img

官方微信

遥感技术与应用, 2020, 35(3): 558-566 doi: 10.11873/j.issn.1004-0323.2020.3.0558

LUCC专栏

时序数据集构建质量对土地覆盖分类精度的影响研究

董超,1,2, 赵庚星,2

1.山东农业大学信息科学与技术学院,山东 泰安 271018

2.山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东 泰安 2710181

Influence of Time Series Data Quality on Land Cover Classification Accuracy

Dong Chao,1,2, Zhao Gengxing,2

1.College of Information Science And Engineering, Shandong Agricultural University, Tai'an 271018, China

2.College of Resources and Environment, National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Shandong Agricultural University, Tai'an 271018, China

通讯作者: 赵庚星(1964-),男,山东垦利人,教授,博士生导师,主要从事土地资源及信息技术研究。E⁃mail:zhaogx@sdau.edu.cn

收稿日期: 2019-04-15   修回日期: 2020-05-15   网络出版日期: 2020-07-03

基金资助: “十二五”国家科技支撑计划项目.  2015BAD23B0202
“双一流”奖补资金.  SYL2017XTTD02

Received: 2019-04-15   Revised: 2020-05-15   Online: 2020-07-03

作者简介 About authors

董超(1984-),男,山东昌邑人,讲师,主要从事农业信息技术研究E⁃mail:dongchao@sdau.edu.cn , E-mail:dongchao@sdau.edu.cn

摘要

研究通过对MODIS双星数据组合、线性插值和HANTS平滑方法来提升时序数据集质量,采用随机森林的方法分类,对分类结果精度评定以分析时序数据集构建质量对分类精度的影响。结果表明:双星数据有利于提高时序数据集的时间分辨率,精确刻划覆盖变化,为后续处理提供基础;线性插值可改善像元点的质量,降低云、雨因素影响;HANTS平滑能移除异常值,平滑数据,突出曲线特征,降低分类复杂度。改进质量后的时序数据集,分类总体精度从84.32%提高至90.75%,Kappa系数从0.798 6提高至0.881 6。总之,使用时序数据进行土地覆盖分类时,应以消除异常值,真实反映地表覆盖物候特征为目的提高时序数据集的质量,从而提高分类精度。

关键词: MODIS ; 时间序列 ; HANTS ; 精度评价 ; 随机森林

Abstract

This paper improved the quality of time series data sets through threemethodsdouble star data combination of MODIS, linear interpolation and HANTS smoothing. In this study, we used random forest classification and analyzed the impact of the quality of time series dataset construction on classification accuracy though evaluating the accuracy of classification results. Results showed that the double-star data was beneficial to improve the temporal resolution of time series dataset, accurately depict the coverage change, and provide the basis for subsequent processing; linear interpolation could improve the quality of pixel points and reduce the influence of cloud and rain factors; HANTS smoothing could remove outliers, smooth data, highlight curve features, and reduce classification complexity. After improving the quality of the time series data set, the overall classification accuracy increased from 84.32% to 90.75%, and the Kappa coefficient increased from 79.86% to 88.16%. In a word, when using time series data for land cover classification, the quality of the time series data set should be improved to eliminate the outliers and truly reflect the surface covering phenological features, and the classification accuracy of the results should be improved.

Keywords: MODIS ; Time series ; HANTS ; Accuracy assessment ; Random forest

PDF (5102KB) 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

董超, 赵庚星. 时序数据集构建质量对土地覆盖分类精度的影响研究. 遥感技术与应用[J], 2020, 35(3): 558-566 doi:10.11873/j.issn.1004-0323.2020.3.0558

Dong Chao, Zhao Gengxing. Influence of Time Series Data Quality on Land Cover Classification Accuracy. Remote Sensing Technology and Application[J], 2020, 35(3): 558-566 doi:10.11873/j.issn.1004-0323.2020.3.0558

1 引 言

土地覆盖信息是模拟全球陆地生态系统能量交换[1,2]、生物多样性[3,4]、人地关系[5,6]等研究问题的重要输入参数。利用遥感影像研究土地覆盖及其变化已成为全球变化定量研究的普遍趋势[7,8,9,10]。遥感影像分类是土地覆盖信息提取的重要手段,提高分类精度和分类效率更是遥感应用研究的热点。

