全 文 ：基于通量塔净生态系统碳交换数据的植被
物候遥感识别方法评价*
牟敏杰1,2 摇 朱文泉1,3**摇 王伶俐1,3 摇 许映军1 摇 刘建红1,3
( 1北京师范大学地表过程与资源生态国家重点实验室, 北京 100875; 2北京师范大学减灾与应急管理研究院, 北京 100875;
3北京师范大学资源学院, 北京 100875)
摘摇 要摇 选择北美洲 72 座通量塔观测的净生态系统碳交换(NEE)数据来计算植被物候,并
以此作为参考数据,从可行性和准确性两方面对阈值法、移动平均法和函数拟合法三大类常
用的植被物候遥感识别方法进行了综合评价.结果表明: 基于局部中值的阈值法对植被物候
识别的可行性和准确性均最优;其次为 Logistic函数拟合法中的一阶导数方法;移动平均法对
植被物候识别的可行性和准确性与移动窗口的大小有关,对于 16 d合成的归一化差值植被指
数(NDVI)时间序列数据来说,移动窗口大小为 15 时能获得较优的结果;而全局阈值法对植
被物候识别的可行性和准确性均最差;Logistic 函数拟合法中的曲率变化率方法在识别植被
物候时虽然与基于 NEE数据得到的植被物候在数值上存在较大偏差,但二者之间具有较高
的相关性,说明基于曲率变化率方法识别出的植被物候能较真实地反映植被物候在时空上的
变化趋势.
关键词摇 物候摇 遥感摇 净生态系统碳交换摇 通量塔摇 生长季摇 归一化差值植被指数
文章编号摇 1001-9332(2012)02-0319-09摇 中图分类号摇 Q149摇 文献标识码摇 A
Evaluation of remote sensing extraction methods for vegetation phenology based on flux tow鄄
er net ecosystem carbon exchange data. MOU Min鄄jie1,2, ZHU Wen鄄quan1,3, WANG Ling鄄li1,3,
XU Ying鄄jun1, LIU Jian鄄hong1,3 ( 1 State Key Laboratory of Earth Surface Processes and Resource
Ecology, Beijing Normal University, Beijing 100875, China; 2Academy of Disaster Reduction and
Emergency Management, Beijing Normal University, Beijing 100875, China; 3College of Resources
Science and Technology, Beijing Normal University, Beijing 100875, China) . 鄄Chin. J. Appl. Ecol. ,
2012,23(2): 319-327.
Abstract: Taking the vegetation phenological metrics derived from the net ecosystem carbon ex鄄
change (NEE) data of 72 flux towers in North America as the references, a comprehensive evalua鄄
tion was conducted on the three typical classes of remote sensing extraction methods ( threshold
method, moving average method, and function fitting method) for vegetation phenology from the as鄄
pects of feasibility and accuracy. The results showed that the local midpoint threshold method had
the highest feasibility and accuracy for extracting vegetation phenology, followed by the first deriva鄄
tive method based on fitted Logistic function. The feasibility and accuracy of moving average method
were determined by the moving window size. As for the MODIS 16 d composited time鄄series normal鄄
ized difference vegetation index (NDVI), the moving average method had preferable performance
when the window size was set as 15. The global threshold method performed quite poor in the feasi鄄
bility and accuracy. Though the values of the phenological metrics extracted by the curvature
change rate method based on fitted Logistic function and the corresponding ones derived from NEE
data had greater differences, there existed a strong correlation between them, indicating that the
vegetation phenological metrics extracted by the curvature change rate method could reflect the real
temporal and spatial variations of vegetation phenology.
Key words: phenology; remote sensing; net ecosystem carbon exchange; flux tower; growth sea鄄
son; normalized difference vegetation index (NDVI).
*国家重点基础研究发展计划项目(2011CB952001)、地表过程与资源生态国家重点实验室项目(2010鄄ZY鄄09)和中央高校基本科研业务费专
项资助.
**通讯作者. E鄄mail: zhuwq75@ bnu. edu. cn
2011鄄06鄄22 收稿,2011鄄11鄄18 接受.
应 用 生 态 学 报摇 2012 年 2 月摇 第 23 卷摇 第 2 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Feb. 2012,23(2): 319-327
摇 摇 陆地生态系统对气候变化的响应是全球变化研
究的热点[1-3] .植被是陆地生态系统的主体,物候是
植被响应气候变化最敏感的指标之一[4-5] . 植被物
候变化联系着水、热、碳循环的时空动态,强烈影响
生态系统过程和陆气界面的物质与能量交换[6-8] .
因此,准确获取植被物候信息对于研究生态系统结
构与功能、植被生态过程以及生态系统对气候变化
的响应具有重要意义.
时间序列的遥感卫星数据在时间和空间上具有
连续性,在植被与气候关系研究中被认为是非常有
效的数据源[9] .目前已经发展了多种基于时间序列
遥感数据的植被物候识别方法[10],总体可分为阈值
法、移动平均法和函数拟合法.阈值法包括全局和局
部阈值法.全局阈值通常根据研究区植被返青和落
叶时的植被指数值来设定,研究人员曾将归一化差
值植被指数( normalized difference vegetation index,
NDVI)数据的全局阈值设定为 0郾 09、0郾 099、0郾 17、
0郾 2、0郾 3 等不同的值[6,11-13] .由于全局阈值忽略了不
同研究区植被返青和落叶时植被指数的差异,White
等[14]提出了一种基于局部中值的阈值法,并利用其
识别了 1990—1992 年美国地区植被返青期和休眠
期,获得了较准确的识别结果. Reed 等[15]和 White
等[6]分别利用移动平均法识别了美国和北美洲地
区植被返青期、生长季长度和衰败期,结果表明其识
别的植被物候与实际情况有很强的一致性[15] .函数
拟合法利用数学函数拟合植被指数曲线以识别植被
物候,常用的数学函数有非对称高斯函数[16]、六次
多项式函数[8]、双 Logistic函数[17]和分段 Logistic函
数[10],其中,分段 Logistic函数能较好地描述植被生
长动态,具有较高的植被物候识别精度[18-19] .
