植被物候特征的遙感提取與農業應用綜述*

李正國，唐華俊，楊 鵬，吳文斌，陳仲新，周清波，張 莉，鄒金秋

(1.農業部資源遙感與數字農業重點開放實驗室，北京 100081;2.中國農業科學研究院農業資源與農業區劃研究所，北京 100081)

物候是指植被受環境 (氣候、水文、土壤)影響而出現的以年為準周期的自然現象，包括樹木花草的發芽、展葉、抽穗及秋季的葉變色和脫落等［1］。植被物候數據是重要的生態信息，它不僅是植被監測、生態系統管理、農業區劃、配置與決策等的重要依據，同時也是全球氣候變化研究的重要問題［2～3］。植被物候特征不僅與氣候變化緊密聯系，還與下墊面的植被/作物類型相關。在全球變化背景下，植被物候期及其空間分布格局會出現調整，進而影響到植被區劃和區域整體生物生產的數量與質量［4～6］。

近20年來，在全球氣候變化與植被生態系統的研究中，科學家利用基于遙感數據的多年光譜植被指數 (Spectral Vegetation Index，SVI)開展了大量全球植被活動變化的相關研究［7］。研究結果表明，從植被對氣候的適應性與反饋作用的角度，監測長時間序列植被活動的年際變化特征是理解和模擬陸地生態系統動態變化特征的重要手段，同時也提供關于生物氣候區域空間分布的轉變以及大尺度循環模式或土地利用變化的變異信息［8～10］。研究者同時也指出，通過年內植被物候特征的相關研究，可進一步加強對全球和區域尺度上地表覆蓋的結構和功能特征的分析能力，增進對全球物質與能量循環變化的了解［11-13］。此外，理解和弄清與作物相關的農業物候動態變化機理機制有助于農業生產農事活動的科學調整和有效管理，制定和完善應對氣候變化的人類響應和適應對策，規避各種風險和沖擊，減小農業生產的脆弱性和不穩定性。該文通過文獻整理，從基本原理、數據處理方法、物候特征提取等方面系統綜述了植被物候遙感提取的研究進展及其在農業領域的相關應用，以期為進一步提升植被物候特征的研究與應用水平提供科學參考。

1 基本遙感原理

植被物候監測主要是發現植被在形態上發生顯著變化所對應的日期，及從恢復生長到凋零所經歷的生長期長度［14］。植被物候信息可以通過野外觀測法、積溫法以及遙感法等多種途徑確定。從衛星遙感數據提取植被物候信息的主要假設就是信號特征與植被的測量值具有關聯性。基于此，植被覆蓋地物對應的NDVI序列具有年內增長和衰落的季節變化特征，而另一些地表覆蓋類型如沙漠和水體卻沒有上述特征，因此，上述覆蓋地物在研究中需予以剔除。另外，盡管大多數植被覆蓋地區均具有清晰的生長和衰落周期變化的季節特征，但時間序列的形態卻可能由于生物—氣候地帶的差異而發生顯著的變異。在某些區域時間序列可能是簡單的，可以用正弦函數來擬合;但在另外一些區域，尤其是對于干旱地區的NDVI序列卻通常無法擬合［15～17］。

利用遙感數據序列提取物候期特征的常用方法是NDVI閾值法，即根據預先定義的NDVI參考值來確定典型物候期。該方法操作簡單，適宜于小區域的物候研究，但由于不同區域和不同植物類型的NDVI值存在顯著差異，確定適合大尺度物候期提取的單一NDVI閾值是不可行的。有學者依據作物生長過程線的時間特征，提出利用生長曲線最大上升或下降速率來確定作物生長過程的轉折點，以此反映作物出苗期和成熟期［15］。該方法能有效反映作物生長歷程的差異，但存在計算過程復雜，計算結果精度受時間分辨率影響大等缺陷，較難應用于大區域物候期特征提取。動態閾值法在此基礎上通過考慮NDVI季節變化幅度，實現了像元尺度閾值的動態設定，一定程度上消除了土壤背景值和植被類型的影響［16～17］。總體而言，從多時相遙感影像中獲取的NDVI數據，經函數擬合方法重構后可以較為準確地反映植物的生長發育過程，適合大范圍、快速監測植被的關鍵物候期。

