彭秋志， 秦國玲， 呂樂婷， 吳亞玲

(1.昆明理工大學國土資源工程學院，昆明 650093； 2.遼寧師范大學城市與環(huán)境學院，大連 116029)

0 引言

云干擾又可稱為云污染、云噪聲、云遮擋和云覆蓋等，是制約遙感影像可用性的重要因素之一[1-2]。由中空間分辨率成像光譜儀(moderate resolution imaging spectroradiometer，MODIS)獲取并制作的MOD13Q1植被指數(shù)產(chǎn)品，以其250 m空間分辨率、16 d時間分辨率、覆蓋全球長達16 a并仍在持續(xù)更新且可免費獲取等綜合優(yōu)勢，在復種指數(shù)分析[3]、作物長勢監(jiān)測[4]和植被覆蓋度估算[5]等方面得到了廣泛應用。然而，以云干擾為主要表現(xiàn)形式之一的數(shù)據(jù)“噪聲”問題，明顯制約了該產(chǎn)品的可用性。雖然該產(chǎn)品已經(jīng)采用了16 d最大值合成法(maximum-value composite procedure，MVC)以盡量減輕云干擾的影響[6]，但云干擾問題仍然不同程度地存在著，特別是在多陰雨地區(qū)。以東江流域為例，經(jīng)統(tǒng)計，近15 a來該流域無云像元歸一化植被指數(shù)(normalized difference vegetation index,NDVI)均值約為0.65，而有云像元NDVI均值僅約為0.36，且MOD13Q1產(chǎn)品原始數(shù)據(jù)中的整體云干擾概率(云干擾像元數(shù)占全部像元數(shù)的百分比)接近15%，可見云干擾已經(jīng)明顯影響到了該區(qū)域NDVI的數(shù)據(jù)質量。因此，選擇或開發(fā)適宜的方法來盡量減輕或消除云干擾影響，同時盡量少影響到或不影響到未受云干擾的那些數(shù)據(jù)，是十分必要的。

實際應用中，人們常使用2類方法試圖減輕或消除云干擾的影響： ①統(tǒng)稱為更長時段最大值合成法，例如月最大值合成法[7]和年最大值合成法[8]等； ②各種自動或半自動的數(shù)據(jù)平滑方法，例如最佳指數(shù)斜率提取法(best index slope extraction，BISE)[9]、修正最佳指數(shù)斜率提取法(modified BISE，M-BISE)[10]、時間序列諧波分析法(harmonic analysis of time series，HANTS)[11]、非對稱高斯模型法(asymmetric Gaussian model function，A-G)[12]、雙邏輯斯蒂法(double logistic function，D-L)[13-14]、最小二乘滑動擬合法(Savitzky-Golay filtering，S-G)[15]、均值迭代濾波法(mean-value iteration filter，MVI)[16]、Whittaker平滑法(Whittaker smoother，WT)[17]等。然而，第①類方法是以降低時間分辨率為代價，且不能消除更長時期連續(xù)云干擾的影響； 第②類方法的主要功能是對隨機噪聲(或小概率異常值)進行平滑，若不事先進行云識別和云去除，一旦遇到連續(xù)多期云干擾情形，則同樣可能導致誤判[18-19]?？傊?，以上方法雖各有側重，但若想成功運用，均離不開對云干擾本身特征的研究。

不同區(qū)域的云干擾情況客觀存在，且具有明顯差異，例如出現(xiàn)概率差異、持續(xù)時長差異和季節(jié)分配差異等。為確保所選數(shù)據(jù)處理方法的地區(qū)適宜性，研究人員應首先掌握目標研究區(qū)域的云干擾時空特征，以便結合不同方法的特點確定更為合適的數(shù)據(jù)處理流程及其相關參數(shù)，從而增強研究結果的可靠性。研究云干擾時空特征的前提是存在一個用于判斷是否有云的標準，并依據(jù)該標準獲得云的時空位置信息。雖然已存在多種云檢測方法[20-22]，但從實用角度考慮，直接使用MOD13Q1產(chǎn)品中自帶的云標記信息無疑更為便捷。并且，該產(chǎn)品從第5版開始，增加了像元可靠度圖層，相較于該產(chǎn)品原先自帶的質量保證圖層，研究人員無需進行數(shù)據(jù)類型轉換便可直接提取云標記信息，這大大降低了利用云標記信息的技術門檻。然而，以往以MOD13Q1產(chǎn)品為數(shù)據(jù)源的相關研究大多未利用或未充分利用該產(chǎn)品自帶的云標記信息，而有關對云標記本身時空特征的研究更為少見，這在某種程度上對厘清云干擾機理和優(yōu)選去云、降噪方法造成了阻礙。

