基于GIMMS与SPOT vegetation的中亚物候变化趋势及对比

马勇刚，陈曦，牛新民，张驰

基于GIMMS与SPOT vegetation的中亚物候变化趋势及对比

马勇刚1,2，陈曦2，牛新民1，张驰2

1. 新疆科技发展战略研究院，新疆 乌鲁木齐 830011；2. 中国科学院新疆生态与地理研究所，新疆 乌鲁木齐 830011

植被物候是反映生态系统受全球气候变化影响的重要证据。作为生态与水资源系统最为脆弱的地区之一，中亚干旱区植被物候对气候变化的响应情况是当前的全球环境变化研究热点。文章以GIMMS和SPOT vegetation数据为基础，在TIMESAT物候信息提取软件的支持下，以动态阈值法提取了1982─2006年和1999─2012年中亚地区植被物候空间信息。结合Mann-Kendall趋势分析方法，对中亚地区2个时期的植被开始期，停止期和生长季长度的3种典型物候参数的历史变化情况和空间分布进行识别；同时，通过二维散点图和最小二乘一维线性回归的统计分析方法，开展了对1999─2006年8年重叠期期间GIMMS和SPOT vegetation所提取的3种物候数据对比分析。结果表明：①中亚研究区在1982─2006年和1999─2012年2个分段时期没有发生显著的整体性植被物候变化，其未发生显著性变化面积分别占研究区总面积的90%和95%；②农作物种植区域是中亚地区植被物候发生显著变化的主要区域；③对GIMMS与SPOT vegetation数据提取3种物候参数进行空间相关性分析结果表明，GIMMS和SPOT vegetation在提取的物候数据存在差异，开始期，停止期和生长季长度的相关性分别为[0.36,0.56]，[0.32,0.49]和[0.28,0.45]，且植被覆盖度高的区域要比覆盖度低的区域差异小，这也说明了不同遥感数据源在中亚干旱区植被物候信息提取一致性较差，其原因可能尺度差异和土壤背景值的严重影响。

中亚；遥感；物候；GIMMS；SPOT vegetation

植物物候是反映环境条件对气候变化响应的最直观、最敏感的生物指示器。近年来，遥感物候观测因具有多时相、覆盖范围广、空间连续、时间序列较长等特点，成为揭示植被动态对全球气候变化响应的重要手段。遥感技术的发展为在全球和大区域尺度，以及高纬度地区、高寒山区、沙漠和一些地形特别复杂，很难进行地面实际植物调查或建立长期的监测点的区域开展植被物候研究提供了可能性（Cleland等，2007）。国内外学者已经通过遥感手段对北美，欧洲，亚洲乃至全球开展了较为广泛的研究（Delbart等，2005；Delbart等，2006；Menzel等，1999；Schwartz等，2000；Julien等，2009；)。亚洲中部干旱区是全球最大的非地带性干旱区，是全球生态系统和水资源系统最脆弱的地区之一。气候变化背景下中亚区域的生态环境问题已严重制约了中亚各国经济与社会的发展。中亚干旱区是当前全球植被物候研究较为薄弱的区域，在植被物候变化、植被物候模型及物候与气候变化的关系等方面的研究成果都非常有限。在中亚干旱区开展空间尺度植物物候研究对理解区域陆地生态系统对气候变化响应程度具有重要的意义。一些研究已经对中亚地区植被物候变化开展了研究（Kariyeva等，2011；Lu等，2014），但由于中亚干展区土壤背景影响严重，物候验证数据严重缺乏，而采用多种数据或多种方法综合分析中亚干旱区植被物候区域变化的研究仍比较欠缺。

当前开展遥感物候研究主要是通过以具有一定时间跨度和较高时间分辨率的遥感时间序列为数据支撑，当前国内外遥感物候研究的主要时间序列数据来源有4种（表1），其中AVHRR GIMMS时间跨度最大，但空间分辨率较粗；SPOT Vegetation，ENVISAT以及MODIS等空间分辨率有较显著提高，但时间跨度较短。在干旱区由于植被覆盖度低，土壤背景对植被光谱信号影响程度严重，不同的遥感数据在反映干旱区荒漠植被状况也存在差异，已有的许多研究工作已经对GIMMS和SPOT vegetation和MODIS等植被指数在反映植被年际变化特征（侯美亭等，2013），时空相关性

