基于SPOT/VGT数据的中国北方耕地物候提取研究*

卫 炜，吴文斌，李正国，周清波

(中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京 100081)

·问题研究·

基于SPOT/VGT数据的中国北方耕地物候提取研究*

卫 炜，吴文斌，李正国，周清波※

(中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京 100081)

耕地物候的空间格局综合反映了作物种植在环境因子及人类活动双重作用下的空间差异性，因此耕地物候识别成为农业遥感应用的热点之一。研究利用SPOT的植被指数产品开展我国北方耕地作物种植制度空间分布的遥感识别并分析耕地种植制度空间分布特征。首先使用非对称高斯函数拟合法对时间序列植被指数进行重构，然后采用多项式和谐波函数拟合数据来确定耕地的生长季个数，最后通过比例阈值法提取耕地的生长季开始期和结束期。在上述过程中结合先验知识引入波峰阈值并通过对NDVI时间序列数据进行“掐头去尾”处理来保证耕地种植制度识别以及物候信息获取的准确性。基于SPOT/VGT数据对我国北方15省的耕地种植制度进行了识别，并在此基础上分别提取了不同生长季的耕地物候信息并分析了其空间格局特征。结果表明，适当引入先验知识有利于正确识别耕地种植制度和准确获取耕地物候信息， 2005年我国北方耕地的种植制度以一年一熟为主，一年二熟制主要分布在北纬40°以南的平原地区。其中第一生长季的空间格局差异比第二生长季更加明显，同时生长季结束期分布的时间范围比开始期更为集中。总之我国北方耕地物候的空间格局与种植制度密切相关，受到自然资源和人类活动的共同影响。

NDVI 时间序列 SPOT/VGT 种植制度 耕地物候

0 引言

物候是指受环境因子如气候、水文、土壤等影响而出现的周期性自然现象[1]。当前植被物候信息的获取途径主要包括地面观测、生物气候模型和卫星遥感数据提取[2-4]。地面观测依靠人工观察和记录，简单易行但费时费力，且受到观测站点空间分布的限制和观测者主观认识差异的影响。生物气候模型通常针对某种特定的植被类型设计，要求大量的输入参数，增加模拟结果的不确定性。卫星遥感具有宏观、高效和便捷的特点，能够提供大范围的多时相重复观测数据，逐渐成为物候信息获取的重要手段[5]。

遥感数据使得在无地面观测站点的区域能够实现植被物候信息的获取，同时也使得物候观测的对象从某种特定植被转变为包含不同植被类型的生态系统层面[6]。观测对象的综合性决定了遥感所获取的物候信息与地面观测记录获取的物候信息有所不同，是一种更具概括性的物候特征，有研究者称之为地表物候(land Surface Phenology，LSP)。如有学者[7]用返青期、成熟期、衰老期和休眠期4个阶段来定义植被的整个生长周期，在时间序列植被指数曲线上对应着植被指数由低到高至最大值，然后再逐渐降低的全过程。因此，卫星遥感数据分析提取植被物候主要基于时间序列植被指数，以生长周期内不同阶段之间的转换为特征来描述植被的物候现象。归一化差异植被指数(Normalized Difference Vegetation Index，NDVI)充分利用了植被在红光和近红外波段反射率的差异，能够很好地反映绿色植被的长势、生物量和覆盖度等信息，其时间序列曲线的变化对应着植被生长活动的整个过程，是目前利用遥感获取物候研究中使用最广泛的植被指数。NOAA/AVHRR、SPOT/VGT和EOS/MODIS等星载传感器无偿提供了长时间序列的NDVI观测数据，很多研究者基于这些数据开展了大量的工作[8-13]。然而，这些研究大多数集中于森林、草原等自然植被物候，较少研究关注耕地物候[14-16]。作为地表物候的重要组成部分，耕地物候综合反映了自然环境条件以及人类的耕作活动的共同影响，有助于认识耕地的生长季特征及其变化规律，服务农业生产决策管理、全球变化响应研究等[17]。