基于以上考慮，以近15 a來東江流域MOD13Q1產(chǎn)品中的云標記信息為數(shù)據(jù)源，從云干擾概率與合成時長時空關系的角度，探究該區(qū)域云干擾時空特征，嘗試分析研究云干擾概率與合成時段長度之間的關系、云干擾像元消除率與合成時段長度之間的關系、云干擾持續(xù)時長有何季節(jié)性分異特征。本文中所用方法及其分析結果，可為后續(xù)優(yōu)選或開發(fā)更符合東江流域特點的植被指數(shù)時間序列重建方法提供支撐，并可為類似研究提供借鑒。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

東江流域位于N22°35′～25°12′，E113°25′～115°52′之間，干流自東北向西南從江西省流入廣東省，于東莞市注入獅子洋，經(jīng)虎門出海，流域總面積約為3.5×104km2。該流域地處亞熱帶季風氣候區(qū)，降水豐富，植被四季常青，相對內(nèi)陸干旱地區(qū)而言，云干擾對植被指數(shù)的影響更為明顯； 中部和北部流域中上游地段為低山丘陵地貌，以林業(yè)和農(nóng)業(yè)活動為主，而南部流域中下游地段則是我國東南沿海地區(qū)快速城市化的代表性區(qū)域之一。

1.2 數(shù)據(jù)來源及其預處理

利用DEM數(shù)據(jù)進行水文分析，提取東江流域邊界，并轉換成矢量數(shù)據(jù)，作為研究區(qū)范圍(圖1)。其中，DEM數(shù)據(jù)為90 m空間分辨率SRTM3 v4.1數(shù)據(jù)，下載自http: //www.giscloud.cn/。

圖1 研究區(qū)域位置Fig.1 Location of the study area

選擇2001—2015年間共345期MOD13Q1數(shù)據(jù)產(chǎn)品作為研究對象，另外加入該產(chǎn)品2000年的后3期和2016年的前3期數(shù)據(jù)作輔助提取相關信息。該數(shù)據(jù)下載自http: //reverb.echo.nasa.gov/reverb/，數(shù)據(jù)集版本號為005，分片標識為h28v06，原始數(shù)據(jù)投影格式是Sinusoidal投影，空間分辨率為250 m，時間分辨率為16 d。每期數(shù)據(jù)被封裝為一個HDF格式文件，內(nèi)含12層數(shù)據(jù)子集，層號從“0”起編，最后一層即第11層便為像元可靠度圖層，云標記信息在該圖層中的像元值為“3”。

數(shù)據(jù)預處理步驟為： ①提取像元可靠度圖層； ②生成“0”“1”值云標記圖層，其中“1”表示有云，即像元可靠度圖層中的“3”，“0”表示無云，即像元可靠度圖層中的其他值； ③裁剪出研究區(qū)，最終形成共351幅云標記圖層，其中345幅為研究對象，6幅為輔助數(shù)據(jù)。

2 研究方法

2.1 云干擾概率

設給定的連續(xù)時間序列內(nèi)共n期影像，合成時段長度(即滑動窗口寬度)為m期，并且1≤m≤n。從第1期開始，順時間序列滑動 (n-m+1) 次，進行逐期逐像元判斷： 如果某像元連續(xù)m期有云，則認定該像元在此合成時段內(nèi)為連續(xù)有云像元。如果某像元被判定為連續(xù)有云像元，則意味著在相應合成時段內(nèi)利用MVC法不能消除該像元的云干擾。連續(xù)有云次數(shù)與滑動次數(shù)之比即為該像元在相應合成時段內(nèi)的云干擾概率。

求取任意合成時段內(nèi)云干擾概率的具體實現(xiàn)步驟： ①滑動平均，從第1期開始，依次求取第1期至第m期平均值，獲得第1幅新圖層，求取第2期至第 (m+1) 期平均值，獲得第2幅新圖層，直到求取第 (n-m+1) 期至第n期平均值，獲得第 (n-m+1) 幅新圖層，由此共獲得 (n-m+1) 幅滑動平均值圖層，其中，只有值為“1”的像元才屬于連續(xù)m期均受到云干擾的像元，其余取值均表示對應像元至少有1期不受云干擾； ②“0”“1”值轉換，對上一步運算所獲新圖層進行賦值運算，僅保持平均值為“1”的像元值不變，其余像元均賦值為“0”，由此得到 (n-m+1) 幅“0”“1”值圖層； ③求取云干擾概率，對上一步運算所獲全部新圖層進行求取平均值運算，由此得到1幅合成時段長度為m期的云干擾概率圖層，該圖層內(nèi)每個像元的取值即為該像元的云干擾概率，而該圖層內(nèi)所有像元的平均值則為研究區(qū)的整體云干擾概率。

