EN中文

地球信息科学学报 >

2014 , Vol. 16 >Issue 5: 823 - 816

DOI: https://doi.org/10.3724/SP.J.1047.2014.00815

青藏高原典型植被生长季遥感模型提取分析

  • 常清 , 1, 2 ,
  • 王思远 , 1*, * ,
  • 孙云晓 1, 2 ,
  • 殷慧 1, 2 ,
  • 尹航 1, 3
展开
  • 1. 中国科学院遥感与数字地球研究所,北京 100094
  • 2. 中国科学院大学,北京 100049
  • 3. 中国地质大学, 北京 100083
*通讯作者：王思远(1972-),男,研究员,研究方向为遥感地学分析与陆地生态系统。E-mail:

作者简介：常 清（1988-）,女,硕士生,研究方向为植物物候与全球变化。E-mail:

收稿日期: 2013-10-11

  要求修回日期: 2013-12-04

  网络出版日期: 2014-09-04

基金资助

国家自然科学基金项目(41271426)

国家“973”计划项目(2011CB707100)

收起

The Remote Sensing Monitoring Model of the Typical Vegegtation Phenology in the Qinghai-Tibetan Plateau

  • CHANG Qing , 1, 2 ,
  • WANG Siyuan , 1, * ,
  • SUN Yunxiao 1, 2 ,
  • YIN Hui 1, 2 ,
  • YIN Hang 1, 3
Expand
  • 1. Institute of Remote Sensing and Digital Earth, CAS, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. China University of Geosciences, Beijing 100083, China
*Corresponding author: WANG Siyuan, E-mail:

Received date: 2013-10-11

  Request revised date: 2013-12-04

  Online published: 2014-09-04

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

物候变化是衡量全球气候变化最直接、敏感的指示器,针对青藏高原这个独特地域单元上特殊的高寒植被进行关键物候期遥感提取模型及植被物候时空变化的研究具有重要的意义。本文首先以反距离加权空间插值算法与Savitzky-Golay滤波算法相结合的数据重建模型获得高质量2003-2012年青藏高原MODIS归一化植被指数(NDVI)数据。在此数据基础上,分别利用动态阈值法、最大变化斜率法、logistic曲线拟合法3种遥感植被生长季提取模型,对青藏高原地区两种典型植被的生长季(SOS生长季开始期,EOS生长季结束期,LOS生长季长度)进行提取。通过对3种模型提取结果的对比分析,并结合日均温模型对提取结果的验证发现,动态阈值法为青藏高原地区典型植被生长季的最优遥感提取模型。该模型对近10 a的高分辨率典型高寒植被物候参量的反演及时空变化特征分析表明,受青藏高原水热及海拔梯度的影响,青藏高原植被物候变化呈现出从东南向西北的空间分异规律,随春季温度的升高,近10 a来青藏高原高寒草地总体呈现生长季开始期(SOS)提前(0.248 d/a)的趋势。

关键词： 青藏高原; 物候学; 生长季; 遥感提取模型; 对比分析; 时空变化

本文引用格式

常清 , 王思远 , 孙云晓 , 殷慧 , 尹航 . 青藏高原典型植被生长季遥感模型提取分析[J]. 地球信息科学学报, 2014 , 16(5) : 823 -816 . DOI: 10.3724/SP.J.1047.2014.00815

