我國西北地區(qū)東部時間序列NDVI數(shù)據(jù)集重建方法比較研究

王瑋，郭鈮，沙莎，胡蝶，王小平，李耀輝

(中國氣象局蘭州干旱氣象研究所，甘肅省干旱氣候變化與減災(zāi)重點實驗室，中國氣象局干旱氣候變化與減災(zāi)重點實驗室，甘肅 蘭州 730020)

?

我國西北地區(qū)東部時間序列NDVI數(shù)據(jù)集重建方法比較研究

王瑋，郭鈮*，沙莎，胡蝶，王小平，李耀輝

(中國氣象局蘭州干旱氣象研究所，甘肅省干旱氣候變化與減災(zāi)重點實驗室，中國氣象局干旱氣候變化與減災(zāi)重點實驗室，甘肅 蘭州 730020)

高質(zhì)量、長時序歸一化植被指數(shù)(NDVI)數(shù)據(jù)集不僅是連續(xù)監(jiān)測陸地表面特征的基礎(chǔ)，也是研究氣候與陸地生態(tài)系統(tǒng)變化的重要參數(shù)。本研究以生態(tài)環(huán)境較為脆弱的西北地區(qū)東部為例，借助多種時間序列重建方法對LTDR NDVI數(shù)據(jù)集中的噪聲進(jìn)行擬合重建，并結(jié)合農(nóng)業(yè)氣象資料和高質(zhì)量NDVI數(shù)據(jù)，對不同重建方法的擬合結(jié)果開展適用性評價分析，結(jié)果表明，1)下墊面類型是影響重建方法擬合效果的重要因素。根據(jù)不同植被類型或作物生長特點，每種重建方法對其噪聲消除能力有所不同；2)在年均NDVI較高(NDVI≥0.3)，且NDVI曲線具有明顯季節(jié)變化的草地、林地以及牧草等作物種植區(qū)域內(nèi)，經(jīng)過D-L擬合重建的NDVI具有較高的保真能力和適應(yīng)性；3)在年均NDVI較低(NDVI<0.3)，且植被季節(jié)生長變化不明顯或NDVI曲線不呈季節(jié)對稱性變化的稀疏植被區(qū)，以及以冬小麥為典型作物種植的區(qū)域內(nèi)，經(jīng)過S-G濾波重建的NDVI數(shù)據(jù)表現(xiàn)出相對較好的保真能力和適應(yīng)性。

NDVI；時間序列重建；植被遙感；AVHRR

植被在地球系統(tǒng)中扮演著重要的角色，是氣候和人文因素對環(huán)境影響的敏感指標(biāo)[1-2]。遙感技術(shù)的快速發(fā)展為人類準(zhǔn)確獲取陸地表面大范圍、多尺度的植被信息提供了強(qiáng)有力的手段。利用可見光/近紅外波段形成的歸一化植被指數(shù)(NDVI)已被廣泛地應(yīng)用于區(qū)域和全球環(huán)境變化、農(nóng)作物估產(chǎn)、干旱監(jiān)測以及模擬新的植被指數(shù)等方面，是全球應(yīng)用最廣的一種植被指數(shù)[3-6]。

獲取高質(zhì)量、長時序NDVI數(shù)據(jù)不僅是長期監(jiān)測陸地表面特征的基礎(chǔ)，也是研究氣候與陸地生態(tài)系統(tǒng)變化的前提。由于衛(wèi)星傳感器成像本身具有瞬時性和周期性(衛(wèi)星軌道周期和衛(wèi)星生命周期)的特點，同時還會受到潛在噪聲的影響(如云、氣溶膠等)，因此在使用衛(wèi)星傳感器來獲取NDVI時間序列數(shù)據(jù)時，數(shù)據(jù)的質(zhì)量和連續(xù)性將會受到極大的挑戰(zhàn)[7]。特別是在大空間尺度的時間序列監(jiān)測研究中，這一問題尤為嚴(yán)重。研究表明，大氣中的水汽、臭氧、氣溶膠和瑞利散射等會影響紅光波段與近紅外波段的反射率，使得衛(wèi)星傳感器在接收到來自地面目標(biāo)信號的同時，還會收到部分大氣噪聲信號，導(dǎo)致NDVI數(shù)值與實際情況出現(xiàn)較大的偏差[8-10]。盡管研究對象是植被，提取的是NDVI數(shù)據(jù)，但在植被生長的不同階段，傳感器實際接收到的信息也包括除植被以外的土壤背景。而土壤背景影響的本質(zhì)是土壤本身對紅光和近紅外波段具有不同的反射率，包括潮濕地面、雪、枯葉、粗糙度、土壤類型等因素[11]。同時，在每次觀測時“太陽-地物-傳感器”三者之間的關(guān)系變化都可能直接影響植被指數(shù)計算帶來的不確定性[12-13]。因此，建立高質(zhì)量、長時序的NDVI數(shù)據(jù)集是進(jìn)一步開展植被定量遙感監(jiān)測、氣候變化及陸地生態(tài)系統(tǒng)響應(yīng)等相關(guān)研究的關(guān)鍵。

雖然目前常用的時間序列NDVI數(shù)據(jù)集在發(fā)布前都經(jīng)過了較為嚴(yán)格的預(yù)處理來控制數(shù)據(jù)的質(zhì)量，但由于受云、氣溶膠、土壤背景、太陽/觀測角度、數(shù)據(jù)傳輸錯誤、植被空間結(jié)構(gòu)以及軌道和傳感器信號衰退等因素的影響，使這些數(shù)據(jù)集中仍然殘留較多噪聲，導(dǎo)致時間序列NDVI曲線出現(xiàn)陡升或者陡降的情況，從而影響了數(shù)據(jù)集的質(zhì)量與連續(xù)性，造成在宏觀生態(tài)系統(tǒng)研究中基礎(chǔ)觀測數(shù)據(jù)存在不可靠的問題[14]。尤其是AVHRR傳感器，在設(shè)計之初并不是以監(jiān)測地表特征為目的，導(dǎo)致其生成的NDVI時間序列數(shù)據(jù)更容易受到潛在噪聲的影響[15-17]。作為AVHRR NDVI的完善和升級，自2000年美國航空航天局開始免費分發(fā)全球MODIS NDVI產(chǎn)品后，使其快速成為應(yīng)用研究的熱點[18-19]。雖然MODIS NDVI具有較窄的波段設(shè)置和較高的精度，但時間序列長度有限，在年代際尺度的變化趨勢研究中，仍然需要結(jié)合AVHRR數(shù)據(jù)對其進(jìn)行時間序列的擴(kuò)展和完善[20]。然而由于AVHRR數(shù)據(jù)已經(jīng)積累了35年的時間長度，是目前時間序列跨度最長的光學(xué)遙感數(shù)據(jù)，對研究全球變化具有重要作用。因此，只有不斷訂正AVHRR NDVI數(shù)據(jù)集中的噪聲，插補(bǔ)缺測資料，發(fā)揮該數(shù)據(jù)長時序的優(yōu)勢，為相關(guān)領(lǐng)域研究提供高質(zhì)量的NDVI數(shù)據(jù)集將具有十分重要的現(xiàn)實意義。

