EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 6: 732 - 741

DOI: https://doi.org/10.3724/SP.J.1047.2015.00732

遥感科学与应用技术

MODIS EVI时序数据重建方法及拟合分析

  • 王乾坤 1 ,
  • 于信芳 , 2, * ,
  • 舒清态 1 ,
  • 尚珂 1 ,
  • 文可戈 2
展开
  • 1. 西南林业大学林学院,昆明 650224
  • 2. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
*通讯作者：于信芳(1978-),女,博士,研究方向为植被生态遥感,土地利用/覆被变化。E-mail:

作者简介：王乾坤(1987-),河南焦作人,男,硕士生,研究方向为3S技术在植被遥感监测中的应用。E-mail:

收稿日期: 2014-10-22

  要求修回日期: 2014-11-24

  网络出版日期: 2015-06-10

基金资助

国家自然科学基金青年基金项目(41001279)

资源与环境信息系统国家重点实验室青年人才培养基金项目(O8R8B690PA)

中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”(XDA05050102)

收起

Comparison on Three Algorithms of Reconstructing Time-series MODIS EVI

  • WANG Qiankun 1 ,
  • YU Xinfang , 2, * ,
  • SHU Qingtai 1 ,
  • SHANG Ke 1 ,
  • WEN Kege 2
Expand
  • 1. College of Forestry, Southwest Forestry University, Kunming 650224, China
  • 2. State Key Lab of Resources and Environmental Information System, Institute of Geographic Science and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: YU Xinfang, E-mail:

Received date: 2014-10-22

  Request revised date: 2014-11-24

  Online published: 2015-06-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

植被遥感监测中长时间序列数据择优的重建方法,已成为当今一个研究热点。本文以东北地区5种主要植被覆盖类型为例,在定性分析TIMESAT提供的3种常用重建方法对EVI（Enhanced Vegetation Index）时序曲线重建效果的基础上,定量对比研究了各方法,对原始高质量EVI点真实值的保真性,及对原始曲线整体特征的保持度。结果表明：S-G（Savitzky-Golay）滤波对原始曲线生长季的峰值及宽度重建效果较好,但容易因过度拟合保留过多噪声,特别是草地和灌丛类型;非对称性高斯函数（AG）和双Logistic曲线（DL）方法相似,对草地、灌丛和耕地的重建结果更接近真实值,但AG拟合对波峰处异常值的处理结果较差,重建后波峰表现低平。3种算法对原始EVI时序数据的保真性和对原始时序数据曲线特征的保持度,都表现出与植被类型分布相关的空间分布格局。分析结果表明,在东北地区,AG算法对草原和灌丛的重建效果最好,DL算法对耕地重建效果最优,S-G算法最适合对落叶阔叶林和落叶针叶林进行重建处理。

关键词： MODIS EVI; 非对称性高斯函数拟合; 双Logistic曲线拟合; Savitzky-Golay滤波; 中国东北

本文引用格式

王乾坤 , 于信芳 , 舒清态 , 尚珂 , 文可戈 . MODIS EVI时序数据重建方法及拟合分析[J]. 地球信息科学学报, 2015 , 17(6) : 732 -741 . DOI: 10.3724/SP.J.1047.2015.00732

Abstract

With the rapid development of remote sensing techniques, higher precisions of the vegetation remote sensing are required. Therefore, before using the time-series data, how to select the optimal algorithms to reconstruct it has been a hot research topic. Based on the five main land cover types in Northeast China, the reconstruction quality of three commonly used algorithms that included in TIMESAT tools has been qualitatively analyzed. Then, the fidelity performance and the capability to keep main characteristics of the three algorithms on EVI with respect to different land cover types were compared. The result shows that the S-G algorithm has a better performance in reconstructing the peak and the width of the EVI curves in the growing seasons, but it is prone to keep the noise data due to excessive fittings, especially common in land cover types of steppe and shrub. AG and DL algorithms generally present similar performances and the results are much closer to the true values for land cover types of steppe, shrub and arable land. But AG algorithm is easily influenced by noises for fitting the peak of the cures, which reduces the maximum EVI and causes the decline of vegetation growth. Spatial patterns of the fidelity performance and the capability to keep main characteristics of the three algorithms are all related to the distribution of vegetation types. Finally, we found that AG is a better algorithm to be used for the land cover types of steppe and shrub, DL is better for arable land, while S-G is better for the broadleaved deciduous forest and coniferous deciduous forest.

