国土资源遥感, 2019, 31(1): 141-148 doi: 10.6046/gtzyyg.2019.01.19

技术应用

基于中尺度光谱和时序物候特征提取南方丘陵山区茶园

马超1,2, 杨飞,1, 王学成1,2

1.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101

2.中国科学院大学,北京 100049

Extracting tea plantations in southern hilly and mountainous region based on mesoscale spectrum and temporal phenological features

MA Chao1,2, YANG Fei,1, WANG Xuecheng1,2

1.Institute of Geographic Sciences and Natural Resources Research, CAS, State Key Laboratory of Resources and Environmental Information System, Beijing 100101, China

2.University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 杨飞(1981-),男,博士,副研究员,主要从事遥感与地理信息系统技术研究与应用方面的研究。Email:yangfei@lreis.ac.cn

责任编辑: 张仙

收稿日期: 2017-07-24   修回日期: 2017-11-20   网络出版日期: 2019-03-15

基金资助: 国家重点研发计划项目"全球变化对资源环境系统影响及脆弱性模拟评估".  2017YFA0604804
中国科学院前沿科学重点研究项目"城市化与生态环境相互作用的全空间地理信息的模拟分析".  QYZDY-SSW-DQC007

Received: 2017-07-24   Revised: 2017-11-20   Online: 2019-03-15

作者简介 About authors

马超(1994-),女,主要研究方向为遥感地学分析。Email:mac.16s@igsnrr.ac.cn。 。

摘要

南方丘陵山区茶园空间分布的提取对于南方经济发展和生态环境保护有重要意义。为此提出一种基于中尺度光谱和时序物候特征的茶园提取方法。利用MODIS增强植被指数(enhanced vegetation index,EVI)和归一化植被指数(normalized difference vegetation index,NDVI)数据产品选择Landsat影像的最适时间窗口,使用面向对象方法和决策树分类模型提取初步分类结果,使用MODIS-EVI植被时序数据提取不同植被物候参数,完成茶园分布范围提取。以福建省漳州市和安溪县为研究区进行茶园提取,经检验,总体分类精度达到85.71%,Kappa系数达到0.83,其中茶园的生产者精度为83.72%,用户精度为90.00%; 提取结果与漳州市和安溪县茶园种植面积的公开统计数据接近。结果表明,该方法可获得较高的茶园提取精度。提取结果可以为南方经济发展和政府有关部门对茶园的调控提供一定参考和指导。

关键词： 遥感 ; 面向对象方法 ; 茶园 ; 物候参数 ; 决策树

Abstract

The extraction of the spatial distribution of tea plantations in hilly areas of southern China is of great importance for economic development and ecological environment protection in southern China. Therefore, a method of tea plantation based on mesoscale spectrum and temporal phenology characteristics is proposed. The study used MODIS enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) data products to select the optimal time window for Landsat images. The preliminary classification results were extracted using the object-oriented method and the decision tree classification model. For extracting the distribution of tea plantation, different vegetation phenology parameters were obtained by using MODIS-EVI vegetation timing data. Verification results showed that the overall classification accuracy reached 85.71% and the Kappa coefficient reached 0.83, with the accuracy of tea plantation producers reaching 83.72% and the user precision reaching 90.00%. The extraction results are close to the open statistics of tea plantation area in Zhangzhou City and Anxi County. The results show that this method can obtain high tea plantation extraction accuracy and the classification results can provide some reference and guidance for the economic development of southern China and the government departments' regulation of the tea plantation.

Keywords： remote sensing ; object-oriented method ; tea plantations ; phenological parameters ; decision tree

PDF (6918KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

马超, 杨飞, 王学成. 基于中尺度光谱和时序物候特征提取南方丘陵山区茶园. 国土资源遥感[J], 2019, 31(1): 141-148 doi:10.6046/gtzyyg.2019.01.19

MA Chao, YANG Fei, WANG Xuecheng. Extracting tea plantations in southern hilly and mountainous region based on mesoscale spectrum and temporal phenological features. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(1): 141-148 doi:10.6046/gtzyyg.2019.01.19

0 引言

中国是最早发现和利用茶树的国家[1]。近些年来,随着经济快速发展,茶园种植面积显著增长。茶园作为中国南方的特色经济林之一,在当地经济发展中起着重要作用[2]。监测南方丘陵山区茶园的分布和动态变化,可为政府有关部门提供决策依据,对合理种植茶园和环境治理有重要意义。

南方丘陵山区茶园空间分布的统计方法有人工实地考察和遥感解译2种。人工实地考察准确度高,但是耗费大量人力、物力和财力,不适合大面积大尺度的茶园种植区提取。遥感技术具有覆盖范围大、重访周期短、应用成本低等优势,能及时、准确地掌握土地利用和土地覆被的现状及动态变化情况[3,4,5,6,7,8],因此遥感解译是实现大面积、大尺度茶园种植区提取的重要手段。然而,目前对于茶园提取的研究相对较少[9],主要研究有: Rao等[10]利用归一化植被指数(normalized difference vegetation index, NDVI)、简单比值(simple ratio, SR)植被指数和转换型植被指数(transformed vegetation index, TVI)等构建模型预测印度茶园产量,对比模型预测结果发现,基于TVI的产量模型与绿茶产量相关性最高; Dihkan等[11]采用支持向量机的方法提取安纳图里亚东北的茶园,发现运用纹理分类结果的Kappa系数达到0.97; Dutta等[12]利用监督和非监督分类方法提取印度茶园,结果显示,光谱相似性会造成茶树与木本植被混淆; 徐伟燕等[13]基于资源三号卫星数据,对比神经网络和决策树分类方法的茶园提取结果,发现决策树方法利用了光谱和纹理特征,可以提高茶园提取精度。

现有茶园提取研究多基于高空间分辨率影像,利用光谱特征和纹理特征进行分类,影像数据成本高。而利用中、低空间分辨率影像进行仅基于光谱特征的茶园提取时,由于茶园的光谱特征与灌丛、果园和林地有相似性,会产生错分现象。总体上看,目前茶园提取方法的指导性和实用性还有待提高,尚缺乏普适性和系统性的提取方法。针对以上问题,本文利用多时相,多源和中、低空间分辨率遥感影像数据,考虑光谱特征、植被指数和物候特征,提出一种系统、普适的方法,以期为相关工作者提供参考。

