全 文 ：青藏高原 MODIS NDVI与 GIMMS NDVI的对比*
杜加强1,2,3**摇 舒俭民1,2,3 摇 王跃辉1,4 摇 李盈昌1,4 摇 张林波1,2,3 摇 郭摇 杨1,2,3
( 1中国环境科学研究院, 北京 100012; 2国家环境保护区域生态过程与功能评估重点实验室, 北京 100012; 3中国环境科学研
究院环境基准与风险评估国家重点实验室, 北京 100012; 4西南林业大学, 昆明 650224)
摘摇 要摇 连续一致的 NDVI 时间序列数据是陆地表面特征长期监测的基础和前提. AVHRR
NDVI和 MODIS NDVI作为时间记录最长和时空分辨率较高数据的典型代表,是未来植被动
态监测极为重要的数据源.深入理解两种数据之间的关系,是延续陆地植被长期监测的关键.
利用 2000—2006 年重叠时段的 GIMMS NDVI 和 MODIS NDVI 数据,在青藏高原整体、亚区
域、植被类型和像元等多尺度对比分析了两种数据的数值差异和动态变化的一致性,并使用
495 幅 20 km伊20 km的 Landsat影像计算的 NDVI,独立地评估了两种数据集的性能.结果表
明: GIMMS NDVI和 MODIS NDVI捕获青藏高原月尺度物候变化的能力基本相同(显著性水
平大多达到 0. 001);不同植被类型之间两种数据的相似性差异显著,高覆盖的林地一致性较
差,均质化较强的草地、农田的一致性较强;像元尺度,两种数据集在 82%的研究区域显著一
致;在反映植被空间分布方面,MODIS NDVI 的数值更接近 Landsat NDVI,而 GIMMS NDVI 在
植被动态变化上与 Landsat NDVI 更相像,不同植被类型之间差异显著,林地 MODIS NDVI 与
Landsat一致性更好,而草地、农田则是 GIMMS NDVI 更好. 融合两种数据,建立一致的 NDVI
时间序列数据是可行的.在耦合数据时,需要考虑不同植被类型、不同物候期、不同空间尺度
对结果的影响.对于针叶林、阔叶林等植被类型,以及物候过渡期的春秋季进行两种数据集成
时需要慎重处理.
关键词摇 MODIS NDVI摇 GIMMS NDVI摇 Landsat NDVI摇 空间分布摇 一致性摇 青藏高原
*国家自然科学基金项目(41001055)和中央级公益性科研院所基本科研业务专项(2012鄄YSKY鄄13)资助.
**通讯作者. E鄄mail: dujq@ craes. org. cn
2013鄄06鄄04 收稿,2013鄄11鄄10 接受.
文章编号摇 1001-9332(2014)02-0533-12摇 中图分类号摇 P407摇 文献标识码摇 A
Comparison of GIMMS and MODIS normalized vegetation index composite data for Qing鄄
hai鄄Tibet Plateau. DU Jia鄄qiang1,2,3, SHU Jian鄄min1,2,3, WANG Yue鄄hui1,4, LI Ying鄄chang1,4,
ZHANG Lin鄄bo1,2,3, GUO Yang1,2,3 ( 1Chinese Research Academy of Environmental Sciences, Beijing
100012, China; 2State Environment Protection Key Laboratory of Regional Eco鄄process and Function
Assessment, Beijing 100012, China; 3State Key Laboratory of Environmental Criteria and Risk As鄄
sessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China; 4Southwest
Forestry University, Kunming 650224, China) . 鄄Chin. J. Appl. Ecol. , 2014, 25(2): 533-544.
Abstract: Consistent NDVI time series are basic and prerequisite in long鄄term monitoring of land
surface properties. Advanced very high resolution radiometer (AVHRR) measurements provide the
longest records of continuous global satellite measurements sensitive to live green vegetation, and
moderate resolution imaging spectroradiometer (MODIS) is more recent typical with high spatial
and temporal resolution. Understanding the relationship between the AVHRR鄄derived NDVI and
MODIS NDVI is critical to continued long鄄term monitoring of ecological resources. NDVI time series
acquired by the global inventory modeling and mapping studies (GIMMS) and Terra MODIS were
compared over the same time periods from 2000 to 2006 at four scales of Qinghai鄄Tibet Plateau
(whole region, sub鄄region, biome and pixel) to assess the level of agreement in terms of absolute
values and dynamic change by independently assessing the performance of GIMMS and MODIS
NDVI and using 495 Landsat samples of 20 km 伊20 km covering major land cover type. High corre鄄
lations existed between the two datasets at the four scales, indicating their mostly equal capability of
capturing seasonal and monthly phenological variations (mostly at 0. 001 significance level) . Simi鄄
应 用 生 态 学 报摇 2014 年 2 月摇 第 25 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. 2014, 25(2): 533-544
larities of the two datasets differed significantly among different vegetation types. The relative low
correlation coefficients and large difference of NDVI value between the two datasets were found
among dense vegetation types including broadleaf forest and needleleaf forest, yet the correlations
were strong and the deviations were small in more homogeneous vegetation types, such as meadow,
steppe and crop. 82% of study area was characterized by strong consistency between GIMMS and
MODIS NDVI at pixel scale. In the Landsat NDVI vs. GIMMS and MODIS NDVI comparison of ab鄄
solute values, the MODIS NDVI performed slightly better than GIMMS NDVI, whereas in the com鄄
parison of temporal change values, the GIMMS data set performed best. Similar with comparison re鄄
sults of GIMMS and MODIS NDVI, the consistency across the three datasets was clearly different
among various vegetation types. In dynamic changes, differences between Landsat and MODIS
NDVI were smaller than Landsat NDVI vs. GIMMS NDVI for forest, but Landsat and GIMMS NDVI
agreed better for grass and crop. The results suggested that spatial patterns and dynamic trends of
GIMMS NDVI were found to be in overall acceptable agreement with MODIS NDVI. It might be fea鄄
sible to successfully integrate historical GIMMS and more recent MODIS NDVI to provide continuity
of NDVI products. The accuracy of merging AVHRR historical data recorded with more modern
MODIS NDVI data strongly depends on vegetation type, season and phenological period, and spatial
scale. The integration of the two datasets for needleleaf forest, broadleaf forest, and for all vegeta鄄
tion types in the phenological transition periods in spring and autumn should be treated with cau鄄
tion.
Key words: MODIS NDVI; GIMMS NDVI; Landsat NDVI; spatial distribution; consistency;
Qinghai鄄Tibet Plateau.