Key words： MODIS EVI; asymmetric Gaussian; double logistic; Savitzky-Golay; Northeast China

1 引言

植被是环境变化的敏感指标[1]。植被指数是对地面植被状况的一种经验或半经验的观测,目前 它已发展出了40余种[2-3]。例如,NDVI（Normalized Difference Vegetation Index）植被指数经历了从NOAA/AVHRR_NDVI到EOS/MODIS_NDVI的发展,在地表植被的分析与应用成果丰硕。但无论是AVHRR_NDVI还是MODIS_NDVI都存在一些限制,如大气噪声、土壤背景、饱和度等问题[4-6]。为了改进NDVI的这些限制,Liu和Huete[7]引入了背景调节参数和大气修正参数,在NDVI的基础上建立了增强植被指数（EVI）,并认为该植被指数能更好地反映高植被覆盖区的植被生长状况,并且应用领域越来越广。由于云、雪覆盖、阴影等因素的影响,EVI合成数据产品仍有很多噪声[8-9],在使用前需进行滤波和重建处理。
目前,时间序列曲线重建方法已超过20种,不同重建算法对不同噪声点的重构、平滑以及高质量点的保持度各不相同。针对不同遥感产品在不同地区的研究应用,对各重建方法的参数设定已成为当前研究热点[10]。其中,Beck等在对芬兰、瑞典和挪威交界区域的研究中提出了一种新的双重逻辑函数拟合算法,通过检验分析,认为该算法和非对称性高斯函数（Asymmetric Gaussians,AG）拟合算法处理效果相似且均优于傅立叶变换算法[11];Jennifer等在对加拿大洛矶山脉一个典型区域的研究中,通过实验的方法定量对比分析了6种滤波方法,针对该区域时序数据的重建效果,最终得出双Logistic曲线拟合（Double Logistic,DL）算法和AG拟合算法,总体上优于其他4种滤波方法的研究成果[12];Peter等则在更大尺度上进行了相关研究,以印度为研究对象,分析了4种重建方法对该地区的常绿林、半常绿林、潮湿落叶林和干燥落叶林的重建效果,发现DL拟合算法和AG算法对非单生长季植被表现较差[13];宋春桥及曹云峰则是以中国为背景,有侧重地分析了Timesat的3种常用方法的重建效果[14-15],取得了参考价值较高的研究成果。由上可见,重建算法对不同研究区的重建效果因植被类型特征和研究内容的不同而各异,滤波方法的选择和提出需要充分考虑研究区的特点,并进行大量验证。
东北地区作为我国生态敏感区,植被资源丰富,是中高纬生态环境研究的优良实验场,但不同滤波方法,对该区域不同植被类型时序数据的滤波效果仍没有完整、详尽、可靠的分析;对滤波方法的选择也多是参考其他相关区域的研究成果,降低了遥感监测的准确性,影响和限制了该区域长时间遥感监测研究的发展和新方法的应用。
本文对AG、DL和S-G滤波3种算法,以东北地区2008-2010年8天合成的MODIS EVI时序数据做滤波重建处理,定性和定量地分析了5种主要植被类型的时序曲线特征,并归纳了3种算法的拟合重建效果。

2 研究区与数据

2.1 研究区地理背景

中国东北地区位于38°72′~53°55′ N、115°52′~135°09′ E,行政区划上包括黑龙江、吉林、辽宁3省全部和内蒙古东北部的兴安盟、呼伦贝尔盟、通辽市、赤峰市（图1）。东北地区地处寒温带、温带、暖温带3个热量带,在气候区划上包括湿润、亚湿润和亚干旱等气候区。植物种类受水热条件的综合控制,具有从东南向西北递减的趋势[16]。从南向北具有暖温带、温带和寒温带的热量变化,自东向西具有湿润、半湿润和半干旱的湿度分异,形成了独特的植被分布格局,是全球变化的敏感区域之一[17]。该区域包括的土地覆盖类型多样,且同一类型土地覆盖面积大,在500 m空间分辨率的MODIS影像上纯像元较多,适合进行与时序数据相关的基础研究。
Fig. 1 Location of Northeast China

