ice from 2002 to 2011. Journal of Remote Sensing, 17 (2): 459–466. [DOI: 10.11834/jrs.20132044] ( 柯长青, 彭海涛, 孙波, 谢红接. 2013. 2002年—2011年北极海冰时空变化分析. 遥感学报, 17 (2): 459–466. [DOI: 10.11834/jrs.20132044] )
  • Kennedy R E, Yang Z Q and Cohen W B. 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr—Temporal segmentation algorithms. Remote Sensing of Environment, 114 (12): 2897–2910. [DOI: 10.1016/j.rse.2010.07.008]
  • Kim H C, Son S, Kim Y H, Khim J S, Nam J, Chang W K, Lee J H, Lee C H and Ryu J. 2017. Remote sensing and water quality indicators in the Korean West coast: spatio-temporal structures of MODIS-derived chlorophyll-a and total suspended solids. Marine Pollution Bulletin, 121 (1/2): 425–434.
  • Li B, Liu R Y, Liu S H, Liu Q, Liu F and Zhou G Q. 2012. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system. Transactions of the Chinese Society of Agricultural Engineering, 28 (13): 160–165. [DOI: 10.3969/j.issn.1002-6819.2012.13.026] ( 李冰, 刘镕源, 刘素红, 刘强, 刘峰, 周公器. 2012. 基于低空无人机遥感的冬小麦覆盖度变化监测. 农业工程学报, 28 (13): 160–165. [DOI: 10.3969/j.issn.1002-6819.2012.13.026] )
  • Li S C and Cai Y L. 2005. Some scaling issues of geography. Geographic Research, 24 (1): 11–18. [DOI: 10.3321/j.issn:1000-0585.2005.01.002] ( 李双成, 蔡运龙. 2005. 地理尺度转换若干问题的初步探讨. 地理研究, 24 (1): 11–18. [DOI: 10.3321/j.issn:1000-0585.2005.01.002] )
  • Li X D, Ling F, Foody G M, Ge Y, Zhang Y H and Du Y. 2017. Generating a series of fine spatial and temporal resolution land cover maps by fusing coarse spatial resolution remotely sensed images and fine spatial resolution land cover maps. Remote Sensing of Environment, 196 : 293–311. [DOI: 10.1016/j.rse.2017.05.011]
  • Li X W. 2005. Retrospect, prospect and innovation in quantitative remote sensing. Journal of Henan University (Natural Science), 35 (4): 49–56. [DOI: 10.3969/j.issn.1003-4978.2005.04.012] ( 李小文. 2005. 定量遥感的发展与创新. 河南大学学报(自然科学版), 35 (4): 49–56. [DOI: 10.3969/j.issn.1003-4978.2005.04.012] )
  • Liang L, Guo H D and Li X W. 2013. Analysis of spatio-temporal variation of snowmelt in Antarctica derived from microwave radiometer data. Journal of Remote Sensing, 17 (2): 430–438. [DOI: 10.11834/jrs.20132042] ( 梁雷, 郭华东, 李新武. 2013. 基于微波辐射计的南极冰盖冻融时空变化分析. 遥感学报, 17 (2): 430–438. [DOI: 10.11834/jrs.20132042] )
  • Liu J Y, Liu M L, Tian H Q, Zhuang D F, Zhang Z X, Zhang W, Tang X M and Deng X Z. 2005. Spatial and temporal patterns of China’s cropland during 1990-2000: an analysis based on Landsat TM data. Remote Sensing of Environment, 98 (4): 442–456. [DOI: 10.1016/j.rse.2005.08.012]
  • Liu K, Wu H H, Ai T H and Qin Y C. 2008. Three-tiered concepts of scale of geographical information and its transformation. Journal of Wuhan University (Information Science Edition), 33 (11): 1178–1181. [DOI: 10.13203/j.whugis2008.11.016] ( 刘凯, 毋河海, 艾廷华, 秦耀辰. 2008. 地理信息尺度的三重概念及其变换. 武汉大学学报(信息科学版), 33 (11): 1178–1181. [DOI: 10.13203/j.whugis2008.11.016] )