事实上，耕地物候比自然植被物候更为复杂，特别是在一熟和多熟种植制度并存的地区，种植制度的识别是耕地物候信息提取的重要前提。基于此，该研究以我国北方15省为研究区域，基于SPOT/VGT数据，试图引入先验知识来保证耕地种植制度识别以及物候信息获取的准确性。具体来说，通过对NDVI时间序列数据进行“掐头去尾”和引入波峰阈值进行筛选来避免干扰波峰的影响； 在此对我国北方15省的耕地种植制度进行了识别，并利用统计资料进行对比验证； 最后在此基础上提取不同生长季的耕地物候信息并分析了其空间格局特征。

1 研究区域与数据

1.1 研究区域

北方15省(经纬度范围： 32°～53°N， 73°～136°E)包括黑龙江、吉林、辽宁、内蒙古、河北、北京、天津、山东、山西、河南、陕西、甘肃、宁夏、青海和新疆。区域总面积577.27万km2，其中耕地面积为69.97万km2，约占全国耕地总面积的57.5%，包括了东北平原和华北平原等主要粮食生产基地(图1)。除大兴安岭北部属于寒温带外，其余大部分区域均处于中温带[18]。该区域主要表现为北方温带气候特征，湿润程度自东向西依次递减[19]。受热量条件控制，整个东北地区、华北小部分区域和西北大部分区域作物种植制度为一年一熟制，而西北小部分区域和华北大部分区域则存在着一年二熟的种植制度。之所以只选择北方地区是因为该区域范围内存在较大面积的连片耕地和较为明显的物候特征，相比南方地区而言这些条件更加有利于通过遥感手段获取耕地物候信息。

图1 研究区域范围及其耕地分布

1.2 遥感数据

该研究采用的遥感数据为搭载在SPOT卫星上的VEGETATION传感器VGT-S10 NDVI最大值合成(maximum value composites，MVC)数据产品。该数据产品已经完成了一系列的处理过程如几何校正、辐射校正、大气校正、地图投影及状态标识等。数据的空间分辨率为1km，合成周期为10天，全年共36期数据。所选的数据时间范围为2005年1月～2015年12月，从负责处理和分发SPOT/VGT数据的VITO官方网站(http：//www.vito-eodata.be)下载。该数据集包含了各波段的反射率、NDVI和太阳方位角等多个数据层，利用VITO提供的处理工具VGTExtract提取其中的NDVI数据层并将影像转换为阿尔伯斯等面积圆锥投影。数据产品中NDVI的DN值范围为0～250，通过公式DN*0.004-0.1转换成标准植被指数值。

1.3 耕地分布数据

耕地分布数据来自中国科学院1： 25万土地覆盖遥感调查与监测数据库的2005年中国土地覆盖数据。该数据库是在全国1： 10万土地利用数据和遥感分类数据的基础上，结合辅助资料、野外考察记录、遥感图像分析等通过全数字制图完成的。数据内容包括森林、草地、农田、聚落、湿地与水体、荒漠6个一级类型，空间分辨率为100m。该研究将我国北方地区的农田数据提取出来作为耕地图层，转换其地图投影为阿尔伯斯等面积圆锥投影并将空间分辨率重采样到1km使之与VGT-S10 NDVI数据相匹配，从而得到我国北方地区的耕地分布数据(图1)。

2 研究方法

2.1 NDVI时间序列数据重构

星载传感器在数据采集和处理过程中受到各种因素(如太阳高度角、传感器观测角、云、水汽和气溶胶等)干扰，使得NDVI时间序列曲线波动很大并产生大量噪声[20]。尽管VGT-S10 NDVI产品经过最大值合成处理后能够消除部分干扰因素的影响，但其中仍然残留了许多噪声，有必要对NDVI时间序列数据进行去噪和平滑等处理，也称为NDVI时间序列数据重构。

