基于空间变异理论的地表覆被时空变化监测方法

李晓东，李相坤，姜琦刚

(1.吉林大学地球探测科学与技术学院,吉林 长春 130012； 2.白城师范学院地理科学学院，吉林 白城 137000)

基于空间变异理论的地表覆被时空变化监测方法

李晓东1，2，李相坤1，姜琦刚1

(1.吉林大学地球探测科学与技术学院,吉林 长春 130012； 2.白城师范学院地理科学学院，吉林 白城 137000)

本研究将吉林西部作为研究区域，基于空间统计分析方法，以R语言为平台，编写了逐像元计算的变异分析算法，将变程作为分析变量并以影像数据形式输出，得出地表覆被时序变化的区域性特点：1)本研究区地表覆被的时序变化具有明显的区域性。镇赉县(研究区北部)地表覆被的变程(13～14.5个旬值，195～220 d)明显低于通榆县(研究区南部)的地表覆被变程(15～16个旬值，225～240 d)；2)时序变化因地表植被覆盖度的不同而发生改变。镇赉县的地表覆被生长变化更有规律，通榆县的地表覆被生长变化状况相对复杂，波动振幅较大；3)湿地这类特殊的地表植被类型在变异分析中具有特殊的变程。湿地是小变程数值(小于12个旬值，180 d)集中分布的区域，值域范围与周围其他不同植被覆盖度的变程有明显区分。本研究用半方差函数提取了地表植被的物候信息，分析了地表覆盖的时空分布特点，希望能为基于时间序列数据的遥感分类解译研究提供新的分析方法和研究思路。

变异函数；变程；农牧过渡带；区域性

随着全球气候变化的加剧，地表的各项自然环境因子也表现出不同以往的变化情况。农牧交错过渡区是一类受全球气候影响显著的生态脆弱区域，区域内的地表植被时序变化，在大尺度的、和确定的变化背景之上，也表现出强烈的区域化特点。由于3S技术的发展，很多研究已经将空间统计分析方法与生态过程联系起来，将地表的生态过程与功能的变化研究引向空间变异研究[1-3]。

近年来，国内外针对地表因子的空间变异研究逐渐增多，地统计学成为分析地表物质的空间分布特征及其变异规律更为有效的方法之一[4-6]。基于区域变异理论，赵锐锋等[7]在定量分析塔里木河源流区绿洲不同层次土壤盐分的空间异质性时，采用了地统计学的半变异函数和Kriging空间插值，研究了各层土壤盐分的空间分布格局，并分析了土壤盐碱化的成因及变化趋势，数据的处理分析方法采用野外采样点记录，实验室内基于ARCGIS的Geostatistical Analyst模块进行相应分析处理。何宇婷和柯长青[8]在提高遥感图像分类精度的方法中，采用半方差函数提取纹理特征信息，引入变程，将其作为表征纹理特征的参数，并作为扩展向量加入特征空间中，从地统计学角度利用地物在空间上的联系提取纹理，进而参与分类。王永豪等[9]利用3种采样间距尺度分析不同间距下半方差的变化特点，对东祁连山地景观特征尺度进行了研究，通过对同时相的不同方向特征尺度比较得出：变程可以有效地揭示出东祁连山地景观结构的各向异性。

从平原到山地的复杂地形，由半湿润到半干旱的过渡气候，吉林西部多样的地表覆被类型特点增加了区域内地表因子遥感解译及监测的难度，针对这一问题，本研究用空间变异理论中的半方差函数提取农牧交错带地表植被的时序变化信息，以便于更直观分析地表植被在时间上的变化特点和空间上的分布特点，以期为基于时间序列数据的遥感分类解译有关研究提供一个新的分析方法和研究思路，提高地表覆被类型的遥感解译精度，并就该地区在全球变化背景下，分析植被对气候变化的响应提供一定借鉴。

1 数据来源与研究方法

吉林西部北靠大兴安岭，又位于农牧交错带上，植被覆盖类型复杂，所以本研究将两块区域(一北一南，分别是镇赉和通榆)作为最终计算结果的对比分析区，比较地表植被覆盖类型时序变化的区域性(图1)。