2.2 云干擾像元消除率

將云干擾像元消除率定義為特定合成時段內(nèi)可消除云干擾的像元數(shù)占研究區(qū)像元總數(shù)的百分比。設給定連續(xù)時間序列內(nèi)某像元位置上出現(xiàn)的連續(xù)最長云干擾時段長度為m期，則消除該像元云干擾所需的最短合成時長為 (m+1)期。這是因為，當合成時段長度超過某像元的最長連續(xù)云干擾時段長度時，便能獲取該合成時段內(nèi)至少1期未受云干擾的數(shù)據(jù)，此時該像元的云干擾可被消除。求取云干擾像元消除率實質上與求取不同合成時段內(nèi)云干擾概率是同一過程，區(qū)別僅在于觀察角度不同，故此不再贅述其具體實現(xiàn)步驟。

2.3 剩余云干擾概率

為表達云干擾概率的季節(jié)性分異特征，針對多年平均情況，設計了一種算法，用于求取1 a內(nèi)每一期影像在不同合成時段內(nèi)仍然存在云干擾的概率，即剩余云干擾概率。在不同合成時段內(nèi)，該概率越大，表示該期影像在此合成時段內(nèi)連續(xù)有云的概率越大。以合成時段為3期時判斷是否仍存在云干擾為例，介紹該算法的原理。設給定的連續(xù)時間序列內(nèi)共有n期影像，按時間序列進行逐期逐像元判斷。如果某期某像元有云，則需要針對該像元依次判斷以下3種情形是否發(fā)生： ①此前2期均有云; ②此前1期和此后1期均有云; ③此后2期均有云，如果其中至少有一種情形發(fā)生，則認定該像元在此合成時段內(nèi)仍然存在云干擾。將每年同一期在不同合成時段內(nèi)仍然存在云干擾的概率取平均，即得到此概率的多年平均狀態(tài)。經(jīng)過試驗和綜合權衡，本研究中該算法所取合成時段長度范圍為1～4期。雖然理論上可以繼續(xù)加長合成時段長度，但1～4期的變化已經(jīng)足以體現(xiàn)其變化規(guī)律。

以上數(shù)據(jù)預處理及相關空間分析均在 ArcGIS10.2 環(huán)境中完成，其中大部分操作利用Python語言編寫批處理腳本，并調(diào)用ArcToolbox中的相關工具加以實現(xiàn)。

3 結果與分析

3.1 云干擾概率及其空間分布

2001—2015年間東江流域整體云干擾概率隨合成時段加長的變化情況如圖2所示。

圖2 不同合成時段內(nèi)整體云干擾概率Fig.2 Whole probability of cloud interference under different compositing period

從圖2可以看出，隨合成時段加長，該流域整體云干擾概率迅速降低并趨于0。具體地說，當合成時段長度為1期(相當于未對該產(chǎn)品數(shù)據(jù)進行加工)時，該流域整體云干擾概率高達14.833%。若將合成時段加長為2期(相當于32 d最大值合成)，該流域整體云干擾概率將迅速降至4.055%，降幅高達10%以上。依照統(tǒng)計學中經(jīng)常用以判定小概率事件的“5%”標準(如無說明，后文中均以此標準探討數(shù)據(jù)可用性)，在使用東江流域MOD13Q1產(chǎn)品中的植被指數(shù)數(shù)據(jù)時，應至少先進行2期合成，方能從整體上使該數(shù)據(jù)達到可用性要求。依此外推，若要使該流域整體云干擾概率降至1%以下，需要至少4期合成； 降至0.1%以下需要至少8期合成； 而完全降至0則需要至少24期合成。

雖然只需2期合成便可使東江流域整體云干擾概率由約15%降至5%以下，但若云干擾概率在空間上存在明顯差別，則意味著一些地區(qū)或許無需合成便能達到數(shù)據(jù)可用性要求，而另一些地區(qū)卻可能需要更長時段合成才能達到相同要求。為進一步探求云干擾概率隨合成時段長度加長而表現(xiàn)出的空間分異規(guī)律，從像元級別繪制了不同合成時段長度下的云干擾概率分布，并選擇其中幾個有代表性的合成時段進行展示(圖3)。