  • Liu S F, Xiong J and Wu B F. 2011. ETWatch: a method of multi-resolution ET data fusion. Journal of Remote Sensing, 15 (2): 255–269. [DOI: 10.11834/jrs.20110299] ( 柳树福, 熊隽, 吴炳方. 2011. ETWatch中不同尺度蒸散融合方法. 遥感学报, 15 (2): 255–269. [DOI: 10.11834/jrs.20110299] )
  • Liu Y, Dong C M, Guan Y P, Chen D K, McWilliams J and Nencioli F. 2012. Eddy analysis in the subtropical zonal band of the North Pacific Ocean. Deep Sea Research Part I: Oceanographic Research Papers, 68 : 54–67. [DOI: 10.1016/j.dsr.2012.06.001]
  • Liu Y N, Xin X Z, Liu Q H and Zhou C Y. 2010. Method and validation for surface fluxes estimation based on multi-scale remotely sensed data. Advances in Earth Science, 25 (11): 1261–1272. [DOI: 10.11867/j.issn.1001-8166.2010.11.1261] ( 刘雅妮, 辛晓洲, 柳钦火, 周春艳. 2010. 基于多尺度遥感数据估算地表通量的方法及其验证分析. 地球科学进展, 25 (11): 1261–1272. [DOI: 10.11867/j.issn.1001-8166.2010.11.1261] )
  • Lu D S. 2006. The potential and challenge of remote sensing‐based biomass estimation. International Journal of Remote Sensing, 27 (7): 1297–1328. [DOI: 10.1080/01431160500486732]
  • Luo F Q and Wu C M. 2009. Study of theory and application of time series analysis. Journal of Liuzhou Teachers College, 24 (3): 113–117. [DOI: 10.3969/j.issn.1003-7020.2009.03.032] ( 罗芳琼, 吴春梅. 2009. 时间序列分析的理论与应用综述. 柳州师专学报, 24 (3): 113–117. [DOI: 10.3969/j.issn.1003-7020.2009.03.032] )
  • Mao X G, Wang J W and Fan W Y. 2016. Spatial and temporal variation of forest biomass based on remote sensing and geostatistics. Journal of Beijing Forestry University, 38 (2): 10–19. [DOI: 10.13332/j.1000-1522.20150214] ( 毛学刚, 王静文, 范文义. 2016. 基于遥感与地统计的森林生物量时空变异分析. 北京林业大学学报, 38 (2): 10–19. [DOI: 10.13332/j.1000-1522.20150214] )
  • Masek J G and Collatz G J. 2006. Estimating forest carbon fluxes in a disturbed southeastern landscape: integration of remote sensing, forest inventory, and biogeochemical modeling. Journal of Geophysical Research: Biogeosciences, 111 (G1): G01006 [DOI: 10.1029/2005JG000062]
  • Masek J G, Huang C Q, Wolfe R, Cohen W, Hall F, Kutler J and Nelson P. 2008. North American forest disturbance mapped from a decadal Landsat record. Remote Sensing of Environment, 112 (6): 2914–2926. [DOI: 10.1016/j.rse.2008.02.010]
  • Mathur A and Foody G M. 2008. Crop classification by support vector machine with intelligently selected training data for an operational application. International Journal of Remote Sensing, 29 (8): 2227–2240. [DOI: 10.1080/01431160701395203]
  • Meng B P, Chen S Y, Cui X, Feng Q S and Liang T G. 2015. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data——As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science, 32 (11): 1730–1739. [DOI: 10.11829/j.issn.1001-0629.2015-0015] ( 孟宝平, 陈思宇, 崔霞, 冯琦胜, 梁天刚. 2015. 基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例. 草业科学, 32 (11): 1730–1739. [DOI: 10.11829/j.issn.1001-0629.2015-0015] )
  • Ming D P. 2006. Study of Parcel Unit Extraction Based-on Features and Pattern Distinguishment from High Spatial Resolution Remote Sensing Images. Beijing: Institute of Geographical Sciences and Natural Resources Research, CAS (明冬萍. 2006. 高分辨率遥感特征基元提取与格局判别方法研究. 北京: 中国科学院地理科学与资源研究所)
