植被物候特征的遥感提取与农业应用综述*

李正国，唐华俊，杨 鹏，吴文斌，陈仲新，周清波，张 莉，邹金秋

(1.农业部资源遥感与数字农业重点开放实验室，北京 100081;2.中国农业科学研究院农业资源与农业区划研究所，北京 100081)

物候是指植被受环境 (气候、水文、土壤)影响而出现的以年为准周期的自然现象，包括树木花草的发芽、展叶、抽穗及秋季的叶变色和脱落等［1］。植被物候数据是重要的生态信息，它不仅是植被监测、生态系统管理、农业区划、配置与决策等的重要依据，同时也是全球气候变化研究的重要问题［2～3］。植被物候特征不仅与气候变化紧密联系，还与下垫面的植被/作物类型相关。在全球变化背景下，植被物候期及其空间分布格局会出现调整，进而影响到植被区划和区域整体生物生产的数量与质量［4～6］。

近20年来，在全球气候变化与植被生态系统的研究中，科学家利用基于遥感数据的多年光谱植被指数 (Spectral Vegetation Index，SVI)开展了大量全球植被活动变化的相关研究［7］。研究结果表明，从植被对气候的适应性与反馈作用的角度，监测长时间序列植被活动的年际变化特征是理解和模拟陆地生态系统动态变化特征的重要手段，同时也提供关于生物气候区域空间分布的转变以及大尺度循环模式或土地利用变化的变异信息［8～10］。研究者同时也指出，通过年内植被物候特征的相关研究，可进一步加强对全球和区域尺度上地表覆盖的结构和功能特征的分析能力，增进对全球物质与能量循环变化的了解［11-13］。此外，理解和弄清与作物相关的农业物候动态变化机理机制有助于农业生产农事活动的科学调整和有效管理，制定和完善应对气候变化的人类响应和适应对策，规避各种风险和冲击，减小农业生产的脆弱性和不稳定性。该文通过文献整理，从基本原理、数据处理方法、物候特征提取等方面系统综述了植被物候遥感提取的研究进展及其在农业领域的相关应用，以期为进一步提升植被物候特征的研究与应用水平提供科学参考。

1 基本遥感原理

植被物候监测主要是发现植被在形态上发生显著变化所对应的日期，及从恢复生长到凋零所经历的生长期长度［14］。植被物候信息可以通过野外观测法、积温法以及遥感法等多种途径确定。从卫星遥感数据提取植被物候信息的主要假设就是信号特征与植被的测量值具有关联性。基于此，植被覆盖地物对应的NDVI序列具有年内增长和衰落的季节变化特征，而另一些地表覆盖类型如沙漠和水体却没有上述特征，因此，上述覆盖地物在研究中需予以剔除。另外，尽管大多数植被覆盖地区均具有清晰的生长和衰落周期变化的季节特征，但时间序列的形态却可能由于生物—气候地带的差异而发生显著的变异。在某些区域时间序列可能是简单的，可以用正弦函数来拟合;但在另外一些区域，尤其是对于干旱地区的NDVI序列却通常无法拟合［15～17］。

利用遥感数据序列提取物候期特征的常用方法是NDVI阈值法，即根据预先定义的NDVI参考值来确定典型物候期。该方法操作简单，适宜于小区域的物候研究，但由于不同区域和不同植物类型的NDVI值存在显著差异，确定适合大尺度物候期提取的单一NDVI阈值是不可行的。有学者依据作物生长过程线的时间特征，提出利用生长曲线最大上升或下降速率来确定作物生长过程的转折点，以此反映作物出苗期和成熟期［15］。该方法能有效反映作物生长历程的差异，但存在计算过程复杂，计算结果精度受时间分辨率影响大等缺陷，较难应用于大区域物候期特征提取。动态阈值法在此基础上通过考虑NDVI季节变化幅度，实现了像元尺度阈值的动态设定，一定程度上消除了土壤背景值和植被类型的影响［16～17］。总体而言，从多时相遥感影像中获取的NDVI数据，经函数拟合方法重构后可以较为准确地反映植物的生长发育过程，适合大范围、快速监测植被的关键物候期。