由于遥感数据从获取到应用需要经历一系列处
理、转换和反演过程,受到多种因素以及中间参数的
影响,存在一定误差,因此基于遥感数据的植被物候
识别方法需要利用地面观测数据进行校正和验
证[20] .现有的用于识别植被物候的遥感时间序列数
据的空间分辨率均在 250 m以上,如 MODIS 数据空
间分辨率为 250 m,SPOT鄄VGT 数据空间分辨率为 1
km,AVHRR数据空间分辨率为 1 ~ 8 km. 而传统的
地面植被物候观测均是针对某一特定区域、某一特
定物种的某一物候事件,无法在景观尺度上反映植
被物候进程,使地面观测的小尺度的植被物候事件
与遥感反映的区域性陆地表面物候之间在空间尺度
上存在不可比性[21-23] .
20 世纪 90 年代,国际地圈生物圈计划(Interna鄄
tional Geosphere鄄Biosphere Program, IGBP)建立了全
球通量网络,对不同区域范围的生态系统碳通量进
行长期和连续监测. 通量塔的监测范围在 250 ~
3000 m,与空间尺度相近的遥感数据具有较好的可
比性[20] .目前,已有学者以通量塔数据为基准对
MODIS的植被净初级生产力或总初级生产力产品
进行验证[24-26] . 2005 年,Baldocchi等[27]利用通量塔
观测的净生态系统碳交换(net ecosystem carbon ex鄄
change, NEE)数据识别出了植被物候,能在较大尺
度上反映植被的物候进程,从而为植被物候遥感识
别方法的评价提供了参考数据.
针对地面观测的植被物候与遥感识别的陆地表
面物候在空间尺度上存在不可比性这一问题,本文
利用北美洲 72 座通量塔观测的 NEE 数据,采用
Baldocchi等[27]提出的植被物候识别方法,计算了这
72 座通量塔 2000 年 6 月至 2007 年 12 月的植被生
长季开始日期 ( start of season, SOS)和结束日期
(end of season, EOS),以此作为参考数据,同时利
用通量塔中心点所对应的 MODIS NDVI时间序列数
据,对常用的阈值法[12,14]、移动平均法[15]、函数拟合
法[6,10]三大类植被物候遥感识别方法及其对参数设
置的敏感性进行比较分析,旨在评价各种植被物候
遥感识别方法的可行性和准确性.
1摇 数据与方法
1郾 1摇 数据来源及预处理
1郾 1郾 1通量塔数据摇 本文所用的 72 个通量塔站点分
布在整个北美洲(图 1),包括 IGBP分类体系中的 10
种土地覆盖类型.本文使用 72 个通量塔站点的四级
产品,它来源于美国橡树岭国家实验室(Oak Ridge
National Laboratory, ORNL)网站(http: / / daac. ornl.
gov / FLUXNET / fluxnet. shtml).该数据集包含 2 种形
式的 NEE数据:标准化 NEE和原始 NEE,每种形式
的 NEE数据均利用边缘分布采样(marginal distribu鄄
tion sampling, MDS)和人工神经网络(artificial neu鄄
ral network, ANN)2 种方法进行缺失值填补,以获取
每天的数据.由于 ANN 在多数情况下优于 MDS 方
法[28],因此本文利用 ANN 方法进行数据填补的
NEE数据来识别植被物候. 在标准化 NEE 和原始
NEE数据缺失量一致的情况下,选择标准化 NEE数
据,否则选择数据缺失较少的原始 NEE 数据[29] .为
有效识别植被物候[27],本文对 NEE 数据中没有明
显的碳源与碳汇过渡期的站点进行目视剔除,最终
采用 58 个具有明显碳源与碳汇过渡期的站点.
023 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
图 1摇 通量塔空间分布图
Fig. 1摇 Spatial distribution of the flux towers.
玉:无明显植被物候期的通量塔站点 Sites without obvious transition
between carbon sink and carbon source;域:可识别植被物候期的通量
塔站点 Sites with obvious transition between carbon sink and carbon
source郾 a)常绿针叶林 Evergreen needle leaf forest; b)常绿阔叶林 Ev鄄
ergreen broad鄄leaved forest; c)落叶针叶林 Deciduous needle leaf forest;
d)落叶阔叶林 Deciduous broad鄄leaved forest; e)混交林 Mixed forest;
f)郁闭灌木林 Closed shrubland; g)稀疏灌木林 Open shrubland; h)有
林草地 Woody savanna; i)稀树草原 Savanna; j)草地 Grassland; k)耕
地鄄自然植被镶嵌体 Cropland鄄natural vegetation mosaic; l)耕地 Crop鄄
land; m)裸地 Barren or sparsely vegetation; n)城市与建成区 Urban ar鄄
eas; o)永久湿地 Permanent wetland; p)冰雪 Snow and ice; q)水体
Water body.
1郾 1郾 2 遥感数据摇 本文所用的遥感数据主要是 MO鄄
DIS植被指数数据集,该数据集同样来源于 ORNL
网站( http: / / daac郾 ornl郾 gov / MODIS / ),空间分辨率
为 250 m,合成时间为 16 d.本文收集了与通量塔站
点位置一致的 72 个 MODIS 像元数据,数据内容包
括 NDVI、合成日期和质量等级,数据的时间跨度与
通量塔数据的时间跨度一致.
由于受大气干扰、太阳鄄地物鄄传感器观测、几何
变形等因素的影响[30-33],NDVI 数据中存在大量噪
声,需对其进行滤波去噪处理[34] . 本文采用 Savitz鄄
ky鄄Golay方法[35]进行滤波,Savitzky鄄Golay 滤波可以
较好地去除 NDVI 中的噪声[36],但同时也改变了
NDVI曲线的幅度和形状,影响植被物候的识别精
度[37] .故本文对滤波后的 NDVI 数据进行目视修
正,以尽可能保留原始 NDVI 曲线的幅度和形状信
息.结合原始 NDVI、质量等级、地表覆盖类型等数
据,并参考 TM、Google Earth等较高空间分辨率的遥
感数据,根据植被生长规律(如落叶林具有明显的
生长峰)对滤波后的 NDVI进行目视修正.