  • Ozdogan M. 2010. The spatial distribution of crop types from MODIS data: temporal unmixing using independent component analysis. Remote Sensing of Environment, 114 (6): 1190–1204. [DOI: 10.1016/j.rse.2010.01.006]
  • Pan D H, Jia H C, He Y H Z, Yin Y Y and Zhang W C. 2018. Construction of digital platform of agricultural drought risk assessment in different spatial and temporal scales of China. Journal of Catastrophology, 33 (1): 23–26. [DOI: 10.3969/j.issn.1000-811X.2018.01.005] ( 潘东华, 贾慧聪, 贺原惠子, 尹圆圆, 张万昌. 2018. 不同时空尺度旱灾风险评价数字平台的建设. 灾害学, 33 (1): 23–26. [DOI: 10.3969/j.issn.1000-811X.2018.01.005] )
  • Parajka J and Blöschl G. 2008. Spatio‐temporal combination of MODIS images–potential for snow cover mapping. Water Resources Research, 44 (3): W03406 [DOI: 10.1029/2007WR006204]
  • Peng J, Lyu H L, Ma J and Liu Y X. 2015. Multi-source remote sensing of ecologica land in Beijing-Tianjin-Tangshan Metropolitan based on threshold segmentation method. Chinese Journal of Ecology, 34 (1): 204–211. [DOI: 10.13292/j.1000-4890.2015.0030] ( 彭建, 吕慧玲, 马晶, 刘焱序. 2015. 基于阈值分割的京津唐城市群生态用地多源遥感识别. 生态学杂志, 34 (1): 204–211. [DOI: 10.13292/j.1000-4890.2015.0030] )
  • Price J C. 1994. How unique are spectral signatures?. Remote Sensing of Environment, 49 (3): 181–186. [DOI: 10.1016/0034-4257(94)90013-2]
  • Qiao H B and Cheng D F. 2009. Application of EOS/MODIS-NDVI at different time sequences on monitoring winter wheat acreage in Henan Province//Proceedings of 2009 International Conference on Environmental Science and Information Application Technology. Wuhan: IEEE: 113-115 [DOI: 10.1109/ESIAT.2009.159]
  • Ranson K J, Kovacs K, Sun G and Kharuk V I. 2003. Disturbance recognition in the boreal forest using radar and Landsat-7. Canadian Journal of Remote Sensing, 29 (2): 271–285. [DOI: 10.5589/m02-096]
  • Shi L G, Yu J X, Tao H, Liu J G, Huai H J, Xu C C and Li Q F. 2018. Multi-scale temporal and spatial variation of winter wheat in Beijing based on RS and GIS. Journal of Triticeae Crops, 38 (1): 41–49. [DOI: 10.7606/j.issn.1009-1041.2018.01.07] ( 史磊刚, 于景鑫, 陶欢, 刘建刚, 淮贺举, 徐长春, 李奇峰. 2018. 基于RS和GIS的北京冬小麦面积多尺度时空变化研究. 麦类作物学报, 38 (1): 41–49. [DOI: 10.7606/j.issn.1009-1041.2018.01.07] )
  • Song C Q, Cheng C X and Shi P J. 2018. Geography complexity: new connotations of geography in the new era. Acta Geographica Sinica, 73 (7): 1204–1213. [DOI: 10.11821/dlxb201807002] ( 宋长青, 程昌秀, 史培军. 2018. 新时代地理复杂性的内涵. 地理学报, 73 (7): 1204–1213. [DOI: 10.11821/dlxb201807002] )
  • Song Q, Zhou Q B, Wu W B, Hu Q, Yu Q Y and Tang H J. 2015. Recent progresses in research of integrating multi-source remote sensing data for crop mapping. Scientia Agricultura Sinica, 48 (6): 1122–1135. [DOI: 10.3864/j.issn.0578-1752.2015.06.09] ( 宋茜, 周清波, 吴文斌, 胡琼, 余强毅, 唐华俊. 2015. 农作物遥感识别中的多源数据融合研究进展. 中国农业科学, 48 (6): 1122–1135. [DOI: 10.3864/j.issn.0578-1752.2015.06.09] )