中分辨率卫星传感器,如中分辨率成像光谱仪(MODIS),具有丰富的波谱信息、较高的时间分辨率和较大的覆盖范围,适合大尺度、长时间段的地表覆盖分类研究。但由于其空间分辨率较低,存在大量混合像元,分类结果精度具有较大的不确定性[11]。将高时间分辨率的卫星植被产品数据按时间顺序排序合成时间序列数据集,引入描述植物生长周期性的物候学特征进行分类,可以明显改善因中分辨率卫星空间分辨率较低带来的分类精度问题[12]

尽管如MODIS数据产品已经采用质量驱动、视角约束和最大值合成等方法[13,14,15]能在一定程度上提高数据质量,但时间序列数据构建时由于卫星传感器自身性能、云层和大气条件等因素影响[16],仍不可避免存在噪声问题,影响进一步的应用。为有效解决这些问题,有必要进一步对数据质量进行优化。Onojeghuo等[17]将MODIS时序数据与Landsat数据利用时空自适应反射率融合模型融合,生成更精细时空分辨率数据。王正兴等[18]采用“错位8 d”合成将MODIS时序分辨率提高到8 d。Olivier等[19]利用时间序列时间滑动窗口内插提高覆盖分类精度。另外,还有基于非对称的高斯函数拟合法,Savitzky-Golay滤波等方法移除噪声影响。综上,时间序列数据集质量主要受到时空分辨率高低[20],数据像元质量[21],数据重构算法 [22]的影响。而时间数据集质量决定了分类结果的有效性。虽然土地覆被分类精度还可以通过优化分类方法[23],优选分类组合特征[24]的方式提高,但通过数据预处理提升时序数据质量是提高分类精度的基本保障。

因此,使用Aqua和Terra双星数据构建MODIS-NDVI时序数据集,利用质量控制数据线性插值和HANTS谐波平滑方法(Harmonic Analysis of Time Series,HANTS)构建不同质量时序数据集方案,以山东省为研究区,采用随机森林方法,对土地覆被进行分类和精度评定,基于分类结果精度分析时序数据集构建质量对土地覆盖分类精度的影响。本研究旨在揭示时序数据集构建质量与分类精度关系,为利用遥感技术快速、准确绘制大尺度地面覆盖地图提供技术支持和科学指导。

2 数据与方法

2.1 研究区概况

山东省位于中国东部沿海、黄河下游,34°22.9′~38°24.01′ N、114°47.5′~122°42.3′ E之间。全省土地总面积15.79万km2,省内土地开发利用程度较高,主要包括耕地、林地和建设用地等利用形式。其中耕地7.61万km2,占土地总面积的48.18%;园地0.71万km2,占土地总面积的4.55%;林草地1.92万km2,占土地总面积的12.17%;建设用地2.40万km2,占土地总面积的10.21%;水面面积1.61万km2,占全省面积10.21%[25]

2.2 数据来源

研究主要采用了Terra星的MODIS的MOD13Q1(h27v05)产品和Aqua星的MYD13Q1(h27v05)产品。数据从LAADS DAAC(Level 1 and Atmosphere Archive and Distribution System)上获取(https://ladsweb.modaps.eosdis.nasa.gov)。MOD13Q1和MYD13Q1产品由16 d植被指数最大值合成,空间分辨率为250 m。产品中包含NDVI、EVI、质量数据等文件。数据覆盖时间为2016全年,共46景卫星数据。本研究验证使用山东省测土配方施肥项目中1∶50万比例尺土地利用现状数据(2010年)和Google Earth高清卫星影像数据。

2.3 数据预处理

MODIS数据产品(MOD13Q1、MYD13Q1)为正弦投影,数据格式为HDF-EOS。主流遥感软件不支持正弦投影,使用NASA提供的MODIS重投影工具(MODIS Reprojection Tool,MRT)将投影转换为UTM投影,提取其中的NDVI和质量数据并转为Tiff格式。将数据按研究区边界裁剪后组合成MODIS-NDVI时间序列数据集。

2.4 研究方法

通过构建不同质量方案的MODIS-NDVI时序数据集,采用随机森林分类的方法,获取2016年山东省土地覆盖分类图,利用精度评价评估时序数据质量对分类精度的影响,研究步骤如下:

(1)研究将时序数据集质量因素分为时间分辨率影响,像元质量影响和数据重构影响。时间分辨率采用单星数据和双星数据分别构建时间序列的方法对比分析影响;像元质量采用利用像元质量控制数据时间窗口线性内插的方法;数据重构采用HANTS平滑的方法。为精确评估时序数据集质量对分类精度的影响,设计时序数据集构建方案如表1所示。数据集中Y和P对比HANTS平滑处理影响,P和PS对比平滑插值的影响,23和46对比时间分辨率增加的影响。

表1   不同质量时序数据集对照表

Table 1  Comparison table of different quality time series data sets

数据集名称Terra数据Aqua数据线性插值HANTS
Y23
Y46
S23
S46
P23
P46
PS23
PS46

新窗口打开| 下载CSV


(2)时间序列数据集合成。由于Aqua和Terra双星数据采用“半合成期错位”方法,每个合成时间节点相差8 d,将数据按时间从2016年第001天至第361天排序合成时间序列数据集。单星合成数据一年包含23个时间波段,双星数据一年包含46个时间波段。

(3)线性插值。MODIS数据提供了产品质量控制数据(Quality control,QC),质量控制数据包括像元可靠性(pixel reliability)和植被指数质量(VI quality)两种标记。前者使用二进制数标记了像元数据的质量,如高质量数据(值标记为0)、边际数据(值标记为1)和有云、雪数据。为尽可能消除数据像元因云、雪等因素带来的影响,对其进行线性插值处理。基本原理为同一空间位置像元,时间序列位置越靠近其值越相近。插值步骤为:按时间顺序依次检查像元可靠性的标记,记录标记为云、雪标记的像元位置,找出MODIS-NDVI时间序列对应位置,对其时序上临近的标记为高质量的数据节点进行线性插值替换记录位置的像元值。

(4)HANTS平滑。为进一步移除噪声和保持数据的一致性,采用HANTS方法对MODIS-NDVI时序数据集进行平滑处理,提高时序数据的质量。HANTS方法是一种物候分析方法,该方法将数据经傅里叶变换与最小二乘法拟合进行插值,可以获得新的更为光滑时间序列。

(5)训练集和验证集的构建。包括样点的创建和样点标记。考虑山东省内东西差异较大(经差8°)及生长环境的区域差异,将研究区划分为50 000 m×50 000 m的格网,统计网格内土地利用现状类别,按类别复杂度共生成586个训练样点和423个验证样点(图2)。

图1

图1   研究技术路线图

Fig.1   Research technology roadmap


图2

图2   训练样点分布图

Fig.2   Training sample distribution diagram


为保证训练样点和验证样点的精度,样点标记时基于以下3个数据共同判定其类别:①研究区土地利用现状数据;②Google Earth中的高清卫星影像;③MODIS-NDVI时序数据曲线。首先统计研究区土地利用现状图中的地类类别,基于MODIS-NDVI时序数据集分类特征和空间分辨率建立新的地类类别,类别对应关系见表2。根据土地利用现状类别和地类对照表,确定数据集初始类别。根据MODIS时序曲线特征初步判断验证点的类别,结合GoogleEarth高分辨率卫星影像进一步确定验证数据类别,构建训练样点数据集。

表2   地类分类对照表

Table2  Comparison table of geographical classification

土地利用地类遥感分类地类土地利用地类遥感分类地类
水田

耕地

(一季作物、 两季作物)

坑塘水面水域
水浇地养殖水面
旱地河流水面
果园林草地湖泊水面
有林地水库水面
天然草地城市建设用地
荒草地农村居民点

新窗口打开| 下载CSV


(6)覆盖分类。随机森林分类方法是基于分类回归树(Classification and Regression Trees,CART)的一种集成学习方法,属于机器学习算法的一种,基于多次抽样算法获得多个随机样本,并通过这些样本分别生成决策树,构成随机森林。最终类标签是由单个决策树分配的类标签最多数投票决定,对于训练数据的过拟合和离群值具有较好的抗干扰能力。本研究使用ENMAP Box v2.2 提供的随机森林模块对研究区时序数据进行分类。