摇 摇 AVHRR(advanced very high resolution radiome鄄
ter) NDVI(normalized difference vegetation index)数
据是目前覆盖时段最长的全球连续数据集[1-2],得
到了国内外的广泛关注. 特别是 GIMMS( global in鄄
ventory modeling and mapping studies) NDVI数据集,
具有时间序列长、覆盖范围广、时空可比、较强的植
被动态变化表征能力[3]等特点,成为 AVHRR NDVI
数据中应用最广泛的数据集[4-6],在区域到全球尺
度植被动态变化检测及成因分析、土地退化区域识
别、植被生产力模拟和碳平衡研究等领域得以大
量应用[7-8],提高了对植被动态变化的理解[9] .
AVHRR传感器最初并不是以植被研究为目的,因
此传感器设计的某些方面对于植被动态研究并不理
想,如缺少传感器机载校准、过境时间漂移、空间分
辨率不高、波段设置较宽易受水汽干扰等[1,4-5] . 经
过一系列校正处理后,GIMMS NDVI 数据集可以用
于植被活动长期动态评估,并被证明是描述植被生
长动态变化最好的数据集之一[2-3,10-12] .检测植被变
化趋势需要长期时间序列数据[8],而 MODIS NDVI
和 SPOT VGT NDVI等数据产品均是从 2000 年左右
开始生产数据,时间序列长度有限. AVHRR NDVI
数据集架设了植被历史记录和现代卫星数据的桥
梁,允许拓展现代卫星相对较短的记录[13] .因此,尽
管 GIMMS NDVI数据集存在一些不足,但仍然是未
来一段时间内开展植被长期动态变化研究不可或缺
的数据集[14-15],只有 AVHRR 数据提供了植被变化
的历史数据,具有极高的科研价值和实际意
义[16-17] .由于目前公开的 GIMMS NDVI 数据集的时
间序列为 1982—2006 年,有关最近几年植被变化及
其与过去 30 年比较的研究需要扩展 GIMMS NDVI
数据集的时间序列[16,18-21] . 因此,研究 AVHRR
NDVI与较新传感器 NDVI 之间的关系是连续进行
植被长期监测的关键[15,22] .
MODIS(moderate resolution imaging spectroradi鄄
ometer) NDVI被认为是 AVHRR NDVI的完善[1],提
高了空间分辨率和叶绿素敏感度,排除了大气水汽
的干扰,调整了合成方法,是 AVHRR NDVI 的延续
和升级[23] .国际上很多学者对两个数据集的比较、
集成应用进行了探讨,而国内的相关研究相对较
少[18,24] . Fensholt和 Proud[9]对比了 GIMMS NDVI与
MODIS NDVI反映全球植被变化趋势的能力,结果
表明,两种数据总体上是兼容的,植被变化趋势基本
一致;与地面实测 NDVI的对比结果显示,半干旱地
区的 GIMMS NDVI 与 Terra MODIS NDVI 数据具有
更好的一致性[1,6] . Beck 等[3]在全球尺度详细比较
了 4 种 AVHRR衍生 NDVI和 MODIS NDVI数据集,
结果表明 MODIS NDVI 好于任何一个 AVHRR
NDVI数据集,GIMMS NDVI在 4 种 AVHRR NDVI数
据集中最能反映植被动态变化. Gallo 等[15]在美国
的研究结果表明,AVHRR NDVI 与 MODIS NDVI 16
435 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 25 卷
d合成值非常相似,不同传感器之间存在线性关系,
利用不同传感器建立 NDVI 时间序列是可行的. 国
内外学者还分别在全球干旱区[11]、南非和 Sahel[6],
以及中国东北[18-19]、锡林郭勒草原[5]、浙江省[25]等
区域进行了 GIMMS NDVI和MODIS NDVI的比较与
数据插补工作,为进一步开展两种数据的对比、数据
重构提供了借鉴.
青藏高原作为地球上海拔最高的独特自然地理
单元,下垫面状况复杂,气候、植被类型多样,是全球
变化最敏感的区域之一[7,26-28],也是研究植被对气
候变化响应的热点区域之一. 本文利用重合时段
(2000—2006 年)的 GIMMS NDVI 和 MODIS NDVI
时间序列数据集,分析两种数据集在反映青藏高原
植被动态变化、空间分布上的一致性,以 495 个
20 km伊20 km Landsat影像计算的 NDVI 为标准,独
立地评估 GIMMS NDVI与MODIS NDVI在表征植被
数值、变化量方面的准确性,旨在综合评价两种数据
集的性能以及利用 MODIS NDVI 数据拓展现有
GIMMS NDVI 数据集的可能性,为青藏高原两种数
据集的融合应用提供技术支撑.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
青藏 高 原 横 跨 31 个 经 度 ( 73毅 18忆 52义—
104毅46忆59义 E)、 纵 贯 13 个 纬 度 ( 26毅 00忆 12义—
39毅46忆50义 N),东西长 2945 km,南北宽 1532 km,
面积257伊104 km2(图1) .行政区划上,青藏高原涉
图 1摇 青藏高原植被类型、亚区域分区以及 Landsat 取样栅
格点位示意图
Fig. 1摇 Sketch of vegetation types, subregions and the sampling
locations in Qinghai鄄Tibet Plateau.
玉:省界 Provincial boundary; 域:分区界线 Partition boundary; 芋:
FAO采样区 FAO sampling area. a)无植被 No veget ation; b)湖泊
Lake; c)灌丛 Shrubs; d)耕地 Cultivated land; e)草原 Grassland; f)
草甸 Meadow; g)荒漠 Desert; h)针叶林 Coniferous forest; i)阔叶林
Broad鄄leaved forest. 下同 The same below.
及西藏自治区、青海省绝大部分地区,以及云南省、
四川省、甘肃省和新疆部分地区[28] . 海拔跨度大
(100 ~ 8846 m),平均高程超过 4000 m. 海拔、纬度
和与海距离等因素的综合作用,使研究区域的气候
呈从东南部的温暖湿润气候转变为西北部寒冷干燥
的高原气候,从而形成了多样的植被类型[7,26] .青藏
高原独特、多样的地理环境使其成为研究不同遥感
数据一致性的理想区域.
1郾 2摇 数据来源
GIMMS NDVI数据来源于美国国家航空和航天
局 ( National Aeronautics and Space Administration,
NASA)戈达德航天中心全球监测与模拟研究组制
作的 15 d最大化合成的 8 km NDVI数据集.该数据
集消除了火山爆发、太阳高度角和传感器灵敏度随
时间变化等的影响,在全球范围得到了广泛应用.
