魏家玲

(兰州市勘察测绘研究院，甘肃兰州 730030)

生态物候遥感的进展与展望

魏家玲∗

(兰州市勘察测绘研究院，甘肃兰州 730030)

遥感促进了物候学与地球系统科学其他学科的交叉和融合，将物候学研究带入一个新的研究阶段。近年来是物候学特别是遥感物候研究发展的关键时期，本文尝试总结近5年来国际生态物候遥感的研究进展，探讨可能存在的问题:①遥感物候探测的精度还不够高，遥感物候的误差还没有得到系统的评价；②遥感在物候研究中的范围还很有限，特别是动物物候遥感还很薄弱；③专门针对物候探测的定量遥感方法比较缺乏。凝练未来的发展方向:①结果的验证和解释将得到加强；②发展专门的物候定量遥感方法；③物候遥感的集成研究，遥感与模型的有机融合与同化。

：植被物候；生物物候；非特征物候；遥感；气候变化

1 引 言

传统物候学是研究物候现象(包括生物和非生物现象)与环境条件(主要是气候、气象和土壤条件)年周期变化间相互关系的科学，是气候学、农业气象学和生态学之间的边缘学科(竺可桢，1999)。物候现象的变化反映了气候和节令的变化，从我国古代开始就有了现代物候学意义的各种物候记录。传统物候学研究对指导农业生产、推广农业技术、灾害防治、环境规划和治理及认识气候变化对人类影响等方面起到非常重要的作用。

到现在为止，世界上已经建立起相对完整的包括全球、区域和本地尺度的地面物候观测网，形成了一套系统的物候现象观测方法和体系，这些观测网已经积累或还在继续积累着相对丰富和更长序列的地面观测数据，这些数据在各个领域发挥着重要作用。但是，由于几乎所有物候现象在时间、空间上都具有高度的异质性，加强的物候观测网相对于高度的空间异质性而言，依然显得稀少而薄弱，不仅如此，传统物候现象的观测只注重于物候事件的记录，忽略了物候现象连续的“量变”过程观测，导致基于这些点上观测的研究结果都具有较大的不确定性。

近5年是国际特别是中国地球系统科学研究的大发展时期。本文简单总结了近5年来国际生态物候遥感的主要工作进展，展望国际生态物候遥感的发展方向。

2 近5年(2004年～2009年)的主要工作

2.1 植物物候

植物物候是传统物候学的主要研究内容之一，主要研究各种植物特别是农作物的发芽、展叶、开花、结实、叶变色、落叶等物候现象的时间变化。在全球变化成为热点的今天，植物物候遥感主要关注区域到全球尺度的生物-气候关系和陆地生态系统碳循环方面。

首先，遥感植被指数特别是归一化植被指数(NDVI)和增强型植被指数(EVI)在植被物候探测中得到广泛应用。而且，遥感物候研究人员已经意识到被广泛使用的遥感归一化植被指数(NDVI)数据存在许多问题，特别是在良好植被区域NDVI的饱和问题。

在认识到NDVI问题的同时，许多植被物候遥感研究应用中开始考虑这个问题。如B.Duchemin等2006年在评价用NDVI估算小麦LAI和作物系数的误差的基础上，基于Landsat7-ETM+数据估算了作物生长季开始和中期的LAI和作物系数，结果显示了实验区3 km×3 km灌溉区域作物生长和需水量的时空变化，可用于了解水分分布并指导有效灌溉，研究指出更高时空分辨率卫星数据的更加可用将有望实现区域尺度农作物和灌溉的业务化监测(B.Duchemin，2006)；Bethany于2007年介绍了一种既不需要空间也不需要时间平均的曲线拟合的方法，可降低时间序列遥感数据受大气和传感器的影响。该方法包括两步:首先，应用谐波分析方法对年平均物候进行模拟；其次，应用样条方法对年际物候进行模拟。这样，离群数据或者缺失数据被最小化的同时，所建立的时间序列的主要属性(如振幅、绿色期的开始、平滑或粗糙)被捕捉到，最小平方回归方法用于捕获上面说的NDVI值，Bethany在美国西部几种土地覆盖类型对该方法进行了测试，发现在土地覆盖类型内部，绿色期开始的年平均变异期小于8 d，表明曲线拟合在相似的土地覆盖类型内部是一致的。从1990年～2002年，根据土地覆盖类型的不同，绿色期开始的时间变异在17 a～35 a之间，表明年际曲线拟合成功捕捉到了真实的年际变异。该方法增强了年际物候现象的遥感观测能力，可以更好地理解局部和区域土地覆盖变化趋势(Bethany et al，2007)。