(7)精度评价与分析。计算设计质量方案时序数据集分类结果与验证数据集的混淆矩阵。根据分类精度评价结果,统计错分类别时序曲线,分析构建质量与分类精度之间的影响。本研究使用ENMAP Box 2.2软件进行随机森林的分类和结果的评价工作,使用ArcGIS 10.1完成研究结果的制图和分析。

3 研究结果

3.1 精度验证

图3为不同质量数据集的分类精度,图中显示PS46总体精度为90.75%,Kappa系数为88.16%,在所有数据集中分类精度最高。Y23总体精度为84.32%,Kappa系数为79.86%,是分类精度最低的数据集。随着时间分辨率增加,线性插值处理和HANTS平滑处理,数据集质量增加,分类结果精度也相应提高。

图3

图3   不同处理分类精度

Fig.3   Classification accuracy of different treatments


图3显示PS、S和P处理的数据集分类精度高于Y,表明线性插值和HANTS平滑处理能提高数据集的质量,提高分类精度。P46精度比Y46高了2.83%,PS46精度比P46高了3.09%,线性插值处理对于HANTS平滑处理提升还是较为明显的。

图3对比分析可见,高时间分辨率的数据集分类精度高于低时间分辨率数据集,相差最小的是Y23和Y46,为0.51%;相差最大的是PS23和PS46,为4.63%。当数据不进行平滑处理时,单纯提高时间分辨率并不能明显提高分类精度;反之, HANTS平滑处理需要基于较高的时间分辨率数据才有较好的效果,而时间分辨率提高对线性插值效果并不明显。另外低时间分辨率数据集的分类精度增加低于高时间分辨率数据集分类精度增加,且PS23的分类精度低于PS46,可见当时间分辨率较低时,其他提高数据质量的方法效果不明显。

表3统计了类别的用户精度和制图精度。表中显示分类用户精度较高的地类为水域、两季作物、建设用地,制图精度较高的地类是建设用地、林草地、两季作物。一季作物在所有地类中分类精度最低。随着数据集质量的增加所有地类的分类精度都有一定程度的提高,但水域地类精度没有增加,反之出现降低的情况。对比不同时间分辨率数据集,一季作物、水域分类精度受影响较大,两季作物、林草地分类精度影响较小。线性插值精度影响较大的为林草地和水域,平滑处理精度影响较大的是水域和一季作物。

表3   不同处理时序数据集分类精度

Table3  Classification accuracy of different processing time series datasets

两季作物林草地水域建设用地一季作物
Y23用户精度93.4476.7410083.8268.12
制图精度88.3789.1978.5789.0671.21
Y46用户精度92.6279.0110085.2968.92
制图精度87.6086.4978.5790.6377.27
S23用户精度96.0978.8397.7893.4480.88
制图精度82.1789.1978.5789.0683.33
S46用户精度99.2279.7397.7393.3378.57
制图精度82.0589.8776.7987.0583.33
P23用户精度94.9680.4997.7385.2967.11
制图精度87.6089.1976.7990.6377.27
P46用户精度98.1881.1894.1283.5678.57
制图精度83.7293.2485.7195.3183.33
PS23用户精度93.5580.7210086.3670.83
制图精度89.9290.5478.5789.0677.27
PS46用户精度95.8086.8496.4392.3180.82
制图精度88.3789.1996.4393.7589.39
平均用户精度94.7680.8398.0586.1172.40
制图精度87.6089.6482.4491.4179.29

新窗口打开| 下载CSV


3.2 精度影响分析

3.2.1 时间分辨率增加对精度影响分析

图4(a)和4(c)分别显示两季作物和林草地在不同时间分辨率下的原始数据曲线。从图中可以看出,双星数据提高了时间分辨率,但也使曲线不平滑程度加剧。图4(b)和4(d)是平滑后的曲线图。图中显示100~150 d的两季地类和林草地,低时间分辨率的NDVI特征被消除了,而高分辨率的曲线保留了NDVI此区间内凸峰的特征。分析原因可能是100~150 d时间段内,植被变化较快,但影响观测的因素发生较为频繁,双星数据因具有更多的时间节点,作物生长的阶段特征在平滑后还能够很好的保留。可见时间分辨率增加为时序曲线更精确描述物候特征提供了可能。

