王金英 李曉松 范文義

(中國科學(xué)院遙感與數(shù)字地球研究所(數(shù)字地球重點(diǎn)實(shí)驗(yàn)室)，北京，100101) (東北林業(yè)大學(xué))

責(zé)任編輯:王廣建。

植物物候反映了環(huán)境條件季節(jié)和年際變化的特點(diǎn)。傳統(tǒng)的物候觀測，記錄植物在一年的生長過程中，隨著氣候的季節(jié)性變化而發(fā)生的(包括:發(fā)芽、展葉、開花、葉變色、落葉等)非常具體、直觀的物候現(xiàn)象［1］，這些基于點(diǎn)的記錄雖然具有準(zhǔn)確詳細(xì)的特點(diǎn)，但是覆蓋面很小，不適于進(jìn)行大區(qū)域氣候變化研究。伴隨著遙感技術(shù)而興起的遙感物候?qū)W，將植被物候觀測由植株個(gè)體提升到生態(tài)系統(tǒng)層面。利用遙感數(shù)據(jù)時(shí)間序列長、覆蓋范圍廣的優(yōu)勢，有效地揭示了植被在時(shí)空上的改變與全球氣候變化的聯(lián)系［2-4］。各種觀測表明，在全球氣候變暖的背景下，植物生長季明顯延長，引起植被生態(tài)系統(tǒng)的生產(chǎn)力、結(jié)構(gòu)組成，以及土壤-植被-大氣系統(tǒng)水、熱、碳交換的改變。因此，植物物候的研究有利于提高氣候-植被之間物質(zhì)與能量交換的模擬精度，對(duì)于準(zhǔn)確評(píng)估植被生產(chǎn)力與全球碳收支具有重要意義［5］。

受傳感器時(shí)間分辨率的限制，大多數(shù)遙感物候關(guān)注的是大尺度的物候變化，監(jiān)測數(shù)據(jù)源多為中低分辨率的衛(wèi)星數(shù)據(jù)。有較長時(shí)間序列的AVHRR 數(shù)據(jù)有效記錄了區(qū)域乃至全球物候多年的變化趨勢，為全球氣候變化的研究提供了有效途徑［6-8］。MODIS 數(shù)據(jù)與AVHRR 數(shù)據(jù)相比，在空間分辨率上有較大提升，使遙感物候監(jiān)測在相對(duì)復(fù)雜地表狀態(tài)下能夠?qū)崿F(xiàn)。Ahl 等［9］利用地面觀測數(shù)據(jù)，對(duì)不同的MODIS 植被指數(shù)產(chǎn)品用來檢測植被物候的效果做了對(duì)比分析;Hudson 等［10］利用經(jīng)過BRDF 校正后的MODIS 反射率數(shù)據(jù)，計(jì)算得到的植被指數(shù)，并結(jié)合MODIS 土地覆蓋數(shù)據(jù)對(duì)植被春季返青期在海拔和緯度上的分異規(guī)律作了研究。然而，由于空間分辨率限制，這些物候監(jiān)測結(jié)果與傳統(tǒng)物候數(shù)據(jù)的可比性很小，所得的物候數(shù)據(jù)往往得不到有力的驗(yàn)證。而具有較高空間分辨率的Landsat 衛(wèi)星影像由于重訪周期長，即便是小區(qū)域物候監(jiān)測的時(shí)間序列影像也難以得到［11-12］。綜上所述，限于數(shù)據(jù)原因，遙感物候的監(jiān)測尺度很難細(xì)化，這嚴(yán)重影響了其精度的驗(yàn)證，進(jìn)而也阻礙了遙感物候在諸多領(lǐng)域應(yīng)用價(jià)值的發(fā)揮。

中國于2008年9月6日發(fā)射的環(huán)境減災(zāi)小衛(wèi)星，其A/B 星搭載的4 部CCD 傳感器能夠提供2 d重訪的高時(shí)間分辨率的遙感監(jiān)測數(shù)據(jù)，檢驗(yàn)證明，CCD 傳感器4 個(gè)波段中，近紅外與紅波段表現(xiàn)最好，與TM 傳感器相應(yīng)波段相比質(zhì)量相當(dāng)［13］?；谶b感的植被物候監(jiān)測需要能夠反映植被變化的連續(xù)時(shí)間序列數(shù)據(jù)，環(huán)境衛(wèi)星的這些特點(diǎn)很好的滿足了植被物候監(jiān)測的需要。為此，本文選取密云上游地區(qū)，利用覆蓋該區(qū)域的環(huán)境衛(wèi)星數(shù)據(jù)，開展了30 m尺度植被物候提取的嘗試，并與低分辨率提取物候及傳統(tǒng)氣象物候進(jìn)行了對(duì)比，以期檢驗(yàn)HJ-CCD 數(shù)據(jù)監(jiān)測物候的價(jià)值與潛力。