2 常用的NDVI標準數據集

在眾多的SVI中，歸一化差值植被指數 (Normalized Difference Vegetation Index，NDVI)是目前最常用的植被活動表征指標［18］。相關研究表明，NDVI和吸收光合有效輻射比例系數 (Photosynthetically Active Radiation Absorbed by the Vegetation Canopy，FPAR)、凈初級生產率 (Net Primary Production，NPP)、葉面積指數、生物量、覆蓋度等植被生物物理特征高度相關［19～22］。土壤調整植被指數 (Soil Adjusted Vegetation Index，SAVI)［23］、季節/時間綜合歸一化差值植被指數 (Seasonally/TIME Integrated NDVI，SINDVI/TINDVI)［24～26］和增強植被指數 (Enhanced Vegetation Index，EVI)［23］也是常用指標之一。許多國際組織和機構都制定了全球衛星數據接收、處理和生成NDVI數據集的計劃。

目前最常用的長時間系列植被動態變化研究的數據源主要包括NOAA/AVHRR-NDVI，SPOT/VGTNDVI以及MODIS-NDVI等［18］。具體標準數據集包括 (1)地球資源觀測系統數據中心 (Earth Resources Observation Systems Data Center，EDC)的10天最大化合成的全球1km的AVHRR數據集，起止時間為1992年4月至1993年9月和1995年2月至1996年1月以及1996年5月［27］。(2)LP-DAAC的Pathfinder AVHRR Land(PAL)數據集，提供從1981年7月到2001年9月的8km和1°兩種分辨率的10天最大化全球AVHRR數據下載，當前使用的PAL數據集采用NASA1994年處理方案，為PAL I［28］，1999年NASA發展了改進的AVHRR資料預處理方案，為PAL II［29］，比較表明PALII比PALI有較高精度的大氣糾正和較小時間梯度波動。(3)美國國家航空航天局戈達德航天中心 (Goddard Space Flight Center，GSFC)全球監測與模型研究組 (Global Inventor Modeling and Mapping Studies，GIMMS)制作了1982～2006年15天最大化合成的8km AVHRR數據集［30～31］。(4)NDVI逐月數據集 (版本3)，在PALI和GIMMS數據集的基礎上校正了由于軌道漂移、NOAA衛星交替以及大規模火山爆發 (例如1991年7月Pinatubo火山爆發)引起的氣溶膠變化等產生的噪音［32～33］。該數據集包括16km和0.5°的兩種空間分辨率的全球逐月NDVI、LAI和FPAR數據資源。(5)由歐洲聯盟委員會贊助的VEGETATION傳感器從1998年4月開始接收用于全球植被覆蓋觀測的SPOT-VGT數據，該數據由比利時佛萊芒技術研究所 (Flemish Institute for Technological Research，Vito)VEGETATION影像處理中心負責預處理成逐日1km全球數據，可以免費申請10天最大化合成 (S10)的1km數據，2002年5月4日成功發射的SPOT 5使該資料可以生成13年的全球植被覆蓋監測數據集［34］。(6)由美國國家航空航天局提供的2000年以來標準MODIS-NDVI/EVI(MOD13)數據產品，能夠有效反映地表植被的生物物理/生物化學狀態和過程。通過分別接收由Terra和Aqua衛星搭載的MODIS傳感器發回的數據，目前能夠提供滿足研究和應用需求的涵蓋全球、8/16天周期、多空間分辨率的植被指數產品 (250m，1km和0.05°)，該數據集通過對像元的可靠性評級保證了產品的精度要求，整體不確定性小于0.015個像元［35］。

3 時序遙感數據的處理方法

年內植被覆蓋季節變化通常是漸變的，對應的NDVI時間曲線應該是連續且光滑的。然而基于遙感的NDVI數據序列由于受到傳感器干擾，殘余幾何偏差，云層，水蒸氣，氣溶膠，地表散射和云層陰影的影響［36～40］，導致曲線經常出現不規則的波動。為了削減數據噪聲，通過對逐日數據進行最大值合成處理和云探測識別處理［41～42］，可以有效削減由于云層干擾和大氣組分造成的負向誤差，然而，殘余的大氣噪聲以及由于地表散射等因素造成的誤差仍然存在［17］。