图4

图4   不同时间分辨率曲线对比图

Fig.4   Comparison of different time resolution curves


图5显示随机森林分类中各时间节点对分类结果的贡献度。因为构建的是MODIS-NDVI时序数据集,主要体现植被的覆盖程度,所以贡献度较高的数据集中于地面植被较活跃的时间段内。其中100~150 d内时间节点的重要程度较高,双星数据因为提供了足够的时间节点,保留了这一阶段的特征,提高了分类精度。另外图5可见,随时间分辨率增加相邻时间节点的重要性并没有降低,时间分辨率提高对于分类精度是有效的,并不是增加冗余数据。

图5

图5   时间节点重要性对比图

Fig.5   Comparison chart of time node importance


3.2.2 线性插值对精度影响

图6(a)为林草地曲线,原始曲线Y46在时间序列175~225 d内有两个极低的异常值,这一时间段处于夏季,云、雨天气较多。线性插值处理是通过检查像元质量数据,对标记为云、雪的像元进行前后时间节点进行线性插值。可以看出,经过线性插值处理后,曲线异常值减小,但因该时间节点前后高质量像元不足,还是有小的锯齿形状。由图6(b)可见,如果没有经过线性插值处理,P46呈两季作物特征,而PS46异常值已经在可修正的范围,平滑结果为林草地类曲线特征。

图6

图6   线性插值处理对比图

Fig.6   Contrast graph of linear interpolation processing


图6(c)显示低时间分辨率数据集及经过线性插值处理后的曲线,图6(d)显示对应平滑后的效果,可以看出即使经过线性插值处理,但因时间分辨率较低,没有足够的临近像元参与插值处理,最终平滑结果PS23在175~225 d这一阶段NDVI比实际值低。

3.2.3 HANTS平滑对精度影响

HANTS方法可以对时序数据平滑移除异常值,填补空隙或者丢失的数据,还能起到数据压缩的作用。图7显示所有地类训练数据的时序曲线均值,图7(a)是未经平滑处理前的数据,曲线即使平均处理后,仍旧存在与实际覆盖情况不符的异常值。图7(b)是经过HANTS平滑处理后的时序数据曲线,曲线特征明显,没有明显异常值。

图7

图7   HANTS平滑曲线对比

Fig.7   HANTS smooth curve contrast


表4显示地类时序曲线的统计值,所有地类在平滑后因异常值的移除,值域区间缩小,标准差相应也减小。数据变化波动的减小减少了随机森林分类器处理的情况类别。我们统计了分类的训练时间和分类时间(表5),可以看出平滑可以降低分类所用时间,高时间分辨率数据PS46分类时间比Y23少了2 s,因此平滑能够降低分类的复杂度,从而提高分类精度。

表4   曲线平滑统计表

Table4  Curve smoothing statistics table

两季作物一季作物林草地水域建设用地
Y46P46Y46P46Y46P46Y46P46Y46P46
均值5 023.285 022.783 684.123 683.634 841.324 840.8251.9151.992 011.262 010.76
最小值2 666.992 841.891 799.571 848.472 498.692 800.26-1 841.73-1 300.211 011.111 140.41
最大值8 143.528 579.487 881.157 726.977 625.727 308.472 386.401 753.773 059.352 891.24
标准差1 712.041 638.951 840.821 824.661 682.771 657.611 010.20957.94622.89609.75

新窗口打开| 下载CSV


表5   不同处理时序数据集分类时间

Table5  Classification time of data sets in different processing time series

Y23Y46S23S46P23P46PS23PS46
训练时间5 s6 s4 s5 s4 s5 s4 s6 s
分类时间36 s37 s36 s37 s34 s35 s33 s34 s

新窗口打开| 下载CSV


3.3 分类结果

图8为平滑后MODIS时序数据分类结果图。从图中可见,山东中部、东部有大面积林草地分布;两季作物主要分布于鲁西北平原、鲁中南山前北平原、鲁中南山前平原,其余地区零星分布;一季作物主要分布于鲁中山区和胶东丘陵。

图8

图8   分类结果图

Fig.8   Result graph of classification


4 结 论

本文构建了6个质量方案的MODIS-NDVI时序数据集,通过随机森林分类的方法获取了山东省土地覆盖信息,并对分类结果进行了精度评价,探讨了MODIS-NDVI时序数据集质量与分类精度的关系,得到结论如下:

(1)MODIS-NDVI时序数据能够较好的反映地表覆盖的物候特征,采用随机森林分类的方法可以以较高的精度获取陆地覆盖信息。通过增加时序数据集时间分辨率、线性插值和HANTS平滑的方法,可以提高MODIS-NDVI时序数据集质量,分类总体精度从84.32%提高至90.75%,Kappa系数从79.86%提高至88.16%。

(2)提高MODIS-NDVI时序数据的时间分辨率可以更加精准的刻画地表覆盖的物候特征。只增加数据集时间分辨率,分类总体精度提高了0.51%,但在平滑处理后,高低分辨率精度相差4.63%,可见单纯增加时间分辨率并不能明显提升分类进度,时间分辨率增加可以为后续处理提供更多有效数据,使得后续处理对数据质量提升效果更好。

(3)通过引入MODIS的质量控制数据对MODIS-NDVI时序数据进行线性插值能有效降低云、雨等因素带来的异常值的影响,降低时序曲线中的突变程度,提升平滑数据的质量。

(4)HANTS方法可以对时序数据平滑移除异常值,突出类别特征,降低分类复杂度,减少分类时间。

参考文献

Yan J WLiu J YChen B Zet al.

Changes in the Land Surface Energy Budget in Eastern China over the Past Three Decades: Contributions of Land-cover Change and Climate Change

[J]. Journal of Climate, 2014, 27(24): 9233-9252.

[本文引用: 1]

Moon MZhang X YHenebry G Met al.

Long-term Continuity in Land Surface Phenology Measurements: A Comparative Assessment of the MODIS Land Cover Dynamics and VIIRS Land Surface Phenology Products

[J]. Remote Sensing of Environment,2019,226: 74-92.doi:10.1016/j.rse.2019.03.034.

[本文引用: 1]

Sedlar ZAlegro ZRadovic Zet al.

Extreme Land-cover and Biodiversity Change as an Outcome of Land Abandonment on a Mediterranean Island (Eastern Adriatic)

[J]. Plant Biosystems, 2018, 152(4): 728-737.

[本文引用: 1]

Sattler CGianuca A TSchweiger Oet al.

Pesticides and Land Cover Heterogeneity Affect Functional Group and Taxonomic Diversity of Arthropods in Rice Agroecosystems

[J]. Agriculture Ecosystems & Environment, 2020, 297: 8.doi: 10.1016/j.agee.2020.106927.

[本文引用: 1]

Donnelly S.

Land-use Portfolios and the Management of Private Landholdings in South-central Indiana

[J]. Regional Environmental Change, 2011, 11(1): 97-109.

[本文引用: 1]

Li W FBai YChen Q Wet al.

Discrepant Impacts of Land Use and Land Cover on Urban Heat Islands: A Case Study of Shanghai, China

[J]. Ecological Indicators, 2014, 47: 171-178.doi:10.1016/j.ecdind.2014.08.015.

[本文引用: 1]

Vittek MBrink ADonnay Fet al.

Land Cover Change Monitoring Using Landsat MSS/TM Satellite Image Data over West Africa between 1975 and 1990

[J]. Remote Sensing, 2014, 6(1): 658-676.

[本文引用: 1]

Meneses B MReis EPereira Set al.

Understanding Driving Forces and Implications Associated with the Land Use and Land Cover Changes in Portugal

[J]. Sustainability, 2017, 9(3): 20. doi: 10.3390/su9030351.

[本文引用: 1]

Hansen M CPotapov P VMoore Ret al.

High-resolution Global Maps of 21st-Century Forest Cover Change

[J]. Science, 2013, 342(6160): 850-853.

[本文引用: 1]

Xu JLi J S.

Case Library Construction Method Using High-resolution Remote Sensing Land Cover Classification Information

[J]. Journal of Spatial Science, 2020, 65(1): 173-184.

[本文引用: 1]

Nakaegawa T.

Uncertainty in Land Cover Datasets for Global Land-surface Models Derived from 1 km Global Land Cover Datasets

[J]. Hydrological Processes, 2011, 25(17): 2703-2714.