MODIS NDVI数据来源于 NASA MODIS陆地产品组
根据统一算法开发的 MODIS植被指数产品,本文所
应用的主要是 MOD13A3,即 1 km 分辨率月合成的
植被指数产品,和 16 d 合成 1 km 分辨率的
MOD13A2. Landsat 数据来源于联合国粮农组织
(Food and Agriculture Organization of the United Na鄄
tions, FAO)的森林资源评估项目,包括青藏高原
2000—2006 年 243 处共 495 幅 20 km伊20 km 的取
样窗口影像. 1 颐 4000000 矢量化植被类型图来自中
国西部环境与生态科学数据中心.
1郾 3摇 数据处理
两种 NDVI数据经过子集提取、图像镶嵌、裁剪
数据、格式转换、投影转换和质量检验等预处理过
程,形成青藏高原 GIMMS NDVI 和 MODIS NDVI 数
据集.为了消除 GIMMS NDVI 和 MOD13A3 时间分
辨率的差异,采用最大值合成方法得到月尺度
GIMMS NDVI数据,以进一步去除云的影响,并减少
月内物候循环的影响[9] . MOD13A3 数据重采样到 8
km,以匹配 GIMMS NDVI的空间分辨率.
本文所用 Landsat 影像主要是 2000 和 2005 年
的 TM和 ETM+,尽管经过了几何校正、地形校正等
预处理,但若不进行辐射定标、大气校正而直接计算
NDVI,则结果与地物 NDVI 相差较大[24,29] . 由于该
数据集采用增益偏差方法得到的大气层顶辐射亮度
具有不确定性[3],因此采用最大最小辐射参数的方
法( the approach used minimum and maximum radi鄄
ance parameters ), 参考相关参数进行辐射 定
标[29-30] .采用 FLAASH 大气校正工具进行大气校
正.由于 NDVI 具有一定的尺度依赖性[3,9],先将
5352 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 杜加强等: 青藏高原 MODIS NDVI与 GIMMS NDVI的对比摇 摇 摇 摇 摇 摇
Landsat的 3 和 4 波段的大气顶层反射率重采样到
GIMMS NDVI的空间尺度,再计算 NDVI,得到 Land鄄
sat NDVI数据集. 研究区域 2000—2006 年的 Land鄄
sat在 243 个取样窗口共有 495 幅 20 km伊20 km 的
影像,剔除云、水体、裸地等所占面积大于 50%的影
像,共得到 466 幅影像参与后续分析.
为避免水体、云阴影等负值的影响, GIMMS
NDVI和 MODIS NDVI数据集中 NDVI值小于 0 的像
元均被赋予 0 值[7],并从统计分析中剔除.根据植被
类型图,青藏高原的植被主要划分为针叶林、阔叶
林、灌丛、草甸、草原、农田和荒漠 7 类(图 1).
1郾 4摇 研究方法
从数值和变化趋势两方面评价 GIMMS NDVI
与 MODIS NDVI的一致性,采用平均偏差(Bias)和
均方根误差( root mean square error,RMSE)反映两
者数值上的差异程度,采用较常用[31]、简单且稳
健[1,6]的相关系数和回归方程反映两者之间的相关
程度和变化方向的一致性.青藏高原范围广阔、空间
异质性大,区域平均可能掩盖了不同地区之间的差
异.因此,除在区域整体、植被类型、像元 3 个尺度
外,参考相关研究[12,15,25],在亚区域尺度也探讨了两
个数据集之间的差异,以在更多空间尺度评估两种
数据集.遵循行政边界完整、自然地理条件和生态系
统类型尽可能一致的原则,将青藏高原分为 19 个亚
区域(图 1),面积在 3伊104 ~ 37伊104 km2 .为了剔除
不同植被类型、月份 NDVI背景值差异的影响,计算
了 MODIS与 GIMMS 的相对偏差(relative deviation,
RD) [17] .亚区域组成的不同空间位置的数据,反映
了两种数据集在不同地域特点之间的差异;相同植
被类型的时间序列,反映两种数据集在不同年份、不
同气候条件下的一致性.
除比较同一时期 GIMMS NDVI 和 MODIS NDVI
与 Landsat NDVI 的数值差异以反映空间分布的一
致性之外,还对比分析了同一取样地点不同日期之
间 3 个数据集 NDVI 的差值,以反映动态变化方面
的差异.在这两个比较中,计算了 20 km伊20 km 取
样范围内 3 个数据集的平均值,其中,GIMMS NDVI
和 MODIS NDVI(MOD13A2)均选择最接近 Landsat
取样影像获取日期的半月合成值. 为保证样点内的
同质化,当取样窗口(20 km伊20 km)内 60%的面积
被同一植被类型占据时,才认定为单一植被类型,再
进行 3 类数据的比较分析.
2摇 结果与分析
2郾 1摇 GIMMS NDVI与 MODIS NDVI的一致性
区域整体尺度上,2000 年 2 月—2006 年 12 月,
GIMMS NDVI与 MODIS NDVI两个数据集在反映区
域植被生长物候方面较一致,每年 NDVI 峰值、最小
值出现的月份基本一致. 除 2000 年 2 月外,MODIS
NDVI在生长季和非生长季均大于 GIMMS NDVI,且
两者的差值在生长季初期开始的 3 月开始增加,到
生长季峰值开始的 6 月开始减少,非生长季最小.
GIMMS NDVI通常低于 MODIS NDVI也导致了两者
的斜率小于 1,两者具有显著的一致性(P<0. 001,
n=83).
摇 摇 亚区域尺度,各分区 GIMMS NDVI 与 MODIS
NDVI组成序列之间的相关系数在 12 个月均大于
0. 84(n=133),通过了 0. 001 的显著性检验(表 1).
生长季两种数据的回归斜率比非生长季更接近 1,
截距更接近 0. GIMMS NDVI与MODIS NDVI的回归
斜率均小于 1(GIMMS NDVI 为因变量),表明亚区
域尺度 GIMMS NDVI 总体上小于 MODIS NDVI. 两
者 Bias的结果也证实了这一点,除 1 月外,其他各
月 MODIS NDVI 值更大. 非生长季的 RMSE 和 Bias
一般小于生长季,相对偏差最大发生在 3—6 月和
9 月.
图 2摇 青藏高原月 GIMMS NDVI (玉) 和 MODIS NDVI (域)
的时间变化及其散点图
Fig. 2摇 Time series of monthly GIMMS NDVI (玉) and MODIS
NDVI (域) for Qinghai鄄Tibet Plateau and the corresponding
scatter plots.