1 研究区概况及数据源

1.1 研究区概况

本文研究区为福建省漳州市和安溪县。漳州市位于福建省东南部,下辖华安县、平和县、南靖县、漳浦县、龙海市和漳州市区等10个县市,位置介于E117°118°,N23.8°25°之间,属南亚热带季风气候区,年平均温度为21 ℃,年降雨量1 500 mm。2016年漳州全市茶园面积46.9万亩①(1亩=666.67 m2)。安溪县的西南部与漳州市邻接,隶属泉州市,位于E117.6°118.3°,N24.8°25.4°之间,属南、中亚热带海洋性季风气候区。安溪县以农业为主,主产茶叶,2014年安溪县茶园总面积达60万亩。研究区如图1所示。影像为2015年Landsat8 OLI B5(R),B4(G),B3(B)波段组合影像。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区遥感影像

Fig.1   Image of the study area


1.2 数据源

实验数据包括Landsat8 OLI数据(2015年的第290天)、2015年全年MODIS MOD13Q1数据、野外全球定位系统(global positioning system,GPS)实地采样数据、Google Earth影像数据、土地利用数据、数字高程模型(digital elevation model,DEM)数据、研究区行政区划数据以及漳州市和安溪县茶园统计数据等,具体数据参数见表1。

表1   数据源介绍

Tab.1  Data source

数据源时期分辨率备注
Landsat8 OLI2015年的第290天空间分辨率30 m投影为UTM
MODIS MOD13Q1数据2015年全年空间分辨率250 m
时间分辨率16 d		植被指数,质量评级数据
野外GPS实地采样数据2013—2014年矢量点数据,共107个采样点
Google Earth影像数据2015年空间分辨率1 m用于选取样本点和验证点
土地利用数据2004年矢量数据
DEM数据空间分辨率90 m投影为UTM
研究区行政区划数据矢量数据
漳州市和安溪县茶园统计数据2017年来源于漳州市统计年鉴2017和实地调查等

新窗口打开| 下载CSV


2 研究方法

2.1 茶园提取尺度与数据分辨率

根据漳州市和安溪县茶园面积统计数据,茶园总种植面积超过700 km2,单块茶园面积达几十亩,甚至几百亩。本文对Google Earth、Landsat8 OLI和MODIS 3种影像数据进行对比(图2),发现研究区茶园面积能够在中、高空间分辨率影像中占据多个像元。因此,使用Landsat8 OLI和MODIS数据等中、低空间分辨率影像可用于提取大面积茶园。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同空间分辨率数据对比

Fig.2   Comparison of different spatial resolution data


本文研究目的是提取茶园空间分布,虽然利用Landsat8 OLI的光谱特征能够将茶园与居民地、水体、农田等区分开,但由于果园、部分林地与茶园的单一时相光谱特征相似性,茶园提取的精度较低。相比于Landsat8 OLI数据,尽管MODIS数据空间分辨率较低,但其获取数据周期短,具有多时相特征,能够获取植被指数时间序列曲线,提取植被物候参数。对比茶园与果园、部分林地生长季物候参数的差异对Landsat8 OLI数据分类结果进一步提取,能够改善单一时相光谱相似性的问题,从而提高分类精度。

2.2 技术路线

茶园种植区提取流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   茶园种植区提取流程

Fig.3   Flow chart of tea plantation extraction


首先基于MODIS增强植被指数(enhanced vegetation index,EVI)和NDVI时序曲线确定最合适的分类时间窗口,由时间窗口选择合适的Landsat数据,对有云遮挡区域,选择相近时期或前一年同时期无云影像替换; 通过野外GPS实地采样数据与Google Earth影像选取采样点,建立茶园解译标志库,筛选光谱、地形等特征; 然后基于eCognition软件平台,使用面向对象分类方法和决策树分类模型对研究区地物进行分类,利用物候特征改善初步分类结果以提高茶园提取精度; 最后使用采样数据对分类结果进行精度评价。

2.3 时间窗口选择

植被在不同生长季节和生育期具有不同生理特征,多时相数据时间变化曲线能够充分表现出同一植被类型在不同生长期及不同植被类型在同一生长期的差异[14,15,16]。利用MOD13Q1 NDVI/EVI数据产品提取2015年研究区7类土地利用类型(林地、果园、农田、居民地、水体、茶园和其他)的MODIS植被指数时序曲线(图4)。从图4可以看出: ①居民地和水体的植被指数明显低于植被; ②林地的植被指数最高; ③农田的植被指数整体低于其他植被,有明显峰值; ④总体上看,果园与茶园全年植被指数曲线相似,地物分类会造成果园与茶园的误分; ⑤从茶园MODIS植被指数时序曲线上看,茶园的植被指数在7—8月出现峰值,在12月和1月出现最低值。由曲线可知10月份各地物植被指数区别较大,所以选择Landsat OLI影像数据时间为2015年的第290天。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2015年MODIS-NDVI和MODIS-EVI时序曲线

Fig.4   MODIS-NDVI and MODIS-EVI time-series profiles in 2015


2.4 面向对象的决策树分类

借助Google Earth影像和野外实地考察数据,随机采集样本点1 102个,建立研究区的遥感解译标志库,包括土地利用类型7类: 林地、果园、农田、居民地、水体、茶园和其他。利用面向对象的决策树方法进行分类的步骤为: ①影像多尺度分割; ②光谱、地形特征选取; ③建立分类规则; ④决策树分类。其中,影像分割尺度的选择会直接影响最终分类结果[17],通过多次试验,确定最优分割尺度为30,形状因子权重为0.1,紧致度因子权重为0.5。