2 常用的NDVI标准数据集

在众多的SVI中，归一化差值植被指数 (Normalized Difference Vegetation Index，NDVI)是目前最常用的植被活动表征指标［18］。相关研究表明，NDVI和吸收光合有效辐射比例系数 (Photosynthetically Active Radiation Absorbed by the Vegetation Canopy，FPAR)、净初级生产率 (Net Primary Production，NPP)、叶面积指数、生物量、覆盖度等植被生物物理特征高度相关［19～22］。土壤调整植被指数 (Soil Adjusted Vegetation Index，SAVI)［23］、季节/时间综合归一化差值植被指数 (Seasonally/TIME Integrated NDVI，SINDVI/TINDVI)［24～26］和增强植被指数 (Enhanced Vegetation Index，EVI)［23］也是常用指标之一。许多国际组织和机构都制定了全球卫星数据接收、处理和生成NDVI数据集的计划。

目前最常用的长时间系列植被动态变化研究的数据源主要包括NOAA/AVHRR-NDVI，SPOT/VGTNDVI以及MODIS-NDVI等［18］。具体标准数据集包括 (1)地球资源观测系统数据中心 (Earth Resources Observation Systems Data Center，EDC)的10天最大化合成的全球1km的AVHRR数据集，起止时间为1992年4月至1993年9月和1995年2月至1996年1月以及1996年5月［27］。(2)LP-DAAC的Pathfinder AVHRR Land(PAL)数据集，提供从1981年7月到2001年9月的8km和1°两种分辨率的10天最大化全球AVHRR数据下载，当前使用的PAL数据集采用NASA1994年处理方案，为PAL I［28］，1999年NASA发展了改进的AVHRR资料预处理方案，为PAL II［29］，比较表明PALII比PALI有较高精度的大气纠正和较小时间梯度波动。(3)美国国家航空航天局戈达德航天中心 (Goddard Space Flight Center，GSFC)全球监测与模型研究组 (Global Inventor Modeling and Mapping Studies，GIMMS)制作了1982～2006年15天最大化合成的8km AVHRR数据集［30～31］。(4)NDVI逐月数据集 (版本3)，在PALI和GIMMS数据集的基础上校正了由于轨道漂移、NOAA卫星交替以及大规模火山爆发 (例如1991年7月Pinatubo火山爆发)引起的气溶胶变化等产生的噪音［32～33］。该数据集包括16km和0.5°的两种空间分辨率的全球逐月NDVI、LAI和FPAR数据资源。(5)由欧洲联盟委员会赞助的VEGETATION传感器从1998年4月开始接收用于全球植被覆盖观测的SPOT-VGT数据，该数据由比利时佛莱芒技术研究所 (Flemish Institute for Technological Research，Vito)VEGETATION影像处理中心负责预处理成逐日1km全球数据，可以免费申请10天最大化合成 (S10)的1km数据，2002年5月4日成功发射的SPOT 5使该资料可以生成13年的全球植被覆盖监测数据集［34］。(6)由美国国家航空航天局提供的2000年以来标准MODIS-NDVI/EVI(MOD13)数据产品，能够有效反映地表植被的生物物理/生物化学状态和过程。通过分别接收由Terra和Aqua卫星搭载的MODIS传感器发回的数据，目前能够提供满足研究和应用需求的涵盖全球、8/16天周期、多空间分辨率的植被指数产品 (250m，1km和0.05°)，该数据集通过对像元的可靠性评级保证了产品的精度要求，整体不确定性小于0.015个像元［35］。

3 时序遥感数据的处理方法

年内植被覆盖季节变化通常是渐变的，对应的NDVI时间曲线应该是连续且光滑的。然而基于遥感的NDVI数据序列由于受到传感器干扰，残余几何偏差，云层，水蒸气，气溶胶，地表散射和云层阴影的影响［36～40］，导致曲线经常出现不规则的波动。为了削减数据噪声，通过对逐日数据进行最大值合成处理和云探测识别处理［41～42］，可以有效削减由于云层干扰和大气组分造成的负向误差，然而，残余的大气噪声以及由于地表散射等因素造成的误差仍然存在［17］。

