基于多尺度遥感数据植被覆盖时空变化研究进展文献综述

 2022-04-10 10:04

{title}{title}

基于多尺度遥感数据植被覆盖时空变化研究进展

摘要：覆盖度作为植被的直观量化指标,很大程度上反映了植被的基本情况,是研究水文、气象、生态等方面区域或全球性问题的基础数据,在其理论和模型中普遍使用。同一区域不同时期大量历史数据的积累，以及同一区域能够方便地获取高时间分辨率遥感数据，使遥感时间序列变化检测成为近年来的研究热点。本文系统总结和评述了基于多尺度遥感数据植被覆盖时空变化研究当前的研究进展和应用情况，并对优缺点进行了对比分析。最后，指出了基于多尺度遥感数据植被覆盖时空变化研究的重点。

关键词：植被覆盖度，NDVI，遥感时间序列，数据融合，尺度

0 引言

作为陆地生态生态系统最重要的组成部分，植被在水循环、物质循环、能量流动和信息流交换的过程中扮演着重要的媒介作用，在平衡陆地碳循环和稳定气候系统的过程中同样发挥着不可或缺的作用[1][1]。植被覆盖度(Fractional Vegetation Cover，FVC)是指植被（包括叶、茎、枝）在地面的垂直投影占统计区的面积比[2][2,3]，是表征地表植被覆盖状况的重要参数。植被覆盖度及其变化特征是区域生态环境变化的重要指标[3][4,5]，监测植被覆盖度在时间、空间上的变化对维持陆地生物多样性及生态环境的恢复与保护具有重要意义。

目前，植被覆盖度估测方法主要包括地面测量法和遥感反演法[4][6]。地面测量法简单、精度高，常作为遥感反演精度评价依据[5][7]，但受测量者主观经验影响较大[6][8]。随着科学技术的发展，遥感测量逐渐成为植被覆盖监测的主要途径[7][9]，为大范围长时间序列分析植被覆盖度提供了一种极其有效的手段[8][10]。

1 植被遥感时间序列构建

基于遥感时间序列的变化检测方法得益于其他领域，如医学、信号处理、金融、机器视觉等时间序列分析和检测技术的发展[9][11]。其核心思想是通过对表征植被状况的某一遥感参数构建的连续时间序列，采用一定的算法提取和检测存在于这些时间序列上的变化特征和规律，从而描述植被的长期变化过程。因此，基于遥感时间序列的选择往往涉及两个方面的内容，即遥感时间序列数据集的选择和时空数据融合方法的选择。

1.1 遥感时间序列数据集

传感器自身特征会影响植被长期变化的检测结果，因此，在选择遥感时间序列数据产品之前，需要全面了解各个传感器及其产品在植被观测方面的优缺点。目前，用于植被长期变化研究的遥感数据产品主要来源于以下几种传感器：AVHRR、MODIS、SPOT VGT、Landsat TM/ETM/OLI（Thematic Mapper/Enhanced Thematic Mapper/Operational Land Imager）[10][12]等（表1）。

表1 植被长期变化研究常采用的遥感传感器及其特征

卫星/传感器

时间跨度

时间分辨率/d

空间分辨率/m

数据获取方式

NOAA/AVHRR

1982-至今

1/15

1100-8000

免费

Terra/MODIS

2000-至今

1/8/16

250/500/1000

免费

ENVISAT／MERSI

2002-至今

1-3

300

免费

Landsat/TM、ETM、OLI

1973-至今

16

30

免费

SPOT/VGT

1998-至今

1/10

1000

商业订购

AMSR

2000-至今

1

2500

免费

SeaWinds

1997-2010

1

2500

商业订购

美国海洋和大气局（National Oceanic and Atmospheric Administration，NOAA）系列卫星上的AVHRR传感器，拥有最长的对地观测记录（1981至今）。2009年以前，除少数研究采用Landsat影像外，在国内外基于遥感时间序列的众多研究中，最常用的数据集就是从AVHRR传感器获得的这几种时间序列产品[11][13]。但AVHRR产品在植被长期变化研究中的缺陷十分明显。因为AVHRR并不是专门针对植被观测而设计的传感器,其传感器的光谱配置很难找到一个准确的大气校正方案,并且缺乏精确的定标处理和几何校正，同时云处理能力差且传感器之间的转换会造成时间序列值的不连续性和空间分辨率粗（8km）[12][14-][13][15][14][16]。

