全 文 ：中国生态农业学报 2012年 12月 第 20卷 第 12期
Chinese Journal of Eco-Agriculture, Dec. 2012, 20(12): 1657−1663


* 中国科学院战略性先导科技专项(XDA05050107-3)资助
梁守真(1979—), 男, 博士, 助理研究员, 主要从事环境遥感研究。E-mail: sz.liang@siat.ac.cn
收稿日期: 2012−04−19 接受日期: 2012−09−20
DOI: 10.3724/SP.J.1011.2012.01657
基于MODIS NDVI数据的复种指数监测*
——以环渤海地区为例
梁守真 1 马万栋 2 施 平 3,4 陈劲松 1
(1. 中国科学院深圳先进技术研究院 深圳 518055; 2. 环境保护部卫星环境应用中心 北京 100094;
3. 中国科学院烟台海岸带研究所 烟台 264003; 4. 中国科学院南海海洋研究所 广州 510301)
摘 要 复种指数反映了耕地的实际利用强度, 提高农田复种指数是区域粮食增产的重要途径之一, 因此,
监测和分析复种指数在时间和空间上的变化对粮食安全评估、农业发展规划科学决策有重要意义。NDVI 的
时间序列蕴涵着植被生长的年循环节律, 耕地 NDVI 时间序列曲线的峰值个数和耕地的种植收割次数相对应,
因此耕地的复种指数可通过分析 NDVI 时间序列曲线来获取。本研究以环渤海地区 2000—2009 年 MODIS
NDVI时间序列数据为数据源, 采用邻域比较法提取耕地 NDVI年时间序列曲线的峰值频数, 进而计算环渤海
地区 2000—2009 年的复种指数, 并对复种指数的时空变化及变化原因进行初步分析。结果显示, 在环渤海地
区, 一年两熟的耕种模式主要分布在长城以南, 长城以北基本上为一年 1 熟; 环渤海地区各省份中, 山东省具
有最高的复种指数, 辽宁省的复种指数最低; 平原地区的复种指数远高于其他地形条件下的复种指数; 区域
复种指数存在明显的年际变化, 主要是受耕地收益和农作物轮作的影响; 混合像元的存在会影响复种指数提
取结果。
关键词 环渤海地区 农田复种指数 MODIS NDVI 遥感
中图分类号: TP 79 文献标识码: A 文章编号: 1671-3990(2012)12-1657-07
Monitoring multiple cropping index using MODIS NDVI data
— A case study of Bohai Rim
LIANG Shou-Zhen1, MA Wan-Dong2, SHI Ping3,4, CHEN Jin-Song1
(1. Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China; 2. Satellite Environment
Center, Ministry of Environmental Protection, Beijing 100094, China; 3. Yantai Institute of Coastal Zone Research, Chinese Acad-
emy of Sciences, Yantai 264003, China; 4. South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou
510301, China)
Abstract Multiple cropping index (MCI), which is an index for characterizing cropping systems, reflects the degree of arable land
available for use at a certain period. It is a significant index for evaluating food production and security and making decisions on
agricultural development plans. This is especially useful for China, a country with a large population and smell per-capita arable land.
There are two methods (statistical method and remote sensing-based method) for extracting MCI. The second method usually uses
Normalized Difference Vegetation Index (NDVI) as source data. NDVI time series for the year can describe the dynamic process of
vegetation. For crop, these processes include seeding, jointing, tasseling, harvesting, and so on. Generally, the peak of NDVI time
series curves corresponds with tasseling and the lowest point corresponds with harvesting or seeding. Croplands with one crop per
year have only one peak and croplands with two crops per year have two peaks. As MCI value matches with the number of peaks of
NDVI time series, MCI is extractible from NDVI time series data. In relation to traditional statistical methods, a method based on
NDVI time series does not only reflect spatial distribution of MCI, but also easily converge to rapidly provide results. Due to cloud
contamination, however, NDVI time series from remote sensing data contain a lot of noise. NDVI data must be preprocessed to
remove or reduce noise before extracting for MCI. In this study, the SPLINE interpolation method was used to produce cloud free
time series of NDVI to avoid pseudo peaks and accurately extracts MCI from NDVI time series, although not without some
1658 中国生态农业学报 2012 第 20卷