为了减少数据噪声水平和构建高质量NDVI时间序列数据，需要对原始数据进行平滑处理。按处理方法的原理主要可以分为3类［43］。第一类是针对NDVI曲线特征的简单阈值去除方法，具体包括最优指标斜率提取法 (Best Index Slope Extraction，BISE)［44］，修正BISE滤波方法［45］;第二类是基于滤波的平滑方法，如Savitzky-Golay滤波方法［46］、小波变换［47］和傅立叶变换方法［48］;第三类是非线性拟合方法，包括Logistic函数拟合方法［49］和非对称性高斯函数拟合法［17］。

从数据处理效果对比来看，基于傅立叶变换或基于正弦函数的最小二乘拟合方法能很好地应用于具有明显植被生长与衰落等季节特征的数据序列［50～52］，而对于季节特征不明显的序列则存在较大的不确定性;滤波方法实现较为简单，能较好地反映数据序列的局部变化特征，但其假定数据误差皆为负向偏差的前提条件并不能完全保证［53］。吴文斌等 (2009)选择中国为研究区域，指出Savitzky-Golay滤波法和非对称性高斯函数法拟合效果一致，但存在区域差异性［54］。

4 植被物候特征的提取方法

经过平滑处理的NDVI时间序列曲线可以反映植被生长的年内动态变化特征，因此，可以根据NDVI时间序列曲线提取得到植被物候信息，如植被生长的开始期、高峰期和结束期等。在简单阈值法基础上，Jönsson等 (2002)提出了动态阈值法，其改进之处在于通过考虑了NDVI季节变化幅度，实现在像元尺度上阈值的动态设定，从而一定程度上消除了土壤背景值和植被类型的影响［17］。具体操作中依据植被生长过程曲线的变化特征，对于植被恢复点定义为曲线初始阶段上升速率急剧增加处，具体日期可确定为NDVI拟合曲线的左侧基底值或最小值增长到某一水平 (例如整体增幅的10%)所对应的日期;类似地，可以确定相应地生长季衰落点;生长季长度则为恢复点至衰落点的时间间距;生长季的峰值点定义为曲线上升的极限处所对应的日期;植被生长的最佳阶段则定义为左侧增幅比例达90%的时间点与右侧对称点之间的间隔，以此作为生长鼎盛期 (表1)。目前，该方法已经应用于全球很多区域，取得了较好的应用结果，如Beck等 (2006)利用25%的阈值监测了北半球高纬度的芬诺斯坎底亚半岛的植被物候变化［55］，Heumann等 (2007)利用20%的阈值研究了非洲大陆撒哈拉和苏丹区域的植被物候变化特征［56］。国内学者采用类似阈值对我国［57］，华北地区［58～59］、东北地区［60］以及整个温带区域［61］进行了植被物候变化研究。

在确定关键植被物候期的同时，还可以进一步计算与植被生产量、生长速度以及季节变化模式等相关的植被物候特征值。首先，基于NDVI与光合有效吸收辐射 (FPAR)的关系，可采用年内NDVI累积值估算净第一性生产力［62～63］。为更好地估测植被在生长季内的生产量，通常计算生长期内的NDVI累积总量或增量。其他植被特征值还包括拟合最大值、变化幅度、恢复与衰落的速率等，其中恢复速率指植被在生长季开始点至顶点期间的NDVI增长速率，在理论上该指标与植被生长特征有关。另一个重要物候特征值是不对称性，通常采用生长季的成长期与衰落期的比值来表征。不对称性值较低意味着植被具有快速成长和缓慢衰落的生长特点，与之对应，不对称性值较高则表示缓慢生长和快速衰败，往往对应具有收获行为的农业种植区。

表1 基于NDVI序列的植被物候特征定义及其农业涵义

5 农业领域的相关应用

在文献综述基础上，文章从基本原理、数据源、预处理方法、物候特征提取方法等方面构建了多时相遥感数据在植被物候研究中的技术流程 (图1)。具体流程中包括利用多源多时相遥感数据构建区域NDVI时序数据集;比较SG滤波法、HANTS变换、Logistic函数和不对称高斯函数拟合法等时序数据平滑处理方法，选择最适合的数据重构方法;对平滑处理的NDVI时序数据采用动态阈值方法或曲率求导方法，提取作物物候期与种植制度信息。以下分别综述了作物关键物候期、耕地种植制度和作物估产等领域的相关研究进展。