SPOTVGT（1998至今）和MODIS（2000至今）传感器在辐射定标、大气校正、几何校正和空间分辨率等各个方面都有明显改善，然而它们对地观测的时间要短许多，时间序列的长度较短[12]。最新评估中发现，除MODIS外，其他时间序列产品均存在着因传感器转换产生位移的问题，造成时间序列观测值中出现不连续性的现象[15]，[15][17]。MODIS数据受时间序列长度限制，2010年以前主要用于植被季节性变化信息的提取，例如Beck等人[16][18]采用一个双逻辑曲线重建2000–2004年含季节性信息的ODIS时间序列，并估算了高纬地区植被季节性变化的参数；Wardlow等人[17][19]利用一年的MODIS时间序列（23期）来区分美国中央大平原地区的主要农作物类型。2010年以后，随着时间序列的累计，MODIS数据产品才被广泛地用于植被长期趋势分析[18][20]，而且在国内相关研究中的使用更加普遍。但MODIS数据空间分辨率最高为250m，这使得其反映物体精细尺度上变化情况的能力有限。

Landsat影像的空间分辨率较高（30m），且拥有较长时间地表变化的记录，克服了其他传感器的不足。但是其重访周期长，再加上地面气象因素(云、雨和雪等)对传感器成像的影响，造成了单个传感器有效数据重访周期的延长，使得监测具有很大程度上的“时空数据缺失”[19][21]。

为了实现各数据产品之间的优势互补，尽量获得兼具高空间分辨率和高时间分辨率的遥感数据,国内外的学者做了大量关于时空融合算法的研究工作，出现了基于不同算法原理、不同数据类型以及不同应用目的多种时空融合算法并满足了大量应用需求。例如，贾铎等人利用Landsat与MODIS的影像融合生成高分辨率长时间序列的遥感产品[20][22]。此外，不同数据集在植被变化检测应用方面的比较研究，也成为了该领域的研究热点[17]。

1.2 时空数据融合方法

时空遥感影像融合是从“软件”的角度，低成本、便捷高效地解决卫星传感器空间与时间分辨率“矛盾”的有效手段，旨在集成多源卫星传感器获取的高空间分辨率遥感影像的空间细节信息与高时间分辨率遥感影像的时间变化信息，生成具有高频次访问的高空间分辨率遥感影像序列[21][23]。

根据算法原理的不同，遥感数据时空融合方法可以分为2类，即基于变换的模型和基于像元重构的模型[22][24]。基于变换的模型主要是基于小波变换的方法，也有部分研究是基于主成分分析的方法[24]。如Shevyrnogov等[23][25]使用主成分分析的方法得到MSS数据的第一主成分分量，进而提取出亮度分量，通过融合MSS亮度分量数据和NOAA NDVI数据得到了高时空分辨率的NDVI数据。Wu等[24][26]基于小波变换的方法，利用现时的MODIS数据和前期的TM数据进行时空融合，生成目标日期的时空融合数据。基于像元分解重构的时空融合模型中，有一部分研究是直接基于线性混合模型的像元分解技术，这类算法起源较早，原理简单、计算简便，但易出现异常值[24]。STARFM最先被提出,Gao等[25][27]不仅考虑到像元间的距离和光谱差异,还考虑了像元时间上的差异,提出了一种自适应遥感图像融合模型(Spatial And Temporal Adaptive Reflectance Fusion Model，STARFM)用于破碎地块地表覆盖类型的识别。后续学者在其基础上对STARFM模型进行了大量的改进研究。Zhu等[26][28]基于STARFM提出了增强时空自适应反射融合模型(Enhanced Spatial And Temporal Adaptive Reflectance Fusion Model，ESTARFM),该算法对于复杂、异构地物景观的融合精度更高。Hilker等[27][29]提出了一种提取反射率变化的时空自适应融合算法(Spatial Temporal Adaptive Algorithm for Mapping Reflectance Change，STAARCH)用于监测森林覆盖的研究。Zhu等[28][30]于2016年提出时空数据融合方法（Flexible Spatiotemporal DAta Fusion，FSDAF），利用薄板样条函数预测目标日期的高空间分辨率数据，并且可以有效捕获渐变和突变的土地覆盖类型变化来更准确地预测异质区域中的高分辨率影像，适用于异质性较强的区域。蒙继华等[29][31]发展了一套不同时空分辨率NDVI数据的时空融合模型(Spatial And Temporal Adaptive Vegetation Index Fusion Model，STAVFM)，直接将算法用于植被指数提取，更好地利用植被的时间变化特征，提高了模型效率和精度，并且根据指标的变化特点，对时间维权重进行了改进。

时空融合极大地提高了遥感数据的利用率，其数据融合思想也为其他研究领域的数据融合或者数据集成利用奠定了理论参考和科学支撑，并提供了可行的技术手段[30][32]。

2 植被覆盖变化检测

Singh[31][33]对植被覆盖变化的定义是发现一种地物或现象在不同时间的不同之处的一个过程。植被覆盖变化检测框架使用多时相遥感数据，通过定性分析现象的时间效应并量化变化情况。在进行植被覆盖变化检测过程中，通常需使用遥感时空融合的长时间序列数据。