该研究采用非对称高斯函数(Asymmetric Gaussian，AG)拟合法重构NDVI时间序列数据。它是一种由局部拟合到整体拟合的方法，使用高斯函数来分段模拟植被的生长过程，最后通过平滑连接各段高斯拟合曲线实现时间序列的重构[21]。其主要过程大致可以分为区间提取、局部拟合和整体连接3个步骤。首先提取原始时序数据曲线中的谷值和峰值，采用高斯函数分别拟合曲线的左右部分。针对曲线突出部分拟合效果欠佳的问题，将曲线划分成左边谷值区、中部峰值区与右边谷值区，分别用不同的局部拟合函数进行描述，最后再利用各局部拟合函数构建整体拟合函数。局部拟合函数为：

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

(1)

其中，g(t； a1，…，a5)为高斯函数，式中，c1和c2控制曲线的基准和幅度，a1决定峰值和谷值的位置；a4、a5和a2、a3分别控制曲线左、右部分的宽度和陡峭度。整体拟合函数为：

(2)

其中[tL，tR]是时序数据中待拟合部分的变化区间，fL(t)、fC(t)和fR(t)分别代表[tL，tR]区间内左边谷值、中间峰值及右边谷值对应的局部拟合函数，α(t)和β(t)为介于0和1之间的剪切系数。通过整体拟合函数将局部拟合函数连接起来是该方法的关键之一，这种从局部到整体的拟合策略避免了整体数据对局部拟合的干扰，拟合后的曲线更加接近真实情况。

2.2 耕地多熟种植制度识别

作物的生长周期在NDVI时间序列曲线上表现为一个逐渐上升直到峰值再由峰值逐渐下降的过程[22]。理论讲，每个作物生长周期都对应着NDVI时间序列曲线上的一个波峰，多熟种植制度下会有多个生长周期，波峰的个数即代表了生长周期的个数。因此，可以通过NDVI时间序列曲线上波峰的个数来识别耕地的多熟种植制度[23]。

非对称高斯函数拟合有时会将两个波峰之间的波谷误认为是噪声信号，使得拟合曲线上的波峰个数比实际偏少，无法准确地反映作物的实际生长过程，导致对生长周期个数的误判。为避免上述情况的发生并实现波峰个数的参数化，该研究采用多项式和谐波函数来拟合NDVI时间序列数据，拟合函数为：

(3)

其中，ω=6π/N，c1、c2、c3为多项式系数，aj为谐波振幅，ω为基准频率，φj为相位。多项式函数决定了拟合曲线的基准值和变化趋势，谐波分量的个数m即曲线上波峰的个数[24]。

然而在实际的耕地NDVI时间序列曲线上除了表征作物生长周期的有效波峰外，还存在着一部分由噪声引起的干扰波峰。这些干扰波峰使得拟合曲线上的波峰个数比实际偏多，同样会导致对生长周期个数的误判。该研究通过引入波峰阈值进行筛选来区别有效波峰和干扰波峰。前人研究表明，对于农作物而言其生长季的NDVI峰值通常会达到0.4以上[25， 26]。因此，该研究选择0.4作为波峰阈值，即只有峰值大于0.4的波峰才被认为是能够真实反映作物生长周期的有效波峰，每个耕地像元的种植制度由该像元NDVI时间序列曲线上有效波峰的个数来确定。

2.3 耕地物候参数提取

重构后的NDVI时间序列曲线相比原始的NDVI时间序列数据能够更好的描述农作物的生长动态过程。阈值法是一种确定生长季开始和结束的常用方法，具体来说就是预先设定某一阈值，当NDVI时间序列曲线上升或下降到该阈值时即对应着生长季开始或结束。早期的研究中多采用固定阈值[27-29]，但这种方法在较大范围区域应用时会存在一些问题，特别是当区域内存在不同的土壤背景和植被类型时，很难确定一个统一的最佳阈值。为了克服固定阈值法的缺陷，有研究者提出了比例阈值法，即将NDVI增加和减小达到当年NDVI振幅一定比例所对应的时刻定义为生长季开始和结束时间[21]。

NDVI1im=(DNVImax-DNVImin)×C

(4)

比例阈值法一定程度上消除不同了土壤背景和植被类型的影响，但是在比例参数选择上具有经验性。20%是一个比较常用的比例参数，许多研究者在提取植被物候参数时都采用了该比例阈值[30-33]。