5.1 确定作物的关键物候期

作物物候期特征是重要的农业信息，是农业生产、田间管理、计划决策等的重要依据，也是作物模拟模型的重要参数［15］。作物物候期监测主要是发现作物在形态上发生显著变化所对应的日期，及从出苗到收获所经历的生长期时间。作物物候期信息可以通过田间观测法、积温法和遥感法等多种途径获得。但田间观测法需大量人力和物力，且周期长，覆盖面小;积温法需获取播期、品种、日温度以及该品种达到某一生育时期所需的热量单位，应用较为困难;遥感提取则无上述缺点，且适合大范围、快速监测作物的关键物候期［64］。时间序列的NDVI值蕴涵着植被的生长和枯萎的年循环节律，经时间序列函数拟合方法重构的NDVI曲线，可以准确地反映农作物的出苗、拔节、抽穗、收获等物理过程。对于农作物而言，依据作物生长过程线的时间特征，一年一熟作物出苗期 (或返青期)定义为拟合曲线初始阶段的恢复点;抽穗期对应为拟合曲线的峰值点;收获期为曲线下降阶段的凋零点。对于上升速率和下降速率可以采用恢复速率和凋零速率表征 (表1)。而对于一年两熟和多熟作物则比较复杂，需依据轮作规律分作物、分时段进行识别分析。

国外最早利用NOAA/AVHRR数据进行大面积作物物候期监测是Gallo和Flesch(1989)利用周合成差值植被指数估测玉米吐丝期［65］。国内的王延颐等 (1990)采用空间分辨率为15km的GVI数据监测江苏省冬小麦和水稻一年两熟轮作体系的6个生育期［66］。辛景峰等 (2001)利用10天合成的NOAA/AVHRR数据集监测华北平原冬小麦—夏玉米轮作体系中的6个关键物候期［15］。侯英雨等 (2002)采用最小二乘法对时间序列NDVI曲线进行平滑，认为NDVI曲线最低点是返青初始期，最高点是抽穗初期［67］。吴文斌等 (2009)利用相同NDVI时间序列数据监测我国耕地生长季开始期的时空变化［57］，杨浩等(2011)利用HJ-1A/1B CCD影像精准提取了双季稻的关键生育期［68］。上述研究反映了时序NDVI数据可用于监测作物物候期及其变化。

5.2 判别耕地种植制度

耕地种植制度反映了区域内水分、土壤与日照等自然气候条件的综合作用，其实质是作物对耕地的利用程度。我国地域辽阔，作物种植制度复杂多样，现有的种植制度变化研究都是基于统计数据中行政区划单元的估值，该方法忽略了各统计单元内部的空间异质性，因此不能准确描述种植制度的空间特征，另一方面数据获取存在一定的滞后性。

图1 研究框架与技术路线

联系种植制度与时间序列NDVI曲线的纽带是农作物年内的循环规律。时间序列的NDVI值蕴涵着植被生长和枯萎的年循环节律，从一年内同一地块作物种植的次数考虑，种植制度实际上就等于时间序列NDVI峰值的频数。其中一年一季作物的NDVI在一年内形成明显的单峰曲线，一年两季作物的NDVI形成双峰曲线，一年三季作物的NDVI形成三峰曲线，裸地的NDVI形成较平直的曲线。从上述典型的时间序列NDVI曲线的周期变化特征，可以获取种植制度信息，为计算耕地复种指数提供重要支持。