2.1 表征植被状况的指标选择

早期的研究中，研究者从遥感数据中推导出了若干能够表征植被状况的指标，例如叶面积指数（Leaf Aera Index，LAI）、光合有效辐射分量（Fraction of Photosynthetically Active Radiation，FPAR ）、净初级生产力（Net Primary Productivity，NPP）、植被覆盖度（Fractional Vegetation Cover，FVC）和40多种植被指数，包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、环境植被指数（Environmental Vegetation Index，EVI）、土壤调整植被指数（Soil Adjusted Vegetation Index，SAVI）等。在基于遥感时间序列的植被变化检测中，不同的学者采用不同的指标来表征植被的生长状况，例如Nemani等人[32][34]，张煦庭[33][35]等采用NPP指标；Liu和Hao[34][36]，闫萧萧和李晶[35][37]等利用的是生长季LAI；一些学者采用光谱混合分析法从影像中得到FVC作为植被状况的表征指标[36][38]。此外，Andela等人[37][39]发现植被光学厚度（Vegetation Optical Depth，VOD）对草本和木本组分中的水分含量敏感，可以用来检测植被的长期变化[38][40]。

众多研究表明，NDVI与LAI[39][41,][40][42]和PAR[41][43,][42][44]等的关系十分密切，常常被用作推导这些生物物理参数[26]和地区的、区域的或全球尺度模型的重要输入参数。刘明月等人使用NDVI时间序列确定作物识别的最佳时间段之后通过面向对象方法对作物分类[43][45]；李晓红将 NDVI 时间序列作为多源数据加入面向对象分割，得到的NDVI时间特征作为特征参数之一参与随机森林特征选择，选择的特征用于回归树分类器检测黑龙江小兴安岭森林情况[44][46]；温国涛通过提取MODIS NDVI时间序列及地表温度产品计算得到温度植被干旱指数（TVDI）对陕西省干旱变化特征进行分析[45][47]；景振华根据NDVI时间序列对山西六大煤炭土地利用情况进行变化检测，定量分析煤田生态演变特征[46][48]；王建勋对NDVI序列进行滤波并获取各地物物候参数，实现南方丘陵区水稻的提取[47][49]。

因此，NDVI常被作为植被健康状况的表征[48][50]。且NDVI反映植被冠层在近红外与红光波段的吸收和散射作用,与植被的光合作用与生理生化反应密切相关,既能监测植被对全球气候变化的响应,又能识别城市扩张对植被的影响。NDVI时间序列因其时间上的连续性以及NDVI植被指数对作物、植被不同季节生长状态的良好反映能力。相应地，NDVI时间序列中的趋势是植被状况改善或退化的重要指示[49][51]，逐渐成为植被分类及变化检测研究中的主要数据源。

2.2 植被覆盖变化影响因素分析

全面地检测植被动态变化过程是植被变化驱动因素区分和量化分析的前提和必要条件。植被变化是一个复杂的长期过程，受气候变化和人类活动的共同作用[50][52]。随着遥感对地观测的不断累计以及气象观测资料的不断延长，综合利用某一遥感参数时间序列和多种气候要素资料，探讨全球和区域等不同空间尺度上植被变化与气候因子之间的响应关系一直都是国内外研究中十分关注的问题[51][53]。

自2000年左右，国内许多学者在植被变化与气候因子之间的关系方面做了大量工作。孙红雨等人利用连续69个月的NOAA时间序列数据集证实了中国大陆植被覆盖随时间的推移规律和空间分布规律，并结合同期的月平均气温和降水数据定量化地分析了植被覆盖变化与气温和降水的关系，发现在东部沿海湿润地区沿同一经线，由南向北，气温是影响植被变化的主要因子，且影响程度随纬度升高而降低；在同一纬线上，从东到西，热量条件近似相同，水分的充沛与否成为影响植被覆盖的重要因子，尤其是在干旱和半干旱区[52][54]。李本纲和陶澍对AVHRR NDVI数据序列和中国160个气象站10年连续气象观测数据进行相关性分析，并结合植被覆盖类型深入探讨了这种相关性的地区差异，发现在中国大部分地区，气温对植被生长的影响力超过降水，当年降水量小于700mm时，降水对植被生长的影响力随降水量增加而增加，且草本植被对降水变化最为敏感[53][55]。Piao等人认为在全国尺度植被改善是气温升高造成的，而在区域尺度上它与降水的关系更加密切[54][56]。

第35届国际地质大会（International Geological Congress，IGC）表决通过了关于地质新纪元——人类世（Anthropocene）的提案，认为1950年开始人类引起的变化已足以推动地球进入新的地质时代。尽管人类世的最终确定尚需要更多共识，但不可否认，人类活动已成为陆地环境演变的主导因素[55][57]。人类活动一方面通过植树造林、封山育林、禁牧等措施促进植被覆盖的增加，生态环境的修复；另一方面，人类不合理的资源利用方式和经济发展方式等也会造成植被消亡、土地退化。Neigh等人发现气候变化、严重干旱后的植被恢复、农业扩张、虫灾、火灾以及森林砍伐后植被的再生是北美植被状况呈现增加趋势的主要原因[56][58]。