limitations. Bohai Rim, an important production base in China, was used as the case-study area in this study. NDVI time series
derived from MODIS data were used to extract MCI. MCI for 2000—2009 was extracted and temporal and spatial changes over the
Bohai Rim were analyzed. The results showed that croplands in the Bohai Rim with two crops per year mainly occurred in the south
of the Great Wall. Other regions of the Bohai Rim were dominated by croplands with one crop per year. The highest MCI was in
Shandong Province, where the 10-year mean of MCI was 140.40%. MCI was lowest in Liaoning Province, where natural conditions
such as heat were not conducive for producing two crops per year. The 10-year means of MCI for Hebei Province, Tianjin City and
Beijing City were 129.65%, 109.52% and 106.13%, respectively. The 10-year mean of MCI for the entire Bohai Rim study area was
117.14%. MCI was also different for different topographic conditions. The mean MCI values for plain, mesa, hill and mountain
regions were 154.78%, 117.18%, 109.99% and 103.52%, respectively. In the Bohai Rim, there were obvious inter-annual variations
in MCI but with no obvious trends. The maximum MCI was in 2000, while the minimum was in 2009. Inter-annual variation in MCI
was mainly influenced by crop rotation and net income from croplands. The existence of mixed pixels affected the accuracy of the
extracted MCI based on remote sensing data.
Key words Bohai Rim, Multiple cropping index of farmland, MODIS NDVI, Remote sensing
(Received Apr. 19, 2012; accepted Sep. 20, 2012)
复种是指一年内于同一田地上连续种植两季或
两季以上的作物或一个生产年度内收获两季或多季
作物的种植方式[1]。耕地复种程度的高低, 通常用复
种指数来表示。复种指数不仅可衡量耕地资源集约
化利用的程度, 同时也是国家宏观评价耕地资源利
用基本状况的重要技术指标 [2], 其大小主要受当地
热量、土壤、水分、肥料、劳力和科学技术水平等
条件的制约。我国人均耕地面积较少, 在过去的几
十年中, 我国所生产的粮食有 1/4 来自复种指数的
提高[3]。因地制宜地提高复种指数, 是扩大作物播种
面积, 挖掘耕地利用潜力和提高农作物总产量的有
效途径。因此, 对于我们国家来说, 复种指数是一项
非常重要的农业信息, 对这一参数进行监测与分析
对国家粮食安全评估和农业发展规划科学决策有重
要的意义。
传统的耕地复种指数研究多是以行政区的统计
数据为基础, 通过对统计单位年度或 1 个时间序列数
据的分析, 得出该区域的复种指数及其年际变化[4]。数
据统计的方法简单、实用, 但是, 该方法忽略了统计
单元内部的空间异质性, 无法描述复种指数的空间
分布特征, 并且在时间上存在一定的滞后性。此外,
该方法强烈依赖于统计数据, 容易受到统计口径、
尺度和范围以及人为因素的干扰。因此, 对于空间
范围大、时效性要求高的复种指数研究, 地面数据
统计的方法难以达到要求[5]。利用遥感光谱数据计
算的植被指数可表征地表植被覆盖及生长状况, 多
个时相植被指数构成的时间序列可反映农作物的出
苗、拔节、抽穗、收获等物理过程, 这样, 遥感植被
指数序列数据可作为复种指数提取的一种数据源。
遥感具有高时效、宽范围、低成本等优势, 可清晰
地描述研究对象的空间特征, 因此, 利用遥感技术
进行复种指数监测能避免传统复种指数研究方法的
不足。
目前, 基于多时相遥感信息进行耕地复种指数
的提取已经成为一种非常普遍的研究手段。国内学
者普遍采用高时间分辨率的遥感数据作为数据源 ,
比如辜智慧[6]采用 10 d分辨率的 SPOT/VGT NDVI
时序数据, 利用交叉拟合度检验法进行了中国农作
物复种指数的提取; 范锦龙等 [7]基于时间序列谐波
分析法提取地块的复种指数, 同样采用的是 10 d分
辨率的 SPOT/VGT NDVI 数据; 而闫慧敏、左丽君
等 [8−9]分 别 利 用 NOAA/AVHRR NDVI(10 d)、
EOS/MODIS EVI(16 d)数据, 采用谐波分析的方法
进行了复种指数的提取工作; 而 Panigrahy等[10]采用
每月的 IRS LISS-1数据, 使用主成分分析结合最大
似然法分类得到印度全国的复种指数。相比于
SPOT/VGT和 NOAA/AVHRR传感器, MODIS传感
器具有更窄的红波段和近红外波段 , 计算得到的
NDVI对植被的变化更加敏感。在本研究中, 我们采
用空间分辨率为 1 km、时间分辨率为 16 d 的MODIS
NDVI时间序列数据来监测环渤海地区2000—2009年
复种指数的变化。
1 研究区概况和数据来源
本研究选择环渤海地区作为研究区域, 其行政
区域包括北京、天津、河北、辽宁、山东 3省 2市。
环渤海地区地处东亚季风气候区内, 地处中温带和
暖温带, 大部分区域为暖温带半湿润气候。环渤海
地区包括了华北平原、黄淮海平原和辽河平原, 是
中国传统农业和农耕文明的发源地之一, 也是我国
重要的粮食生产区, 主要农作物有小麦、玉米、花
生、水稻、棉花等, 耕种方式主要为一年 1 熟、一
年两熟或两年 3熟。
复种指数提取所采用的数据源为美国航空航天
第 12期 梁守真等: 基于 MODIS NDVI数据的复种指数监测 1659