1郾 2摇 研究方法
1郾 2郾 1 基于 NEE 数据的植被物候识别 摇 本文利用
Baldocchi等[27]提出的方法,基于通量塔 NEE 数据
识别植被物候,并以此作为后续评价植被物候遥感
识别方法的参考数据. 此方法将植被生长季开始日
期(SOS)定义为生态系统从冬季的碳源过程转化为
春夏季的碳汇过程的过渡期,即单日 NEE 从正值转
化为负值的日期;植被生长季结束日期(EOS)的定
义与 SOS相反.首先目视选择过渡时期周边 5 ~ 10
d具有线性趋势的 NEE 数据进行线性拟合,利用拟
合方程计算得到 NEE = 0 时的年日序(day of year,
DOY),即为 SOS 或 EOS(图 2).具体计算过程是先
采用计算机自动识别植被物候,然后目视检查自动
识别的结果,将识别不准确的结果剔除,并重新进行
目视选点识别. 计算机自动识别物候的方法是将每
日 NEE数据以 15 d为窗口进行均值平滑,针对 SOS,
基于平滑后的结果选择一个 11 d 的窗口,满足窗口
内前 5天 NEE值>0 和后 5 天 NEE 值<0 的条件,并
利用这个窗口的原始 NEE 值进行线性拟合,根据线
性方程求得 SOS;针对 EOS,则选择满足前 5 天 NEE
值<0和后 5 天 NEE 值>0 的 11 d 窗口,并利用这个
窗口的原始 NEE值进行线性拟合,求得 EOS.
1郾 2郾 2 基于 NDVI 数据的植被物候识别摇 本文对三
大类常用的植被物候遥感识别方法(阈值法、移动
平均法和函数拟合法)进行评价,各类方法的具体
参数设置如下.
阈值法通过寻找植被指数高于设定阈值的最近
日期来实现植被物候识别.本文按0郾 05的步长,测
图 2摇 基于通量塔 NEE数据识别 SOS和 EOS的示意图
Fig. 2 摇 Schematic diagram of SOS and EOS extracted using
NEE data.
玉:净生态系统碳通量 NEE; 域:生长季开始 /结束日期 SOS / EOS郾
a)原始的 NEE 数据 Original NEE data; b)线性拟合计算植被物候
Extraction of phenology with a linear fitting method.
1232 期摇 摇 摇 摇 摇 摇 摇 摇 牟敏杰等: 基于通量塔净生态系统碳交换数据的植被物候遥感识别方法评价摇 摇 摇 摇 摇
试了 NDVI 为 0郾 10、0郾 15、0郾 20、0郾 25、0郾 30、0郾 35 的
6 个全局阈值(本文以下用 Gthx表示,下标 x 为具体
的 NDVI阈值).局部阈值法是采用White等[14]提出
的基于局部中值的阈值法,该方法针对每个像元的
植被指数最大值和最小值来设定,其中植被指数最
大值和最小值可以是单个生长季内植被指数曲线的
最大值和最小值(本文定义为局部阈值一,用 Lth0郾 5
表示),也可以是多个生长季平均植被指数曲线的
最大值和最小值 (本文定义为局部阈值二,用
Lthmean 0郾 5表示),本文测试了以上 2 种局部阈值法.
移动平均法将植被指数时间序列曲线在上升
(下降)阶段与其移动平均曲线的相交点所对应的
日期定义为 SOS(EOS) [15] .在使用移动平均法求物
候时,移动平均时间间隔即窗口大小(w)是影响物
候识别结果准确性的重要因素. Reed 等[15] 利用
AVHRR的 14 d 最大合成 NDVI 数据识别植被物候
时,认为 w为 9 的识别结果较准确;White 等[6]针对
15 d最大合成的 NDVI数据,选用 w为 15 进行了植
被 SOS的识别.由于本文使用的是 16 d 合成的 ND鄄
VI数据,因此测试了 w 在[3, 25]的取值以分析移
动平均法对窗口大小的敏感性.
函数拟合法中,本文采用分段 Logistic函数拟合
植被指数时间序列数据,并根据拟合函数来识别植
被物候. Logistic拟合法又可以细分为两类:1)利用
Logistic曲线的一阶导数定义植被指数增长最大时,
即一阶导数最大时的日期为 SOS[6],一阶导数最小
时的日期为 EOS;2)利用 Logistic 曲线的曲率变化
率进行物候识别[10] .
1郾 2郾 3 植被物候遥感识别方法定量评价摇 每一种植
被物候遥感识别方法对植被指数时间序列曲线都有
一定的条件限制. 如全局阈值法要求 NDVI 曲线最
低值应小于设定的阈值,否则无法识别植被物候.鉴
于此,本文用识别率来描述各种植被物候遥感识别
方法的可行性.识别率为可识别出植被物候的植被
指数时间序列数占所有参与计算的植被指数时间序
列总数的比例,计算公式如下:
R = nN (1)
式中:n为可识别出植被物候的植被指数时间序列
数;N为参与识别的植被指数时间序列总数.植被物
候遥感识别方法的条件越苛刻,识别率越低,其应用
的可行性就越差.
针对不同的植被物候遥感识别方法,本文以通
量塔识别的植被物候为基准,采用偏差、符号偏差、
均方根误差(RMSE)、相关系数 4 个变量来评价遥
感识别的植被物候的准确性. 偏差反映了遥感识别
的物候偏离参考数据的天数,偏差大于 0 表示遥感
识别的物候较参考数据延迟,偏差小于 0 表示遥感
识别的物候较参考数据提前,偏差的绝对值越小说
明遥感识别的物候与参考数据越接近. 符号偏差反
映遥感识别的物候较参考数据是提前还是延迟,符
号偏差的正负值与偏差的正负值所代表的含义相
同,但它克服了计算偏差时各数据组之间的非等权
重问题(即差异较大的数据组在决定最终的偏差正
负符号时具有较大的权重). RMSE 综合考虑了偏
差、基准值和估算值[38],RMSE 越小说明遥感识别
的物候与参考数据越接近. 相关系数反映了遥感识
别结果与参考数据在变化趋势上的相似性,其值为
[-1郾 0, 1郾 0],相关系数为负数,表示变化趋势相
反,相关系数为正数,表示变化趋势相同,相关系数
越接近 1,说明遥感识别的物候与参考数据在变化
趋势上越相似. 偏差(BIAS)、符号偏差(BIASsign)、
RMSE和相关系数( r)的计算公式如下:
BIAS =
移
N
i = 1
(RSi - Fluxi)
N (2)
BIASsign =
移
N
i = 1
sign(RSi - Fluxi)
N (3)
RMSE =
移
N
i = 1
(RSi - Fluxi) 2
N (4)
r = cov(Flux,RS)
2
var(Flux)var(RS) (5)
式中:Fluxi为第 i个基准物候;RSi为第 i个基于 ND鄄
VI识别的植被物候;N为物候个数;sign表示取正负
符号操作;cov(Flux,RS)代表参考物候和基于 NDVI
识别的物候之间的协方差;var(Flux)和 var(RS)分
别代表参考物候和基于 NDVI识别的物候的方差.