  • Su L H, Li X W and Huang Y X. 2001. An review on scale in remote sensing. Advance in Earth Sciences, 16 (4): 544–548. [DOI: 10.3321/j.issn:1001-8166.2001.04.016] ( 苏理宏, 李小文, 黄裕霞. 2001. 遥感尺度问题研究进展. 地球科学进展, 16 (4): 544–548. [DOI: 10.3321/j.issn:1001-8166.2001.04.016] )
  • Sun B and Zhou Q M. 2016. Expressing the spatio-temporal pattern of farmland change in arid lands using landscape metrics. Journal of Arid Environments, 124 : 118–127. [DOI: 10.1016/j.jaridenv.2015.08.007]
  • Sun L G, Liu J F and Xu Q H. 2014. Remote sensing based temporal and spatial analysis of vegetation cover changes in Bashang Area of Hebei Province. Remote Sensing for Land and Resources, 26 (1): 167–172. [DOI: 10.6046/gtzyyg.2014.01.28] ( 孙雷刚, 刘剑锋, 徐全洪. 2014. 河北坝上地区植被覆盖变化遥感时空分析. 国土资源遥感, 26 (1): 167–172. [DOI: 10.6046/gtzyyg.2014.01.28] )
  • Tang H J, Wu W B, Yang P, Zhou Q B and Chen Z X. 2010. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies. Scientia Agricultura Sinica, 43 (14): 2879–2888. [DOI: 10.3864/j.issn.0578-1752.2010.14.006] ( 唐华俊, 吴文斌, 杨鹏, 周清波, 陈仲新. 2010. 农作物空间格局遥感监测研究进展. 中国农业科学, 43 (14): 2879–2888. [DOI: 10.3864/j.issn.0578-1752.2010.14.006] )
  • Tian J, Su H B, Chen S H and Yu J J. 2011. Spatial-temporal processes of desertification and oasification in the middle reaches of the Heihe River based on remote sensing. Resources Science, 33 (2): 347–355. ( 田静, 苏红波, 陈少辉, 于静洁. 2011. 黑河中游绿洲化荒漠化的时空变化遥感分析. 资源科学, 33 (2): 347–355. )
  • Turker M and Ozdarici A. 2011. Field-based crop classification using SPOT4, SPOT5, IKONOS and QuickBird imagery for agricultural areas: a comparison study. International Journal of Remote Sensing, 32 (24): 9735–9768. [DOI: 10.1080/01431161.2011.576710]
  • Wan W, Xiao P F, Feng X Z, Li H, Ma R H and Duan H T. 2010. Remote sensing analysis for changes of lakes in the southeast of Qiangtang area, Qinghai-Tibet Plateau in recent 30 years. Journal of Lake Science, 22 (6): 874–881. [DOI: 10.18307/2010.0609] ( 万玮, 肖鹏峰, 冯学智, 李晖, 马荣华, 段洪涛. 2010. 近30年来青藏高原羌塘地区东南部湖泊变化遥感分析. 湖泊科学, 22 (6): 874–881. [DOI: 10.18307/2010.0609] )
  • Wang L, Fu B J, Lyu Y H and Zeng Y. 2010. Spatio-temporal variations of vegetation cover in northern Shaanxi Province under the background of ecological restoration. Chinese Journal of Applied Ecology, 21 (8): 2109–2116. [DOI: 10.13287/j.1001-9332.2010.0278] ( 王朗, 傅伯杰, 吕一河, 曾源. 2010. 生态恢复背景下陕北地区植被覆盖的时空变化. 应用生态学报, 21 (8): 2109–2116. [DOI: 10.13287/j.1001-9332.2010.0278] )
  • Wang W C and Zou W B. 2013. Methods of extraction in high resolution remote sensing image information. Beijing Surveying and Mapping (4): 1–5. [DOI: 10.3969/j.issn.1007-3000.2013.04.001] ( 王伟超, 邹维宝. 2013. 高分辨率遥感影像信息提取方法综述. 北京测绘 (4): 1–5. [DOI: 10.3969/j.issn.1007-3000.2013.04.001] )
  • Wang Y T, Xie D H and Li X W. 2014. Universal scaling methodology in remote sensing science by constructing geographic trend surface. Journal of Remote Sensing, 18 (6): 1139–1146. [DOI: 10.11834/jrs.20144108] ( 王祎婷, 谢东辉, 李小文. 2014. 构造地理要素趋势面的尺度转换普适性方法探讨. 遥感学报, 18 (6): 1139–1146. [DOI: 10.11834/jrs.20144108] )