局陆地过程分布式数据档案中心(NASA LPDAAC:
Land Processes Distributed Active Archive Center)提
供的 MODIS 13A2产品, 即空间分辨率为 1 km, 时
间分辨率为 16 d的 NDVI数据, 该数据集每年有 23
个时相, 以瓦片(Tile)为基本单位, 采用整数化正弦
(integerized sinusoidal)投影 , 每个瓦片的大小为
10°×10°, 全球被分为 460个瓦片, 其中陆地 326个。
该产品 NDVI 数据值的缩放尺度为 10 000, 有效值
范围为−2 000~10 000, 填充值为−3 000。耕地数据来
自国家科学数据共享工程−地球系统科学数据共享
网(www.geodata.cn)2005年 1︰25万土地覆盖遥感调
查与监测数据(图 1a), 该数据主要用来对 MODIS
NDVI 数据进行掩模 , 获取环渤海地区耕地的
MODIS NDVI 影像。此外, 为了分析不同地形条件
下耕地复种指数的差异 , 本研究采用环渤海地区
DEM计算地形起伏度, 并根据中国数字地貌分类体
系, 将地貌分为平原、台地、丘陵和山地。其中地形
起伏度小于 30 m的为平原, 30~50 m的为台地, 50~200
m的为丘陵, 起伏度在 200 m以上为山地, 结果如图
1b所示。
2 复种指数遥感提取方法
2.1 基本原理
植被指数是反映作物生长状态最为直接的指标[11]。
在所有植被指数中 , 归一化差异植被指数 (NDVI:
Normalized Difference Vegetation Index)的应用最为
广泛, 被认为是植被生长状态及植被覆盖度的最佳
指示因子。其定义为近红外和红波段反射率之差和
这两个波段反射率之和的比值(见公式 1):
NDVI NIR RED
NIR RED
R R
R R
−= + (1)
式中, NIRR 和 REDR 分别代表近红外波段和和红波段
的反射率。
MODIS NDVI产品每年有 23个时相的数据, 将
作物的 NDVI 值以时间为横坐标排列起来, 便形成
了农作物生长的 NDVI动态曲线(图 2), 该曲线直观
地反映了作物从出苗到收获整个过程的动态变化特
征。从图 2可以看出, 农作物从播种到收割, NDVI
会经历一个升高−峰值点−降低的动态过程。实行一
熟制的区域在一年之内完成一个这样的循环, 形成
明显的单峰曲线(图 2a); 实行两熟制的区域会在一
年之内完成两个这样的循环, 形成双峰曲线(图 2b);
以此类推, 三熟制的地区将完成 3 个生长周期, 形
成有 3 个明显峰的曲线。因此, 耕地的作物播种次
数就等于 NDVI 时间序列峰出现的频数, 通过探测
时间序列中峰的数目即可确定熟制。
2.2 时间序列的去噪重建
由于云、大气扰动、气溶胶、水蒸气, 冰/雪等
因素的影响, NDVI 时间序列曲线会呈锯齿状波动,
有噪声波峰出现, 不能直接用来提取峰个数, 因此
在提取复种指数信息之前, 需要消除 NDVI 时间序
列中的噪声, 重构作物生长曲线。应该说复种指数
的提取精度很大程度上取决于时间序列的去噪水
平。目前已有多种时间序列重建或去噪方法被提出,
包括时间序列谐波分析法(HANTS: Harmonic Analysis
of Time Series) [12]、SPLINE插值法[13]、Savizky-Golay
法[14]、滑动平均法[15]、中值滤波法[16]等。除 SPLINE
插值法以外, 以上其他方法都需要人为地去设置一
些参数 , 这些参数选择的好坏直接影响着去噪效
果。对于复杂的大区域来说, 参数的设置是比较困
难的, 因为大区域内环境、土地利用类型复杂, 植被
类型多样, 仅仅采用一套参数来处理整个区域的数
据显然是不够的。即使是同一套参数也要利用经验
或不停地尝试, 这样不仅花费大量的时间, 而且会
加入太多的人为因素。因此, 当对一个复杂区域的