在我国北方地区的耕地生长季开始前和结束后，可能存在一些影响物候参数准确提取的因素，如冬小麦种植区小麦冬前峰的影响。为避免这些因素的干扰，该研究根据先验知识对NDVI时间序列数据进行“掐头去尾”处理，即将1月、11月和12月的数据从参与分析计算的数据中加以剔除。另外由于耕地物候不同于自然植被物候，它受到人类耕作活动的影响较大，参考我国北方地区的作物物候历将生长季开始和结束的比例阈值分别设置为10%和50%。因此，当NDVI时间序列曲线达到的上升阶段振幅的10%时即认为是生长季开始。类似地，定义NDVI时间序列曲线达到下降阶段振幅的50%时为生长季结束。对于一年二熟种植制度的区域，其NDVI时间序列曲线上存在两个波峰，两个生长季的开始和结束日期同样用上述比例阈值分别确定。

3 结果与分析

3.1 典型像元NDVI时间序列曲线

研究区内一熟和二熟种植制度典型耕地像元的原始NDVI时间序列曲线和经过非对称高斯拟合法重构的NDVI时间序列曲线如图2所示。其中不包括1月、11月和12月的数据(前3期和后6期影像)，全年共保留27期影像。从图中可以看出，尽管VGT-S10NDVI数据产品经过10天最大值合成在一定程度上消除了部分干扰因素的影响，但是得到的NDVI时间序列曲线仍然存在许多锯齿形状。经过非对称高斯函数拟合法重构后的NDVI时间序列曲线基本吻合原始曲线的上包络线，能够更好的描述作物生长的动态变化过程。生长季开始和结束日期等耕地物候信息即可由重构的NDVI时间序列曲线结合影像序号获得。如在图2a中，生长季开始位置对应的影像序号为13.7，由于数据的合成周期为10天，因此该耕地像元的生长季开始日期为第137天，属于5月中旬； 而生长季结束位置对应的影像序号为27.9，则该耕地像元的生长季结束日期为第279天，属于10月上旬。当一年内存在两个生长周期时，第一和第二生长季的开始和结束日期则通过上述方法分别确定(图2b)。

(a)为一熟制，(b)为二熟制图2 研究区典型耕地像元原始的和重构后的NDVI时间序列曲线

3.2 中国北方耕地多熟种植制度的空间分布

图3为根据多项式和谐波函数拟合曲线的谐波分量个数结合0.4的NDVI波峰阈值识别结果得到的2005年我国北方地区耕地种植制度空间分布。从图4可以看出，我国北方耕地种植制度包括一年一熟和一年二熟，其中一年一熟耕地的面积远大于一年二熟耕地的面积。整个东北三省以及内蒙古自治区的耕地都表现为一年一熟制。除关中平原、汾河谷地和零星分布在甘肃省东南部、陕西省南部以及新疆自治区南部的少量耕地为一年二熟制外，西北五省和山西省的绝大部分耕地也都表现为一年一熟制。而华北平原大部分耕地都表现出一年二熟的种植制度，一年一熟耕地主要分布在长城以北、山东省北部和中部及河南省和河北省的南部。整体上看一年二熟的耕地基本在北纬40°以南的平原地区，这样的种植制度空间格局与水、热、光和土等自然资源的空间分布密切相关，与区域气候条件相对应。

图3 2005年我国北方地区耕地种植制度的空间分布

图4 2005年各省冬小麦播种面积与一年 二熟制耕地像元个数对比

在一熟和多熟种植制度并存的地区，种植制度的准确识别是耕地物候信息提取的重要前提。在我国北方绝大多数的二熟制耕地中，冬小麦为最主要的第一季作物。为了验证该研究中耕地种植制度识别结果的可靠性，利用《中国农业统计资料》中的各省2005年的冬小麦播种面积与各省一年二熟制耕地像元的个数进行对比，如图4所示。从图中可以看出，二者之间存在着非常好的线性相关关系，回归系数达到0.99，说明耕地种植制度识别结果基本上符合实际情况。