2.5 物候特征选取与分析

植被物候监测指通过各种方法和手段来监测植物生长节律的季节性和年际变化[18,19,20]。物候监测主要利用植被指数时序曲线,常用的植被指数有NDVI和EVI[21,22,23],考虑到MODIS-EVI数据产品已进行了较好的大气校正,且EVI计算公式中有对背景信息校正的参数,可避免基于比值的植被指数饱和问题的影响[24],数据质量要优于其他植被指数。因此本文使用MODIS-EVI时序数据提取物候参数。

利用MODIS-EVI时序曲线提取的物候参数包含11个参数(图5),其中a和b分别表示生长季的开始和结束点; c和d为振幅高度的80%; e为生长季最大值; f为生长季振幅; g表示生长季长度; h为生长季期间EVI曲线与基准值之间的积分值; ac斜率和bd斜率的绝对值分别表示生长季的增长率和下降率; 基准值为曲线左侧最小值和右侧最小值的平均值[25,26,27]。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   物候参数示意图

Fig.5   Phenological parameters


由图5可知,物候参数a,b,c,d和h与均与振幅有相关性,因此本文选择除此以外的6个物候参数用于茶园与农田、林地等地类的区分(表2)。

表2   不同地物物候参数对比

Tab.2  Comparison of phenological parameters

土地利用类型最大值振幅生长季长度生长季增长率生长季下降率基准值
农田5 362.8023 159.70411.005425.973238.9902 203.113
果园5 844.6772 504.03612.773292.434267.2353 340.610
其他5 892.4792 753.02110.337353.426274.9153 139.450
茶园5 285.6672 314.80711.790263.015244.0982 970.887
林地6 067.9532 607.46810.966368.109284.3883 460.495

新窗口打开| 下载CSV


对比不同地类物候参数发现: ①茶园的生长季最大值为5 285.677,远远小于林地、果园和其他地物; ②茶园生长季振幅为2 314.807,与林地农田区别较大; ③茶园生长季增长率在各地类中最小; ④茶园生长季长度及生长季下降率与其他类别差异不明显; ⑤茶园生长季基准值为2 970.887,与农田区别较大。因此,本文选择生长季最大值、振幅、生长季增长率和基准值4个物候参数作为茶园提取的物候指标。

2.6 决策树模型构建与物候参数提取

在eCognition软件平台中使用决策树方法对研究区Landsat8 OLI影像进行分类。在决策树模型中,使用红光波段(R)、绿光波段(G)、蓝光波段(B)、近红外波段(NIR)、海蓝波段(Coastal)、植被指数(NDVI/EVI)和亮度值(Brightness)构造决策树。具体参数范围和相应分类结果见图6。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   决策树分类方法构建

Fig.6   Construction of decision tree classier


结果表明,利用光谱特征和植被指数等能够实现对居民地、水体、农田和大部分林地分类。但是,由于果园和茶园的"异物同谱"的现象,导致大量果园错分为茶园。针对果园、部分林地和茶园的混合现象,对比分析茶园与果园、林地的物候参数,发现它们之间存在明显差异。通过样本点获取茶园的物候参数范围为: 98<生长季增长率<566,4 056<最大值<6 073,1 409<振幅<3 070,2 189<基准值<3 509; 通过样本点获取茶园DEM范围为263<DEM<1 058。利用ArcGIS软件平台将物候参数数据、DEM数据与决策树分类结果叠加,最终区分出林地、果园与茶园。

3 结果与分析

3.1 茶园分布

本文利用面向对象的决策树分类模型得到茶园分类初步结果(图7(a)),利用地物物候参数改善初步分类结果得到最终结果(图7(b))。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   茶园分布提取结果

Fig.7   Extraction result of tea plantations


根据统计和调查数据,漳州市茶园主要分布在华安县、平和县、南靖县和漳浦县,安溪县种植大面积茶树。从图7(a)可以看出,提取的茶园主要分布于安溪县、漳州北部、漳州西部和东南部; 从图7(b)可以看出,茶园主要分布于安溪县、漳州北部、漳州西北部和东南部。总体上初步分类结果和最终分类结果与实际漳州市和安溪县茶园分布一致。由图7对比,茶园初步提取结果面积明显多于最终分类结果,主要是茶园和果园、林地的错分,通过对比Google Earth影像与分类结果发现: 物候参数叠加决策树分类结果能够将果园错分为茶园、林地错分为茶园的现象剔除; 同时没有对茶园产生影响。

3.2 精度评价

利用Google Earth影像随机选取采样验证点(共选取378个),通过构造混淆矩阵得到漳州市和安溪县地物分类精度评价(表3)。

表3   精度评价

Tab.3  Accuracy assessment

分类结果参考结果行总和生产者精度/%
茶园农田林地果园其他居民地水体
茶园720374008683.72
农田028002303384.85
林地247480008884.09
果园622634007781.82
其他020115202075.00
居民地000023403694.44
水体0000003838100.00
列总和80367979273938378
用户精度/%90.0077.7893.6779.7555.5687.18100.00
总体精度85.71%Kappa=0.83

新窗口打开| 下载CSV


研究区的茶园分类的总体精度为85.71%,Kappa系数为0.83,整体精度满足分析需求。另外,从表中可以看出: ①果园和茶园分类混淆较多,表明两者的光谱特征相似容易混淆。②茶园分类用户精度为90.00%,生产者精度为83.72%,除了与果园和少量林地有错分现象外,整体分类结果满足精度要求。

根据漳州市和安溪县的统计数据,2016年漳州市茶园面积为312.67 km2,2015年安溪县茶园面积达到400 km2。使用本文方法提取茶园面积为漳州市270.67 km2,安溪县为453.33 km2。根据调查,漳州市的华安县、平和县、南靖县和漳浦县是茶园主要分布区,统计数据和分类结果见表4,与实际茶园种植面积相比有一定的误差,但是总体精度超过80%,满足空间分析与实际应用需求。

表4   统计数据与分类结果对比

Tab.4  Comparison of statistical data and classification data(km2)

数据安溪县南靖县平和县华安县漳浦县漳州市
统计数据400.0080.0081.33112.006.67312.67
分类结果453.3359.6268.57110.638.96270.67