時間序列重建是利用多種統(tǒng)計和數(shù)值分析方法，實現(xiàn)數(shù)據(jù)的插補(bǔ)和去噪，并提高數(shù)據(jù)質(zhì)量的一種手段，目前已被成功地應(yīng)用于NDVI數(shù)據(jù)時序重建工作中[21-22]。迄今為止，國內(nèi)外學(xué)者在NDVI時間序列數(shù)據(jù)集重建方面開展了大量研究，目前時序重建方法已超過20種，依據(jù)計算方式可將其歸并為：閾值法、濾波法、函數(shù)擬合法以及綜合方法等[8,11]。雖然重建方法眾多，但每種重建方法對不同性質(zhì)噪聲點去噪、平滑和保真能力不同。Hird等[23]通過6種重建算法對MODIS 16d NDVI產(chǎn)品進(jìn)行重建比較分析發(fā)現(xiàn)，6種重建方法均有較好的去噪能力，但隨植被類型的變化重建效果具有明顯的差異性。黎治華[24]利用多種重建算法相結(jié)合的方案對MODIS的時間序列產(chǎn)品進(jìn)行重構(gòu)后發(fā)現(xiàn)，不同重建算法各有優(yōu)劣，相關(guān)研究工作還存在很大的不確定性。由此可見，多種重建算法的提出，雖然為長時間序列NDVI數(shù)據(jù)集的構(gòu)建提供了良好的技術(shù)支持，但對這些重建算法進(jìn)行系統(tǒng)分析和比較的研究工作還不夠深入。對不同植被覆蓋或作物類型而言，研究者很少關(guān)注已有重建方法的適用性，在重建效果定量分析和精度驗證方面還需進(jìn)一步開展相關(guān)研究工作。因此，系統(tǒng)比較和分析常用重建方法的擬合效果，開展以業(yè)務(wù)應(yīng)用為目的重建算法適用性評價研究是很有必要的。

2014年6月美國戈達(dá)德太空中心發(fā)布了V4版本的LTDR(Land Long Term Data Record)產(chǎn)品，其中包括1981-2010年的地表反射率數(shù)據(jù)，這為建立高質(zhì)量、長時序的NDVI數(shù)據(jù)集奠定了較好的基礎(chǔ)。因此，本研究以生態(tài)環(huán)境相對脆弱的西北地區(qū)東部為例，借助時間序列重建軟件(TIMESAT)[25]，通過結(jié)合農(nóng)業(yè)氣象臺站資料，在系統(tǒng)比較與分析常用重建算法擬合效果的基礎(chǔ)上，對不同重建方法展開適用性評價，確定研究區(qū)內(nèi)最佳擬合重建方法，以期為建立高質(zhì)量、長時序的NDVI數(shù)據(jù)集提供參考。

1　材料與方法

1.1研究區(qū)概況

本研究以地處干旱區(qū)和半干旱區(qū)過渡帶的我國西北地區(qū)東部省份作為研究區(qū)。該地區(qū)介于 32°44′11″ N-44°07′24″ N、 88°47′17″ E-112°43′00″ E 之間，面積為1.48×106km2，約占我國陸地總面積的1/6。我國西北地區(qū)東部幅員遼闊，自然條件惡劣、生態(tài)環(huán)境較為脆弱，以山區(qū)降水和冰川融水補(bǔ)給為主，年降水量空間分布極不均勻，從南部450 mm以上過渡到北部沙漠地帶的50 mm以下，耕地灌溉主要依靠自然降水。特殊的地理位置和水熱氣候條件，造成研究區(qū)自然植被空間分布差異較大，形成了由西南草地到東北荒漠逐漸傾斜過渡的自然植被空間分布特征(圖1)。尤其是自20世紀(jì)70年代中期全球變暖加劇以來，該地區(qū)氣候條件復(fù)雜多樣，極端水文事件增加，地表植被覆蓋對環(huán)境變化敏感。因此，建立高質(zhì)量、長時序的NDVI數(shù)據(jù)集，為準(zhǔn)確監(jiān)測該地區(qū)的植被生長狀況，了解氣候變化對植被的影響，維護(hù)干旱半干旱區(qū)生態(tài)系統(tǒng)的穩(wěn)定具有重要指導(dǎo)意義。

圖1　西北地區(qū)東部植被分類圖Fig.1　The classification of vegetation in the east of Northwest China　SⅠ：牧草 Pasture；SⅡ：春小麥+玉米Spring wheat+Corn；SⅢ：冬小麥+玉米Winter wheat+Corn；SⅣ：冬小麥Winter wheat.

1.2研究數(shù)據(jù)與預(yù)處理

1.2.1LTDR地表反射率數(shù)據(jù)通過美國航空航天局戈達(dá)德太空中心(http://ltdr.nascom.nasa.gov/cgi-bin/ltdr/ltdrPage.cgi)，下載了1981-2010年的LTDR 每日地表反射率產(chǎn)品(AVH09 Surface Reflectance Product)。該數(shù)據(jù)是以NOAA07(1981-1985年)、NOAA09(1985-1988年)、NOAA11(1988-1994年)、NOAA14(1995-1999年)、NOAA16(2000-2006年)和NOAA18(2005-2010年)上的AVHRR觀測資料為基礎(chǔ)，通過軌道篩選、輻射定標(biāo)、云檢測、大氣校正、衛(wèi)星漂移校正及雙向反射率分布函數(shù)(bidirectional reflectance distribution function, BRDF)處理后生成的全球逐日格網(wǎng)數(shù)據(jù)集。數(shù)據(jù)分發(fā)采用與MODIS相類似的業(yè)務(wù)流程，以HDF分層格式存儲，包括1～3波段地表反射率、4～5波段大氣上界亮溫、太陽高度角、傳感器高度角、相對方位角以及質(zhì)量控制文件。其中地表反射率數(shù)據(jù)是以空間分辨率為0.05°(約5 km)的格網(wǎng)進(jìn)行存儲，質(zhì)量控制文件對每個格網(wǎng)制定1～10級的質(zhì)量標(biāo)記。為了便于計算，本研究利用ENVI 5.1軟件將1～2波段地表反射數(shù)據(jù)處理為Geo-TIFF格式，投影方式轉(zhuǎn)為Albers，空間分辨率定義為5 km。