（Fensholt等，2012）等方面的研究，而对不同植被指数在进行物候信息提取上的异同较少研究。

表1 长时间序列植被指数一览表Table 1 long time series vegetation index

为综合监测中亚地区过去30年来物候变化状况，本研究拟采用GIMMS数据和SPOT vegetation数据，获取中亚干旱区在1982─2006年期间和1998─2012年期间的物候变化情况，尝试获取其空间变化情况和主要特征；同时尝试对GIMMS和SPOT vegetation 2套数据在物候信息提取上存在的异同进行提取，对2套数据在1999─2006年的8年重叠期的物候提取信息进行对比，分析2种数据在反映中亚物候信息上的差异。

1 数据与方法

1.1研究区

本论文研究区范围（图1）包括中亚哈萨克斯坦、吉尔吉斯斯坦、乌兹别克斯坦、塔吉克斯坦、土库曼斯坦和中国新疆，东西横跨50°，南北横跨20°，总面积约56×105km2。

图1 研究区示意图（中亚五国及中国新疆）Fig. 1 The plot of study area (Central Asia five country and Xinjiang, CHINA)

1.2GIMMS数据

GIMMS（Global Inventory Modeling and Mapping Studies）数据是由UMD根据NOAA7，9，11，14，16和17等系列卫星搭载的AVHRR传感器数据通过一系列定标和地理校正过程开发的具有25 a时间跨度，16 d时间分辨率和8 km空间分辨率的NDVI数据集，通过下载和在IDL下批量解压和裁剪，最终获得研究区内24景/年×25年，合计600景NDVI数据。

1.3SPOT vegetation 数据

SPOT vegetation数据为1998年4月─2012年 12月的SPOT vegetation逐旬NDVI数据。由欧洲联盟委员会赞助的VEGETATION传感器于1998年3月由SPOT-4搭载升空，从1998年4月开始接收用于全球植被覆盖观测的SPOT VGT数据，该数据由瑞典的Kiruna地面站负责接收，由位于法国Toulouse的图像质量监控中心负责图像质量并提供相关参数（如定标系数），最终由（Flemish Institute for Technological Research, Vito）VEGETATION影像处理中心（VEGETATION processing Centre, CTIV）负责预处理成逐日1 km全球数据。预处理包括大气校正，辐射校正，几何校正，生成了10 d最大化合成的NDVI数据。

SPOT vegetation数据按照全球区域划分成不同大区，通过下载1999年─2012年N-ASIA和W-ASIA两区域每年36期，共计1008景数据。通过比利时佛莱芒技术研究所开发的VGTExtract工具进行批量镶嵌和裁剪。最终完成研究区SPOT vegetation的处理工作。

1.4物候提取方法

从遥感植被指数时间序列数据中获取植被物候参数的方法有很多(White等，2009)，但根据其原理可以主要分为3种：（1）阈值法（White等，1997）；（2）拐点法（Reed等，1994）；（3）曲线求导法（Zhang等，2003）。其中，曲线求导法则更适应于多生长季地区，中亚干旱区以一年生植物为主，拐点法易受到融雪因素的干扰（Delbert等，2006）。采用阈值法能够有效降低物候反演方法的不确定性对物候变化总体趋势计算结果造成的影响（Kariyeva等，2011）。因此，本研究采用阈值法计算植被生长季开始期和停止期。

