-
植物物候是指示自然环境变化的重要指标，它不仅是植物自身的生理现象，也是对外部生境、气候、水文条件的综合反应[1-2]。气候变化和人类活动导致的环境变化与物候的改变存在紧密联系[3-7]，这种紧密联系几乎表现在所有具有季节性的生态系统中。在全球范围内，特别是高纬度和高海拔等对气候变化更敏感的地区[8-9]，定量描述植被物候具有重要意义。
山区物候数据十分缺乏。虽然遥感数据在其他地区物候观测展现出极大的优势[10]，但云雪信号污染影响了其在山区的可靠性，造成遥感物候提取方法在山区的应用情况还缺乏足够验证。同时，物候相机这一近地表观测技术已经成为一种新的物候数据信息来源，并可与遥感物候反演数据进行交互分析和校验。但是这种方法在山区特殊自然环境下的应用潜力还未得到充分评价，其验证遥感物候数据的能力也缺乏充分评估。本文利用物候相机和遥感技术开展物候信息的提取和对比，准确评估物候相机在山区植物物候提取的性能，为山区遥感物候数据精度提供重要参考。
本文以中国新疆维吾尔自治区天山中段巴音布鲁克为研究区，依托人工、物候相机和遥感方法，开展山区草地植物物候的提取分析，尝试对比不同观测方法下物候信息差异，探讨不同滤波方法、不同植物生长拟合曲线与不同物候参数提取方法在物候信息提取上产生的差异性，以及在不同观测站点下物候数据的规律和特点。研究结果将对提高山区植被物候反演精度和丰富山区物候资料积累提供参考。
-
选取位于新疆维吾尔自治区天山山区巴音布鲁克作为研究区，如图 1所示。该地区是干旱区典型代表性的高寒山区，平均海拔约在1 500~2 600 m，区域内山地海拔4 000~5 500 m，年平均降水量273 mm，年平均蒸发量1 157 mm，年均气温为-4.16 ℃，年平均积雪日数302天（1956—2002年），平均最大积雪深度为12 cm，该区域覆盖有中国第二大面积的巴音布鲁克草原。在本区域开展山区草地的物候研究工作具有很好的代表性和生产指导作用。
图 1 研究区观测站点分布
Figure 1. Phenocams Sites in Study Area
-
国内外以物候相机为手段架设了多个物候观测网，如美国的Phenocams、日本的物候眼观测网和澳大利亚的物候相机观测网络，这些国外观测网均通过联网方式进行实时传输。天山山区较为偏远，缺乏电力和网络支持，因此采用在观测点安装野外相机并定时拍照的方式进行观测。2016-09—2018-05，研究团队在天山中段巴音布鲁克地区布设了4个物候相机观测点，其中，察汗乌苏为山地灌丛草甸，优势种为花花柴；骆驼脖子为沼泽化草甸，优势种为黑穗苔草、华扁穗草；水电站为高寒草甸，优势种为矮金莲、草地早熟禾；胜利道班为高寒草原，优势种为紫花针茅、冰草。观测设备为猎科6210相机，观测方式为每天北京时间09：00—16：00，每30 min拍摄一次，相片格式为JPG，分辨率为1 440×1 080像素。为避免曝光，所有观测点拍摄方位设为正北或偏北，拍摄角度水平向下15°~45°。
-
首先，对噪声数据进行剔除，包括由于积雪和冻雾造成的相机镜头污染，大风造成镜头晃动及人畜走入拍摄范围的照片；其次，根据观测的对象确定感兴趣区域，尽量以观测植被或冠层为主体，避免土壤等背景因素的干扰；最后，提取ROI(region of interesting)范围内的相对绿度指数（green chromatic coordinate，GCC）[11]作为植物绿度的指标，表示为：
式中，DNG、DNR、DNB分别指上一步获得的区域上绿、红、蓝3个波段的数值（digital number，DN）。GCC能够反映出植被的年际变化，特别是在2017年4月—9月，4个站点均表现出了一年生单峰形态。同时，4个站点的GCC在2017年10月—2018年3月期间有明显的噪声情况，通过对图片的目视分析，其主要原因是受冬季的积雪覆盖的影响。
为有效提取植物生长信息，滤除噪声，采用7 种滤波器对原始时间间隔为0.5 h的GCC进行滤波处理，包括平均值滤波、中值滤波、max（90%的分位数）滤波[11]、样条滤波[12]、MAD（the median of absolute deviation about the median）滤波[13]、Blue滤波[14]和Night滤波[15]。在不同的观测点，7种滤波器的效果有一定的差异。其中，察汗乌苏、骆驼脖子、胜利道班这3个观测点的7种滤波器均展现了较好的去噪性能；但在水电站观测点，只有Night滤波、中值滤波和MAD滤波的去噪效果较好，其余5种滤波器均未能对冬季积雪的噪声有效去除。根据滤波效果，察汗乌苏、骆驼脖子、胜利道班等3个站点选用max滤波器，水电站选择Night滤波器。
-
为了对比分析物候相机与遥感数据在物候信息提取上的异同点，同时采用4个站点的中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）16天250 m归一化差值植被指数（normalized difference vegetation index，NDVI）产品MOD13Q1数据和可见光红外成像辐射套件（visible infrared imaging radiometer，VIIRS）8天250 m反射率产品VNP09H1合成后的NDVI数据进行物候信息提取。4个站点的MOD13Q1和VNP09H1的数据均通过美国橡树岭国家实验室分布式存档中心平台获取（https://daac.ornl.gov/）。将获取后的MODIS和VIIRS数据与物候相机提取的GCC滤波数据进行对比（见图 2），植被指数和GCC均能够反映植被生长季节波动状况，但在曲线变化点对应的时间上部分站点存有差异。
图 2 遥感NDVI数据与物候相机GCC数据对比
Figure 2. Comparison Between Remotely Sensed NDVI Data and Phenocams GCC Data
-
