免费文献传递   相关文献

A new method of sample selections for optimizing phenology model based remote sensing data

利用遥感数据优化物候模型时样本选择的新方法


植被物候模型是生态系统模型的重要组成部分, 其精度对准确地模拟陆面和大气之间的能量和物质交换具有重要意义。利用遥感获取空间物候信息并与气候数据进行耦合分析是在中亚干旱区等地面物候观测数据缺乏的地区构建物候模型的重要方法。为减小混合植被像元和气候数据资料的内在误差及二者在空间尺度的不匹配对物候模型构建产生的影响, 该研究提出一种在气象站点周围选取满足规定规则集的“代表植被类型像元”作为样本点的选择方法, 以代表植被类型像元的遥感物候数据和气象站点数据为基础, 结合经典物候模型和改进物候模型, 在粒子群优化算法支持下, 分别以独立的拟合与评价样本数据, 完成了荒漠草原植被与落叶阔叶林的模型拟合与评价。研究发现中亚干旱区荒漠草原植被的最优模型为温度-降水修正模型, 落叶阔叶林的最优模型为替代模型。通过此方法模型总体精度在8-10 d左右。结果表明此方法在气候数据和植物物候空间匹配方面有改进, 有助于提高物候模型精度。

Aims Phenology model is considered as the most efficient tool to assess the phonological responses of plants to future climate change. Furthermore, as an important component in dynamic ecological models, the performance of phenology model is of significance for the precision in simulating mass and energy exchanges between land and atmosphere. Combining long time series remote sensing data and climate data to construct regional phenology model may be the only way to solve the problem of deficiency in lacking in-situ observational data on phenology and species-specific phenology models. The objective of this study was to develop a new method of sample selections for constructing phenology in the arid zone of Central Asia where only sparse observational data are available.
Methods Based the phenology data retrieved from 250 m-resolution MODIS images for the period 2000-2010, a new method is developed for constructing the vegetation phenology model in arid zone. A set of rules were built to select the representative pixels of PFTs (plant function types) surrounding the climate station, making sure that the climate of the representative pixels of PFTs could be represented by the observed meteorological data at the station, and then the phenology data on the representative pixels of PFTs were extracted from the MODIS images and the corresponding climatic data were set as the sample for model fitting and assessment. Forty-six representative pixels of PFTs for desert grassland vegetation and broadleaved deciduous forests were selected under the rules. The phenology model parameters were estimated using data from odd-numbered years and the simulation accuracy was assessed with the independent even-year data. Particle swarm optimization algorithm was used to parameterize the pre-selected model. The root-mean-square error and coefficient of determination were used to examine the performance of model with independent data.
Important findings The best model for desert steppe vegetation was the modified temperature-precipitation model and the best model for deciduous broadleaved forest was the alternative model. Compared with other documented findings, the new method was proven feasible, and the results also suggested that this new method may improve the spatial match of climatic data and vegetation phenology data, and therefore contribute to improvement of the phenology model accuracy.


全 文 :植物生态学报 2015, 39 (3): 264–274 doi: 10.17521/cjpe.2015.0026
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2014-05-04 接受日期Accepted: 2014-12-17
* 通讯作者Author for correspondence (E-mail: zc@xjb.ac.cn)
利用遥感数据优化物候模型时样本选择的新方法
马勇刚1,2,3 张 弛1* 陈 曦1
1中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室, 乌鲁木齐 830011; 2新疆大学资源与环境科学学院, 乌鲁木齐 830046; 3新疆科
技发展战略研究院, 乌鲁木齐 830011
摘 要 植被物候模型是生态系统模型的重要组成部分, 其精度对准确地模拟陆面和大气之间的能量和物质交换具有重要
意义。利用遥感获取空间物候信息并与气候数据进行耦合分析是在中亚干旱区等地面物候观测数据缺乏的地区构建物候模型
的重要方法。为减小混合植被像元和气候数据资料的内在误差及二者在空间尺度的不匹配对物候模型构建产生的影响, 该研
究提出一种在气象站点周围选取满足规定规则集的“代表植被类型像元”作为样本点的选择方法, 以代表植被类型像元的遥
感物候数据和气象站点数据为基础, 结合经典物候模型和改进物候模型, 在粒子群优化算法支持下, 分别以独立的拟合与评
价样本数据, 完成了荒漠草原植被与落叶阔叶林的模型拟合与评价。研究发现中亚干旱区荒漠草原植被的最优模型为温度-
降水修正模型, 落叶阔叶林的最优模型为替代模型。通过此方法模型总体精度在8–10 d左右。结果表明此方法在气候数据和
植物物候空间匹配方面有改进, 有助于提高物候模型精度。
关键词 干旱区, 物候模型, 遥感, 中亚
引用格式: 马勇刚, 张弛, 陈曦 (2015). 利用遥感数据优化物候模型时样本选择的新方法. 植物生态学报, 39, 264–274. doi: 10.17521/cjpe.2015.0026
A new method of sample selections for optimizing phenology model based remote sensing data
MA Yong-Gang1,2,3, ZHANG Chi1*, and CHEN Xi1
1State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Ürümqi 830011, China;
2College of Resources and Environment Science, Xinjiang University, Ürümqi 830046, China; and 3Xinjiang Academy of Science and Technology Development
Strategy, Ürümqi 830011, China
Abstract
Aims Phenology model is considered as the most efficient tool to assess the phonological responses of plants to
future climate change. Furthermore, as an important component in dynamic ecological models, the performance of
phenology model is of significance for the precision in simulating mass and energy exchanges between land and
atmosphere. Combining long time series remote sensing data and climate data to construct regional phenology
model may be the only way to solve the problem of deficiency in lacking in-situ observational data on phenology
and species-specific phenology models. The objective of this study was to develop a new method of sample
selections for constructing phenology in the arid zone of Central Asia where only sparse observational data are
available.
Methods Based the phenology data retrieved from 250 m-resolution MODIS images for the period 2000–2010,
a new method is developed for constructing the vegetation phenology model in arid zone. A set of rules were built
to select the representative pixels of PFTs (plant function types) surrounding the climate station, making sure that
the climate of the representative pixels of PFTs could be represented by the observed meteorological data at the
station, and then the phenology data on the representative pixels of PFTs were extracted from the MODIS images
and the corresponding climatic data were set as the sample for model fitting and assessment. Forty-six representa-
tive pixels of PFTs for desert grassland vegetation and broadleaved deciduous forests were selected under the
rules. The phenology model parameters were estimated using data from odd-numbered years and the simulation
accuracy was assessed with the independent even-year data. Particle swarm optimization algorithm was used to
parameterize the pre-selected model. The root-mean-square error and coefficient of determination were used to
examine the performance of model with independent data.
Important findings The best model for desert steppe vegetation was the modified temperature-precipitation
马勇刚等: 利用遥感数据优化物候模型时样本选择的新方法 265