1.1 研究区自然地理概况

以吉林西部农牧交错带上的地表植被覆盖为研究对象，主要包括白城和松原两个地级市。东边是东北平原腹地，西邻呼伦贝尔草原，南接科尔沁沙区，北依大兴安岭林地，位于农牧过渡带；属中温带大陆性季风气候，春季干燥多风、升温比较快，夏季炎热、降水集中，秋季凉爽、变温快、温差大，冬季漫长、干燥寒冷。

镇赉县地处研究区北部，年平均气温4.9 ℃，年平均降水量402 mm，年平均无霜期152 d。地势由西北向东南倾斜，海拔由210 m逐渐降至120 m。整体上，西北部与大兴安岭外围台地相接，地势较高；中部多连绵起伏的漫岗地；东南有嫩江、洮儿河环绕，沿岸有较肥沃的冲积平原分布。土壤以草甸土、淡黑钙土为主[10]。

通榆县位于研究区南部，年平均日照2 900 h，年平均气温5.5 ℃，年平均降水量350 mm，无霜期约164 d。地势平坦开阔，西北高，东南低，海拔140～180 m，西部多沙丘，东部以平原为主，通榆县地处大兴安岭和长白山脉之间的西南气流通道上，所以风能、太阳能、生物能丰富，均有开发。土壤为淡黑钙土、沙土等[10]。

图1 研究区位置分布图Fig.1 Distribution map of the present study area

1.2 数据来源与分析方法

1.2.1 地表植被指数数据 本研究采用的NDVI数据集为美国地质调查局(United StatesGeolog-ical Survey，USGS)网上发布的免费数据集(http://glovis.usgs.gov/)，以Aqua星的MYD13Q1数据(16 d合成的250 m L3级别数据)产品为主要处理数据，对于数据缺失和质量欠佳的时段以Terra/MOD13Q1同期数据产品极值代替。覆盖区域的空间位置在全球正弦曲线投影(Sinusoidal projection，SIN)系统中的编号为h26v04，资料的版本为5.0，数据格式为EOS-HDF。植被指数可以用于全球植被指数监测，也可以用在显示地表覆盖或者地表覆盖变化的产品中。数据集包括的时间选择为2013年1-24旬的MODIS数据产品，每月2期16 d最大值合成数据(空间分辨率为250 m)。该数据消除了地面阴影、太阳高度角与大气辐射的影响，广泛用于地表生态环境的各方面研究。

1.2.2 分析计算方法的实现 引入变程。变异函数是一个单调递增函数，当变程(Range)超过某一数值后，变异函数不再继续单调地增大，而往往稳定在一个极值附近，这种现象称为“跃迁”。变异函数通过“变程”反映变量的影响范围，变程的大小反映区域化变量影响范围的大小。变程不仅是空间概念，也可作为时间概念应用到算法。

计算变程。变量的获取来自研究区地表NDVI指数的分布函数，本研究将NDVI数据作为一个时间序列集，进行半方差函数计算后得到的变程是整个NDVI时间序列集的变程值，这个变程值将是半方差函数的最大变异时段，这个变异时段不同于植被的生长期。这种方法类似于国志兴等[11]提取东北地区不同植被物候期时，所采用的分段拟合方法。

具体实现流程见图2。在R语言平台上，调用gstat(Geostatistics Packages)和geoR(Package for Geostatistical Data Analysis)程序包——专用于地统计学分析，编写逐像元计算算法分析24旬数据时序变化的变异参数，拟合函数选用高斯函数，计算的变量为植被指数在时间序列轴上到达基台值的变程。近10年的发展，R语言拥有越来越多用于处理和分析空间数据的程序包，R语言已发展成一款强大的统计分析及制图功能的开源软件系统[12]。

图2 地表覆被变化监测的技术路线Fig.2 Technical route of the monitoring method of the vegetation change

程序运算得到的结果。在遥感软件ERDAS IMAGINE 9.2中生成影像数据，重新建立相关投影参数(投影方式为Lambert Conformal Conic，大地参照系为Beijing_1954，参考椭球体为Krasovsky_1940)。

植被提取与变化分析。依据研究区地表植被实际分布特点，地表植被盖度分为5个等级：低植被覆盖度(0～20%)、较低植被覆盖度(20%～40%)、中植被覆盖度(40%～60%)、较高植被覆盖度(60%～80%)、高植被覆盖度(80%～100%)。极值运算得到地表植被指数极值作为地表植被覆盖度计算的NDVI数值。计算公式如下：