图1 中国东北地区位置示意图

2.2 数据获取及处理

（1）MODIS数据处理及分析
该数据集为多波段地表反射率8天合成数据,空间分辨率为500 m,时间范围2008年1月至2010年12月,共138期。EVI计算公式如式（1）所示。
EV I actual = 2.5 × P nir - P red L + P nir + C 1 P red - C 2 P blue （1）
式中,Pred、Pnir、Pblue波段反射率分别为MODIS数据的第1波段（红）、2波段（近红外）和3波段（蓝）;L为土壤调节参数,值为1;C1为大气修正红光校正参数,值为6;C2为大气修正蓝光校正参数,值为7.5。最终图像DN值（EVIactual）由像元的实际EVI值转换得到,旨将数据类型由浮点类型转换为byte型二进制文件。为进一步缩小图像的大小,利于图像的运算和存储,将浮点型转换为整型（式（2））,在整型文件基础上通过ENVI进一步处理得到byte文件,值域范围为0-255。
EV I int = EV I actual × 100 （2）
所用MOD09A1数据产品包含有2个质量控制文件：①与各波段相关的质量评价;②与地面反射率状态相关的质量评价。鉴于所使用的EVI时序数据是通过波段计算得到的,为了更全面的反映质量情况,本文采用第1个质量控制文件中的质量总评指数,该数据文件在像元尺度上对产品所有波段的反射率质量进行了整体评价[18]。根据质量描述赋予特定的分数作为最终时序数据重建的质量权重（表1）。
Tab. 1 Table of MODIS land quality assessment (MODLAND QA) of EVI

表1 EVI植被指数总评质量评分表

QA可用性指数 质量描述 权重
0 所有波段均为经校正的理想数据 1.0
1 经校正了的部分或全部波段为较理想数据 0.6
2 因云覆盖影响所有波段均未进行校正 0.0
3 因其他原因部分或全部波段未进行校正 0.1
（2）土地覆盖数据
源自于中国科学院东北地理与农业生态研究所,以30 m空间分辨率的环境星1号和Landsat TM卫星影像,通过遥感解译获得。按照使用要求,将土地覆盖类型分为5个一级大类和16个二级类型,经检验都达到了符合使用精度的要求。其中,一级大类精度达到了95%以上,二级类型精度为85%以上。为获得更准确的植被类型覆盖区,本研究将2000年和2010年2期中国东北土地覆盖数据,通过栅格计算和相交处理,提取了中国东北地区2000-2010年落叶阔叶林、落叶针叶林、灌丛（落叶阔叶灌丛）、耕地和草原5类植被无变化区,并以此作为本文的研究对象,如图2所示。
Fig. 2 Spatial distribution of vegetation types in Northeast China

图2 中国东北植被类型空间分布图

3 长时序数据重建

3.1 基于TIMESAT的3种重建方法

TIMESAT是由Jönsson与Eklundh共同开发的用于植被指数时间序列数据集重建及植被生长物候信息提取的程序包[19],包括AG、DL和S-G 3种常用重建方法。AG拟合算法是Jönsson和Eklundh提出的一种分段高斯函数来模拟植被生长物候期的方法[20],整个拟合过程完成了从区间提取、局部拟合到整体连接3个步骤[21]。DL拟合算法与AG拟合算法相似,是一种新的半局部拟合算法,由Beck等于2006年提出[11]。在NDVI重建过程中,这种局部拟合算法相比于傅立叶变换的滤波算法显示出较理想的拟合效果。S-G滤波是1964年Savizky和Golay提出的一种应用最小二乘法确定加权系数进行移动窗口加权平均的滤波方法[22],移动窗口的大小对时序数据的重建效果起主要作用。
运用TIMESAT软件对原始时序数据进行重建处理,其关键步骤为重建参数设置[14]。主要参数设置包括：EVI有效值域（Range：0-255）;滑动窗口大小（W-size：4）;拟合峰值参数（Alptitude：2）;拟合方法（Spike method：1）;迭代次数（No. of envelope iterations：3）;原始EVI的质量权重添加（Weight value）等（表1）。首先,通过查阅相关研究资料[15,23],确定出主要窗口的参数设置及组合方式,然后,选取不同地块像元对不同的组合逐个进行比较分析。图3为第807行、1456列的像元不同拟合峰值参数、迭代次数、滑动窗口的设定及组合（1、2、3,2、2、4,2、3、4,3、2、4等）,应用S-G滤波方法的重建结果,其中,no QA为在不添加质量文件情况下2、3、4组合的重建结果。
结果显示,几种组合方式的重建结果差别不大。相比而言,本文所使用的2、3、4组合重建结果更优,对峰值及细节的处理效果较好;1、2、3组合效果最差,特别是对波谷的处理,容易出现过度拟合情况,重建后曲线波动较大。按照此方法,通过在不同区域选点分析,最终确定了本文所使用的重建方法参数设置。噪声的影响主要是降低影像像元的灰度值,质量文件作为对像元受噪声污染强度的说明,添加后有助于重建函数有针对性的提高相关噪声点像元的灰度值,使其重建后更接近真实状态。从本次重建结果看,添加QA文件前后的重建结果差别基本不大,只是有少量的微调,鉴此,本文在重建时添加了数据质量控制文件。
TIMESAT 3种重建方法的MODIS EVI数据重建效果比较分析流程如图4所示。
Fig. 3 The S-G curve of time series distribution with respect to 5 window settings