635 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 25 卷
表 1摇 各分区逐月 GIMMS NDVI 与 MODIS NDVI 之间的
一致性
Table 1摇 Consistency between monthly GIMMS NDVI and
MODIS NDVI for subregions
月份
Month
R2 斜率
Slope
截距
Intercept
均方根误差
RMSE
平均偏差
Bias
相对偏差
RD (% )
1 0. 97 0. 799 0. 019 0. 086 -0. 021 -12. 4
2 0. 92 0. 723 0. 024 0. 053 -0. 029 -17. 8
3 0. 89 0. 664 0. 026 0. 065 -0. 041 -26. 0
4 0. 84 0. 602 0. 028 0. 086 -0. 057 -36. 4
5 0. 92 0. 709 0. 008 0. 091 -0. 070 -35. 6
6 0. 88 0. 839 -0. 004 0. 088 -0. 059 -20. 8
7 0. 91 0. 879 -0. 008 0. 086 -0. 058 -16. 4
8 0. 92 0. 859 0. 000 0. 086 -0. 059 -16. 4
9 0. 90 0. 800 0. 015 0. 092 -0. 063 -19. 3
10 0. 95 0. 791 0. 023 0. 065 -0. 041 -15. 5
11 0. 97 0. 789 0. 018 0. 049 -0. 031 -15. 2
12 0. 97 0. 797 0. 016 0. 044 -0. 028 -14. 9
摇 摇 不同植被类型 GIMMS NDVI 与MODIS NDVI一
致性的差异显著(表 2),两种数据集在农田、草甸、
草原、灌丛的相关性好于其他类型,荒漠最弱. 除荒
漠外,针叶林 GIMMS与 MODIS回归的斜率值较低,
草原的斜率值最接近 1. 不同植被类型之间两种
NDVI数值存在明显差异,阔叶林最大,其次是针叶
林,荒漠最小.
摇 摇 青藏高原大部分地区 GIMMS NDVI 与 MODIS
NDVI的相关性较高,正相关显著性达到 0. 05 水平
的栅格占 82% ,达到 0. 001 水平的占 76% . 两种数
据在草甸、草原、农田等植被类型的相关性较好,在
针叶林和阔叶林次之,荒漠最差,甚至为负相关. 两
种数据回归斜率值范围较宽,70%的栅格小于 1,仅
有 30%的斜率值分布在 0. 8 ~ 1. 2.负的相关系数和
斜率值主要分布在研究区域北部的荒漠生态系统和
无植被区域(图 3).
摇 摇 逐月、逐像元计算 GIMMS NDVI与MODIS NDVI
的差值,按照区域平均、7 种植被类型分别统计. 由
图 4 可以看出,无论是区域整体还是各植被类型,两
图 3摇 青藏高原 GIMMS NDVI 与 MODIS NDVI 的相关系数
和回归斜率的分布
Fig. 3 摇 Distribution of correlation coefficients and regression
slopes of GIMMS NDVI and MODIS NDVI for Qinghai鄄Tibet
Plateau.
种数据集的差值峰值均出现在左侧,表明像元尺度
GIMMS NDVI多小于MODIS NDVI.尤其是针叶林和
阔叶林,差值峰值均出现在臆0. 1 的区域,分别占各
自面积的 47%和 69% ,其次是草甸和草原. 差值绝
对值的区域平均为 0. 06,数值差异较大.
2郾 2 摇 GIMMS NDVI 和 MODIS NDVI 与 Landsat
NDVI空间分布的一致性
MODIS NDVI和 GIMMS NDVI 与 Landsat NDVI
的相关性均达到显著性水平(P<0. 001),前者略高
于后者 (图 5). MODIS NDVI 与 Landsat NDVI 的
RMSE、Bias值小于 GIMMS NDVI与 Landsat NDVI.
表 2摇 不同植被类型 GIMMS NDVI与MODIS NDVI之间的一致性
Table 2摇 Consistency between GIMMS NDVI and MODIS NDVI for major vegetation types
植被类型
Vegetation type
R2 斜率
Slope
截距
Intercept
均方根误差
RMSE
平均偏差
Bias
相对偏差
RD (% )
针叶林 Needleleaf forest 0. 84 0. 698 0. 043 0. 115 -0. 107 -27. 4
阔叶林 Broadleaf forest 0. 53 0. 843 -0. 059 0. 167 -0. 159 -33. 3
灌丛 Shrub 0. 95 0. 851 -0. 006 0. 041 -0. 037 -21. 5
草甸 Meadow 0. 97 0. 914 -0. 021 0. 052 -0. 047 -18. 8
草原 Steppe 0. 96 0. 923 -0. 003 0. 021 -0. 017 -10. 1
农田 Crop 0. 97 0. 826 0. 013 0. 042 -0. 034 -14. 4
荒漠 Desert 0. 38 0. 392 0. 037 0. 015 -0. 009 -13. 2
7352 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 杜加强等: 青藏高原 MODIS NDVI与 GIMMS NDVI的对比摇 摇 摇 摇 摇 摇
图 4摇 青藏高原 GIMMS NDVI与 MODIS NDVI像元尺度的差异
Fig. 4摇 Per鄄pixel difference between GIMMS NDVI and MODIS NDVI for Qinghai鄄Tibet Plateau.
j)研究区 Study area.
图 5摇 Landsat NDVI与 GIMMS NDVI和 MODIS NDVI的线性
回归关系
Fig. 5摇 Linear regression of mean NDVI from Landsat imagery
vs. GIMMS and MODIS.
摇 摇 农田在青藏高原地区所占比例很小,本研究区
仅有 3 个取样窗口属于农田,因此,本文 3 种 NDVI
数据对不同植被类型的比较不包括农田. 尽管研究
区域主要植被类型 GIMMS NDVI和MODIS NDVI与
Landsat NDVI的相关性均达到了 0. 001 的显著性水
平,但不同植被类型之间的差异明显(图 6).剔除样
本量的影响,针叶林 GIMMS NDVI 和 MODIS NDVI
与 Landsat NDVI的相关性最弱,草原最强.阔叶林、
灌丛、荒漠 Landsat NDVI 与 MODIS NDVI 的相关性
强于与 GIMMS NDVI的相关性,而针叶林、草甸、草
原 Landsat NDVI 与 GIMMS NDVI 的相关性更强. 6
种植被类型的 Landsat NDVI 值一般小于 MODIS
NDVI,平均偏差小于 0; Landsat NDVI 与 GIMMS
NDVI的平均偏差通常大于 0.
2郾 3 摇 GIMMS NDVI 和 MODIS NDVI 与 Landsat
NDVI动态变化的一致性
研究区共有 154 个 Landsat 取样窗口具有至少
2 期 Landsat影像,由此得到 3 种 NDVI数据的时间
动态变化数据.两期 NDVI差值记为 驻NDVI. GIMMS
驻NDVI 与 Landsat 驻NDVI 的相关性好于 MODIS
驻NDVI与 Landsat 驻NDVI 的相关性(图 7),相关系
数分别为 0. 85 和 0. 80,均达到了 0. 001 的显著性水
平;前者与 Landsat 驻NDVI 的回归斜率更接近 1,截
距更接近 0;GIMMS 驻NDVI 与 Landsat 驻NDVI 的
RMSE 和 Bias 均小于 MODIS 驻NDVI 与 Landsat
驻NDVI的相应值.
