基于MODIS时序的陕西省植被物候时空变化特征分析

韩红珠， 白建军， 张波， 马高

(1.陕西师范大学地理科学与旅游学院，西安 710062；2.陕西师范大学地理学国家级实验教学示范中心，西安 710062；3.中国空间技术研究院西安分院，西安 710000)

0 引言

植被物候是指植物受气候和其他环境因子的影响而出现的以年为周期的自然现象，包括植物的发芽、展叶、开花、叶变色和落叶等，是植物长期适应季节性变化的环境而形成的生长发育节律[1]。因此，植被物候具有反映气候变化和环境变化的作用，是指示气候与自然环境变化的重要指标[2-3]。同时，植被物候还是陆面过程模型、动态全球植被模型的重要参数[1,4]，在全球变化研究中具有重要作用。

传统植被物候观测主要通过气象站点的观测和记录实现，这种观测方式具有覆盖面积小、成本耗费高等缺点，不足以应对大面积的植被物候观测要求。而卫星遥感数据具有观测范围广、空间连续性好、时间序列长、信息量丰富、数据种类多、经济效益高等特点，在大尺度、长时间范围内的土地利用、植被覆盖和农业资源调查等工作中被广泛使用，应用卫星数据进行遥感监测也成为监测区域或全球尺度植被动态变化的强大手段[5]。

卫星遥感数据植被指数产品在大尺度上监测和描述植被物候变化趋势的能力，能够很好地描述整个生态系统的物候变化[6]。目前，不少专家和学者已经注意到卫星遥感数据植被指数产品应用到植被物候方面研究的潜力，且已有部分研究工作者开展了这方面的研究，在中国温带地区[6]、中国北方温带地区[7]、青藏高原[8]、中国农牧交错地带[9]、东北[10]、华北[11]和浙江[12]等不同尺度的研究区域取得了许多研究成果。但这些成果因气候类型不同、地形差异大，具有区域局限性而不适于描述其研究区以外的植被物候，尤其对于气候类型差异显著的区域有较大的局限性。

陕西省地处中国大陆腹地，纬度跨度大，地形和气候类型丰富，开展陕西省的植被物候研究、分析其时空变化特征，有助于理解在多种地形和气候类型影响下的植被物候响应机制，丰富我国植被物候研究的区域范围，同时为其他区域的植被物候研究提供对比资料。

1 研究区概况与数据源

1.1 研究区概况

陕西省位于中国内陆，地理范围在E105°29′～111°15′，N31°42′～39°35′之间，地处东部湿润地区和西部干旱区的交界地带，因此省内气候类型多样，可分为暖/中温带半干旱地区(约N37°以北)、暖温带半湿润地区(约N33°～37°)、北亚热带湿润地区(约N33°以南)3大气候区[13-14]；省内地形地貌类型丰富，自北向南依次划分为毛乌素沙地陕北部分、黄土高原、关中平原、秦岭山地、汉江盆地和大巴山山地。

1.2 数据来源和预处理

研究选用MODIS产品之一的MOD13Q1 v006植被指数产品数据集。该数据集包括基于限制视角的最大值合成方法(constrained view angle- maximum value composite，CV-MVC)合成的16 d时间分辨率、250 m空间分辨率的归一化植被指数(normalized difference vegetation index，NDVI)和增强型植被指数等数据。与MOD13Q1 v005数据相比，v006数据在植被指数的运算中使用8 d预合成地表反射率数据而非天数据，改进了NDVI产品在生产过程中的误差，提高了数据精度。产品已经过几何纠正和大气校正。该时间序列数据集从美国国家航空航天局(National Aeronautics and Space Administration，NASA)陆地过程分布式主动存档中心(Land Processes Distributed Active Archive Center, LP DAAC)网站下载(https: //lpdaac.usgs.gov/lpdaac/products/modis products table)，时间覆盖2001年1月—2016年12月，16 a间共368期影像，用于生产陕西省遥感植被物候数据。另外，利用来源于清华大学基于30 m空间分辨率TM影像的土地覆盖分类图(http: //data.ess.tsinghua.edu.cn/)剔除陕西省的非植被覆盖区。

利用MRT工具从MOD13Q1 v006的368期影像中提取NDVI和数据像元可信度这2个数据层，并进行拼接、格式转换和重投影。数据像元可信度是对NDVI数据每个像元数值可信度的说明，与NDVI数据的时间和空间分辨率一一对应，取值范围为-1～3。根据参考文献[15]，利用数据像元可信度对NDVI数据进行预处理，进一步提高NDVI像元的可信度；然后结合30 m空间分辨率的土地覆盖分类图在ArcMap中利用重采样和掩模提取陕西省的植被覆盖区，同时剔除NDVI<0.05的像元，尽量保证每个NDVI像元都是地表植被覆盖区。