图3 S-G滤波5种窗口设置方法时间序列分布曲线图

3.2 重建效果分析方法

回归分析法用来反映重建后的保真性,本研究对2008-2010年图像中每个像元在时间序列上的高质量EVI值进行滤波前后的回归标准差分析。
RMSE = ∑ i = 1 N ( EV I pi - EV I oi ) 2 N （3）
式中,EVIpi和EVIoi分别为该像元在年内第i期重建前后的EVI值;N为该像元点时间序列中的高质量EVI值个数。该方法主要表述了重建后高质量EVI值与原始值之间的平均差异程度,拟合值越小表示重建后的EVI值的代表性越强,保真性越好。
相关系数分析法：用来表征拟合后的EVI时序数据保持原始植被生长特征的能力,本文对2008-2010年影像中每个像元拟合前后EVI时间序列的相关系数（r）及平均残差（RE）进行了分析研究（式（4）-（5））。
r = ∑ i = 1 138 ( EV I pi - EV I P ¯ ) ( EV I oi - EV I o ¯ ) ∑ i = 1 138 ( EV I pi - EV I P ¯ ) 2 × ∑ i = 1 138 ( EV I oi - EV I o ¯ ) 2 （4）
RE = ∑ i = 1 N ( EV I pi - EV I oi ) N （5）
式中,N为像元个数;EVIpi和EVIoi分别为该像元年内第i期重建前后的EVI值; EV I p ¯ 和 EVIo ¯ 分别为该像元年内EVI值重建前后的平均值;r值越大表示滤波前后相关性越强,对拟合后数据对原始图像植被生长特征的保持度越高;RE值小于0表示影像滤波后表现为EVI值升高,越小越高于原始像元,大于0则表现相反。
Fig. 4 Flowchart of comparative research of EVI series reconstruction techniques