3.3 中国北方耕地关键物候的空间格局

该研究从重构后的耕地NDVI时间序列曲线中提取了生长季开始期和生长季结束期这两个主要的耕地物候参数。由于一年二熟制耕地存在两个生长季，因此需要对两个生长季的开始期和结束期空间格局分别表示。而对于一年一熟制的耕地而言不存在第二生长季，因此其名义上的第一生长季实际上就是唯一的生长季。

(a)为第一生长季，(b)为第二生长季图5 2005年我国北方耕地生长季开始期的空间格局

(a)为第一生长季，(b)为第二生长季图6 2005年我国北方耕地生长季结束期的空间格局

提取结果得到的耕地像元生长季开始期的空间格局如图5所示，其中图5a为第一生长季，图5b为第二生长季。从图5a中可以发现，我国北方耕地的第一生长季开始期空间差异特征明显，整体上表现出从南向北逐渐推迟的空间格局。这种空间差异除了受到自然条件影响外，在一定程度上也受到种植制度的影响。一年二熟制耕地通常生长季开始较早，其时间范围从2月上旬到5月中旬都有分布。整个新疆自治区和北纬40°以南其他地区的一年一熟制耕地的生长季开始期主要分布在4月上旬到5月下旬。而北纬40°以北的耕地基本上都为一年一熟制，其生长季开始期大多分布在5月上旬到6月下旬。从图5b中可以看出，第二生长季的开始期也表现出从南到北有所推迟的趋势，但这种空间差异特征并不显著，其时间范围主要分布在在6月上旬到7月下旬。

耕地生长季结束期的空间格局如图6所示，其中图6a为第一生长季的情况，图6b为第二生长季的情况。从图6a中可以看出，受自然条件和种植制度影响，第一生长季结束期同样具有明显的空间差异特征。一年二熟制耕地的第一生长季结束期通常集中在6月，从而为完成第二生长季提供了充足的时间。整个新疆自治区和北纬40°以南其它地区的一年一熟制耕地生长季结束期主要分布在10月上中旬甚至更晚。而对北纬40°以北的耕地来说，其第一也是唯一的生长季结束期大多分布在9月中旬到10月上旬。从图6b中可以发现，第二生长季的结束期除河南省东南部约为9月上旬甚至更早外，大多数区域都在9月中旬到10月中旬。另外无论是第一还是第二生长季，受人类收割活动影响，整体上生长季结束期分布的时间范围比生长季开始期相对集中一些。

4 讨论与结论

4.1 讨论

NOAA/AVHRR、SPOT/VGT和EOS/MODIS都能够提供NDVI时间序列数据产品，而在该研究中使用SPOT/VGT数据是基于对空间分辨率和时间分辨率的综合考虑作出的选择。NOAA/AVHRR提供的NDVI数据产品其空间分辨率通常为8km，对于耕地物候研究这样的空间分辨率有点偏低。虽然MODIS提供了500m和1km两种相对较高空间分辨率的NDVI数据产品，但是其时间分辨率为16d。而来自SPOT/VGT的VGT-S10NDVI产品具有适中的1km的空间分辨率和10天的时间分辨率，相对上述两种数据而言更加适合我国北方地区的耕地物候研究。此外，在该研究中根据先验知识将耕地生长季之外的1月、11月和12月的数据加以剔除以避免小麦冬前峰的影响。因为小麦冬前峰的存在可能会使得重构的NDVI拟合曲线形状发生变化，进而导致所得到的生长季开始期较实际提前而生长季结束期较实际推迟的情况出现。

该研究在识别耕地像元的种植制度时采用了多项式和谐波函数拟合重构的NDVI时间序列曲线。之所以没有采用非对称高斯函数拟合法重构的NDVI时间序列曲线是因为非对称高斯函数拟合法对某些波峰并不敏感，所以会将两个波峰之间的波谷误认为是噪声信号从而在拟合曲线上将两个窄波峰合并为一个宽波峰，进而导致将实际的一年二熟种植制度误判为一年一熟(图7a)。为了避免这种情况所采用的多项式和谐波函数拟合法则对小波峰也非常敏感，这样就能够保证探测到所有的波峰，但其中也必然存在一些由噪声引起的干扰波峰。因此需要通过引入波峰阈值进行筛选来消除干扰波峰的影响，如图7b中尽管拟合曲线上出现了两个波峰，但第一个波峰由于其峰值小于0.4的波峰阈值而被认为是干扰波峰，所以该像元实际为一年一熟种植制度。