干旱生态系统的地上部净初级生产力(ANPP)与降水的时空分布关系复杂，基于NDVI(代表ANPP)，I. Fabricante等2009年在巴塔哥尼亚北部草原分析了年NDVI和月NDVI的年际变异与降水的关系。发现年NDVI与年降雨的相关性很小，相反，降雨累积与NDVI年际变异普遍具有较高的相关性。季节NDVI年际变异与当前的季节降雨的相关性也很小，相反，降雨累积与季节NDVI年际变异显著相关，相关程度依据不同的季节和环境条件而不同。干旱生态系统中，NDVI与降水有更强的联系。NDVI对降水的滞后响应为预报ANPP提供了可能(I.Fabricante，et al，2009)。

气候变化可预见的改变温带和北方森林的冠层物候，从而影响碳、水和能量平衡。因此，有必要评价遥感产品对于精确捕捉冠层动态的潜力。Douglas等2006年在美国威斯康星州北部的落叶阔叶林，开展了2002年MODIS光合有效辐射比率(FPAR)和植被面积指数(PAI)产品与地面观测进行了对比。尽管MODIS产品在上层林冠展叶期高估了叶面积，但其能捕捉一般的冠层物候现象，地面观测数据表明，从芽膨大到冠层成熟或者最大植被面积指数发生在10 d～12 d，而MODIS产品观测的冠层发绿时间和冠层成熟时间分别早于野外观测1 d～21 d和0 d～19 d。MODIS数据的时间序列组合和林下叶层发展很可能是解释其与地面观测数据差别的关键因素。最大植被面积指数在地面观测与MODIS叶面积指数之间估计只有7%的差别。这表明对于生态系统碳水交换的模拟及未来的研究需要认真讨论(Douglas E.Ahl，et al，2006)。

值得关注的是，微波遥感被用于植被物候研究中来。如Qilong Min等2006年根据微波发射率差值植被指数(EDVI)与冠层叶生理的关系，研究了微波遥感监测植被物候中的可能性，研究发现，EDVI对冠层植被水分含量的变化敏感，相对于地面观测，根据长时序EDVI估计的春季物候期和生长季精度分别为3 d和7 d，植被展叶期也可以根据归一化的EDVI监测，由于微波遥感不受白天、黑夜和天气的影响，EDVI可为植被物候监测提供比当前广泛使用的非微波遥感指标如NDIV更高的时间分辨率(Qilong Min，et al，2006)。

2.2 动物物候

动物的蛰眠、复苏、始鸣、交配、繁育、换毛、迁徙等，均与节候有密切关系。动物物候也一直是物候学研究的主要内容之一。尽管遥感信息对动物活动时间变化并不敏感，但动物活动并不是不完全影响遥感信号相对敏感的动物生境，通过对与动物活动相关的特征的遥感则可能实现动物物候的“间接”遥感。

遥感观测为陆地植被生产力的探测提供了有效、大面积可重复覆盖的唯一方式。最近基于遥感FPAR发展的动态生境指数(DHI)已经显示出其集成遥感观测生境机制的有效性，已经在加拿大甚至整个美洲的鸟类调查中得到成功应用。基于遥感动态生境指数与物种多样性的良好关系，Nicholas C.Coops等2009年研究了用遥感动态生境指数进行动物栖息条件的特征化和监测的可能性，利用北美2000年～2005年遥感FPAR数据和遥感动态生境指数，根据不同的陆地生态区域结合各自的生态特征，分别与动态生境指数进行对比并综合分析6年间动态生境指数时间周期的变化及其可能隐含的陆地生物多样性特征。动态生境指数的指数的潜在应用还在讨论中(Nicholas C.Coops，et al，2009)。