3 时空尺度对时空变化分析的影响

地理要素的相互作用及其之间的驱动关系导致地理要素在不同的时空尺度下具有不同的时空变化规律，遥感数据某一观测尺度所揭示的时空变化规律不能简单地应用到更高一级或低一级的尺度上[57][59]。只有当观测尺度和分析尺度与所研究对象的特征尺度相匹配时，该观测对象的时空变化规律特征才能被揭示[58][60]。遥感中尺度问题涉及空间和时间两类,在使用有限遥感数据对地理要素进行时空变化分析时不可避免的受时空尺度的影响。

3.1 空间尺度的影响

空间分辨率对时空变化分析的影响，主要来源于地表的异质性和遥感数据特定的空间尺度[59][61]。在使用不同空间尺度的遥感数据时，较大的空间尺度可能掩盖中小尺度上的数据差异；中尺度遥感数据能较好地处理数据的获取与精度的关系，但不能很好地揭示复杂地表的规律性；精细尺度能较为深入地获取地理要素的复杂特征信息，但对数据的质量、数据处理的能力要求过高，同时容易陷入局部，不能全面反映较大区域的地表信息[60][62]。如于磊等[61][63]与官宝红等[62][64]分别使用SPOT 5和Landsat数据研究水质和土地利用结构的相关性，结果不一致的原因可能是流域与亚流域尺度的选择和遥感影像(SPOT5和Landsat)空间分辨率不同导致的。张友静等[63][65]使用MODIS和Landsat遥感数据集反演获取土壤水分时，更高空间分辨率的Landsat影像具有更好的NDWI(归一化水指数)估算结果。毛学刚等[64][66]指出用30m空间分辨率的遥感产品对森林生物量进行地统计分析时，该参量存在明显的尺度效应，如果使用更高空间分辨率的遥感产品进行估算可能得到不同的估算结果。

空间分辨率过低会导致混合像元的存在,当地表覆盖类型异质性较大，且遥感观测空间分辨率较低的时候，则必需考虑混合像元的问题。否则，混合像元分析出来的时空变化结果很可能不是针对某种特定的地表类型[65][67]。

3.2 时间尺度的影响

时间尺度对时空变化分析的影响，主要来源于遥感影像记录地表信息的瞬时性[66][68]。遥感影像的时间序列分析不仅可以定性地揭示地理现象的变化发展规律，也可以定量地来描述地理现象之间的内在联系，有效地认识地理要素时空变化规律、较好地预测地理现象的未来行为[67][69]。然而，使用不同的时间分辨率的数据进行分析常会导致不一致的时间序列分析结果。在热带疏草原地区，旱季开始前或开始时火灾灾情常较轻且不太强烈，而在旱季中后期发生的火灾则剧烈且更加密集，采用较低时间分辨率的遥感数据进行观测，将造成对积极火点预测时刻的误差[68][70]。此外，使用遥感数据产品进行时间序列分析时，仍面临某一遥感数据产品时间序列不够长的问题，无法进行准确的预测和深入的定量分析。如柯长青等[69][71]利用AMSR_E海冰密集度数据产品(2002年—2011年)来观测北极海冰的具体变化情况时，限于时间序列不长，并没有对影响海冰的因素进行全面、深入地定量分析。

地物本身的变化不可忽视，存在渐变、突变等，因此采用不同时间尺度的遥感数据往往会获得不同的时空变化结果。当时间分辨率较低，不容易捕捉到地表的快速变化(例如植被返青，降雪融雪等过程)。另外，时间序列上的变化往往包含着年际变化(渐变过程)，季节性改变(物候)和极端情况下的突变(洪涝、干旱，暴雨，火山爆发等)[70][72]。当所用数据时间分辨率比较低或时间序列比较短时，往往会得到不全面的结论。

4 结束语

综上所述，遥感技术是植被覆盖变化检测获取与监测动态变化的主要技术，其中具有时间连续性的时间序列遥感影像对于空间动态变化检测有重要作用。NDVI时间序列大多使用中低空间分辨率数据，例如：MODIS基于中低空间分辨率的NDVI时间序列不易发现较小尺度下的空间异质性变化，所以需要同时具有更高空间分辨率和保持NDVI时间序列高时间分辨率特性的融合数据进一步探究植被覆盖变化对周边生态环境的影响。因此，进行时空融合得到的数据可以结合高时间分辨率与高空间分辨率优势，实现高时空变化检测。具体的，针对基于多尺度遥感数据植被覆盖变化研究主要分为四点：首先，选取多个模型对高空间分辨率影像和高时间分辨率影像进行数据融合并对比分析；其次，选取最优模型构建高时空分辨率的NDVI时间序列实现变化检测，提升变化检测精度；然后，筛选合适的研究尺度；最后，结合时空优势分析植被覆盖变化情况，确定当地植被覆盖变化对周边生态的影响情况，有利于估测当地生态状况。