(a)m=1 (b)m=2 (c)m=3(d)m=4 (e)m=5(f)m=10

圖3不同合成時段內(nèi)云干擾概率空間分布

Fig.3Spatialdistributionofcloudinterferenceprobabilityunderdifferentcompositingperiod

從圖3可以看出，隨著合成時段的加長，不同區(qū)域的云干擾概率均在下降； 另一方面，南部城市化區(qū)域的云干擾概率明顯高于其他區(qū)域，該特征在合成時段長度較短時表現(xiàn)得尤為突出。具體地，當合成時段為1期時，大多數(shù)區(qū)域均無法滿足數(shù)據(jù)可用性要求。若將合成時段加長為2期，則除南部城市化區(qū)域以外的絕大部分區(qū)域均滿足了數(shù)據(jù)可用性要求。若欲使大部分南部城市化區(qū)域也達到數(shù)據(jù)可用性要求，則需要5期甚至更長的合成時段。

3.2 云干擾像元消除率及其空間分布

2001—2015年間東江流域新增云干擾像元消除率隨合成時段加長的變化情況如圖4所示。

圖4 不同合成時段內(nèi)新增云干擾像元消除率Fig.4 New added elimination rate of cloud interference under different compositing period

從圖4可以看出，隨著合成時段的加長，新增云干擾像元消除率先迅速上升，而后迅速下降。具體地，當合成時段長度為1期時，沒有受到云干擾的像元不足總像元數(shù)的0.1%，當合成時段加長到2期，新增云干擾像元消除率也僅為0.27%。這說明當合成時段長度小于等于2期時，從消除東江流域云干擾的角度看，其效果基本無法被察覺到。當合成時段繼續(xù)加長到3期，新增云干擾像元消除率猛增至18.953%，當合成時段繼續(xù)加長到4期時，新增云干擾像元消除率達到峰值45.315%。當合成時段繼續(xù)加長，新增云干擾像元消除率迅速降低，7期合成時段時不足5%，12期合成時段時不足1%，14期合成時段時已不足0.1%。

每一像元都有其對應的消除該像元云干擾所需的最短合成時段長度。2001—2015年間東江流域消除云干擾所需最短合成時段長度的空間分布情況如圖5所示。

圖5 消除云干擾所需最短合成時段長度的空間分布Fig.5 Spatial distribution of shortest compositing period length to eliminate the cloud interference

從圖5可明顯看出，消除南部平原城市化區(qū)域的云干擾需要相對更長的合成時段。在流域北部和中部區(qū)域，只需4期合成便可得到較為理想的云干擾消除效果； 而如果要使大部分南部城市化區(qū)域的云干擾得到消除，卻需要12期甚至更長的合成時段。

3.3 云干擾持續(xù)時長季節(jié)差異

多年平均狀態(tài)下，該流域每一期影像處于連續(xù)m期(m分別取1，2，3和4)云干擾時段內(nèi)的概率如圖6所示，即合成時段長度為m期時仍存在云干擾的概率。

圖6 不同合成時段內(nèi)剩余云干擾概率的年內(nèi)分配Fig.6 Annual distribution of the rest cloud interference probability under different compositing period

從圖6可以看出，一方面，隨著m取值逐漸增大，年內(nèi)各期影像仍存在云干擾的概率均在降低； 另一方面，年中仍存在云干擾的概率明顯高于年末和年初。具體地說，當合成時段長度為1期(即未合成)時，除年內(nèi)第1，17—20，22和23期外，年內(nèi)各期仍存在云干擾的概率均大于5%，整體呈現(xiàn)夏季最高、春季次之、秋冬季最低的分布特征，且在年內(nèi)時間序列內(nèi)表現(xiàn)出頻率高低的突然轉折。當合成時段長度為2期時，在年內(nèi)第3—5期(大致相當于2月上旬—3月上旬，即初春季節(jié))和8—16期(大致相當于4月上旬—8月下旬，即春季后期和整個夏季)仍存在云干擾的概率大于5%，呈現(xiàn)雙峰型分布特征，且后者整體明顯高于前者，同時年內(nèi)時間序列折線已變得較為平滑。當合成時段長度為3期甚至4期時，初春季節(jié)仍存在的云干擾概率已降至很低，僅剩下夏季仍存在相對較高的云干擾概率。雖然本文僅給出了m≤4時的情形，但不難推知，隨著m取值繼續(xù)增大，年內(nèi)各期仍存在云干擾的概率將繼續(xù)下降，并逐漸趨于0。