2.3 非生物物候

非生物物候是指研究非生物物候现象如始霜、始雪、结冻、解冻等的时间变化。非生物物候包括许多方面，湖冰物候是非生物物候遥感的典型代表，另外，本文也将火的时空变化监测归入非生物物候的范畴。

Stephen E.L.Howell等2009年应用QuikSCA卫星后向散射系数的时间序列监测加拿大大熊湖和大奴湖的湖冰物候，结果显示，后向散射系数时间序列可用于探测湖冰融化、冻结和完全冻结和融化的日期，发展了一个湖冰物候算法用于评价两大湖2000年～2006年的时空变异，结果表明，大奴湖的融化开始日期为每年的第123天，平均完全融化日期为第164天，平均开始冻结日期为第330天。对于大熊湖，平均发生日期分别为第139天、第191天和第321天。大熊湖冰覆盖至少保持5个星期比大奴湖长，大奴湖融化的比较早。空间上，大熊湖的第一次融化出现在东部，第一次完全为水出现在东南部和西部，第一次冻结出现在北部沿线；大奴湖的第一次融化出现在中部，同时在融季后期很快发展到北部和东部，中部完全融化早于外围是因为奴河放水引起的，大奴湖的冻结日期发生在东部，紧接着北部和西部也开始融化，最后是中部(Stephen E. L.Howell，et al，2009)。

2.4 物候遥感结果的验证

遥感方法已被证明是监测植被对全球气候变化的响应有价值的工具。如AVHRR和MODIS遥感数据已经被广泛用于大尺度的物候探测。由于遥感数据分辨率相对较粗，并受大气、地形、传感器标定等方面的影响，这势必会对遥感的物候结果产生影响。随着遥感物候应用的广泛和深入，研究人员开始关注遥感物候结果的精度问题，并考虑与地面观测的可能结合。如Jeremy I.Fisher等在2006年和2007年指出，大多数遥感物候产品之所以缺少验证，是因为因为粗分辨率尺度上的野外验证是一项有挑战的工作，地面和遥感物候观测结果在时间和空间上融合也少见成功。

为了补充这方面的工作，Jeremy I.Fisher等2006年利用地面物候观测对高分辨率Landsat卫星和MODIS粗分辨率物候观测进行验证，量化的两种尺度遥感物候结果的精度。平均的遥感物候信息是精细尺度到粗尺度的统计转换，微气候引起的物候空间异常质性是造成地面与遥感观测不一致的主要原因。另外，在计算绿色植被时间序列时附加20%的随机噪声对落叶林的展叶时间和落叶时间分别产生1.8 d和±3.0 d影响。作者相信我们观测到的是受强烈的噪声影响的信息，并强烈建议在以后的遥感物候研究中尽可能地保留和利用遥感时间信息(Jeremy I.Fisher，2006)。作者2007年进一步证明了这个结论。在美国马塞诸塞州和新罕布什尔州两个森林试验区对比了2000年到2005年的地面物候记录和遥感结果。MODIS数据成功预测了马塞诸塞州试验区86%的变异和新罕布什尔州试验区70%的变异，后者的地形更加复杂，可能是关键的误差源之一。遥感数据在两个相对简单的落叶林点有效的估计了物候的年际变化且结果有较好的一致性，遥感得到的物候年际变异幅度相对于地面观测可能被降低40%～50%。作者建议年际物候的连续分析将是监测植被对全球尺度气候变化响应的有效工具(Jeremy I.Fisher，2007)。

