植被物候參數遙感提取研究進展評述*

項銘濤，衛 煒，吳文斌※

（1. 中國農業科學院農業資源與農業區劃研究所/農業部農業遙感重點實驗室，北京100081；2. 農業部規劃設計研究院/農業部耕地利用遙感重點實驗室，北京100125）

0 引言

植被物候指植被受環境因子和人類活動影響出現的以年為周期的自然現象，包括植被的發芽、展葉、開花、葉變色和落葉等［1］。植被物候被稱作為全球變化的積分儀和景觀生態環境變化的指示器，已成為全球變化領域的研究熱點［2］。傳統的植被物候研究以野外觀測為基礎，依靠人工觀察和記錄單株植被或物種物候信息，雖然簡單易行，但費時費力、覆蓋范圍小，難以進行區域物候時空分析。星載多光譜傳感器具有大區域、快速、重復觀測能力，能夠反映植被的季節性生長發育過程及其年際變化特點，為大中尺度植被物候研究提供了有利條件。遙感技術使得受自然環境制約無法到達地區可以進行植被物候動態監測，也使得物候觀測對象從植被個體轉變為植被生態系統，由點向面的空間尺度轉換［3］，可實現從地區到全球尺度的植被物候變化研究，有助于強化人們關于生物圈與大氣圈相互作用機理的認識、深入理解全球變化及其與陸地生態系統的作用關系。

植被物候遙感提取的主要原理是利用遙感特征參量探測發現植被在形態上發生顯著變化所對應的日期，以及從生長開始到結束所經歷的時間。國內外很多學者圍繞植被物候參數遙感提取開展了很多研究，并對該領域有關重點技術方法進行了總結評述，然而，目前尚缺乏系統性梳理和總結植被物候參數遙感提取的綜述性論文。基于此，文章擬對植被物候參數遙感提取遙感數據源、提取技術、結果驗證途徑等進行詳細闡述、分析、歸納和總結，完整地描述了植被物候參數遙感提取的整個過程；最后從植被物候遙感提取的研究對象、數據來源、技術方法和結果驗證等方面討論了當前植被物候遙感提取存在的主要問題及未來的發展趨勢。

1 植被物候遙感提取的數據源

1.1 遙感專題指數

歸一化差異植被指數（Normalized Difference Vegetation Index，NDVI）能夠很好地反映綠色植被的長勢、生物量和覆蓋度等信息，是植被物候遙感提取中使用最為廣泛的植被指數［4］。如AVHRR-NDVI應用于我國華北地區耕地種植制度和物候空間格局特征監測、中亞地區27年植被生長季開始日期、生長季長度、生長季NDVI峰值等物候參數提取［5-6］；VGT-NDVI數據被應用于華北和東北地區作物典型物候期、北方地區的耕地種植制度和不同生長季耕地物候的提取［7-9］；MODIS-NDVI數據應用于北半球植被生長季開始/結束日期以及生長季長度等物候參數提取［10］；馮莉等［11］比較了HJ-1A-NDVI和MODIS-NDVI提取植被物候特征的結果，提出HJ-1A-NDVI數據存在的問題。然而，需要說明的是，雖然NDVI對大氣影響進行了一定程度的校正，但仍然存在著殘留氣溶膠引起的植被指數衰減問題；同時研究發現植被覆蓋度為25%～80%時，NDVI隨植被生物量呈近似線性增長，植被覆蓋度大于80%時，NDVI呈現出飽和趨勢，對植被檢測的靈敏度下降［12］。為此，增強型植被指數（Enhanced Vegetation Index，EVI）被提出，其引入藍光波段反射率和土壤調節參數對殘留氣溶膠和土壤背景影響進行校正。劉珺等［13］、徐巖巖等［14］利用MODIS-EVI分別對黃淮海夏玉米、東北水稻的關鍵物候期進行了提取；MODIS-EVI數據被分別應用于美國中西部玉米和大豆關鍵物候節點、非洲植被2001～2015返青期、成熟期、生育期長度3個主要物候參數的提取等［15-16］。

除NDVI和EVI之外，其他植被指數也在物候提取研究中得到應用。如修正土壤調節植被指數（Modified Soil Adjusted Vegetation Index）［17-19］和寬動態范圍植被指數（Wide Dynamic Range Vegetation Index）［20-21］。一些專題指數如歸一化差異水分指數（Normalized Difference Water Index）［22-23］、葉面積指數（Leaf Area Index）［24-26］、MERIS 陸地葉綠素指數（MERIS Terrestrial Chlorophyll Index）［27］、微波植被光學厚度（Vegetation Optical Depth）［28］等也應用于遙感提取植被物候。