2摇 结果与分析
2郾 1摇 基于 NEE数据的植被物候识别
本文基于通量塔 NEE数据识别了 58 个通量塔
站点 2000 年 6 月至 2007 年 12 月的 SOS和 EOS.排
除数据缺失和物候不明显的站点和年份,最终识别
的 SOS和 EOS分别有 168 和 189 个站点年份.
2郾 2摇 植被物候遥感识别方法的可行性比较
由表1可以看出,全局阈值法的植被物候识别
223 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
表 1摇 基于不同阈值法的植被物候识别率
Table 1摇 Extraction rates for different threshold methods
阈值
Threshold
生长季开始日期
SOS
生长季结束日期
EOS
Gth0郾 1 20郾 83 17郾 99
Gth0郾 15 23郾 21 22郾 22
Gth0郾 2 34郾 52 32郾 80
Gth0郾 25 45郾 24 42郾 86
Gth0郾 3 57郾 14 55郾 03
Gth0郾 35 61郾 90 62郾 96
Lth0郾 5 97郾 62 96郾 83
Lthmean 0郾 5 97郾 62 96郾 83
Gth0郾 1、Gth0郾 15、Gth0郾 2、Gth0郾 25、Gth0郾 3、Gth0郾 35分别表示阈值为 0郾 1、
0郾 15、0郾 2、0郾 25、0郾 3 和 0郾 35 的全局阈值法,Lth0郾 5和 Lthmean 0郾 5表示
两种不同的局部阈值法 (详见本文第 1郾 2郾 2 节的描述) Gth0郾 1,
Gth0郾 15, Gth0郾 2, Gth0郾 25, Gth0郾 3 and Gth0郾 35 indicated a global threshold
method, and the threshold was set as 0郾 1, 0郾 15, 0郾 2, 0郾 25, 0郾 3 and
0郾 35, respectively郾 Lth0郾 5 and Lthmean 0郾 5 were two kinds of local thresh鄄
olds (saw details in section 1郾 2郾 2) . 下同 The same below.
率相对较低,但随着全局阈值的升高,识别率逐渐升
高.局部阈值介于生长季内 NDVI 曲线的最大值和
最小值之间,它对 SOS和 EOS的识别率都在 90%以
上,说明局部阈值法在具体应用时具有更好的可行
性.利用移动平均法识别植被物候时,随着移动窗口
的增大,识别率逐渐升高,但当移动窗口增大到一定
大小时(表2中对SOS识别的窗口大小为11时,对
表 2摇 移动平均法在不同窗口大小下的植被物候识别率
Table 2 摇 Extraction rates for the moving average method
with different window sizes
窗口大小
Window size
生长季开始日期
SOS
生长季结束日期
EOS
3 86郾 31 42郾 33
4 89郾 29 53郾 97
5 93郾 45 64郾 55
6 96郾 43 75郾 13
7 98郾 21 82郾 54
8 98郾 81 88郾 36
9 98郾 81 92郾 59
10 98郾 81 94郾 18
11 99郾 40 95郾 24
12 99郾 40 95郾 24
13 99郾 40 95郾 77
14 99郾 40 96郾 83
15 99郾 40 97郾 35
16 99郾 40 97郾 35
17 99郾 40 97郾 35
18 99郾 40 97郾 88
19 99郾 40 97郾 88
20 99郾 40 97郾 88
21 99郾 40 97郾 88
22 99郾 40 97郾 88
23 99郾 40 97郾 88
24 99郾 40 97郾 88
25 99郾 40 97郾 88
EOS识别的窗口大小为 15 时),识别率趋于稳定
(表 2).相对于曲率变化率方法,一阶导数方法的植
被物候识别率明显较高(表 3),这是因为一阶导数
识别物候的方法较依据曲率变化率的方法更简单,
它对曲线的完整性要求较低.
摇 摇 综上,全局阈值法对植被 SOS和 EOS 的识别率
较低,说明该方法在区域应用时的可行性差;局部阈
值法识别率较高,说明该方法能适应不同植被类型,
具有较好的区域应用可行性;移动平均法的识别率
与窗口大小有关,针对本文使用的数据,窗口大于
15 时识别率较高;Logistic拟合法中的一阶导数方法
具有较高的识别率,曲率变化率方法的识别率相对
偏低.
2郾 3摇 植被物候遥感识别结果的准确性比较
对于 SOS来说,阈值法识别结果的偏差和符号
偏差均小于 0,而对于 EOS来说,阈值法识别结果的
偏差和符号偏差均大于 0,说明阈值法识别的 SOS
早于参考数据,EOS 晚于参考数据. 无论是对 SOS
还是 EOS的识别,阈值法识别结果与参考数据之间
均有较高的相关系数,说明阈值法识别出的 SOS
(EOS)能较客观地反映实际 SOS(EOS)在时空上的
变化趋势.阈值法对 SOS 识别结果的偏差绝对值和
RMSE均低于对 EOS 的识别结果,而相关系数则高
于对 EOS的识别结果,说明阈值法识别 SOS 的准确
度高于识别 EOS 的准确度. 局部阈值法对 SOS 和
EOS识别结果的偏差绝对值和 RMSE均低于全局阈
值法,其相关系数则高于全局阈值法的识别结果,说
明局部阈值法对植被物候的识别准确度总体上优于
全局阈值法.对于两种局部阈值法来说,Lthmean 0郾 5方
法识别结果的偏差绝对值和 RMSE 均低于 Lth0郾 5方
法(表 4),表现出了略高的准确度.