  • Woodcock C E and Ozdogan M. 2012. Trends in land cover mapping and monitoring//Gutman G, Janetos A C, Justice C O, Moran E F, Mustard J F, Rindfuss R R, Skole D, Lee Turner II B and Cochrane M A, eds. Land Change Science. Dordrecht: Springer: 367-377
  • Wu J G, Jones K B, Li H and Loucks O L. 2006. Scaling and Uncertainty Analysis in Ecology. Dordrecht: Springer
  • Wu X D, Wen J G, Xiao Q, Li X, Liu Q, Tang Y, Dou B C, Peng J J, You D Q and Li X W. 2015. Advances in validation methods for remote sensing products of land surface parameters. Journal of Remote Sensing, 19 (1): 75–92. [DOI: 10.11834/jrs.20154009] ( 吴小丹, 闻建光, 肖青, 李新, 刘强, 唐勇, 窦宝成, 彭菁菁, 游冬琴, 李小文. 2015. 关键陆表参数遥感产品真实性检验方法研究进展. 遥感学报, 19 (1): 75–92. [DOI: 10.11834/jrs.20154009] )
  • Xia L G, Wang W H and Yang H P. 2016. Remotely sensed land patch classification by collaborating with multi-resolution data. Journal of Geo-Information Science, 18 (5): 649–654. [DOI: 10.3724/SP.J.1047.2016.00649] ( 夏列钢, 王卫红, 杨海平. 2016. 多分辨率协同遥感地块利用分类方法研究. 地球信息科学学报, 18 (5): 649–654. [DOI: 10.3724/SP.J.1047.2016.00649] )
  • Xia T, Wu W B, Yu Q Y, Yang P, Zhou Q B and Tang H J. 2014. Simulating the spatial dynamics of cropping pattern: the crops model. Chinese Journal of Agricultural Resources and Regional Planning, 35 (1): 44–51. [DOI: 10.7621/cjarrp.1005-9121.20140107] ( 夏天, 吴文斌, 余强毅, 杨鹏, 周清波, 唐华俊. 2014. 农作物空间格局动态变化模拟模型(CROPS)构建. 中国农业资源与区划, 35 (1): 44–51. [DOI: 10.7621/cjarrp.1005-9121.20140107] )
  • Xian G and Crane M. 2005. Assessments of urban growth in the Tampa Bay watershed using remote sensing data. Remote Sensing of Environment, 97 (2): 203–215. [DOI: 10.1016/j.rse.2005.04.017]
  • Xie D F, Zhang J S, Pan Y Z, Sun P J and Yuan Z M Q. 2015. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution. Journal of Remote Sensing, 19 (5): 791–805. [DOI: 10.11834/jrs.20154213] ( 谢登峰, 张锦水, 潘耀忠, 孙佩军, 袁周米琪. 2015. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物. 遥感学报, 19 (5): 791–805. [DOI: 10.11834/jrs.20154213] )
  • Xu X R, Fan W J and Tao X. 2009. The spatial scaling effect of continuous canopy Leaves Area Index retrieved by remote sensing. Science in China Series D: Earth Sciences, 39 (1): 79–87. [DOI: 10.1007/s11430-009-0024-0] ( 徐希孺, 范闻捷, 陶欣. 2009. 遥感反演连续植被叶面积指数的空间尺度效应. 中国科学D辑: 地球科学, 39 (1): 79–87. [DOI: 10.1007/s11430-009-0024-0] )
  • Yang C H, Everit J H and Murden D. 2011. Evaluating high resolution SPOT 5 satellite imagery for crop identification. Computers and Electronics in Agriculture, 75 (2): 347–354. [DOI: 10.1016/j.compag.2010.12.012]
  • Yang L M, Xian G, Klaver J M and Deal B. 2003. Urban land-cover change detection through sub-pixel imperviousness mapping using remotely sensed data. Photogrammetric Engineering and Remote Sensing, 69 (9): 1003–1010. [DOI: 10.14358/PERS.69.9.1003]
  • Yang Q H, Qi J W and Sun Y J. 2001. The application of high resolution satellite remotely sensed data to land use dynamic monitoring. Remote Sensing for Land and Resources (4): 20–27. [DOI: 10.3969/j.issn.1001-070X.2001.04.004] ( 杨清华, 齐建伟, 孙永军. 2001. 高分辨率卫星遥感数据在土地利用动态监测中的应用研究. 国土资源遥感 (4): 20–27. [DOI: 10.3969/j.issn.1001-070X.2001.04.004] )