公式表示为：

式中：NDVIdoy为一年中的第doy天对应的NDVI值，NDVImin为一年中NDVI最小值，NDVImax为一年中NDVI最大值。

1.5趋势分析方法

Mann-Kendall是一种非参数统计检验方法，最初由Mann在1945年提出，后由Kendall和Sneyers进一步完善，在长时间序列数据的趋势检验和分析中得到了广泛应用，其优点是不需要遵从一定的分布，也不受少数异常值的干扰，计算起来比较方便（Sen，1968；Helsel等，2006）。研究采用Man-Kendall（M-K）趋势分析对GIMMS每个象元1982─2006

年25个数据值和SPOT vegetation每个象元1999─2012年25个数据值进行计算，获得研究区植被物候变化趋势Z统计值，继而获取变化显著的空间分布情况，并进行相关的统计。

设有时间序列X

式3中：S为M-K相关系数，设各变量独立同分布，则统计量S近似服从正态分布，其均值E(S)、方差Var(S)分别为：

式6中：q为序列中秩次相同的组数；tk为第k组秩次相同所包含观测值的个数，当样本数量大于10时，用公式7来计算Z统计量：

Z统计量越大，则变化趋势越显著，其中±1.96和±2.58分别为正负向变化趋势下P＜0.05和P＜0.01的临界值。

2 结果与分析

2.11982─2006年变化情况

开始期：研究区内植被开始期变化在空间上分布是不均匀，大部分地区的开始期的变化并不显著（图2）。其中开始期显著提前并且提前幅度较高的地区主要是集中在土库曼斯坦南部穆尔加布-捷詹绿洲耕作区、乌兹别克斯坦东南部泽拉夫尚河谷地的撒马尔罕-布哈拉耕作区和塔什干绿洲地区以及费尔干纳盆地、阿姆河下游土库曼-乌兹别克斯坦的乌尔根奇地区，哈萨克斯坦北部和天山北坡部分区域也有小部分区域存在显著提前区域。而开始期显著推迟的地区则集中分布在新疆天山北坡以及塔里木盆地北缘绿洲区域。

图2 1982─2006年中亚植被开始期、停止期和生长季长度MK趋势分析(＊ P≤0.05，＊＊ P≤0.01)Fig. 2 M-K trend analysis for SOS ,EOS, LOS in Central Asia from 1982 to 2006 based on GIMMS data

停止期：与开始期相对比，植被停止期的变化趋势则较为不同，其显著变化的区域呈现零星分布，且面积和强度比开始期要小。研究区内的大部分区域植被停止期的变化是不显著的，只有少部分区域存在着显著变化的情况。其中显著推迟的区域

零星分布于在哈萨克北部和新疆北部区域，而停止期显著提前的地区则零星分布在土库曼斯坦和乌兹别克斯坦东部及塔吉克斯坦西部的绿洲耕作区域和天山北部绿洲耕作区区域。

生长季长度：受开始期和停止期变化影响，生长季长度的变化表现出较大的空间变异性。开始期显著提前的区域，包括土库曼斯坦南部穆尔加布-捷詹绿洲耕作区、乌兹别克斯坦东南部泽拉夫尚河谷地的撒马尔罕-布哈拉耕作区和塔什干绿洲地区以及费尔干纳盆地、和阿姆河下游土库曼-乌兹别克斯坦的乌尔根奇等，生长期长度均有显著延长，而生长季长度缩短的地区则主要分布在克孜勒库姆沙漠东南地区和天山北坡绿周耕作区的部分区域。

2.21999─2012年变化情况

基于SPOT vegetation提取的1999─2012年的中亚干旱区开始期变化趋势的空间分布情况（图3）。

开始期显著提前的区域主要是集中在哈萨克斯坦西部博斯坦库姆沙地和雷恩沙漠，乌兹别克斯坦的卡拉库姆沙漠及其与乌兹别克斯坦交界的乌尔根奇地区。而显著推迟的区域则主要集中在新疆天山北坡西段及库尔勒、库车、阿克苏等部分绿洲耕作区，乌兹别克斯坦的艾达湖与奇姆肯特地区，以及土库曼斯坦的库吉唐套山区和卡拉比尔高地。