3 总结与展望

3.1 总结

近5年来，生态物候遥感研究轰轰烈烈，进展明显。首先，应用于生态物候探测的遥感数据更加丰富。除了过去常用的遥感植被指数特别是NDVI更广泛和深入的应用外，其他遥感指标如光谱反射率、叶面积指数、光合有效辐射比例也被广泛应用，值得关注的是，微波遥感的归一化水分指数(NDWI)等也逐渐应用于植被物候遥感中，由于微波的全天时全天候特征，其有效扩展了遥感物候的精度，并有更大的发展潜力。其次，物候遥感的方法不断创新，由过去简单的统计方法，如直线、曲线、分段拟合到如今更加复杂和成熟的时间序列分析方法，如小波变换等，半经验半物理的物候模型也开始基于遥感数据建立并与遥感相结合，开始在物候探测和预报中发挥作用，预示着多源信息融合方法的初步成功。第三，开始关注遥感物候结果的验证和尺度问题，结合多尺度遥感和地面物候观测，为生态物候各方面的研究提供更加确定的信息。第四，遥感正在发挥着桥梁的作用，连接了物候学与其他学科特别是生态学的关系，现在物候学研究已经远远超出了传统物候学研究范围，与全球变化研究特别是全球变化生态学紧密相连，成为研究气候变化的重要方面。

3.2 展望

(1)加强结果验证与比较

结果验证需要长期、系统、规范的地面物候观测，因此，加强全球性的物候地面协同观测网络建设是物候遥感方面进一步发展的基础。在此基础上，发展尺度转换方法和误差评价方法，对物候遥感各方面的精度作出系统的评价，定量化遥感数据本身的误差及其对物候结果产生的可能影响。另外，各个研究的横向比较也是验证的重要方式，对现有研究适时系统的总结和分析，将会有益于研究的深入。

(2)遥感与模型的有机融合

研究大尺度的物候现象，获取完整的物候事件的时空变化信息，并实现未来物候的预测，都离不开模型模拟和观测这两种基本手段。它们有着各自的优势，模型模拟的优势在于依靠其内在的物理过程，可以给出所模拟对象在时间和空间上的连续演进；而观测的优势在于能得到所测量对象在观测时刻和所代表的空间上的“真值”。

在物候学研究中，模型与遥感的结合以下两个方面将是未来可能的发展方向。

①陆面过程模型中物候参数的遥感

物候模块一直是陆面过程模型不可缺少的组成部分，物候参数化的精度直接影响许多过程特别是生态过程的模拟精度。不断集成的陆面过程模型对物候参数的精度提出更高的要求。传统物候参数的确定主要基于物候变量如积温法结合其他气候变量确定，然后根据不同植被功能类型的最大叶面指数参数计算出各类型逐日的叶面积指数(Samuel Levis，et al，2004)，遥感叶面积指数可为陆面过程模型提供逐日叶面积指数的直接输入，因此，物候遥感与模型结合的首要方式就是为模型提供更确定的物候参数。

②物候模型与遥感数据结合

模型与遥感结合的另一个表现为技术层面，陆面数据同化将为这两种信息的结合提供平台。陆面数据同化是兴起于20世纪90年代末期的一个新领域，是陆地表层科学和遥感科学的前沿之一。它的核心思想是融合陆面过程模型和不同来源、不同分辨率的观测——特别是遥感观测，以提高对地表变量的估计精度。生态过程模型可为物候同化系统提供物候状态预报，遥感为同化系统提供关键观测，两者经过连续的误差分析机制，共同作用于物候状态。将陆面数据同化方法用于物候预报将是一个新的研究方向，会大大促进物候遥感的发展。

总之，遥感将物候学研究带到了一个地球系统科学综合集成研究的时代。在这个集成的环境中，物候学本身又得到新的发展，相信，在科学问题与应用需求的双重驱动下，物候学将得到更大的发展。

[1] Elsa E.Cleland，Isabelle Chuine，Annette Menzel.Shifting plant phenology in response to global change[J].Trends in Ecology and Evolution，2007，22:357～365.