doi: 10.17521/cjpe.2015.0026
model and the best model for deciduous broadleaved forest was the alternative model. Compared with other
documented findings, the new method was proven feasible, and the results also suggested that this new method
may improve the spatial match of climatic data and vegetation phenology data, and therefore contribute to im-
provement of the phenology model accuracy.
Key words arid zone, phenology model, remote sensing, Central Asia
Citation: Ma YG, Zhang C, Chen X (2015). A new method of sample selections for optimizing phenology model based remote sens-
ing data. Chinese Journal of Plant Ecology, 39, 264–274. doi: 10.17521/cjpe.2015.0026
作为分析植被物候历史状况和预测其未来变化
的重要手段, 植被物候模型被各国学者广泛研究。
植被物候模型被耦合在区域或全球尺度的生态模型
中, 其模拟结果直接影响植被生产力与碳收支评估
的准确性。而当前生态系统模型中所采用的物候子
模型往往采用经验模型或者直接采用未作任何参数
化的物种尺度的模型。例如: BIOME3对落叶乔木和
草地分别采用大于5 ℃积温等于200和50作为开始
生长的条件(Haxeltine & Prentice, 1996), Friend等
(1997)利用Hybird v3.0模型处理寒带落叶植物时结
合美国Quercus alba的研究结果对Cannell和Smith
(1983)的平行模型进行修改作为其物候子模型 ;
Sitch等(2003)采用对不同植物功能型使用不同基础
温度的积温阈值作为植物生长条件开发了LPJ模型;
Foley等(1996)采用更为简单的温度阈值直接判断植
物的生长时间构建了IBIS模型 ; Levis等(2004)在
CLM-DGVM模型中把连续50 d的大于0 ℃积温达
到100作为植物发芽的条件; Sato等(2007)开发的
SEIB-DGVM模型采用平行模型作为落叶林的物候
模型; Krinner等(2005)在计算落叶阔叶林发芽期时
也 采 用 了 与 SEIB-DGVM 相 似 的 平 行 模 型
(ORCHIDEE模型)。研究表明当前生态系统模型中
物候子模型会产生预测偏差: Randerson等(2009)在
碳-陆地模型交互对比项目(C-LAMP)中对3种陆地
生物地理化学模型的评估中发现3种模型对温带和
寒带的森林生态系统在生长季的碳净吸收量存在低
估; 同时, Richardson等(2012)通过通量网数据评价
14种生态系统模型时, 发现在与实际测量的结果对
比下, 所有14种模型都对开始期估算过早, 而对停
止期估算过晚, 从而造成对整个生长季长度的估算
过长, 继而高估了总生态系统光合作用。
降低物候模拟与预测的不确定性, 构建更精确
的物候模型是目前亟须解决的科学任务。而解决这
一问题需要长期的物候和气候观测资料。近年来,
卫星遥感数据和地面实测物候资料相结合的方法已
广泛用于物候模型构建, 利用长时间序列卫星数据
获取地表植物物候信息, 并将其与气候过程联系起
来是物候模型研究的一个新的出路(Cleland et al.,
2007; Yang et al., 2012)。20世纪末, 有研究尝试结合
遥感反演物候数据和大尺度气候数据在大区域建立
植被物候模型: 例如White等(1997)在北美大陆和
Botta等(2000)在全球开展的研究工作。然而, 由于
所采用的遥感数据空间分辨率较低(如White使用20
km × 20 km的AVHRR重采样均值像元作为样本,
Botta等(2000)采用0.5°空间分辨率), 遥感物候易受
到混合像元的干扰, 同时所依据的气候数据空间分
辨率低, 其生成技术存在引入误差(Wright et al.,
2009; Hu et al., 2014), 这些问题造成物候数据与气
候数据难以匹配, 从而限制了植被物候模型构建的
精度。21世纪, 随着遥感数据的不断更新和积累, 利
用更高分辨率的遥感数据获取地表物候信息得到了
发展(de Beurs & Henebry, 2004; Delbart et al., 2005;
Sakamoto et al., 2005; Ahl et al., 2006; Howell et al.,
2009; Koltunov et al., 2009; Hudson Dunn & de Beurs
2011; Hufkens et al., 2012), 这也为物候模型构建提
供了新的物候空间数据和方法。
中亚干旱区属于温带荒漠生态系统, 受温度和
湿度的双重影响, 当前普遍使用的热带荒漠的物候
模型只考虑湿度因子(如BIOME3, Botta等(2000)构
建的模型), 并不适用于此区域。由于缺乏长期有效
的物候观测资料, 遥感数据是当前获取中亚干旱区
物候数据的重要途径(马勇刚等 , 2014)。我们以
2001–2010年MODIS 250 m增强植被指数(EVI)反演
得到物候观测数据, 以气象站点的观测值作为模型
构建的气候数据。为克服遥感物候建模所面临的物
候混合像元和气候数据误差及物候-气候数据不匹
配的问题, 本研究提出一套新的样本选择方法, 即
在气象站点周围选取植被类型相对单一且能够被气
象站点数据所代表的像元(代表植被类型像元)作为
样本点, 继而利用代表植被类型像元上的MODIS遥
266 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (3): 264–274