整个中亚植被停止期在1999─2012年期间的分布情况说明，停止期显著提前的区域主要还是集中在卡拉库里沙漠区域，哈萨克斯坦西部博斯坦库姆沙地以及新疆北部的部分区域。而显著推迟的区域则主要分布在乌兹别克的艾达湖和塔什干区域，塔吉克斯坦南部库尔干秋别部分区域，以及新疆南部喀什和叶尔羌流域。

综合看来，研究区在1999─2012年期间的生长季长度发生显著缩短的地区主要集中在哈萨克斯坦西部乌拉尔、土库曼斯坦中部以及新疆天山北坡部分区域。而显著延长地区主要集中在新疆阿尔泰山区北部。

2.3统计对比

对整体中亚区域1982─2006年期间3种物候参数的显著性及非显著性变化的区域面积比例（表2）进行统计发现，90%的区域没有发生显著地变化；在存在显著变化的地区：开始期显著提前占6.19%，显著推迟占3.21%，停止期显著提前占3.38%，显著推迟占5.04%，生长季长度显著缩短占了2.78%，显著延长占8.22%，这表明开始期提前、停止期推迟和整个生长季的延长在10%的显著变化范围内是占主导地位的。

表2 1982─2006年物候显著性变化比例统计Table 2 the proportion of phenological metrics change in 1982─2006

图3 1999─2012年中亚植被开始期、停止期和生长季长度MK趋势分析(＊P≤0.05，＊＊P≤0.01)Fig. 3 M-K trend analysis for SOS ,EOS, LOS in Central Asia from 1999 to 2012 based SPOT vegetation

而1999─2012年3种物候参数的发生显著变化和未发生显著变化的比例结果（表3）则说明：在1999─2012年期间，研究区95%以上的区域的开始

期和停止期没有发生显著地变化，93%以上的区域生长季长度没有显著变化。而在不到5%发生显著变化的区域内，开始期和停止期显著提前的比例要多于显著推迟的比例，最终生长季长度中发生显著缩短的比例达到了5.27%，相对高于生长季长度中发生显著延长的比例。

表3 3种物候参数1999─2012年变化情况Table 3 the proportion of phenological metrics change in 1999─2012

2.42种数据提取物候信息对比

已有研究表明，在不同的数据来源情况下，除非有可靠地匹配方法，否则直接对各种植被指数数据进行分辨率融合来拓展时间跨度的做法是不可靠的（Fensholt等，2012；Song等，2010）。基于此点，我们在利用不同数据源进行植被物候信息的提取过程中，为了防止产生不可靠的结果，没有将GIMMS和SPOT VEGETATION直接进行空间分辨率的统一来增加时间跨度。但将二者提取的相同年度的空间物候数据进行对比分析，有利于今后发展对不同遥感数据源的片段式分布进行统一的解决方案。

同时，由于在物候反演方法和阈值的采用上存在一致，对比二者的物候反演数据也将有助于了解不同尺度下植被指数在反映植被物候信息上的差异。我们将SPOT与GIMMS所提取的各项物候数据进行两两空间相关性分析。

开始期对比分析（图4）可以看出，在利用GIMMS和SPOT 2套数据提取的开始期数据在二维散点图上表现出一定的一致性，其相关系数在[0.36,0.56]区间范围内，而高频次样本点群趋近于1∶1的回归斜率。同时由于受到大量离散点的影响，最小二乘斜率所拟合的回归线均与高频度的样本点群相偏离，且斜率总是小于1。

利用GIMMS和SPOT 2套数据提取的停止期数据在二维散点图（图5）上表现出的一致性明显较弱，其相关系数在[0.32,0.49]区间范围内。各年拟合的一维回归线均与高频度的样本点群相偏离，高频次样本点群的分布没有表现出与开始期相似的沿1∶1线的椭圆形分布。

生长季长度的散点图（图6）表现出GIMMS和SPOT提取的生长季长度没有出现与开始期和停止期相似的高频次的样本群，整体样本分布相对更加分散，各年的拟合斜率也处在[0.28,0.45]之间，低于开始期和停止期的拟合斜率的平均水平。