為了減少數據噪聲水平和構建高質量NDVI時間序列數據，需要對原始數據進行平滑處理。按處理方法的原理主要可以分為3類［43］。第一類是針對NDVI曲線特征的簡單閾值去除方法，具體包括最優指標斜率提取法 (Best Index Slope Extraction，BISE)［44］，修正BISE濾波方法［45］;第二類是基于濾波的平滑方法，如Savitzky-Golay濾波方法［46］、小波變換［47］和傅立葉變換方法［48］;第三類是非線性擬合方法，包括Logistic函數擬合方法［49］和非對稱性高斯函數擬合法［17］。

從數據處理效果對比來看，基于傅立葉變換或基于正弦函數的最小二乘擬合方法能很好地應用于具有明顯植被生長與衰落等季節特征的數據序列［50～52］，而對于季節特征不明顯的序列則存在較大的不確定性;濾波方法實現較為簡單，能較好地反映數據序列的局部變化特征，但其假定數據誤差皆為負向偏差的前提條件并不能完全保證［53］。吳文斌等 (2009)選擇中國為研究區域，指出Savitzky-Golay濾波法和非對稱性高斯函數法擬合效果一致，但存在區域差異性［54］。

4 植被物候特征的提取方法

經過平滑處理的NDVI時間序列曲線可以反映植被生長的年內動態變化特征，因此，可以根據NDVI時間序列曲線提取得到植被物候信息，如植被生長的開始期、高峰期和結束期等。在簡單閾值法基礎上，J?nsson等 (2002)提出了動態閾值法，其改進之處在于通過考慮了NDVI季節變化幅度，實現在像元尺度上閾值的動態設定，從而一定程度上消除了土壤背景值和植被類型的影響［17］。具體操作中依據植被生長過程曲線的變化特征，對于植被恢復點定義為曲線初始階段上升速率急劇增加處，具體日期可確定為NDVI擬合曲線的左側基底值或最小值增長到某一水平 (例如整體增幅的10%)所對應的日期;類似地，可以確定相應地生長季衰落點;生長季長度則為恢復點至衰落點的時間間距;生長季的峰值點定義為曲線上升的極限處所對應的日期;植被生長的最佳階段則定義為左側增幅比例達90%的時間點與右側對稱點之間的間隔，以此作為生長鼎盛期 (表1)。目前，該方法已經應用于全球很多區域，取得了較好的應用結果，如Beck等 (2006)利用25%的閾值監測了北半球高緯度的芬諾斯坎底亞半島的植被物候變化［55］，Heumann等 (2007)利用20%的閾值研究了非洲大陸撒哈拉和蘇丹區域的植被物候變化特征［56］。國內學者采用類似閾值對我國［57］，華北地區［58～59］、東北地區［60］以及整個溫帶區域［61］進行了植被物候變化研究。

在確定關鍵植被物候期的同時，還可以進一步計算與植被生產量、生長速度以及季節變化模式等相關的植被物候特征值。首先，基于NDVI與光合有效吸收輻射 (FPAR)的關系，可采用年內NDVI累積值估算凈第一性生產力［62～63］。為更好地估測植被在生長季內的生產量，通常計算生長期內的NDVI累積總量或增量。其他植被特征值還包括擬合最大值、變化幅度、恢復與衰落的速率等，其中恢復速率指植被在生長季開始點至頂點期間的NDVI增長速率，在理論上該指標與植被生長特征有關。另一個重要物候特征值是不對稱性，通常采用生長季的成長期與衰落期的比值來表征。不對稱性值較低意味著植被具有快速成長和緩慢衰落的生長特點，與之對應，不對稱性值較高則表示緩慢生長和快速衰敗，往往對應具有收獲行為的農業種植區。

表1 基于NDVI序列的植被物候特征定義及其農業涵義

5 農業領域的相關應用

在文獻綜述基礎上，文章從基本原理、數據源、預處理方法、物候特征提取方法等方面構建了多時相遙感數據在植被物候研究中的技術流程 (圖1)。具體流程中包括利用多源多時相遙感數據構建區域NDVI時序數據集;比較SG濾波法、HANTS變換、Logistic函數和不對稱高斯函數擬合法等時序數據平滑處理方法，選擇最適合的數據重構方法;對平滑處理的NDVI時序數據采用動態閾值方法或曲率求導方法，提取作物物候期與種植制度信息。以下分別綜述了作物關鍵物候期、耕地種植制度和作物估產等領域的相關研究進展。