1.2 遙感數據來源

在眾多星載傳感器中，NOAA/AVHRR、SPOT/VGT和EOS/MODIS是目前獲取時間序列植被指數的主要傳感器，Envisat/MERIS［27］和HJ-1A、1B/CCD［29-30］等傳感器也是部分研究植被指數的來源。已有研究大多直接使用標準植被指數產品，避免了原始數據處理巨大的工作量，也適用于進行對比分析［31］；部分研究則利用反射率數據通過自行處理獲得時序植被指數［32］。表1列舉出了NOAA/AVHRR、SPOT/VGT和EOS/MODIS 3種主要傳感器常用于遙感物候提取的標準植被指數產品。AVHRR時序植被指數標準產品中的PAL數據波段信息豐富，GIMMS數據時間序列較長和較完整，兩者是大尺度植被物候遙感提取中廣泛應用的AVHRR植被指數。VGT時序植被指數標準產品主要包括VGT-S和VGT-D數據。VGT-S數據進行了輻射、大氣和幾何校正等預處理，包括反射率、植被指數以及輔助參數數據，而VGT-D在VGT-S的基礎上考慮了BRDF影響。MODIS標準數據產品種類豐富，包括標定產品、大氣產品、海洋產品和陸地產品系列等，其中植被指數產品主要為MOD13和MYD13系列，可提供不同空間分辨率的標準數據產品，目前植被物候遙感提取中較為常用的是MOD13Q1、MOD13A1和MOD13A2等［33］。

表1 植被物候遙感提取中常用的傳感器植被指數產品Table 1 Data products of frequently-used sensors for vegetation phenology extraction by remote sensing

2 植被物候遙感提取的技術方法

植被物候遙感提取主要利用時間序列植被指數是植被生長狀況指示器的特征，其能夠表現出與植被生物學特征相關的周期變化，呈現出一定的季節和年際規律［34-35］。時間序列植被指數受到如太陽高度角、觀測角、和云、水汽、氣溶膠、冰雪等等多種因素干擾，出現許多噪聲、曲線呈現鋸齒狀的不規則波動，無法直接進行趨勢分析和信息提取，所以有必要對時間序列植被指數數據進行去噪和平滑處理，即時序植被指數重建［36］。在重構后的時序植被指數曲線基礎上，可以利用數學算法提取描述植被生長關鍵物候期的特征節點，實現植被物候參數的獲取［37］。

2.1 時序植被指數重構技術

雖然遙感標準數據產品進行了一定預處理，但仍保留了很多噪聲，導致時間序列植被指數曲線周期性變化趨勢不明顯，因此，需要對時序植被指數進行去噪和平滑等預處理，重構遙感數據的時間序列曲線［38-39］。國內外研究者提出了很多時間序列遙感數據重構方法。顧娟等［40］將時序植被指數重構方法分為時間域處理法和頻率域處理法2類；陳效逑等［41］分為空間域處理法、時間域處理法和非時空域處理法3類；吳文斌等［42］也歸結為3類，即閾值去除法、基于濾波的平滑方法和非線性擬合法；侯東等［43］根據重構方式將其分為基于信號處理的頻域分析法和基于統計模型的分時段重構法2類。該文從不同方法各自的特點出發，將時間序列植被指數重構方法歸納為兩大類，即濾波方法和函數擬合方法（表2）。

濾波方法分為時域濾波和頻域濾波。時域濾波是一種局部處理的方法，在給定大小的濾波窗口內采用某種方法對時序數據中的噪聲進行處理，濾波窗口大小會影響最終的濾波效果；頻域濾波則是通過數學變換將數據從時間域轉換到頻率域，通常噪聲存在于高頻部分，利用低通濾波器實現去噪目的，是一種整體處理的方法。常用的濾波方法包括Savitzky-Golay濾波法［44-46］、最佳指數斜率提取法（Best Index Slope Extraction）［47-48］、滑動中值/均值濾波法［49-50］、時間窗口線性內插法（Temporal Window Operation）［51］、中值/均值迭代濾波法［52］、迭代插值數據重構法（Iterative Interpolation for Data Reconstruction）［53］和基于傅里葉/小波變換的頻域低通濾波法［54-55］。此外，5點平滑法［56-57］、4253H兩次濾波法［58］、3RSSH兩次濾波法［59］等濾波方法也得到應用。函數擬合方法則是通過某種形式的函數對時序數據曲線進行最小二乘擬合，用擬合得到的平滑曲線代替原來的時序數據曲線，以此實現平滑去噪。同樣，函數擬合方法存在局部處理和整體處理之分，其中經過局部擬合的曲線需要一個整體函數將它們連接起來以構成最終的擬合曲線。常用的函數擬合方法包括非對稱高斯函數（Asymmetric Gaussian）擬合法［60］、雙Logistic函數（Double Logistic）擬合法［61-62］和傅里葉函數擬合法（其中包括時間序列諧波分析法（Harmonic Analysis of Time Series））［63-64］和 Sellers算法［65］及其改進方法［66-67］。此外，如分段Logistic函數（Piecewise Logistic）擬合法［68］、多項式擬合法［69］和其他形式函數擬合法［70-72］也得到應用。