新窗口打开| 下载CSV


4 结论

本文对南方丘陵山区茶园进行提取,基于影像的光谱特征、植被指数和地形特征,构造决策树分类模型,并针对茶园与其他植被混淆情况,使用物候参数进一步改善提取结果,研究发现:

1)使用MODIS-NDVI植被时序曲线可以观测不同地物差异,发现漳州市及安溪县的茶园提取时间窗口为第290天左右,茶园与其他地物有显著区别,但由于"异物同谱"现象仍有果园、少部分林地与茶园之间的混淆。

2)决策树分类模型注重对特征的分析和挖掘,使用光谱特征和植被指数能够较好区分居民地、水体、林地和茶园,而且决策树方法操作简单,精度较高。

3)使用MODIS-EVI时序数据提取物候参数,考虑了植被物候特征,改善了茶园分类结果,使得茶园总精度达85.71%,Kappa系数达0.83,分类结果满足研究需要。

本文所提出的基于中尺度光谱和时序物候特征的茶园提取方法,适用于茶园提取及相关分析研究。未来可以进一步考量不同分类模型和有关统计资料来实现更高精度提取,从而满足土地利用和合理开发的更高要求。

参考文献

韩旭 .

中国茶叶种植地域的历史变迁研究

[D]. 杭州:浙江大学, 2013.

[本文引用: 1]

Han X .

A Study on the Changes in Tea Planting Regions in the History of China

[D]. Hangzhou:Zhejiang University, 2013.

[本文引用: 1]

陈明枢, 吕居永, 冯廷佺 , 等.

漳州市华安等4个老区县茶产业发展情况调研报告

[J]. 福建茶叶, 2013,35(1):2-4.

DOI:10.3969/j.issn.1005-2291.2013.01.001      URL     [本文引用: 1]

正我们一行在省老促会顾问陈明 枢、吕居永和省茶叶学会会长冯廷佺的带领下,于2012年10月28日上午从福州出发直达华安县城,开始对漳州市4个老区县进行茶产业发展情况调研。这次 调研得到了华安、南靖、平和、漳浦四县党政领导与相关部门的热情接待与大力支持,也得到了漳州市老促会和漳州市农业局的大力支持。漳州市老促会会长黄长 茂、常务副会长陈老钦、副秘书长林龙水和漳州市农业局副调研员郭龙潭四

Chen M S, Lyu J Y, Feng T Q , et al.

Investigation report on the development of tea industry in four old areas in Zhangzhou City

[J]. Tea in Fujian, 2013,35(1):2-4.

[本文引用: 1]

任冲, 鞠洪波, 张怀清 , 等.

多源数据林地类型的精细分类方法

[J]. 林业科学, 2016,52(6):54-65.

DOI:10.11707/j.1001-7488.20160607      URL     Magsci     [本文引用: 1]

<b>[目的]</b> 探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。<b>[方法]</b> 以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。<b>[结果]</b> 本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.8996;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。<b>[结论]</b> 多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。

Ren C, Ju H B, Zhang H Q , et al.

Multi-source data for forest land type precise classification

[J]. Scientia Silvae Sinicae, 2016,52(6):54-65.

Magsci     [本文引用: 1]

高孟绪, 王卷乐, 柏中强 , 等.

基于RapidEye影像的农村居民地遥感监测———以江西省泰和县为例

[J]. 国土资源遥感, 2016,28(1):130-135.doi: 10.6046/gtzyyg.2016.01.19.

URL     Magsci     [本文引用: 1]

<p>农村居民地遥感信息获取对于监测农村居民地时空变化、服务&quot;三农&quot;和国土资源管理具有重要意义。以RapidEye卫星影像数据为数据源,江西省泰和县为研究区,利用最大似然法进行居民地等土地覆盖类别的分类提取与精度评价及分析。结果表明:分类总体精度达到84.33%,其中农村居民地的制图精度和用户精度分别为76.01%和82.28%,与第二次全国土地调查中的居民地数据对比,其一致性达到71.0%。结合实地验证,对本分类精度的误差原因进行分析。本研究表明利用5 m分辨率的RapidEye影像进行县级农村居民地监测是可行的,可为后续同类研究提供技术参考。</p>

Gao M X, Wang J L, Bai Z Q , et al.

Remote sensing monitoring of rural residential land based on RapidEye satellite images:A case study of Taihe County,Jiangxi Province

[J]. Remote Sensing for Land and Resources, 2016,28(1):130-135.doi: 10.6046/gtzyyg.2016.01.19.

Magsci     [本文引用: 1]

Aplin P .

Remote sensing:Land cover

[J]. Progress in Physical Geography, 2004,28(2):283-293.

[本文引用: 1]

Wang L, Sousa W P, Gong P .

Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery

[J]. International Journal of Remote Sensing, 2004,25(24):5655-5668.

DOI:10.1080/014311602331291215      URL     [本文引用: 1]

刘晓娜, 封志明, 姜鲁光 .

基于决策树分类的橡胶林地遥感识别

[J]. 农业工程学报, 2013,29(24):163-172,365.

DOI:10.3969/j.issn.1002-6819.2013.24.022      URL     Magsci     [本文引用: 1]

中老缅交界地区是橡胶林地的主要种植区，利用遥感手段快速动态监测橡胶林地的时空变化，对于橡胶合理种植、生态环境保护以及边境安全保障具有重要的科学价值和实践意义。研究基于Landsat数据和MODIS-NDVI数据，采用决策树分类的方法提取中老缅交界地区的橡胶林地。研究发现：1）1月上旬至3月下旬为提取橡胶林地的主要时间窗口；根据橡胶林不同树龄所表现的光谱差异，按照橡胶幼林（<10 a）和橡胶成林（≥10 a）提取橡胶林地；橡胶成林、高植被覆盖度的旱地、有林地容易发生误分，橡胶幼林、茶园、灌木林地和草地容易发生混淆。2）基于原始光谱特征、归一化指数、K-T变换指数以及纹理特征分别构建橡胶幼林和橡胶成林决策树分类模型；2010年橡胶成林分类总精度超过90%，橡胶幼林分类总精度超过75%；对同一地区1980、1990、2000年3个时相的决策树分类发现，橡胶幼林和橡胶成林决策树分类模型简单有效，结合晚期的橡胶成林来验证提取早期的橡胶幼林可以达到更高的分类精度。3）1980-2010年间，中老缅交界地区橡胶林地由7.05万hm2增至60.14万hm2，橡胶林地扩张趋势显著；橡胶幼林扩张速度明显快于橡胶成林，特别是近10 a来；西双版纳橡胶种植面积在中老缅交界地区占主导地位，橡胶林地不断向老挝、缅甸边境地区扩张。

Liu X N, Feng Z M, Jiang L G .