www.plant-ecology.com
感物候数据和气象站点数据组成模型拟合和评价的
样本集; 在样本集基础上, 结合经典物种物候模型
和改进物候模型, 选择奇数年作为拟合样本, 利用
粒子群优化算法进行参数优化, 选择偶数年作为评
价样本, 利用2个指标进行精度评价, 最终尝试建立
干旱区2种典型植被物候模型。
1 材料和方法
1.1 MODIS数据及处理
目前美国国家航空航天局 (NASA)发布的
MODIS植被指数产品数据主要为16天及更长的时
间分辨率。在物候信息提取过程中, 理论上时间分
辨率越高的数据会产生越精确的物候反演数据, 然
而由于遥感数据易受到云等噪声的干扰, 高时间分
辨率数据往往需要附加数据和降噪技术来完成数据
重构, 而过粗的时间分辨率数据可能会错过一些关
键的物候变化时期(Zhao et al., 2012), 在总结已有
研究(Zhang et al., 2009; Zhao et al., 2012)的基础上,
我们选择8 d时间分辨率; 在植被指数选择上, 考虑
到MODIS只有1, 2波段为250 m空间分辨率, 因此我
们只采用了增强植被指数2 (enhanced vegetation
index 2, EVI2) (Jiang et al., 2008)和归一化差值植被
指数(normalized difference vegetation index, NDVI)
两种直接由1, 2波段合成的植被指数数据, 有研究
发现EVI2在解析不同土壤背景下的植被信息时要
优于NDVI (Rocha & Shaver, 2009), 因此我们以
MOD09Q1 (250 m 8 d)地表反射率数据作为数据基
础, 利用批处理等方式合成了2001–2010年MODIS
8 d的EVI2数据。其中EVI2的计算方式为:

其中, ρnir为近红外反射率, ρred为红光波段反射率。
通过交互式数据语言(IDL)批处理波段运算 ,
获得研究区13个分块(TILE)下每年46景数据共计10
年的EVI2的数据集。
1.2 气候数据
研究主要采用的气候数据包括: 美国国家气候
数据中心(National Climate Data Center)提供的部分
中亚站点2000–2010年日平均气温和日降水量数据;
新疆气象局2000–2007年新疆范围内部分站点的日
平均气温和日降水量数据; 中国国家气象数据共享
平台2000–2010年一级站点日平均气温和日降水量
数据。最终形成中亚地区和新疆的气象站点的日平
均气温和日降水量数据集。
1.3 其他辅助数据
MCD12Q1 MODIS土地覆被数据集; SRTM 90
m高程数据。
1.4 遥感物候反演方法
目前常用的4种遥感物候反演方法为: 滑动平
均方法、NDVI比率阈值方法、最大变化斜率方法及
Logistic函数拟合方法。武永峰等(2008)利用计算机
模拟手段对这些方法进行了对比, 指出4种方法的
优缺点。由于8 d的时间分辨率噪声点较多, 结合我
们在研究区已开展的研究工作(马勇刚等, 2014), 我
们选择20%比例阈值法作为物候反演计算方法。
当EVIdoy – EVIdoy > 20% (EVImax – EVImin)时,
则SOS = doy (2)
式中: EVIdoy为一年中的第doy (day of year)天对应的
EVI值, EVImin为一年中EVI的最小值, EVImax为一年
中EVI的最大值, 当EVIdoy达到20%的变化幅度, 则
第doy天即为开始期时间(SOS)。
1.5 代表植被类型像元选择规则
对我国西北地区来说, 高程是影响温度变化的
最重要因素(舒守娟等, 2009)。杨森等(2011)分析了
甘肃122个气象站点的数据, 得出降水量与经度、纬
度和海拔3个地理、地形因子相关性较大, 与坡度和
坡向无显著性相关。Augustine (2010)在分析美国科
罗拉多东部半干旱区草原5–9月植物生长季期间降
水总量的时空变异时发现, 在10 km范围内, 降水
量的空间差异明显小于降水量的年度差异, 当距离
超过40 km时, 降水量的空间差异基本与年度差异
相当。基于如上考虑, 我们建立下列规则(图1)来确
定代表植被类型像元:
1)代表植被类型像元在气象站点的10 km范围
内(使用buffer方法确定);
2)代表植被类型像元与气象站点的高程差不超
过90 m (利用SRTM数字高程模型确定);
3)代表植被类型像元在2001–2010年间未发生
地表覆盖类型的变化(通过MCD12Q1土地利用覆盖
类型数据叠加确定);
4)代表植被类型像元的地表覆盖状况应尽可能
同质(在Google Earth高分辨率影像叠加符合1–3条
件的矢量文件, 利用目视解译的方式, 对拟选样点
的色彩均一程度、地表覆盖状况进行进一步筛选,
马勇刚等: 利用遥感数据优化物候模型时样本选择的新方法 267

doi: 10.17521/cjpe.2015.0026


图1 代表植被类型像元选取规则。
Fig. 1 Rules for selections of the representative pixels of plant function types (PFTs).


最后确定具有较高地表一致性的代表植被类型
像元)。
通过以上规则确定了研究区内适合的最终代表
植被类型像元。
通过样本选取规则确定荒漠草原植被和落叶阔
叶林共计46个代表植被类型像元(图2)。
1.6 拟合与评价过程
模型拟合与评价在MATLAB平台下完成, 优化
算法选择粒子群优化算法(particle swarm optimiza-
tion, PSO)。在以往物候模型的拟合过程中, 研究人
员采用的算法也有不同, 例如Chuine等(1998)在对4
种经典温控物候模型进行拟合时采用了退火算法,
Yang等(2012)在物候模型的拟合过程中则采用遗传
算法。PSO是近年来发展起来的一种新的进化算法
(evolutionary algorithm, EA), 和遗传算法相似, 它
是从随机解出发, 通过迭代寻找最优解, 通过适应
度来评价解的品质, 但它比遗传算法规则更为简单,
没有遗传算法的“交叉” (crossover) 和“变异” (mu-
tation)操作, 它通过追随当前搜索到的最优值来寻
找全局最优。这种算法以其实现容易、精度高、收
敛快等优点在解决实际问题中展示了优越性。考虑
到这种算法的相对优势, 我们最终选择了PSO算法
进行模型优化。
数据输入包括有: 代表植被类型像元的日平均
气温、日降水数据、计算获得的日长数据以及物候
遥感反演数据。拟合模型分别有: 积温(SW)模型
(Sarvas, 1972), 平行 (Par)模型 (Cannell & Smith,
1983), 替代(Al)模型(Kramer, 1994), 顺序(Seq)模型
(Hänninen, 1990), Chuine模型(Chuine, 2000), T-P修
正模型(Li & Zhou, 2012), Chuine-P模型, T-D模型,
T-P-D模型。
其中积温模型、平行模型、替代模型、顺序模
型、Chuine模型等模型结构与原模型保持一致, T-P
修正模型根据Li和Zhou (2012)的T-P模型基础和
Kariyeva等(2012)对中亚物候与气候要素的统计分
析结论的基础上进行了修改, T-P-D1模型为在T-P模
型基础上进行光周期约束, T-P-D2模型为在Chuine
模型基础上进行降水和光周期约束 , 即公式 (3)
和(4)。
T-P修正模型:

268 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (3): 264–274

www.plant-ecology.com


图2 代表植被类型像元地理分布。
Fig. 2 Distribution of the representative pixels of plant function types selected for model.



模型中: Ti为第i天的日平均气温, Tb为基底温度, P*
为降水临界值, Pi为本年第i天的降水量, Pb为上一
年冬季即10月1日至12月31日的降水量之和, k1和k2
为上一年最后3个月的降水量与今年1月1日至第i天
的降水量对植物开始期的影响权重。F*为强迫状态
阈值。
Chuine-P模型和Al-P模型:
Chuine模型是本研究中最复杂的温控模型, 且
在Chuine (2000)的研究中表明, 通过调整其参数可
以使其函数表现逼近于Par模型和Seq模型, 因此,
在Chuine模型基础上加入降水因子的影响, 建立
Chuine-P模型; 考虑到Al模型的结构与其他温控模
型较为不同, 因此也对该模型加入降水因子影响,
构建了Al-P模型。
T-D模型:
T-D模型以当年积温和当年日时长作为生长季
开始期的约束条件, 当第i天同时满足公式(4)、(5)
后既被判定为生长季开始。
D* < DayLi (5)
此模型中: D*为日照时长临界值, DayLi为第i天的日
照时长。
T-P-D1模型: 该模型为SW模型加上降水及光
周期的同时约束, 即满足公式(3)、(4)、(5)。
T-P-D2模型: 该模型为Chuine模型加上降水及
光周期的同时约束, 即满足Chuine模型和公式(3)、
(5)。
由于所有开始期模型的T0可以为固定值也可作
为模型参数参与拟合, 因此所有的开始期模型均有
T0游动型和T0固定型。在T0固定型的取值设定中, 我
们参考了前人的相关研究结论(Cannell & Smith,
1983; Kramer, 1994; Chuine et al., 1998; Li & Zhou,
2012; Yang et al., 2012), 最终T0固定型设定方法为:
只考虑强迫速率的模型中T0设定为当年1月1日, 而
同时考虑冷激速率模型中的T0设定为前一年的9月1
日。其他模型参数主要参照了Cannell和Smith (1983)
的模型及Li和Zhou (2012)的模型拟合设置, Chuine
模型参数则根据Chuine (2000)模型中的取值范围,
而P*和D*等取值范围根据数据的实际情况设定。
拟合与评价流程中 , 将代表植被类型像元
2001–2010年的奇数年作为拟合数据, 将偶数年作
为校验数据, 具体流程见图3。
1.7 模型精度评价
计算模型精度是评价模型性能的重要过程。将
2001–2010年间的偶数年代表植被类型像元的气候
数据作为评价样本, 对各模型进行物候预测, 并与
对应年的各代表植被类型像元遥感反演数据进行对
比, 依次确定各个模型预测能力和精度。拟合过程
中, 对所有的拟合样本逐个代入拟选模型进行拟
马勇刚等: 利用遥感数据优化物候模型时样本选择的新方法 269

doi: 10.17521/cjpe.2015.0026


图3 拟合与精度评价流程图。
Fig. 3 Flow chart for model fitting and assessment.


合, 并计算每种模型的拟合与评价精度。当出现均
方根误差(RMSE)大于30 d或者决定系数小于0.1时,
即将此模型排除出评价行列。本研究中拟采用2种评
价指标对模型的预测精度进行评价:
1)均方根误差:

此处Xobs,i为偶数年遥感反演获得物候观测值 ,
Xmode,i为利用偶数年气候数据输入物候模型计算获
得的物候模拟值, n为样本个数。
2)决定系数:

在评价模型性能时, 以模型在拟合和评价过程
的2项指标进行综合考虑, 首先考虑均方根误差的
表现, 继而考虑决定系数的数值情况。
2 结果
表1为荒漠草原植被的拟合与评价情况。在所有
5种只考虑温度的物候模型(简称温控模型)中, 拟合
精度最好的是Al模型, 其RMSE为9.2, R2也最高达到
了0.74, 其次为SW模型, Par模型、Chuine模型和Seq
模型, 但在精度评价过程中, Al模型精度下滑严重,
而SW模型、Par模型等精度保持较好。在所有加入
降水因子的模型中, Al-P模型的拟合效果最好, 但
是在独立样本评价过程中精度下降明显, 平均误差
超过了15 d。综合拟合与评价精度, T-P修正模型的
表现最好, 其RMSE比SW模型高3 d左右, R2也达到
0.83, 这意味着在只考虑强迫速率的SW模型上加入
降水因素提高了对荒漠植被开始期的模拟精度; 在
T-P修正模型上增加光周期因素的T-P-D1和T-P-D2
模型精度比T-P精度要低, 而在SW模型基础上建立
的T-D模型精度与SW模型相比其精度也没有提高,
这说明光周期因素的加入没有提高模型的模拟能
力。复杂结构的Chuine模型、Chuine-P模型以及
T-P-D1和T-P-D2模型在拟合过程中的精度虽然令人
满意, 但在独立样本的评价过程中精度相对较差,
说明对于复杂模型, 我们筛选的样本数量较少, 从
而造成过度拟合(Linkosalo et al., 2008)。
T-P修正模型的拟合和评价过程的RMSE能控制
在10 d以内, R2也均高于0.70, 可以认为荒漠草原植
被最优开始期模型为T-P修正模型, T-P修正模型评
价散点图见图4A。参数为 : T0 = 3月1日 ; a =
–0.425 1; F* = 5.221 5; k1 = 0.129 7; k2 = 0.800 3; P*
= 19.007 2。
270 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (3): 264–274