表2 時間序列植被指數重構方法分類Table 2 Summary of time series data reconstruction methods

2.2 植被物候參數提取方法

全球研究學者研發多種植被物候參數提取技術方法。Reed等［73］將其歸結為3類，即閾值法、拐點法和曲線斜率法；武永峰等［74］、李明等［75］和侯學會等［76］認為利用遙感手段提取植被物候參數的方法包括閾值方法、滑動平均方法、求導方法和擬合方法等4類；陳效逑等［41］劃分為閾值法、時間序列法、物候期頻率分布型—遙感綜合法、主成分分析法和曲線擬合法等5類；夏傳福等［24］則總結為6類，包括閾值法、滑動平均法、擬合法、最大斜率法、累積頻率法和主成分分析法。上述不同的方法中擬合法多次提到，該方法是通過函數模型擬合時序遙感數據進而進行物候信息提取，嚴格上講其屬于時序數據預處理方法范疇。本文根據不同方法各自的特點并參考前述幾種分類，將植被物候信息提取方法分為閾值法、曲線特征法和數學分析法3類（表3）。

閾值法的最大特點是利用植被指數達到某一閾值時所對應的日期確定植被物候期，包括固定閾值法［77-79］和動態閾值法［80-82］，物候累積頻率法［57，83］由于涉及閾值也被劃分到閾值法中。曲線特征法是對經過函數擬合得到的數據曲線進行分析，根據其變化特征來獲取植被物候參數，常用的方法包括最大變化斜率法［84］、曲率變化極值法［68］和滑動平均法［85］。數學分析法是通過數學模型或數學變換手段來提取包含在時序遙感數據中的植被物候信息，代表性方法有主成分分析法（包括奇異值分解法（Singular Value Decomposition）與模型結合法［86］以及經驗正交函數分析法（Empirical Orthogonal Function resolution）［87］）、傅里葉諧波分析法（包括時間序列諧波分析法（HANTS）［88］、季節趨勢疊加分解法（Breaks For Additive Seasonal and Trend）［89］）和經驗公式法［90］。

表3 植被物候參數遙感提取主要方法Table 3 Summary of vegetation phenology extraction methods

3 植被物候遙感提取結果驗證

3.1 驗證方法

利用地面物候觀測數據進行驗證最常用的驗證方法，但直接將地面物候觀測數據用于遙感結果驗證會存在一些問題。這是因為兩種觀測手段得到的物候數據所描述的對象不同，地面觀測關注的是具有一定代表性的單株植被或物種的物候特征，而遙感物候描述的是像元內的植被群體整體的物候特征。因此，地面觀測數據需要經過預處理后才可以用于遙感結果的驗證，常用的處理方法包括典型物候期法、物候頻率統計法和物候頻率分布型法［91］。典型物候期法是根據區域內生態系統的分布特點，選擇具有代表性的植被物種及其特定的物候期與遙感監測關鍵物候節點相互對應［90，92］。物候頻率統計法采用目標區域生態群落內所有植被某一物候現象發生日期的特定累積頻率表征該生態群落整體的物候特征［93］。物候頻率分布型法是將地面物候觀測數據轉換成與遙感物候結果對應的數據，在此基礎上再進行驗證工作［83］。此外，還可以通過計算物候特征的時空均值進行驗證［94］。

在地面觀測數據缺失的情況下，利用模型模擬數據對遙感提取結果進行驗證也是常用的驗證方法。根據環境驅動因子可將物候模型分為氣候經驗模型和碳吸收模型。氣候經驗模型根據植被與氣候因子之間的經驗關系模擬植被物候現象，通常由溫度、水分和日照等作為氣候經驗模型的驅動因子。碳吸收模型是以植被同環境通過光合和呼吸作用進行的碳交換為基礎構建的物候模型，能夠反映植被物候的變化過程，降低了經驗在模型構建中的作用，提高了模型對物候變化的預測水平。物候模型可以利用氣候和環境數據模擬區域內植被的物候特征，能夠較好地解釋植被物候的變化或異常情況，其模擬結果可用于遙感提取植被物候結果的驗證［91］。然而，物候模型往往是針對特定的植被物種或特定的區域建立，應用于其他區域時其適用性需要重點關注。此外，物候模型需要諸多輸入參數來驅動模型，在既缺乏地面觀測數據又無法獲取這些輸入參數時，該方法應用會受到限制。