1 研究區(qū)概況

密云水庫上游地區(qū)包括密云、懷柔、延慶、沽源、赤城、崇禮、宣化、懷來、豐寧、興隆、承德等12 個(gè)縣的大部分或部分地區(qū)。該區(qū)位于歐亞大陸東部中緯度地區(qū)，屬大陸性季風(fēng)氣候，四季分明。根據(jù)生態(tài)十年環(huán)境遙感監(jiān)測土地覆蓋分類系統(tǒng)［14-15］，建立該區(qū)域土地覆蓋類型數(shù)據(jù)(見圖1)，該區(qū)域自然植被覆蓋面積比例為84.33%，耕地面積比例為13.93%。植被類型以落葉灌木林分布最廣，面積比例為42.52%，其次為落葉闊葉林，面積比例為16.81%。在全球氣候變化的大背景下，我國北方地區(qū)植被物候變化明顯，主要表現(xiàn)為生長季的提前與延長［15］，這種變化會(huì)進(jìn)一步引起區(qū)域生態(tài)系統(tǒng)生產(chǎn)力和物質(zhì)循環(huán)的改變。密云水庫作為京津地區(qū)重要的保障性水源，對(duì)其上游地區(qū)植被物候的變化監(jiān)測具有重要意義。

圖1 研究區(qū)域土地覆被類型圖

2 研究方法

2.1 數(shù)據(jù)來源

遙感數(shù)據(jù):本文選取2010年覆蓋研究區(qū)域的所有環(huán)境星數(shù)據(jù)，共50 期，時(shí)間分布(見圖2)。對(duì)獲取的數(shù)據(jù)進(jìn)行了輻射校正和幾何精糾正等預(yù)處理。輻射校正利用中國資源衛(wèi)星中心公布的環(huán)境減災(zāi)星(A/B 星)各載荷在軌絕對(duì)輻射定標(biāo)系數(shù)，將圖像DN 值轉(zhuǎn)換為輻亮度;使用ERDAS 遙感圖像處理軟件，以該區(qū)域的TM 影像為參考圖像，對(duì)其進(jìn)行幾何精糾正，糾正后的幾何誤差控制在1 個(gè)像元內(nèi)。在對(duì)圖像完成預(yù)處理之后，從中確定并截取研究區(qū)域子影像，應(yīng)用6S 輻射傳輸模型建立查找表［16］，對(duì)影像進(jìn)行大氣校正。由于并不是每一景影像都能全覆蓋研究區(qū)域，為了最大限度的保留變化信息，我們不采取時(shí)間域的融合，而是保留所有數(shù)據(jù)的原有屬性。對(duì)于不能全覆蓋研究區(qū)域的影像，將未覆蓋區(qū)域標(biāo)記為無效值，最終保證所有影像范圍上的一致性，對(duì)于云覆蓋的地方也標(biāo)記為無效值。

氣象數(shù)據(jù):本研究氣象數(shù)據(jù)來自中國區(qū)域地面氣象要素?cái)?shù)據(jù)集中的近地面氣溫要素，該數(shù)據(jù)集由中國科學(xué)院青藏高原研究所開發(fā)，主要用于近地面氣象與環(huán)境要素的再分析［17］。數(shù)據(jù)集以國際上現(xiàn)有的Princeton 再分析資料、GLDAS 資料、GEWEX-SRB 輻射資料，以及TRMM 降水資料為背景場，融合中國氣象局常規(guī)氣象觀測數(shù)據(jù)制作而成。其時(shí)間分辨率為3 h，水平空間分辨率0.1°。利用該數(shù)據(jù)集中的溫度數(shù)據(jù)，對(duì)每天的數(shù)據(jù)求平均，合成2010年研究區(qū)域月平均溫度數(shù)據(jù)，作為氣象物候模型的基礎(chǔ)數(shù)據(jù)。