国内的范锦龙和吴炳方 (2004)选择了SPOT/VGT的旬合成NDVI数据，利用HANTS方法，提取了1999～2002期间全国范围内的复种指数，研究结果与农业统计资料具有较好的一致性［69］。闫慧敏等(2005)利用8km×8km的15天合成NOAA/AVHRR遥感观测数据构建1981～2000年作物生长曲线，用峰值特征点检测法提取全国尺度的复种指数，分析了20年来全国农田复种指数变化的时空格局［48］。李正国等 (2009)和吴文斌等 (2009)分别利用SPOT/VGT-NDVI和AVHRR-NDVI时间序列数据监测华北地区农田的种植制度空间格局［58，59］，研究表明时序NDVI数据可以在大尺度监测我国农田种植制度方面发挥重要作用。

5.3 提高遥感作物估产精度

作物产量是单位面积产量和总种植面积的乘积，植物物候特征可以从两方面提高作物遥感估产的精度。首先，时间序列NDVI可以获取NDVI平均值、NDVI最大值、年NDVI累积值、NDVI最大值出现日期以及生长季长度等指标，通过上述指标可以提高作物类型的识别能力，从而获得更精确的作物种植面积;其次，作物物候特征描述了作物从种植到收获整个生长期的变化情况，从而可以更好地评估作物长势［70］。

利用NDVI时间序列数据可以提取反映植被或作物生产力的指标。其中NDVI累积量是重要的生物产量估算指标之一。Hill和Donald(2003)基于1991～1999年间AVHRR-NDVI时间序列提取了澳大利亚西部地区的作物物候特征，研究结果表明，生长季NDVI累积量对于降雨量低于600 mm的行政单元以及降雨与农作物产量高度相关年份的农作物生产力表现最为敏感［71］。Dalezios等 (2001)基于AVHRRNDVI进行棉花产量估计，研究主要讨论了基于NDVI数据应用衰退模型进行作物产量监测的可行性，结果表明NDVI时间序列可以监测棉花产量的年际变化［72］。因此，通过标准化NDVI时间序列数据提取的相关指标可以提高作物估产的精度。

6 结语

相关研究充分表明，基于NDVI拟合曲线提取的植被物候特征能广泛应用于农业领域，包括更好地反映区域尺度上植被物候特征/种植制度的宏观时空分异，同时也能提高作物遥感估产的精度。此外，空间网格化的物候特征分析结果还可为研究植被生长过程对外界环境条件变化的时空响应提供重要的数据支持。尽管遥感数据在植被物候动态变化研究发挥了重要作用，但也存在如下亟待解决问题，需要进一步深入研究。

(1)在努力研制和改进数据处理方法本身的同时，有待进一步对NDVI序列重构过程涉及的拟合方法进行选择和评价，如Savitzky-Golay滤波法、Logistic函数拟合法以及非对称性高斯函数拟合法，有利于弄清不同方法的优缺点和区域适宜性，提高植被物候信息的反演结果精度。

(2)基于多时相遥感信息监测耕地物候具有一定的复杂性和特殊性。不同于草原、灌丛和森林等自然植被在年内完成一个生长过程，耕地由于受人类活动影响大和多熟种植制度的存在，很多区域的耕地在年内完成两个或多个生长周期，其物候期变化较快。此外，物候特征提取的参数设置也有待优化，目前难点主要在于如何精确地定义或找到合适的峰值和谷值点分布，这对于某些季节变化不明显的区域尤为困难。因此，耕地物候信息提取过程涉及的参数设置，如生长季起始/结束的阈值设置还有待与不同作物类型的物候观测记录作进一步匹配。

(3)利用长时间NDVI序列提取植被物候特征的宏观时空格局，相对于传统基于农业气象观测资料的物候期研究，其改进之处在于能提供更具体的局部区域植被物候特征变化信息，但在区分气候波动和人为选择造成的植被物候期变动研究方面仍有待进一步深化。影响耕地物候变化的因素有很多，以往的物候变化机制研究多侧重于气候变化因子的分析，但对人类活动 (作物品种、耕作水平、灌溉、施肥和农药等)对耕地物候变化的影响研究尚显不足，没有弄清楚两者的因果关系和具体机理机制。