Fc=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

式中，NDVIsoil为研究区裸地的NDVI值，NDVIveg为研究区高覆盖类型的NDVI值，Fc为植被覆盖度[13]。划分标准见表1。

表1 植被覆盖类型分级标准

2 结果与分析

2.1 数据结果的验证

本研究分别统计了3个值域范围[中植被覆盖度(40%～60%)、较高植被覆盖度(60%～80%)、高植被覆盖度(80%～100%)]下的地表植被累积分布的半方差对应同期拟合数值。其验证过程如下，对研究区的地表覆被数值进行分类提取，统计每个值域下的像元样点数，在两个研究区内，基于GIS软件Surfer 10随机提取180个样点(通榆)和200个样点(镇赉)，计算研究区内的NDVI频率累积分布函数，进一步得到数据序列集的半方差函数。使用Gaussian函数对半方差函数进行拟合验证(图3)。

研究区内地表植被分布的半方差与拟合曲线的相关性数值分别为0.995 1、0.995 0、0.994 8(镇赉)和0.998 0、0.997 4、0.996 9(通榆)。图中拟合优度(R2)越大，表明相关越好。实际半方差与拟合函数之间的拟合优度均在0.994以上，说明整体拟合效果良好。

2.2 研究区地表覆被的现状

在ARCGIS软件中，按5个值域范围(0～20%、20%～40%、40%～60%、60%～80%、80%～100%)对研究区的地表覆被数值分类统计像元样点数占本区域像元样点总数的百分比(表2)。

由2013年数据的实际提取统计可以看出，1)镇赉的地表覆被70.25%为高植被覆盖度和较高植被覆盖类型，这一结果与草地和耕地(占66.6%)的实际统计情况[10]相符。耕地、湿地和草地是镇赉的主要地表覆盖类型；2)通榆的地表覆被类型主要以中植被覆盖度和较高植被覆盖度为主，占本区域总面积的77.57%；3)根据实际调查情况，镇赉以种植玉米(Zeamays)、大豆(Glycinemax)等旱作和水稻(Oryzasativa)为主要农作物，生长峰值高于南部地区(NDVI，0.781 2)；通榆以玉米油葵(Helianthusannuus)等旱作为主，生长峰值较低。总之，南(通榆)北(镇赉)地表的主体植被覆盖类型不同，区域性特点明显。

2.3 地表覆被的时序变化

在GIS软件Surfer10中随机采样，共提取35 584个样点，分不同覆盖度类型进行统计分析(图4)。需要说明的是图中Y轴坐标值是地表NDVI实际数值放大10 000倍。

吉林西部地表植被具有典型的单峰型生长特点，但是植被生长出现峰值的时期并不一致(图4)。

图3 通榆和镇赉地表植被覆盖Ⅲ、Ⅳ和Ⅴ级的半方差与拟合曲线图Fig.3 Calculated value and fitting value of the level Ⅲ, Ⅳ and Ⅴ vegetation coverage in Tongyu and Zhenlai 表2 2013年研究区内地表覆被类型统计 Table 2 Statistics of vegetation type in the study area, 2013

研究地Studyarea植被覆盖度Vegetationcoverage80%～100%60%～80%40%～60%20%～40%0～20%镇赉Zhenlai55．1515．1017．429．123．21通榆Tongyu17．5338．3439．234．430．47

图4 2013年研究区地表覆被类型的NDVI时序变化图Fig.4 Temporal variation of the NDVI of different vegetation types in the study area, 2013

1)低植被覆盖度的NDVI全年峰值出现在7月；2)较低覆盖度植被类型的生长峰值在8月前后出现，随后下降迅速；3)本研究在研究区选择了两种(沿河滩地和草地)中覆盖度植被类型，可以看出与水有关的滩地(湿地类型)生长峰值出现在6-7月，而旱地植被类型为主的草地类的NDVI峰值出现在8月，随后天气变冷，滩地的NDVI下降迅速；4)较高覆盖度植被类型主要以灌丛、疏林地为主，生长规律稳定，对称的单峰型特点明显，生长期较长，7、8月都是其生长的盛期；5)该研究区的人工耕种属于精细耕作，所以水稻和旱田作物成为研究区的主要高覆盖度地类。农作物的生长期从4-10月持续200 d以上，大多数地区在220 d左右。农作物生长的峰值出现在8月，之前之后植被的生长斜率较大，明显大于其他不同覆盖度的植被类型。