Abstract

Vegetation phenology changes is one of the most direct and sensitive indicators of global climate change and it has become the focus problem of the word studies. The Qinghai-Tibetan Plateau is a unique geographical unit covered by alpine vegetation types so that it is very important to study the remote sensing monitoring model of these vegetation types’ phenology. Firstly, Based on MODIS Normalized Difference Vegetation Index (NDVI) data from 2003 to 2012, we reconstructed the long-term time-series datasets through the combination of Inverse Distance Weighted Interpolation and Savitzky-Golay fitting method. After filtering, the obvious noise is removed but the detail information of vegetation growth is kept well so that the time-series curve is definitely suitable for the extraction of phenology paramethers. Then, we studied the extraction models of the typical vegetation phenology in the Qinghai-Tibetan Plteau with dynamic threshold value method, biggest change slope method and logistic curve fitting method. We compared and analyzed the monitoring results based on the nearly ten years NDVI dataset using the relationship between vegetation growing characteristics and daily mean temperature and then selected the dynamic threshold value method as the best model for typical vegetation phenology extraction in the Qinghai-Tibetan Plateau. Finally, we extracted the phenology information of grassland in the plateau with dynamic threshold value model. After the analysis of nearly ten years vegetation phenology, the results showed that the alpine grassland in the plateau experienced the trend of start of season (SOS) advancing (the ratio is 0.248d/a) as the end of season (EOS) following a more complex rule. The andvanced SOS manily caused by the rise of spring temperature and the influence of precipation is not significant. What’s more, the vegetation phenology and variation trends in the plateau showed obvious spatial distribution rule from the southeast to the northwest.

Key words： Qinghai-Tibetan Plateau; phenology; growing season; remote sensing monitoring model; comparison and analysis; temporal and spatial variation

1 引言

植被物候变化反映了地球生物圈对地球气候与水文系统季节和年际变化的响应,对深入研究全球气候变化及陆地生态系统具有十分重要的意 义[1]。遥感技术的发展,为植被物候监测及时空动态分析提供了新的手段[2]。青藏高原由于其特殊的地势和地理位置形成了非地带性的高原气候,对全球气候变化影响巨大[3],因此,对青藏高原典型植被物候特征开展深入系统的研究非常重要。
许多研究者采用不同分辨率的遥感植被指数数据,提出了以遥感数据提取物候信息的相关算法,即阈值法[4-5]、延迟滑动平均法[6-7]、曲线拟合法[8]、最大变化斜率法[9]、累积频率法[10]、主成分分析法[11]。目前,还没有一种算法得到统一认可并能在所有植被类型中广泛适用[12]。特别是对于青藏高原地区的典型高寒植被,由于研究中使用的物候遥感提取模型不同,其得出的植被物候变化结论也不一致。宋春桥等[13]基于动态阈值法研究发现2000-2010年藏北高原地区60%的区域植被返青期提前,而枯黄期年际变化不明显。DING M等[14]利用最大比率和阈值法相结合的方法研究发现,1999-2000年间青藏高原地区高寒草地91.73%的区域SOS呈现提前趋势,76.92%的区域EOS具有提前趋势。JIN Z等[15]利用多年NDVI平均生长曲线特征确定阈值的方法研究发现1999-2008年间60%的区域SOS推迟。以往研究中,多采用单一的遥感物候提取算法进行研究,对多种算法在各地尤其是青藏高原地区进行物候提取的对比研究相对较少。算法提取结果对比研究工作的缺少,对分析青藏高原地区物候提取结果及精度的评价造成了很大不便。
本文首先选择3种具有典型代表性的物候遥感提取算法,即动态阈值法、最大变化斜率法及logistic曲线拟合法,结合算法原理及青藏高原植被生长特征,在实验分析的基础上,分别设定提取参数,对青藏高原典型植被生长季(开始期(Start of Season, SOS)、结束期(End of Season, EOS)、生长季长度(Length of Season, LOS))进行遥感模型提取分析,选择最优提取模型。最后,以该模型对近10 a来青藏高原典型高寒植被生长季时空动态变化特征进行了分析。