本文中，物候信息提取采用了人工目视判读和信号自动识别两种方法[16]，其中，人工目视判读参照全国草原监测技术操作手册和草原返青期地面观测方案由人工观测获取每个观测点的返青期（初期、普遍期和末期）及枯黄期（初期、普遍期和末期）。
在信号自动识别上，考虑到天山山区草地为一年生植物，在数据拟合的过程中，选择了Beck等[17]、Gu等[18]、Elmore等[19]、Klosterman等[20]4种Logistic函数进行植被生长曲线的拟合，同时增加三次样条（cubic spline，Spline）作为信号极弱情况下Logistic函数拟合失败的备选方案。
在物候参数提取方法上，选用动态阈值法Threshold[21]、导数法Derivatives[22]、Klosterman等[20]和Gu等[18]4种方法进行提取，其中，Threshold和Derivatives可获取开始期（start of season，SOS）、停止期（end of season，EOS）、生长季长度（length of season，LOS）和生长旺季（peak of season position，POP）等参数，Klosterman方法获取返青期（upturn date，UD）、成熟期、落叶期（downturn date，DD）、休眠期（recession date，RD）4个参数；Gu方法基于一阶导数中局部最大值的组合提取UD、稳定期（stabilization date，SD）、DD、RD。这4种曲线拟合和物候提取方法的原理参见文献[23]。
-
基于人工目视判读可获取4个站点2017年6 个物候期的观测值，如表 1所示，4个观测站点的数据差异明显，其主要受到覆盖类型的不同和局地气候的影响。
表 1 4个站点人工观测物候期
Table 1. In-Situ Phenological Data of Four Stations
物候期分类 站点名称 察汗乌苏 骆驼脖子 水电站 胜利道班 返青初期 05-09 04-23 05-26 05-28 返青普遍期 05-31 05-07 06-04 06-05 返青末期 06-16 05-11 06-12 06-14 枯黄初期 09-20 09-05 09-01 08-10 枯黄普遍期 09-30 09-16 09-10 08-26 枯黄末期 10-19 09-25 09-20 09-01 基于物候相机的关键参数提取结果如图 3所示。5种拟合函数在4个站点的均方根误差（root mean square error，RMSE）均小于0.01，说明滤波后的GCC拟合效果较好，Spline的拟合曲线能最大程度地逼近GCC点的分布趋势。除了察汗乌苏站Elmore+Klosterman的拟合+物候提取方法的组合形式未能有效提取物候参数外，其余观测站的物候参数均成功提取。
图 3 物候相机GCC不同曲线拟合方法与参数提取方法组合结果对比图
Figure 3. Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods for Different Vegetation Types Based on Phenocams GCC
对各站点的多种滤波+提取方法获得的物候参数集进行分析，如图 4和图 5所示。
图 4 不同曲线拟合方法的物候参数分布
Figure 4. Comparison of Phenological Parameters of Five Curve Fitting Methods
图 5 不同参数提取方法的物候参数分布
Figure 5. Comparison of Phenological Parameters of Four Extraction Methods
为了简化参数分析，将UD归为SOS，将RD归为EOS，继而求取LOS。从图 4、图 5可以发现，除水电站和胜利道班的EOS表现出2 个集群分布，其余站点的SOS、EOS和LOS的数值分布均呈现出1个极值+2个集群分布的特征。各站点物候参数的极值对应的滤波方法主要是Spline滤波，物候提取方法主要对应于Klosterman。结合图 3进一步分析可发现，Spline由于其较强的曲线拟合能力，将SOS前的积雪信号进行了拟合，而Klosterman中对拟合曲线中开始期前的波动进行了参数提取，造成了SOS明显早于其他方法。此外，滤波方法的差异没有展示出明显的规律和特征，但物候参数提取方法的不同却展现了明显的差异性。Threshold和Derivatives方法提取的各类物候参数相近，Klosterman和Gu方法提取的物候参数相近。
比对各站点SOS，察汗乌苏与水电站和胜利道班接近，而骆驼脖子最早；对比各站点EOS，从察汗乌苏、骆驼脖子、水电站至胜利道班显示出逐渐提前的趋势。从LOS上看，骆驼脖子最长，而察汗乌苏、水电站和胜利道班依次变短。4个站点并没有按照海拔高度的上升呈现出SOS逐渐推迟和EOS逐渐提前的预期结果。
Threshold和Derivatives方法提取的SOS比Klosterman和Gu方法提取的SOS平均晚23天，而EOS平均早24天。Threshold和Derivatives提取方法提取参数位于拟合曲线上升期和下降期中间时段，而Klosterman与Gu的提取方法则是主要位于在植物生长曲线上升期和下降期的拐点。对比人工观测数据，Threshold和Derivatives方法所提取的开始期与停止期更接近于牧草观测的返青末期和枯黄末期，而Klosterman和Gu方法提取的开始期和停止期与牧草观测的返青初期和枯黄初期更为接近。
物候相机信号的拟合函数和物候提取方法都能对物候参数值产生影响。拟合函数通过影响生长曲线形态而对物候参数产生影响，而物候提取方法则以不同的信号状态解释对物候信息进行提取。拟合函数与物候提取方法的双重影响会对物候相机图像所产生的物候参数值产生影响，但参数提取方法呈现出更具规律的影响作用。
-