1.2.2植被類型數(shù)據(jù)植被類型數(shù)據(jù)來源于2001年中國科學(xué)院中國植被圖編輯委員會發(fā)布的中國植被數(shù)據(jù)集。該數(shù)據(jù)集是由我國著名植被生態(tài)學(xué)家侯學(xué)煜院士主編出版的《1∶1000000 中國植被圖集》數(shù)字矢量化而來，目前在國家自然科學(xué)基金委員會資助的“中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心”(http://westdc.westgis.ac.cn)提供下載共享，數(shù)據(jù)格式為Shapefile格式，投影方式為Albers。中國植被圖是開展自然資源和自然地理特征研究的基本圖件，它全面反映了我國11個植被類型組、54個植被型的796個群系和亞群系植被。在我國西北東部地區(qū)形成了以草地或草甸(以下簡稱草地植被)、稀疏植被、林地為主的植被分布格局(圖1)。

1.2.3氣象數(shù)據(jù)通過中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)(http://cdc.nmic.cn)，下載了研究區(qū)101個農(nóng)業(yè)氣象站在1992-2010年的逐旬資料。資料主要包括種植作物名稱、發(fā)育期名稱、發(fā)育期時間、發(fā)育程度等觀測指標(biāo)。經(jīng)初步統(tǒng)計分析表明，研究區(qū)主要種植作物分為4種類型，分別是牧草、冬小麥(Triticumaestivum)、冬小麥+其他種植作物[玉米(Zeamays)、馬鈴薯(Solanumtuberosum)等]、春小麥(Triticumaestivum)+其他種植作物(玉米、一季稻等)。

1.2.4典型作物樣區(qū)數(shù)據(jù)根據(jù)研究區(qū)作物種植特點，分別選取資料記錄較為完整，且具有典型代表性的青海河南SⅠ(牧草)、甘肅張掖SⅡ(春小麥+玉米)、甘肅西峰SⅢ(冬小麥+玉米)和陜西蒲城SⅣ(冬小麥)4個農(nóng)業(yè)氣象臺站資料作為本研究結(jié)果的驗證數(shù)據(jù)。與此同時，為了盡量避免混合像元等不確定性因素對驗證結(jié)果的影響，本研究利用地面實測資料和Landsat8 OLI高分辨率資料，選取了臺站附近地勢較為平坦、耕地分布均勻，種植作物類型與臺站記錄相同、且種植面積大于5 km×5 km的下墊面作為典型樣區(qū)(圖1)。

1.3研究方法

雖然AVHRR傳感器均可提供時間分辨率為1 d的數(shù)據(jù)，但逐日數(shù)據(jù)易受云、氣溶膠及壞線等因素的影響。因此，本研究首先提取1981-2010年LTDR地表反射率產(chǎn)品中的1～2波段資料生成每日NDVI數(shù)據(jù)，其次結(jié)合數(shù)據(jù)的質(zhì)量控制文件，根據(jù)最大合成法(max value composite, MVC)[26]，將逐日NDVI數(shù)據(jù)集中的明顯噪聲進(jìn)行初步去除，并生成逐旬初始NDVI數(shù)據(jù)集，然后利用TIMESAT軟件對初始LTDR NDVI數(shù)據(jù)進(jìn)行時序擬合重建，最后結(jié)合典型樣區(qū)資料和同時期高質(zhì)量NDVI數(shù)據(jù)，對不同重建方法開展定量分析和適用性評價，確定研究區(qū)不同植被或作物類型上的最佳重建擬合方法。具體流程如圖2。

圖2　技術(shù)路線圖Fig.2　The flow chart of research method

1.3.1初始NDVI數(shù)據(jù)合成本研究利用LTDR 1～2波段地表反射率資料，根據(jù)NDVI計算公式生成1981-2010年每日的NDVI數(shù)據(jù)(O-N)，公式如下：

NDVI=(ρNir-ρRed)/(ρNir+ρRed)

(1)

式中，ρNir和ρRed分別為紅光波段和近紅外波段的反射率，LTDR資料相對應(yīng)為第1波段和第2波段的地表反射率值。

結(jié)合數(shù)據(jù)自帶的質(zhì)量控制文件(quality assessment, QA)，根據(jù)MVC合成法[26]，將每日LTDR NDVI合成初始逐旬NDVI數(shù)據(jù)，并生成相應(yīng)時期的QA文件。QA文件是在像元尺度上能夠綜合評價和反映該時段遙感數(shù)據(jù)質(zhì)量信息的資料。

1.3.2基于TIMESAT軟件的時間序列重建方法TIMESAT軟件是由J?nsson等[25]共同開發(fā)，并用于植被指數(shù)時間序列數(shù)據(jù)集重建及提取植被生長物候信息的程序包。軟件集成了目前已被國內(nèi)外學(xué)者廣泛應(yīng)用的非對稱高斯函數(shù)擬合(asymmetric Gaussian model function)、雙邏輯斯蒂擬合(double Logistic function)以及Savizky-Golay 濾波3種重建算法，并取得較好的效果[27-28]。該軟件有專門網(wǎng)頁介紹相關(guān)信息(http://www.nateko.lu.se/timesat/timesat.asp)，可同時處理時間序列數(shù)據(jù)和影像數(shù)據(jù)(二維空間陣列)。最初的版為FORTRAN語言編譯，之后由FORTRAN和MATLAB兩種語言編譯成升級兼容版本，在功能上有了較大的提升。主要包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)處理以及后處理3個大模塊?？山Y(jié)合數(shù)據(jù)的質(zhì)量控制文件實現(xiàn)不同遙感時序數(shù)據(jù)的重建。在數(shù)據(jù)預(yù)處理模塊中可以選擇其中一種或幾種重建算法進(jìn)行重建，并可在同一窗口中顯示不同重建方法的預(yù)覽效果。TIMESAT軟件最大的特點是可根據(jù)不同的植被覆蓋類型設(shè)置不同的重建算法及參數(shù)，提取不同植被特征下的物候參數(shù)。

1)非對稱高斯函數(shù)擬合法(A-G)。A-G擬合法是一個從半局部擬合到整體擬合的過程，該算法可分為區(qū)間提取、局部擬合和整體連接三部分[22]。首先根據(jù)時間序列點相對應(yīng)的值來提取區(qū)間，然后使用局部擬合函數(shù)即高斯函數(shù)對每個區(qū)間的時間序列數(shù)據(jù)進(jìn)行擬合，最后通過整體擬合實現(xiàn)時間序列的重建，具體步驟如下。

第1步：通過局部擬合公式進(jìn)行擬合，公式如下:

f(t;c1,c2,a1,……，a5)=c1+c2g(t;a1,……，a5)

(2)

式中，f(t;c1,c2,a1,……，a5)為擬合結(jié)果；c1和c2控制曲線的基準(zhǔn)和幅度；g(t;a1,……，a5)為高斯函數(shù)，計算公式為：

(3)