［1］陆佩玲，于强，贺庆棠.植物物候对气候变化的响应.生态学报，2006，26，(3):921～929

［2］Penuelas J.，Filella I.Responses to a warming world.Science，2001，294:793 ～794

［3］方修琦，余卫红.物候对全球变暖的研究综述.地球科学进展，2002，17，(5):714～719

［4］林而达，许吟隆，蒋金荷，等.气候变化国家评估报告 (II):气候变化的影响与适应.气候变化研究进展，2006，2，(2):51～56

［5］吴文斌，杨鹏，唐华俊，等.一种新的粮食安全评价方法研究.中国农业资源与区划，2010，31，(1):16～21

［6］IPCC.Climate Change:Impacts，Adaptation and Vulnerability，Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge University Press，Cambridge，UK，2007

［7］马明国，王建，王雪梅.基于遥感的植被年际变化及其与气候关系研究进展.遥感学报，2006，10，(3):421～431

［8］Running S.W.，Nemani R.R.Relating seasonal patterns of the AVHRR vegetation index to simulated photosynthesis and transpiration of forests in different climates.Remote Sensing of Environment，1988，24:347 ～367

［9］Sellers P.J.，Dickinson R.E.，Randall D.A.，et al.Modeling the exchanges of energy，water，and carbon between continents and the atmosphere.Science，1997，275:502 ～509

［10］Rosenqvist A.，Imhoff M.，Milne A.，et al.Remote sensing and the kyoto protocol—A workshop summary.International Archives of Photogrammetry and Remote Sensing，2000，33:1278～1285

［11］Malingreau J.P.Global vegetation dynamics:Satellite observations over Asia.International Journal of Remote Sensing，1986，7:1121 ～1146

［12］Townshend J.R.G.，Justice C.O.Analysis of the dynamics of African vegetation using the normalized difference vegetation index.International Journal of Remote Sensing，1986，7，1435～1445

［13］Tucker C.J.，Justice C.O.，Prince S.D.Monitoring the grasslands of the Sahel 1984 – 1985，International Journal of Remote Sensing，1986，7，1571～1581

［14］张峰，吴炳方，刘成林，等.利用时序植被指数监测作物物候的方法研究.农业工程学报，2004，20(1):155～159

［15］辛景峰，宇振荣，Driessen P.M.利用NOAA NDVI数据集监测冬小麦生育期的研究.遥感学报，2001，6，(5):442～447

［16］Reed B.C.，Brown J.F.，Vander Z.D.Variability of land cover phenology in the United States.Journal of Vegetation Science，1994，5:703～714

［17］Jönsson P.，Eklundh L.Seasonality extraction by function fitting to time-series of satellite sensor data.IEEE Transactions on Geoscience and Remote Sensing，2002，40:1824～1932

［18］Stow D.，Hope A.，McGuire D.，et al.Remote sensing of vegetation and land cover change in Arctic tundra ecosystems.Remote Sensing of Environment，2004，89:281 ～308

［19］Asrar G.，Fuchs M.，Kanemasu E.，et al.Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat.Agronomy Journal，1984，76:300 ～306

［20］Goward S，Tucker C，Dye D.North American vegetation patterns observed with the NOAA-7 Advanced Very High Resolution Radiometer.Vegetation，1985，64:3～14

［21］Baret F.，Guyot G.Potentials and limits of vegetation indices for LA I and APAR assessment.Remote Sensing of Environment，1991，35:161～173

［22］Veroustraete F.，Sabbe H.，Erens H.Estimation of carbon mass fluxes over Europe using the C-Fix model and Eruflux data.Remote Sensing of Environment，2002，83:376 ～399

［23］Ferreira L.，Huete A.Assessing the seasonal dynamics of the Brazilian Cerrado vegetation through the use of spectral vegetation indices.International Journal of Remote Sensing，2004，25，(10):1837～1860

［24］Yang L.，Wylie B.，Tieszen L.，et al.An analysis of relationships among climate forcing and time-integrated NDVI of grasslands over the US northern and central great plains.Remote Sensing of Environment，1998，65:25 ～37

［25］Hope A.，Boynton W.，Stow D.，et al.Interannual growth dynamics of vegetation in the Kuparuk river watershed based on the normalized difference vegetation index.International Journal of Remote Sensing，2003，24，(17):3413～3425