图4 时序EVI数据重建方法结果比较方法流程图

4 东北地区MODIS EVI时序数据 重建结果与分析

4.1 不同植被覆盖类型单像元EVI曲线特征滤波 效果分析

在落叶阔叶林、落叶针叶林、灌丛、耕地和草原5种植被类型中,分别随机选取50个样点像元,通过分析这些样点像元的EVI时序曲线及噪声特征,再分别选取在波形、波峰等方面具有普遍性特征的像元,比较说明3种算法对东北地区不同植被类型的重建效果。东北地区MOD09A1产品数据质量普遍较好,但由于在10月至次年3月该地区有较长的降雪期[24],特别是北部的针叶林区由于长时间冰雪覆盖的影响,部分像元EVI曲线波动不规则;7-8月该地区降水也较为集中[25],受大气条件状况及地表水体的影响,植被生长旺盛期噪声较多。由图5可看出,不同植被覆盖类型的重建效果不同。
（1）东北落叶阔叶林主要分布在东北南部,季节性变化明显,包括蒙古栎和辽东栎等。图5（a）中,AG与DL的拟合结果基本一致,拟合后发生突变的EVI峰值被降低,在降水集中时段,在每年的第23-33期之间（第185-260天）为植被生长衰落期,由于云覆盖影响,重建后EVI值均被小幅提高。S-G滤波的加权多项式拟合方式对细节处理较好,特别是对正常峰值的处理,重建后能更好地保持原始EVI曲线的基本特征。
（2）东北落叶针叶林以耐寒的兴安落叶松为典型树种,常形成大面积纯林,生长季EVI值年际变化不大,峰值在55-63之间,如图5（b）所示。3种滤波方法的重建结果基本相同,且生长期3种方法的处理效果与对落叶阔叶林的处理效果基本一致。就保持曲线整体特征而言,S-G滤波方法更有优势,但由于针叶林生长区域纬度相对更高,冬季受雪覆盖影响更明显,在返青早期和进入休眠期阶段曲线波动剧烈,而S-G基于高次多项式的重建方式,允许多个波峰/波谷的存在,重建结果保留了大部分的波动特征,这不符合该地区理想植被指数单调升高或者仅一个波峰/波谷的要求,会保留过多噪声。
（3）东北灌丛植被以落叶阔叶灌丛为主,该植被类型随气候变化,在一年中有明显的落叶期。图5（c）中,原始EVI时序曲线突变较多,且振幅较大。3种方法重建结果相似。S-G滤波滑动窗口的平均滤波方式,虽然可更清晰地描述时序数据的微小变化,但过于“强调细节”,对连续突变噪声点易因过度拟合而保留部分噪声。AG和DL拟合对上包络线的拟合效果较好,其中,AG算法在时间维上采用局部拟合模型的方式,保证了拟合结果更符合当前时段的真实特性,最后再通过全局模型使重建后整个曲线更贴近植被实际生长情况;但在波峰位置,AG拟合结果偏离原始峰值较大,拟合后曲线波峰位置表现低平,而DL半局部拟合算法通过先获取峰值和谷值再进行局部拟合的方式,较AG拟合对曲线波峰保持度更好。
（4）东北地区耕地植被生长特点为一年一熟。图5（d）中,植被生长过程中EVI曲线波动较小,峰值在63-69之间。3种方法的重建效果都较好,其中,AG与DL拟合对耕地植被类型EVI时序曲线的重建效果基本相似,都能基本反映出植被真实的生长规律,但AG拟合对冬季植被指数的重建更容易存在误差。在返青期早期和进入休眠期阶段,受雪覆盖等影响,S-G滤波方法过于“保守”的拟合方式,更容易保留较多的噪声信息,降低重建效果,在提取作物生长特征时往往需要进一步判断;同时,S-G滤波在重建时会丢弃过于偏离正常生长曲线的噪声部分,导致其对异常高值处理效果欠佳,容易受单个异常高值波峰影响,重建后峰值偏低。
（5）东北草原植被主要位于我国小兴安岭以西的内蒙古境内,以耐旱的羊草和贝加尔针茅等植物为主[26],分布集中且面积较大。图5（e）中,曲线季节性变化明显,受自然因素影响EVI曲线特征值年内和年际间波动均较大,其中峰值在42-52之间。3种重建方法均较好,而S-G滤波方法基于权重的窗口滑动平均算法对峰值的重建效果更具优势。AG拟合与DL拟合方法相似,但AG基于上包络线分段拟合再整体连接的策略,避免了全局数据对局部拟合的影响,更好地描述了EVI时序数据的总体变化趋势和全局特征,DL拟合结果除峰值外均低于AG拟合结果。
Fig. 5 Comparison of original and reconstructed MODIS EVI series regarding to different types of land cover from 2008 to 2010

图5 不同土地覆被类型典型像元EVI时间序列重建前后曲线对比

4.2 3种算法的空间拟合效果分析

通过对图像中每一个像元计算滤波前后的RMSE、r和RE,得到3种算法对东北地区不同植被类型高质量点的保真性、保持度和平均残差的空间分布格局（图6、8、10）。图7和图9分别为3种算法对不同植被类型原始数据保真性和保持度的像元分级统计,分别代表不同区间的RMSE和r像元所占的比例。表2为应用像元统计分析法所得的3种算法对各植被类型所有像元重建前后的回归标准差、相关系数和残差的平均状况。
Tab. 2 Average RMSE, RE and r values of different vegetation types from the three algorithms based on EVI series in Northeast China from 2008 to 2010

表2 不同植被类型像元的平均RMSE、r和RE

植被类型 RMSE r RE
AG DL S-G AG DL S-G AG DL S-G
落叶阔叶林 6.24 6.71 6.06 0.94 0.94 0.95 -2.03 -2.39 -2.11
落叶针叶林 6.50 6.93 6.45 0.90 0.89 0.91 -2.24 -2.71 -2.04
灌丛 4.98 5.22 5.81 0.93 0.92 0.90 -1.59 -1.82 -1.67
耕地 4.72 4.68 6.28 0.95 0.95 0.92 -1.34 -1.67 -1.44
草原 5.99 11.01 11.69 0.85 0.73 0.70 -1.63 -2.65 -2.03