2 研究区域与数据

青藏高原作为地球的“第三极”,位于东经 74~104º,北纬25~40º,平均海拔4000~5000 m,是全球变化最敏感的区域。青藏高原地区植物种类繁多,植物地理成分交错,植被类型复杂、植物资源丰富。青藏高原以高寒耐旱植物为主,其中,高寒草原、高寒草甸和苔原分布最为广泛,分别占青藏高原地区的28%,25%（图1）。高寒草原主要分布在高原亚寒带干旱及半干旱地区,而高原草甸主要分布在高原亚寒带温润及半湿润地区。
本文采用的研究数据是由NASA网站下载的2003-01-01至2012-12-31 Moderate-resolution Imaging Spectro radiometer（MODIS）陆地2级标准数据NDVI产品数据集（MOD13Q1）,采用Sinusoidal投影方式,具有250 m的空间分辨率,每隔16 d提供一次。该数据集由MODIS地面反射率产品经过去云及大气校正后,采用最大值合成法（MVC）在像元水平上计算合成。该数据集全年共23景,全部时间段内共计230景。
Fig.1 Vegetation types of the Qinghai-Tibetan Plateau

图1 青藏高原植被分布图（数据来源于中国科学院地理科学与资源研究所2000年1:100万植被类型图）

3 青藏高原植被生长遥感模型提取分析

3.1 青藏高原植被生长期遥感提取模型

3.1.1 时间序列植被遥感NDVI数据重建
尽管MODIS观测数据经过严格的预处理,并采用最大值合成法进行合成,但得到的产品依然受云、汽溶胶及水汽等影响。为了降低云和大气对NDVI时间序列的影响,需要对NDVI时间序列进一步平滑。
目前,国际和国内学者已经发展了多种时间系列重建的方法,即最佳指数斜率提取方法(BISE)[16-17]、时间窗内的线性内内插(TWO)[18]、Savitzky-Golay滤波方法(S-G)[19]、傅里叶变换法[20-21]、谐波分析法(HANTS)[22]等。S-G滤波法在拟合时远离大多数点的边沿点不参与拟合,可有效去除偏离正常生长趋势线的部分噪声,在植被NDVI数据重建中具有突出的优势。因此,本文在充分考虑MOD13Q1数据集及青藏高原典型植被NDVI特点的基础上,依据Chen等[23]和Bian[24]等提出的利用S_G滤波法重建高质量时间序列数据的算法,采用云、雪像元反距离加权空间插值与S-G滤波相结合的处理模型,对青藏高原2003-2012年NDVI时间序列数据以每个像元进行重建,具体流程如图2所示。为消除土壤背景影响,本文在重建前去除了原始影像中全年NDVI最大值小于0.2的像元[25-26]。
Fig.2 Flowchart of the NDVI time-series resconstruction method