式中：a1決定最大值和最小值的位置；a2、a3、a4、a5控制曲線左半部分和右半部分的寬度和陡峭度。

第2步：參數(shù)確定，通過極小化局部擬合公式進(jìn)行擬合計算，公式如下：

(4)

式中：σi為第i個數(shù)據(jù)點的測量不確定性，可認(rèn)為已知(通過質(zhì)量控制文件獲取)，Ii為第i點的觀測值。

第3步：調(diào)整擬合曲線至植被生長的上包絡(luò)線：若擬合曲線的NDVI值低于原始觀測值，則通過調(diào)整低值擬合點的σi值進(jìn)行再次擬合，從而使擬合曲線接近植被生長曲線的上包絡(luò)線。

第4步：通過整體擬合實現(xiàn)時間序列重建，將局部擬合的左邊最小值，中間最大值和右邊最小值分別表示為fL(t)，fC(t)和fR(t)，得到一個VI*(t)函數(shù)來糾正局部擬合函數(shù)，擬合公式為：

(5)

式中：α(t)和β(t)為裁切函數(shù)。

2)雙邏輯斯蒂擬合法(D-L)。D-L算法與A-G擬合法類似，也是一種半局部擬合方法。首先將整個時間序列中時間點對應(yīng)的值按極大或極小值分成多個區(qū)間，分別對各區(qū)間進(jìn)行雙邏輯斯蒂函數(shù)局部擬合，其局部擬合方式與非對稱高斯擬合方法類似，公式如下：

f(t;c1,c2,a1,……，a4)=c1+c2g(t;a1,……，a4)

式中：g(t;a1,……，a4)根據(jù)雙邏輯斯蒂函數(shù)擬合得到，計算公式為：

(6)

式中：a1和a3決定曲線左邊和右邊變化的位置，a2和a4決定曲線左邊和右邊的變化率。以上參數(shù)的獲取通過極小化x2獲得，如下式：

(7)

最后利用公式(5)進(jìn)行整體擬合，并實現(xiàn)長時間序列的重建。

3)Savizky-Golay 濾波法(S-G)。S-G濾波是一種權(quán)重滑動平均濾波方法，主要是基于最小二乘卷積擬合法來實現(xiàn)噪聲消除的。其權(quán)重取決于一個濾波窗口內(nèi)做多項式最小二乘擬合的次數(shù)，如下式：

(8)

式中：Y為原始的NDVI值；Y*為平滑后的NDVI值；Ci為平滑窗口中第i個NDVI值的權(quán)重系數(shù)；N為卷積數(shù)，等于平滑窗口的大小(2m+1)；指數(shù)j是原始坐標(biāo)數(shù)據(jù)的滑動指數(shù)；m為滑動窗口的一半寬度。Ci可根據(jù)Madden等[29]提供的等式計算得到。具體步驟如下：

第1步：噪聲NDVI值的線性內(nèi)插，通過質(zhì)量控制文件識別標(biāo)記受殘留噪聲影響的數(shù)據(jù)，使用線性內(nèi)插對這些數(shù)據(jù)進(jìn)行修正，得到新的時間序列數(shù)據(jù)Ni0。

第2步：使用S-G濾波擬合得到長時間變化的趨勢曲線Nitr；通過選擇適當(dāng)?shù)膮?shù)值m和j擬合NDVI序列長期變化的趨勢線。

第3步：確定NDVI時序每一個點的權(quán)重：根據(jù)以上兩步得到的新時間序列數(shù)據(jù)Ni0和序列的趨勢曲線Nitr來確定新時間序列上每個點的權(quán)重Wi，計算公式如下：

(9)

式中：Ni0和Nitr分別為新序列和趨勢線上第i點的NDVI值，di=|Ni0-Nitr|，dmax為di的最大值。

第4步：根據(jù)Ni0和Nitr生成新的時間序列Ni1，用于修正Ni0中存在的某些明顯的噪聲點，生成的新序列更真實地反映NDVI的變化趨勢，接近原始NDVI數(shù)據(jù)的上包絡(luò)線。計算公式為：

(10)

第5步：使用S-G濾波對Ni1曲線進(jìn)行擬合，得到新的擬合曲線Ni2。

第6步：計算擬合效果指數(shù)Fk，用于估計擬合過程中擬合的NDVI值接近較高權(quán)重值的程度，擬合公式為：

(11)

本研究在利用TIMESAT軟件對初始逐旬LTDR NDVI數(shù)據(jù)進(jìn)行A-G、D-L和S-G 3種擬合重建處理時，還需要對一些相關(guān)處理參數(shù)進(jìn)行調(diào)試，主要包括：NDVI有效值域(range，0～10000)、噪聲去除閾值(spike，2)、滑動窗口大小(w-size，5～6～7)、擬合峰值參數(shù)(altitude，5)、迭代次數(shù)(fitting steps，3)等。

1.3.33種重建方法擬合效果比較分析為了定量分析以上3種重建方法的擬合效果和保真性能，本研究分別對典型耕地樣區(qū)和不同植被類型區(qū)的時序重建NDVI數(shù)據(jù)進(jìn)行分析與比較。

1)典型耕地樣區(qū)擬合前后物候期比較分析。已有研究表明NDVI對植被的物候期非常敏感[30]，當(dāng)作物從一個物候階段轉(zhuǎn)向另一個階段時，NDVI曲線曲率的變化能夠被用來確定物候期的轉(zhuǎn)變[30-32]。Zhang 等[33]將植被返青日期定義為NDVI的曲率導(dǎo)數(shù)首次達(dá)到局部最大值的日期。在作物生長周期內(nèi)，通過計算NDVI擬合曲線的曲率，并求其極值，由此能夠確定植被生長階段轉(zhuǎn)變的時間起點有6個，分別對應(yīng)返青、生長速率加快、成熟、衰老、衰老速率加快和枯黃死亡期(圖3)。曲率計算公式如下：

(12)

式中：da是沿時間曲線移動單位弧長時切線轉(zhuǎn)過的角度；ds為單位弧長；z=exp(a+bt)，a和b為時間t的擬合參數(shù)；c為NDVI最大值。

因此，根據(jù)以上植被物候期特征遙感識別方法[33]，本研究在典型樣區(qū)分別提取A-G、D-L、S-G以及初始NDVI時間序列曲線物候特征信息的基礎(chǔ)上，利用蒲城、海宴、河南、西峰和張掖4個樣區(qū)農(nóng)業(yè)氣象臺站實際觀測的作物生育期資料，分析比較每個典型區(qū)內(nèi)不同NDVI時間序列重建曲線表征的物候期(如返青期、抽穗和枯黃期)時間節(jié)點與農(nóng)氣臺站實測作物生育期之間的誤差。為了使誤差定量可比，本研究將農(nóng)氣臺站記錄的作物返青、成熟和枯黃的日期作為實測值，將通過NDVI重建曲線提取到的各相應(yīng)生育期的時間節(jié)點作為模擬值，最后利用均方根誤差(RMSE)和平均絕對誤差(Pd)等相關(guān)統(tǒng)計量，定量分析模擬值與實測值之間的誤差精度。