4.2.1 空间格局的保真性分析

图6（a）为时间序列上高质量EVI值的个数统计图,2008-2010年东北地区像元质量均较好,高质量点个数大于130的占了几乎整个研究区,因此,本文基于高质量数据得到的RMSE结果有效且具有普遍代表性。图6（b）-（d）中,3种算法的保真性都表现出与植被类型相关的空间分布格局。从北部的落叶针叶林向南到草原、落叶阔叶林和耕地,3种算法的RMSE值域都表现出了良好的空间地带性。
Fig. 6 Spatial distribution of root mean square error (RMSE) between the origin and reconstructed high-quality EVI using the three algorithms in Northeast China (2008-2010)

图6 东北地区3种方法重建前后高质量数据的RMSE空间格局（2008-2010年）

由图6、7和表2可知,对草原类型,AG拟合算法的平均RMSE为5.99,在3种算法中最小,S-G滤波的平均RMSE值最大,达到了11.69,这说明不同算法对草原类型的重建效果差异较大;同时,AG拟合结果表明,RMSE<6.5和4.5的像元在所占的比例达到了80%以上,明显高于其他2种算法的重建结果,并且在3种算法RMSE>4.5的像元个数相当的情况下,AG拟合结果平均RMSE较小,说明AG拟合结果的RMES值较集中且偏低。综上对草原植被类型,AG算法的保真性最好。耕地类型,DL算法的保真性最好,像元的平均RMSE为4.68,RMSE<4.5和<6.5的像元个数略高于AG算法,在空间上2种算法的保真性分布格局差异不大;S-G算法像元RMSE值>8.5个数相对较多且值域范围较大,在图上表现为耕地北部突增的高值离散像元较多,降低了该算法的整体保真性。灌丛类型分布较为分散,3种算法的RMSE同一分级像元个数基本相当,S-G算法在RMSE高值部分像元分布较多,降低了其保真性;AG算法的RMSE均值最小为4.98,对原始数据的高质量数据的保真性最好。落叶阔叶林和落叶针叶林均属林地,3种算法的保真性也表现出了一致性,S-G滤波算法的整体保真性最好,RMSE值最小,分别为6.06和6.45,其次是AG和DL拟合算法;3种算法的RMSE<4.5和<6.5的像元个数所占比例从大到小排列依次也均为S-G算法、AG算法和DL算法。
Fig. 7 Fidelity performance statistics of the three RMSE based algorithms on EVI with respect to different land cover types (2008-2010)

图7 基于RMSE的3种算法对不同植被类型EVI时序数据保真性分级统计（2008-2010年）

4.2.2 空间格局的相关性分析
图8、10中,滤波前后时序数据的相关系数和残差在空间上也表现出了与植被类型分布的一致性,相关性在北部的落叶针叶林和西部的草原较其他几种植被类型更易区分和识别,重建结果均对原始数据的保持度较差;残差空间分布格局仅表现出了从西北向东南的逐渐增加趋势,大部分为负值,主要集中在-3-0之间,说明重建后EVI值被抬升,这种结果的产生与滤波中的去云算法有关。
Fig. 8 Spatial distribution of correlation coefficient (r) between the original and reconstructed EVI using the three algorithms in the Northeast China (2008-2010)

图8 东北地区3种方法重建前后EVI时序数据相关系数的空间格局（2008-2010年）

Fig. 9 Graded statistics of the capability to keep main characteristics of EVI using the three algorithms based on r with respect to different land cover types

图9 基于r的3种算法对不同植被类型EVI时序数据主要特征保持度分级统计

Fig. 10 Spatial distribution of residual error (RE) between the origin and reconstructed EVI using the three algorithms in Northeast China (2008-2010)