图 1 环渤海地区 2005年农田分布(a)及地貌类型图(b)
Fig. 1 Cropland distribution (a) and geomorphology (b) in Bohai Rim in 2005
1660 中国生态农业学报 2012 第 20卷




图 2 一年 1熟(a)和一年两熟(b)种植模式农田 NDVI时间序列(2005年)
Fig. 2 NDVI time-series of farmland with one crop a year (a) and two crops a year (b) in 2005

NDVI 序列进行去噪分析时, SPLINE 插值方法应该
是一种较好的选择[17]。基于此, 本研究采用改进的
SPLINE插值法对 NDVI时间序列进行去噪重建, 主
要分为 4步: 1. 根据 MODIS Pixel Reliability文件,
确定受噪声影响的像元; 2. 计算多年不受冰雪影响
的像元均值并替代冰/雪覆盖的像元; 3. SPLINE 插
值; 4. 插值后处理, 具体内容见文献[18]。
2.3 复种指数提取
时间序列中某一时间段的峰值点可通过直接比
较法和二次差分法得到。直接比较法是在一个判断
区间内将某一时间点的 NDVI 值和前后相邻几个时
间点的值进行比较 , 如果该点是区间内的最大值 ,
并且该点之前时段的 NDVI 持续增加且该点之后时
段的 NDVI 持续降低, 那么该点便为该区间内的峰
值点; 如此反复, 可以找到耕地在年内峰值的数量
及其时间分布点。而二次差分法首先将一年内植被
指数时间序列的 N 个值按时间顺序形成数组, 用后
一时期的 NDVI值减去其前面的值, 形成 N −1个新
值, 对这 N −1个新值进行重新赋值。如果是负数则
定为−1, 如果是正数则定为 1, 然后再对新赋值的 N
−1个值按上面的方法进行一次差分, 得到 N−2个由
−2、0、2 组成的数组, 其中元素为−2且前后元素皆
为 0 的点就是峰值点。相对于二次差分法, 直接比
较法更加直观 , 并且可以直接确定峰值点的时间 ,
因此本研究采用直接比较法并通过 IDL 编程提取峰
值点。
尽管 NDVI 时序数据经过了去噪处理, 仍然会
有部分像元的 NDVI 曲线会出现异常峰, 这时如果
仅仅单纯计算峰值数目可能造成一些误差 , 因此 ,
还需要利用一定的约束条件对探测到的峰值进行取
舍。通过分析环渤海地区不同省份的作物时间曲线
并参考其他相关研究, 本研究在确定峰频数时加入
以下条件:
1) NDVI峰值须大于 0.4。
2)如果存在两个峰值, 则搜寻两个峰值之间的
谷值, 计算两个峰值和谷值之间的差值。如果差值
大于 0.2, 则认为两个峰都是合理的, 否则认为只有
1个峰。
当确定峰值个数后, 分别统计环渤海地区每个
省份中一年 1 熟和一年两熟的作物耕种面积, 然后
按照公式(2)计算各省的复种指数:

(2)

3 结果与分析
按照上述方法, 本研究提取了环渤海地区 2000
—2009 年耕地的复种指数(图 3), 并选择 10 年复种
指数的最大值, 绘制环渤海地区的 10年最大复种指
数分布图(图 4a)。从图 4a 可以看出, 在环渤海地区
实行一年两熟耕作的耕地主要分布在长城以南, 该
地区的温度和降水足以满足两季作物生长。长城以
北的耕作区为一年 1 熟。本研究得到结果与已有成
果[6−9]具有很好的一致性, 并且环渤海地区一年 1熟
和两熟的耕地分布与中国耕作制度区划几乎完全吻
合。中国耕作制度区划根据热量条件、水分、地貌
及社会经济条件、作物类型制定[19]。从行政区域上
讲, 辽宁省地处中温带, 积温只能满足一季作物的
生长 , 难以支撑两季作物生长 , 耕地为一年１熟 ;
山东省的西部和中北部, 土壤肥沃, 作物生长的基
础条件较好, 积温能满足两季作物的生长, 是我国
重要的粮食产区, 属于一年两熟耕种; 而山东省的
东部地区为丘陵地带, 水果种植面积较大, 以一年 1
第 12期 梁守真等: 基于 MODIS NDVI数据的复种指数监测 1661





图 3 环渤海地区 2000—2009年复种指数分布图
Fig. 3 Distribution maps of multiple cropping index in Bohai Rim from 2000 to 2009



图 4 2000—2009年环渤海地区最大复种指数分布图(a)和小麦价格曲线(b)
Fig. 4 Spatial distribution of max multiple cropping index (a) in Bohai Rim and the wheat price (b) from 2000 to 2009

熟为主; 河北省的中、南部的种植条件和山东西部
相似 , 但河北省南北跨纬度较大 , 北部地区的积
温只能满足一季作物生长 ; 北京和天津市的复种
指数较低, 北京、天津经济较为发达, 耕地主要种
植一年 1季的水稻和经济作物, 而非其他两熟耕作
粮食作物。
1662 中国生态农业学报 2012 第 20卷