www.plant-ecology.com
表1 荒漠草原植被生长季开始期物候模型的拟合与评价结果
Table 1 Results of the start of season (SOS) model fitting and assessment for desert steppe vegetation
参数T0 Parameter T0 拟合程度 Fitting result 精度评价 Accuracy assessment 模型
Model 固定型/游动型
Fixed or moved (mobile)
样本个数
Sample size
均方根误差
RMSE
决定系数
R2
样本个数
Sample size
均方根误差
RMSE
决定系数
R2
游动 Moved 11.18 0.55 15.42 0.10 Chuine模型 Chuine model
固定 Fixed 11.94 0.51 18.25 0.15
游动 Moved 10.75 0.57 9.68 0.55 SW模型 SW model
固定 Fixed 13.24 0.42 16.27 0.61
游动 Moved 14.01 0.37 18.31 0.12 Seq模型 Seq model
固定 Fixed 14.02 0.37 12.06 0.69
游动 Moved 9.38 0.61 10.72 0.69 Par模型 Par model
固定 Fixed 19.36 – – –
游动 Moved 9.20 0.74 19.6 0.37 Al模型 Al model
固定 Fixed – 0.20 – –
游动 Moved 6.60 0.68 16.57 0.51 Al-P模型 Al-P model
固定 Fixed 12.40 0.37 – 0.12
游动 Moved 7.70 0.83 9.87 0.70 T-P修正模型 Modified T-P model
固定 Fixed 10.25 0.77 14.19 0.64
游动 Moved 12.32 0.39 14.13 0.27 Chuine-P模型 Chuine-P model
固定 Fixed 15.25 0.33 16.93 –
游动 Moved 9.79 0.67 11.77 0.66 T-D模型 T-D model
固定 Fixed 10.64 0.68 15.18 0.68
游动 Moved 7.78 0.69 10.01 0.48 T-P-D1模型 T-P-D1 model
固定 Fixed 8.60 0.77 11.34 0.71
游动 Moved 8.00 0.47 17.21 0.47 T-P-D2模型 T-P-D2 model
固定 Fixed
70
10.54 0.64
79
14.50 0.41
R2, coefficient of determination; RMSE, root mean square error. –, R2 < 0.1 or RMSE > 20.


落叶阔叶林的拟合结果表明所有的经典温控模
型均比我们建立的加入降水或者光周期因素的模型
要好。其中T0游动型替代模型的拟合精度最好, 拟
合RMSE为8 d, 评价RMSE为12 d, 而加入降水因素
下的AL-P模型精度下降剧烈。经过计算, 落叶阔叶
林的开始期模型中: Al模型的拟合RMSE在所有模
型中最低, 为8 d, 在精度评价过程中的12 d也为所
有模型的评价结果的最低值, 拟合过程和评价过程
的R2分别为0.82和0.63, 说明模拟物候数值与遥感
反演物候数值相关性较高, 可以认为落叶阔叶林的
最优开始期模型为Al模型, 其评价效果散点图见图
4B。参数为: T0 = 1月2日; Tchill = –9.634 2; Theat =
1.920 2; C* = 37.019 1; a = 996.179 6; b = –0.067 4。
在所有的T0固定型和游动型的对比中, 由于游
动型的T0范围涵盖了固定型T0的取值, 因此拟合过
程中游动型的精度要比固定型的精度高, 但在独立
样本的评价过程中存在固定型的精度比游动型高的
情况, 这说明T0的选取对模拟结果产生影响。在物
候的模拟过程中, T0的取值仍然需要进一步的确定:
实际上, T0的选取应当具有一定的气候学或者生理
学意义, 其取值可能随着空间(例如纬度)的变化而
变化, Cannell和Smith (1983)在对英格兰地区Picea
sitchensis的物候研究中对T0的选择时认为: 根据英
格兰当地的气候特征, 11月1日之前的冷激天数很
少, 因此在考虑冷激模型时选择11月1日作为开始
时间; 而在考虑热时模型(积温SW模型)时认为11月
–12月的强迫速率对发芽的作用可以忽略, 同时1月
日平均气温大于5 ℃的天数很少, 最后选择2月1日
作为热时模型的开始时间。Li和Zhou (2012)在其研
究中也同样指出, 如果选择参数化T0进行模型拟合,
模型将只考虑T0之后的冷激或者强迫速率, 而可能
会忽略原本对植物物候产生作用开始时间之前的重
要影响。根据中亚气候数据统计资料, 1月和2月是该
地区最冷的两个月, 其次为12月。而本文中荒漠草

马勇刚等: 利用遥感数据优化物候模型时样本选择的新方法 271

doi: 10.17521/cjpe.2015.0026
表2 阔叶林生长季开始期物候模型的拟合与评价结果
Table 2 Results of the start of the season (SOS) model fitting and assessment for board-leaved forest
模型名称
Model name
参数 T0
Parameter T0
拟合程度
Fitting result
精度评价
Accuracy assessment
固定型/游动型
Fixed or moved
样本个数
Sample size
均方根误差
RMSE
决定系数
R2
样本个数
Sample size
均方根误差
RMSE
决定系数
R2
Chuine模型 Chuine model 游动 Moved 15 9.70 0.71 18 18.30 0.46
固定 Fixed 11.70 0.42 16.20 0.41
SW模型 SW model 游动 Moved 12.80 0.22 13.95 0.56
固定 Fixed 13.25 0.13 13.73 0.51
Seq模型 Seq model 游动 Moved 12.60 0.31 17.50 0.21
固定 Fixed 12.56 0.31 15.88 0.59
Par模型 Par model 游动 Moved 11.90 0.40 12.80 0.57
固定 Fixed 11.90 0.44 12.63 0.58
Al模型 Al model 游动 Moved 8.00 0.82 12.10 0.63
固定 Fixed 14.29 0.62 – 0.29
Al-P模型 Al-P model 游动 Moved – –
固定 Fixed – –
T-P修正模型 Modified T-P model 游动 Moved – 0.44 – –
固定 Fixed – 0.10 – –
Chuine-P模型 Chuine-P model 游动 Moved – –
固定 Fixed – –
T-D模型 T-D model 游动 Moved 12.66 0.34 17.75 0.33
固定 Fixed 13.10 – 19.32 –
T-P-D1模型 T-P-D1 model 游动 Moved – 0.44 – –
固定 Fixed – – – –
T-P-D2模型 T-P-D2 model 游动 Moved – 0.22 – –
固定 Fixed – – –
R2, coefficient of determination; RMSE, root mean square error. –, R2 < 0.1 or RMSE > 20.