2.4 地表覆被的时序变异

基于遥感软件ERDAS与二次开发工具R语言编程平台，实现NDVI数据集(2013年12个月24旬)的逐像元(250 m空间分辨率)空间统计分析，变异函数选择代表生命活动特征的高斯函数。最后计算得到吉林西部地表覆被的时序变异分析图(图5)。

2.4.1 地表覆被空间变异的统计特征 根据划分的5个值域范围(0～20%、20%～40%、40%～60%、60%～80%、80%～100%)，对研究区的计算结果先在GIS软件中进行提取，然后分类统计每个值域下植被变程的均值、极值和变程数据的标准方差(表3)。结果表明，1)通榆地表植被覆盖的生长季持续期(达到基台值的变程，均值14.172 6)长于镇赉的地表植被生长季持续期(变程均值17.594 8)，总体平均差值，镇赉地表植被的生长季持续期(变程)要短3.42个单位。2)由标准方差可以看出，两区域的变程有着明显不同。镇赉的变程统计方差,最大值为7.383 2，最小值为0.591 4，均值为2.617 3；通榆的最大值为8.883 5，最小值为1.420 6，均值为4.438 6。镇赉地表覆被类型多以人工作物为主。作物到期收割、农作耕种规律较强；通榆地表多自然植被覆盖类型，自然植被主要受气象因子影响。3)随着植被覆盖度变大，NDVI时序变程的方差越来越小，说明相同植被覆盖度下不同植被类型之间具有相似的时序变化特点，生长规律越来越相近。

表3 研究区地表覆被时序变化的空间变异分析参数统计

图5 吉林西部地表覆被时序变异分析图Fig.5 Range analysis of the vegetation type in the western of Jilin Province

2.4.2 不同区域内植被变程的特点 吉林西部地表覆被的时序变化特点在空间上表现出由西向东逐渐减小的趋势(图5)。1)在所选的研究区内，镇赉主要农耕区的变差数值多在13.0～14.5个旬值范围内。这说明镇赉的主要地表植被一年的生命活动时间跨度在195～220 d；2)通榆旱作区的变程多在15.0～16.0个旬值(225～240 d)范围内，西南盐碱分布区的变程多在20个旬值(300 d)以上。对于数值大于20个旬值的变程，可以认为该样点上的植被稀疏或者无植被覆盖，无生长期峰值，或者峰值现象不明显；3)沿河流分布的湿地变差数值在12个旬值(180 d)以下，是较小变程数值集中出现的区域，说明植被生命活动期短。这个值域范围与周围其他地表覆盖类型的变程有着明显不同。

2.4.3 不同植被覆盖类型下变程的特点 从图6可以看出，1)随着植被覆盖度的升高，地表植被的变程减小，减小趋势分别为：镇赉y=-0.019x+15.635(R2=0.389)，通榆y=-0.084x+23.678(R2=0.64)。2)在低植被覆盖度和较低植被覆盖度(40%以下)范围下，两个典型区的地表植被变化均表现出相对较高的变程(通榆为19.9个旬值；镇赉为14.54个旬值)，说明区域内植被稀疏(尤其是在通榆县)。3)在高植被覆盖度(80%以上)条件下，两个研究区的地表植被变化均表现出低于15个旬值的变程(通榆为14.528 7个旬值；镇赉为14.052 9个旬值，约7个月的生命活动时间)，说明在该值域范围内不同植被类型间生长规律一致，没有太大不同。

图6 研究区变程参数随植被覆盖度变化分布图Fig.6 Change of the NDVI range with vegetation types in the present study area