2 物候提取

2.1 时间序列重构

目前，用于植被指数数据时间序列重构的方法很多，包括最佳指数斜率提取法、均值迭代滤波法、Hants算法、Savitzky-Golay(S-G)滤波法、非对称高斯函数拟合法、时间窗的线性内插法、双函数拟合方法和小波变换等[16-18]。这些方法中既有基于设置阈值的噪声去除法，也有通过滤波达到平滑效果和以非线性拟合为基础的算法。每种方法均有其优缺点及适用范围，例如，最佳指数斜率提取法能有效处理NDVI曲线中突降的点值，但对异常高值缺乏相应对策，且在处理过程中，经验性要求高[19]；基于傅里叶变换的滤波方法对较为对称的NDVI时序曲线处理效果较好，但对于存在波动的NDVI时序曲线进行平滑容易引入新的人为噪声；非对称高斯函数拟合法对时序曲线进行分段拟合，具有较高的拟合精度，但在实际运算过程中，需要人为确定分段拟合的起始值，明显受制于工作经验，且运算复杂耗时，效率较低；而S-G滤波法采用NDVI数据的上包络线来拟合NDVI时序数列的变化趋势，保留了NDVI曲线的特征，通过一个迭代的过程可消除偏离正常生长趋势线的噪声，而使平滑达到最好的效果[19]。因此，本文选择S-G滤波法进行NDVI时序重构。

S-G滤波法由Savitzky和Golay于1960年提出，是一种滑动窗口的加权拟合算法。其加权系数通过在滑动窗口内对给定高阶多项式进行最小二乘拟合得出。因此，在利用S-G滤波对NDVI时序曲线平滑去噪的过程中，2个参数的设置至关重要，一个是滑动窗口数值，另一个是多项式阶数。一般来说，滑动窗口数值越大，参与拟合的值越多，效果越好，但细节容易被过滤掉，反之则平滑效果不明显；多项式的阶数越高，越易出现过拟合，阶数越低，平滑效果越好，但会引进误差[13,19]。已有研究结果表明，滑动窗口取值一般在3～7之间，多项式阶数一般在2～4之间比较合适[13,19]。因此，本文经过运算结果比较研究后，设置滑动窗口数值为5，多项式阶数为2，进行NDVI时序曲线的S-G滤波，实现NDVI时序曲线重构。

2.2 物候期提取

本研究中提取的植被物候信息主要针对遥感监测，且只考虑一年中只有一个生长期的情况(对于一年中存在2个生长期的地区，提取该地区植被生长期中NDVI值最大的一个生长期)，提取植被生长过程中共同的3个物候期特征指数，分别是植被生长季开始期(the start of season，SOS)、生长季结束期(the end of season，EOS)和生长季长度(the length of season，LOS)。其中，SOS指植被开始增长的日期或者光合作用开始加强的日期；EOS指植被光合作用和绿色叶面积开始迅速下降的日期；LOS指SOS到EOS以天数计的时间跨度[5]。

目前，基于植被指数时序曲线提取遥感物候的方法不少，较常用的有阈值法、最大斜率法、最大比率法和累积频率法等[6,20-22]。考虑到计算效率以及可操作性，采用最大比率法提取陕西省植被物候期。文中日期均采用儒略日计算法，即将每年的1月1日记为第1天。

3 结果与分析

3.1 植被物候多年均值的空间分布特征

图1展示了陕西省遥感植被物候2001—2016年间平均值的空间分布。从图中可以看出，各物候期随纬度变化形成南北差异，随地形起伏变化形成区域差异，总体植被物候的空间分布特征与陕西省不同的地形地貌的空间分布具有较好的一致性。因此在本研究分析中，按照陕西省地形地貌的空间分布特征[23-24]将图1自北向南依次划分为毛乌素沙地陕北部分、黄土高原、关中平原、秦岭山地、汉江盆地和大巴山山地进行讨论。

(a) SOS (b) EOS (c) LOS

陕西省遥感植被物候空间分布特征显示出地域分异规律，展现植被生长受气候和地形影响的一般规律，表现出在不同气候和地形条件下，植被物候时间的差异。例如，暖/中温带半干旱地区(约N37°以北)温度和降水条件相对较差，SOS和EOS均较晚，LOS较短；暖温带半湿润地区(约N33°～37°)、北亚热带湿润地区(约N33°以南)温度和降水条件较好，SOS较早，EOS较晚，LOS较长。不同气候区物候期的差异表明气候对物候产生影响。这与前人的研究成果相似[25]。而在同一气候区内，物候期仍表现出明显的差异，主要表现在地形起伏较大的地区。如暖温带半湿润地区(约N33°～37°)中黄土高原南部、关中平原和秦岭山地3个地区物候期明显不同。

