1 引言
祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ 。作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ 。物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ 。近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ 。因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义。
传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测。近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ 。虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ 。
近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ 。由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ 。随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ 。另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的。在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ 。
本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像。通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ 。其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案。以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究。但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限。基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据。
本研究以祁连山东北部的阿柔超级站为研究区，在站点周围15 km × 15 km的矩形区域内开展ESTARFM融合影像的物候提取试验。地面验证采用2013 ~ 2020年阿柔超级站涡度通量数据集提取的总初级生产力（GPP）数据。遥感植被指数选择最成熟、应用最广泛的归一化植被指数（NDVI）以及近年来新发展的、在克服土壤背景辐射方面表现良好的两波段增强型植被指数（2-band Enhanced Vegetation Index，EVI2 ）和植被近红外反射率指数（Near-Infrared Reflectance of Vegetation，NIRv ）。由ESTARFM算法融合ETM+/OLI和VIIRS传感器的各植被指数影像，重建同时段内空间分辨率30 m、时间分辨率最短1 d的融合时序影像数据集。在此基础上，结合双重双曲正切函数（Double Hyperbolic Tangent function，DHT）［28 ］ 和全局模型函数（Global Model Function，GMF）［29 ］ 提取通量塔GPP和各遥感植被指数的关键物候参数。本文的研究目标是：①在站点和像元尺度上分别对比植被指数EVI2 、NDVI和NIRv 的ESTARFM融合精度。②评估DHT + GMF算法拟合通量塔GPP和遥感植被指数的生长曲线的准确性，在此基础上以通量塔GPP物候作为地面验证，应用差值分析方法评估遥感LSP提取的准确性。以期在大区域尺度上为开展高山、亚高山草甸生态系统的多植被指数遥感时空融合和LSP提取研究提供理论参考。
2 数据与方法
2.1 试验区概况
选取祁连山东北部的黑河流域地表过程综合观测网阿柔超级站（100°27′52″ E， 38°02′50″ N）为试验区，开展遥感数据融合和植被物候识别试验研究。试验区下垫面为以嵩草（Kobresia ）为主要优势种的亚高山草甸［30 ］. 气候为高原大陆性气候，年均气温和降水量约为-2.1 ℃ 和366 mm［9 ］. 平均海拔约为3 033 m。为开展遥感数据的融合试验，在Landsat 8影像上提取以阿柔站为中心的8×14像元和500×500像元的矩形区域，前者是在通量塔站点尺度（即通量源区）的遥感融合影像像元，后者作为遥感数据时空融合的试验区（图1 ）。
图1
图1
研究区示意图
Fig.1
Schematic diagram of the study area
2.2 数据来源与预处理
2.2.1 气象数据
气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31。本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）。以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理。在此基础上，按照各类气象因子的物理意义将其转化为30 min数据。已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ 。因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据。此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态。
2.2.2 涡度数据