图2 NDVI时序数据重建流程

在时间序列NDVI数据重建中,主要涉及以下2项关键技术：
（1）去除云、雪像元的反距离加权空间插值
对像元可信度数据层中标注为云、雪的像元（值为2或3）,进行8方向搜索,寻找最近的8个非云、雪像元,并根据反距离加权插值法获得纠正后的NDVI数据。
NDVI = ∑ i = 1 8 λ i NDV I i , λ i = d i - 1 ∑ i = 1 8 d i - 1 (1)
式（1）中, d i 为搜索出的非云、雪像元与待替代云、雪像元间的距离; λ i 即插值计算时的权值。
（2）S-G滤波算法
S-G滤波是一种移动窗口的加权平均算法,其加权系数通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出[19],其公式为：
Y j * = ∑ i = - m i = m C i Y j + i N (2)
式（2）中, Y j * 为合成序列数据; Y j + i 代表原始序列数据; C i 为滤波系数;N为滑动窗口所包含的数据点(2m+1)。
3.1.2 青藏高原典型植被物候遥感提取模型
通过优化选择,动态阈值法、最大变化斜率法及logistic曲线拟合法,结合青藏高原植被生长特征,在实验验证的基础上建立青藏高原典型高寒植被物候遥感提取模型。3种遥感物候提取算法原理如下：
（1）阈值法。根据预先设定的植被指数值或有关的参考值来确定关键物候期信息。本文采用动态阈值法[27]来确定植被物候期。
NDVI ( t ) = ( NDV I max - NDV I min ) × 20 % (3)
其中, NDV I max 为一年中植被NDVI最大值; NDV I min 为NDVI上升阶段中的最小值; t 为一年中植被生长季开始期。同样的方法,NDVI下降阶段,确定植被生长季结束期。
考虑到研究采用植被遥感数据时间间隔为 16 d,为降低数据时间尺度对物候期提取的影响,处理过程中假设在相邻两幅影像的16 d间隔内,植被NDVI值呈线性增长模式。本研究中,基于动态阈值法对青藏高原地区进行植被物候提取过程中,采用线性插值的算法来获取青藏高原连续的NDVI数据,以提取更为准确的物候信息。
（2）最大变化斜率法。由Yu等[9]提出,基于建立的标准NDVI时间序列数据,在NDVI曲线上升阶段计算植被物候开始期,下降阶段计算植被物候结束期。最大变化斜率模型的计算公式为：
θ t = arctan ( y t - y t - 1 ) ,   θ t + 1 = arctan ( y t + 1 - y t ) Δ θ t = θ t + 1 - θ t (4)
式(4)中, y t - 1 指t-1时的NDVI值; y t 指t时的NDVI值; y t + 1 指t+1时的NDVI值; Δ θ t 指t时倾斜角变化值。
（3）logistic曲线拟合法。将植被生长过程通过logistic模型进行拟合[28],根据拟合曲线变化特点确定植被物候期。青藏高原典型高寒植被NDVI每年只有一个峰值,从年初到植被峰值结束利用上升的logistic曲线拟合植物生长阶段,从峰值到年末利用下降的logistic曲线拟合植物的衰落过程。logistic模型公式如式（5）所示：
NDVI ( t ) = c 1 + e ( a + b × t ) + d (5)
通过计算拟合曲线曲率变化率k′的极大值来确定植物物候期。曲率变化速度计算公式如式（6）所示。
k ' = b 3 cz { 3 z ( 1 - z ) ( 1 + z ) 3 2 ( 1 + z ) 3 + b 2 c 2 z ] [ ( 1 + z ) 4 + ( bcz ) 2 ] 5 2 - ( 1 + z ) 2 ( 1 + 2 z - 5 z 2 ) [ ( 1 + z ) 4 + ( bcz ) 2 ] 3 2 } (6)
式(5)-(6)中, NDVI ( t ) 为时间 t 时NDVI值; a 和 b 为拟合参数; d 为NDVI初始背景值; c + d 为NDVI最大值,z=ea+bt。

3.2 高寒植被物候遥感模型提取结果与分析

3.2.1 长时间序列NDVI数据重建
利用反距离加权空间插值算法与S-G滤波算法相结合的处理模型,对2003-2012年MODIS NDVI数据进行重构。S-G循环滤波过程中,当拟合效果指数达到最小时,结束程序,获得重构后的高质量时间序列曲线。由图3中验证点时间序列曲线重构结果可看出,该时间序列数据处理模型,能够很好地纠正原始NDVI时间序列曲线中的突变噪声,曲线不仅取得较好的平滑,同时也保留了真实的细节信息,而且平滑曲线符合植被生长规律,有利于植被物候期的高精度信息提取。
Fig.3 Results of NDVI time-series reconstructing