陕西省遥感植被物候的空间分布总体上随纬度和地形发生变化。相对于纬度较低的地区，纬度较高的地区SOS和EOS均较晚，LOS较短。在同一纬度，海拔高的植被SOS晚，EOS早，LOS较短；海拔低的植被SOS早，EOS晚，LOS较长。陕西省遥感植被物候的空间分布特征表现出与其不同地形地貌空间分布较好的一致性。

对于不同的物候期，陕西省遥感植被物候的空间分布差异不同。SOS最明显，与陕西省不同地形地貌的空间分布一致性最佳。主要原因可能是在植被开始生长时，受到环境因素(温度、降水等)的作用，而环境因素又与纬度、地形等条件密切相关，因此SOS表现的一致性最佳。具体来说，从高纬度至低纬度SOS日期在逐渐提前，在陕西黄土高原内部SOS时间呈现出明显的南北差异，黄土高原北部的SOS明显迟于南部，再往南到达关中平原地区，SOS更加提前；在秦岭山地，由于海拔上升，SOS总体较迟且山顶迟于山脚；在纬度进一步降低和海拔有所下降的汉江盆地，SOS又较早；在大巴山山地因海拔升高，SOS又较迟。

EOS的空间分布差异不如SOS明显，与陕西省不同地形地貌的空间分布一致性相对较差。主要原因可能是植被在后期发育以及成熟阶段，植被生长不仅受到环境因素影响，而且植被自身生理条件、土壤状况和病虫害等条件同样对植被生长起作用。尽管如此，EOS仍表现出一定的规律性。从高纬度到低纬度，总体上EOS日期在提前，因为相对于高纬度地区，低纬度地区的热量更充足，植被完成生长所需的积温时间较短；EOS受地形的影响明显，在秦岭山地和大巴山山地可以看出，EOS总体保持着随海拔升高而时间提前的趋势。

LOS的空间分布是SOS和EOS两者的综合，表现出一定的区域差异特征。且LOS从高纬度到低纬度、从高海拔到低海拔，总体上保持着逐渐延长的趋势。从陕西省植被物候2001—2016年各年的时间看，SOS最早出现在第80天之前，最晚出现在一年中第162天之后，平均时间在第120天；EOS最早出现在第220天之前，最晚出现在第300天之后，平均时间在第280天；LOS最短为112 d以内，最长在192 d以上，平均时间为160 d。区域差异明显的物候期平均时间见表1。在气候和地形的共同影响下，汉江盆地的SOS是陕西省几种地形地貌类型中最早的，比最晚的黄土高原早45.9 d。以约N35°为界，EOS北部的地貌类型与南部的地貌类型差异较大，在界限内的地貌类型EOS差异均在7 d以内。LOS的区域差异情况与SOS相似，汉江盆地LOS最长，其次是关中平原，最后是黄土高原。

表1 2001—2016年间各区域物候期平均时间

3.2 植被物候年际变化特征分析

图2显示了2001—2016年间陕西省遥感物候年际变化特征。

(a) SOS (b) EOS (c) LOS

由图2可知，2001—2016年间各物候期呈现提前或推迟的波动变化。总体上，SOS呈波动提前的趋势，变化率约为-0.79 d/a(R2=0.40，P<0.01)，处在1981—1991年期间全球N45°～70°地区的-1～-0.7 d/a[26]的范围内，与中国温带地区1982—1999年间的-0.79 d/a[6]持平，高于全球1981—2003年间的-0.38 d/a[27]，与北半球2000—2008年间的-0.2 d/a[3]的幅度差距较大；EOS呈波动推迟，变化率约为0.50 d/a(R2=0.25，P<0.05)，高于1981—1991年间全球N45°～70°的0.4 d/a[26]、中国温带地区1982—1999年间的0.37 d/a[6]及全球1981—2003年间的0.45 d/a[27]，低于北半球2000—2008年间的0.66 d/a[3]；LOS表现为波动延长，变化率约为1.29 d/a(R2=0.37，P<0.05)，高于中国温带地区1982—1999年间的1.16 d/a[6]。

以上分析可以看出本文提取的陕西省遥感植被物候时间变化率与前人的研究结果存在差异，主要原因可能是时间尺度和区域范围不同导致。在3个物候期的年际变化中，SOS的变化趋势最显著，其次为LOS，EOS的变化趋势显著性最低。对SOS，EOS和LOS分别做相关分析，发现SOS与LOS的相关性比EOS对LOS的相关性更显著。SOS与LOS相关分析结果为N=16，R2=0.90，P=0; EOS与LOS相关分析结果为N=16，R2=0.85，P=0。说明LOS主要与SOS相关，SOS越早，LOS越长。

