基于MODIS数据的植被物候监测外文翻译资料

基于MODIS数据的植被物候监测

Xiaoyang Zhanga，*，Mark A. Friedla，Crystal B. Schaaf a，Alan H. Strahlera，

约翰C.F. Hodgesa，Feng Gaoa，Bradley C. Reedb，Alfredo Huetec

美国马萨诸塞州波士顿Commonwealth Avenue 675号波士顿大学地理系和遥感中心

bEROS数据中心，苏福尔斯，SD 57198，美国

c亚利桑那大学土壤与水科学系，美国亚利桑那州图森市85721

摘要

需要准确测量区域到全球尺度的植被动态（物候）以改进模型和理解陆地生态系统碳交换和气候-生物圈相互作用的年际变化。 自八十年代中期以来，卫星数据已经被用来研究这些过程。 在本文中，一种新的方法来监测全球植被物候从时间序列的卫星数据被呈现。 该方法使用适合于遥感植被指数（VI）数据的一系列分段对数函数来表示年内植被动态。使用这种方法，VI数据的年度时间序列内植被活动的转换日期可以是由卫星数据确定。该方法允许以生态学的方式在大尺度上监测植被动态有意义并且不需要预平滑数据或使用用户定义的阈值。初步结果基于每年一次美国东北部的一系列中分辨率成像光谱仪（MODIS）数据表明，该方法是能够很好地监测植被物候。

关键词：植物物候;MODIS; 遥感

1.介绍

陆地生态系统的物候动态反映地球生物圈对内部和内部的响应地球气候和水文动态政权（Myneni，Keeling，Tucker，Asrar和Nemani，1997;Schwartz，1999; White，Thornton，＆Runnings，1997）。由于天气覆盖和重复的时间卫星观测提供的采样，遥感数据具有监测植被的重大潜力从区域到全球尺度的动态（例如，Myneni等人，1997年）。在过去的十年中，有许多不同的方法被开发来确定植被的时间绿色和衰老（即成长的开始和结束季节）使用归一化差值植被的时间序列来自高级甚高分辨率的指数（NDVI）数据辐射计（AVHRR）。这些方法采用了各种不同的方法，包括使用特定的方法NDVI阈值（Lloyd，1990; White等，1997），最大的NDVI增加（Kaduk＆Heimann，1996）看移动平均值（里德等，1994），或经验方程（Moulin，Kergoat，Viovy，＆Dedieu，1997）。但是，这些方法很难在全球范围内应用，并且通常不考虑以特征为特征的生态系统多个生长周期（例如，双重或三重作物农业，具有多雨季的半干旱系统等）。

卫星植被指数（VI）数据如NDVI与绿叶面积指数（LAI），绿色生物量和绿色植被覆盖率（Asrar，Myneni，＆Kanemasu，1989; Baret＆Guyot，1991）相关。 直到最近，AVHRR为此提供了唯一的全球数据来源。 但是，由于AVHRR从未设计用于土地应用，因此这些数据不适合植被监测应用。 具体而言，由于缺乏精确的校准，较差的几何配准以及云筛选AVHRR数据的困难，导致高水平的噪声（Goward，Markham，Dye，Dulaney和Yang，1991）。 美国宇航局Terra航天器上的中分辨率成像光谱仪（MODIS）的辐射测量和几何特性，结合MODIS科学团队活动提供的改进的大气校正和云层筛选，为这种性质的研究提供了一个充分改进的基础。 在本文中，我们首次尝试使用MODIS数据研究植被物候。

2.利用遥感监测物候

对于这项工作，从遥感推断的植被物候年周期的特点是四个关键转换日期，它们定义了年度时间尺度上植被动态的关键物候阶段。这些转换日期是：（1）greenup，光合作用的起始日期;（2）成熟期，植物绿叶面积最大的日期;（3）衰老，即光合活性和绿叶面积开始迅速减少的日期;（4）休眠，即生理活动接近零的日期。由于这些过程的空间，时间和生态复杂性，从遥感监测它们的简单方法已被证明是难以捉摸的。在这里，我们提出了一种新的方法，它将卫星VI数据适用于时间逻辑函数。基于此功能，可以确定上面定义的四个转换日期。