Application of decision tree classification to rubber plantations extraction with remote sensing

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(24):163-172,365.

Magsci     [本文引用: 1]

徐岳仁, 何宏林, 陈立泽 , 等.

基于CBERS数据的福建南平地质灾害动态遥感解译

[J]. 国土资源遥感, 2014,26(3):153-159.doi: 10.6046/gtzyyg.2014.03.25.

URL     Magsci     [本文引用: 1]

利用多期中巴地球资源卫星（CBERS）数据开展灾害发生年际变化规律的遥感解译回溯性研究，对拓展国产遥感数据在地质灾害研究中的应用具有重要意义。以灾害频发的福建省南平市为研究区，收集1999-2008年的11景CBERS图像，建立灾害解译标志；采用基于GIS的人机交互综合解译方法，结合野外考察和验证，获取8个年度（2001年和2002年无图像可用）的灾害点共2 059处。动态分析结果表明，研究区内地质灾害在空间上集中发生在居民点周边、公路切坡、幼林地和经济林地等处，在时间上集中发生于2000年和2005年（分别发生582处和766处，占8个年度灾害总数的65%），表现出灾害发生的时空不均一性。研究表明，研究区灾害以因强降雨过程触发的浅层土质滑坡为主，利用CBERS数据可开展地质灾害发育规律的逐年动态变化监测。

Xu Y R, He H L, Chen L Z , et al.

Dynamic remote sensing interpretation of geological disasters in Nanping City of Fujian Province using CBERS serial data

[J]. Remote Sensing for Land and Resources, 2014,26(3):153-159.doi: 10.6046/gtzyyg.2014.03.25.

Magsci     [本文引用: 1]

刘晓娜, 封志明, 姜鲁光 , 等.

西双版纳橡胶林地的遥感识别与数字制图

[J]. 资源科学, 2012,34(9):1769-1780.

URL     Magsci     [本文引用: 1]

橡胶林地是西双版纳人工景观的主导类型, 橡胶林地的遥感识别与动态监测对于促进西双版纳的经济发展和生态保护具有重要意义。研究基于MODIS-NDVI数据, 通过分析各植被覆盖地类的物候特征, 判定橡胶林提取的时间窗口;以2010年TM为主要数据源, 根据橡胶林在不同树龄所表现的光谱差异, 采用面向对象分类方法, 按照橡胶幼林(<10年)、橡胶成林(≥10年)系统分析其光谱、纹理、地形以及类相关特征, 完成了2010年橡胶林地的提取与制图。精度评价结果表明, 总分类精度达到85.20%, 较基于像元的决策树分类精度提高5.20%;其中橡胶成林分类精度达到92.50%, 橡胶幼林分类精度在76.42%。统计结果表明, 橡胶幼林与橡胶成林种植面积比重为1.04:1, 与目前民营橡胶种植面积超过国营橡胶种植面积现状相吻合。研究提出来一种验证和提高橡胶林分类精度的新方法, 即采用相同分类方法提取2000年的橡胶林地, 通过2000年和2010年两期橡胶林地变化的叠加分析, 发现橡胶成林提取方法较为可靠, 而橡胶幼林误分率略大, 可通过提取更晚年份的橡胶成林来进一步改善和提高提取精度。

Liu X N, Feng Z M, Jiang L G , et al.

Rubber plantations in Xishuangbanna:Remote sensing identification and digital mapping

[J]. Resources Science, 2012,34(9):1769-1780.

Magsci     [本文引用: 1]

Rao N R, Kapoor M, Sharma N , et al.

Yield prediction and waterlogging assessment for tea plantation land using satellite image-based techniques

[J]. International Journal of Remote Sensing, 2007,28(7-8):1561-1576.

DOI:10.1080/01431160600904980      URL     [本文引用: 1]

Motivated by the operational use of remote sensing in various agricultural crop studies, this study evaluates the application and utility of remote sensing‐based techniques in yield prediction and waterlogging assessment of tea plantation land in the Assam State of India. The potential of widely used vegetation indices like NDVI and SR (simple ratio) and the recently proposed TVI has been evaluated for the prediction of green leaf tea yield and made tea yield based on image‐derived leaf area index (LAI), along with weather parameters. It was observed that the yield model based on the TVI showed the highest correlation (R202=020.83) with green leaf tea yield. The NDVI‐ and SR‐based models suffered non‐responsiveness when the yield approached maximum. The NDVI and SR showed saturation when the LAI exceeded a magnitude of 4. However, the TVI responded well, even when the LAI exceeded 5, and thus has potential use in the estimation of the LAI of dense vegetation such as some crops and forest where it generally exceeds the threshold value of 4. An attempt was made for the innovative application of TCT and NDWI in the mapping of waterlogging in tea plantation land. The NDWI in conjunction with TCT offered fairly good accuracy (87%) in the delineation of tea areas prone to waterlogging. This observation indicates the potential of NDWI and TCT in mapping waterlogged areas where the soil has considerable vegetation cover.

Dihkan M, Guneroglu N, Karsli F , et al.

Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique

[J]. International Journal for Remote Sensing, 2013,34(23):8549-8565.