[本文引用: 1]

Becker-Reshef IFranch BBarker Bet al.

Prior Season Crop Type Masks for Winter Wheat Yield Forecasting: A US Case Study

[J]. Remote Sensing, 2018, 10(10): 20.doi: 10.3390/rs10101659.

[本文引用: 1]

Holben B.

Characteristics of Maximum-value Composite Images from Temporal AVHRR Data

[J]. International Journal of Remote Sensing, 1986, 7(11): 1417-1434.

[本文引用: 1]

Vermote E FEl Saleous N AJustice C O.

Atmospheric Correction of MODIS Data in the Visible to Middle Infrared: First Results

[J]. Remote Sensing of Environment, 2002, 83(1): 97-111.

[本文引用: 1]

Schaaf C BGao FStrahler A Het al.

First Operational BRDF, Albedo Nadir Reflectance Products from MODIS

[J]. Remote Sensing of Environment, 2002, 83(1): 135-148.

[本文引用: 1]

Li Ru,Zhang Xia, Liu Bo, et al.

Review on Methods of Remote Sensing Time-series Data Reconstruction

[J].Journal of Remote Sensing,2009, 13(2): 335-341.

[本文引用: 1]

李儒张霞刘波.

遥感时间序列数据滤波重建算法发展综述

[J]. 遥感学报, 2009, 13(2): 335-341.

[本文引用: 1]

Onojeghuo A OBlackburn G AWang G Met al.

Rice Crop Phenology Mapping at High Spatial and Temporal Resolution Using Downscaled MODIS Time-series

[J]. Giscience & Remote Sensing, 2018, 55(5): 659-677.

[本文引用: 1]

Wang Zhengxing, Ke Linghong,

Deng Fangping. Doubling MODIS-NDVI Temporal Resolution :from 16-Day to 8-Day

[J]. Remote Sensing Technology and Application, 2011, 26(4): 437-443.

[本文引用: 1]

王正兴柯灵红邓芳萍.

MODIS-NDVI时间分辨率加倍算法:从16-Day到8-Day

[J]. 遥感技术与应用, 2011, 26(4): 437-443.

[本文引用: 1]

Olivier J CWessels KAraya S.

Detection of Land Cover Change Using an Artificial Neural Network within a Temporal Sliding Windowon Modis Time Series Data

[C]// IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium, 2008, doi: 10.1109/IGARSS. 2008.4851314.

[本文引用: 1]

Feng LGuo SZhu L Jet al.

Urban Vegetation Phenology Analysis Using High Spatio-temporal NDVI Time Series

[J]. Urban Forestry and Urban Greening, 2017, 25: 43-57.doi:10. 1109/JURSE.2015.7120477.

[本文引用: 1]

Hmimina GDufrene EPontailler J Yet al.

Evaluation of the Potential of MODIS Satellite Data to Predict Vegetation Phenology in Different Biomes:An Investigation Using Ground-based NDVI Measurements

[J]. Remote Sensing of Environment,2013,132:145-158.doi:10.1016/j.rse.2013.01. 010

[本文引用: 1]

Liang S ZMa W DSui X Yet al.

Extracting the Spatio-temporal Pattern of Cropping Systems from NDVI Time Series Using a Combination of the Spline and HANTS Algorithms: A Case Study for Shandong Province

[J]. Canadian Journal of Remote Sensing, 2017, 43(1): 1-15. doi:10.1080/07038992.2017.1252906.

[本文引用: 1]

Ming D PZhou T NWang Met al.

Land Cover Classification Using Random Forest with Genetic Algorithm-based Parameter Optimization

[J]. Journal of Applied Remote Sensing, 2016, 10: 16.doi: 10.1117/1.JRS.10.035021.

[本文引用: 1]

Zuo Y SWang WHao Y Let al.

Land Cover Classification based on MODIS Images:Taking the Beijing-Tianjin-Hebei Region as an Example

[J]. Progress in Geography, 2014, (11): 1556-1565.

[本文引用: 1]

Li Tao, Wan Guanghua, Zhao Gengxing, et al.

Cultivated land in shandong

[M]. Beijing: China Agriculture Press. 2018.李涛,万广华,赵庚星,.

山东耕地

[M].北京中国农业出版社. 2018.

[本文引用: 1]

/