5.1 確定作物的關鍵物候期

作物物候期特征是重要的農業信息，是農業生產、田間管理、計劃決策等的重要依據，也是作物模擬模型的重要參數［15］。作物物候期監測主要是發現作物在形態上發生顯著變化所對應的日期，及從出苗到收獲所經歷的生長期時間。作物物候期信息可以通過田間觀測法、積溫法和遙感法等多種途徑獲得。但田間觀測法需大量人力和物力，且周期長，覆蓋面小;積溫法需獲取播期、品種、日溫度以及該品種達到某一生育時期所需的熱量單位，應用較為困難;遙感提取則無上述缺點，且適合大范圍、快速監測作物的關鍵物候期［64］。時間序列的NDVI值蘊涵著植被的生長和枯萎的年循環節律，經時間序列函數擬合方法重構的NDVI曲線，可以準確地反映農作物的出苗、拔節、抽穗、收獲等物理過程。對于農作物而言，依據作物生長過程線的時間特征，一年一熟作物出苗期 (或返青期)定義為擬合曲線初始階段的恢復點;抽穗期對應為擬合曲線的峰值點;收獲期為曲線下降階段的凋零點。對于上升速率和下降速率可以采用恢復速率和凋零速率表征 (表1)。而對于一年兩熟和多熟作物則比較復雜，需依據輪作規律分作物、分時段進行識別分析。

國外最早利用NOAA/AVHRR數據進行大面積作物物候期監測是Gallo和Flesch(1989)利用周合成差值植被指數估測玉米吐絲期［65］。國內的王延頤等 (1990)采用空間分辨率為15km的GVI數據監測江蘇省冬小麥和水稻一年兩熟輪作體系的6個生育期［66］。辛景峰等 (2001)利用10天合成的NOAA/AVHRR數據集監測華北平原冬小麥—夏玉米輪作體系中的6個關鍵物候期［15］。侯英雨等 (2002)采用最小二乘法對時間序列NDVI曲線進行平滑，認為NDVI曲線最低點是返青初始期，最高點是抽穗初期［67］。吳文斌等 (2009)利用相同NDVI時間序列數據監測我國耕地生長季開始期的時空變化［57］，楊浩等(2011)利用HJ-1A/1B CCD影像精準提取了雙季稻的關鍵生育期［68］。上述研究反映了時序NDVI數據可用于監測作物物候期及其變化。

5.2 判別耕地種植制度

耕地種植制度反映了區域內水分、土壤與日照等自然氣候條件的綜合作用，其實質是作物對耕地的利用程度。我國地域遼闊，作物種植制度復雜多樣，現有的種植制度變化研究都是基于統計數據中行政區劃單元的估值，該方法忽略了各統計單元內部的空間異質性，因此不能準確描述種植制度的空間特征，另一方面數據獲取存在一定的滯后性。

圖1 研究框架與技術路線

聯系種植制度與時間序列NDVI曲線的紐帶是農作物年內的循環規律。時間序列的NDVI值蘊涵著植被生長和枯萎的年循環節律，從一年內同一地塊作物種植的次數考慮，種植制度實際上就等于時間序列NDVI峰值的頻數。其中一年一季作物的NDVI在一年內形成明顯的單峰曲線，一年兩季作物的NDVI形成雙峰曲線，一年三季作物的NDVI形成三峰曲線，裸地的NDVI形成較平直的曲線。從上述典型的時間序列NDVI曲線的周期變化特征，可以獲取種植制度信息，為計算耕地復種指數提供重要支持。

國內的范錦龍和吳炳方 (2004)選擇了SPOT/VGT的旬合成NDVI數據，利用HANTS方法，提取了1999～2002期間全國范圍內的復種指數，研究結果與農業統計資料具有較好的一致性［69］。閆慧敏等(2005)利用8km×8km的15天合成NOAA/AVHRR遙感觀測數據構建1981～2000年作物生長曲線，用峰值特征點檢測法提取全國尺度的復種指數，分析了20年來全國農田復種指數變化的時空格局［48］。李正國等 (2009)和吳文斌等 (2009)分別利用SPOT/VGT-NDVI和AVHRR-NDVI時間序列數據監測華北地區農田的種植制度空間格局［58，59］，研究表明時序NDVI數據可以在大尺度監測我國農田種植制度方面發揮重要作用。