我国北方地区的耕地物候空间格局与种植制度密切相关，在一定程度上能够反映出耕地内部不同的作物类型，据此也可以大致推测我国北方地区耕地的种植结构。如在华北平原地区的一年二熟制耕地，当第一生长季表现出较早的开始和结束日期时，其第一生长季对应的作物类型很可能为冬小麦，而在东北地区如果耕地像元的生长季开始期较早时则很可能为一季稻。另外，该研究使用的遥感数据空间分辨率为1km，在一些区域可能存在混合像元。对于农作物与自然植被混合的像元，因为自然植被的生长季开始期通常比农作物早，而生长季结束期比农作物晚，所以通过遥感手段获取的耕地生长季开始和结束日期可能会受到自然植被的影响。事实上混合像元的影响毕竟有限，如果能够采用更高空间分辨率的遥感数据以及更高质量的耕地掩膜数据则会进一步削弱这种影响。

(a)为非对称高斯函数拟合曲线，实际为一年二熟，(b)为多项式和谐波函数拟合，实际为一年一熟图7 根据拟合曲线波峰个数误判种植制度的典型情况

4.2 结论

该研究基于SPOT/VGT数据对我国北方15省的耕地种植制度进行了识别，在此基础上分别提取了不同生长季的耕地物候信息并分析了其空间格局特征。为保证耕地种植制度识别及物候信息获取的准确性，根据先验知识从数据和方法上进行了适当调整。结果表明如下。

(1)非对称高斯函数拟合有时会将两个波峰之间的波谷误认为是噪声信号，使得拟合曲线上的波峰个数比实际偏少，无法准确地反映作物的实际生长过程，导致对生长周期个数的误判。该研究中所采用的多项式和谐波函数拟合曲线并引入波峰阈值进行筛选的方法能够有效识别像元的生长周期数，从而正确判定耕地的种植制度。

(2)在我国北方地区的耕地生长季开始前和结束后，可能存在一些影响物候参数准确提取的因素，如冬小麦种植区小麦冬前峰的影响。该研究根据先验知识对NDVI时间序列数据进行“掐头去尾”处理(即将1月、11月和12月的数据从参与分析的数据中加以剔除)后能够避免小麦冬前峰的影响，进而准确获取耕地物候信息。

(3)种植制度空间格局与水、热、光和土等自然资源的空间分布密切相关，且与区域气候条件相对应。我国北方耕地种植制度包括一年一熟和一年二熟，其中一年一熟耕地的面积远大于一年二熟耕地的面积，一年二熟制主要分布在北纬40°以南的平原地区，并通过与冬小麦播种面积的对比说明耕地种植制度识别结果的可靠性。

(4)耕地物候特征的空间格局除受到自然条件影响外，在一定程度上也受到种植制度的影响。第一生长季的空间差异比第二生长季更为明显，一年二熟制耕地通常生长季开始和结束较早，从而为完成第二生长季提供了充足的时间。而无论第一还是第二季，由于人类的收割活动，生长季结束期分布的时间范围比开始期更为集中。

总而言之，适当引入先验知识有利于正确识别耕地种植制度和准确获取耕地物候信息，据此所得到的结果表明我国北方耕地物候的空间格局与种植制度密切相关，受到自然资源和人类活动的共同影响。

[1] 竺可桢， 宛敏渭.物候学.长沙：湖南教育出版社， 1999

[2]StuderS，CkliRS，AppenzellerC，etal.Acomparativestudyofsatelliteandground-basedphenology.InternationalJournalofBiometeorology， 2007, 51(5): 405～414