其中，RMSE可以描述重建前后NDVI數(shù)值之間的平均差異程度，其值越小，擬合值的代表性越強(qiáng)；Pd能夠深入反映各算法彼此間保真能力的差異。RMSE和Pd公式如下：

(13)

(14)

式中：xi、yi分別表示實測樣本數(shù)據(jù)及其對應(yīng)的重建樣本數(shù)據(jù)；Zai為第i個樣點的實際觀測值，Zei為重建擬合值；n為用于驗證的樣本數(shù)目。

2)不同土地類型區(qū)誤差定量分析。參照植被覆蓋類型和數(shù)字高程模型，在研究區(qū)下墊面較為均一、地勢較為平坦的草地、耕地、林地以及稀疏植被區(qū)分別選取初始NDVI時序數(shù)據(jù)中高質(zhì)量的樣本數(shù)據(jù)(即QA=1的樣本數(shù)據(jù))，并利用這些樣本數(shù)據(jù)定量分析重建前后NDVI數(shù)值之間的相關(guān)系數(shù)和均方根誤差等相關(guān)統(tǒng)計量。

2　結(jié)果與分析

2.1典型作物樣區(qū)擬合重建結(jié)果特征比較

通過分析1981-2010年青海河南(SⅠ)、甘肅張掖(SⅡ)、甘肅西峰(SⅢ)和陜西蒲城(SⅣ)4個典型作物樣區(qū)內(nèi)的時間序列NDVI擬合重建數(shù)據(jù)，結(jié)果表明，3種擬合重建算法在對初始NDVI像元中的殘留噪聲進(jìn)行消除的同時，也將典型像元中的時序NDVI進(jìn)行了不同程度的擬合調(diào)整。其中經(jīng)過D-L和A-G方法擬合曲線的結(jié)果比較接近，僅在NDVI峰值處兩者之間的擬合結(jié)果略有不同，相對誤差為±0.7%(圖4)。S-G濾波法對噪聲比較敏感，其重建的NDVI值與前兩種擬合重建結(jié)果有較大的差異，尤其是在生長季開始和結(jié)束時段，S-G擬合曲線相對于初始(O-N)、D-L和A-G擬合曲線的峰值存在較大程度的“左偏”和“右移”的情況(圖4)。

植被從返青期到枯黃期階段，經(jīng)過3種重建算法擬合后的NDVI整體較初始NDVI值提高了11.6%～23.7%，且重建序列曲線“拐點”對應(yīng)的時段也不一致。在生長季階段(4-10月)，青海河南和甘肅張掖典型樣區(qū)的初始NDVI曲線呈較為明顯的年內(nèi)對稱性，且3種擬合重建后的結(jié)果也較為接近。但以冬小麥為主要作物種植區(qū)的陜西蒲城和甘肅西峰(圖4)，在生長季階段的NDVI曲線具有明顯的年內(nèi)不對稱性，波峰波谷更替較為頻繁，且初始NDVI曲線與3種擬合重建后的曲線具有較大差異。由此可見，不同作物的種植結(jié)構(gòu)對擬合重建效果具有較大影響。

2.2典型作物樣區(qū)擬合重建結(jié)果誤差分析

通過比較分析1992-2010年各典型區(qū)初始NDVI曲線(O-N)，以及3種重建NDVI曲線曲率所表征的物候期(返青、成熟和枯黃期)節(jié)點與相應(yīng)臺站記錄作物生育期之間的差異，可以看出：由于受到噪聲的影響，初始NDVI曲線反映的各物候期節(jié)點與臺站記錄的相應(yīng)生育期之間存在較大誤差，且隨著作物不斷生長，即由返青期到枯黃期階段，平均絕對誤差Pd和均方根誤差RMSE也隨之升高，其中Pd和RMSE分別介于2.36～3.68和1.73～5.95之間。

與初始NDVI曲線表征的各物候期相比，經(jīng)過擬合重建后的3種NDVI曲線所反映的物候期節(jié)點與臺站記錄的相應(yīng)生育期之間的各項誤差均有所降低，其中在青海河南(SⅠ)和甘肅張掖(SⅡ)典型區(qū)域內(nèi)，通過D-L重建后的NDVI擬合曲線反映的各生育期節(jié)點與臺站記錄的相應(yīng)時期最為接近，Pd和RMSE達(dá)到最小，分別在1.89和4.21以下；在陜西蒲城(SⅣ)以及甘肅西峰(SⅢ)典型區(qū)域內(nèi)，經(jīng)過S-G濾波重建的NDVI曲線所反映的各生育期節(jié)點與實測值之間具有較小Pd和RMSE，分別介于2.35～2.47和1.57～4.69之間(表1)。

由此可見，3種擬合重建算法均可以對初始NDVI數(shù)據(jù)中的殘留噪聲進(jìn)行消除，但根據(jù)不同作物生長特點或作物種植結(jié)構(gòu)，每種重建方法對其噪聲消除能力是不同的。其中在生長季階段(4-10月)，作物生長曲線具有明顯年內(nèi)對稱性的SⅠ和SⅡ典型區(qū)域內(nèi)，經(jīng)過D-L擬合重建結(jié)果在相應(yīng)生育期內(nèi)的各項誤差較小，其適應(yīng)性較好；而在以冬小麥為典型種植區(qū)的SⅢ和SⅣ區(qū)域內(nèi)，經(jīng)過S-G濾波擬合重建的NDVI曲線對各生育期節(jié)點的反映與實測值更為接近，具有較好的適應(yīng)性。

2.3不同植被或作物類型NDVI擬合重建結(jié)果誤差分析

根據(jù)NDVI質(zhì)量控制文件，在獲取1981-2010年各植被類型區(qū)高質(zhì)量(QA=1)NDVI樣本數(shù)據(jù)，以及經(jīng)過上述3種擬合重建后同期NDVI樣本數(shù)據(jù)的基礎(chǔ)上，通過比較分析重建前后NDVI數(shù)據(jù)之間的相關(guān)系數(shù)和RMSE(圖5)，結(jié)果表明，在草地(Ⅰ)和林地(Ⅲ)為主的自然植被區(qū)域內(nèi)，以及牧草(Ⅳ)和春小麥+其他作物(Ⅴ)的耕地作物區(qū)域中，經(jīng)過D-L擬合重建的NDVI數(shù)據(jù)與重建前同期高質(zhì)量NDVI數(shù)據(jù)之間的相關(guān)系數(shù)達(dá)到最高(≥0.680)，且RMSE較低(≤0.026)。經(jīng)過A-G擬合后的結(jié)果與D-L較為接近，而S-G擬合結(jié)果與同期高質(zhì)量NDVI數(shù)據(jù)之間具有較大差別，其相關(guān)系數(shù)和RMSE分別介于0.620～0.780和0.019～0.028之間。與此同時，在稀疏植被區(qū)(Ⅱ)、冬小麥+其他作物(Ⅵ)和冬小麥(Ⅶ)區(qū)域中，經(jīng)過S-G濾波擬合重建后的NDVI數(shù)據(jù)與同期重建前高質(zhì)量NDVI數(shù)據(jù)之間具有較高的相關(guān)系數(shù)(≥0.56)和較低的RMSE(≤0.027)。