原植被和阔叶落叶林的开始时间(3月1日和1月2日)
符合本研究区的基本气候特征, 具有合理性。
3 讨论和结论
荒漠草原植被和落叶阔叶林的拟合与评价结果
表明: 荒漠草原植被最优模型温度-降水改进模型
(T-P modified model)以强迫速率与降水量共同驱动
着草地的生长季开始期, 而落叶阔叶林的最优模型-
替代模型则通过强迫速率和冷激速率共同驱动落叶
阔叶林的生长, 草地与林地在物候驱动因素的区别
也反映出干旱地区草本植物和木本植物在应对周围
环境状况时所采取的不同物候策略(Archibald &
Scholes, 2007)。中亚的落叶阔叶林主要分布在北部
和中高海拔地区, 受低温胁迫明显, 因此适应春季
冻灾而发展出冷激物候机制; 而该区域荒漠草原植
被多分布在相对干旱温暖的山前草坡和谷地, 因此
对降水响应更敏感。在很多地区被认为是影响植物
物候重要因素的光周期在模型中没有产生明显影
响, 其原因可能是: (1)光照在低盖度干旱/半干旱地
区并非是生长限制因素, 因而植被对光照变化不敏
感; (2)中亚干旱区的主要植被生长控制因子(温度
和降水)在不同年份间的季节格局变异强烈(如主要
降水事件发生的时间可能是春季也可能是夏季, 在
不同年份间并不确定), 因此有稳定季节变化规律
的光周期因子并不能同主要生长控制因子间显著形
成耦合。
中亚干旱区物候地面观测数据和物候模型十分
缺乏。我们无法从物种尺度向区域尺度上直接发展
具有机理意义的区域物候模型。利用长时间序列遥
感植被指数反演物候观测数据, 结合气候数据来建
立一系列不同植被类型的物候模型是当前解决无地
面观测资料地区物候模型构建中数据缺乏问题的唯
一途径(Wright et al., 2009)。Yang等(2012)尝试利用
137个气象站数据和气象站为中心7 × 7像元加权后
272 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (3): 264–274

www.plant-ecology.com


图4 荒漠草原植被与落叶阔叶林评价最优模型评价结果
散点图。A, 荒漠草原植被的T-P修正模型。B, 落叶阔叶林
的替代模型。
Fig. 4 Scatter plots for desert steppe vegetation and delicious
broadleaf forest assessment. A, Modified T-P model for desert
grassland vegetation. B, Al model for deciduous broadleaved
forest. RMSE, root mean square error.


的MODIS物候信息建立新英格兰地区植被的物候
模型。但他们所设定的7 × 7像元过于主观, 同时考
虑到每个像元是由多种具有不同物候特征的植物类
型混合而成, 因此Yang等(2012)假设每个样本点都
有单一的物候参数, 并没有在区域尺度上构建统一
的模型。本研究基于前人研究结论基础构建一套规
则集, 该规则集通过在气象站点周围选取代表植被
类型像元作为样本点, 并以高分辨率遥感数据目视
选择和地面筛查的方式进行选择和确认, 这种方式
可摆脱地面物候观测点位置的局限性, 同时避免插
值和再分析数据误差给建模带来的不确定性。我们
剔除了土地利用类型发生变化的格点, 并选择增强
型植被指数以降低裸土等地表因素的影响, 这些措
施有利于提高物候模型构建的精度。
研究结果证明, 利用遥感数据和气象数据通过
本研究的样本选择方法来构建植被物候模型是可行
的, 该方法改进了模型构建时气候数据和植物物候
空间匹配, 有望提高模型模拟精度。相对于前人的
研究, RMSE和R2均反映出我们所构造的模型具有较
好的模拟精度。本研究对荒漠草原植被和落叶阔叶
林的拟合精度在8 d左右, 评价精度在10 d左右, 其
精度略优于以往利用遥感反演物候数据构建的物候
模型模拟精度(如Botta等(2000)使用传统的遥感物
候反演和建模技术62%的样点拟合精度能够达到10
d)。虽然与基于物候观测数据的物候模型模拟精度
相比较低, 如Li和Zhou (2012)利用中国东北地区8
个站点13种地面物候观测数据所拟合的TP模型平
均误差控制在5 d左右, 但本方法能够摆脱其在物候
模型构建时受到观测数据的位置、质量、所观测的
物种类型等限制, 在区域尺度上特别是在缺乏物候
观测资料的地区, 具有更好的拓展性。
需要指出的是, 本研究针对植物功能型建立物
候模型。植物功能型代表一类具有相似生理生态特
征和分布区域的物种(如干旱灌丛、落叶阔叶林、温
带C3草原等), 是多数生态和气候-陆面模型在模拟
地表过程时对成千上万种不同植物物种采取的一种
简化归纳手段。但也正因此, 我们所提出的代表植
被类型像元实际还是包括了不同物种。同时, 我们
通过一系列规划所提取的代表性植被像元也不可能
完全做到地表覆盖单一, 而干旱区强烈的土壤背景
干扰和短命植物的生长所产生的干扰都会对遥感物
候的精度产生影响。此外, 由于尺度不同, 遥感反演
物候数据与点位置的实地物候观测数据本身存在差
异, Cleland等(2007)也指出二者之间直接进行对比
是不相称的。因此, 本文将遥感反演物候数据用于
训练和评价原本建立在物种尺度上的物候模型可能
会引入尺度不同造成的不确定性, 进而影响模型训
练和评价精度。
本研究主要结论有:
(1)本研究在物候模型构建过程中, 针对遥感物
候数据混合像元和气候数据不确定性及二者间不匹
配问题, 提出一种新的样本选择方法并以此成功地
构建中亚2种植被的物候模型。结果表明利用该方法
所构建模型精度略高于已往基于遥感和气候资料构
马勇刚等: 利用遥感数据优化物候模型时样本选择的新方法 273