对于 SOS来说,移动平均法识别结果的偏差和
符号偏差均小于 0(移动窗口大于 21 时除外),而对
于 EOS来说,移动平均法识别结果的偏差和符号偏
差均大于0,说明移动平均法识别的SOS早于参考
表 3摇 Logistic拟合法的植被物候识别率
Table 3 摇 Extraction rates for the Logistic function fitting
method
项目
Item 生长季开始日期SOS
生长季结束日期
EOS
曲率变化率
Change rate of curvature
85郾 12 53郾 44
一阶导数
The first derivative
89郾 88 92郾 06
3232 期摇 摇 摇 摇 摇 摇 摇 摇 牟敏杰等: 基于通量塔净生态系统碳交换数据的植被物候遥感识别方法评价摇 摇 摇 摇 摇
表 4摇 阈值法识别植被物候的准确性评价
Table 4摇 Accuracy assessment for the threshold method
物候
Phenology
阈值
Threshold
偏差
BIAS
符号偏差
BIASsign
均方根误差
RMSE
相关系数
r
生长季开始日期 Gth0郾 1 -60郾 29 -1郾 00 63郾 87 0郾 69***
SOS Gth0郾 15 -54郾 38 -1郾 00 60郾 26 0郾 53***
Gth0郾 2 -55郾 02 -1郾 00 62郾 20 0郾 69***
Gth0郾 25 -41郾 37 -0郾 92 49郾 07 0郾 76***
Gth0郾 3 -31郾 80 -0郾 79 43郾 45 0郾 77***
Gth0郾 35 -22郾 02 -0郾 59 36郾 14 0郾 79***
Lth0郾 5 -1郾 27 -0郾 17 23郾 33 0郾 95***
Lthmean 0郾 5 -0郾 50 -0郾 15 23郾 30 0郾 95***
生长季结束日期 Gth0郾 1 97郾 76 1郾 00 102郾 91 0郾 49***
EOS Gth0郾 15 90郾 90 1郾 00 95郾 80 0郾 56***
Gth0郾 2 83郾 74 1郾 00 88郾 81 0郾 55***
Gth0郾 25 69郾 48 0郾 95 75郾 54 0郾 56***
Gth0郾 3 62郾 63 0郾 88 73郾 54 0郾 34***
Gth0郾 35 54郾 74 0郾 85 68郾 87 0郾 33***
Lth0郾 5 21郾 79 0郾 73 40郾 46 0郾 90***
Lthmean 0郾 5 19郾 15 0郾 67 43郾 16 0郾 86***
***P<0郾 001. 下同 The same below.
数据,EOS 晚于参考数据.无论是对 SOS 还是 EOS,
移动平均法识别结果与参考数据之间均具有较高的
相关系数,说明移动平均法识别出的 SOS(EOS)能
较客观地反映实际 SOS(EOS)在时空上的变化趋
势.移动平均法对 SOS 识别结果的偏差绝对值和
RMSE均低于对 EOS 的识别结果,而相关系数则高
于对 EOS的识别结果,说明移动平均法识别 SOS 的
准确度高于识别 EOS的准确度.随着移动窗口的增
大,无论是对 SOS还是 EOS来说,移动平均法识别的
物候在偏差绝对值和 RMSE上均逐渐减小,而相关系
数则逐渐增大(表 5).当移动窗口>15 时,偏差绝对
值、RMSE和相关系数均趋于稳定,说明移动窗口逸
15时,移动平均法识别植被物候的准确度较高.
摇 摇 对于 SOS来说,利用曲率变化率方法识别的结
果早于参考数据(偏差和符号偏差均小于 0);而利
用一阶导数方法识别的 SOS 则略晚于参考数据(偏
差和符号偏差均大于 0).对于 EOS 来说,曲率变化
率方法和一阶导数方法识别的 EOS 均晚于参考数
据(偏差和符号偏差均大于 0). 曲率变化率方法和
一阶导数方法对 SOS 识别结果的偏差绝对值和
RMSE均低于对 EOS 的识别结果,而相关系数则高
于对 EOS的识别结果,说明这两种 Logistic 拟合方
法对 SOS识别的准确度高于对 EOS识别的准确度.
无论对 SOS还是 EOS来说,一阶导数方法识别结果
的偏差绝对值和 RMSE均低于曲率变化率方法的识
别结果(表 6),说明一阶导数方法识别植被物候的
准确度高于曲率变化率方法.
表 5摇 移动平均法识别植被物候的准确性评价
Table 5 摇 Accuracy assessment for the moving average
method
物候
Phenology
窗口大小
Window
size
偏差
BIAS
符号偏差
BIASsign
均方根误差
RMSE
相关系数
r
生长季 3 -54郾 23 -0郾 79 71郾 43 0郾 83***
开始日期 4 -52郾 16 -0郾 76 69郾 41 0郾 83***
SOS 5 -50郾 06 -0郾 77 68郾 33 0郾 81***
6 -47郾 65 -0郾 77 64郾 70 0郾 83***
7 -44郾 38 -0郾 75 60郾 82 0郾 85***
8 -40郾 81 -0郾 74 58郾 04 0郾 85***
9 -37郾 75 -0郾 71 53郾 57 0郾 88***
10 -33郾 87 -0郾 69 50郾 18 0郾 88***
11 -29郾 96 -0郾 67 46郾 76 0郾 89***
12 -25郾 51 -0郾 63 42郾 66 0郾 90***
13 -21郾 46 -0郾 59 39郾 60 0郾 91***
14 -17郾 53 -0郾 56 37郾 01 0郾 91***
15 -13郾 87 -0郾 53 34郾 52 0郾 92***
16 -10郾 31 -0郾 43 32郾 05 0郾 93***
17 -7郾 25 -0郾 37 30郾 63 0郾 93***
18 -4郾 39 -0郾 26 29郾 90 0郾 93***
19 -1郾 88 -0郾 13 29郾 34 0郾 93***
20 0郾 28 -0郾 08 29郾 03 0郾 93***
21 2郾 04 -0郾 01 28郾 98 0郾 93***
22 2郾 54 0郾 01 28郾 35 0郾 93***
23 3郾 01 0郾 00 28郾 80 0郾 93***
24 3郾 15 0郾 02 29郾 03 0郾 93***
25 3郾 60 0郾 03 29郾 79 0郾 93***
生长季 3 69郾 99 0郾 53 108郾 56 0郾 01
结束日期 4 82郾 79 0郾 71 107郾 74 0郾 43***
EOS 5 86郾 28 0郾 75 106郾 44 0郾 51***
6 88郾 61 0郾 79 105郾 57 0郾 52***
7 91郾 53 0郾 87 103郾 00 0郾 66***
8 86郾 83 0郾 86 97郾 70 0郾 78***
9 82郾 91 0郾 86 93郾 19 0郾 80***
10 76郾 72 0郾 84 87郾 35 0郾 83***
11 71郾 48 0郾 84 82郾 23 0郾 84***
12 66郾 20 0郾 84 77郾 18 0郾 85***