圖4　1981-2010年典型樣區(qū)逐旬NDVI時間序列重建前后對比Fig.4　Comparison of original and reconstructed NDVI of ten-days period from 1981 to 2010 in sample areas

表1　典型作物樣區(qū)NDVI曲線物候期誤差分析

圖5　不同植被或作物類型區(qū)內(nèi)高質(zhì)量NDVI重建前后保真能力分析Fig.5　Comparison of the ability on keeping the main characters by NDVI in different vegetation coverage areasⅠ～Ⅶ分別表示草地、稀疏植被、林地、牧草、春小麥+其他作物、冬小麥+其他作物和冬小麥區(qū)Ⅰ to Ⅶ are respectively grassland, sparse vegetation, woodland, pasture, spring wheat+other crops, winter wheat+other crops, and winter wheat.

由此可見，隨著下墊面植被或作物類型的變化，3種擬合重建結(jié)果具有較大的差異性。其中，在年均NDVI較高(NDVI≥0.3)的草地、林地區(qū)、牧草和春小麥+其他作物區(qū)域中，經(jīng)過D-L擬合重建的NDVI數(shù)據(jù)具有較高的保真能力和適應(yīng)性，而在年均NDVI較低(NDVI<0.3)的稀疏植被和冬小麥+其他作物區(qū)域中，S-G濾波重建方法表現(xiàn)出相對較好的保真能力和適應(yīng)性。

3　討論

綜上所述，由于目前已發(fā)布的時間序列 LTDR NDVI數(shù)據(jù)中仍然殘留較多噪聲，會造成NDVI曲線出現(xiàn)陡升或者陡降的情況，由此導(dǎo)致植被生長曲線表征的各物候期時間節(jié)點與臺站實際記錄的生育期之間存在較大偏差。因此，在實際應(yīng)用過程中需要對該數(shù)據(jù)集中的殘留噪聲進(jìn)行消除。利用時間序列重建算法對NDVI數(shù)據(jù)集進(jìn)行擬合重建，不僅能夠消除數(shù)據(jù)中的殘留噪聲，同時還可以插補(bǔ)缺測數(shù)據(jù)，是提高數(shù)據(jù)集質(zhì)量，獲取連續(xù)時間序列的一種有效手段。

根據(jù)本研究可以看出，當(dāng)植被生長具有明顯的季節(jié)變化特征時(如草地或部分作物區(qū)域)，利用D-L或A-G擬合方法重建的NDVI時間序列曲線，對返青期、成熟期以及枯黃期等時間節(jié)點的反映較為準(zhǔn)確，并與重建前高質(zhì)量NDVI數(shù)據(jù)具有較小的誤差和較高的保真性。這主要是由于A-G與D-L擬合方法均是一個從半局部擬合到整體擬合的過程，兩者擬合時序數(shù)據(jù)的出發(fā)點是相同的，只是后期分別使用了高斯函數(shù)和邏輯斯蒂函數(shù)進(jìn)行擬合。因此，經(jīng)過以上兩種方法得到的NDVI曲線結(jié)果較為接近，僅僅只是對NDVI峰值的擬合存在差異。而S-G濾波重建主要是利用移動加權(quán)滑動平均濾波對整個NDVI時序數(shù)據(jù)的長期變化趨勢進(jìn)行擬合，并將NDVI值分為“真值”點和“偽真值”點兩類。最后通過局部迭代擬合的方式將“偽真值”點用濾波值進(jìn)行代替，從而得到新的擬合曲線。與A-G與D-L擬合方法相比較，S-G濾波方法對曲線局部細(xì)節(jié)的波動更為敏感，因此，在植被季節(jié)生長變化特征不明顯的荒漠和部分耕地作物地區(qū)，利用S-G濾波方法重建的NDVI曲線具有較好的擬合效果。Hird等[23]在加拿大落基山脈地區(qū)，利用MODIS 16d NDVI產(chǎn)品進(jìn)行NDVI重建比較分析發(fā)現(xiàn)，A-G和D-L擬合結(jié)果優(yōu)于S-G。曹云鋒等[27]在長白山自然保護(hù)區(qū)進(jìn)行NDVI重建比較研究也得出了以上相似結(jié)果。而在本研究中可以看出，只有在植被生長具有明顯季節(jié)變化特征的草地、林地、牧草和部分作物類型上，經(jīng)過A-G和D-L擬合方法才具有較好的擬合效果，在其他植被類型條件下，S-G濾波法均優(yōu)于A-G和D-L的擬合效果。宋春橋等[28]對我國西藏北部地區(qū)的MODIS NDVI數(shù)據(jù)進(jìn)行重建分析發(fā)現(xiàn)，A-G和D-L方法在草原和灌叢類型上具有較好的重建效果，相對而言，S-G濾波對噪聲比較敏感，在處理局部較強(qiáng)的噪聲時，可能使其“過度”擬合而引入新的噪聲。本研究一方面通過重建前高質(zhì)量NDVI數(shù)據(jù)和GIS空間分析等技術(shù)手段，從整個空間尺度上對上述觀點進(jìn)行了定量化的分析與比較，另一方面利用相應(yīng)時期的農(nóng)業(yè)氣象資料，反映出植被季節(jié)生長曲線變化特征對不同重建方法的擬合重建效果具有重要影響。由此可見，在系統(tǒng)比較和分析多種重建方法的基礎(chǔ)上，融合多種重建方法的優(yōu)勢，構(gòu)建一種綜合重建方法是下一步需要完善的工作。

由于本研究使用的農(nóng)氣資料記錄時間有限，而無法對1981-1991年的NDVI數(shù)據(jù)進(jìn)行定量分析，同時在自然植被類型區(qū)，由于缺乏長期的地面觀測資料，造成精度評價并不完整。因此，收集更長時間序列的相關(guān)實測資料，從各個方面定量分析評價不同擬合重建方法的結(jié)果，對建立高質(zhì)量、長時序的NDVI重建數(shù)據(jù)集具有重要的現(xiàn)實意義。