DOI:10.1080/01431161.2013.845317      URL     [本文引用: 1]

Tea (Camellia sp.) and its plantation are very important on a worldwide scale as it is the second-most consumed beverage after water. Therefore, it becomes necessary to map the widely distributed tea plantations under various geographies and conditions. Remote-sensing techniques are effective tools to map and monitor the impact of tea plantation on land-use/land-cover (LULC). Remote sensing of tea plantations suffers from spectral mixing as these plantation areas are generally surrounded by similar types of green vegetation such as orchards and bushes. This problem is mainly tied to planting style, topography, and spectral characteristics of tea plantations, and the side effects are observed as low classification accuracies after the classification process. In this study, to overcome this problem, a three-step approach was proposed and implemented on a test area with high slope. As a first step, spectral and multi-scale textural features based on Gabor filters were extracted from high resolution multispectral digital aerial images. Similarly, based on the wavelength range of the sensor, a modified normalized difference vegetation index (MNDVI) was applied to distinguish the green vegetation cover from other LULCs. The second step involves the classification of multidimensional textural and spectral feature combinations using a support vector machine (SVM) algorithm. As a final step, two different techniques were applied for evaluating classification accuracy. The first one is a traditional site-specific accuracy assessment based on a confusion matrix calculating statistical metrics for different feature combinations. The overall accuracy and kappa values were calculated as 93.68% and 0.92, 93.82% and 0.92, and 97.40% and 0.97 for LULC maps produced by red, green, and blue (RGB), RGB + MNDVI, and RGB + MNDVI + Gabor features, respectively. The second accuracy assessment technique was the pattern-based accuracy assessment. The technique involves polygon-based fuzzy local matching. Three comparison maps showing local matching indices were obtained and used to compute the global matching index (g) for LULC maps of each feature set combination. The g values were g(RGB) (0.745), g(RGB+MNDVI) (0.745), and g(RGB+MNDVI+Gabor) (0.765) for comparison maps. Finally, based on accuracy assessment metrics, the study area was successfully classified and tea plantation features were extracted with high accuracy.

Dutta R, Stein A, Patel N R .

Delineation of diseased tea patches using MXL and texture based classification

[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2008,37(B4):1693-1700.

[本文引用: 1]

徐伟燕, 孙睿, 金志凤 .

基于资源三号卫星影像的茶树种植区提取

[J]. 农业工程学报, 2016,32(s1):161-168.

DOI:10.11975/j.issn.1002-6819.2016.z1.023      URL     [本文引用: 1]

茶是世界上饮用最多、影响最广的天然植物饮料,在人类的日常生活中起到重要的作用,为了能有效管理茶叶种植,为政策制订提供依据,很有必要获取准确的茶园空间分布信息。该文以浙江省松阳县的樟溪乡、斋坛乡、叶村乡、竹源乡为研究区域,探讨基于资源三号(ZY-3)卫星数据的茶树种植区提取方法。选用2012年12月25日和2013年6月9日的ZY-3影像,采用决策树提取方法,根据研究区域内茶树的种植方式、生长情况等差异,分平原区和山区进行研究,使用光谱特征和植被覆盖指数NDVI(normalized difference vegetation index)时相差异作为平原区茶树种植区提取特征,山区则添加了方向强度的纹理特征,以地面验证点为参考,对提取结果进行了精度评价,同时与神经网络(NN)分类结果进行比较。结果表明,决策树方法结合光谱信息和纹理信息,可有效提高茶园提取精度,平原区的总体精度为95.00%,Kappa系数为0.85,与NN分类相比分别提高了5.46%、0.19,山区茶树种植区提取的总体精度为92.97%,Kappa系数为0.69,与NN分类相比分别提高了7.57%、0.61,该研究可为政府部门进行茶叶估产及灾害预防处理等提供一定的参考。

Xu W Y, Sun R, Jin Z F .

Extracting tea plantations based on ZY-3 satellite data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(s1):161-168.

[本文引用: 1]

裴志远, 杨邦杰 .

多时相归一化植被指数NDVI的时空特征提取与作物长势模型设计

[J]. 农业工程学报, 2000,16(5):20-22.

DOI:10.3321/j.issn:1002-6819.2000.05.005      URL     Magsci     [本文引用: 1]

目前国内外对作物长势遥感监测研究主要集中在发展具体指标及其定量化,忽略了作物长势的时空特征。作物长势是一个时空变化的过程,同一时相的作物长势在空间地域上和同一空间地域的作物在不同时相上存在差异。因此,时空特征的提取是进行大尺度作物长势监测的基础。该文讨论多时相归一化植被指数NDVI时空特征提取并反映为相关的特征参数,并讨论了作物长势监测模型的建立

Pei Z Y, Yang B J .

Analysis of multi-temporal and multi-spatial character of NDVI and crop condition models development

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2000,16(5):20-22.

Magsci     [本文引用: 1]

徐爽, 沈润平, 杨晓月 .

利用不同植被指数估算植被覆盖度的比较研究

[J]. 国土资源遥感, 2012,24(4):95-100.doi: 10.6046/gtzyyg.2012.04.16.

URL     Magsci     [本文引用: 1]

选用蔬菜地和草地2种植被类型,利用ASD光谱仪实测二者在不同覆盖度下的光谱响应,分析了归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)、修改型土壤调节植被指数(MSAVI)以及全球环境监测植被指数(GEMI)等6种植被指数所用的最佳波段及其组合,进而研究了利用像元二分模型估算植被覆盖度时的不同植被指数的表现。结果表明,与蔬菜地植被指数相关系数较高的波段组合为620~740 nm谱段和780~900 nm谱段内波段的组合,与草地植被指数相关系数较高的波段组合为620~750 nm谱段和760~900 nm谱段内波段的组合,相关系数均达0.8以上; 在高光谱数据构建的植被指数和模拟卫星数据构建的植被指数中,用DVI和MSAVI估算植被覆盖度,平均总体精度分别达到83.7%和79.5%,与其他4种植被指数相比,这2种指数更适合于利用像元二分模型进行植被覆盖度的估算。

Xu S, Shen R P, Yang X Y .

A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model

[J]. Remote Sensing for Land and Resources, 2012,24(4):95-100.doi: 10.6046/gtzyyg.2012.04.16.