  • Yang R, Liu Y S, Chen Y F and Li T T. 2013. The remote sensing inversion for spatial and temporal changes of multiple cropping index and detection for influencing factors around Bohai Rim in China. Scientia Geographica Sinica, 33 (5): 588–593. [DOI: 10.13249/j.cnki.sgs.2013.05.009] ( 杨忍, 刘彦随, 陈玉福, 李婷婷. 2013. 环渤海地区耕地复种指数时空变化遥感反演及影响因素探测. 地理科学, 33 (5): 588–593. [DOI: 10.13249/j.cnki.sgs.2013.05.009] )
  • Yao L F, He S J and Zhao X. 2013. Writing of papers on geography spatial-temporal variation. Acta Geographica Sinica, 68 (7): 1007–1011. ( 姚鲁烽, 何书金, 赵歆. 2013. 地理学时空变化类论文的写作. 地理学报, 68 (7): 1007–1011. )
  • Yin S J, Wu C Q, Wang Q, Ma W D, Zhu L, Yao Y J, Wang X L and Wu D. 2013. Review of change detection methods using multi-temporal remotely sensed images. Spectroscopy and Spectral Analysis, 33 (12): 3339–3342. [DOI: 10.3964/j.issn.1000-0593(2013)12-3339-04] ( 殷守敬, 吴传庆, 王桥, 马万栋, 朱利, 姚延娟, 王雪蕾, 吴迪. 2013. 多时相遥感影像变化检测方法研究进展综述. 光谱学与光谱分析, 33 (12): 3339–3342. [DOI: 10.3964/j.issn.1000-0593(2013)12-3339-04] )
  • Yu L, Zhao Y W, Wang S H and Tian Z J. 2011. Correlation between landscape pattern and river water quality at various temporal and spatial scales——a case study of typical sub-watersheds of Nenjiang River right bank. Bulletin of Soil and Water Conservation, 31 (5): 254–258. [DOI: 10.13961/j.cnki.stbctb.2011.05.010] ( 于磊, 赵彦伟, 汪思慧, 田竹君. 2011. 不同时空尺度下流域景观格局与水质的相关性研究——以嫩江右岸典型子流域为例. 水土保持通报, 31 (5): 254–258. [DOI: 10.13961/j.cnki.stbctb.2011.05.010] )
  • Yu Z R. 2008. Landscape Ecology. Beijing: Chemical Industry Press. (宇振荣. 2008. 景观生态学. 北京: 化学工业出版社)
  • Zeng H W and Li L J. 2011. Accuracy validation of TRMM 3B43 data in Lancang river basin. Acta Geographica Sinica, 66 (7): 994–1004. [DOI: 10.11821/xb201107012] ( 曾红伟, 李丽娟. 2011. 澜沧江及周边流域TRMM 3B43数据精度检验. 地理学报, 66 (7): 994–1004. [DOI: 10.11821/xb201107012] )
  • Zhan X, Sohlberg R A, Townshend J R G, DiMiceli C, Carroll M L, Eastman J C, Hansen M C and DeFries R S. 2002. Detection of land cover changes using MODIS 250 m data. Remote Sensing of Environment, 83 (1/2): 336–350.
  • Zhang J. 2010. Multi-source remote sensing data fusion: status and trends. International Journal of Image and Data Fusion, 1 (1): 5–24. [DOI: 10.1080/19479830903561035]
  • Zhang L. 2004. Change Detection in Remotely Sensed Imagery Using Multivariate Statistical Analysis. Wuhan: Wuhan University. (张路. 2004. 基于多元统计分析的遥感影像变化检测方法研究. 武汉: 武汉大学)
  • Zhang L, Wu W B, Zou L J and Zhou Q B. 2011. Extracting planting area of paddy rice in southern China by using EOS/MODIS data. Chinese Journal of Agricultural Resources and Regional Planning, 32 (4): 39–44. [DOI: 10.7621/cjarrp.1005-9121.20110409] ( 张莉, 吴文斌, 左丽君, 周清波. 2011. 基于EOS/MODIS数据的南方水稻面积提取技术. 中国农业资源与区划, 32 (4): 39–44. [DOI: 10.7621/cjarrp.1005-9121.20110409] )