4　結(jié)論

本研究以生態(tài)環(huán)境相對脆弱的西北東部地區(qū)為例，結(jié)合農(nóng)業(yè)氣象臺站資料和高質(zhì)量NDVI數(shù)據(jù)，在系統(tǒng)比較與分析A-G、D-L和S-G 3種重建算法擬合效果的基礎(chǔ)上，對不同重建方法展開適用性評價，得出如下結(jié)論：

1)下墊面類型是影響不同重建方法效果的一個重要因素。經(jīng)過3種擬合重建算法獲取的NDVI數(shù)據(jù)，均可以對初始NDVI數(shù)據(jù)中的殘留噪聲進(jìn)行消除，并提高數(shù)據(jù)集的質(zhì)量，但根據(jù)不同植被類型或作物生長特點，每種重建方法對其噪聲消除能力是不同的。

2)在年均NDVI較高(NDVI≥0.3)，且具有明顯季節(jié)變化特征的草地、林地、牧草以及春小麥+其他作物區(qū)域中，經(jīng)過D-L擬合重建的NDVI曲線，在植被或作物的返青期、成熟期以及枯黃期等時間節(jié)點上與臺站實測生育期較為接近，且與重建前高質(zhì)量NDVI數(shù)據(jù)的誤差較小，具有較高的保真能力和適應(yīng)性。A-G擬合重建結(jié)果與D-L結(jié)果較為接近，只是根據(jù)D-L和A-G擬合算法重建的NDVI峰值結(jié)果略有差異。

3)在年均NDVI較低(NDVI<0.3)，且在生長季內(nèi)植被季節(jié)生長變化特征不明顯或曲線不具對稱性的稀疏植被區(qū)，或以冬小麥為典型種植作物的區(qū)域中，經(jīng)過S-G濾波重建的NDVI數(shù)據(jù)與臺站實測資料較為接近，且與重建前高質(zhì)量NDVI數(shù)據(jù)的誤差較小，表現(xiàn)出相對較好的保真能力和適應(yīng)性。

References：

[1]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.

[2]Li F, Zeng Y, Li X S,etal. Remote sensing based monitoring of interannual variations in vegetation activity in China from 1982 to 2009. Science China: Earth Sciences, 2014, 57: 1800-1806.

[3]Hou M T, Zhao H Y, Wang Z,etal. Vegetation responses to climate change by using the satellite-derived normalized difference vegetation index: A Review. Climatic and Environmental Research, 2013, 18(3): 353-364.

[4]Arnon K, Nurit A, Rachel T P,etal. Use of NDVI and land surface temperature for drought assessment: merits and limitations. Journal of Climate, 2010, 23: 618-633.

[5]Barbosa H A, Huete A R, Baethgen W E. A 20-year study of NDVI variability over the Northeast region of Brazil. Journal of Arid Environments, 2006, 67: 288-307.

[6]Guo N, Wang X P. Advances and developing opportunities in remote sensing of drought. Journal of Arid Meteorology, 2015, 33(1): 1-18.

[7]Piao S L, Wang X H, Ciais P. Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006. Global Change Biology, 2011, 17(10): 3228-3239.

[8]Gu J, Li X, Huang C L. Research on the reconstructing of Time-series NDVI Data. Remote Sensing Technology and Application, 2006, 21(4): 391-395.

[9]Han P, Yao J, Li T H. Comparison of 3 NDVI datasets and the application at Yanhe basin, China. Journal of Basic Science and Engineering, 2014, 4: 661-674.

[10]Wang Z X, Liu C, Huete A. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research. Acta Ecologica Sinica, 2003, 23(5): 979-987.

[11]Geng L Y, Ma M G. Advance in method comparison of reconstructing remote sensing time series data sets. Remote Sensing Technology and Application, 2014, 29(2): 362-368.

[12]Ma M G, Song Y, Wang X F,etal. Development status and application research of the time series remote sensing data products based on AVHRR、VEGETATION and MODIS. Remote Sensing Technology and Application, 2012, 27(5): 663-670.

[13]Du J Q, Shu J M, Wang Y H,etal. Comparison of GIMMS and MODIS normalized vegetation index composite data for Qinghai-Tibet Plateau. Chinese Journal of Applied Ecology, 2014, 25(2): 533-544.

[14]Michishita R, Zhenyu J, Jin C,etal. Empirical comparison of noise reduction techniques for NDVI time-series based on a new measure. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 91: 17-28.

[15]Beck P S, Goetz S J. Satellite observations of high northern latitude vegetation productivity changes between 1982 and 2008: Ecological variability and regional differences. Environmental Research Letters, 2011, 6: 5501-5511.

[16]Jeremy L W, David S G, Julia E A,etal. Long-term vegetation monitoring with NDVI in a diverse semi-arid setting, central New Mexico, USA. Journal of Arid Environments, 2004, 58(2): 249-272.

[17]Steven M D, Timothy J M, Frédéric B,etal. Intercalibration of vegetation indices from different sensor systems. Remote Sensing of Environment, 2003, 88(4): 412-422.

[18]Chen Y L, Long B J, Pan X B,etal. Differences between MODIS NDVI and AVHRR NDVI in monitoring grasslands change. Journal of Remote Sensing, 2011, 15(4): 831-845.

[19]Fensholt R, Proud S R. Evaluation of earth observation based global long term vegetation trends—Comparing GIMMS and MODIS global NDVI time series. Remote Sensing of Environment, 2012, 119(16): 131-147.

[20]Mao D H, Wang Z M, Luo L,etal． Integrating AVHRR and MODIS data to monitor NDVI changes and their relationships with climatic parameters in Northeast China. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 528-536.

[21]Geng L, Ma M, Wang X,etal. Comparison of eight techniques for reconstructing multi-satellite sensor time-series NDVI data sets in the heihe river basin, China. Remote Sensing, 2014, 6: 2024-2049.

[22]Li R, Zhang X, Liu B,etal. Review on methods of remote sensing time-series data reconstruction. Journal of Remote Sensing, 2009, 13(2): 335-341.

[23]Hird J N, McDermid G J. Noise reduction of NDVI time series: An empirical comparison of selected techniques. Remote Sensing of Environment, 2009, 113: 248-258.

[24]Li Z H. A Study on the Eco-environment Evolution of Yangtze River Delta Region Based on the Retrieval & Reconstruction of MODIS Time Series Datasets[D].Shanghai: East China Normal University, 2011.

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

[26]Holben B N. Characterististics of maximun-value composite images from temporal AVHRR data. International Journal of Remote Sensing, 1986, 7(11): 1417-1434.

[27]Cao Y F, Wang Z X, Deng F P. Fidelity performance of three filters for high quality NDVI time-series analysis. Remote Sensing Technology and Application, 2010, 1(1): 118-125.

[28]Song C Q, You S C, Ke L H,etal. Analysis on three NDVI time-series reconstruction methods and their applications in North Tibet. Journal of Geo-Information Science, 2011, 1(1): 133-143.