13 61郾 83 0郾 85 72郾 44 0郾 87***
14 57郾 38 0郾 85 68郾 25 0郾 87***
15 53郾 35 0郾 86 64郾 02 0郾 89***
16 47郾 99 0郾 84 58郾 00 0郾 91***
17 44郾 08 0郾 83 54郾 54 0郾 91***
18 40郾 41 0郾 83 51郾 40 0郾 91***
19 37郾 11 0郾 83 49郾 02 0郾 91***
20 34郾 71 0郾 82 46郾 89 0郾 92***
21 32郾 92 0郾 82 45郾 63 0郾 91***
22 31郾 85 0郾 83 44郾 95 0郾 91***
23 31郾 41 0郾 83 44郾 83 0郾 91***
24 31郾 97 0郾 82 46郾 30 0郾 90***
25 32郾 79 0郾 82 47郾 21 0郾 90***
摇 摇 总体上,两种局部阈值方法优于其他方法,且这
二者之间很难区分优劣(表 7);其次为 Logistic 拟合
法中的一阶导数方法;移动平均法的窗口逸15 时也
能获得较优的植被物候识别结果;Logistic拟合法中
423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
表 6摇 Logistic拟合法识别植被物候的准确性评价
Table 6摇 Accuracy assessment for the Logistic function fitting method
物候
Phenology
Logistic拟合法
Logistic function fitting method
偏差
BIAS
符号偏差
BIASsign
均方根误差
RMSE
相关系数
r
生长季开始日期 曲率变化率 The change rate of curvature -33郾 52 -0郾 78 47郾 31 0郾 89***
SOS 一阶导数 The first derivative 7郾 03 0郾 39 21郾 71 0郾 96***
生长季结束日期 曲率变化率 The change rate of curvature 63郾 31 0郾 86 75郾 39 0郾 90***
EOS 一阶导数 The first derivative 25郾 53 0郾 78 46郾 28 0郾 86***
表 7摇 各类方法对植被物候识别的准确性比较
Table 7摇 Comparison among different methods for the accuracy of vegetation phenology extraction
物候
Phenology
方法
Method
偏差
BIAS
符号偏差
BIASsign
均方根误差
RMSE
相关系数
r
生长季开始日期 Gth0郾 35 -22郾 02 -0郾 59 36郾 14 0郾 79***
SOS Lth0郾 5 -1郾 27 -0郾 17 23郾 33 0郾 95***
Lthmean 0郾 5 -0郾 50 -0郾 15 23郾 30 0郾 95***
移动平均1) Moving average 1) -13郾 87 -0郾 53 34郾 52 0郾 92***
曲率变化率 The change rate of curvature -33郾 52 -0郾 78 47郾 31 0郾 89***
一阶导数 The first derivative 7郾 03 0郾 39 21郾 71 0郾 96***
生长季结束日期 Gth0郾 35 54郾 74 0郾 85 68郾 87 0郾 33***
EOS Lth0郾 5 21郾 79 0郾 73 40郾 46 0郾 89***
Lthmean 0郾 5 19郾 15 0郾 67 43郾 16 0郾 86***
移动平均1) Moving average 1) 53郾 35 0郾 86 64郾 02 0郾 89***
曲率变化率 The change rate of curvature 63郾 31 0郾 86 75郾 39 0郾 90***
一阶导数 The first derivative 25郾 53 0郾 78 46郾 28 0郾 86***
1)移动平均法的窗口大小为 15 Window size in the moving average method was 15.
的曲率变化率方法虽然具有较大的偏差绝对值和
RMSE,却有较高的相关系数,说明该方法识别的植
被物候虽然在数值上与实际情况有一定偏差,却能
较真实地反映植被物候在时空上的变化趋势.
3摇 讨摇 摇 论
基于 NEE数据识别植被 SOS 或 EOS 的前提是
NEE数据必须具有明显的碳源与碳汇过渡期[27],因
此,本文通过对各站点多年 NEE 数据进行目视检
查,剔除了 NEE数据中没有明显碳源与碳汇过渡期
的站点,最终保留了 58 个站点的 NEE 数据.研究表
明,在 95%的置信度下,基于这 58 个站点的 NEE数
据识别植被 SOS 或 EOS 的平均变化为依2 d,这与
Baldocchi等[27]的研究结果完全一致.为了进一步阐
明基于 NEE 数据识别植被物候的精度,Baldocchi
等[27]研究了植被发芽日期与基于 NEE 数据识别的
SOS之间的关系,结果表明,基于 NEE 数据识别的
SOS晚于地面观测到的植被发芽日期,但二者的相
关性非常高(R2 =0郾 94),说明基于 NEE 数据识别的
植被 SOS虽然与地面观测到的植被发芽日期存在
系统偏差,但它们所反映的趋势非常一致.由于通量
塔 NEE数据与 MODIS数据在空间尺度上具有可比
性,基于 NEE数据识别植被物候的方差较小,且与
地面观测到的植被发芽日期在变化趋势上也非常一
致,因此以基于 NEE数据的植被物候识别结果作为
参考标准来评价各种植被物候遥感识别方法是可行
的,其评价结果能反映各类植被物候遥感识别方法
的优劣.
本文仅针对北美洲 58 个通量塔站点数据进行
测试,大部分站点的 NDVI 曲线形状和幅度较适合
植被物候识别,因此本文得出的识别率有可能高于
区域应用的实际情况[39] .识别率的大小取决于两方
面因素:1)土地覆盖类型,它决定了 NDVI 曲线的形
状和幅度,NDVI 曲线越接近 S 型,生长波峰越明
显,识别率越高;2)植被物候遥感识别方法及其参
数设置,某一方法及其参数对 NDVI 曲线的要求越
低,识别率越高. 对于 Logistic 拟合法来说,它要求
NDVI曲线呈现 S型,否则拟合成功率低. 由于低分
辨率的 NDVI数据在景观较破碎的区域存在严重的
混合像元问题,混合像元的 NDVI 曲线是多种土地
覆盖类型的综合作用结果,同时 NDVI 数据还存在
噪声,生态系统本身也可能受干旱、洪涝、火灾、病虫
害、人为管理等因素的影响,因此某些低分辨率像元
的 NDVI曲线并不一定呈 S型,此时 Logistic 拟合法
无法识别出植被物候.本文 Logistic拟合方法中的一
阶导数方法具有较高的识别率,但这只是针对 58 个
5232 期摇 摇 摇 摇 摇 摇 摇 摇 牟敏杰等: 基于通量塔净生态系统碳交换数据的植被物候遥感识别方法评价摇 摇 摇 摇 摇
用于测试的通量塔站点而言,如果将其应用到不同
的区域或土地覆盖类型,其识别率可能会降低.