  • Zhang M W, Zhou Q B, Chen Z X, Zhou Y, Liu J and Gong P. 2008. Method for identifying plants analyzed by time order data based on MODIS. China Journal of Agricultural Resources and Regional Planning, 29 (1): 31–35. [DOI: 10.7621/cjarrp.1005-9121.20080109] ( 张明伟, 周清波, 陈仲新, 周勇, 刘佳, 宫攀. 2008. 基于MODIS时序数据分析的作物识别方法. 中国农业资源与区划, 29 (1): 31–35. [DOI: 10.7621/cjarrp.1005-9121.20080109] )
  • Zhang N. 2006. Scale issues in ecology: concepts of scale and scale analysis. Acta Ecologica Sinica, 26 (7): 2340–2355. [DOI: 10.3321/j.issn:1000-0933.2006.07.038] ( 张娜. 2006. 生态学中的尺度问题: 内涵与分析方法. 生态学报, 26 (7): 2340–2355. [DOI: 10.3321/j.issn:1000-0933.2006.07.038] )
  • Zhang Y, Lei G P, Lin J and Zhang H. 2012. Spatiotemporal change and its ecological risk of landscape pattern in different spatial scales in Zhalong Nature Reserve. Chinese Journal of Ecology, 31 (5): 1250–1256. [DOI: 10.13292/j.1000-4890.2012.0193] ( 张莹, 雷国平, 林佳, 张慧. 2012. 扎龙自然保护区不同空间尺度景观格局时空变化及其生态风险. 生态学杂志, 31 (5): 1250–1256. [DOI: 10.13292/j.1000-4890.2012.0193] )
  • Zhang Y H, Foody G M, Ling F, Li X D, Ge Y, Du Y and Atkinson P M. 2018. Spatial-temporal fraction map fusion with multi-scale remotely sensed images. Remote Sensing of Environment, 213 : 162–181. [DOI: 10.1016/j.rse.2018.05.010]
  • Zhang Y J, Wang J Z and Bao Y S. 2010. Soil moisture retrieval from multi-resource remotely sensed images over a wheat area. Advances in Water Science, 21 (2): 222–228. [DOI: 10.14042/j.cnki.32.1309.2010.02.020] ( 张友静, 王军战, 鲍艳松. 2010. 多源遥感数据反演土壤水分方法. 水科学进展, 21 (2): 222–228. [DOI: 10.14042/j.cnki.32.1309.2010.02.020] )
  • Zhao Z M, Meng Y, Yue A Z, Huang Q Q, Kong Y L, Yuan Y, Liu X Y, Lin L and Zhang M M. 2016. Review of remotely sensed time series data for change detection. Journal of Remote Sensing, 20 (5): 1110–1125. [DOI: 10.11834/jrs.20166170] ( 赵忠明, 孟瑜, 岳安志, 黄青青, 孔赟珑, 袁媛, 刘晓奕, 林蕾, 张蒙蒙. 2016. 遥感时间序列影像变化检测研究进展. 遥感学报, 20 (5): 1110–1125. [DOI: 10.11834/jrs.20166170] )
  • Zhou G M and Jiang P K. 2004. Density, storage and spatial distribution of carbon in Phyllostachy pubescens forest . Scientia Silvae Sinicae, 40 (6): 20–24. [DOI: 10.3321/j.issn:1001-7488.2004.06.004] ( 周国模, 姜培坤. 2004. 毛竹林的碳密度和碳贮量及其空间分布. 林业科学, 40 (6): 20–24. [DOI: 10.3321/j.issn:1001-7488.2004.06.004] )
  • Zhu C M, Li J L, Chang C, Zhang X and Luo J C. 2014. Remote sensing detection and spatio-temporal change analysis of wetlands in Xinjiang arid region. Transactions of the Chinese Society of Agricultural Engineering, 30 (15): 229–238. [DOI: 10.3969/j.issn.1002-6819.2014.15.030] ( 朱长明, 李均力, 常存, 张新, 骆剑承. 2014. 新疆干旱区湿地景观格局遥感动态监测与时空变异. 农业工程学报, 30 (15): 229–238. [DOI: 10.3969/j.issn.1002-6819.2014.15.030] )
  • Zhu X L, Chen J, Gao F, Chen X H and Masek J G. 2010. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, 114 (11): 2610–2623. [DOI: 10.1016/j.rse.2010.05.032]
  • Zhu X L, Helmer E H, Gao F, Liu D S, Chen J and Lefsky M A. 2016. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sensing of Environment, 172 : 165–177. [DOI: 10.1016/j.rse.2015.11.016]
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