图10 东北地区3种方法重建前后时序EVI数据残差的空间格局（2008-2010年）

对草原植被类型,AG算法重建结果对原始EVI时序曲线特征的保持度最好,重建前后的平均相关系数r最大为0.85,r>0.85的像元个数在3种算法中也最多,约占该类型所有像元个数的80%;S-G算法的保持度最差,平均r值仅为0.7,r>0.85的像元刚达到所有像元个数的60%;结合3种算法的保真性分析认为AG算法最适合对草原进行重建处理。耕地类型,AG和DL算法对原始数据的保持度都较好,平均相关系数r都为0.95,且r>0.85的像元个数均超过了原始像元个数的95%;AG算法的平均残差为-1.34,略优于DL算法;最终结合保真性的相关分析,认为对耕地类型,DL拟合算法最适合进行重建处理。3种滤波重建算法对灌丛类型的保持度都较高,r均值都在0.9以上;AG与DL算法r>0.85的像元个数基本相当,但AG算法的平均相关系数最大为0.93,平均残差为-1.59,平均偏离原始曲线的程度较小,对时序数据的保持度最好。因此,本文认为对灌丛植被类型,AG算法最适合进行重建处理。S-G算法对落叶针叶林与落叶阔叶林的保持度最好,其中,落叶阔叶林类型,S-G算法的重建前后数据的平均r最大为0.95,但其平均残差为-2.11在整个曲线上的稳定性不如AG算法,AG和S-G算法r>0.85的像元数个数虽然相等且均高于DL算法,但S-G算法r>0.95的像元个数明显高于AG算法,因此,S-G算法的对落叶阔叶林原始EVI曲线特征的保持度最强。综上,S-G算法对落叶针叶林和落叶阔叶林的重建效果最好。

5 结论

本文以东北地区为研究区,分析研究了TIMESAT软件提供的3种常用滤波算法对不同植被类型时序EVI数据的重建效果,结果发现：
（1）3种算法对各类型EVI时序曲线的重建结果总体差别不大。其中,AG和DL拟合方法相似,AG算法基于上包络线的拟合能更加贴近真实值,但对峰值重建效果比DL算法略差,特别是对灌丛和草原类型;S-G滤波重建方法能更加清晰突出局部细节变化,同时对原始EVI曲线生长旺盛期峰值和宽度保持较好,但该方法对噪声较敏感,特别是对突变噪点,容易产生过度拟合情况,尤其是对耕地、草原和灌丛类型。
（2）3种重建方法对原始数据的保真性和保持度,都表现出了与植被类型相关的空间分布格局差异;对同一植被类型,同一重建方法因植被在地理空间上的分布差异而重建结果也略有不同。通过借助RMSE分析3种算法对不同类型的保真性,发现除草原植被类型外3种算法对其余各类型的保真性差别不大。AG拟合算法对草原和灌丛类型的保真性最好;S-G滤波算法对同属森林类型的落叶阔叶林和落叶针叶林保真性最好。在保持原始EVI时序数据曲线特征方面,不同算法对同一植被类型的保持度差异不大,且r平均值普遍较高,仅在北部的落叶针叶林和西部的草原较低。重建后大部分EVI值被抬升,从西北向东南抬升程度逐渐降低。
相较于该地区的其他相关研究,在保真性方面,与曹云峰等[15]在辽宁长白山自然保护区研究中所得的结论（AG算法保真性最高、DL算法次之、S-G算法最差等）,仅在林地上略有差别,其他相关结论基本相同;这种差别可能与本文所选林地研究对象南北跨度较大,且与所用土地覆被数据的不同有关。卫炜等基于16天合成的MODIS NDVI数据,对比分析了3种重建方法,对东北地区耕地植被类型的重建效果,研究结果与本文相比仅在保真性上存在微小差异,整体而言,对于东北耕地类型AG拟合和DL拟合重构结果非常相似,且这2种方法的重构结果更符合实际情况,而S-G滤波结果与前二者明显不同,且重建效果较差,出现差异的原因不排除是由于时序数据源及土地覆盖数据的不同所导致[27]。本文提供了一种更加全面的分析结果。
对于不同地区,吴文斌等通过直接和间接的对比分析,发现不同拟合方法存在着一定的区域差异,并且这种差异与方法自身特点和区域自然条件紧密相关;S-G滤波方法与AG拟合方法在东北地区与西北地区的重建效果十分相似[28];通过与宋春桥等[14]基于藏北地区的研究结果对比也发现,这3种重建算法对相同植被类型的重建效果基本一致,均得到了S-G滤波方法适合对林地类型的重建,AG拟合方法较DL拟合更优,更适合用来对草原、耕地等其他植被类型时序数据的重建处理的结论,也进一步对吴文斌[28]的研究起到了补充和验证作用。同时,由于受植被覆盖度、植被长势、气候变化等自然条件方面的影响,对同一植被类型,本文所得的3种算法的保真性（RMSE）和保持度结果（r）均优于宋春桥等[14]的研究结果,说明不同重建方法在大尺度空间上,对不同地区相同植被类型的重建结果是一直存在相关性,这也需在今后的使用中不断探索和总结,加强对不同重建方法在不同区域的适用性研究,为更精确的植被遥感监测及重建方法的改进和完善提供参考依据。

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]
郝成元,马春艳,朱宗泽.基于NOAA/AVHRR和Terra/MODIS数据的植被指数季节信息比较[J].地理与地理信息科学,2009,25(6):30-33.