利用他人研究成果來驗證植被物候遙感提取結果通常是在缺乏地面觀測數據，同時也無法物候模擬數據的情況下使用。由于研究的目、方法以及時間和空間尺度上的差異，這種方法僅能反映出不同研究結果的總體趨勢是否具有一致，而不能定量評價植被物候參數遙感提取精度。如李明等［75］在基于遙感方法研究長白山地區植被物候期變化趨勢時，采用了其他文獻中的研究成果以及小部分氣象局的物候觀測資料與其提取的植被物候參數結果進行比較，發現與大多數的研究成果具有一致性。另外，也有研究使用遙感物候產品作為參考來驗證所提取的植被物候參數［24］。

此外，與植被物候存在較強關系的植物生理參量的觀測數據也可作為植被物候遙感提取結果驗證的間接數據［95］。這些生理參量通常是一些與碳通量有關的參數，包括凈生態系統交換（Net Ecosystem Exchange）［92］、植物面積指數（Plant Area Index）、光合有效輻射（Photosynthetically Active Radiation）和光合有效輻射分量（Fraction of Photosynthetically Active Radiation）等。

3.2 誤差來源

遙感數據的時間和空間分辨率對植被物候提取具有重要影響。多數學者采用多天合成的植被指數產品作為物候提取的數據源，合成算法和合成影像的時間間隔會影響數據源的時間分辨率，進而影響植被物候遙感監測結果。Zhou等［96］基于MODIS-NDVI數據研究時間分辨率、時間間隔數量、缺失數據對HANTS算法重構時間序列數據集準確性的影響。研究表明，時間分辨率、時間間隔數量在所有季節性和非季節性的情況下都不應太大，植被生長起點、終點和峰值點都是影響重構效果的關鍵位置。Zhang等［97］同樣基于MODIS-EVI數據，研究時間分辨率和缺失數據對Logistic算法的影響。研究表明，當遙感數據源的時間分辨率在6-16d時，即使原始的逐日數據中存在不確定性，植被物候的遙感監測結果仍然能夠達到較高精度；若植被生長起點日期附近缺失了數據，植被物候監測結果的精度將會大幅降低，當存在一個缺失數據時，相對誤差將達4%，當存在兩個缺失數據時，相對誤差將達到20%。遙感提取的物候是像元內植被群體所組成的整體物候特征，遙感數據源的空間分辨率對于地表覆蓋類別和地形復雜的空間描述具有重要作用，也會影響植被物候遙感提取結果。Peng等［98］基于MODIS-EVI數據，在美國本土地區，將250m空間分辨率重采樣到不同空間分辨率的數據（2m×250m、3m×250m、4m×250m、…、35m×250m），研究植被生長起點監測的尺度效應。研究表明，在整個生態系統區域，總體植被生長起點大致相同，相差不到5d，局部區域的植被生長起點差異很大，并且東北部比南部和西部區域的差異小，這是由于植被生長起點的尺度效應受土地景觀片段、土地覆蓋類型、尤其是綠度空間變化導致的植被類別異質性的影響。

除遙感數據的時間和空間分辨率外，植被物候提取技術方法也對結果具有重要影響。不同監測方法的原理不同，導致對噪聲點的選擇和處理方式不同，重構的植被指數曲線及函數表達式均不同，計算得到的物候參數值會有一定差異。Schwartz等［99］基于MODIS-NDVI/EVI產品，采用Logistic函數法、DMA、雙Logistic函數法、SMN和TIMESAT這5種重構方法測算了植被的生長季起點，利用SI的模擬結果和地面物候觀測數據進行驗證。結果表明，不同方法得到的植被物候監測結果差異較大，雙Logistic函數法表現最佳。Cai等［37］基于MODIS-NDVI產品，采用Savitzky-Golay濾波、局部加權回歸散點圖平滑、樣條平滑、非對稱高斯函數擬合、雙logistic函數擬合這5種方法計算生長季起點、生長季終點、生長季長度、生長季植被指數積分，利用地面塔測量NDVI和總初級生產力來驗證。結果表明，所有平滑方法都能降低噪聲，沒有一個方法最有效，其中，當校準參數最優時，Savitzky-Golay濾波和局部加權回歸散點圖平滑得到的結果非常準確，當校準參數無法確定時，非對稱高斯函數擬合和雙logistic函數擬合對季節的動態描述最好。可見，監測方法的精度和表現不盡相同，很難從現有的監測方法中找到對所有數據源和植被類型等均具有普適性的最好方法。

4 總結與展望

近年來，目前國內外學者圍繞植被物候遙感提取開展了大量研究，在理論、技術方法和應用方面都取得明顯進展。然而，植被物候遙感提取仍然存在一些關鍵科學問題，需要進一步進行深入研究。