图3 长时间序列数据重构结果

3.2.2 青藏高原高寒植被物候期遥感提取
基于重构后的高质量NDVI时间序列数据,分别利用动态阈值法、最大变化斜率法、logistic曲线拟合法,提取青藏高原高寒草原、高寒草甸和苔原两种典型高寒植被的生长开始期（SOS）、生长结束期（EOS）及生长季长度（LOS）,结果如图4所示。对结果进一步分析可得如下结论：
（1）对3种模型的提取结果进行相关性分析,结果表明动态阈值法与logistic曲线拟合法的提取结果具有显著相关性（r>0.9,p<0.01）,其与最大变化斜率方法的提取结果均无明显相关性。最大变化斜率方法以NDVI序列曲线上曲率角变化值最大的点作为物候开始期、结束期,造成其提取结果与其他两种方法有明显差别,应主要归因于研究选择的数据时间尺度较大,相邻两幅影像16 d内的倾斜角变化值相同。鉴于曲率角变化斜率方法存在的缺陷,以下不再对此方法的提取结果做具体分析。
（2）对比分析动态阈值法及logistic曲线拟合法的提取结果发现,动态阈值法提取出的SOS比 logistic曲线拟合法提取出的SOS平均提前4天左右,EOS推后5天左右,LOS长9天左右。由于青藏高原地区植被物候观测数据稀少,因此,我们将通过气象观测站点的日平均温度对遥感提取的植被生长季进行间接验证。
（3）就矮嵩草草甸而言,当日均气温≥0 ℃开始,植物萌动发芽[29]。本文章利用草甸与日均温的这一关系,根据高寒草甸区内气象站点的气象观测资料计算日均温≥0 ℃的初始日期(图5),依据日均温模型对不同遥感生长季的提取结果进行验证结果表明,近10a,青藏高原草甸开始萌动发芽的日期为3月21日,动态阈值模型及logistic曲线拟合模型提取出的对应日期分别为3月26日、3月31日。另外,标准偏差 σ （式(7)）分析结果也表明,动态阈值模型提取出的高寒草甸SOS与日均温模型计算出的草甸开始生长期更为接近(动态阈值模型与logistic曲线拟合模型标准偏差分别为 125.8 , 180 . 3 )。
σ = ( x i - μ i ) 2 n (7)
式（7）中,Xi为遥感提取模型提取出的第i年的植被生长开始期;μi为第i年日均温≥0 ℃的初始日期;n为研究总年数。
Fig.4 Monitoring results of the typical vegetation phenology in the Qinghai-Tibetan Plateau based on three different models

图4 基于3种模型的青藏高原典型植被物候期遥感提取结果

结合以上分析,本研究将利用动态阈值法对青藏高原地区典型植被生长季的时空动态变化及影响因子进行分析。
Fig.5 The start data when mean daily temperature of alpine meadow exceed 0℃ (2003-2012)

图5 高寒草甸日均温≥0℃的初始日期（2003-2012年）

3.2.3 青藏高原典型植被物候时空动态分析
分析近10 a来青藏高原典型植被物候时空动态变化特征发现,青藏高原典型植被物候受海拔梯度及水热条件影响呈现较明显的空间分异规律。由物候多年平均值的空间分布(图6(a)、(b)、(c))可看出,2003-2012年,从东南向西北,SOS逐渐推迟,EOS逐渐提前,LOS逐渐缩短。在西南部地区,植被SOS及EOS均出现较晚,LOS持续时间最短;东部边缘地区,植被生长开始早,结束晚,LOS持续时间最长。
针对研究区内每个像元,利用线性回归方法,由回归系数分析青藏高原近10 a的典型植被物候期年际变化趋势的空间分布特征（图6(d)、(e)、(f))发现,2003-2012年间青藏高原典型植被55.97%的区域SOS表现为提前趋势,主要集中在青藏高原东部,44.03%的区域SOS表现为推迟趋势,且主要集中在青藏高原西南部高海拔地区。57.67%的区域EOS表现为提前趋势,主要集中在青藏高原中部地区;42.33%的区域EOS表现为推迟趋势,主要集中在青藏高原东部及西南部地区。并且,青藏高原典型植被EOS年际波动较小,67.58％的区域EOS提前或推迟速率小于1d/a。青藏高原典型植被51.13%的区域LOS呈延长趋势,主要集中在青藏高原东部;48.87%的区域LOS呈缩短趋势,主要集中在青藏高原西部。
Fig.6 Spatial distribution and temporal trends of start of season (SOS), end of season (EOS) and length of season (LOS) for the period of 2003-2012; ten years averaged SOS(a), EOS(b) and LOS(c); ten years trends of SOS(d), EOS(e) and LOS(f)