Magsci     [本文引用: 1]

Rouse J W J, Haas R H, Schell J A , et al.

Monitoring vegetation systems in the great plains with ERTS

[J]. Nasa Special Publication, 1973,351:309-317.

URL     [本文引用: 1]

Not Available

刘昌振, 舒红, 张志 , 等.

基于多尺度分割的高分遥感图像变异函数纹理提取和分类

[J]. 国土资源遥感, 2015,27(4):47-53.doi: 10.6046/gtzyyg.2015.04.08.

URL     Magsci     [本文引用: 1]

<p>变异函数(variogram function,VF)作为遥感图像纹理提取的一种有效工具,可以很好地用于描述图像的结构性和随机性。为了克服传统的基于移动窗口提取的VF纹理带有边缘效应且难以确定合适窗口大小的问题,以新疆维吾尔族自治区英吉沙县裸露地层的WorldView-2图像为信息源,利用多尺度分割算法获得的3个尺度分割结果提取VF纹理; 将提取的VF纹理叠置到原始多光谱图像上进行地层识别研究,并与基于移动窗口的地层识别结果进行对比。研究结果表明,基于分割对象提取的纹理信息可以很好地去除边缘效应,减轻阴影影响,提高地层识别精度; 不同分割尺度对纹理的识别效果有一定差别,但选择合适的分割尺度之后,采用VF方法提取的纹理信息比采用移动窗口法提取的信息更加稳定。</p>

Liu C Z, Shu H, Zhang Z , et al.

Variogram texture extraction and classification of high resolution remote sensing images based on multi-resolution segmentation

[J]. Remote Sensing for Land and Resources, 2015,27(4):47-53.doi: 10.6046/gtzyyg.2015.04.08.

Magsci     [本文引用: 1]

Rathcke B, Elizabeth P L .

Phenological patterns of terrestrial plants

[J]. Annual Review of Ecology and Systematics, 1985,16:179-214.

DOI:10.1146/annurev.es.16.110185.001143      URL     [本文引用: 1]

范德芹, 赵学胜, 朱文泉 , 等.

植物物候遥感监测精度影响因素研究综述

[J]. 地理科学进展, 2016,35(3):304-319.

DOI:10.18306/dlkxjz.2016.03.005      URL     [本文引用: 1]

基于植物物候的遥感监测对于研究植被对气候变化的响应具有重要的科学价值。本文在阐述植物物候遥感监测原理及其通用技术流程的基础上,分别从植被类型及其所处的地理条件、遥感数据源及其预处理、植物物候遥感识别方法和植物物候遥感监测结果评价4个方面分析了影响植物物候遥感监测精度的因素,并针对当前研究中存在的不足,探讨了提高植物物候遥感监测精度的可行性途径,即建立高分辨率的近地面遥感定点观测及数据共享网络,发展普适性更强的卫星遥感时序数据去噪及植被指数曲线重建方法,寻求稳定性更高的植物物候期遥感识别方法,探索综合运用地面观测、遥感监测与模型模拟实现物候观测空间尺度拓展的可能性。

Fan D Q, Zhao X S, Zhu W Q , et al.

Review of influencing factors of accuracy of plant phenology monitoring based on remote sensing data

[J]. Progress in Geography, 2016,35(3):304-319.

[本文引用: 1]

李红军, 郑力, 雷玉平 , 等.

基于EOS/MODIS数据的NDVI与EVI比较研究

[J]. 地理科学进展, 2007,26(1):26-32.

DOI:10.3969/j.issn.1007-6301.2007.01.003      URL     Magsci     [本文引用: 1]

<p>作为NOAA/AVHRR 归一化植被指数(NDVI) 的延续和发展, EOS/MODIS 归一化植被指 数(NDVI) 和增强植被指数( EVI) 在许多领域得到广泛应用。应用数理统计和地统计学方法对二 者进行的对比研究表明: NDVI 在植被生长旺盛期容易达到饱和, 而EVI 则能克服这一现象, 比 较真实地反映植被的生长变化过程; 相同空间分辨率下, EVI 取值范围、标准差与变异系数均高 于NDVI, NDVI 数据比较均一, 其空间相关性高于EVI, EVI 更能反映研究区域内植被空间差异。 关键词:MODIS; 归一化植被指数(NDVI) ; 增强植被指数( EVI) ; 对比</p>

Li H J, Zheng L, Lei Y P , et al.

Comparison of NDVI and EVI based on EOS/MODIS data

[J]. Progress in Geography, 2007,26(1):26-32.

Magsci     [本文引用: 1]

王正兴, 刘闯 , Huete A.

植被指数研究进展:从AVHRR-NDVI到MODIS-EVI

[J]. 生态学报, 2003,23(5):979-987.

DOI:10.3321/j.issn:1000-0933.2003.05.020      URL     Magsci     [本文引用: 1]

目前应用广泛的植被指数 AVHRR- NDVI仍有一些缺陷 ,主要表现在 :(1 )在植被高覆盖区容易饱和 ,这除了红光通道就容易饱和外 ,主要是基于 NIR/Red比值的 NDVI算式本身存在容易饱和的缺陷 ;(2 )没有考虑树冠背景对植被指数的影响 ;(3 ) NDVI的比值算式和最大值合成算法 (MVC)确实消除了某些内部和外部噪音 ,但最终的合成产品仍然有较多噪音 ;(4) MVC不能确保选择最小视角内的最佳像元。所有这些 AVHRR- NDVI的局限性 ,在基于“中分辨率成像光谱仪 (MODIS)”的“增强型植被指数 (EVI)”产品中 ,都有不同程度改善。MODIS- EVI改善表现在 :(1 )大气校正包括大气分子、气溶胶、薄云、水汽和臭氧 ,而 AVHRR- NDVI仅对瑞利散射和臭氧吸收做了校正 ;这样 MODIS- EVI可以不采用基于比值的方法 ,因为比值算式是以植被指数饱和为代价来减少大气影响 ;(2 )根据蓝光和红光对气溶胶散射存在差异的原理 ,采用“抗大气植被指数 (ARVI)对残留气溶胶做进一步的处理 ;(3 )采用“土壤调节植被指数(SAVI)”减弱了树冠背景土壤变化对植被指数的影响；（4）综合ARVI和SAVI的理论基础，形成“增强型植被指数（EVI）”，它可以同时减少来自大气和土壤噪音的影响；（5）采用“限定视角内最大值合成法（CV-MVC）”，选择最小视角内的最佳像元、此外，目前正在试验的“双向反射分布函数（BRDF）合成法”，首先把不同视角换算为星下点像元反射值，然后采用CV-MVC合成，目的是进一步提高EVI对植被季节性变化的敏感性。总之MODIS-EVI使植被指数与不同覆盖程度植被的线性关系得到明显改善，尤其在高覆盖区表现良好。

Wang Z X, Liu C, Huete A .