5.3 提高遙感作物估產精度

作物產量是單位面積產量和總種植面積的乘積，植物物候特征可以從兩方面提高作物遙感估產的精度。首先，時間序列NDVI可以獲取NDVI平均值、NDVI最大值、年NDVI累積值、NDVI最大值出現日期以及生長季長度等指標，通過上述指標可以提高作物類型的識別能力，從而獲得更精確的作物種植面積;其次，作物物候特征描述了作物從種植到收獲整個生長期的變化情況，從而可以更好地評估作物長勢［70］。

利用NDVI時間序列數據可以提取反映植被或作物生產力的指標。其中NDVI累積量是重要的生物產量估算指標之一。Hill和Donald(2003)基于1991～1999年間AVHRR-NDVI時間序列提取了澳大利亞西部地區的作物物候特征，研究結果表明，生長季NDVI累積量對于降雨量低于600 mm的行政單元以及降雨與農作物產量高度相關年份的農作物生產力表現最為敏感［71］。Dalezios等 (2001)基于AVHRRNDVI進行棉花產量估計，研究主要討論了基于NDVI數據應用衰退模型進行作物產量監測的可行性，結果表明NDVI時間序列可以監測棉花產量的年際變化［72］。因此，通過標準化NDVI時間序列數據提取的相關指標可以提高作物估產的精度。

6 結語

相關研究充分表明，基于NDVI擬合曲線提取的植被物候特征能廣泛應用于農業領域，包括更好地反映區域尺度上植被物候特征/種植制度的宏觀時空分異，同時也能提高作物遙感估產的精度。此外，空間網格化的物候特征分析結果還可為研究植被生長過程對外界環境條件變化的時空響應提供重要的數據支持。盡管遙感數據在植被物候動態變化研究發揮了重要作用，但也存在如下亟待解決問題，需要進一步深入研究。

(1)在努力研制和改進數據處理方法本身的同時，有待進一步對NDVI序列重構過程涉及的擬合方法進行選擇和評價，如Savitzky-Golay濾波法、Logistic函數擬合法以及非對稱性高斯函數擬合法，有利于弄清不同方法的優缺點和區域適宜性，提高植被物候信息的反演結果精度。

(2)基于多時相遙感信息監測耕地物候具有一定的復雜性和特殊性。不同于草原、灌叢和森林等自然植被在年內完成一個生長過程，耕地由于受人類活動影響大和多熟種植制度的存在，很多區域的耕地在年內完成兩個或多個生長周期，其物候期變化較快。此外，物候特征提取的參數設置也有待優化，目前難點主要在于如何精確地定義或找到合適的峰值和谷值點分布，這對于某些季節變化不明顯的區域尤為困難。因此，耕地物候信息提取過程涉及的參數設置，如生長季起始/結束的閾值設置還有待與不同作物類型的物候觀測記錄作進一步匹配。

(3)利用長時間NDVI序列提取植被物候特征的宏觀時空格局，相對于傳統基于農業氣象觀測資料的物候期研究，其改進之處在于能提供更具體的局部區域植被物候特征變化信息，但在區分氣候波動和人為選擇造成的植被物候期變動研究方面仍有待進一步深化。影響耕地物候變化的因素有很多，以往的物候變化機制研究多側重于氣候變化因子的分析，但對人類活動 (作物品種、耕作水平、灌溉、施肥和農藥等)對耕地物候變化的影響研究尚顯不足，沒有弄清楚兩者的因果關系和具體機理機制。

［1］陸佩玲，于強，賀慶棠.植物物候對氣候變化的響應.生態學報，2006，26，(3):921～929

［2］Penuelas J.，Filella I.Responses to a warming world.Science，2001，294:793 ～794

［3］方修琦，余衛紅.物候對全球變暖的研究綜述.地球科學進展，2002，17，(5):714～719

［4］林而達，許吟隆，蔣金荷，等.氣候變化國家評估報告 (II):氣候變化的影響與適應.氣候變化研究進展，2006，2，(2):51～56

［5］吳文斌，楊鵬，唐華俊，等.一種新的糧食安全評價方法研究.中國農業資源與區劃，2010，31，(1):16～21

［6］IPCC.Climate Change:Impacts，Adaptation and Vulnerability，Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge University Press，Cambridge，UK，2007