参考文献

  1. R. Zurita-Milla,G. Kaiser,J.G.P.W. Clevers,W. Schneider,M.E. Schaepman. Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics[J]. Remote Sensing of Environment,2009,113(9):1874-1885 uarr;

  2. Anatoly A. Gitelson,Yoram J. Kaufman,Robert Stark,Don Rundquist. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment,2002,80(1):76-87.Ts. PUREVDORJ R. TATEISHI,T. ISHIYAMA,Y. HONDA. Relationships between percent vegetation cover and vegetation indices[J]. International Journal of Remote Sensing,1998,19(18):874-905. uarr;

  3. G. Gutman,A. Ignatov. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing,1998,19(8) :1533-1543.Y. Hirano,Y. Yasuoka,T. Ichinose. Urban climate simulation by incorporating satellite-derived vegetation cover distribution into a mesoscale meteorological model[J]. Theoretical and Applied Climatology,2004,79(3-4):175–184. uarr;

  4. 李苗苗. 植被覆盖度的遥感估算方法研究[D].中国科学院研究生院（遥感应用研究所）,2003. uarr;

  5. 陈建军,宜树华,任世龙,秦彧,王晓云.疏勒河上游高寒草地植被盖度反演及精度评价[J].草业科学,2014,31(01):56-65. uarr;

  6. 张云霞,李晓兵,陈云浩.草地植被盖度的多尺度遥感与实地测量方法综述[J].地球科学进展,2003(01):85-93. uarr;

  7. 秦伟,朱清科,张学霞,李文华,方斌.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报(自然科学版),2006(09):163-170. uarr;

  8. M. Stellmes,T. Udelhoven,A. Rouml;der,R. Sonnenschein,J. Hill. Dryland observation at local and regional scale — Comparison of Landsat TM/ETM and NOAA AVHRR time series[J]. Remote Sensing of Environment,2010,114(10): 2111-2125. uarr;

  9. 赵忠明,孟瑜,岳安志,黄青青,孔赟珑,袁媛,刘晓奕,林蕾,张蒙蒙.遥感时间序列影像变化检测研究进展[J].遥感学报,2016,20(05):1110-1125. uarr;

  10. 王巨. 基于时序NDVI植被变化检测与驱动因素量化方法研究[D].兰州大学,2020. uarr;

  11. RANDALL J. DONOHUE,TIM R. McVICAR,MICHAEL L. RODERICK. Climate‐related trends in Australian vegetation cover as inferred from satellite observations, 1981–2006[J]. RANDALL J. DONOHUE;TIM R. McVICAR;MICHAEL L. RODERICK,2009,15(4):1025-1039. uarr;

  12. Rogier de Jong,Sytze de Bruin,Allard de Wit,Michael E. Schaepman,David L. Dent. Analysis of monotonic greening and browning trends from global NDVI time-series[J]. Remote Sensing of Environment,2010,115(2):692-702. uarr;

  13. Feng Tian,Rasmus Fensholt,Jan Verbesselt,Kenneth Grogan,Stephanie Horion,Yunjia Wang. Evaluating temporal consistency of long-term global NDVI datasets for trend analysis[J]. Remote Sensing of Environment,2015,163: 326-340. uarr;

  14. Compton J. Tucker,Jorge E. Pinzon,Molly E. Brown,Daniel A. Slayback,Edwin W. Pak,Robert Mahoney,Eric F. Vermote,Nazmi El Saleous. An extended AVHRR 8‐km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing,2005,26(20):4485-4498. uarr;

  15. Rasmus Fensholt,Simon R. Proud. Evaluation of Earth Observation based global long term vegetation trends — Comparing GIMMS and MODIS global NDVI time series[J]. Remote Sensing of Environment,2012,119:131-147. uarr;

  16. Pieter S.A. Beck,Clement Atzberger,Kjell Arild Hoslash;gda,Bernt Johansen,Andrew K. Skidmore. Improved monitoring of vegetation dynamics at very high latitudes: A new method using MODIS NDVI[J]. Remote Sensing of Environment,2005,100(3):321-334. uarr;

  17. Brian D. Wardlow,Stephen L. Egbert,Jude H. Kastens. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment,2006,108(3):290-310. uarr;

  18. Damien Sulla-Menashe,Robert E. Kennedy,Zhiqiang Yang,Justin Braaten,Olga N. Krankina,Mark A. Friedl. Detecting forest disturbance in the Pacific Northwest from MODIS time series using temporal segmentation[J]. Remote Sensing of Environment,2014,151:114-123. uarr;