由图 3 可以看出, 环渤海地区的复种指数存在
明显的区域和年际差异。整个环渤海地区的复种指
数 10年的平均值为 117.14%(表 1)。其中, 山东省的
复种指数最高, 平均值达到 140.40%, 其次是河北
省, 最低的行政区为辽宁省, 只有 100%, 也就是一
年 1熟, 北京和天津的复种指数也较低, 10年均值分
别为 106.13%、109.52%。在过去的 10年中, 环渤海
地区的复种指数发生了较大变化。河北省和山东省
的复种指数最大值出现在 2000年, 而北京和天津的
复种指数最大值出现在 2009年。从 2000年到 2003
年, 环渤海地区的复种指数一直在降低, 2003 年降
到了最低; 但 2004年又开始增加, 在 2005年有一个
较大的复种指数。相比 2005年, 2006年的复种指数
明显降低, 但此后缓慢增加。河北省和山东省的复
种指数变化趋势和区域平均值趋势较为一致, 辽宁
省复种指数没有发生变化。
不同地形条件下, 复种指数也存在差异。考虑
到一熟带内, 任何地形条件下的复种指数都是相同
的, 因此本研究仅仅统计两熟带内不同地形条件下
复种指数差异。在两熟带内, 平原地区的复种指数
10年的平均值为 154.78%, 台地为 117.18%, 丘陵和
山地分别为 109.99%、103.52%。由此可见, 平原地
区的复种指数远高于台地、丘陵和山地, 随着地形
起伏度加大, 复种指数依次降低。
复种指数的变化主要受自然状况和农村社会经
济状况的影响[8]。在短时间内, 自然条件通常不会发
生剧烈的变化, 因此, 环渤海地区复种指数的年际
变化应该不是自然条件变动所致, 而可能主要取决
于耕地的收益状况和轮作。对环渤海地区两熟带区
域来说, 种植两季作物的耕地, 第 1 季作物往往都
是冬小麦, 因此, 本研究从小麦的价格角度来进行分
析。根据 2000—2009年小麦价格曲线(图 4b), 2000—
2003 年, 我国粮食作物价格一直比较低, 因此种植
粮食作物的收益较低, 导致农民种粮的积极性不高,
而更倾向于经济价值更高的作物。经济作物通常是
1 季, 因此这可能是导致该段时间内复种指数一直
降低的原因。2004年国家开始对种粮农民实施粮食
直补, 农民的种粮积极性有所提高, 这时复种指数
开始增加。但 2005 年和 2006 年小麦价格走低, 影
响了农民种植小麦的积极性, 这可能是 2006年冬小
麦播种面积减少、复种指数下降的原因。2006年后,
随着小麦价格的提高, 复种指数开始缓慢回升。此
外, 耕地的轮作也是导致复种指数年际变化的原因
之一。
4 结论
复种指数反映了水、土、光与自然资源利用程
度的指标 , 复种指数大 , 说明耕地利用程度高 , 反
之, 复种指数小, 说明耕地利用程度低。复种指数受
自然条件和农村社会状况的影响处于不断变化之
中。经过去噪重建的 NDVI 时间序列可以反映耕地
的熟制特征, 峰值的个数就等于耕地的复种指数。
本研究采用峰值法提取了环渤海地区在 2000—2009
年的复种指数, 发现一年两熟耕地主要在长城以南,
长城以北基本上为一年 1 熟; 环渤海地区复种指数
存在明显的年际变化, 主要是受耕地作物轮作和耕
地经济效益的影响。
由于缺乏实地调查数据, 本文没有对遥感提取
的复种指数进行精确验证。遥感提取复种指数的最
大不确定性主要来自于混合像元的影响。中国农业
属于典型的小农式耕作, 耕地植被复杂多样且在地
表呈不规则分布, 尤其是在山地、丘陵地带, 较少出
现大面积、类型一致的农业作物, 而遥感影像是由
规则的、等大小的栅格构成且本研究采用的遥感

表 1 环渤海地区不同省市 2000—2009年复种指数
Table 1 Multiple cropping indexes of different provinces (cities) in Bohai Rim from 2000 to 2009 %
年份 Year 北京 Beijing 天津 Tianjin 河北 Hebei 辽宁 Liaoning 山东 Shandong 环渤海区 Bohai Rim
2000 112.53 113.56 140.11 100.00 155.92 124.42
2001 109.93 114.35 133.56 100.00 147.61 121.09
2002 106.21 117.07 135.04 100.00 143.54 120.37
2003 102.73 104.77 126.89 100.00 128.05 112.49
2004 101.62 104.95 124.29 100.00 135.93 113.36
2005 108.16 110.32 135.70 100.00 150.72 120.98
2006 102.45 104.11 125.24 100.00 132.13 112.79
2007 101.25 107.46 120.39 100.00 134.83 112.79
2008 101.66 102.02 125.35 100.00 138.01 113.41
2009 114.78 116.60 129.93 100.00 137.21 119.70
平均值 Average 106.13 109.52 129.65 100.00 140.40 117.14
第 12期 梁守真等: 基于 MODIS NDVI数据的复种指数监测 1663