为进一步分析GIMMS和SPOT提取的生长季开始期，停止期和生长季长度的差异情况，我们分析了1999年的开始期和停止期二维散点图在影像空间上分布情况。

图4 GIMMS和SPOT VEGETATION提取的开始期之间的线性回归关系Fig. 4 Linear regression of SOS extract from NDVI of GIMMS and SPOT vegetation

利用不同色彩表示GIMMS与SPOT VEGETATION反演获得的开始期和停止期的比率区间（图7），蓝色区域为二者的比值在[0.5,1]区间范围，而红色与绿色区域则为二者之间的比值＜0.5。这意味蓝色区间为二者相关性较好，而红色与绿色

区域相关性较差。可以发现，GIMMS和SPOT VEGETATION提取的开始期和停止期在研究区北部的以及新疆天山山区均存在较好的相关性，开始期差异主要分布在研究区中部的里海东岸博斯坦库姆沙地、克孜勒库姆沙漠以及萨雷耶西克阿特劳沙漠的区域；停止期差异则主要分布在土库曼斯坦的卡拉库姆沙漠和乌兹别克斯坦的克孜勒库姆沙漠部分区域。这些结果说明二者在植被覆盖较好的区域的相关性可能要高于在植被稀疏区域的相关。

图5 GIMMS和SPOT vegetation提取的停止期之间的线性回归关系Fig. 5 Linear regression of EOS extracted from NDVI of GIMMS and SPOT vegetation

图6 GIMMS和SPOT vegetation提取的生长季长度回归关系Fig. 6 Linear regression of LOS extracted from NDVI of GIMMS and SPOT vegetation

图7 GIMMS与SPOT vegetation开始期（A）与停止期（B）二维散点在影像上的分布Fig. 7 The distribution in image for SOS(A) and EOS(B) 2D scatter plot

3 结论与讨论

3.1讨论

本研究所得出的中亚干旱区物候变化结论与

一些学者在相近或有重叠区域的研究结论有所不同。刘玲玲采用1981─1999年的GIMMS AVHRR NDVI数据得到欧亚大陆40～70°地区植被开始期提早了3.5 d/10a植被、生长季延长9.4 d/10a的结论（刘玲玲等，2012）；Delbert利用1982─2004年AVHRR和SPOT-VGT数据分析欧亚大陆北部50～72°N植物生长季节的变化（Delbert等，2006）时得出开始期平均提前3.5天；Lu等在利用30%作为动态阈值对中亚五国物候进行线性回归的趋势分析则发现中亚地区农作物生长提前明显，而稀疏灌木休眠期推迟显著（Lu等，2014）；而本文采用20%阈值法对2种不同数据源基础上所得到的研究结果则显示研究区内显著变化的区域主要集中在农田区域。这意味着利用同种遥感数据在不同的分析方法下所得出的结果会产生较大差异。从变化显著性分析来看，本研究对整个中亚五国及新疆研究区的分析反映出研究区的植被物候并未发生整体变化，这一结论与（Julien等，1999）在对1981─2003年全球植被物候显著性分析结果中中亚部分的分布情况基本一致。

对比研究表明，利用GIMMS和SPOT植被指数数据提取的各项物候参数中，生长季开始期相关程度最好，而停止期和生长季长度相关性较差，这种区别可能与各种植被的开始期相对集中而停止期分布较为离散有关。利用二维散点图识别二者相关性的空间分布情况发现植被覆盖度高的区域要高于植被覆盖度低的区域，然而，GIMMS和SPOT vegetation在本研究区内的相关性要远低于（刘玲玲等，2012）研究中落叶林和草地时GIMMS与MODIS物候参数0.9的相关系数，这说明长时间序列遥感数据在对物候等植被状况进行监测的过程中，对高覆盖度植被区域的变化情况反映较为一致，但在干旱区等土壤背景影响较严重的低覆盖植被区域，表现差异明显，空间一致性较差。其原因一方面可能是由于不同传感器特征、像元尺度、几何校正和合成时间等的差异，另一方面可能是由于沙漠地区植被稀疏，土壤背景反射强烈，NDVI本身可靠性较差以及传感器校正方法的不同造成的(刘玲玲等，2012；沙莎等，2013)；此外研究区特殊的气候条件会造成植被生长或衰老迅速，继而引起植被指数在短时剧烈变化，而由于在获得地表植被覆盖信息发生迅速变化的能力可能存在差异，同时近年来气候波动和气候变化引起的物候频繁变化,也增加了物候过渡期遥感监测结果的不确定性，最终造成了两种数据的一致性减弱青（Du等，2014）。