（1）研究對象。目前植被物候遙感提取研究多集中于森林、草原等自然植被物候，以農業植被為對象的研究相對較少，而且這些研究多是圍繞特定作物類型開展。未來需要加強對農業植被物候參數遙感提取研究，然而，農業植被受到自然環境與人類活動的雙重影響，其復雜性、時空差異更強，這給農業植被物候信息提取帶來重大挑戰。

（2）數據來源。已有的研究多基于單一傳感器數據，單一數據源往往受到數據質量、時空連續性以及可獲取性等因素的限制，在大范圍、長時間序列的植被物候遙感提取時明顯不足。因此，選擇多傳感器進行協同融合，構建具有高時間分辨率、高空間分辨和高質量的時間序列數據集，發展不依賴于特定傳感器的植被物候多源遙感協同監測技術，是未來提升植被物候參數遙感提取精度的有效途徑。

（3）技術方法。雖然不同學者研發了很多時序遙感數據重建和植被物候信息提取方法，但目前還沒有適合不同區域、不同植被類型、長時間序列植被物候遙感提取的統一方法。因此，需要重點開展不同方法的適宜性研究，考慮采用差異化策略構建針對不同區域和植被類型的時序遙感數據重建和植被物候信息提取技術體系，是植被物候遙感提取研究未來一個重要的發展方向。

（4）結果驗證。利用地面觀測數據、模型模擬數據以及其他研究成果是當前植被物候遙感提取結果驗證的主要方法，然而地面觀測數據與遙感觀測之間的不匹配、模型模擬的輸入參數獲取以及其他研究成果的不確定性等問題，嚴重影響植被物候遙感提取結果驗證。建立完整的、覆蓋典型植被和氣候類型的植被物候地面觀測網絡，通過標準化的地面觀測數據驗證遙感提取結果將是未來的主要方向。

參考文獻

［1］竺可楨，宛敏渭. 物候學. 長沙：湖南教育出版社，1999.

［2］翟佳，袁鳳輝，吳家兵. 植物物候變化研究進展. 生態學雜志，2015，34（11）：3237～3243.

［3］范德芹，趙學勝，朱文泉，等. 植物物候遙感監測精度影響因素研究綜述. 地理科學進展，2016，35（3）：304～319.

［4］Skakun S，Franch B，Vermote E，et al. Early season large-area winter crop mapping using MODIS NDVI data，growing degree days information and a Gaussian mixture model.Remote Sensing of Environment，2017，195：244～258.

［5］Kariyeva J，Van Leeuwen W J D，Woodhouse C A. Impacts of climate gradients on the vegetation phenology of major land use types in Central Asia （1981-2008）.Frontiers of Earth Science，2012，6（2）：206～225.

［6］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. 中國農業科學，2009，42（2）：552～560.

［7］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.

［8］李正國，唐華俊，楊鵬，等. 基于時序植被指數的東北地區耕地生長季特征識別與應用研究. 北京大學學報（自然科學版），2011，47（5）：882～892.

［9］衛煒，吳文斌，李正國，等. 基于SPOT/VGT數據的中國北方耕地物候提取研究. 中國農業資源與區劃，2016（04）：77～86.

［10］Wang S Y，Yang B J，Yang Q C，et al. Temporal Trends and Spatial Variability of Vegetation Phenology over the Northern Hemisphere during 1982-2012.PLOS ONE，2016，11（6）：1～21.

［11］馮莉，李柳華，郭松，等. HJ-1A NDVI與MODIS NDVI時間序列提取植被物候特征對比研究. 遙感技術與應用，2016，6：1158～1166.

［12］Potdar M B. Sorghum yield modelling based on crop growth parameters determined from visible and near-IR channel NOAA AVHRR data.International Journal of Remote Sensing，1993，14（5）：895～905.

［13］劉珺，田慶久，黃彥，等. 黃淮海夏玉米物候期遙感監測研究. 遙感信息，2013，28（3）：85～90.

［14］徐巖巖，張佳華，YANG Limin. 基于MODIS-EVI數據和Symlet11小波識別東北地區水稻主要物候期. 生態學報，2012，32（7）：2091～2098.

［15］Adole T，Dash J，Atkinson P M. Characterising the land surface phenology of Africa using 500m MODIS EVI.Applied Geography，2018，90：187～199.

［16］Ren J，Campbell J B，SHAO Y. Estimation of SOS and EOS for Midwestern US Corn and Soybean Crops.Remote Sensing，2017，9（7）：722.

［17］Dye D，Middleton B，Vogel J，et al. Exploiting Differential Vegetation Phenology for Satellite-Based Mapping of Semiarid Grass Vegetation in the Southwestern United States and Northern Mexico.Remote Sensing，2016，8（11）：889.

［18］Liaqat M U，Cheema M J M，Huang W，et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin.Computers and Electronics in Agriculture，2017，138：39～47.