4 結論與討論

本文分別從云干擾概率及其空間分布、云干擾像元消除率及其空間分布和云干擾持續(xù)時長季節(jié)差異這3個方面，分析了東江流域云干擾時空特征，得出以下結論： 整體云干擾概率隨合成時段加長而迅速降低； 新增云干擾像元消除率隨合成時段加長而先增后減； 在該流域南部城市化區(qū)域需要相對更長的合成時段方能有效消除云干擾； 相比秋冬季，夏季和春季需要相對更長的合成時段方能有效消除云干擾。

針對東江流域實際，建議在后續(xù)的植被指數(shù)時間序列重建過程中注意以下問題： ①從降低云干擾概率的角度，整體上建議至少進行2期合成； ②從消除云干擾的角度，整體上建議至少進行4期合成； ③若將南部城市化區(qū)域與其他區(qū)域分開處理，將會更加合理和高效； ④如有需要，可考慮將不同季節(jié)分開處理； ⑤可考慮開發(fā)基于云標記信息特征的參數(shù)動態(tài)可調(diào)的自適應植被指數(shù)時間序列重建方法。

從上述研究結論中可以發(fā)現(xiàn)，東江流域內(nèi)部的云干擾存在十分明顯的時空分異特征。若不加區(qū)別，簡單套用現(xiàn)有的各類植被指數(shù)時間序列重建方法，很可能導致在去云、降噪過程中引入更多未知干擾因素，甚至可能誘導研究人員得出不可靠的研究結論。類似的問題在其他區(qū)域同樣可能出現(xiàn)。一些時間序列數(shù)據(jù)平滑方法簡單將云干擾視為小概率異常值的假設是欠妥的，因為至少在東江流域的某些區(qū)域和某些時段，云干擾已經(jīng)居于主導地位，并非小概率異?，F(xiàn)象。既然云干擾是如此常見，并且也可以被識別，那么在決定選擇何種數(shù)據(jù)平滑方法之前，不妨先將研究區(qū)域云干擾本身的時空特征弄清楚，方能在后續(xù)分析過程中做到更有把握。既然要用到云標記信息，那么該信息的準確與否將變得很重要。在本研究過程中發(fā)現(xiàn)，MOD13Q1植被指數(shù)產(chǎn)品中個別期的云標記信息空間分布格局顯然與實際不符(如出現(xiàn)大范圍方塊狀云標記)，這也是值得進一步深究的問題。另外，本研究所得結論僅適用于此次所研究的數(shù)據(jù)版本及區(qū)域，其他數(shù)據(jù)版本及其他區(qū)域是否適用，還有待后續(xù)研究。鑒于東江流域面積相對較小，此次研究所發(fā)現(xiàn)的云干擾時空特征是否具有更大范圍的推廣性，未來擬考慮在類似區(qū)域以及更大范圍開展此項研究，以期總結出更具普遍性的結論。

[1] 趙 敏,張 榮,尹 東,等.一種新的可見光遙感圖像云判別算法[J].遙感技術與應用,2012,27(1):106-110.

Zhao M,Zhang R,Yin D,et al.Cloud classification algorithm for optical remote sensing image[J].Remote Sensing Technology and Application,2012,27(1):106-110.

[2] 陳 陽,范建容,文學虎,等.基于時空數(shù)據(jù)融合模型的TM影像云去除方法研究[J].遙感技術與應用,2015,30(2):312-320.

Chen Y,Fan J R,Wen X H,et al.Research on cloud removal from Landsat TM image based on spatial and temporal data fusion model[J].Remote Sensing Technology and Application,2015,30(2):312-320.

[3] 徐昔保,楊桂山.太湖流域1995—2010年耕地復種指數(shù)時空變化遙感分析[J].農(nóng)業(yè)工程學報,2013,29(3):148-155.

Xu X B,Yang G S.Spatial and temporal changes of multiple cropping index in 1995—2010 in Taihu Lake basin, China[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(3):148-155.

[4] 蒙繼華,杜 鑫,張 淼,等.物候信息在大范圍作物長勢遙感監(jiān)測中的應用[J].遙感技術與應用,2014,29(2):278-285.