圖2 研究區(qū)域2010年環(huán)境星影像時(shí)間分布

2.2 時(shí)間序列歸一化植被指數(shù)(NDVI)重構(gòu)

利用經(jīng)過預(yù)處理后的環(huán)境星影像，根據(jù)環(huán)境衛(wèi)星CCD 數(shù)據(jù)的參數(shù)設(shè)置，利用公式INDV= (B4+B3)/(B4-B3)計(jì)算時(shí)間序列的歸一化植被指數(shù)，其中:INDV表示時(shí)間序列歸一化植被指數(shù)，B3表示近紅外波段反射率，B4表示紅波段反射率。NDVI 反映植被生長過程的時(shí)間序列曲線理論上應(yīng)該是連續(xù)平滑的，但由于傳感器本身性能、數(shù)據(jù)傳輸過程失誤、太陽光照角度、觀測視角、地物雙向性反射以及云、大氣氣溶膠等觀測條件因時(shí)間而異。此外，還可能有其它隨機(jī)干擾因素，得到的觀測值包含很多不可預(yù)測的噪音，NDVI 時(shí)間序列呈鋸齒狀的不規(guī)則波動(dòng)，反映季節(jié)變化趨勢不明顯。為了獲得高質(zhì)量的連續(xù)植被指數(shù)數(shù)據(jù)，需要對(duì)數(shù)據(jù)集進(jìn)行重建［18］。時(shí)間序列的一個(gè)本質(zhì)特征就是觀測數(shù)據(jù)在時(shí)間序列上的依存性，某一特定時(shí)刻的觀測值與相鄰觀測值之間具有一定程度的依賴性。因此，在對(duì)參數(shù)時(shí)間變化規(guī)律進(jìn)行歸納總結(jié)的基礎(chǔ)上，可以建立描述遙感時(shí)間序列的數(shù)學(xué)模型，根據(jù)模型分析時(shí)序數(shù)據(jù)變化規(guī)律，以達(dá)到重建缺失數(shù)據(jù)，提高整體數(shù)據(jù)質(zhì)量的目的。

本研究采用基于濾波函數(shù)平滑思想的S -G 濾波，應(yīng)用于NDVI 時(shí)間序列數(shù)據(jù)重建，主要基于以下兩個(gè)前提條件［19］:①序列的變化趨勢應(yīng)服從植被年際動(dòng)態(tài)變化的漸進(jìn)特征;②由于云和大氣對(duì)NDVI的影響一般為負(fù)偏移，所以，多數(shù)噪聲應(yīng)低于NDVI序列數(shù)據(jù)的平均值。在利用S - G 濾波方法重建NDVI 序列數(shù)據(jù)的應(yīng)用中，需要確定滑動(dòng)窗口的寬度以及平滑多項(xiàng)式的階數(shù)，以保證NDVI 數(shù)據(jù)擬合的準(zhǔn)確性。由于不同區(qū)域數(shù)據(jù)量的不同，為獲得理想的全年逐日時(shí)間序列NDVI 數(shù)據(jù)集，滑動(dòng)窗口的大小需要依據(jù)原始數(shù)據(jù)覆蓋的天數(shù)來確定，理論上原始數(shù)據(jù)量越大，窗口寬度也會(huì)越大。本研究多項(xiàng)式的階數(shù)取2。通過S - G 濾波模擬出全年逐日NDVI 數(shù)據(jù)后，再通過局部循環(huán)，使重建后的時(shí)序數(shù)據(jù)更接近于原有NDVI 時(shí)序數(shù)據(jù)上的包絡(luò)線。