［7］馬明國，王建，王雪梅.基于遙感的植被年際變化及其與氣候關系研究進展.遙感學報，2006，10，(3):421～431

［8］Running S.W.，Nemani R.R.Relating seasonal patterns of the AVHRR vegetation index to simulated photosynthesis and transpiration of forests in different climates.Remote Sensing of Environment，1988，24:347 ～367

［9］Sellers P.J.，Dickinson R.E.，Randall D.A.，et al.Modeling the exchanges of energy，water，and carbon between continents and the atmosphere.Science，1997，275:502 ～509

［10］Rosenqvist A.，Imhoff M.，Milne A.，et al.Remote sensing and the kyoto protocol—A workshop summary.International Archives of Photogrammetry and Remote Sensing，2000，33:1278～1285

［11］Malingreau J.P.Global vegetation dynamics:Satellite observations over Asia.International Journal of Remote Sensing，1986，7:1121 ～1146

［12］Townshend J.R.G.，Justice C.O.Analysis of the dynamics of African vegetation using the normalized difference vegetation index.International Journal of Remote Sensing，1986，7，1435～1445

［13］Tucker C.J.，Justice C.O.，Prince S.D.Monitoring the grasslands of the Sahel 1984 – 1985，International Journal of Remote Sensing，1986，7，1571～1581

［14］張峰，吳炳方，劉成林，等.利用時序植被指數監測作物物候的方法研究.農業工程學報，2004，20(1):155～159

［15］辛景峰，宇振榮，Driessen P.M.利用NOAA NDVI數據集監測冬小麥生育期的研究.遙感學報，2001，6，(5):442～447

［16］Reed B.C.，Brown J.F.，Vander Z.D.Variability of land cover phenology in the United States.Journal of Vegetation Science，1994，5:703～714

［17］J?nsson P.，Eklundh L.Seasonality extraction by function fitting to time-series of satellite sensor data.IEEE Transactions on Geoscience and Remote Sensing，2002，40:1824～1932

［18］Stow D.，Hope A.，McGuire D.，et al.Remote sensing of vegetation and land cover change in Arctic tundra ecosystems.Remote Sensing of Environment，2004，89:281 ～308

［19］Asrar G.，Fuchs M.，Kanemasu E.，et al.Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat.Agronomy Journal，1984，76:300 ～306

［20］Goward S，Tucker C，Dye D.North American vegetation patterns observed with the NOAA-7 Advanced Very High Resolution Radiometer.Vegetation，1985，64:3～14

［21］Baret F.，Guyot G.Potentials and limits of vegetation indices for LA I and APAR assessment.Remote Sensing of Environment，1991，35:161～173

［22］Veroustraete F.，Sabbe H.，Erens H.Estimation of carbon mass fluxes over Europe using the C-Fix model and Eruflux data.Remote Sensing of Environment，2002，83:376 ～399

［23］Ferreira L.，Huete A.Assessing the seasonal dynamics of the Brazilian Cerrado vegetation through the use of spectral vegetation indices.International Journal of Remote Sensing，2004，25，(10):1837～1860

［24］Yang L.，Wylie B.，Tieszen L.，et al.An analysis of relationships among climate forcing and time-integrated NDVI of grasslands over the US northern and central great plains.Remote Sensing of Environment，1998，65:25 ～37

［25］Hope A.，Boynton W.，Stow D.，et al.Interannual growth dynamics of vegetation in the Kuparuk river watershed based on the normalized difference vegetation index.International Journal of Remote Sensing，2003，24，(17):3413～3425

［26］Stow D.，Daeschner S.，Hope A.，et al.Variability of the seasonally integrated normalized difference vegetation index across the north slope of Alaska in the 1990s.International Journal of Remote Sensing，2003，24，(5):1111～1117

［27］Eidenshink J.，Faudeen J.The 1 km AVHRR global land data set:first stages in implementation.International Journal of Remote Sensing，1994，15，(17):3443～3462