  19. 李新,黄春林,车涛,晋锐,王书功,王介民,高峰,张述文,邱崇践,王澄海.中国陆面数据同化系统研究的进展与前瞻[J].自然科学进展,2007(02):163-173. uarr;

  20. 贾铎,王藏姣,牟守国,赵华.基于NDVI时间序列轨迹的草原露天矿区植被时空动态特征[J].应用生态学报,2017,28(06):1808-1816. uarr;

  21. 黄波.时空遥感影像融合研究的进展与趋势[J].四川师范大学学报(自然科学版),2020,43(04):427-434 424. uarr;

  22. 董文全,蒙继华.遥感数据时空融合研究进展及展望[J].国土资源遥感,2018,30(02):1-11. uarr;

  23. A. Shevyrnogov,P. Trefois,G. Vysotskaya. Multi-satellite data merge to combine NOAA AVHRR efficiency with Landsat-6 MSS spatial resolution to study vegetation dynamics[J]. Advances in Space Research,2000,26(7):1131-1133. uarr;

  24. WuMQ，WangCY．Spatial and Temporal Fusion of Remote Sensing Data using wavelet transform[C]// Proceedings of the2011 International Conference on Remote Sensing, Environment and Transportation Engineering (RSETE)．Nanjing:IEEE，2011:1581－1584． uarr;

  25. Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote sensing, 2006, 44(8): 2207-2218. uarr;

  26. Xiaolin Zhu,Jin Chen,Feng Gao,Xuehong Chen,Jeffrey G. Masek. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment,2010,114(11):2610-2623. uarr;

  27. Thomas Hilker,Michael A. Wulder,Nicholas C. Coops,Julia Linke,Greg McDermid,Jeffrey G. Masek,Feng Gao,Joanne C. White. A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing of Environment,2009,113(8):1613-1627. uarr;

  28. Xiaolin Zhu,Eileen H. Helmer,Feng Gao,Desheng Liu,Jin Chen,Michael A. Lefsky. A flexible spatiotemporal method for fusing satellite images with different resolutions[J]. Remote Sensing of Environment,2016,172. uarr;

  29. 蒙继华,吴炳方,杜鑫,钮立明,张飞飞.高时空分辨率NDVI数据集构建方法[J].遥感学报,2011,15(01):44-59. uarr;

  30. 黄波,赵涌泉.多源卫星遥感影像时空融合研究的现状及展望[J].测绘学报,2017,46(10):1492-1499. uarr;

  31. Ashbindu Singh. Review Article Digital change detection techniques using remotely-sensed data[J]. International Journal of Remote Sensing,1989,10(6):989-1003. uarr;

  32. Ramakrishna R. Nemani,Charles D. Keeling,Hirofumi Hashimoto,William M. Jolly,Stephen C. Piper,Compton J. Tucker,Ranga B. Myneni,Steven W. Running. Climate-Driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999[J]. Science,2003,300(5625): 1560-1563. uarr;

  33. 张煦庭. 中国温带地区草地植被动态时空特征及其对气候变化的响应[D].中国农业大学,2018. uarr;

  34. Peilong Liu,Lu Hao,Cen Pan,Decheng Zhou,Yongqiang Liu,Ge Sun. Combined effects of climate and land management on watershed vegetation dynamics in an arid environment[J]. Science of the Total Environment,2017,589:73-88. uarr;

  35. 闫萧萧,李晶,杨震.2000—2016年陈巴尔虎旗植被覆盖度时空变化遥感动态监测[J].中国农业大学学报,2018,23(06):121-129. uarr;

  36. Achim Rouml;der,Joachim Hill,Beatriz Duguy,Joseacute; Antonio Alloza,Ramon Vallejo. Using long time series of Landsat data to monitor fire events and post-fire dynamics and identify driving factors. A case study in the Ayora region (eastern Spain)[J]. Remote Sensing of Environment,2007,112(1):259-273. uarr;

  37. N. Andela,Y. Y. Liu,A. I. J. M. van Dijk,R. A. M. de Jeu,T. R. McVicar. Global changes in dryland vegetation dynamics (1988–2008) assessed by satellite remote sensing: comparing a new passive microwave vegetation density record with reflective greenness data[J]. Biogeosciences,2013,10(10):6657-6676. uarr;

  38. Xiang Zhou,Yasushi Yamaguchi,Sanjiwana Arjasakusuma. Distinguishing the vegetation dynamics induced by anthropogenic factors using vegetation optical depth and AVHRR NDVI: A cross-border study on the Mongolian Plateau[J]. Science of the Total Environment,2018,616-617. uarr;

  39. Curran P. J.,Steven M. D.. Multispectral Remote Sensing for the Estimation of Green Leaf Area Index [and Discussion][J]. Philosophical Transactions of the Royal Society of London. Series A, Mathematical and Physical Sciences (1934-1990),1983,309(1508):257-270. uarr;