3.2结论

本文采用动态阈值法，利用1982─2006年 GIMMS NDVI和1999─2012年SPOT vegetation 2种植被指数，提取了中亚干旱区植被物候参数，结果表明中亚干旱区在1982─2006年和1999─2012年2个时段分别有90%和95%的区域没有发生显著的整体性植被物候变化，在不到5%和10%的区域中发生显著变化的主要是耕地。

由GIMMS和SPOT vegetation 2种数据提取的3种物候参数在8年重叠期的空间对比分析表明：基于动态阈值法由GIMMS和SPOT vegetation所提取的中亚干旱区植被开始期，停止期和生长季长度相关性分别为[0.36,0.56]，[0.32,0.49]和[0.28,0.45]，相关性程度从高到底依次为开始期、停止期和生长季长度；从二维空间分布上看，植被覆盖度高的区域比植被覆盖度低的区域相关性程度高。

CLELAND E E, CHUINE I, MENZEL A, et al. 2007. Shifting plant phenology in response to global change [J]. Trends in ecology & evolution, 22(7): 357-65.

DELBART N, KERGOAT L, LE TOAN T, et al. 2005. Determination of phenological dates in boreal regions using normalized difference water index [J]. Remote Sensing of Environment, 97(1): 26-38.

DELBART N, LE TOAN T, KERGOAT L, et al. 2006. Remote sensing of spring phenology in boreal regions: A free of snow-effect method using NOAA-AVHRR and SPOT-VGT data (1982—2004) [J]. Remote Sensing of Environment, 101(1): 52-62.

DU J Q, SHU J M, WANG Y H, et al. 2014. Comparison of GIMMS and MODIS normalized vegetation index composite data for Qinghai-Tibet Plateau [J]. Chinese Journal of Applied Ecology, 25(2): 533-544.

FENSHOLT R, PROUD S R. 2012. Evaluation of earth observation based global long term vegetation trends—Comparing GIMMS and MODIS global NDVI time series [J]. Remote sensing of Environment, 119: 131-147.

HELSEL D R, FRANS L M. 2006. Regional Kendall Test for Trend [J]. Environmental science & technology, 40(13): 4066-4073.

JULIEN Y, SOBRINO J A. 2009. Global land surface phenology trends from GIMMS database [J]. International Journal of Remote Sensing, 30(13): 3495-3513.

KARIYEVA J, VAN LEEUWEN W J D. 2011. Environmental Drivers of NDVI-Based Vegetation Phenology in Central Asia [J]. Remote Sensing, 3(2): 203-246.

LU L, GUO H, KUENZER C, et al. 2014. Analyzing phenological changes with remote sensing data in Central Asia[C].proceedings of the IOP Conference Series: Earth and Environmental Science, F. IOP Publishing.

MENZEL A, FABIAN P. 1999. Growing season extended in Europe [J]. Nature, 397(6721): 659.

REED B C, BROWN J F, VANDERZEE D, et al. 1994. Measuring phenological variability from satellite imagery [J]. Journal of vegetation science : official organ of the International Association for Vegetation Science, 5(5): 703-714.

SCHWARTZ M D, REITER B E. 2000. Changes in North American spring [J]. International Journal of Climatology, 20(8): 929-932.

SEN P K. 1968. Estimates of the Regression Coefficient Based on Kendall's Tau [J]. Journal of the American Statistical Association, 63(324): 1379-1389.