2.3 物候參數(shù)提取

基于遙感的植被物候參數(shù)描述的往往是景觀或者整個(gè)生態(tài)系統(tǒng)的季節(jié)性變化，與傳統(tǒng)的特定物種的物候事件(發(fā)芽，開花等)無關(guān)［20］。遙感物候研究多關(guān)注于植物生長季的開始日期和成熟日期，由此得到植物生長季長度的變化。這些參數(shù)之所以受到廣泛關(guān)注，原因在于:(1)受到遙感數(shù)據(jù)時(shí)空分辨率的限制，無法進(jìn)行植被周期變化的詳細(xì)描述;(2)鑒于遙感物候與傳統(tǒng)物候的區(qū)別，生長季內(nèi)的宏觀尺度具體描述意義不大。因此，選擇對(duì)生長季開始、結(jié)束日期以及長度的關(guān)注，對(duì)景觀和生態(tài)系統(tǒng)層面的生物量和碳循環(huán)研究具有重要意義。根據(jù)本研究區(qū)域數(shù)據(jù)時(shí)空分辨率較高的特點(diǎn)，考慮到植物生長季長度由返青期和休眠期決定，本文選取植被的返青期、成熟期、衰老期、休眠期四個(gè)參數(shù)作為研究對(duì)象。

本研究物候參數(shù)的提取采用分段Logistic 擬合法［21］，對(duì)重建后的NDVI 曲線進(jìn)行擬合，建立NDVI 的‘S’型變化曲線，公式為:y(t)=c/(1+ea+bt)+d。式中，t 為時(shí)間，即一年中的第幾天;y(t)為時(shí)間t 的NDVI 值;c是擬合期間的NDVI 最大值;d 是NDVI 背景初值;a、b 為擬合參數(shù)。對(duì)研究區(qū)域采取逐像元計(jì)算各參數(shù)初值，自動(dòng)靈活的確定擬合系數(shù)。擬合曲線的曲率計(jì)算公式為:k= -b2cz(1-z)2(1+z)3/((1+z)4+(bcz)2)3/2，式中:k為曲率，z=ea+bt。根據(jù)曲率極值確定的物候參數(shù)。在曲線上升階段，曲率的最大和最小值分別為返青期和成熟期開始時(shí)間，在曲線下降階段，曲率的最小和最大值分別為凋落期和休眠期的開始日期。

2.4 可靠性分析

遙感數(shù)據(jù)由于其獨(dú)特的觀測角度，其反映近地面狀況的真實(shí)性往往需要通過一定的方式進(jìn)行評(píng)估。由于觀測角度的不同，遙感物候和地面觀測物候可比性非常小，原因在于二者所獲取的記錄不僅有量上的差異，還有遙感像元的低分辨率造成其內(nèi)部具有的異質(zhì)性?；跉庀髷?shù)據(jù)的物候模型，在一定程度上解決了這個(gè)問題，因而被眾多學(xué)者直接用來檢驗(yàn)遙感物候的可靠性［22-23］，或者通過其建立遙感物候與傳統(tǒng)物候的聯(lián)系［24-25］。本文選取基于溫度閾值法的氣象物候模型，設(shè)定5 ℃為閾值［26］，求得該區(qū)域植被的氣象物候。由于植被返青期的對(duì)區(qū)域氣候變化的響應(yīng)更敏感，在此我們僅提取位于每個(gè)氣象物候像元中心點(diǎn)的遙感物候返青期，對(duì)二者進(jìn)行相關(guān)分析，來評(píng)價(jià)遙感物候的可靠性。

3 結(jié)果與分析

3.1 NDVI 重建曲線

采用S-G 濾波對(duì)時(shí)間序列NDVI 進(jìn)行重建，根據(jù)每個(gè)像元點(diǎn)的原始數(shù)據(jù)覆蓋天數(shù)n，最終濾波窗口大小設(shè)定為n/4，采用二次多項(xiàng)式做窗口內(nèi)擬合，得到研究區(qū)域逐日NDVI 數(shù)據(jù)。從不同植被類型的NDVI 曲線(見圖3)可以看出，重建后的NDVI 曲線既消除了噪聲，又反映了植被的季節(jié)變化特點(diǎn);不同類型的曲線特點(diǎn)有明顯區(qū)別，這與不同植被類型物候的差異性相契合。

圖3 典型植被NDVI 曲線

3.2 環(huán)境星物候參數(shù)

基于環(huán)境星數(shù)據(jù)對(duì)研究區(qū)域內(nèi)的物候參數(shù)反演結(jié)果(見圖4)，利用計(jì)算出的返青期和休眠期之間的差，得到生長季長度。對(duì)不同植被類型各個(gè)物候參數(shù)進(jìn)行統(tǒng)計(jì)，得到各類型的平均物候參數(shù)(見表2)。由表2可以看出，研究區(qū)域內(nèi)各植被類型的物候參數(shù)不盡相同，其根本原因在于植被基因的差異［27］。落葉針葉林和草地兩種植被類型春季返青期開始較早，平均日期為4月23 -24日，草地的生長期最長，平均為222 d，各植被類型開始凋落的時(shí)間為9月中下旬。草地的各物候期開始時(shí)的NDVI值和其他類型有較大差別，這些差別對(duì)于利用基于NDVI 值閾值法的遙感物候模型有一定的參考價(jià)值。