数据分辨率较低, 因此, 遥感数据所记录的是不同
地表覆盖的混合光谱信息, 每个像元包含了不同的
地物。混合像元的存在会导致提取的复种指数存在
一定误差。

致谢 特别感谢NASA LPDAAC提供MODIS NDVI
数据; 感谢国家科学数据共享工程—— 地球系统科
学数据共享网提供环渤海地区土地覆盖数据。
参考文献
[1] 王宏广. 中国耕作制度 70 年[M]. 北京: 中国农业出版社,
2005
[2] 卞新民 , 冯金侠 . 多元多熟种植制度复种指数计算方法探
讨[J]. 南京农业大学学报, 1999, 22(1): 11–15
[3] 郭柏林. 我国复种指数变化特征、效益和潜力[J]. 经济地理,
1997, 17(3): 8–13
[4] 梁书民 . 我国各地区复种发展潜力与复种行为研究[J]. 农
业经济问题, 2007, 28(5): 85–90
[5] 唐鹏钦, 姚艳敏, 吴文斌, 等. 基于遥感技术的耕地复种指
数研究进展[J]. 中国农业资源与区划, 2010, 31(2): 21–27
[6] 辜智慧 . 中国农作物复种指数的遥感估算方法研究——基
于 SPOT/VGT多时相NDVI 遥感数据[D]. 北京: 北京师范
大学, 2003
[7] 范锦龙 , 吴炳方 . 复种指数遥感监测方法 [J]. 遥感学报 ,
2004, 8(6): 628–636
[8] 闫慧敏, 曹明奎, 刘纪远, 等. 基于多时相遥感信息的中国
农业种植制度空间格局研究[J]. 农业工程学报, 2005, 21(4):
85–90
[9] 左丽君, 董婷婷, 汪潇, 等. 基于 MODIS/EVI 的中国北方
耕地复种指数提取[J]. 农业工程学报, 2009, 25(8): 141–146
[10] Panigrahy S, Manjunath K R, Ray S S. Deriving cropping
system performance indices using remote sensing data and
GIS[J]. International Journal of Remote Sensing, 2005,
26(12): 2595–2606
[11] Reed B C, Brown J F, Vander Z D. Variability of land cover
phenology in the United States[J]. Journal of Vegetation Sci-
ence, 1994, 5(5): 703–714
[12] Roerink G J, Menenti M, Verhoef W. Reconstructing cloud-
free NDVI composites using Fourier analysis of time series[J].
International Journal of Remote Sensing, 2000, 21(9):
1911–1917
[13] Mucher C A, de Badts E P J. Global Land Cover 2000: Evalua-
tion of the SPOT VEGTATION sensor for land use mapping[R].
Wageningen: Alterra, Green World Research, 2002
[14] Chen J, Jönsson P, Tamura M, et al. A simple method for re-
constructing a high-quality NDVI time-series dataset based on
the Savitzky-Golay filter[J]. Remote Sensing of Environment,
2004, 91(3/4): 332–344
[15] Tao F, Yokozawa M, Zhang Z, et al. Land surface phenology
dynamics and climate variations in the North East China
Transect (NECT), 1982—2000[J]. International Journal of
Remote Sensing, 2008, 29(19): 5461–5478
[16] Kogan F, Sullivan J, Carry R, et al. Post-Pinatubo vegetation
index in central Africa[J]. Geocarto International, 1994, 9(3):
63–66
[17] 梁守真, 施平, 邢前国. MODIS NDVI时间序列数据的去云
算法比较[J]. 国土资源遥感, 2011, 22(1): 33–36
[18] 梁守真. 环渤海地区植被时空变化及其与气候因子关系分
析[D]. 烟台: 中国科学院烟台海岸带研究所, 2011
[19] 刘巽浩 . 中国耕作制度 [M]. 北京 : 农业出版社 , 1993:
12–15