3 讨论与结论

本研究主要是基于空间统计分析，引入变程这个参数，对NDVI数据集进行编程计算得到影像数据，然后进行对比分析地表植被覆盖类型的时序变化特点。

3.1 研究区地表植被覆盖的时序变化具有明显的区域性

北部研究区(镇赉)的地表植被的变程(13.0～14.5个旬值，195～220 d)明显低于南部研究区(通榆)的地表植被变程(15.0～16.0个旬值，225～240 d)。王鸽等[14]对东北地区植被变化规律分析后认为，东北地区NDVI的空间分布具有明显的地域性，植被覆盖总体呈现出山区高、平原低的分布格局。本研究认为，相比较通榆，镇赉县地表植被生长变化具有更明显的规律性和稳定性。分析其原因主要有以下两个方面：1)通榆主要以旱作为主，研究区内的耕地与草地约占县域总面积的66.69%，其中耕地占35.31%[10]。而镇赉是吉林西部主要的水稻种植区，粮食播种面积占西部农作物播种总面积的21.68%[10]，其中水稻占西部水稻总种植面积的48.6%。水稻是季节性很强的农业作物，通常每年的5月耕种，6-8月为生长盛期，9月底、10月初收割，水稻生长有很好的规律性；2)“引嫩入白”等一系列的灌溉工程解决了旱年稻田缺水问题，保证了地表植被在旱年的正常生长。而通榆土地“三化”问题突出，当地缺少大型的灌水工程，受气候的影响地表植被生长波动性较大。这些因素直接影响了吉林西部地表覆被时序变化的区域性和空间分布的差异性。

3.2 地表植被覆盖类型和时序变化均不同

变程的最大值多集中在地表较低植被覆盖度范围内(20%～40%)，这个特点南北均是相同的，具有一致性；但是通榆植被变程的振动波幅要远远大于镇赉的植被变程，说明镇赉的地表植被生长更加有规律，通榆的地表植被生长状况更趋近于复杂。

在地表高植被覆盖区域内，两个研究区的地表植被变化的变程均表现出低于15个旬值(通榆为14.528 7个旬值；镇赉为14.052 9个旬值)并且波动平稳，说明不同类型的植被的生长规律趋近于一致。毛德华等[15]对东北地区28年的地表植被指数分析认为，植被变化较大的区域主要分布在松嫩平原南部和内蒙古干旱、半干旱区的湿地和沼泽草甸分布地区，本研究划分植被值域分析也得到了类似结论。

3.3 新方法的未来发展潜力

研究区内的水体基本没有太大时序变化(变程为0)，沿河流分布的湿地变程数值多在12旬(180 d)以下。这个值域范围与周围其他地表覆盖类型的变程有着明显区分，湿地这类特殊的地表覆盖类型在空间变异分析中具有特殊的变程。这个参数值是可以考虑作为区分湿地的指示性变量引入湿地分类研究的。

变程具有明确的物理意义，即，通过变程计算得到的是地表植被的物候信息。不同的植被类型生长特点是不一样的，以此为依据构建多维数据空间进行地物的遥感分类提取，可以改善分类精度和简化计算方法。本研究尝试对研究区内以自然湿地为主的二级类型作了可分离性分析(表4)，表4中数码代表的意义：C1，多植被覆盖类沼泽草甸；C2，稀疏植被覆盖沼泽草甸；C3，滩地；C4，盐碱化沼泽。

表4 不同地类的可分性分析表

在ENVI遥感软件中计算ROI可分离性，类别间的统计距离基于Jeffries-Matusita距离法和转换分离度(Transformed Divergence)法计算，来衡量训练样本(ROI)的可分离性。这个参数的值为0～2.0，大于1.8说明样本之间可分离性好，属于合格样本；小于1.5，需要重新选择样本；小于1，考虑将两类样本合成一类样本。

利用半方差函数方法可以进一步做分类提取。另外，该方法是兼顾了时空特征的算法模型，是实时动态地进行地表湿地监测的一种新方法。空间统计学将传统统计学与空间连续性联系起来，能够更好地分析地表各种自然现象和过程[1]。地表上各种自然现象和过程在时间上都具有一定的规律性，在空间上有一定的相关性。时间序列分析理论和方法可以推广到空间领域，同样空间分析方法也可以反推回时间序列领域。将变程参数作为数据影像数据形式算出，其目的就是便于进行空间分析，进一步深入探讨地表自然因子的时空变化特点。这一思路的科学合理性需要时间检验。

[1] 蒙吉军.自然地理学方法[M].北京:高等教育出版社,2013.

[2] 张仁铎.空间变异理论及应用[M].北京:科学出版社,2005.

[3] 王政权.地统计学及在生态学中的应用[M].北京:科学出版社,1999.

[4] Douaik A,Van Meirvenne M,Toth T.Space-time mapping of soil salinity using probabilistic bayesian maximum entropy[J].Stochastic Environmental Research & Risk Assessment,2004,18(4):219-227.

[5] Cemek B,Giiler M,KiliC K.Assessment of spatial variability in some soil properties as related to soil salinity and alkalinity in Bafra plain in northern Turkey[J].Environmental Monitoring & Assessment,2007,124(1-3):223-234.