［26］Stow D.，Daeschner S.，Hope A.，et al.Variability of the seasonally integrated normalized difference vegetation index across the north slope of Alaska in the 1990s.International Journal of Remote Sensing，2003，24，(5):1111～1117

［27］Eidenshink J.，Faudeen J.The 1 km AVHRR global land data set:first stages in implementation.International Journal of Remote Sensing，1994，15，(17):3443～3462

［28］James M.，Kalluri S.The pathfinder AVHRR land data set:an improved coarse-resolution data set for terrestrial monitoring.International Journal of Remote Sensing，1994，15，(17):3347～3364

［29］Ouaidrari H.，Saleous N.，Vermote，et al.AVHRR land pathfinder II(PAL II)data set:evaluation and inter-comparison other data set.International Journal of Remote Sensing，2003，24，(1):135～142

［30］Los S.，Justice C.，Tucker C.A global 1 degree by 1 degree NDVI data set for climate studies derived from the GIMMS continental NDVI.International Journal of Remote Sensing，1994，15，(17):3493～3518

［31］Vermote E.，Saleous E.，Kaufman Y.，et al.Stratospheric aerosol perturbing effect on remote sensing of vegetation:operational method for the correction of AVHRR composite NDVI.Proceeding of SPIE.1994，23，(11):19 ～29

［32］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

［33］Nemani R.，Keeling C.，Hashimoto H.，et al.Climate-driven increases in global terrestrial net primary production from 1982 to 1999.Science，2003，300:1560～1563

［34］Maisongrande P.，Duchemin B.，Dedieu G.VEGETATION/SPOT:an operational mission for the earth monitoring;presentation of new standard products.International Journal of Remote Sensing，2004，25，(1):9～14

［35］Christopher J.，John T.Special issue on the Moderate Resolution Imaging Spectroradiometer(MODIS):a new generation of land surface monitoring.Remote Sensing of Environment，2002，83:1 ～2

［36］Holben B.Characteristics of maximum value composite images from temporal AVHRR data.International Journal of Remote Sensing，1986，7，(11):1417～1434

［37］Kaufmann R.，Zhou L.，Knyazikhin Y.，et al.Effect of orbital drift and sensor changes on the time series of AVHRR vegetation index data.IEEE Transactions on Geoscience and Remote Sensing，2000，38(6):2584～2597

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

［39］Prince S.D.，Goward S.N.Evaluation of the NOAA/NASA pathfinder AVHRR land data set for global primary production modeling.International Journal of Remote Sensing，1996，17:217～221

［40］Gutman G.G.Vegetation indices from AVHRR:An update and future prospects.Remote Sensing of Environment，1991，35:121 ～136

［41］Tanré D.，Holben B.N.，Kaufman Y.J.Atmospheric correction algorithm for NOAA AVHRR products:Theory and application.IEEE Transactions on Geoscience and Remote Sensing，1992，30:231～248

［42］Simpson J.J.，Stitt J.R.A procedure for the detection and removal of cloud shadow from AVHRR data over land.IEEE Transactions on Geoscience and Remote Sensing，1998，36:880～897

［43］顾娟，李新，黄春林.NDVI时间序列数据重建方法述评.遥感技术与应用，2006，21，(4):391～395

［44］Viovy N.，Arino O.，Belward A.S.The best index slope extraction(BISE):A method for reducing noise in NVDI time-series.International Journal of Remote sensing，1992，13:1585～1590

［45］Lovell J.L.，Graetz R.D.Filtering pathfinder AVHRR land NDVI data for Australia.International Journal of Remote sensing，2001，22:2649～2654

［46］Chen J.，J?nsson P.，Tamura M.，Gu Z.，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，2004，91:332 ～344

［47］Sakamoto T.，Van Nguyen N.，Ohno H.，et al.Spatio-temporal distribution of rice phenology and cropping systems in the Mekong Delta with special reference to the seasonal water flow of the Mekong and Bassac River.Remote sensing of Environment，2006，100，(1):1 ～16