几乎所有的基于 NDVI识别的 SOS均早于基于
NEE的识别结果,而 EOS 则晚于基于 NEE 的识别
结果,遥感识别结果与地面物候观测数据之间也存
在类似情况[6,19,40] .这可能有两方面的原因:1)植被
物候遥感识别方法和基于 NEE 的植被物候识别方
法在数据源和识别原理上不一致[6, 10, 12, 14-15, 27];2)
NDVI在低值区高估了植被覆盖度[41] . 在植被生长
季开始阶段,起初是生态系统的呼吸作用大于植被
的光合作用,表现为碳源,但随着生态系统的复苏,
灌木及草本植物早于乔木层植被开始发芽、出
叶[40],植被的光合作用逐渐增强,虽然此时光合作
用仍弱于呼吸作用(仍表现为碳源),但乔木层植被
可能还未出芽. 由于 NDVI 综合反映了绿色植被叶
片和植被冠层结构的光谱特性及其差异[41],此时基
于 NDVI 可识别出 SOS,但生态系统却还未到达碳
源与碳汇的交界点(即 NEE未到达 0 值).地面物候
观测也证实了这种情况,当地面已经观测到植物发
芽时(即 SOS),NEE却还未到达 0 值[27] .同样,在植
被生长季结束阶段,乔木层植被早于灌木及草本植
物开始叶片变黄、脱落[40],植被的光合作用逐渐减
弱,当植被的光合作用与生态系统的呼吸作用持平
时,基于 NEE可识别出 EOS,但此时灌木及草本植
物可能还未落叶,NDVI 值仍然较高,基于 NDVI 不
能识别出 EOS.此外,由于 NDVI 是近红外波段与红
光波段数据值之差与这两个波段数值之和的比值,
增强了近红外与红光波段反射率的对比度,其结果
是增强低值部分、抑制高值部分[41],造成了植被生
长季开始和结束阶段的 NDVI 值偏高,从而有可能
使基于遥感数据识别的 SOS提前、EOS推迟.
考虑到本文选择的测试点仅为北美洲的 72 座
通量塔,它们在植被类型方面的代表性并不全面;此
外,通量塔观测到的 NEE 数据本身也存在噪声,因
此本研究结果虽然最大限度地克服了遥感与地面物
候观测数据之间的空间尺度不一致性问题,但也可
能存在片面性,在将来可获得更多通量塔 NEE 数据
的情况下,还需对这些研究结果作进一步佐证.
参考文献
[1]摇 Grimm NB, Faeth SH, Golubiewski NE, et al. Global
change and the ecology of cities. Science, 2008, 319:
756-760
[2]摇 Lucht W, Prentice IC, Myneni RB, et al. Climatic con鄄
trol of the high鄄latitude vegetation greening trend and Pi鄄
natubo effect. Science, 2002, 296: 1687-1689
[3]摇 Parmesan C, Yohe G. A globally coherent fingerprint of
climate change impacts across natural systems. Nature,
2003, 421: 37-42
[4] 摇 Penuelas J, Filella I. Responses to a warming world.
Science, 2001, 294: 793-795
[5]摇 Chen X, Hu B, Yu R. Spatial and temporal variation of
phenological growing season and climate change impacts
in temperate eastern China. Global Change Biology,
2005, 11: 1118-1130
[6]摇 White MA, Beurs KM, Didan K, et al. Intercompari鄄
son, interpretation, and assessment of spring phenology
in North America estimated from remote sensing for
1982-2006. Global Change Biology, 2009, 15: 2335-
2359
[7]摇 Piao SL, Ciais P, Friedlingstein P, et al. Net carbon
dioxide losses of northern ecosystems in response to au鄄
tumn warming. Nature, 2008, 451: 49-52
[8]摇 Piao SL, Fang JY, Zhou LM, et al. Variations in satel鄄
lite鄄derived phenology in China爷 s temperate vegetation.
Global Change Biology, 2006, 12: 672-685
[9]摇 Zhao M鄄S (赵茂盛), Fu C鄄B (符淙斌), Yan X鄄D
(延晓冬), et al. Study on the relationship between dif鄄
ferent ecosystems and climate in china using NOAA /
AVHRR data. Acta Geographica Sinica (地理学报),
2001, 56(3): 287-296 (in Chinese)
[10]摇 Zhang XY, Friedl MA, Schaaf CB, et al. Monitoring
vegetation phenology using MODIS. Remote Sensing of
Environment, 2003, 84: 471-475
[11]摇 Fischer A. A model for the seasonal variations of vegeta鄄
tion indices in coarse resolution data and its inversion to
extract crop parameters. Remote Sensing of Environ鄄
ment, 1994, 48: 220-230
[12]摇 Lloyd D. A phenological classification of terrestrial vege鄄
tation cover using shortwave vegetation index imagery.
International Journal of Remote Sensing, 1990, 11:
2269-2279
[13]摇 Markon CJ, Fleming MD, Binnian EF. Characteristics
of vegetation phenology over the Alaskan landscape using
AVHRR time鄄series data. Polar Record, 1995, 31:
179-190
[14]摇 White MA, Thornton PE, Running SW. A continental
phenology model for monitoring vegetation responses to
interannual climatic variability. Global Biogeochemical
Cycles, 1997, 11: 217-234
[15]摇 Reed BC, Brown JF, Vanderzee D, et al. Measuring
phenological variability from satellite imagery. Journal
of Vegetation Science, 1994, 5: 703-714
[16] 摇 Jonsson P, Eklundh L. Seasonality extraction by func鄄
tion fitting to time鄄series of satellite sensor data. IEEE
Transactions on Geoscience and Remote Sensing, 2002,
40: 1824-1832
[17]摇 Beck PSA, Atzberger C, Hogda KA, et al. Improved
monitoring of vegetation dynamics at very high latitudes:
A new method using MODIS NDVI. Remote Sensing of
Environment, 2006, 100: 321-334
[18]摇 Zhang XY, Friedl MA, Schaaf CB, et al. Climate con鄄
trols on vegetation phenological patterns in northern mid鄄
623 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
and high latitudes inferred from MODIS data. Global
Change Biology, 2004, 10: 1133-1145
[19] 摇 Zhu WQ, Tian HQ, Xu XF, et al. Extension of the
growing season due to delayed autumn over mid and high
latitudes in North America during 1982 - 2006. Global
Ecology and Biogeography, 2011, doi: 10. 1111 / j.