摇 摇 尽管 6 种植被类型 GIMMS 驻NDVI 和 MODIS
驻NDVI与 Landsat 驻NDVI相关系数均达到显著性水
平(P<0. 001),但不同植被覆盖之间相关性差异明
显(图 8). 其中,针叶林 GIMMS 驻NDVI 和 MODIS
驻NDVI与 Landsat 驻NDVI 的相关性最差,其次是阔
叶林,草原相关性最好. 针叶林、阔叶林和灌丛植被
类型中,Landsat 驻NDVI 与 MODIS 驻NDVI 的相关系
数大于与 GIMMS 驻NDVI 的相关系数,以阔叶林和
灌丛的差异尤其明显;草甸、草原和荒漠则恰好相
反,且差异较明显.草甸、草原和荒漠 Landsat 驻NDVI
与 GIMMS 驻NDVI的回归斜率更接近 1. 针叶林、阔
叶林和灌丛 Landsat 驻NDVI 与 MODIS 驻NDVI 的
RMSE小于 Landsat 驻NDVI 与 GIMMS 驻NDVI,另外
3 种植被类型则相反.
835 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 25 卷
图 6摇 不同植被类型 Landsat NDVI与 GIMMS NDVI和 MODIS NDVI的线性回归关系
Fig. 6摇 Linear regression of mean NDVI from Landsat imagery vs. GIMMS and MODIS for different vegetation types.
9352 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 杜加强等: 青藏高原 MODIS NDVI与 GIMMS NDVI的对比摇 摇 摇 摇 摇 摇
图 7摇 Landsat NDVI与 GIMMS NDVI和 MODIS NDVI动态差
值之间的线性回归关系
Fig. 7摇 Linear regression of dynamic difference in mean NDVI
between Landsat vs. GIMMS and MODIS.
3摇 讨摇 摇 论
GIMMS NDVI与 MODIS NDVI的一致性评价结
果表明,青藏高原无论是作为一个整体区域还是划
分亚区域,两者月尺度的一致性均较好,意味着两者
捕获植被物候生长周期的能力大致相同(图 2),与
相关研究[9,23]的结论一致. MODIS NDVI 在区域尺
度几乎均大于 GIMMS NDVI 的结果与北美地区
GIMMS 生长季峰值 NDVI 大于 MODIS、 GIMMS
NDVI的基础水平远高于 MODIS NDVI 的现象不同,
而与南非伯兹瓦纳地区类似,MODIS NDVI 生长季
峰值较高[9];与美洲部分站点、美国等地[15,22-23]和
中国黑河流域、河套地区研究[24] 得出的 MODIS
NDVI总体大于 GIMMS NDVI 的结果一致. 究其原
因,一方面是由于青藏高原区域尺度与其他研究的
区域面积(约 17伊104 km2)大小不同[3,9,23],区域范
围越大,掩盖或模糊局地特有规律的可能性就越大,
即尺度性问题均需要面临的全局准确性与局地精确
性之间的平衡[16];另一方面,与两种传感器通道设
置、光谱响应函数、大气校正方法的不同有关.
AVHRR的近红外波段强烈地受到水蒸汽的影响,
引起 NDVI 变小. MODIS 的红光(620 ~ 670 nm)和
近红外(841 ~ 876 nm)波段比 AVHRR狭窄很多(分
别为 585 ~ 680 nm、730 ~ 980 nm),避免了光谱中的
水分吸收区域,几乎不受大气水分含量季节变化的
影响[15,23] .且 AVHRR过境时间在下午,加剧了水汽
的影响[32] . 水蒸汽校正后的 AVHRR NDVI 比非水
蒸汽校正时更接近 MODIS NDVI 数据的相关结
论[33],也证明了水蒸汽是造成 GIMMS NDVI数值偏
低的主要原因. MODIS NDVI进行了气溶胶校正,而
GIMMS NDVI数据由于缺乏大气气溶胶含量的历史
信息没有进行类似处理,加上近年气溶胶浓度显著
增加[34],进一步扩大了两种数据的数值差异
(图 4).
青藏高原整体和亚区域尺度两种数据在物候过
渡的生长季初期、末期数值差异较大(图 1、表 1),
即两种数据的相对偏差具有强烈的季节依赖性,与
Huete等[23]、Fontana等[17]的研究结果一致,主要是
由于高寒地区植被生长或衰老迅速,引起 NDVI 短
时剧烈变化[17],而两类传感器由于合成时间等的差
异,捕获地表植被覆盖迅速变化的能力可能存在差
异[35-36] .近年来气候波动和气候变化引起的物候频
繁变化,增加了物候过渡期遥感监测结果的不确定
性[36],使两种数据的一致性减弱.
GIMMS NDVI与 MODIS NDVI的相关系数较高
的区域,回归斜率一般更接近 1(图 3).但针叶林例
外,其具有较高的相关系数但斜率值较低,与加拿大
中部寒带针叶林的研究结果一致[9] . 7 种植被类型
中 MODIS NDVI 值的变化幅度均大于 GIMMS
NDVI,以针叶林尤为明显,其 MODIS NDVI 值的幅
宽比 GIMMS NDVI 高 0. 12,其他 6 种均在 0. 09 以
下.针叶林两种数据数值范围的较大差异,造成了斜
率值大幅偏离 1. 青藏高原和加拿大均位于卫星漂
移对信号有较大影响的区域[37],GIMMS NDVI 校正
轨道漂移时使用的经验模式分解( empirical mode
decomposition, EMD)方法,可能存在针叶林过渡校
正太阳天顶角的问题[9,35],从而造成与 MODIS
NDVI的回归斜率远小于 1.
不同植被类型 GIMMS 与 MODIS NDVI 的相关
性、数值差异不同,通常在拥有清晰物候生长季的植
被类型具有较强的相关性、较小的数值差异[9],而
在常绿、高植被覆盖的林地的相关性降低、数值差异
增大[15,38] .这也是农田、草甸、草原等植被类型两种
数据的相关性高于阔叶林、针叶林(表 2)的原因之
一.研究区域阔叶林主要位于川西、滇北和西藏的东
南部,主要由高山栎组树种组成,属硬叶常绿阔叶
林,年内物候循环不如草原、草甸、农田等清晰[9],
NDVI的年内变化不明显,且 NDVI 在高密度植被区
存在红波段的饱和现象[9] ,造成两种数据相关性相
045 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 25 卷
图 8摇 不同植被类型 Landsat NDVI与 GIMMS NDVI和 MODIS NDVI动态差值之间的线性回归关系
Fig. 8摇 Linear regression of dynamic difference in mean NDVI between Landsat vs. GIMMS and MODIS for different vegetation types.