[2]
张飞,塔西甫拉提·特依拜,丁建丽,等.塔里木河中游典型绿洲盐渍化土壤的反射光谱特征[J].地理科学进展,2012,31(7):921-932.

[3]
叶琦,赵萍,孙静.基于MODIS/NDVI与EVI的皖江流域植被覆盖比较分析[J].长江流域资源与环境,2012,21(3):361-368.

[4]
王正兴,刘闯,陈文波,等.MODIS增强型植被指数EVI与NDVI初步比较[J].武汉大学学报·信息科学版,2006,31(5):407-410.

[5]
王正兴,刘闯,Huete Alfredo.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报,2003,23(5):979-986.

[6]
郭铌. 植被指数及其研究进展[J].干旱气象,2003,21(4):71-75.

[7]
Liu H Q, Huete A R.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. Geoscience and Remote Sensing, 1995,33(2):457-465.

[8]
李红军,郑力,雷玉平,等.基于EOS/MODIS数据的NDVI与EVI比较研究[J].地理科学进展,2007,26(1):26-32.

[9]
赵伟,李召良.利用MODIS/EVI时间序列数据分析干旱对植被的影响[J].地理科学进展,2007,26(6):40-48.

[10]
耿丽英,马明国.长时间序列NDVI数据重建方法比较研究进展[J].遥感技术与应用,2014,29(2):362-368.

[11]
Beck P S A, Atzberer C, Høgda K A, et al. Improved monitoring of vegetation dynamics at very high latitudes: A new method using MODES NDVI[J]. Remote Sensing of Environment, 2006,100(3):321-334.

[12]
Hird J N, McDermid G J. Noise reduction of NDVI time series: An empirical comparison of selected techniques[J]. Remote Sensing of Environment, 2008,113(1):248-258.

[13]
Peter M Atkinson, C Jeganathan, Dash J, et al. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology[J]. Remote Sensing of Environment, 2012,123:400-417.

[14]
宋春桥,游松财,柯灵红,等.藏北地区三种时序NDVI重建方法与应用分析[J].地球信息科学学报,2011,13(1):133-143.

[15]
曹云峰,王正兴,邓芳萍.3种滤波算法对NDVI高质量数据的保真性研究[J].遥感技术与应用,2010,25(1):118-125.

[16]
吴秀芹,蒙吉军.基于NOAA/AVHRR影像和地理空间数据的中国东北区景观分类[J].资源科学,2004,26(4):132-139.

[17]
王绍强,周成虎,刘纪远,等.东北地区陆地碳循环平衡模拟分析[J].地理学报,2001,56(4):390-400.

[18]
LPDAAC. MODIS User_Guide[EB/OL].https://lpdaac.usgs.gov/products/modis_products_table/mod09a1, 2011-02.

[19]
Jönsson P, Eklundh L.TIMESAT——a program for analyzing time-series of satellite sensor data[J]. Computers &Geosciences, 2004,30(8):833-845.

[20]
Jönsson P, Eklundh L.Seasonality extraction by function fitting to time-series of satellite sensor data[J]. Geoscience and Remote Sensing, 2002,40(8):1824-1832.

[21]
李儒,张霞,刘波,等.遥感时间序列数据滤波重建算法发展综述[J].遥感学报,2009,13(2):335-340.

[22]
Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964,36(8):1627-1639.

[23]
宋春桥,柯灵红,游松财,等.基于TIMESAT的3种时序NDVI拟合方法比较研究——以藏北草地为例[J].遥感技术与应用,2011,26(2):147-155.

[24]
李邦东. 近50年东北地区降水时空变化及降雪影响因子分析[D].兰州:兰州大学,2013.

[25]
朱乾根,林锦瑞,寿邵文,等.天气学原理与方法[M].北京:气象出版社,2000:331-332.

[26]
陈金,李政海,贾树海,等.锡林郭勒草原区气候干旱化的时空变化规律[J].内蒙古大学学报,2011,42(3):304-310.

[27]
卫炜,吴文斌,李正国,等.时间序列植被指数重构方法对比研究[J].中国农业资源与区划,2014,35(1):34-43.

[28]
吴文斌,杨鹏,唐华俊,等.两种NDVI时间序列数据拟合方法比较[J].农业工程学报,2009,25(11):183-188.

Options
文章导航

/

〈 〉