[3]TuanmuM，ViäaA，BearerS，etal.Mappingunderstoryvegetationusingphenologicalcharacteristicsderivedfromremotelysenseddata.RemoteSensingofEnvironment， 2010, 114(8): 1833～1844

[4]FisherJI，MustardJF.Cross-scalarsatellitephenologyfromground，Landsat，andMODISdata.RemoteSensingofEnvironment， 2007, 109(3): 261～273

[5]WuW，YangP，TangH，etal.CharacterizingSpatialPatternsofPhenologyinCroplandofChinaBasedonRemotelySensedData.AgriculturalSciencesinChina， 2010, 9(1): 101～112

[6] 武永峰， 李茂松，宋吉青.植物物候遥感监测研究进展.气象与环境学报， 2008, 24(3): 51～58

[7]ZhangX，FriedlMA，SchaafCB，etal.MonitoringvegetationphenologyusingMODIS.RemoteSensingofEnvironment， 2003, 84(3): 471～475

[8] 侯学会， 牛铮，高帅，等.基于SPOT-VGTNDVI时间序列的农牧交错带植被物候监测.农业工程学报， 2013, 29(1): 142～150

[9] 胡砚霞， 黄进良，王立辉.基于MODISNDVI时序数据的丹江口库区物候格局研究.中国农业资源与区划， 2012, 33(4): 25～30

[10]王植， 刘世荣，孙鹏森，等.基于NOAANDVI研究中国东部南北样带植被春季物候变化.光谱学与光谱分析， 2010, 30(10): 2758～2761

[11]KariyevaJ，VanLeeuwenWJD，WoodhouseCA.ImpactsofclimategradientsonthevegetationphenologyofmajorlandusetypesinCentralAsia(1981- 2008)FrontiersofEarthScience， 2012, 6(2): 206～225

[12]CaiH，ZhangS，YangX.ForestDynamicsandTheirPhenologicalResponsetoClimateWarmingintheKhinganMountains，NortheasternChina.InternationalJournalofEnvironmentalResearchandPublicHealth， 2012, 9(11): 3943～3953

[13]WeiH，HeilmanP，QiJ，etal.AssessingphenologicalchangeinChinafrom1982to2006usingAVHRRimagery.FrontiersofEarthScience， 2012, 6(3): 227～236

[14]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.中国农业科学， 2009, 42(2): 552～560

[15]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

[16]陶健， 张戈丽，王军邦，等.内蒙古中东部地区耕地物候动态研究.中国农业科学， 2011, 44(22): 4583～4592

[17]李正国， 唐华俊，杨鹏，等.植被物候特征的遥感提取与农业应用综述.中国农业资源与区划， 2012, 33(05): 20～28

[18]王宏， 李晓兵，韩瑞波，等.利用NOAANDVI和MSAVI遥感监测中国北方不同纬度带植被生长季变化.应用生态学报， 2006, 17(12): 2236～2240

[19]王宏， 李晓兵，余弘婧.基于NOAA/AVHRRNDVI监测中国北方典型草原的生长季及变化.植物生态学报， 2006, 30(3): 365～374

[20]卫炜， 吴文斌，李正国，等.时间序列植被指数重构方法比对研究.中国农业资源与区划， 2014, 35(1): 34～43

[21]JönssonP，EklundhL.Seasonalityextractionbyfunctionfittingtotime-seriesofsatellitesensordata.IEEETransactionsonGeoscienceandRemoteSensing， 2002, 40(8): 1824～1832

[22]江东， 王乃斌，杨小唤，等.NDVI曲线与农作物长势的时序互动规律.生态学报， 2002, 22(2): 247～252

[23]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, 21(4): 85～90

[24]JönssonP，EklundhL.TIMESAT—aprogramforanalyzingtime-seriesofsatellitesensordata.Computers&Geosciences， 2004, 30(8): 833～845

[25]GalfordGL，MustardJF，MelilloJ，etal.WaveletanalysisofMODIStimeseriestodetectexpansionandintensificationofrow-cropagricultureinBrazil.RemoteSensingofEnvironment， 2008, 112(2): 576～587