基于田间的生态学研究表明，植被物候往往遵循相对明确的时间模式。例如，在落叶植物和许多作物中，叶子出现后往往是一个快速增长的时期，其次是一个相对稳定的最大叶面积时期。这种模式反映了从生长开始起的累积温度（或者更简单地说是天数），这可以使用逻辑模型（例如Ratkowsky，1983; Villegas，Aparicio，Blanco和RoYo，2001）很容易地表示出来。向衰老和休眠过渡遵循类似但相反的模式。

在区域和较大尺度上，社区组成，微观和区域气候制度，土壤和土地管理的变化导致物候的复杂时空变化。此外，一些植被类型在单个年度周期内表现出多种生长和衰老模式。因此，基于遥感的方法需要有足够的灵活性以适应这种类型的变化。

图 1利用多个逻辑模型描述了具有多个生长周期的植被指数值的理想轨迹。

图 2显示如何使用曲率变化率中的最小值和最大值计算转换日期的示意图。实线是植被指数数据的理想化时间序列，虚线是VI数据曲率的变化率。圆圈表示过渡日期。位于每个圆圈之间的极值表示曲率变化率符号变化的点。

图1显示了如何利用一系列时间分段逻辑函数表示植被物候。这种表示是完全一般的，可以用来描述以复杂行为为特征的生态系统的物候。 具体而言，可以使用以下形式的函数来模拟单个生长或衰老周期的卫星得出的VI数据的时间变化：

其中t是以天为单位的时间，y（t）是时间t处的VI值，a和b是拟合参数，c d是最大VI值，d是初始背景VI值。这种方法类似于Badhwar（1980,1984）采用的方法，它们适合类似（指数和逻辑）平滑时间函数来近似玉米和大豆作物在生长阶段的光谱反射率变化。然而，本文所描述的方法更为一般，因为它可用于模拟VI数据在增长或衰老期间的变化。

为了确定物候转换日期，使用拟合逻辑模型的曲率变化（图2）。具体而言，过渡日期对应于VI数据中的曲率变化率呈现局部最小值或最大值的时间。 这些日期表明年度周期何时从一个近似线性阶段过渡到另一个。 更正式地，公式（1）的曲率（K） （1）在任何时刻都可以用下式计算t：

其中，a是时间t处单位切向量沿可微分曲线的角度（弧度），s是曲线的单位长度。 那么曲率变化率KV就是：

在生长期间，当植被从休眠状态转变为最大叶面积时，VI曲线中的三个极值点可以从Eq。（3）。 这些点对应于叶片生长的开始，最大叶面积的开始以及这两个事件之间的拐点（图2）。 可以以类似的方式估算指示衰老和休眠开始的转换日期。

3. MODIS数据

MODIS仪器拥有7个光谱波段，专门为土地应用设计，空间分辨率范围从250米到1公里（Justice et al。，1997）。MODIS双向反射分布函数（BRDF）/Albedo算法利用每日多角度，无云和大气校正的表面反射率，在每个MODIS陆地上生成一个最低点BRDF调整反射率（NBAR）以1公里的空间分辨率拍摄（Schaaf等，2002）。用于此分析的数据集包括以新英格兰地区为中心的1200英里至1200公里的NBAR时间序列数据的1年（2000年6月9日至2001年5月25日），但开始的16天期间 2000年7月27日和2001年2月2日，这些都没有生产。为了估计物候模型，使用从NBAR数据计算的增强植被指数（EVI; Huete，Didan，Miura和Rodriguez，2002）值。 由于雪的存在会显着影响EVI值，因此使用归一化差异积雪指数（NDSI）来识别在任何给定的16天期间存在雪或冰背景的情况（Hall，Riggs和Salomonson，1995年）。 在检测到积雪或冰的情况下，EVI值将被替换为最近的无雪值。

图 3新英格兰森林像元混合像元的MODIS EVI数据样本时间序列和估计的物候过渡日期。钻石虚线是原始EVI数据，带星的实线是拟合逻辑模型。

图 4使用第2节中描述的方法估计物候转换日期的地图。

在将NBAR EVI数据拟合到方程（1）描述的逻辑函数之前，首先需要确定EVI持续增加和减少的时期（即增长和衰老）。要做到这一点，一个移动窗口使用五个16天的时间段应用于年度时间序列。然后通过在任何给定窗口内从正向负向斜率的变化来识别从增加到减小的EVI趋势的转变，反之亦然。以这种方式，可以在给定的年度时间序列内识别任意数量的生长周期（例如，图1）。由方程式定义的逻辑函数（1）然后拟合每个EVI增加或减少的周期，曲率变化率的极端点被用来确定如上所述的物候转换日期。