基于MODIS和VIIRS数据进行物候信息提取（见图 6），与物候相机信息对比，其提取有效性明显降低。各种曲线拟合方式的RMSE均较物候相机的更大。参照巴音布鲁克农业部门公布数据以及部分现有研究，设定[100, 180]和[200, 330]分别为开始期SOS和停止期EOS的儒略日合理区间进行筛选，物候相机物候信息提取有效性可以达到95%，而遥感物候信息提取的有效性只能达到48%。对4个站点的MODIS或VIIRS数据均能提取开始期和停止期有效值的组合只有Beck+Derivatives（MODIS）、Beck+Threshold（VIIRS）、Elmore+Derivatives（VIIRS）和Elmore+Gu（VIIRS）4种组合形式，其中，能对MODIS进行有效提取的仅为1种。值得注意的是，在20种组合方式中，没有任何一种能够同时对4 个站点的MODIS和VIIRS数据进行有效提取，这也意味着在不同地表状况下以遥感数据进行物候信息提取时，需要对生长曲线的拟合方式和物候参数提取方法进行仔细筛选。
图 6 遥感NDVI数据不同曲线拟合方法与参数提取方法组合结果对比图
Figure 6. Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods Based on MODIS and VIIRS Data
-
利用Pearson相关系数对遥感数据与数字相机提取的有效的SOS和EOS物候参数如表 2所示。
表 2 遥感与数字相机物候参数相关分析
Table 2. Correlated Analysis of Phenological Parameters Extracted from Remote Sensing Data and Phenocams
物候参数分类 开始期 停止期 MODIS VIIRS MODIS VIIRS GCC 0.628 6** 0.574** 0.063 0.444** MODIS或VIIRS 0.278 0.400* 注：*对应5%水平显著，即p < 0.05;**对应1%水平显著，即p < 0.01 由表 2可知，MODIS与VIIRS数据提取的SOS与GCC提取的SOS之间存在极显著相关，VIIRS数据提取的EOS与GCC提取的EOS存在极显著相关；而MODIS提取的EOS与GCC提取的EOS之间相关性不显著；MODIS和VIIRS提取的SOS相关性不显著，EOS显著相关。
-
本文利用天山地区巴音布鲁克4个植物物候观测相机2016-09—2018-05的RGB照片，计算获得GCC指数，对比分析7种滤波器在4 个站点GCC指数的滤波效果，采用5种曲线拟合方式+4种物候参数提取方法进行了物候参数的提取及分析，同时与对应的MODIS与VIIRS遥感植被指数数据提取的物候数据进行对比。得到结论如下：（1）GCC能够很好地反映植被生长季变化特征，植物物候相机在天山山区草地的物候监测中是一种有效手段。山区雨雪噪声会对GCC信号分析产生不利影响，应当选取适当的滤波器去除噪声。（2）不同的物候信号曲线拟合方法和提取方法的组合对物候参数提取会产生明显的差异。其中，Spline曲线拟合方式由于突出的拟合能力产生过度拟合；而物候提取方法对物候参数能够产生显著影响，其中，Threshold和Derivatives较为接近，而Klosterman和Gu较为接近。（3）利用多种方法基于MODIS和VIIRS这两种遥感数据与相机GCC数据提取物候信息，对比发现，山区遥感数据物候信息提取的有效性仅为48%，远低于物候相机的95%。
物候相机数据与遥感数据在观测尺度、观测时间分辨率和观测角度上均存在明显区别，物候相机数据时间分辨率可远高于目前的遥感数据时间分辨率，且受天气影响小，从而降低了天气带来的信号污染；但由于物候相机一般需要安装在特定的固定装置上，观测范围要小于遥感数据，在山区无通讯信号区域设备安装和数据收集上成本较高，还容易受到地表形变造成观测角度变化。因此，制定更具操作的物候相机观测标准和拓展物候相机的光谱观测范围，将提升遥感物候信息提取和验证精度，也有利于形成一套长期稳定的植物观测科学数据集。
遥感数据天然的大尺度和经济性是无可比拟的，但云雪信号污染、地形和大气校正处理的问题易产生数据不合理波动，今后应考虑采取归一化等方法降低其时相差异过大的问题[24]。
Comparative Analysis of Phenological Extraction Methods for Grasslands in High-Altitude Mountainous Areas
-
摘要: 准确量测高海拔山区的植物物候对理解全球变化下的敏感生态系统的响应具有重要意义。利用物候相机和遥感技术开展物候信息的提取和对比，既能准确评估物候相机在山区植物物候提取的性能，又可为山区遥感物候数据反演提供重要参考。利用中国新疆维吾尔自治区天山山区人工观测、物候相机和遥感数据，测试了5种曲线拟合方式与4种物候参数提取方法的20种组合的物候参数提取结果，对比了3种数据在物候信息提取结果的异同。结果表明：（1）植物物候相机能在天山山区草地物候观测中提供高时间分辨率的绿度变化信息，是山区开展物候观测并验证遥感物候数据的有效手段。（2）山区雨雪天气等对相对绿度指数产生较强噪声影响，需要选择合适的滤波器进行去噪。（3）曲线拟合方式和物候提取方法均对物候参数数值产生影响。而提取方法可产生更明显的差异性，其中，阈值法和导数法提取的物候数值相近，开始期与人工观测的返青期一致性较好，停止期与枯黄期一致性较好；而Klosterman方法和Gu方法提取物候数值相近，提取的开始期与人工观测的返青末期一致性较好，停止期与人工观测的枯黄末期一致性较好。（4）20种不同滤波+提取方法的组合形式在山区遥感数据物候信息提取的有效性仅为48%，中分辨率成像光谱仪数据的最有效提取方法为Beck+Derivatives组合，可见光红外成像辐射套件数据的最优提取方法为Beck+Threshold组合和Elmore+Derivatives组合。Abstract:
Objectives Accurate measurement of vegetation phenology in high-altitude mountainous areas is critical in understanding the response of sensitive ecosystems to global climate change. The extraction and comparison of the phenological information using phenological cameras (PhenoCams) and remote sensing technology can help evaluate the performance of PhenoCams in vegetation phenology extraction, which provides an important reference for the accuracy of remote sensing phenological data in mountainous areas. Methods Firstly, the green chromatic coordinates (GCC) and normalization difference vegetation index (NDVI) of the vegetation are extracted for characterizing the profile of vegetation annual change based on the observed data from four PhenoCams stations and the remote sensing data in the Bayanbulak region of the Xinjiang Uygur Autonomous Region, China. Secondly, the denoising performance of seven filters for green index signals is comprehensively investigated. The phenological parameters extracted by 20 combinations of five curve fitting methods and four phenological parameter extraction methods are compared and analyzed. Results (1) Vegetation PhenoCams can accurately provide high temporal resolution variation of GCC information of grasslands (including sparse vegetation types) in Tianshan mountainous areas, China, and they are effective means to observe mountain phenology and verify remote sensing phenology data. (2) Weather conditions such as rain and snow have a strong impact on GCC, and therefore it is necessary to select appropriate filters for denoising. (3) Curve fitting methods and phenological extraction methods have an important impact on the values of phenological parameters. Moreover, obvious differences exist between the extraction methods. The phenological values extracted by Threshold and Derivatives methods are similar, and the extraction start and stop periods can well match the artificially observed periods of rejuvenation and withering respectively. The phenological values extracted by the Klosterman method and Gu method are similar, which are consistent with the observations. (4)The effectiveness of 20 combinations in extracting phenological information from remote sensing data in mountainous areas is only 48%. The most effective extraction method for moderate resolution imaging spectroradiometer (MODIS) data is the combination of Beck+Derivatives, and the best extraction methods for visible infrared imaging radiometer suite (VIIRS) data are the combination of Beck + Threshold and that of Elmore + Derivatives. Conclusions PhenoCams data and remote sensing data have obvious differences in spatial and temporal scale, and the PhenoCams data provide a higher temporal resolution than the remote sensing data. Moreover, the PhenoCams data are less affected by weather conditions, and thus the signal pollution caused by weather conditions can be reduced. Regulating the operational PhenoCams observation and expanding the spectral observation range of PhenoCams will improve the extraction of phenological information and help validate remote sensing phenological information. All of this certainly can help build a stable and long-term scientific data set for vegetation observations. -
图 2 遥感NDVI数据与物候相机GCC数据对比
Figure 2. Comparison Between Remotely Sensed NDVI Data and Phenocams GCC Data
图 3 物候相机GCC不同曲线拟合方法与参数提取方法组合结果对比图
Figure 3. Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods for Different Vegetation Types Based on Phenocams GCC
图 4 不同曲线拟合方法的物候参数分布
Figure 4. Comparison of Phenological Parameters of Five Curve Fitting Methods
图 5 不同参数提取方法的物候参数分布
Figure 5. Comparison of Phenological Parameters of Four Extraction Methods
图 6 遥感NDVI数据不同曲线拟合方法与参数提取方法组合结果对比图
Figure 6. Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods Based on MODIS and VIIRS Data
表 1 4个站点人工观测物候期
Table 1. In-Situ Phenological Data of Four Stations
物候期分类 站点名称 察汗乌苏 骆驼脖子 水电站 胜利道班 返青初期 05-09 04-23 05-26 05-28 返青普遍期 05-31 05-07 06-04 06-05 返青末期 06-16 05-11 06-12 06-14 枯黄初期 09-20 09-05 09-01 08-10 枯黄普遍期 09-30 09-16 09-10 08-26 枯黄末期 10-19 09-25 09-20 09-01 
下载: 导出CSV
表 2 遥感与数字相机物候参数相关分析
Table 2. Correlated Analysis of Phenological Parameters Extracted from Remote Sensing Data and Phenocams
物候参数分类 开始期 停止期 MODIS VIIRS MODIS VIIRS GCC 0.628 6** 0.574** 0.063 0.444** MODIS或VIIRS 0.278 0.400* 注：*对应5%水平显著，即p < 0.05;**对应1%水平显著，即p < 0.01
下载: 导出CSV
-
[1] Peñuelas J, Rutishauser T, Filella I E. Phenology Feedbacks on Climate Change[J]. Science, 2009, 324(5929): 887-888 doi: 10.1126/science.1173004 [2] Richardson A D, Keenan T F, Migliavacca M, et al. Climate Change, Phenology, and Phenologcal Control of Vegetation Feedbacks to the Climate System[J]. Agricultural and Forest Meteorology, 2013, 169: 156-173 doi: 10.1016/j.agrformet.2012.09.012 [3] Liu Q, Fu Y H, Zeng Z Z, et al. Temperature, Prcipitation, and Insolation Effects on Autumn Vegettion Phenology in Temperate China[J]. Global Change Biology, 2016, 22(2): 644-655 doi: 10.1111/gcb.13081 [4] Shen M G, Tang Y