[6] Turner M G,Meisel J E.Scale detection in real and artificial landscapes using semivariance analysis[J].Landscape Ecology,1998,13:347-362.

[7] 赵锐锋,陈亚宁,洪传勋,李卫红,白云岗.塔里木河源流区绿洲土壤含盐量空间变异和格局分析——以岳普湖绿洲为例[J].地理研究,2008,27(1):135-144.

[8] 何宇婷,柯长青.半方差函数纹理提取在遥感图像分类中的应用[J].遥感技术与应用,2008,23(5):571-575.

[9] 王永豪,刘学录,汪永红.基于半方差分析的东祁连山地景观特征尺度[J].黑龙江农业科学,2011(2):135-140.

[10] 吉林省统计局.2013年吉林统计年鉴[M].北京:中国统计出版社,2013.

[11] 国志兴,张晓宁,王宗明,方伟华.东北地区植被物候期遥感模拟与变化规律[J].生态学杂志,2010,29(1):165-172.

[12] 徐爱萍,舒红.空间数据分析与R语言实践[M].北京:清华大学出版社,2013.

[13] 李苗苗.植被覆盖度的遥感估算方法研究[D].北京:中国科学院研究生院(遥感应用研究所)硕士论文,2003:22-23.

[14] 王鸽,韩琳,张昱.东北地区地表NDVI的时空变化规律[J].北京林业大学学报,2012,34(6):87-93.

[15] 毛德华,王宗明,罗玲,杨桄.基于MODIS和AVHRR数据源的东北地区植被NDVI变化及其与气温和降水间的相关分析[J].遥感技术与应用,2012,27(1):77-83.

(责任编辑 武艳培)

The monitoring method of the surface vegetation based on the spatial variation analysis

LI Xiao-dong1，2, LI Xiang-kun1, JIANG Qi-gang1

(1.College of GeoExploration Science and Technology, Jilin University, Changchun 130026, China； 2.Baicheng Normal College, Baicheng 137000, China)

Based on the geostatistics analysis, the spatial variation analysis algorithm was conducted to calculate the range value according to each pixel with R which was outputted with the image data form. The analysis of the temporal and spatial distribution characteristics of the surface vegetation in the western of Jilin showed that they had regional characteristics. The range value of the surface vegetation in Zhenlai (north of the studied area) which was 13～14.5 ten days and 195～220 d was significantly lower than that in Tongyu (south of the studied area) which was 15～16 ten days and 225～240 d. The range value of the surface vegetation coverage changed due to the difference of surface vegetation types. The range value of the surface vegetation in Zhenlai was more regular than the other areas, while that in Tongyu had large fluctuation range due to the relatively complex earth’s surface vegetation. The range value of the surface vegetation in the wetland was special as the special surface vegetation which concentrated within minimum variation value (less than 12 ten days, 180 d ) and had significant different with other areas. The present study analysis the spatial distribution of vegetation after extraction of temporal changes in vegetation using semivariance function which provided a new method for the remote sensing interpretation research.

the variation function; range value; agriculture & animal transitional zone; regional

JIANG Qi-gang E-mail：jiangqigang@jlu.edu.cn

10.11829j.issn.1001-0629.2014-0448

2014-10-11 接受日期：2015-01-19

中国地质调查局项目(1212010911084);吉林省科技发展计划资助项目(20140101211JC)；吉林省教育厅“十二五”科学技术研究项目(2013-391号，吉林省西部盐碱化草地植被恢复关键技术研究)；吉林省重点科技攻关项目(20130206027NY)第一作者:李晓东(1977-)，男，山东东营人，讲师，在读博士生，研究方向为资源环境遥感。E-mail:xiaodonglee@126.com

姜琦刚(1964-)，男，江苏镇江人，教授，博士，研究方向为地理遥感调查。E-mail:jiangqigang@jlu.edu.cn

S127

A

1001-0629(2015)06-0877-09

李晓东，李相坤，姜琦刚.基于空间变异理论的地表覆被时空变化监测方法[J].草业科学,2015,32(6):877-885.

LI Xiao-dong,LI Xiang-kun,JIANG Qi-gang.The monitoring method of the surface vegetation based on the spatial variation analysis[J].Pratacultural Science，2015,32(6)：877-885.