[29]Madden H H, Chem A. Comments on the Savitzky-Golay convolution method for least-squares-fit smoothing and differentiation of digital data. Analytical Chemistry, 1978, (9): 1383-1386.

[30]Moulin S, Kergoat L, Viovy N,etal. Global-scale assessment of vegetation phenology using NOAA/AVHRR satellite measurements. Journal of Climate, 2010, 10(6): 1154-1170.

[31]Liu H. Spring Phenology Model of Grassland Based on Soil Moisture and Air Temperature and Vegetation Reactions to Drought[D]. Beijing: Tsinghua University, 2012.

[32]Wang L, Ding J L. Vegetation index feature change and its influencing factors and spatial-temporal process analysis of desert grassland in the Ebinur Lake Nature Reserve, Xinjiang. Acta Prataculturae Sinica, 2015, 24(5): 4-11.

[33]Zhang X, Friedl M A, Schaaf C B,etal. Monitoring vegetation phenology using MODIS. Remote Sensing of Environment, 2003, 84(3): 471-475.

[3]侯美亭, 趙海燕, 王箏, 等. 基于衛(wèi)星遙感的植被NDVI對氣候變化響應(yīng)的研究進(jìn)展. 氣候與環(huán)境研究, 2013, 18(3): 353-364.

[6]郭鈮, 王小平. 遙感干旱應(yīng)用技術(shù)進(jìn)展及面臨的技術(shù)問題與發(fā)展機(jī)遇. 干旱氣象,2015, 33(1): 1-18.

[8]顧娟, 李新, 黃春林. NDVI 時間序列數(shù)據(jù)集重建方法述評. 遙感技術(shù)與應(yīng)用, 2006, 21(4): 391-395.

[9]韓鵬, 姚娟, 李天宏. 3種不同數(shù)據(jù)源NDVI的比較分析及其在延河流域的應(yīng)用研究. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報, 2014, 4: 661-674.

[10]王正興, 劉闖, Huete A. 植被指數(shù)研究進(jìn)展: 從AVHRR-NDVI到MODIS-EVI. 生態(tài)學(xué)報, 2003, 23(5): 979-987.

[11]耿麗英, 馬明國．長時間序列NDVI數(shù)據(jù)重建方法比較研究進(jìn)展．遙感技術(shù)與應(yīng)用, 2014, 29(2): 362-368.

[12]馬明國, 宋怡, 王旭峰, 等. AVHRR、VEGETATION和MODIS時間序列遙感數(shù)據(jù)產(chǎn)品現(xiàn)狀與應(yīng)用研究進(jìn)展. 遙感技術(shù)與應(yīng)用, 2012,27(5): 663-670.

[13]杜加強(qiáng), 舒儉民, 王躍輝, 等. 青藏高原MODIS NDVI與GIMMS NDVI的對比. 應(yīng)用生態(tài)學(xué)報, 2014, 25(2): 533-544.

[22]李儒, 張霞, 劉波, 等. 遙感時間序列數(shù)據(jù)濾波重建算法發(fā)展綜述.遙感學(xué)報, 2009, 13(2): 335-341.

[24]黎治華. 基于MODIS反演重構(gòu)時間序列數(shù)據(jù)的長江三角洲地區(qū)生態(tài)環(huán)境演變研究[D]. 上海： 華東師范大學(xué), 2011.

[27]曹云鋒, 王正興, 鄧芳萍. 3種濾波算法對NDVI高質(zhì)量數(shù)據(jù)保真性研究. 遙感技術(shù)與應(yīng)用, 2010, 1(1): 118-125.

[28]宋春橋, 游松財, 柯靈紅, 等. 藏北地區(qū)三種時序NDVI重建方法與應(yīng)用分析. 地球信息科學(xué)學(xué)報, 2011, 1(1): 133-143.

[31]劉慧. 基于土壤水分和氣溫的草地返青模型及植被干旱研究[D]. 北京： 清華大學(xué), 2012.

[32]王璐, 丁建麗. 艾比湖保護(hù)區(qū)荒漠植被時空過程變化及其植被指數(shù)影響因素分析. 草業(yè)學(xué)報, 2015, 24(5): 4-11.

*Comparative studies of reconstruction methods for the long term NDVI dataset in the east of Northwest China

WANG Wei, GUO Ni*, SHA Sha, HU Die, WANG Xiao-Ping, LI Yao-Hui

KeyLaboratoryofAridClimaticChangeandReducingDisasterofGansuProvince,KeyOpenLaboratoryofAridChangeandDisasterReductionofCMA,InstituteofAridMeteorology,ChinaMeteorologicalAdministration,Lanzhou730020,China

A high-level time-series NDVI dataset is not only the basis for continuous monitoring of the land surface, but also an important tool for studying change related to climate and land use factors in terrestrial eco-systems. We reconstructed the noise component of the LTDR NDVI data for the east of Northwestern China where the ecosystem is fragile, using various time-series reconstruction methods. This paper use agrometeorological data and high-level NDVI data to evaluate the accuracy of different reconstruction methods. The results show that: 1) The vegetation or crop land cover is an important factor affecting fitted results of the various reconstruction methods. Each reconstruction method has a different noise reduction ability depending on differences in vegetation or crop growth characters; 2) The D-L reconstruction method has a better noise reduction ability and applicability in those areas of grassland, and woodland for which the annual average NDVI data is higher (NDVI≥0.3) and the NDVI curve has obvious seasonal changes; 3) The S-G reconstruction method has better fidelity ability and applicability in some areas of crop land in winter wheat and in areas of sparse vegetation for which annual average NDVI data are lower (NDVI<0.3) and where the NDVI curve have no obvious seasonal changes.

NDVI; time-series data reconstruction; vegetation remote sensing; AVHRR

10.11686/cyxb2015489http://cyxb.lzu.edu.cn

王瑋, 郭鈮, 沙莎, 胡蝶, 王小平, 李耀輝. 我國西北地區(qū)東部時間序列NDVI數(shù)據(jù)集重建方法比較研究. 草業(yè)學(xué)報, 2016, 25(8): 1-13.

WANG Wei, GUO Ni, SHA Sha, HU Die, WANG Xiao-Ping, LI Yao-Hui. Comparative studies of reconstruction methods for the long term NDVI dataset in the east of Northwest China. Acta Prataculturae Sinica, 2016, 25(8): 1-13.

2015-10-22；改回日期：2016-01-04

甘肅省氣象局氣象科研項目(GSMAMs2016-10)，中國博士后科學(xué)基金項目(2015M582734)和公益性行業(yè)(氣象)科研專項(重大專項)(GYHY201506001-5)資助。

王瑋(1985-)，男，甘肅蘭州人，助理研究員。 E-mail: wangwei9969@163.com

Corresponding author. E-mail: guoni0531@126.com