1452 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 杜加强等: 青藏高原 MODIS NDVI与 GIMMS NDVI的对比摇 摇 摇 摇 摇 摇
对较差.与针叶林、阔叶林相比,农田、草地、草甸等
植被类型的均质性相对较强,进一步提高了两种数
据的相关性[17] . 荒漠生态系统由于植被覆盖极低、
NDVI数值较小,造成 GIMMS 与 MODIS NDVI 的相
关性相对较差,数值差异也较小.在植被类型和像元
尺度,两类传感器引起的 NDVI 数值差异在越湿润
的地区越大[23],阔叶林、针叶林主要位于青藏高原
南部,是研究区域最湿润的地区[26-27],从而造成两
种植被类型 RMSE、Bias、RD和数值差异较大.
在荒漠地区,尤其是柴达木盆地的沙漠区域,
GIMMS NDVI 和 MODIS NDVI 的相关系数、斜率变
为负值 (图 3),可能是由于沙漠地区植被较少,
NDVI本身可靠性较差以及传感器校正方法的不同
造成的[1,6] . 逐像元尺度 GIMMS NDVI 和 MODIS
NDVI斜率值多远偏离 1,表明两种数据的 NDVI 数
值差异显著,两种数据的 NDVI 值不具有直接可
比性.
由于存在机载校准,Landsat影像几乎没有时间
和空间偏差,是评估 GIMMS NDVI 和 MODIS NDVI
性能的理想数据[3,13] .总体上,两种数据在反映植被
的空间分布上与 Landsat基本一致,MODIS NDVI 与
Landsat NDVI 的相关性、偏差略好于 GIMMS NDVI
(图 5),但不同植被类型略有差异(图 6).分别统计
Landsat与 MODIS、GIMMS 的 NDVI 差值发现,63%
的 Landsat取样窗口 NDVI 值小于 MODIS,而 Land鄄
sat NDVI大于与小于 GIMMS NDVI的取样窗口比例
相当. MODIS 限制视角的最大值合成法(constrained
view angle鄄maximum value composite, CV鄄MVC)倾向
于选择最大或较大的 NDVI 值[39],可能是 MODIS
NDVI值较大的原因. 此外,空间分辨率的差异,造
成 3 类数据捕捉植被特征的能力不同,也是差异形
成的原因之一.
动态变化方面,无论是相关性还是数值差异,
GIMMS NDVI总体均好于 MODIS NDVI(图 7),不同
植被类型之间差异明显.阔叶林、灌丛 MODIS NDVI
与 Landsat NDVI的一致性明显好于 GIMMS NDVI,
而草原、草甸和荒漠恰好相反(图 8).全球尺度的研
究结果显示,在数值和动态变化方面,所有植被类型
的 MODIS NDVI 效果都好于 GIMMS NDVI[3] . 本研
究结果与此不完全一致,可能是由于数据处理方法、
研究尺度不同所致.本文在计算 Landsat NDVI 之前
对影像进行了大气校正,而全球尺度的研究则没有
进行此项处理.区域尺度的独特特征,在全球尺度倾
向于被空间平均所弱化[9],这也是为何一些大陆尺
度的研究难以反映国家、区域尺度特征的原
因[10,25] . GIMMS NDVI反映植被动态变化方面的可
靠性较强,可能的原因是 GIMMS数据集存在数值上
的空间偏差,但时间变化上不存在偏差[3] . 两种数
据集与 Landsat NDVI 动态变化的相关性远低于空
间分布的相关性,与全球尺度研究结果一致[3],表
明相对于静态比较,动态对比的影响因素更多,而不
同传感器对此的敏感性不同.
综上,青藏高原 GIMMS NDVI 和 MODIS NDVI
在表征植被生长的空间分布和动态变化方面具有较
强的相似性,连接 AVHRR 历史记录与 MODIS 数据
形成连续数据集是可行的,与国内外研究结果相
同[3,9,13,18-19,24-25] .但青藏高原两种数据的数值差异
明显,回归方程的斜率、截距值与理想状态的 1. 0 和
0 相差较大,尤其是在针叶林和物候过渡时期.
MODIS NDVI的空间分布与 Landsat NDVI的一致性
略高于 GIMMS NDVI,而 GIMMS NDVI 在反映植被
动态变化方面,与 Landsat NDVI 更相似,但不同植
被类型之间差异较大.因此,两种 NDVI 数据并不具
有时空可比性,不能直接进行比较,GIMMS NDVI 的
历史数据不能直接应用到 MODIS NDVI的研究分析
之中,反之亦然.对两个或两个以上不同传感器获取
的 NDVI数据不经处理、直接进行时间序列延伸比
较的研究结果值得进一步验证与完善[40-41] .高植被
覆盖、物候变化不清晰的针叶林、阔叶林等森林植被
类型,在基于两种数据建立连续时间序列时需要谨
慎处理.由于受到残留云污染的影响,两种数据在像
元尺度的相关性明显低于取样窗口、亚区域和区域
尺度[9,20] .在保证研究精度要求的前提下,基于逐像
元进行适当升尺度以保证不同 NDVI 数据源融合应
用的合理性和可靠性,不失为一种新思路.
4摇 结摇 摇 论
长时间序列的 NDVI 数据是了解植被过去、监
测现状、迎接未来挑战的强有力工具[33] . 随着遥感
新数据的不断涌现,多数据源融合应用是未来植被
研究的必然趋势. 本文评估了青藏高原 GIMMS
NDVI和 MODIS NDVI在多种空间尺度的一致性,并
利用 Landsat数据独立地评估了上述两种数据反映
植被时空动态变化的性能.主要结论如下:1)区域、
亚区域和栅格尺度,GIMMS NDVI 和 MODIS NDVI
月值的相关性均较好,随着空间尺度的增加,相关性
增强.不同植被类型之间相关性差异明显,荒漠最
差,其次是阔叶林、针叶林,草甸、草原和农田的相关
245 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 25 卷
性较强.数值差异与相关性相似,针叶林、阔叶林的
相对偏差最大,均质性相对较强的草甸、草原和农田
的相对偏差较小. 像元尺度,两个数据集在 82%的
研究区域显著一致,不一致的地区主要集中在北部
荒漠地区. 2)与 Landsat NDVI 的对比分析显示,在
反映植被覆盖空间分布上两种数据差异不大,
MODIS NDVI 略好;GIMMS NDVI 在反映动态变化
方面明显好于 MODIS NDVI,表明 GIMMS NDVI 在
表征植被覆盖动态变化方面偏差较小. 不同植被类
型之间两种数据的表现不同,总体上阔叶林和灌木
MODIS NDVI表现更好,而草甸、草原和耕地 GIMMS
NDVI 更接近 Landsat NDVI. 3 ) GIMMS NDVI 和
MODIS NDVI捕获青藏高原月尺度物候变化的能力
基本相同,合并 GIMMS NDVI 历史数据和 MODIS
NDVI数据提供连续一致的 NDVI 时间序列数据是
可能的.由于两种数据存在数值上的明显差异,直接
进行对比分析结果的可靠性存疑. 4)不同植被类
型、不同物候期、不同空间尺度,GIMMS NDVI 和
MODIS NDVI数据的一致性不尽相同,在进行具体数
据融合时需要区别考虑. 针叶林、阔叶林等植被类
型,物候过渡期的春秋季进行两种数据集成合并时
需要慎重处理.选择合适的空间尺度,对于分析应用
较重要.