［19］李敏，趙庚星，蔡明慶，等. 縣域棉花信息遙感提取與棉田精確化管理分區研究. 自然資源學報，2012，27（11）：1971～1980.

［20］Wu C Y，Gonsamo A，Gough C M，et al. Modeling growing season phenology in North American forests using seasonal mean vegetation indices from MODIS.Remote Sensing of Environment，2014，147：79～88.

［21］Testa S，Soudani K，Boschetti L，et al. MODIS-derived EVI，NDVI and WDRVI time series to estimate phenological metrics in French deciduous forests.International Journal of Applied Earth Observation and Geoinformation，2018，64：132～144.

［22］Delbart N，Kergoat L，Le Toan T，et al. Determination of phenological dates in boreal regions using normalizeddifference water index.Remote Sensing of Environment，2005，97（1）：26～38.

［23］平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農作物分類. 自然資源學報，2016，31（3）：503～513.

［24］夏傳福，李靜，柳欽火. 基于MODIS葉面積指數的遙感物候產品反演方法. 農業工程學報，2012，28（19）：103～109.

［25］李錚，柏延臣，何亞倩. 遙感葉面積指數產品提取自然植被物候期對比. 遙感技術與應用，2015，30（6）：1103～1112.

［26］Wang C，Li J，Liu Q H，et al. Analysis of Differences in Phenology Extracted from the Enhanced Vegetation Index and the Leaf Area Index.Sensors，2017，17（9）：1982.

［27］Atkinson P M，Jeganathan C，Dash J，et al. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology.Remote Sensing of Environment，2012，123：400～417.

［28］Momen M，Wood J D，Novick K A，et al. Interacting Effects of Leaf Water Potential and Biomass on Vegetation Optical Depth.Journal of Geophysical Research：Biogeosciences，2017，122（11）：3031～3046.

［29］Wang J，Huang J F，Wang X Z，et al. Estimation of rice phenology date using integrated HJ-1 CCD and Landsat-8 OLI vegetation indices time-series images.Zhejiang Univ-Sci B（Biomed & Biotechnol），2015，16（10）：832～844.

［30］Pan Z K，Huang J F，Zhou Q B，et al. Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data.International Journal of Applied Earth Observation and Geoinformation，2015，34：188～197.

［31］李正國，唐華俊，楊鵬，等. 植被物候特征的遙感提取與農業應用綜述. 中國農業資源與區劃，2012，33（5）：20～28.

［32］宮攀，陳仲新. 基于MODIS數據的東北地區植被物候參數提取. 土壤通報，2009，40（2）：213～217.

［33］馬明國，宋怡，王旭峰，等. AVHRR、VEGETATION和MODIS時間系列遙感數據產品現狀與應用研究進展.遙感技術與應用，2012，27（5）：663～670.

［34］衛煒. MODIS雙星數據協同的耕地物候參數提取方法研究. 北京：中國農業科學院，2015.

［35］楊永民，田靜，榮媛，等. 基于遙感的黑河流域植被物候空間格局提取分析. 遙感技術與應用，2012，27（2）：282～288.

［36］Zhang X Y. Reconstruction of a complete global time series of daily vegetation index trajectory from long-term AVHRR data.Remote Sensing of Environment，2015，156：457～472.

［37］Cai Z Z，J?nsson P，Jin H X，et al. Performance of Smoothing Methods for Reconstructing NDVI Time-Series and Estimating Vegetation Phenology from MODIS Data.Remote Sensing，2017，9（12）：1271.

［38］王乾坤，于信芳，舒清態，等. MODIS EVI時序數據重建方法及擬合分析. 地球信息科學學報，2015，17（6）：732～741.

［39］孫華生，徐愛功，林卉，等. 基于不同算法的時間序列植被指數去噪效果分析. 江蘇農業科學，2012，40（5）：375～379.

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

［41］陳效逑，王林海. 遙感物候學研究進展. 地理科學進展，2009，28（1）：33～40.

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

［43］侯東，潘耀忠，張錦水，等. 農區MODIS植被指數時間序列數據重建. 農業工程學報，2010，26（S1）：206～212.

［44］Chen J，J?nsson P，Tamura M，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（3-4）：332～344.

［45］周增光，唐娉. 基于質量權重的Savitzky-Golay時間序列濾波方法. 遙感技術與應用，2013，28（2）：232～239.

［46］李曉東，曾發梁，姜琦剛，等. 1999～2013年中國東北植被物候信息遙感監測. 自然資源學報，2017，32（2）：321～328.

［47］Viovy N，Arino O，Belward A S. The best index slope extraction （BISE）：a method for reducing noise in NDVI timeseries.International Journal of Remote Sensing，1992，13（8）：1585～1590.