H, Chen J, et al. Influences of Temperature and Precipitation Before the Growing Season on Spring Phenology in Grasslands of the Central and Eastern Qinghai-Tibetan Plateau[J]. Agricultural and Forest Meteorology, 2011, 151 (12): 1711-1722 doi: 10.1016/j.agrformet.2011.07.003 [5] Huxman T E, Snyder K A, Tissue D, et al. Precipittion Pulses and Carbon Fluxes in Semiarid and Arid Ecosystems[J]. Oecologia, 2004, 141(2): 254-268 doi: 10.1007/s00442-004-1682-4 [6] Yao R, Wang L C, Huang X, et al. Investigation of Urbanization Effects on Land Surface Phenology in Northeast China During 2001-2015[J]. Remote Sensing, 2017, 9(1): 66 doi: 10.3390/rs9010066 [7] Yao R, Wang L C, Huang X, et al. Increased Sptial Heterogeneity in Vegetation Greenness Due to Vegetation Greening in Mainland China[J]. Ecologcal Indicators, 2019, 99: 240-250 doi: 10.1016/j.ecolind.2018.12.039 [8] Cory S T, Wood L K, Neufeld H S. Phenology and Growth Responses of Fraser Fir (Abies Fraseri) Christmas Trees Along an Elevational Gradient Southern Appalachian Mountains, USA[J]. Agrcultural and Forest Meteorology, 2017, 243: 25-32 doi: 10.1016/j.agrformet.2017.05.003 [9] Cremonese E, Filippa G, Galvagno M, et al. Heat Wave Hinders Green Wave: The Impact of Climate Extreme on the Phenology of a Mountain Grassland [J]. Agricultural and Forest Meteorology, 2017, 247: 320-330 doi: 10.1016/j.agrformet.2017.08.016 [10] Zhang X Y, Jayavelu S, Liu L L, et al. Evaluation of Land Surface Phenology from VⅡRS Data Using Time Series of PhenoCam Imagery[J]. Agricutural and Forest Meteorology, 2018, 256/257: 137-149 doi: 10.1016/j.agrformet.2018.03.003 [11] Sonnentag O, Hufkens K, Teshera-Sterne C, et al. Digital Repeat Photography for Phenological Rsearch in Forest Ecosystems[J]. Agricultural and Forest Meteorology, 2012, 152: 159-177 doi: 10.1016/j.agrformet.2011.09.009 [12] Migliavacca M, Galvagno M, Cremonese E, et al. Using Digital Repeat Photography and Eddy Cvariance Data to Model Grassland Phenology and Photosynthetic CO2 Uptake[J]. Agricultural and Forest Meteorology, 2011, 151(10): 1325-1337 doi: 10.1016/j.agrformet.2011.05.012 [13] Papale D, Reichstein M, Aubinet M, et al. Twards a Standardized Processing of Net Ecosystem Exchange Measured with Eddy Covariance Tecnique: Algorithms and Uncertainty Estimation[J]. Biogeosciences, 2006, 3(4): 571-583 doi: 10.5194/bg-3-571-2006 [14] Julitta T, Cremonese E, Migliavacca M, et al. Using Digital Camera Images to Analyse Snowmelt and Phenology of a Subalpine Grassland[J]. Agrcultural and