4.结果

图3给出了第二部分描述的新英格兰混合森林像素的代表性结果。目测这个数字表明，物候转换日期是真实地检测到的。为了提供更多的区域视角，图4展示了美国东北部的图像，显示了每个物候转换日期的空间变化，以及图5显示了作为不同陆地的纬度的函数的绿化起始和休眠起始的变化 覆盖区域的类型。最后一个数据是通过计算研究区域内30分钟纬度增量的绿化和休眠开始的平均日期，由MODIS土地覆盖产品提供的土地覆盖等级进行分层（Friedl et al。，2002）。

这些数字表现出与该地区已知物候行为一致的地理和生态连贯模式。绿色发病发生在南部地区（蓝色地区）3月底或4月初（F85日年），随后在更北部地区（红色和黄色地区）逐渐变绿。在所示区域内，森林和自然植被的纬度平均滞后1.7天，城市和农业用地每纬度2.2天。在大多数地区，从绿化开始到达成熟阶段需要大约35天，并且从南向北有明显的趋势。衰老始于8月下旬至9月，没有强烈的空间趋势。相反，从北部地区10月下旬到南部11月下旬，休眠期开始向南蔓延。森林和自然植被的纬度平均滞后时间约为2.4天，城市和农业土地覆盖的平均时差为4.4天。请注意，城市地区展示最早的绿化和最新的休眠，而农田表现出相反的模式。

图 5对于美国东北部和加拿大东南部的主要土地覆盖类型，物理过渡日期平均每30分钟一次。5，落叶阔叶林， ，混交林，D，农田，*，农田和植被马赛克，X，城市。

5.讨论和结论

本通讯为利用遥感技术研究植被物候提供了一种新方法。 使用遥感技术为大面积区域的植被动态监测提供了灵活的手段。 以新英格兰地区为中心的地区使用MODIS数据的初步结果表明，该方法提供了符合该地区植被已知行为的地理和生态学现实结果。 尤其是，基于MODIS的绿变起点，成熟起点和休眠起始点的估计表明强烈的时空模式也取决于土地覆盖类型。

在这项工作中提出的方法有几个理想的属性。 由于它在不设置阈值或经验常数的情况下单独处理每个像素，因此该方法是全局适用的。 此外，它还能够鉴定一年内多次生长和衰老期间的物候行为，这在农田和半干旱地区很常见。 最后，由于该方法不是特定的日历时间段（例如1月至12月），因此它提供了近实时监测植被物候的潜力。

验证是基于遥感的大面积物候研究中的一个关键问题（Schwartz＆Reed，1999）。虽然已经启动了各种用于监测物候的田间计划（例如Schwartz，1999），但这些程序提供的数据是 通常是物种特有的，并以与粗分辨率遥感观测不兼容的尺度收集。 在1km分辨率的图像中，每个像素都反映了具有不同物种和物候行为的景观的综合响应。尽管在地面观测和基于遥感的结果之间没有进行比较，但需要进行更多类型的活动 充分理解和验证陆地植被中大规模物候的遥感观测。

致谢

这项工作是根据NASA合同号NAS5-31369资助的。

参考文献

1. Asrar, G., Myneni, R. B., amp; Kanemasu, E. T. (1989). Estimation of plant canopy attributes from spectral reflectance easurements, Chap. 7. In G. Asrar (Ed.), Theory and applications of optical remote sensing ( pp. 252–296). New York: Wiley.
2. Badhwar, G. D. (1980). Crop emergence data determination from spectral data. Photogrammetric Engineering and Remote Sensing, 46, 369–377.
3. Badhwar, G. D. (1984). Automatic corn – soybean classification using Landsat MSS data: II. Early season crop proportion estimation. Remote Sensing of Environment, 14, 31– 37.
4. Baret, F., amp; Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment, 35,161– 173.
5. Friedl, A. F., McIver, D. K., Hodges, J. C. F., Zhang, X. Y., Muchoney, D.,Strahler, A. H., Woodcock, C. E., Gopal, S., Schneider, A., Cooper, A.,Baccini, A., Gao, F., amp; Schaaf, C. (2002). Global land cover mapping from MO

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   

   

   英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[279685]，资料为PDF文档或Word文档，PDF文档可免费转换为Word