图6 2003-2012年间青藏高原典型高寒植被生长季时空动态变化

目前,已有较多研究成果表明,近年来青藏高原地区植被物候开始期具有提前趋势。SHEN M等[30]研究发现,青藏高原草地在1998-2003年SOG推迟而2003-2009年SOG提前,但整体呈现提前趋势。LIU L等[31]研究发现,受全球变暖影响,青藏高原高寒草甸及高寒草原的生长季出现不同程度的提前。目前,对青藏高原植被EOS的研究工作比SOS要少,DING M等[14]的研究表明,与SOS相比,青藏高原植被EOS变化趋势表现更为复杂。游松财等[32]研究发现藏北高原植被物候受地形影响较大,随着海拔的升高向西北方向延伸植被SOS推迟、LOS减小。这些研究成果均与本文得出的趋势保持了很好的一致性。
3.2.4 青藏高原植被物候年际变化影响因子
考虑到青藏高原地形复杂、气象站点稀少的特点,为提高气象数据的合理性及准确性,首先在气象站点数据采集过程中对错测、缺测数据进行了剔除或添补处理;其次,利用反向距离加权平均的方法插值,并根据DEM数据对于气象数据中与温度有关的要素对插值后的数据进行了校对;最后,得出每个像元的青藏高原地区温度、降水数据。
综合分析2003-2012年间青藏高原地区高寒草原、高寒草甸和苔原及高寒草地整体的植被SOS与相应地区春季（3、4、5月份）温度、春季降水,植被EOS对秋季（9、10、11月份）温度、秋季降水数据的关系。分析结果表明（表1）,青藏高原高寒草地地区植被物候SOS变化对春季温度变化关系响应显著(负相关),对春季降水变化的响应并不明显,而植被EOS变化与秋季温度及降水的变化都没有明显相关性。
Tab.1 The correlational analysis between the SOS in Qinghai-Tibetan Plateau and meteorological data

表1 青藏高原植被SOS与气象数据的相关性

春季温度(℃) 春季降水(mm) 秋季温度(℃) 秋季降水（mm)
高寒草原的SOS -0.32 –0.32 高寒草原的EOS 0.19 0.11
高寒草甸和苔原的SOS -0.67 –0.11 高寒草甸和苔原的EOS 0.24 -0.02
高寒草地的SOS -0.66 –0.24 高寒草地的EOS 0.37 0.28
具体分析青藏高原植被SOS与春季温度的响应关系（图7）表明,近10 a随青藏高原高寒草地春季温度呈升高趋势,高寒草地植被SOS呈提前趋势。其中,高寒草原SOS提前速率为0.193 d/a（图7(a)）,高寒草甸和苔原SOS提前速率为0.34 5d/a（图7(b)）,高寒草地整体SOS提前速率为0.248 d/a（图7(c)）。进一步分析图7曲线变化特点发现,植被物候SOS在短期内也会随着气候变化发生转折,其中,2003-2007年,随青藏高原春季温度呈升高趋势,青藏高原典型植被SOS表现出提前的趋势;2007-2013年,随春季温度呈降低趋势,青藏高原典型植被SOS表现出推迟的趋势。同样的方法研究得出,近10 a青藏高原植被EOS变化趋势更为复杂,其中,高寒草原EOS呈推迟趋势,推迟速率为 0.109 d/a,高寒草甸和苔原EOS呈提前趋势,提前速率为0.333 d/a,高寒草地整体EOS呈推迟趋势,推迟速率为0.248 d/a。
Fig.7 The response of phenological phases (SOS, EOS) to temperature and precipitation changes in the Qinghai-Tibetan Plateau