［28］James M.，Kalluri S.The pathfinder AVHRR land data set:an improved coarse-resolution data set for terrestrial monitoring.International Journal of Remote Sensing，1994，15，(17):3347～3364

［29］Ouaidrari H.，Saleous N.，Vermote，et al.AVHRR land pathfinder II(PAL II)data set:evaluation and inter-comparison other data set.International Journal of Remote Sensing，2003，24，(1):135～142

［30］Los S.，Justice C.，Tucker C.A global 1 degree by 1 degree NDVI data set for climate studies derived from the GIMMS continental NDVI.International Journal of Remote Sensing，1994，15，(17):3493～3518

［31］Vermote E.，Saleous E.，Kaufman Y.，et al.Stratospheric aerosol perturbing effect on remote sensing of vegetation:operational method for the correction of AVHRR composite NDVI.Proceeding of SPIE.1994，23，(11):19 ～29

［32］Sudipta S.，Menas K.Interannual variability of vegetation over the Indian sub-continent and its relation to the different meteorological parameters.Remote Sensing of Environment，2004，90:268 ～280

［33］Nemani R.，Keeling C.，Hashimoto H.，et al.Climate-driven increases in global terrestrial net primary production from 1982 to 1999.Science，2003，300:1560～1563

［34］Maisongrande P.，Duchemin B.，Dedieu G.VEGETATION/SPOT:an operational mission for the earth monitoring;presentation of new standard products.International Journal of Remote Sensing，2004，25，(1):9～14

［35］Christopher J.，John T.Special issue on the Moderate Resolution Imaging Spectroradiometer(MODIS):a new generation of land surface monitoring.Remote Sensing of Environment，2002，83:1 ～2

［36］Holben B.Characteristics of maximum value composite images from temporal AVHRR data.International Journal of Remote Sensing，1986，7，(11):1417～1434

［37］Kaufmann R.，Zhou L.，Knyazikhin Y.，et al.Effect of orbital drift and sensor changes on the time series of AVHRR vegetation index data.IEEE Transactions on Geoscience and Remote Sensing，2000，38(6):2584～2597

［38］Zhou L.，Tucker C.J.，Kaufmann R.K.Variations in Northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999.Journal of Geophysical Research-Atmospheres，2001，106(D17):20069～ 20083

［39］Prince S.D.，Goward S.N.Evaluation of the NOAA/NASA pathfinder AVHRR land data set for global primary production modeling.International Journal of Remote Sensing，1996，17:217～221

［40］Gutman G.G.Vegetation indices from AVHRR:An update and future prospects.Remote Sensing of Environment，1991，35:121 ～136

［41］Tanré D.，Holben B.N.，Kaufman Y.J.Atmospheric correction algorithm for NOAA AVHRR products:Theory and application.IEEE Transactions on Geoscience and Remote Sensing，1992，30:231～248

［42］Simpson J.J.，Stitt J.R.A procedure for the detection and removal of cloud shadow from AVHRR data over land.IEEE Transactions on Geoscience and Remote Sensing，1998，36:880～897

［43］顧娟，李新，黃春林.NDVI時間序列數據重建方法述評.遙感技術與應用，2006，21，(4):391～395

［44］Viovy N.，Arino O.，Belward A.S.The best index slope extraction(BISE):A method for reducing noise in NVDI time-series.International Journal of Remote sensing，1992，13:1585～1590

［45］Lovell J.L.，Graetz R.D.Filtering pathfinder AVHRR land NDVI data for Australia.International Journal of Remote sensing，2001，22:2649～2654

［46］Chen J.，J?nsson P.，Tamura M.，Gu Z.，et al.A simple method for reconstructing a high-quality NDVI Time-series data set based on the Savitzky-Golay Filter.Remote sensing of Environment，2004，91:332 ～344

［47］Sakamoto T.，Van Nguyen N.，Ohno H.，et al.Spatio-temporal distribution of rice phenology and cropping systems in the Mekong Delta with special reference to the seasonal water flow of the Mekong and Bassac River.Remote sensing of Environment，2006，100，(1):1 ～16