3.3 植被物候年际变化的空间分布特征

图3展示了2001—2016年间陕西省遥感物候变化趋势的空间分布特征。从图3可以看出，陕西省植被物候在各物候期均有提前和推迟的趋势变化，且SOS和LOS的变化幅度较EOS强；在不同的物候期，不同的趋势变化和变化幅度存在明显的空间分布差异。根据年变化率k和P值的大小，将陕西省2001—2016年间遥感物候年际变化趋势分为3种情况：①当k<0且P<0.2时，显著提前；②当k>0且P<0.2时，显著推迟；③当P>0.2时,无显著变化。对于SOS，陕西省大多数地区表现为提前趋势，且从北到南均有分布，提前幅度在一定区域范围内表现为从北向南逐渐减弱，如黄土高原北部与南部；具有推迟趋势的区域主要分布在毛乌素沙地陕北部分以及约N35.5°以南地区。但在SOS的趋势变化中只有约26.55%(P<0.2)的像元表现出显著性，其中显著提前的区域占总面积的20.96%，提前幅度范围约为1～6 d，且从北向南幅度逐渐减小；显著推迟的区域占总面积的5.58%，推迟幅度约为2～9 d且从北向南幅度逐渐增加。对于EOS，总共约16.46%(P<0.2)的像元表现出显著性。大部分区域表现为推迟趋势，占陕西省总面积的10.1%，推迟幅度约为1～7 d且从北向南幅度逐渐增加。提前趋势主要出现在陕西省中部和东南部，约占总面积的6.39%，提前幅度约为1～7 d，且从北向南幅度逐渐增加。从LOS的变化来看，总共约23.89%(P<0.2)的像元表现出显著性。绝大部分地区表现为延长趋势，约占总面积的18.07%，延长幅度约为2～9 d。缩短趋势主要集中在毛乌素沙地陕北部分和陕西东南角，约占5.82%，缩短幅度约为3～12 d。

(a) SOS年变化率 (b) EOS年变化率 (c) LOS年变化率

(d) SOS变化显著水平 (e) EOS变化显著水平 (f) LOS变化显著水平

3.4 不确定性分析

遥感植被物候的监测基础是植被指数时序变化，因此继承了来源于植被指数本身由于“同物异谱”、“同谱异物”的光谱差异造成的反映地物真实情况的误差。植被信号的强弱也会影响物候的遥感识别，植被信号越强越有利于物候的遥感识别[28]。因此在植被信号相对较弱的陕西省最北部的毛乌素沙地，植被物候期识别可能存在较大误差。在地形相对复杂的秦岭山地和大巴山山地，也因地形(坡度、坡向)、山地气候(云、雨、雾)对植被反射率的影响而影响遥感植被物候的探测精度。此外，本文选取的遥感数据MODIS NDVI的时间分辨率为16 d，在监测植被物候的实时发生日期上可能存在偏差。

4 结论

以具备多种地形地貌和气候类型的陕西省为研究区，在采用S-G滤波法对MODIS NDVI数据进行时间序列重构的基础上，提取了陕西省2001—2016年间的植被物候参数并对结果进行时空特征分析，得出以下结论：

1)陕西省的遥感植被物候空间分布特征与其不同地形地貌的空间分布具有较好的一致性，显示出地域分异规律，其中，SOS的区域差异分布与地形地貌的空间分布一致性最佳，区域差异最明显。

2)陕西省2001—2016年间植被物候的SOS平均时间在每年的第120天，EOS平均时间在第280天，LOS平均时间为160 d。

3)2001—2016年间陕西省植被SOS呈提前趋势，变化率约为-0.79 d/a(R2=0.40，P<0.01)；EOS呈推迟趋势，变化率约为0.50 d/a(R2=0.25，P<0.05)；LOS呈延长趋势，变化率约为1.29 d/a(R2=0.37，P<0.05)。

4)陕西省植被LOS主要与SOS相关，SOS越早，LOS越长。

5)在不同的物候时期，陕西省植被的物候变化趋势空间分布差异较大。SOS显著提前的区域主要分布在陕西黄土高原地区，显著推迟的区域主要分布在陕南和毛乌素沙地陕北部分；EOS显著提前的区域主要分布在关中平原地区，显著推迟的区域主要分布在黄土高原中部和陕西西部；LOS显著缩短的区域主要集中在毛乌素沙地陕北部分，显著延长的区域集中在陕西黄土高原和陕西西部。