SONG Y, MA M, VEROUSTRAETE F. 2010. Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China [J]. International Journal of Remote Sensing, 31(9): 2377-2392.

WHITE M A, DE BEURS K M, DIDAN K, et al. 2009. Intercomparison, interpretation, and assessment of spring phenology in North America estimated from remote sensing for 1982─2006 [J]. Global Change Biology, 15(10): 2335-2359.

WHITE M A, THORNTON P E, RUNNING S W. 1997. A continental phenology model for monitoring vegetation responses to interannual climatic variability[J]. Global Biogeochem Cycles, 11(2): 217-234.

ZHANG X Y. MARK A F, Crystal B S. et al. 2003. Monitoring vegetation phenology using modis [J]. Remote Sensing of Environment, 84: 471-475.

侯美亭, 赵海燕, 王筝, 等. 2013. 基于GIMMS、VGT和MODIS的中国东部植被指数对比分析[J]. 遥感技术与应用, 2013, 28(2): 290-299.

刘玲玲, 刘良云, 胡勇. 2012. 基于AVHRR和MODIS数据的全球植被物候比较分析[J]. 遥感技术与应用, 27(5): 754-762.

沙莎, 郭铌, 李耀辉, 等. 2013. 三套NDVI长时间序列植被指数的对比——以玛曲为例[J]. 干旱气象, 31(4): 657-665.

The Trend and Comparison of Vegetation Phenological Change in Central Asia Based GIMMS and SPOT Vegetation

MA Yonggang1,2, CHEN Xi2, NIU Xinmin1, ZHANG Chi2
1. Xinjiang Remote Sensing Center, Urumqi 830011, China 2. Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China

Vegetation phenology is the most compelling evidence that ecosystems are being influenced by global climate change. The response of vegetation phenology on climate change in Central Asia, which is one of regions with the most fragile ecological and hydrological system, has become a hot issue in global environmental research worldwide. Based on GIMMS (Global Inventory Modeling and Mapping Studies) data from 1982 to 2006 and SPOT vegetation S10 data from 1998 to 2012, the vegetation phenology information was extracted by dynamic threshold method with Timesat phenology extract software. Mann-Kendall trend analysis method was used to assess spatial-temporal change trend of Start of Season (SOS), End of Season (EOS) and Length of Season (LOS). Moreover, combined the 2 d scatterplot and linear regression algorithm of least square, The three metrics in the overlapped 8 year was compared for examining the difference between two set of vegetation phenology data derived from GIMMS and SPOT vegetation. The result indicated that, (1) vegetation phenology characters in 90% and 95% area of Central Asia did not shown a significant change trend for 1982─2012; (2) agriculture land was found as a main land cover type with a significant change of SOS, EOS and LOS; (3) there are obvious difference between two set of phonological data based on GIMMS and SPOT vegetation; the range of correlation coefficients between tow set of SOS, EOS and LOS are [0.36,0.56]，[0.32,0.49] and [0.28,0.45], and in the area with sparse vegetation, two set of the three metrics show a lower consistency than the area with higher vegetation coverage. It suggested the consistency can be influenced by different scale and soil background.

Central Asia; remote sensing; phenology; GIMMS; SPOT vegetation

Q948

A

1674-5906（2014）12-1889-08

国家重大国际合作项目（2010DFA92720-18）

马勇刚（1981年生），男，副研究员，博士，主要研究方向为环境遥感应用研究。E-mail：thank5151@163.com

2014-09-09

马勇刚，陈曦，牛新民，张驰. 基于GIMMS与SPOT vegetation的中亚物候变化趋势及对比[J]. 生态环境学报, 2014, 23(12): 1889-1896.

MA Yonggang, CHEN Xi, NIU Xinmin, ZHANG Chi. The Trend and Comparison of Vegetation Phenological Change in Central Asia Based GIMMS and SPOT Vegetation [J]. Ecology and Environmental Sciences, 2014, 23(12): 1889-1896.