［48］Xu X M，Conrad C，Doktor D. Optimising Phenological Metrics Extraction for Different Crop Types in Germany Using the Moderate Resolution Imaging Spectrometer （MODIS）.Remote Sensing，2017，9（3）：1～16.

［49］Sellers P J，Tucker C J，Collatz G J，et al. A global 1° by 1° NDVI data set for climate studies. Part 2：The generation of global fields of terrestrial biophysical parameters from the NDVI.International Journal of Remote Sensing，1994，15（17）：3519～3545.

［50］Kogan F，Sullivan J. Development of global drought-watch system using NOAA/AVHRR data.Advances in Space Research，1993，13（5）：219～222.

［51］Park J，Tateishi R. Correction of Time Series NDVI by the Method of Temporal Window Operation （TWO）. The 1998Asian Conference on Remote Sensing，1998.

［52］De Oliveira J，Epiphanio J，Rennó C. Window Regression：A Spatial-Temporal Analysis to Estimate Pixels Classified as Low-Quality in MODIS NDVI Time Series.Remote Sensing，2014，6（4）：3123～3142.

［53］Liu R G，Shang R，Liu Y，et al. Global evaluation of gap-filling approaches for seasonal NDVI with considering vegetation growth trajectory，protection of key point，noise resistance and curve stability.Remote Sensing of Environment，2017，189：164～179.

［54］Bush E R，Abernethy K A，Jeffery K，et al. Fourier analysis to detect phenological cycles using long-term tropical field data and simulations.Methods in Ecology and Evolution，2017，8（5）：530～540.

［55］Wang H S，Lin H，Munroe D K，et al. Reconstructing rice phenology curves with frequency-based analysis and multitemporal NDVI in double-cropping area in Jiangsu，China.Frontiers of Earth Science，2016，10（2）：292～302.

［56］丁登，陳效逑. 我國遙感植被生長季節的地面檢驗研究——以溫帶草原和暖溫帶落葉闊葉林區為例. 遙感技術與應用，2007，22（3）：382～388.

［57］陳效逑，喻蓉. 1982～1999年我國東部暖溫帶植被生長季節的時空變化. 地理學報，2007，62（1）：41～51.

［58］Velleman P. Definition and comparison of robust nonlinear data smoothing algorithms.Journal of the American Statistical Association，1980，75：609～615.

［59］Davis J C. Statistics and Data Analysis in Geology，3rd Edition. New York：Wiley，2002.

［60］Liu S Y，Liu X N，Liu M L，et al. Extraction of Rice Phenological Differences under Heavy Metal Stress Using EVI Time-Series from HJ-1A/B Data.Sensors，2017，17（6）：1243.

［61］Liu J，Yang X，Liu H L，et al. Algorithms and Applications in Grass Growth Monitoring.Abstract and Applied Analysis，2013，2013：1～7.

［62］Li X C，Zhou Y Y，Asrar G R，et al. Characterizing spatiotemporal dynamics in phenology of urban ecosystems based on Landsat data.Science of the Total Environment，2017，605：721～734.

［63］Ibrahim S，Balzter H，Tansey K，et al. Estimating fractional cover of plant functional types in African savannah from harmonic analysis of MODIS time-series data.International Journal of Remote Sensing，2018，39（9）：2718.

［64］郭昱杉，劉慶生，劉高煥，等. 基于MODIS時序NDVI主要農作物種植信息提取研究. 自然資源學報，2017，32（10）：1808～1818.

［65］Sellers P J，Randall D A，Collatz G J，et al. A revised land surface parameterization （SiB2） for atmospheric GCMs. 1.Model formulation.Journal of Climate，1996，9（4）：676～705.

［66］林忠輝，莫興國. NDVI時間序列諧波分析與地表物候信息獲取. 農業工程學報，2006，22（12）：138～144.

［67］Zhang X，Li R，Yue Y M，et al. Improved algorithm for reconstructing vegetation index image time series based on Fourier Harmonic Analysis.Journal of Remote Sensing，2010，14（3）：437～447.

［68］Zhang X Y，Friedl M A，Schaaf C B，et al. Monitoring vegetation phenology using MODIS.Remote Sensing of Environment，2003，84（3）：471～475.

［69］何月，樊高峰，張小偉，等. 浙江省植被物候變化及其對氣候變化的響應. 自然資源學報，2013，28（2）：220～233.

［70］王宏，李曉兵，李霞，等. 基于NOAA NDVI和MSAVI研究中國北方植被生長季變化. 生態學報，2007，27（2）：504～515.

［71］張晗，任志遠. 多種時序NDVI重建方法比較與應用分析. 中國農業科學，2014，47（15）：2998～3008.

［72］張晗，任志遠. 基于Whittaker濾波的陜西省植被物候特征. 中國沙漠，2015，35（4）：901～906.