  40. Ramakrishna R. Nemani,Steven W. Running,Roger A. Pielke,Thomas N. Chase. Global vegetation cover changes from coarse resolution satellite data[J]. Ramakrishna R. Nemani;Steven W. Running;Roger A. Pielke;Thomas N. Chase,1996,101(D3):7157-7162. uarr;

  41. Jose M. Paruelo,Martin F. Garbulsky,Juan P. Guerschman,Esteban G. Jobbagy. Two decades of Normalized Difference Vegetation Index changes in South America: identifying the imprint of global change[J]. International Journal of Remote Sensing,2004,25(14):2793-2806. uarr;

  42. S. D. Prince,C. J. Tucker. Satellite remote sensing of rangelands in Botswana II. NOAA AVHRR and herbaceous vegetation[J]. International Journal of Remote Sensing,1986,7(11):1555-1570. uarr;

  43. 刘明月,王宗明,满卫东,毛德华,贾明明,张柏,张淼.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类[J].土壤与作物,2017,6(02):104-112. uarr;

  44. 李晓红,陈尔学,李增元,李世明.综合应用多源遥感数据的面向对象土地覆盖分类方法[J].林业科学,2018,54(02):68-80. uarr;

  45. 温国涛,白建军,孙嵩松.基于时间序列遥感数据的陕西省2004—2014年干旱变化特征分析[J].干旱地区农业研究,2018,36(01):221-229. uarr;

  46. 景振华,刘珺,李松青.基于时序NDVI的山西六大煤田土地利用变化研究[J].干旱区资源与环境,2018,32(08):80-86. uarr;

  47. 王建勋,华丽,邓世超,王惠东,陈家慧.基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究[J].中国农业资源与区划,2019,40(05):37-46. uarr;

  48. A.R. Huete,H.Q. Liu,K. Batchily,W. van Leeuwen. A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J]. Remote Sensing of Environment,1997,59(3):440-451. uarr;

  49. DOMINGO ALCARAZ‐SEGURA,EMILIO CHUVIECO,HOWARD E. EPSTEIN,ERIC S. KASISCHKE,ALEXANDER TRISHCHENKO. Debating the greening vs. browning of the North American boreal forest: differences between satellite datasets[J]. Global Change Biology,2010,16(2):760-770. uarr;

  50. Zhongyi Sun,Xiufeng Wang,Haruhiko Yamamoto,Hiroshi Tani,Guosheng Zhong,Shuai Yin,Enliang Guo. Spatial pattern of GPP variations in terrestrial ecosystems and its drivers: Climatic factors, CO 2 concentration and land-cover change, 1982–2015[J]. Ecological Informatics,2018,46:156-165. uarr;

  51. 谢今范,毛德华,任春颖.植被-气候关系遥感分析研究进展[J].东北师大学报(自然科学版),2011,43(03):145-150. uarr;

  52. 孙红雨,王长耀,牛铮,布和敖斯尔,李兵.中国地表植被覆盖变化及其与气候因子关系──基于NOAA时间序列数据分析[J].遥感学报,1998(03):3-5. uarr;

  53. 李本纲,陶澍.AVHRR NDVI与气候因子的相关分析[J].生态学报,2000(05):898-902. uarr;

  54. Shilong Piao,Jingyun Fang,Wei Ji,Qinghua Guo,Jinhu Ke,Shu Tao. Variation in a satellite-based vegetation index in relation to climate in China[J]. Journal of Vegetation Science,2004,15(2):560-567. uarr;

  55. Wei Zhou, Chengcheng Gang, Fuchun Zhou, Jianlong Li, Xiaogang Dong, Chengzhang Zhao,Quantitative assessment of the individual contribution of climate and human factors to desertification in northwest China using net primary productivity as an indicator[J]. Ecological Indicators,2015,48:560-569. uarr;

  56. Christopher S.R. Neigh,Compton J. Tucker,John R.G. Townshend. North American vegetation dynamics observed with multi-resolution satellite data[J]. Remote Sensing of Environment,2007,112(4):1749-1772. uarr;

  57. 宋长青,程昌秀,史培军.新时代地理复杂性的内涵[J].地理学报,2018,73(07):1204-1213. uarr;

  58. 张娜.生态学中的尺度问题:内涵与分析方法[J].生态学报,2006(07):2340-2355. uarr;

  59. 刘雅妮,辛晓洲,柳钦火,周春艳.基于多尺度遥感数据估算地表通量的方法及其验证分析[J].地球科学进展,2010,25(11):1261-1272. uarr;

  60. 曾红伟,李丽娟.澜沧江及周边流域TRMM 3B43数据精度检验[J].地理学报,2011,66(07):994-1004. uarr;