Meng J H,Du X,Zhang M,et al.Integrating crop phenophase information in large-area crop condition evaluation with remote sensing[J].Remote Sensing Technology and Application,2014,29(2):278-285.

[5] 張喜旺,吳炳方.基于中高分辨率遙感的植被覆蓋度時相變換方法[J].生態(tài)學報,2015,35(4):1155-1164.

Zhang X W,Wu B F.A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data[J].Acta Ecologica Sinica,2015,35(4):1155-1164.

[6] Holben B N.Characteristics of maximum-value composite images from temporal AVHRR data[J].International Journal of Remote Sensing,1986,7(11):1417-1434.

[7] 武正麗,賈文雄,劉亞榮,等.近10a來祁連山植被覆蓋變化研究[J].干旱區(qū)研究,2014,31(1):80-87.

Wu Z L,Jia W X,Liu Y R,et al.Change of vegetation coverage in the Qilian Mountains in recent 10 years[J].Arid Zone Research,2014,31(1):80-87.

[8] 宋富強,邢開雄,劉 陽,等.基于MODIS/NDVI的陜北地區(qū)植被動態(tài)監(jiān)測與評價[J].生態(tài)學報,2011,31(2):354-363.

Song F Q,Xing K X,Liu Y,et al.Monitoring and assessment of vegetation variation in northern Shaanxi based on MODIS/NDVI[J].Acta Ecologica Sinica,2011,31(2):354-363.

[9] Viovy N,Arino O,Belward A S.The best index slope extraction(BISE):A method for reducing noise in NDVI time-series[J].International Journal of Remote Sensing,1992,13(8):1585-1590.

[10] Lovell J L,Graetz R D.Filtering pathfinder AVHRR land NDVI data for Australia[J].International Journal of Remote Sensing,2001,22(13):2649-2654.

[11] Roerink G J,Menenti M,Verhoef W.Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J].International Journal of Remote Sensing,2000,21(9):1911-1917.

[12] Jonsson P,Eklundh L.Seasonality extraction by function fitting to time-series of satellite sensor data[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1824-1832.

[13] Beck P S A,Atzberger C,H?gda K A,et al.Improved monitoring of vegetation dynamics at very high latitudes:A new method using MODIS NDVI[J].Remote Sensing of Environment,2006,100(3):321-334.

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

[15] 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-Golay filter[J].Remote Sensing of Environment,2004,91(3/4):332-344.

[16] Ma M G,Veroustraete F.Reconstructing pathfinder AVHRR land NDVI time-series data for the northwest of China[J].Advances in Space Research,2006,37(4):835-840.

[17] Atzberger C,Eilers P H C.Evaluating the effectiveness of smoothing algorithms in the absence of ground reference measurements[J].International Journal of Remote Sensing,2011,32(13):3689-3709.

[18] 王 堅,張繼賢,劉正軍,等.基于NDVI序列影像精化結果的植被覆蓋變化研究[J].測繪科學,2005,30(6):43-44.

Wang J,Zhang J X,Liu Z J,et al.Vegetation cover changes based on refined NDVI image sequences[J].Science of Surveying and Mapping,2005,30(6):43-44.

[19] 邊金虎,李愛農(nóng),宋孟強,等.MODIS植被指數(shù)時間序列Savitzky-Golay濾波算法重構[J].遙感學報,2010,14(4):725-741.

Bian J H,Li A N,Song M Q,et al.Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J].Journal of Remote Sensing,2010,14(4):725-741.

[20] 宋小寧,趙英時.MODIS圖象的云檢測及分析[J].中國圖象圖形學報,2003,8(9):1079-1083.

Song X N,Zhao Y S.Cloud detection and analysis of MODIS image[J].Journal of Image and Graphics,2003,8(9):1079-1083.

[21] 李 微,方圣輝,佃袁勇,等.基于光譜分析的MODIS云檢測算法研究[J].武漢大學學報(信息科學版),2005,30(5):435-438,443.

Li W,Fang S H,Dian Y Y,et al.Cloud detection in MODIS data based on spectrum analysis[J].Geomatics and Information Science of Wuhan University,2005,30(5):435-438,443.

[22] 單 娜,鄭天垚,王貞松.快速高準確度云檢測算法及其應用[J].遙感學報,2009,13(6):1138-1155.

Shan N,Zheng T Y,Wang Z S.High-speed and high-accuracy algorithm for cloud detection and its application[J].Journal of Remote Sensing,2009,13(6):1138-1155.