［48］闫慧敏，曹明奎，刘纪远，等.基于多时相遥感信息的中国农业种植制度空间格局研究.农业工程学报，2005，2l，(4):85～90

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

［50］Sellers P.J.，Tucker C.J.，Collatz G.J.，et al.A global 1°×1°NDVI data set for climate studies—Part II:The generation of global fields of terrestrial biophysical parameters from the NDVI.International Journal of Remote sensing，1994，15:3519 ～3545

［51］Cihlar J.Identification of contaminated pixels in AVHRR composite images for studies of land biosphere.Remote Sensing of Environment，1996，56:149～153

［52］Roerink G.J.，Menenti M.，Verhoef W.Reconstructing cloud free NDVI composites using Fourier analysis of time series.International Journal of Remote sensing，2000，21:1911～1917

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

［54］吴文斌，杨鹏，唐华俊，等.两种NDVI时间序列拟合方法比较.农业工程学报，2009，25，(11):183～188

［55］Beck P.S.A.，Atzberger C.，Hogda K.A.，et al.Improved monitoring of vegetation dynamics at very high latitudes:a new method using MODIS NDVI.Remote Sensing of Environment，2006，100:321 ～ 334

［56］Heumann B.W.，Seaquist J.W.，Eklundh L.，et al.AVHRR derived phenological change in the Sahel and Soudan Africa，1982-2005.Remote Sensing of Environment，2007，108:385 ～392

［57］吴文斌，杨鹏，唐华俊，等.过去20年中国耕地生长季起始期的时空变化.生态学报，2009，29，(4):1777～1786

［58］李正国，杨鹏，周清波，等.基于时序植被指数的华北地区作物物候期/种植制度的时空格局特征.生态学报，2009，29(11):6216～6226

［59］吴文斌，杨鹏，唐华俊，等.基于NDVI数据的华北地区耕地物候空间格局研究.中国农业科学，2009，42，(2):552～560

［60］于信芳，庄大方.基于MODIS-NDVI数据的东北森林物候期监测.资源科学，2006，28(4):111～117

［61］Piao S.，Fang J.，Zhou L.，et a1.Variations in satellite-derived phenology in China＇s temperate vegetation.Global Change Biology，2006，12:672～685

［62］Diallo，O.，Diouf，A.，Hanan，N.P.，et al.AVHRR monitoring of savanna primary production in Senegal，West Africa:1987 ～1988.International Journal of Remote Sensing，1991，12:1259～1279

［63］Prince，S.D.Satellite remote sensing of primary production:comparison of results for Sahelian grasslands 1981– 1988.International Journal of Remote Sensing，1991，12:1301～1311

［64］张明伟，周清波，陈仲新，等.基于MODIS时序数据分析的作物识别方法.中国农业资源与区划，2008，29，(1):31～35

［65］Gallo K.P.，Flesch T.K.Large area crop monitoring with the NOAA AVHRR:Estimating the silking stage of corn development.Remote Sensing of Environment，1989，27:73 ～80

［66］王延颐，Malingreau J.P.应用NOAA/AVHRR对江苏省作物进行监测的可行性研究.环境遥感，1990，5(3):221～227

［67］侯英雨，王百立.基于作物植被指数和温度的产量估算模型研究.地理学与国土研究，2002，18(3):105～107

［68］杨浩，黄文江，王纪华等.基于HJ-1A/1B CCD时间序列影像的水稻生育期监测.农业工程学报，2011，27，(4):219～224

［69］范锦龙，吴炳方.复种指数遥感监测方法.遥感学报，2004，8，(6):628～636

［70］杨鹏，唐华俊，刘佳.作物遥感估产中自动分类方法研究进展与展望.中国农业资源与区划，2000，21，(3):57～60

［71］Hill M.J.，Donald G.E.Estimating spatio-temporal patterns of agricultural productivity in fragmented landscapes using AVHRR NDVI time series.Remote Sensing of Environment，2003，84:367 ～384

［72］Dalezios N.R.，Domenikiotis C.，Loukasb A.，et al.Cotton yield estimation based on NOAA/AVHRR produced NDVI.Physics and Chemistry of the Earth，Part B:Hydrology，Oceans and Atmosphere，2001，26，(3):247 ～251