参考文献
[1]摇 Fensholt R, Rasmussen K, Nielsen TT, et al. Evalua鄄
tion of earth observation based long term vegetation
trends: Intercomparing NDVI time series trend analysis
consistency of Sahel from AVHRR GIMMS, Terra MO鄄
DIS and SPOT VGT data. Remote Sensing of Environ鄄
ment, 2009, 113: 1886-1898
[2]摇 Beck PS, Goetz SJ. Satellite observations of high north鄄
ern latitude vegetation productivity changes between
1982 and 2008: Ecological variability and regional
differences. Environmental Research Letters, 2011, 6:
5501-5511
[3]摇 Beck HE, McVicar TR, Dijk A, et al. Global evalua鄄
tion of four AVHRR鄄NDVI data sets: Intercomparison
and assessment against Landsat imagery. Remote Sensing
of Environment, 2011, 115: 2547-2563
[4]摇 Alcaraz鄄Segura D, Liras E, Tabik S, et al. Evaluating
the consistency of the 1982 -1999 NDVI trends in the
Iberian Peninsula across four time鄄series derived from
the AVHRR sensor: LTDR, GIMMS, FASIR, and
PAL鄄II. Sensor, 2010, 10: 1291-1314
[5]摇 Chen Y鄄L (陈燕丽), Long B鄄J (龙步菊), Pan X鄄B
(潘学标), et al. Differences between MODIS NDVI
and AVHRR NDVI in monitoring grasslands change.
Journal of Remote Sensing (遥感学报), 2011, 15(4):
831-845 (in Chinese)
[6]摇 Fensholt R, Rasmussen K. Analysis of trend in the Sa鄄
helian ‘ rain鄄use efficiency爷 using GIMMS NDVI, RFE
and GPCP rainfall data. Remote Sensing of Environment,
2011, 115: 438-451
[7]摇 Peng J, Liu ZH, Liu YH, et al. Trend analysis of vege鄄
tation dynamics in Qinhai鄄Tibet Plateau using Hurst Ex鄄
ponent. Ecological Indicators, 2012, 14: 28-39
[8] 摇 Piao SL, Wang XH, Ciais P, et al. Changes in satel鄄
lite鄄derived vegetation growth trend in temperate and bo鄄
real Eurasia from 1982 to 2006. Global Change Biology,
2011, 17: 3228-3239
[9]摇 Fensholt R, Proud SR. Evaluation of earth observation
based global long term vegetation trends: Comparing
GIMMS and MODIS global NDVI time series. Remote
Sensing of Environment, 2012, 119: 131-147
[10]摇 Peng SS, Chen AP, Xu L, et al. Recent change of veg鄄
etation growth trend in China. Environmental Research
Letters, 2011, 6: 4027-4039
[11]摇 Fensholt R, Langanke T, Rasmussen K, et al. Green鄄
ness in semi鄄arid areas across the globe 1981-2007: An
earth observing satellite based analysis of trends and
drivers. Remote Sensing of Environment, 2012, 121:
144-158
[12]摇 Zhao X, Tan K, Zhao S, et al. Changing climate affects
vegetation growth in the arid region of the northwest Chi鄄
na. Journal of Arid Environments, 2011, 75: 946-952
[13]摇 Brown ME, Pinzon JE, Didan K, et al. Evaluation of
the consistency of long鄄term NDVI time series derived
from AVHRR, SPOT鄄Vegetation, SeaWiFS, MODIS,
and LandSAT ETM+ Sensors. IEEE Transactions on Geo鄄
science and Remote Sensing, 2006, 44: 1787-1793
[14]摇 Tucker CJ, Pinzon JE, Slayback DA, et al. An extend鄄
ed AVHRR 8鄄km NDVI dataset, compatible with MO鄄
DIS and SPOT vegetation NDVI data. International Jour鄄
nal of Remote Sensing, 2005, 26: 4485-4498
[15]摇 Gallo K, Ji L, Reed B, et al. Multi鄄platform compari鄄
sons of MODIS and AVHRR normalized difference vege鄄
tation index data. Remote Sensing of Environment,
2005, 99: 221-231
[16]摇 De Jong R, De Bruin S, Schaepman M, et al. Quantita鄄
tive mapping of global land degradation using Earth ob鄄
servations. International Journal of Remote Sensing,
2011, 32: 6823-6853
[17] 摇 Fontana FM, Coops N, Khlopenkov K, et al. Genera鄄
tion of a novel 1 km NDVI data set over Canada, the
northern United States, and Greenland based on histori鄄
cal AVHRR data. Remote Sensing of Environment,
2012, 121: 171-185
[18]摇 Mao D鄄H (毛德华), Wang Z鄄M (王宗明), Song K鄄S
(宋开山), et al. The vegetation NDVI variation and its
responses to climate change and LUCC from 1982 to
2006 year in northeast permafrost region. China Envi鄄
ronmental Science (中国环境科学), 2011, 31 (2):
283-292 (in Chinese)
[19]摇 Mao DH, Wang ZM, Luo L, et al. Integrating AVHRR
and MODIS data to monitor NDVI changes and their re鄄
lationships with climatic parameters in Northeast China.