表2 不同植被類型的物候參數(shù)

3.3 可靠性驗(yàn)證

本文通過提取位于溫度像元中心點(diǎn)的所有返青期的遙感物候值，建立遙感物候與氣象物候之間的散點(diǎn)圖，利用趨勢線描述二者之間的相關(guān)性(見圖5)。圖左側(cè)為該區(qū)域各尺度遙感物候與氣象物候整體像元點(diǎn)之間的關(guān)系，右側(cè)為該研究區(qū)域分布最廣泛的落葉灌木林的遙感物候與氣象物候的關(guān)系圖。對(duì)于落葉灌木林像元點(diǎn)，這里參考土地覆蓋數(shù)據(jù)，僅提取30 m 尺度下的純凈像元點(diǎn)作為驗(yàn)證數(shù)據(jù)。由圖5可知，各個(gè)尺度的遙感物候與氣象物候均呈現(xiàn)正相關(guān)關(guān)系，分辨率越高的遙感數(shù)據(jù)與氣象數(shù)據(jù)的相關(guān)性越大;30 m 尺度下的遙感物候較之其它大尺度與氣象物候呈現(xiàn)較強(qiáng)的相關(guān)性;各尺度下落葉灌木林的遙感物候與氣象物候的相關(guān)性均沒有整體的好，這說明了復(fù)雜地表覆蓋下的像元異質(zhì)性對(duì)遙感數(shù)據(jù)與地面數(shù)據(jù)的對(duì)接有較明顯的影響。

圖4 遙感物候結(jié)果

圖5 遙感物候與氣象物候關(guān)系圖

4 結(jié)論與討論

本研究以中國環(huán)境星CCD 數(shù)據(jù)為源數(shù)據(jù)，經(jīng)過對(duì)圖像嚴(yán)格的預(yù)處理，求得HJ -NDVI(尺度30 m)數(shù)據(jù)集，在最大限度挖掘時(shí)序數(shù)據(jù)的優(yōu)勢基礎(chǔ)上，結(jié)合NDVI 重建技術(shù)，獲取2010年研究區(qū)域NDVI日數(shù)據(jù)。采取分段Logistic 模型，計(jì)算出研究區(qū)域返青期、成熟期、衰落期和休眠期四個(gè)遙感物候參數(shù)。與傳統(tǒng)氣象物候模型得到的數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證表明，基于環(huán)境星數(shù)據(jù)得到的30 m 尺度的地表物候參數(shù)與之具有較高的契合度。時(shí)間序列的環(huán)境星數(shù)據(jù)打破了遙感物候監(jiān)測尺度難以細(xì)化的局限，彌補(bǔ)了遙感物候監(jiān)測在海拔變化較大以及地表覆被復(fù)雜情況下的不足，同時(shí)，也為地面物候監(jiān)測數(shù)據(jù)的獲取提供了有效參考。

為了比較不同監(jiān)測尺度對(duì)遙感物候結(jié)果的影響，本文利用同種方法計(jì)算了研究區(qū)域不同尺度下的植被返青期，通過局部細(xì)節(jié)和整體圖來進(jìn)行具體說明。圖6a 來自利用環(huán)境數(shù)據(jù)做出的30 m 遙感物候;圖6b 中數(shù)據(jù)是利用MODIS 植被指數(shù)產(chǎn)品MOD13Q1 中的250 m NDVI 數(shù)據(jù)集，基于本文所述方法得到;圖6c 中數(shù)據(jù)來自于MODIS 全球土地覆蓋變化產(chǎn)品MOD12Q2 中的500 m 物候參數(shù)集。從不同尺度物候結(jié)果圖形可以看出，該地區(qū)的植被返青期在第120 天均有較集中分布，體現(xiàn)了落葉灌木為主要植被類型的區(qū)域特點(diǎn)。各數(shù)據(jù)返青期監(jiān)測結(jié)果在整體上有較高的一致性;在500 m 尺度下，研究區(qū)域植被物候呈較嚴(yán)格正態(tài)分布;在250 m、30 m 尺度上分布較為分散，二者直方圖有較明顯的兩個(gè)波峰，第一個(gè)波峰覆蓋區(qū)域主要是東南部水庫和河流周圍的草地和灌木，第二個(gè)波峰為其余區(qū)域各種植被的物候組成。不同尺度下返青期標(biāo)準(zhǔn)差有較大差距，尺度越小其標(biāo)準(zhǔn)差越大，說明研究區(qū)域的地表異質(zhì)性較高，小尺度下的物候數(shù)據(jù)才能反映這種特點(diǎn)。