  61. 于磊,赵彦伟,汪思慧,田竹君.不同时空尺度下流域景观格局与水质的相关性研究——以嫩江右岸典型子流域为例[J].水土保持通报,2011,31(05):254-258 263. uarr;

  62. 官宝红,李君,曾爱斌,邓劲松,张军.杭州市城市土地利用对河流水质的影响[J].资源科学,2008(06):857-863. uarr;

  63. 张友静,王军战,鲍艳松.多源遥感数据反演土壤水分方法[J].水科学进展,2010,21(02):222-228. uarr;

  64. 毛学刚,王静文,范文义.基于遥感与地统计的森林生物量时空变异分析[J].北京林业大学学报,2016,38(02):10-19. uarr;

  65. Dengsheng Lu. The potential and challenge of remote sensing-based biomass estimation[J]. International Journal of Remote Sensing,2006,27(7):1297-1328. uarr;

  66. 万昌君,吴小丹,林兴稳.遥感数据时空尺度对地理要素时空变化分析的影响[J].遥感学报,2019,23(06):1064-1077. uarr;

  67. 罗芳琼,吴春梅.时间序列分析的理论与应用综述[J].柳州师专学报,2009,24(03):113-117. uarr;

  68. Alves Daniel Borini,Peacute;rez-Cabello Fernando. Multiple remote sensing data sources to assess spatio-temporal patterns of fire incidence over Campos Amazocirc;nicos Savanna Vegetation Enclave (Brazilian Amazon).[J]. The Science of the total environment,2017,601-602. uarr;

  69. 柯长青,彭海涛,孙波,谢红接.2002年—2011年北极海冰时空变化分析[J].遥感学报,2013,17(02):459-466 452-458. uarr;

  70. Rogier Jong, Jan Verbesselt, Michael E. Schaepman, et al. Trend changes in global greening and browning: contribution of short‐term trends to longer‐term change. 2012, 18(2):642-655. uarr;

资料编号：[260430]

基于多尺度遥感数据植被覆盖时空变化研究进展

摘要：覆盖度作为植被的直观量化指标,很大程度上反映了植被的基本情况,是研究水文、气象、生态等方面区域或全球性问题的基础数据,在其理论和模型中普遍使用。同一区域不同时期大量历史数据的积累，以及同一区域能够方便地获取高时间分辨率遥感数据，使遥感时间序列变化检测成为近年来的研究热点。本文系统总结和评述了基于多尺度遥感数据植被覆盖时空变化研究当前的研究进展和应用情况，并对优缺点进行了对比分析。最后，指出了基于多尺度遥感数据植被覆盖时空变化研究的重点。

关键词：植被覆盖度，NDVI，遥感时间序列，数据融合，尺度

0 引言

作为陆地生态生态系统最重要的组成部分，植被在水循环、物质循环、能量流动和信息流交换的过程中扮演着重要的媒介作用，在平衡陆地碳循环和稳定气候系统的过程中同样发挥着不可或缺的作用[1][1]。植被覆盖度(Fractional Vegetation Cover，FVC)是指植被（包括叶、茎、枝）在地面的垂直投影占统计区的面积比[2][2,3]，是表征地表植被覆盖状况的重要参数。植被覆盖度及其变化特征是区域生态环境变化的重要指标[3][4,5]，监测植被覆盖度在时间、空间上的变化对维持陆地生物多样性及生态环境的恢复与保护具有重要意义。

目前，植被覆盖度估测方法主要包括地面测量法和遥感反演法[4][6]。地面测量法简单、精度高，常作为遥感反演精度评价依据[5][7]，但受测量者主观经验影响较大[6][8]。随着科学技术的发展，遥感测量逐渐成为植被覆盖监测的主要途径[7][9]，为大范围长时间序列分析植被覆盖度提供了一种极其有效的手段[8][10]。

1 植被遥感时间序列构建

基于遥感时间序列的变化检测方法得益于其他领域，如医学、信号处理、金融、机器视觉等时间序列分析和检测技术的发展[9][11]。其核心思想是通过对表征植被状况的某一遥感参数构建的连续时间序列，采用一定的算法提取和检测存在于这些时间序列上的变化特征和规律，从而描述植被的长期变化过程。因此，基于遥感时间序列的选择往往涉及两个方面的内容，即遥感时间序列数据集的选择和时空数据融合方法的选择。

1.1 遥感时间序列数据集

传感器自身特征会影响植被长期变化的检测结果，因此，在选择遥感时间序列数据产品之前，需要全面了解各个传感器及其产品在植被观测方面的优缺点。目前，用于植被长期变化研究的遥感数据产品主要来源于以下几种传感器：AVHRR、MODIS、SPOT VGT、Landsat TM/ETM/OLI（Thematic Mapper/Enhanced Thematic Mapper/Operational Land Imager）[10][12]等（表1）。

表1 植被长期变化研究常采用的遥感传感器及其特征

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章