图7 青藏高原典型植被物候期（SOS、EOS）对温度、降水变化的响应

4 结论

通过对青藏高原典型植被物候的系统研究,本文得出如下结论：
（1）反距离加权空间插值与S-G滤波相结合的数据重建模型,充分考虑了MOD13Q1数据集的特点,在重建高质量NDVI长时间序列数据中取得了很好的效果,为青藏高原典型植被关键物候期的遥感提取提供了良好的数据基础。
（2）根据对比分析不同遥感物候提取算法对青藏高原地区典型植被物候的提取结果,并利用日均温模型对提取结果的验证,表明最大变化斜率法存在较大缺陷,动态阈值法与logistic曲线拟合方法的提取结果,虽然在具体天数上有一定的区别,但在研究植被长时间物候变化趋势上却保持了很高的一致性。
动态阈值法通过设定动态阈值条件来确定关键物候期,最大变化斜率方法,以NDVI序列曲线上曲率角变化值最大的点作为物候开始期、结束期。动态阈值法选用研究数据中插值方法的选择,物候信息提取时动态阈值的选择,logistic曲线拟合法中曲线拟合精度的评价标准,这些因素都直接影响植被物候期的确定,造成2种方法提取结果的差异。另外,遥感方法是以传感器获取的植被绿度信息进行植被物候特征参数的提取,与传统物候观测方法中记录的植被物候期(如抽叶、开花、结果等)不严格一致,再加上青藏高原地区植被物候观测数据稀少,造成了植被物候验证工作的难度。
本文对比分析中,动态阈值法虽比其他两种方法表现出更多的优越性,但仍需根据实地观测资料对提取结果进行验证。因此,需进一步分析各模型的提取精度,发展一种更合理、更精确的青藏高原典型植被遥感物候期提取算法。此外,结合青藏高原植被生长特点,发展一种更为准确的 NDVI曲线插值方法来获取更符合植被生长规律的连续性NDVI数据,也是提高植被物候提取精度的研究方向之一,我们将对此做进一步研究。
（3）对青藏高原典型植被物候期动态阈值法的提取结果进行分析发现,2003-2012年间,青藏高原高寒草地总体呈现SOS提前的趋势,而EOS的变化规律较为复杂,SOS的提前主要归因于春季温度的升高,与降水变化无明显相关性。另外,植被物候SOS在短期内也会随着气候变化发生转折,植被SOS及EOS对温度及降水的响应规律较为复杂,仍需进一步研究。研究还表明,青藏高原地区高寒植被近10 a平均物候期及物候期变化趋势呈现从东南向西北逐渐变化的空间分布规律,这可能与青藏高原海拔高度及气候区划有一定关系。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Parmesan C, Yohe G.A globally coherent fingerprint of climate change impacts across natural systems[J]. Nature, 2003,421(6918):37-42.

[2]
Moulin S, Kergoat L, Viovy N, et al.Global-scale assessment of vegetation phenology using NOAA/AVHRR satellite measurements[J]. Journal of Climate, 1997,10(6):1154-1170.

[3]
Mo Shenguo,Zhang Baiping,Cheng Weiming, et al.Major environment effects of the Tibetan Plateau[J]. Progress in Geograph, 2004, 23(2):88-96.

[4]
Lloyd D.A phenological classification of terrestrial vegetation cover using shortwave vegetation index imagery[J]. TitleREMOTE SENSING, 1990,11(12):2269-2279.

[5]
Zhou L, Tucker C J, Kaufmann R K, et al.Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2001,106(D17):20069-20083.

[6]
Reed B C, Brown J F, VanderZee D, et al. Measuring phenological variability from satellite imagery[J]. Journal of Vegetation Science, 1994,5(5):703-714.

[7]
Schwartz M D, Reed B C, White M A.Assessing satellite-derived start-of-season measures in the conterminous USA[J]. International Journal of Climatology, 2002,22(14):1793-1805.

[8]
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[J]. International Journal of Biometeorology, 2001,45(4):184-190.

[9]
Yu F, Price K P, Ellis J, et al.Response of seasonal vegetation development to climatic variations in eastern central Asia[J]. Remote sensing of environment, 2003,87(1):42-54.

[10]
Chen X, Tan Z, Schwartz M D, et al.Determining the growing season of land vegetation on the basis of plant phenology and satellite data in Northern China[J]. International Journal of Biometeorology, 2000,44(2):97-101.

[11]
Wen G.Seasonal phenological characteristics in East China monitor with AVHRR normalized difference vegetation index[J]. Journal of Remote Sensing,1998,2(4):270-275.