1466鄄8238. 2011. 00675. x
[20]摇 Yan Y鄄E (严燕儿), Zhao B (赵摇 斌), Guo H鄄Q (郭
海强), et al. On the coupling between eddy covariance
and remote sensing techniques in ecosystem carbon flux
estimation. Advances in Earth Science (地球科学进
展), 2008, 23(8): 884-894 (in Chinese)
[21]摇 Fisher JI, Mustard JF. Cross鄄scalar satellite phenology
from ground, Landsat, and MODIS data. Remote Sens鄄
ing of Environment, 2007, 109: 261-273
[22]摇 Fisher JI, Mustard JF, Vadeboncoeur MA. Green leaf
phenology at Landsat resolution: Scaling from the field
to the satellite. Remote Sensing of Environment, 2006,
100: 265-279
[23]摇 Studer S, Stockli R, Appenzeller C, et al. A compara鄄
tive study of satellite and ground鄄based phenology. In鄄
ternational Journal of Biometeorology, 2007, 51: 405-
414
[24]摇 Heinsch FA, Zhao MS, Running SW, et al. Evaluation
of remote sensing based terrestrial productivity from MO鄄
DIS using regional tower eddy flux network observations.
IEEE Transactions on Geoscience and Remote Sensing,
2006, 44: 1908-1925
[25]摇 Reich PB, Turner DP, Bolstad P. An approach to spa鄄
tially distributed modeling of net primary production
(NPP) at the landscape scale and its application in vali鄄
dation of EOS NPP products. Remote Sensing of Envi鄄
ronment, 1999, 70: 69-81
[26] 摇 Zhao MS, Heinsch FA, Nemani RR, et al. Improve鄄
ments of the MODIS terrestrial gross and net primary
production global data set. Remote Sensing of Environ鄄
ment, 2005, 95: 164-176
[27]摇 Baldocchi DD, Black TA, Curtis PS, et al. Predicting
the onset of net carbon uptake by deciduous forests with
soil temperature and climate data: A synthesis of FLUX鄄
NET data. International Journal of Biometeorology,
2005, 49: 377-387
[28]摇 Moffat A, Papale D, Reichstein M, et al. Comprehen鄄
sive comparison of gap鄄filling techniques for eddy covari鄄
ance net carbon fiuxes. Agricultural Forest Meteorology,
2007, 8: 459-478
[29]摇 Xiao J, Zhuang Q, Law BE, et al. A continuous meas鄄
ure of gross primary production for the conterminous
United States derived from MODIS and AmeriFlux data.
Remote Sensing of Environment, 2010, 114: 576-591
[30] 摇 Carreiras JMB, Pereira JMC, Shimabukuro YE, et al.
Evaluation of compositing algorithms over the Brazilian
Amazon using SPOT鄄4 vegetation data. International
Journal of Remote Sensing, 2003, 24: 3427-3440
[31]摇 Holben B, Fraser RS. Red and near鄄infrared sensor re鄄
sponse to off鄄nadiir viewing. International Journal of Re鄄
mote Sensing, 1984, 5: 145-160
[32]摇 Kobayashi H, Dye DG. Atmospheric conditions for mo鄄
nitoring the long鄄term vegetation dynamics in the Ama鄄
zon using normalized difference vegetation index. Re鄄
mote sensing of Environment, 2005, 97: 519-525
[33]摇 Li X, Strahler AH. Geometric鄄optical bidirectional re鄄
flectance modeling of the discrete crown vegetation cano鄄
py: Effect of crown shape and mutual shadowing. IEEE
Transactions on Geoscience and Remote Sensing, 1992,
30: 276-292
[34]摇 Lin Z鄄H (林忠辉), Mo X鄄G (莫兴国). Phenologies
from harmonics analysis of AVHRR NDVI time series.
Transactions of the Chinese Society of Agricultural Engi鄄
neering (农业工程学报), 2006, 22(12): 138 -144
(in Chinese)
[35]摇 Chen J, Jonsson P, Tamura M, et al. A simple method
for reconstructing a high鄄quality NDVI time鄄series data
set based on the Savitzky鄄Golay filter. Remote Sensing of
Environment, 2004, 91: 332-344
[36]摇 Li R (李 摇 儒), Zhang X (张 摇 霞), Liu B (刘
波), et al. Review on methods of remote sensing time鄄
series data reconstruction. Journal of Remote Sensing
(遥感学报), 2009, 13(2): 335-341 (in Chinese)
[37]摇 Hird JN, Mcdermid GJ. Noise reduction of NDVI time
series: An empirical comparison of selected techniques.
Remote Sensing of Environment, 2009, 113: 248-258
[38]摇 Lobell DB, Asner GP. Cropland distributions from tem鄄
poral unmixing of MODIS data. Remote Sensing of Envi鄄
ronment, 2004, 93: 412-422
[39]摇 White MA, Hoffman F, Hargrove WW, et al. A global
framework for monitoring phenological responses to cli鄄
mate change. Geophysical Research Letters, 2005, 32:
L04705, doi: 10. 1029 / 2004 GL021961
[40]摇 Badeck FW, Bondeau A, Bottcher K, et al. Responses
of spring phenology to climate change. New Phytologist,
2004, 162: 295-309
[41]摇 Campbell JB. Introduction to Remote Sensing. 4th Ed.
New York: Guilford Press, 2007
作者简介摇 牟敏杰,女,1986 年生,硕士研究生.主要从事植
被物候遥感监测研究. E鄄mail: minjie_2009@ 163. com
责任编辑摇 杨摇 弘
7232 期摇 摇 摇 摇 摇 摇 摇 摇 牟敏杰等: 基于通量塔净生态系统碳交换数据的植被物候遥感识别方法评价摇 摇 摇 摇 摇