圖6 不同尺度返青期對(duì)比

為了進(jìn)一步探索復(fù)雜地表狀態(tài)下各尺度遙感物候數(shù)據(jù)反映地表真實(shí)環(huán)境的能力，我們選取了兩個(gè)500 m 尺度的典型像元(見圖7)，對(duì)不同尺度下它們的返青期做詳細(xì)探討。像元a 內(nèi)部海拔高度變化范圍為1 504～1 703 m，具有地勢起伏較大的特點(diǎn)，植被類型為單一的落葉灌木林;像元b 內(nèi)部包含三種植被類型，植被分布具有不均勻的特點(diǎn)，地勢平緩。由圖7可知，這兩個(gè)像元所覆蓋的地表變化在500 m 和250 m 尺度下幾乎無反映，而30 m 尺度下的物候?qū)@兩種地表的復(fù)雜性均有較詳細(xì)體現(xiàn)。然而30 m 尺度下物候與海拔高度的變化并不呈現(xiàn)明顯的比例關(guān)系，植被類型的界限也不明顯，這說明了自然狀態(tài)下的植被物候與海拔植被類型之間沒有嚴(yán)格的數(shù)學(xué)關(guān)系可描述，精細(xì)尺度的遙感物候?qū)τ谧匀恢脖桓采w的地表研究是非常必要的。

圖7 不同尺度遙感物候?qū)Φ孛鏍顩r的記錄

本研究區(qū)域環(huán)境星CCD 數(shù)據(jù)多集中在7—8月份和11—12月份，分別屬于該區(qū)域夏季和冬季，春秋季節(jié)的數(shù)據(jù)略顯不足，這也是導(dǎo)致遙感物候波動(dòng)較大的原因之一。為了更好地發(fā)掘HJ -CCD 數(shù)據(jù)在植被物候監(jiān)測方面的價(jià)值，今后需要尋求時(shí)間上均勻覆蓋的時(shí)序數(shù)據(jù)。此外，由于基于氣象數(shù)據(jù)的物候模型限制，我們?cè)诖藘H比較了氣象物候與遙感物候返青期之間的聯(lián)系，為了更好的驗(yàn)證遙感物候的可靠性與實(shí)用性，未來的研究應(yīng)尋求更完善的模型或者地面實(shí)測數(shù)據(jù)對(duì)遙感物候結(jié)果進(jìn)行評(píng)價(jià)。

［1］ 竺可楨，宛敏渭.物候?qū)W［M］.北京:科學(xué)出版社，1980.

［2］ Goward S N，Markham B，Dye D G，et al.Normalized difference vegetation index measurements from the ad-vanced very high resolution radiometer［J］.Remote Sensing of Environment，1991，35(2/3):257 -277.

［3］ Fischer A.A model for the seasonal variations of vegetation indices in coarse resolution data and its inversion to extract crop parameters［J］.Remote Sensing of Environment，1994，48(2):220-230.

［4］ Verbesselt J，Hyndman R，Newnham G，et al.Detecting trend and seasonal changes in satellite image time se-ries［J］.Remote Sensing of Environment，2010，114(1):106 -115.

［5］ 李榮平，周廣勝，張慧玲.植物物候研究進(jìn)展［J］.應(yīng)用生態(tài)學(xué)報(bào)，2006，17(3):541 -544.

［6］ Stockli R，Vidale P L.European plant phenology and climate as seen in a 20-year AVHRR land-surface parame-ter dataset［J］.International Journal of Remote Sensing，2004，25(17):3303 -3330.