From AVHRR-NDVI to MODIS-EVI:Advances in vegetation index research

[J]. Acta Ecologica Sinica, 2003,23(5):979-987.

Magsci     [本文引用: 1]

辜智慧 .

中国农作物复种指数的遥感估算方法研究——基于SPOT/VGT多时相NDVI遥感数据

[D]. 北京:北京师范大学, 2003.

[本文引用: 1]

Gu Z H .

A Study of Calculating Multiple Cropping Index of Crop in China Using SPOT/VGT Multi Temporal NDVI Data

[D]. Beijing:Beijing Normal University, 2003.

[本文引用: 1]

王学成, 杨飞, 高星 , 等.

基于NDVI阈值法的森林冰冻受灾范围精确提取

[J]. 地球信息科学学报, 2017,19(4):549-558.

DOI:10.3969/j.issn.1560-8999.2017.04.013      URL     [本文引用: 1]

快速提取森林冰雪受灾范围,有利于准确掌握森林受灾情况,为此类灾害性气候事件防灾减灾、森林资源管理和生态保护提供科学依据。本文利用2001-2007年NDVI数据,提取灾前植被NDVI参考值和正常波动范围,结合2008年NDVI数据提取冰雪冻灾范围。该方法弥补了基于单一时相的传统方法（NDVI差值法）忽略植被指数正常波动的问题,分像元提取植被NDVI正常波动范围,使提取结果更加客观合理。与传统方法提取结果对比,省级尺度的验证结果相同（即森林受灾率均为34.72%,而实地调查森林受灾率35.3%）,但2种方法在县市行政单元提取的森林受灾率相差较大。NDVI阈值法提取的森林冰雪受灾范围主要分布于湖南省南部地区,北部地区分布相对较少,而传统方法提取结果主要分布于湖南省北部地区,南部地区分布相对较少。根据实地考察资料显示,相比于传统方法,NDVI阈值法提取结果与实际森林冰雪冻灾空间分布信息更接近,精度更高,更适合于区域大尺度提取森林冰雪受灾范围。

Wang X C, Yang F, Gao X , et al.

Precise extraction of damaged forest range caused by ice-snow frozen disaster based on the NDVI threshold method

[J]. Journal of Geo-Information Science, 2017,19(4):549-558.

[本文引用: 1]

康峻, 侯学会, 牛铮 , 等.

基于拟合物候参数的植被遥感决策树分类

[J]. 农业工程学报, 2014,30(9):148-156.

DOI:10.3969/j.issn.1002-6819.2014.09.019      URL     Magsci     [本文引用: 1]

针对目前遥感分类较少利用植被物候特征参数的现状，该研究以内蒙古自治区额尔古纳、根河两市作为试验区，基于2012年根河土地覆盖数据，采用双Logistic 函数拟合的方法对跨度范围为2011年7月下旬至2013年7月下旬的时间序列MODIS EVI 数据进行植被物候参数的分析与提取，并依据物候参数特征构建决策树对试验区土地覆盖进行分类。研究表明，不同植被的物候有较明显的特征，森林、草原与作物的生长季开始时间依次滞后，作物的生长季最短，森林与草原生长季基本持平；利用植被物候特征参数进行决策树分类，作物和森林2种植被类型取得较好分类效果，分类的总体精度达到73.67%，优于该区域MODIS土地覆盖产品的总体精度（66.08%）。该研究可为呼伦贝尔地区生态环境评价和农、牧、林业生产活动提供一定的参考。

Kang J, Hou X H, Niu Z , et al.

Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(9):148-156.

Magsci     [本文引用: 1]

平跃鹏 .

基于MODIS时间序列地表物候特征分析及农作物分类

[D]. 哈尔滨:哈尔滨师范大学, 2016.

[本文引用: 1]

Ping Y P .

Crop Classification Based on Analysis of Phenological Characteristics of MODIS Times Series

[D]. Harbin:Harbin Normal University, 2016.

[本文引用: 1]

Savitzky A, Golay M J E, .

Smoothing and differentiation of data by simplified least squares procedures

.[J]. Analytical Chemistry, 1964,36(8):1627-1639.

DOI:10.1021/ac60214a047      URL     [本文引用: 1]

Lloyd D .

A phenological classification of terrestrial vegetation cover using shortwave vegetation index imagery

[J]. International Journal of Remote Sensing, 1990,11(12):2269-2279.

DOI:10.1080/01431169008955174      URL     [本文引用: 1]

The imaging frequency and synoptic coverage of the National Oceanic and Atmospheric Administration (NOAA) Advanced Very High Resolution Radiometer (AVHRR) make possible for the first time a phenological approach to vegetation cover classification in which classes are defined in terms of the timing, the duration and the intensity of photosynthetic activity. This approach, which exploits the strong, approximately linear relationship between the amount of solar irradiance absorbed by plant pigments and shortwave vegetation indices calculated from red and near-infrared reflectances, involves a supervised binary decision tree classification of phytophenological variables derived from multidate normalized difference vegetation index (NDVI) imagery. A global phytophenological classification derived from NOAA global vegetation index imagery is presented and discussed. Although interpretation of the various classes is limited considerably by the quality of global vegetation index imagery, the data show clearly the marked temporal asymmetry of terrestrial photosynthetic activity.

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发