3452 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 杜加强等: 青藏高原 MODIS NDVI与 GIMMS NDVI的对比摇 摇 摇 摇 摇 摇
International Journal of Applied Earth Observation and
Geoinformation, 2012, 18: 528-536
[20]摇 Xin Z鄄B (信忠保), Xu J鄄X (许炯心), Zheng W (郑
伟). Influence of climate change and human activities
on vegetation coverage at Loess Plateau. Science in Chi鄄
na Series D (中国科学·D 辑), 2007, 37 (11):
1504-1514 (in Chinese)
[21]摇 Ding M鄄J (丁明君), Zhang Y鄄L (张镱锂), Liu L鄄S
(刘林山), et al. Temporal and spatial distribution of
grassland coverage change in Tibetan Plateau since
1982. Journal of Natural Resources (自然资源学报),
2010, 25(12): 2114-2122 (in Chinese)
[22] 摇 Gallo K, Ji L, Reed B, et al. Comparison of MODIS
and AVHRR 16鄄day normalized difference vegetation in鄄
dex composite data. Geophysical Research Letters, 2004,
31: L07502
[23]摇 Huete A, Didan K, Miura T, et al. Overview of the ra鄄
diometric and biophysical performance of the MODIS
vegetation indices. Remote Sensing of Environment,
2002, 83: 195-213
[24]摇 Zhang J (张摇 杰), Guo N (郭摇 铌), Wang J鄄M (王
介民). Contrast and calibration of remote sensing pro鄄
duction NDVI of NOAA / AVHRR and EOS / MODIS.
Plateau Meteorology (高原气象), 2007, 26 ( 5 ):
1097-1104 (in Chinese)
[25]摇 He Y (何摇 月), Fan G鄄F (樊高峰), Zhang X鄄W (张
小伟), et al. Variation of vegetation NDVI and its re鄄
sponse to climate change in Zhejiang Province. Acta
Ecologica Sinica (生态学报), 2012, 32(14): 4352-
4362 (in Chinese)
[26]摇 Sun H鄄L (孙鸿烈), Zheng D (郑 摇 度), Yao T鄄D
(姚檀栋), et al. Protection and construction of the Na鄄
tional Ecological Security Shelter Zone on Tibetan Plat鄄
eau. Acta Geographica Sinica (地理学报), 2012, 67
(1): 3-12 (in Chinese)
[27]摇 Mao F (毛 摇 飞), Tang S鄄H (唐世浩), Sun H (孙
涵), et al. A study of dynamic change of dry and wet
climate regions in the Tibetan Plateau over the last 46
years. Chinese Journal of Atmospheric Sciences (大气科
学), 2008, 32(3): 499-507 (in Chinese)
[28]摇 Zhang Y鄄L (张镱锂), Li B鄄Y (李炳元), Zheng D
(郑摇 度). A discussion on the boundary and area of
the Tibetan Plateau in China. Geographical Research
(地理研究), 2002, 21(1): 1-8 (in Chinese)
[29]摇 Chi H鄄K (池宏康), Zhou G鄄S (周广胜), Xu Z鄄Z (许
振柱), et al. Apparent reflectance and its applications
in vegetation remote sensing. Acta Phytoecologica Sinica
(植物生态学报), 2005, 29(1): 74-80 (in Chinese)
[30]摇 Chander G, Markham BL, Helder DL. Summary of cur鄄
rent radiometric calibration coefficients for Landsat MSS,
TM, ETM+, and EO鄄1 ALI sensors. Remote Sensing of
Environment, 2009, 113: 893-903
[31]摇 Cai B鄄F (蔡博峰), Yu R (于 摇 嵘). Advance and
evaluation in the long time series vegetation trends re鄄
search based on remote sensing. Journal of Remote Sens鄄
ing (遥感学报), 2009, 13(6): 1177-1186
[32]摇 Liu S (刘摇 爽), Gong P (宫摇 鹏). Change of surface
cover greenness in China between 2000 and 2010. Chi鄄
nese Science Bulletin (科学通报), 2012, 57 (16):
1423-1434 (in Chinese)
[33]摇 van Leeuwen W, Orr BJ, Marsh SE, et al. Multi鄄sensor
NDVI data continuity: Uncertainties and implications for
vegetation monitoring applications. Remote Sensing of
Environment, 2006, 100: 67-81
[34] 摇 Yi SH, Zhou ZY. Increasing contamination might have
delayed spring phenology on the Tibetan Plateau. Pro鄄
ceedings of the National Academy of Sciences of the Unit鄄
ed States of America, 2011, 108: E94
[35]摇 Alcaraz鄄Segura D, Chuvieco E, Epstein HE, et al. De鄄
bating the greening vs. browning of the North American
boreal forest: Differences between satellite datasets.
Global Change Biology, 2010, 16: 760-770
[36]摇 Ding M鄄J (丁明军), Zhang Y鄄L (张镱锂), Sun X鄄M
(孙晓敏), et al. Spatiotemporal variation in alpine
grassland phenology in the Qinghai鄄Tibetan Plateau from
1999 to 2009. Chinese Science Bulletin (科学通报),
2012, 57(33): 3185-3194 (in Chinese)
[37]摇 Pinzon JE, Brown ME, Tucker CJ. Global Inventory
Modeling and Mapping Studies (GIMMS) Satellite Drift
Corrected and NOAA鄄16 Incorporated Normalized Differ鄄
ence Vegetation Index (NDVI), Monthly 1981 - 2006
[EB / OL]. (2007鄄05鄄01) [2012鄄12鄄12]. http: / / glcf.
umiacs. umd. edu / library / guide / GIMMSdocumentation _
NDVIg_GLCF. pdf
[38]摇 Song F鄄Q (宋富强), Kang M鄄Y (康慕谊), Yang P
(杨摇 朋), et al. Comparison and validation of
GIMMS,SPOT鄄VGT and MODIS global NDVI products
in the Loess Plateau of northern Shaanxi Province,
northwestern China. Journal of Beijing Forestry Universi鄄
ty (北京林业大学学报), 2010, 32(4): 72-80 ( in
Chinese)
[39] 摇 Gao X, Huete AR, Didan K. Multisensor comparisons
and validation of MODIS vegetation indices at the semi鄄
arid Jornada experimental range. IEEE Transactions on
Geoscience and Remote Sensing, 2003, 41: 2368-2381
[40]摇 Shen WS, Di J, Zhang H, et al. The response relation
between climate change and NDVI over the Qinghai鄄
Tibet Plateau. World Academy of Science, Engineering
and Technology 59, 2011: 2216-2222
[41]摇 Zhang B鄄Q (张宝庆), Wu P鄄T (吴普特), Zhao X鄄N
(赵西宁). Detecting and analysis of spatial and tempo鄄
ral variation of vegetation cover in the Loess Plateau dur鄄
ing 1982 -2009. Transactions of the Chinese Society of
Agricultural Engineering (农业工程学报), 2011, 27
(4): 287-293 (in Chinese)
作者简介 摇 杜加强,男,1980 年生,副研究员,博士. 主要从
事生态遥感研究. E鄄mail: dujq@ craes. org. cn
责任编辑摇 杨摇 弘
445 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 25 卷