[26]SakamotoT，VanNguyenN，OhnoH，etal.Spatio-temporaldistributionofricephenologyandcroppingsystemsintheMekongDeltawithspecialreferencetotheseasonalwaterflowoftheMekongandBassacrivers.RemoteSensingofEnvironment， 2006, 100(1): 1～16

[27]JusticeCO，TownshendJRG，HolbenBN，etal.Analysisofthephenologyofglobalvegetationusingmeteorologicalsatellitedata.InternationalJournalofRemoteSensing， 1985, 6(8): 1271～1318

[28]MarkonCJ，FlemingMD，BinnianEF.CharacteristicsofvegetationphenologyovertheAlaskanlandscapeusingAVHRRtime-seriesdata.PolarRecord， 1995, 31(177): 179～190

[29]FischerA.Amodelfortheseasonalvariationsofvegetationindicesincoarseresolutiondataanditsinversiontoextractcropparameters.RemoteSensingofEnvironment， 1994, 48(2): 220～230

[30]HeumannBW，SeaquistJW，EklundhL，etal.AVHRRderivedphenologicalchangeintheSahelandSoudan，Africa， 1982-2005.RemoteSensingofEnvironment， 2007, 108(4): 385～392

[31]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

[32]李正国， 唐华俊，杨鹏，等.基于时序植被指数的东北地区耕地生长季特征识别与应用研究.北京大学学报(自然科学版)， 2011, 47(5): 882～892

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

DETECTION OF CROPLAND PHENOLOGY IN NORTHERN CHINA FROM SPOT/VGT DATA

Wei Wei, Wu Wenbin, Li Zhengguo, Zhou Qingbo※

(Key Laboratory of Agri-informatics, Ministry of Agriculture / Institute of Agricultural Resources and Regional Planning,Chinese Academy of Agricultural Sciences, Beijing 100081, China)

Spatial patterns of cropland phenology synthetically reflect the spatial differences of agricultural farming under governance of both environmental factors and human activities on the cropland. Thus, identification of cropland phenology has been a hot topic in applications of remote sensing to agriculture. In this study we intend to examine the cropland phenology in Northern China using the SPOT/VGT product. We start with data preparation in which the original NDVI time-series for cropland of the study area are reconstructed by Asymmetric Gaussian function fitting method. Then we use the peaks of the polynomial and harmonic combined function fitted curves to identify the number of growing seasons. Finally the onset of growth and end of growth dates for cropland of the study area are derived using a NDVI threshold method. During the above procedures we introduced priori knowledge by using a NDVI peak value threshold and removing some data in the NDVI time series to ensure the accuracy of cropping system identification and phenology detection. Cropping systems in Northern China are determined based on the reconstructed NDVI time-series from SPOT/VGT and the spatial patterns are investigated for the first and second growing season respectively. The results showed that appropriate introduction of priori knowledge can help to identify the cropping system and detect the cropland phenology accurately. For Northern China single cropping system was dominate, areas of double cropping system probably moved to the south of 40°N. Differences of spatial patterns for the first growing season were much more significant than the second growing season. The distribution time range for the end of growth date was more concentrated than the onset of growth date. In general, spatial patterns of cropland phenology in Northern China were closely related to the cropping systems, which were influenced by both natural resources and human activities.

NDVI; time series; SPOT/VGT; cropping system; cropland phenology

10.7621/cjarrp.1005-9121.20160413

2015-03-18

卫炜(1986—)，男，陕西渭南人，博士研究生。研究方向：农情遥感监测。※通讯作者：周清波(1965—)，男，湖南沅江人，研究员、副所长，研究方向：农业遥感。Email：zhouqingbo@caas.cn

*资助项目：国家高技术研究发展计划(863计划)项目“多尺度遥感数据按需快速处理与定量遥感产品生成关键技术”(2012AA12A304)； 国家自然科学基金项目“近30年东北三省作物物候期特征提取及其对气温变化的响应”(41201184)； 国家自然科学基金项目“基于农户决策行为的农作物时空格局动态变化机理机制研究”(41271112)

TP79

A

1005-9121[2016]04-0077-10