［7］ Bacour C，Bréon F M，Maignan F.Normalization of the directional effects in NOAA-AVHRR reflectance measurements for an improved monitoring of vegetation cycles［J］.Remote Sensing of Environ-ment，2006，102(3/4):402 -413.

［8］ Maignan F，Bréon F M，Bacour C，et al.Interannual vegetation phenology estimates from global AVHRR meas-urements:Comparison with in situ data and applications［J］.Remote Sensing of Environment，2008，112(2):496 -505.

［9］ Ahl D E，Gower S T，Burrows S N，et al.Monitoring spring canopy phenology of a deciduous broadleaf forest using MODIS［J］.Remote Sensing of Environment，2006，104(1):88 -95.

［10］ Hudson Dunn A，De Beurs K M.Land surface phenology of north american mountain environments using moderate resolution imaging spectroradiometer data［J］.Remote Sensing of Environment，2011，115(5):1220 -1233.

［11］ Walker J J，De Beurs K M，Wynne R H，et al.Evaluation of landsat and MODIS data fusion products for analy-sis of dryland forest phenology［J］.Remote Sensing of Environment，2012，117:381 -393.

［12］ Melaas E K，F(xiàn)riedl M A，Zhu Z.Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM+ data［J］.Remote Sensing of Environment，2013，132:176-185.

［13］ 劉睿，孫九林，王卷樂，等.環(huán)境與災(zāi)害監(jiān)測預(yù)報(bào)小衛(wèi)星CCD數(shù)據(jù)質(zhì)量評(píng)價(jià)［J］.地球科學(xué)進(jìn)展，2011，26(9):971 -979.

［14］ 全國生態(tài)環(huán)境十年變化評(píng)估數(shù)據(jù)庫系統(tǒng).Wps1.gscloud.cn

［15］ 陳效逑，譚仲軍，徐成新.利用植物物候和遙感資料確定中國北方的生長季節(jié)［J］.地學(xué)前緣，2000，S2:196.

［16］ 杜鑫，陳雪洋，蒙繼華，等.基于6S 模型的環(huán)境星CCD 數(shù)據(jù)大氣校正［J］.國土資源遙感，2010，22(2):22 -25，29.

［17］ Chen Y Y，Yang K，He J，et al.Improving land surface temperature modeling for dry land of China［J］.Journal of Geophysical Research，2011，116(D20):1 -15.

［18］ 顧娟，李新，黃春林.NDVI 時(shí)間序列數(shù)據(jù)集重建方法述評(píng)［J］.遙感技術(shù)與應(yīng)用，2006，21(4):391 -395.

［19］ Chen J，J?nsson P，Tamura M，et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golayfilter［J］.Remote Sensing of Environment，2004，91(3):332 -344.

［20］ 武永峰，李茂松，宋吉青.植物物候遙感監(jiān)測研究進(jìn)展［J］.氣象與環(huán)境學(xué)報(bào)，2008，24(3):51 -58.

［21］ Zhang X Y，F(xiàn)riedl M A，Schaaf C B，et al.Monitoring vegetation phenology using MODIS［J］.Remote Sensing of Environment，2003，84(3):471 -475.

［22］ Justice C O，Townshend J G，Holben B N，et al.Analysis of the phenology of global vegetation using meteoro-logical satellite data［J］.International Journal of Remote Sensing，1985，6(8):1271-1318.

［23］ Reed B C，Schwartz M D，Xiao X.Remote sensing phenology［M］.New York:Phenology of ecosystem proc-esses，2009.

［24］ Schwartz M D，Reed B C，White M A.assessing satellite-derived start-of-season measures in the conterminous USA［J］.International Journal of Climatology，2002，22(14):1793 -1805.

［25］ Kathuroju N，White M A，Symanzik J，et al.On the use of the advanced very high resolution radiometer for development of prognostic land surface phenology models［J］.Ecological Modelling，2007，201(2):144 -156.

［26］ Shen M G，Tang Y H，Chen J，et al.Specification of thermal growing season in temperate China from 1960 to 2009［J］.Climatic Change，2012，114(3/4):783 -798.

［27］ Zhong L H，Hawkins T，Biging G，et al.A phenology-based approach to map crop types in the San Joaquin Val-ley，California［J］.International Journal of Remote Sensing，2011，32(22):7777 -7804.