Forest Meteorology, 2014, 198/199: 116-125 doi: 10.1016/j.agrformet.2014.08.007 [15] Filippa G, Cremonese E, Migliavacca M, et al. Phenopix: A R Package for Image-Based Vegettion Phenology[J]. Agricultural and Forest Meterology, 2016, 220: 141-150 doi: 10.1016/j.agrformet.2016.01.006 [16] McEwan R W, McCarthy B C. Phenology: An Itegrative Environmental Science[J]. The Journal of the Torrey Botanical Society, 2005, 132(1): 170-171 doi: 10.3159/1095-5674(2005)132[170:PAIES]2.0.CO;2 [17] Beck P S A, Atzberger C, Høgda K A, et al. Iproved Monitoring of Vegetation Dynamics at very High Latitudes: A New Method Using MODIS ND- VI[J]. Remote Sensing of Environment, 2006, 100 (3): 321-334 doi: 10.1016/j.rse.2005.10.021 [18] Gu L H, Post W M, Baldocchi D D, et al. Charaterizing the Seasonal Dynamics of Plant Community Photosynthesis Across a Range of Vegetation Types [M]//Noormets A. Phenology of Ecosystem Prcesses. New York, USA: Springer, 2009 [19] Elmore A J, Guinn S M, Minsley B J, et al. Lanscape Controls on the Timing of Spring, Autumn, and Growing Season Length in Mid-Atlantic Forests [J]. Global Change Biology, 2012, 18 (2): 656-674 doi: 10.1111/j.1365-2486.2011.02521.x [20] Klosterman S T, Hufkens K, Gray J M, et al. Evaluating Remote Sensing of Deciduous Forest Phenology at Multiple Spatial Scales Using PhenCam Imagery[J]. Biogeosciences, 2014, 11(16): 4305-4320 doi: 10.5194/bg-11-4305-2014 [21] Jönsson P, Eklundh L. TIMESAT: A Program for Analyzing Time-Series of Satellite Sensor Data[J]. Computers & Geosciences, 2004, 30(8): 833-845 [22] Zhang X Y, Friedl M A, Schaaf C B, et al. Montoring Vegetation Phenology Using MODIS[J]. Rmote Sensing of Environment, 2003, 84 (3): 471-475 doi: 10.1016/S0034-4257(02)00135-9 [23] 周玉科. 基于数码照片的植被物候提取多方法比较研究[J]. 地理科学进展, 2018, 37(8): 1031-1044 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201808003.htm Zhou Yuke. Comparative Study of Vegetation Phnology Extraction Methods Based on Digital Images [J]. Progress in Geography, 2018, 37(8): 1031- 1044 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201808003.htm [24] 甘文霞, 沈焕锋, 张良培, 等. 采用6S模型的多时相MODIS植被指数NDVI归一化方法[J]. 武汉大学学报·信息科学版, 2014, 39(3): 300-304 doi: 10.13203/j.whugis20120731 Gan Wenxia, Shen Huanfeng, Zhang Liangpei, et al. Normalization of Multi-temporal MODIS ND- VI Based on 6S Radiative Transfer Model[J]. Gematics and Information Science of Wuhan Universty, 2014, 39(3): 300-304 doi: 10.13203/j.whugis20120731 -
点击查看大图
图(6) / 表(2)
计量
- 文章访问数: 342
- HTML全文浏览量: 103
- PDF下载量: 52
- 被引次数: 0