[2] 竺可桢，宛敏渭.物候学[M].长沙:湖南教育出版社，1999，1～4.

[3] Xiaoyang Zhang，Mark A.Friedla，Crystal B.Schaaf et al. Monitoring vegetation phenology using MODIS[J].Remote Sensing of Environment，2003，84:471～475.

[4] Bethany A.Bradley，RobertW.Jacob，John F.Hermance et al.A curve fitting procedure to derive inter-annual phonologies from time series of noisy satellite NDVI data[J].Remote Sensing of Environment，2007，106:137～145.

[5] I.Fabricante，M.Oesterheld，J.M.Paruelo.Annual and seasonal variation of NDVI explained by current and previous precipitation across Northern Patagonia[J].Journal of Arid Environments，2009，73:745～753.

[6] Jeremy I.Fisher，John F.Mustard.Cross-scalar satellite phenology from ground，Landsat，and MODIS data[J].Remote Sensing of Environment，2007，109:261～273.

[7] Jeremy Isaac Fisher，John F.Mustard，Matthew A.Vadeboncoeur.Green leaf phenology at Landsat resolution:Scaling from the field to the satellite[J].Remote Sensing of Environment，2006，100:265～279.

[8] B.Duchemin，R.Hadria，S.Erraki，et al.Monitoring wheat phenology and irrigation in Central Morocco:On the use of relationships between evapotranspiration，crops coefficients，leaf area index and remotely-sensed vegetation indices[J]. AgriculturalWater Management，2006，79:1～27.

[9] Douglas E.Ahl，Stith T.Gower，Sean N.Burrows，et al.Monitoring spring canopy phenology of a deciduous broadleaf forest using MODIS.Remote Sensing of Environment，2006，104:88～95.

[10] R.Stöcki，T.Rutishauser，D.Dragoni，et al.Remote sensing data assimilation for a prognostic phenologymodel[J].Journal of Geophysical Research:Biogeosciences.

[11] Stephen E.L.Howell，Laura C.Brown，Kyung-Kuk Kang，et al.Variability in ice phenology on Great Bear Lake and Great Slave Lake，Northwest Territories，Canada，from Sea-Winds/QuikSCAT:2000～2006[J].Remote Sensing of Environment，2009，113:816～834.

[12] Min，Q.，Lin，B.Determination of spring onset and growing season leaf development using satellite measurements[J]. Remote Sensing of Environment，2006，104，96～102.

[13] Samuel Levis，Gordon B.Bonan，Mariana Vertenstein，et al. The Community Land Model’s Dynamic Global Vegetation Model(CLM-DGVM):Technical Description and User’s Guide[R].NCAR Technical Note NCAR/TN-459+LA，NCAR，Boulder，Colo，2004.

Progress of Remote Sensing in Ecological Phenology

Wei Jialing
(Lanzhou Geotechnical Investigation and Surveying Research Institute，Lanzhou 730030，China)

Remote sensing science promote the cooperation between phenology and other subjects in earth system science and leading phonological research into a new phase.In recent years，it is critical period for remote sensing in ecological phenology research and development，thismanuscript attempts to summarize the achievement in last5 years.Some discussion is giving for possible problem in this field including:①The accuracy of phonological event detection derived from remote sensing image is notenough and the error has notbeen evaluated systematically.②The range of remote sensing application in phonological research is still limited，especially in aspect of animal phenology.③The quantitative remote sensing methods is not existing focus on phenology research.④The case of remote sensing phonological research have a variability.Some aspects is giving also for future development as following:①The validation of remote sensing phonological research should be strengthened，the errorwill be given with phonological results.②The quantitative remote sensingmethod will be developed for phonological events.③The integration of remote sensing，ground observation and model information will be promoted by a strong assimilation system.

phenology；remote sensing；ecology；data assimilation；climate change

1672-8262(2013)04-104-04

TP79，P407

A

2012—11—29

魏家玲(1982—)，女，助理工程师，现主要研究遥感信息分析与应用模型。