［73］Reed B C，Schwartz M D，Xiao X M. Remote Sensing Phenology. New York：Springer，2009.

［74］武永峰，何春陽，馬瑛，等. 基于計算機模擬的植物返青期遙感監測方法比較研究. 地球科學進展，2005，20（7）：724～731.

［75］李明，吳正方，杜海波，等. 基于遙感方法的長白山地區植被物候期變化趨勢研究. 地理科學，2011（10）：1242～1248.

［76］侯學會，隋學艷，梁守真，等. 幾種物候提取方法的小麥物候提取. 遙感信息，2017，32（6）：65～70.

［77］Crimmins T M，Crimmins M A，Gerst K L，et al. USA National Phenology Network’s volunteer-contributed observations yield predictive models of phenological transitions.PLOS ONE，2017，12（8）：1～17.

［78］Marais Sicre C，Inglada J，Fieuzal R，et al. Early Detection of Summer Crops Using High Spatial Resolution Optical Image Time Series.Remote Sensing，2016，8（7）：591.

［79］Shen M G，Tang Y H，Chen J，et al. Specification of thermal growing season in temperate China from 1960 to 2009.Climatic Change，2012，114（3-4）：783～798.

［80］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.

［81］封敏，李再明，邱炳文，等. 21世紀初中國農作物與自然植被物候時空差異. 遙感技術與應用，2016，31（5）：1003～1012.

［82］劉玲玲，劉良云，胡勇. 1982～2006年歐亞大陸植被生長季開始時間遙感監測分析. 地理科學進展，2012，31（11）：1433～1442.

［83］陳效逑，曹志萍. 植物物候期的頻率分布型及其在季節劃分中的應用. 地理科學，1999，19（1）：22～28.

［84］Wang L，Zhang F C，Jing Y S，et al. Multi-Temporal Detection of Rice Phenological Stages Using Canopy Spectrum.Rice Science，2014，21（2）：108～115.

［85］范德芹，趙學勝，鄭周濤. 內蒙古羊草草原物候及其對氣候變化的響應. 地理與地理信息科學，2016，32（6）：81～86.

［86］Tucker C J，Slayback D A，Pinzon J E，et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999.Int J Biometeorol，2001，45（4）：184～190.

［87］Ge Q S，Dai J H，Cui H J，et al. Spatiotemporal Variability in Start and End of Growing Season in China Related to Climate Variability.Remote Sensing，2016，8（5）：433.

［88］Zhou J，Jia L，Menenti M. Reconstruction of global MODIS NDVI time series：Performance of Harmonic ANalysis of Time Series （HANTS）.Remote Sensing of Environment，2015，163：217～228.

［89］Xue Z H，Du P J，Feng L. Phenology-Driven Land Cover Classification and Trend Analysis Based on Long-term Remote Sensing Image Series.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（4）：1142～1156.

［90］Moulin S，Kergoat L，Viovy N，et al. Global-scale assessment of vegetation phenology using NOAA/AVHRR satellite measurements.Journal of Climate，1997，10（6）：1154～1170.

［91］Xia C F，Li J，Liu Q H. Review of advances in vegetation phenology monitoring by remote sensing.Journal of Remote Sensing，2013，17（1）：1～16.

［92］常清. 北半球及典型區遙感植被物候提取驗證及動態研究. 北京：中國科學院大學，2017.

［93］楊國棟. 中國東部地區物候季節劃分的初步探索. 河南師大學報（自然科學版）. 1983（1）：69～76.

［94］李正國，唐華俊，楊鵬，等. 東北三省耕地物候期對熱量資源變化的響應. 地理學報. 2011，66（7）：928～939.

［95］Garrity S R，Bohrer G，Maurer K D，et al. A comparison of multiple phenology data sources for estimating seasonal transitions in deciduous forest carbon exchange.Agricultural and Forest Meteorology，2011，151（12）：1741～1752.

［96］Zhou J，Hu G C，Jia L，et al. Evaluation of Harmonic Analysis of Time Series （HANTS）：impact of gaps on time series reconstruction.The Second International Workshop on Earth Observation and Remote Sensing Applications，2012.

［97］Zhang X Y，Friedl M A，Schaaf C B. Sensitivity of vegetation phenology detection to the temporal resolution of satellite data.International Journal of Remote Sensing，2009，30（8）：2061～2074.

［98］Peng D L，Zhang X Y，Zhang B，et al. Scaling effects on spring phenology detections from MODIS data at multiple spatial resolutions over the contiguous United States.ISPRS Journal of Photogrammetry and Remote Sensing，2017，132：185～198.

［99］Schwartz M D，Hanes J M. Intercomparing multiple measures of the onset of spring in eastern North America.International Journal of Climatology，2010，30（11）：1614～1626.