doi: 10.17521/cjpe.2015.0026
建方法的物候模型, 说明该方法提高了模型构建
精度。
(2)中亚干旱区2种植被类型中, 荒漠草原植被
生长季开始期的物候控制因子为春季强迫速率和上
一年冬季与春季降水量之和, 落叶阔叶林生长季开
始期的物候控制因子为上一年冬季冷激速率和春季
强迫速率 , 光周期对2种植被类型的物候影响不
明显。
基金项目 国家重点基础研究发展计划(2014CB-
954204)、国家自然科学基金国际(地区)合作与交流
项目(41361140361)和中国科学院百人计划(张弛)。
参考文献
Ahl DE, Gower ST, Burrows SN, Shabanov NV, Myneni RB,
Knyazikhin Y (2006). Monitoring spring canopy phenol-
ogy of a deciduous broadleaf forest using MODIS. Remote
Sensing of Environment, 104, 88–95.
Archibald S, Scholes RJ (2007). Leaf green-up in a semi-arid
African savanna-separating tree and grass responses to en-
vironmental cues. Journal of Vegetation Science, 18,
583–594.
Augustine DJ (2010). Spatial versus temporal variation in pre-
cipitation in a semiarid ecosystem. Landscape Ecology,
25, 913–925.
Botta A, Viovy N, Ciais P, Friedlingstein P, Monfray P (2000).
A global prognostic scheme of leaf onset using satellite
data. Global Change Biology, 6, 709–725.
Cannell MGR, Smith RI (1983). Thermal time, chill days and
prediction of budburst in Picea sitchensis. Journal of Ap-
plied Ecology, 20, 951–963.
Chuine I (2000). A unified model for budburst of trees. Journal
of Theoretical Biology, 207, 337–347.
Chuine I, Cour P, Rousseau DD (1998). Fitting models predict-
ing dates of flowering of temperate-zone trees using simu-
lated annealing. Plant, Cell & Environment, 21, 455–466.
Cleland EE, Chuine I, Menzel A, Mooney HA, Schwartz MD
(2007). Shifting plant phenology in response to global
change. Trends in Ecology & Evolution, 22, 357–365.
de Beurs KM, Henebry GM (2004). Land surface phenology,
climatic variation, and institutional change: Analyzing ag-
ricultural land cover change in Kazakhstan. Remote Sens-
ing of Environment, 89, 497–509.
Delbart N, Kergoat L, le Toan T, Lhermitte J, Picard G (2005).
Determination of phenological dates in boreal regions us-
ing normalized difference water index. Remote Sensing of
Environment, 97, 26–38.
Foley JA, Prentice IC, Ramankutty N, Levis S, Pollard D, Sitch
S, Haxeltine A (1996). An integrated biosphere model of
land surface processes, terrestrial carbon balance, and
vegetation dynamics. Global Biogeochemical Cycles, 10,
603–628.
Friend AD, Stevens AK, Knox RG, Cannell MGR (1997). A
process-based, terrestrial biosphere model of ecosystem
dynamics (Hybrid v3.0). Ecological Modelling, 95,
249–287.
Hänninen H (1990). Modelling bud dormancy release in trees
from cool and temperate regions. Acta Forestalia Fennica,
213, 1–47.
Haxeltine A, Prentice IC (1996). BIOME3: An equilibrium
terrestrial biosphere model based on ecophysiological con-
straints, resource availability, and competition among
plant functional types. Global Biogeochemical Cycles, 10,
693–709.
Howell SEL, Brown LC, Kang KK, Duguay CR (2009). Vari-
ability in ice phenology on Great Bear Lake and Great
Slave Lake, Northwest Territories, Canada, from SeaW-
inds/QuikSCAT: 2000–2006. Remote Sensing of Envi-
ronment, 113, 816–834.
Hu ZY, Zhang C, Hu Q, Tian HQ (2014). Temperature changes
in Central Asia from 1979–2011 based on multiple data-
sets. Journal of Climate, 27, 1143–1167.
Hudson Dunn A, de Beurs KM (2011). Land surface phenology
of North American mountain environments using moder-
ate resolution imaging spectroradiometer data. Remote
Sensing of Environment, 115, 1220–1233.
Hufkens K, Friedl M, Sonnentag O, Braswell BH, Milliman T,
Richardson AD (2012). Linking near-surface and satellite
remote sensing measurements of deciduous broadleaf for-
est phenology. Remote Sensing of Environment, 117,
307–321.
Jiang Z, Huete A, Didan K, Miura T (2008). Development of a
two-band enhanced vegetation index without a blue band.
Remote Sensing of Environment, 112, 3833–3845.
Kariyeva J, van Leeuwen WJD, Woodhouse CA (2012). Im-
pacts of climate gradients on the vegetation phenology of
major land use types in Central Asia (1981–2008). Fron-
tiers of Earth Science, 6, 206–225.
Koltunov A, Ustin SL, Asner GP, Fung I (2009). Selective
logging changes forest phenology in the Brazilian Ama-
zon: Evidence from MODIS image time series analysis.
Remote Sensing of Environment, 113, 2431–2440.
Kramer K (1994). Selecting a model to predict the onset of
growth of Fagus sylvatica. Journal of Applied Ecology,
31, 172–181.
Krinner G, Viovy N, de Noblet-Ducoudré N, Ogée J, Polcher J,
Friedlingstein P, Ciais P, Sitch S, Prentice CI (2005). A
dynamic global vegetation model for studies of the cou-
pled atmosphere-biosphere system. Global Biogeochemi-
cal Cycles, 19, GB1015.
Levis S, Bonan G, Vertenstein M, Oleson K (2004). The
Community Land Model’s Dynamic Global Vegetation
Model (CLM-DGVM): Technical Description and User’s
Guide. NCAR Technical Note. http://www.cgd.ucay.edu/
274 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (3): 264–274