[12]
White M A, Beur S D, Kirsten M, et al.Intercomparison, interpretation, and assessment of spring phenology in North America estimated from remote sensing for 1982-2006[J]. Global Change Biology, 2009,15(10):2335-2359.

[13]
Song C Q,You S C, Ke L H, et al.Spatio-temporal variation of vegetation phenology in the Northern Tibetan Plateau as detected by MODIS remote sensing[J]. Chinese Journal of Plant Ecology, 2011,35(8):853-863.

[14]
Ding M, Zhang Y, Sun X, et al.Spatiotemporal variation in alpine grassland phenology in the Qinghai-Tibetan Plateau from 1999 to 2009[J]. Chinese Science Bulletin, 2013,58(3):396-405.

[15]
Jin Z, Zhuang Q, He J-S, et al.Phenology shift from 1989 to 2008 on the Tibetan Plateau: An analysis with a process-based soil physical model and remote sensing data[J]. Climatic Change, 2013,119(2):435-449.

[16]
Viovy N, Arino O, Belward A.The Best Index Slope Extraction (BISE): A method for reducing noise in NDVI time-series[J]. International Journal of Remote Sensing, 1992,13(8):1585-1590.

[17]
Lovell J, Graetz R.Filtering pathfinder AVHRR land NDVI data for Australia[J]. International Journal of Remote Sensing, 2001,22(13):2649-2654.

[18]
Park J, Tateishi R, Matsuoka M.A proposal of the Temporal Window Operation (TWO) method to remove high-frequency noises in AVHRR NDVI time series data[J]. Journal of the Japan Society of Photogrammetry and Remote Sensing, 1999,38(5):36-47.

[19]
Savitzky A, Golay M J.Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical chemistry, 1964,36(8):1627-1639.

[20]
Cihlar J.Identification of contaminated pixels in AVHRR composite images for studies of land biosphere[J]. Remote sensing of environment, 1996,56(3):149-163.

[21]
Roerink G, Menenti M, Verhoef W.Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000,21(9):1911-1917.

[22]
Wang D, Jiang X G, Tang L L, et al.The application of time-series fourier analysis to reconstructing cloud-free NDVI images[J]. Remote Sensing For Land & Resources, 2005,64(2):29-32.

[23]
Chen J, Jönsson P, Tamura M, et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote sensing of environment, 2004,91(3):332-344.

[24]
Bian J, Li A, Song M, et al.Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010,14(4):22-27.

[25]
Montandon L, Small E.The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI[J]. Remote sensing of environment, 2008,112(4):1835-1845.

[26]
顾娟,李新,黄春林.基于时序MODIS NDVI 的黑河流域土地覆盖分类研究[J].地球科学进展, 2010,25(3):317-326.

[27]
Jönsson P, Eklundh L.TIMESAT-a program for analyzing time-series of satellite sensor data[J]. Computers & Geosciences, 2004,30(8):833-845.

[28]
Zhang X, Friedl M A, Schaaf C B, et al.Monitoring vegetation phenology using MODIS[J]. Remote sensing of environment, 2003,84(3):471-475.

[29]
李英年,赵新全,曹广民,等.海北高寒草甸生态系统定位站气候、植被生产力背景的分析[J].高原气象,2004,23(4):558-567.

[30]
Shen M.Spring phenology was not consistently related to winter warming on the Tibetan Plateau[J]. Proceedings of the National Academy of Sciences, 2011,108(19):E91-E92.

[31]
Liu L, Liu L, Hu Y.Response of spring phenology to climate change across Tibetan Plateau[C]. Remote Sensing, Environment and Transportation Engineering (RSETE), 2012 2nd International Conference on. IEEE, 2012: 1-4.

[32]
You S C, Song C Q, Ke L H, et al.Spatial distribution characteristics of vegetation phenology in northern Tibetan Plateau based on MODIS enhanced vegetation index[J]. Chinese Journal of Ecology, 2011,30(7):1513-1520.

Options
文章导航

/

〈 〉