［48］閆慧敏，曹明奎，劉紀遠，等.基于多時相遙感信息的中國農業種植制度空間格局研究.農業工程學報，2005，2l，(4):85～90

［49］Zhang X.，Friedl M.A.，Schaaf C.B.，et al.Monitoring vegetation phenology using MODIS.Remote Sensing of Environment，2003，84:471～475

［50］Sellers P.J.，Tucker C.J.，Collatz G.J.，et al.A global 1°×1°NDVI data set for climate studies—Part II:The generation of global fields of terrestrial biophysical parameters from the NDVI.International Journal of Remote sensing，1994，15:3519 ～3545

［51］Cihlar J.Identification of contaminated pixels in AVHRR composite images for studies of land biosphere.Remote Sensing of Environment，1996，56:149～153

［52］Roerink G.J.，Menenti M.，Verhoef W.Reconstructing cloud free NDVI composites using Fourier analysis of time series.International Journal of Remote sensing，2000，21:1911～1917

［53］Reed B.C.，Brown J.F.，VanderZee D.，et al.Measuring phenological variability from satellite imagery.Journal of Vegetation Science.1994，5:703～714

［54］吳文斌，楊鵬，唐華俊，等.兩種NDVI時間序列擬合方法比較.農業工程學報，2009，25，(11):183～188

［55］Beck P.S.A.，Atzberger C.，Hogda K.A.，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

［56］Heumann B.W.，Seaquist J.W.，Eklundh L.，et al.AVHRR derived phenological change in the Sahel and Soudan Africa，1982-2005.Remote Sensing of Environment，2007，108:385 ～392

［57］吳文斌，楊鵬，唐華俊，等.過去20年中國耕地生長季起始期的時空變化.生態學報，2009，29，(4):1777～1786

［58］李正國，楊鵬，周清波，等.基于時序植被指數的華北地區作物物候期/種植制度的時空格局特征.生態學報，2009，29(11):6216～6226

［59］吳文斌，楊鵬，唐華俊，等.基于NDVI數據的華北地區耕地物候空間格局研究.中國農業科學，2009，42，(2):552～560

［60］于信芳，莊大方.基于MODIS-NDVI數據的東北森林物候期監測.資源科學，2006，28(4):111～117

［61］Piao S.，Fang J.，Zhou L.，et a1.Variations in satellite-derived phenology in China＇s temperate vegetation.Global Change Biology，2006，12:672～685

［62］Diallo，O.，Diouf，A.，Hanan，N.P.，et al.AVHRR monitoring of savanna primary production in Senegal，West Africa:1987 ～1988.International Journal of Remote Sensing，1991，12:1259～1279

［63］Prince，S.D.Satellite remote sensing of primary production:comparison of results for Sahelian grasslands 1981– 1988.International Journal of Remote Sensing，1991，12:1301～1311

［64］張明偉，周清波，陳仲新，等.基于MODIS時序數據分析的作物識別方法.中國農業資源與區劃，2008，29，(1):31～35

［65］Gallo K.P.，Flesch T.K.Large area crop monitoring with the NOAA AVHRR:Estimating the silking stage of corn development.Remote Sensing of Environment，1989，27:73 ～80

［66］王延頤，Malingreau J.P.應用NOAA/AVHRR對江蘇省作物進行監測的可行性研究.環境遙感，1990，5(3):221～227

［67］侯英雨，王百立.基于作物植被指數和溫度的產量估算模型研究.地理學與國土研究，2002，18(3):105～107

［68］楊浩，黃文江，王紀華等.基于HJ-1A/1B CCD時間序列影像的水稻生育期監測.農業工程學報，2011，27，(4):219～224

［69］范錦龍，吳炳方.復種指數遙感監測方法.遙感學報，2004，8，(6):628～636

［70］楊鵬，唐華俊，劉佳.作物遙感估產中自動分類方法研究進展與展望.中國農業資源與區劃，2000，21，(3):57～60

［71］Hill M.J.，Donald G.E.Estimating spatio-temporal patterns of agricultural productivity in fragmented landscapes using AVHRR NDVI time series.Remote Sensing of Environment，2003，84:367 ～384

［72］Dalezios N.R.，Domenikiotis C.，Loukasb A.，et al.Cotton yield estimation based on NOAA/AVHRR produced NDVI.Physics and Chemistry of the Earth，Part B:Hydrology，Oceans and Atmosphere，2001，26，(3):247 ～251