www.plant-ecology.com
tss/clm/distribution/clm3.0/DGVMDoc/TN-459+IA.pdf.
Cited: May 2014.
Li RP, Zhou GS (2012). A temperature-precipitation based
leafing model and its application in Northeast China. PLoS
ONE, 7, e33192.
Linkosalo T, Lappalainen HK, Hari P (2008). A comparison of
phenological models of leaf bud burst and flowering of
boreal trees using independent observations. Tree Physi-
ology, 28, 1873–1882.
Ma YG, Zhang C, Tiyip T (2014). Spatial-temporal change of
vegetation phenology in arid zone of Central Asia and
Xinjiang, China. Advances in Climate Change Research,
10, 95–102. (in Chinese with English abstract) [马勇刚,
张弛, 塔西甫拉提·特依拜 (2004). 中亚及中国新疆干
旱区植被物候时空变化 . 气候变化研究进展 , 10,
95–102.]
Randerson JT, Hoffman FM, Thornton PE, Mahowald NM,
Lindsay K, Lee YH, Nevison CD, Doney SC, Bonan G,
Stöckli R, Covey C, Running SW, Fung IY (2009). Sys-
tematic assessment of terrestrial biogeochemistry in cou-
pled climate-carbon models. Global Change Biology, 15,
2462–2484.
Richardson AD, Anderson RS, Arain MA, Barr AG, Bohrer G,
Chen GS, Chen JM, Ciais P, Davis KJ, Desai AR, Dietze
MC, Dragoni D, Garrity SR, Gough CM, Grant R, Hollin-
ger DY, Margolis HA, McCaughey H, Migliavacca M,
Monson RK, Munger JW, Poulter B, Raczka BM, Ricciuto
DM, Sahoo AK, Schaefer K, Tian H, Vargas R, Verbeeck
H, Xiao JF, Xue YK (2012). Terrestrial biosphere models
need better representation of vegetation phenology: Re-
sults from the North American Carbon Program Site Syn-
thesis. Global Change Biology, 18, 566–584.
Rocha AV, Shaver GR (2009). Advantages of a two band EVI
calculated from solar and photosynthetically active radia-
tion fluxes. Agricultural and Forest Meteorology, 149,
1560–1563.
Sakamoto T, Yokozawa M, Toritani H, Shibayama M, Ishitsuka
N, Ohno H (2005). A crop phenology detection method
using time-series MODIS data. Remote Sensing of Envi-
ronment, 96, 366–374.
Sarvas R (1972). Investigations on the annual cycle of devel-
opment of forest trees: active period. Communicationes
Instituti Forestalls Fenniae, 76, 1–110.
Sato H, Itoh A, Kohyama T (2007). SEIB-DGVM: A new Dy-
namic Global Vegetation Model using a spatially explicit
individual-based approach. Ecological Modelling, 200,
279–307.
Shu SJ, Wang Y, Chu HY (2009). Spatial distribution of tem-
perature in China: Geographic and orographic influences.
Journal of Nanjing University (Natural Science), 45,
334–342. (in Chinese with English abstract) [舒守娟, 王
元, 储惠云 (2009). 地理和地形影响下我国区域的气温
空间分布. 南京大学学报(自然科学版), 45, 334–342.]
Sitch S, Smith B, Prentice IC, Arneth A, Bondeau A, Cramer
W, Kaplan JO, Levis S, Lucht W, Sykes MT, Thonicke K,
Venevsky S (2003). Evaluation of ecosystem dynamics,
plant geography and terrestrial carbon cycling in the LPJ
dynamic global vegetation model. Global Change Biology,
9, 161–185.
White MA, Thornton PE, Running SW (1997). A continental
phenology model for monitoring vegetation responses to
interannual climatic variability. Global Biogeochemical
Cycles, 11, 217–234.
Wright CK, de Beurs KM, Akhmadieva ZK, Groisman PY,
Henebry GM (2009). Reanalysis data underestimate sig-
nificant changes in growing season weather in Kazakhstan.
Environmental Research Letters, 4, doi:10.1088/1748-
9326/4/4/045020.
Wu YF, Li MS, Song JQ (2008). Advance in vegetation
phenology monitoring based on remote sensing. Journal of
Meteorology and Environment, 24(3), 51–58. (in Chinese
with English abstract) [武永峰, 李茂松, 宋吉青 (2008).
植物物候遥感监测研究进展. 气象与环境学报, 24(3),
51–58.]
Yang S, Sun GJ, He WY, Zhao H, Li FM, Xiong YC (2011).
Correlation of topographic factors with precipitation and
surface temperature in arid and cold region of Northwest
China: A case study in Gansu Province. Acta Ecologica
Sinica, 31, 2414–2420. (in Chinese with English abstract)
[杨森, 孙国钧, 何文莹, 赵鸿, 李凤民, 熊友才 (2011).
西北旱寒区地理、地形因素与降雨量及平均温度的相关
性——以甘肃省为例. 生态学报, 31, 2414–2420.]
Yang X, Mustard JF, Tang JW, Xu H (2012). Regional-scale
phenology modeling based on meteorological records and
remote sensing observations. Journal of Geophysical Re-
search, 117, doi: 10.1029/2012JG001977.
Zhang XY, Friedl MA, Schaaf CB (2009). Sensitivity of vege-
tation phenology detection to the temporal resolution of
satellite data. International Journal of Remote Sensing, 30,
2061–2074.
Zhao H, Yang ZW, Di LP, Pei ZY (2012). Evaluation of tem-
poral resolution effect in remote sensing based crop
phenology detection studies. In: Li D, Chen Y eds. Com-
puter and Computing Technologies in Agriculture V.
Springer, Berlin. 135–150.

责任编委: 王国宏 责任编辑: 李 敏