涡度通量数据源与气象数据一致，是Eddypro软件处理的30 min数据。研究采用如下方法剔除异常值：①以净生态系统交换|NEE| ＜ 1.0 mg CO2 ·m-2 ·s-1 为标准，在10 d的时间窗口内剔除超出三倍标准差的NEE值［36 ］ ；②以DR > 20 W·m-2 为分界线，将NEE划分为NEEd （日间）和NEEn （夜间），并考虑植被在夜间停止光合作用，将NEEn < 0 mg CO2 ·m-2 ·s-1 的值剔除；③考虑到夜间湍流发展不充分，将夜间摩擦风速小于0.1 m·s-1 的NEEn 剔除［37 ］ 。
对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补。另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推。
剔除异常值后，利用GPP与RE、NEE的转换关系（式（1））计算日总GPP值（GPPd ，g C·m-2 ·d-1 ）（式（2）），用于评估祁连山亚高山草甸的碳吸收能力。为验证遥感识别的LSP，本研究再计算每日10：00~14：00的GPP均值（GPPm ，mg CO2 ·m-2 ·s-1 ）（式（3））［10 ］. 并将其作为地面观测数据进行生长曲线拟合和物候参数提取。这最大限度地保证了遥感观测和地面观测数据的时间匹配。
G P P = R E - N E E = R E n + R E d - N E E （1）
G P P d = ∑ i = 1 48 G P P i × 60 × 30 × 12 44 × 1 1 000 （2）
G P P m = 1 8 × ∑ i = 21 28 ( R E i × - N E E i ) （3）
其中：RE表示总呼吸；REn 表示日间呼吸；REd 表示夜间呼吸；单位均为mg CO2 ·m-2 ·s-1 。
2.2.3 遥感数据
本研究应用Landsat和VIIRS遥感数据开展数据融合研究。其中，Landsat数据选用2012-10-30 Landsat-7 ETM+数据（1期）和2013-4-4~2021-5-8 Landsat-8 OLI数据（182期）。VIIRS数据为2012-10-30~2021-5-8 VNP09GA产品（2921期）。这些数据均为经过大气校正后的陆地表面反射率产品，研究所用波段的信息如表1 所示，利用GNSPI（Geostatistical Neighborhood Similar Pixel Interpolator）算法处理ETM+数据存在的条带现象［41 ］ 。
为保证两种数据的投影信息（UTM-47N）和空间分辨率一致（30 m），首先对VNP09GA数据进行投影转换和重采样处理，并以阿柔站通量塔为中心，将所有影像裁剪至8×14像元大小的通量塔源区［8 ］ 和500×500像元大小的融合试验区（图1 ）。再利用各类影像的云掩膜文件，筛选通量塔源区无云和融合试验区云量 < 20 %的影像，最终得到1期ETM+、46期OLI和705期VNP09GA数据，并计算归一化植被指数（NDVI）［42 ］. 两波段增强型植被指数（EVI2 ）［43 ］ 和植被近红外反射率指数（NIRv ）［44 ］ （式（4）~（6）），作为ESTARFM融合模型的输入数据。这些数据的时间对应情况由图2 所示。
图2
图2
输入ESTARFM算法的2013~ 2020年基础影像对和待融合影像的时序分布示意图
Fig.2
Schematic diagram illustrating the temporal distribution of basic image pairs and input images to be fused for ESTARFM algorithm from 2013 to 2020
除此之外，研究还利用AW3D30（ALOS World 3D-30 m）数字表面模型（https：∥www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm）和GlobalLand30 V2020土地覆盖数据（http：∥globeland30.org/），对ESTARFM模型的融合精度和遥感物候识别结果的精度进行验证。
N D V I = N I R - R e d N I R + R e d （4）
E V I 2 = 2.5 × N I R - R e d N I R + 2.4 × R e d + 1 （5）
N I R v = N I R - R e d N I R + R e d × N I R （6）
其中：NIR和Red分别代表Landsat-7 ETM+、Landsat-8 OLI、Suomi-NPP VIIRS数据对应的近红外和红光波段（表1 ）。
2.3 研究方法
2.3.1 ESTARFM遥感数据融合算法
本研究采用ESTARFM模型进行数据融合，其单次运行过程如下：①在tm 和tn 时刻分别获取高空间和高时间分辨率的基础影像各1对（图2 灰色点，每对影像的时间差 ≤ 5 d）。在中间时刻tp 获取1期高时间分辨率的待融合影像（图2 白色点）。②将tm 和tp 时刻、tn 和tp 时刻影像分别输入式（7）进行初步融合，得到tp 时刻的高空间分辨率影像F m （xw /2 ， y w /2 ，t p ，B ）和F n （xw /2 ， y w /2 ， t p ， B ）。同时，应用式（8）分别计算时段tm ~ tp 和tp ~ tn 的时间权重T m 和T n 。最终通过式（9）对初步融合结果进行时间加权，输出tp 时刻最终的融合影像F （xw /2 ， y w /2 ， t p ， B ）。
F ( x w / 2 , y w / 2 , t p , B ) = F ( x w / 2 , y w / 2 , t 0 , B ) + ∑ i = 1 N W i × V i × ( C ( x i , y i , t p , B ) - C ( x i , y i , t 0 , B ) ) （7）
T k = 1 / ∑ j = 1 w ∑ l = 1 w C ( x j , y l , t k , B ) - ∑ j = 1 w ∑ l = 1 w C ( x j , y l , t p , B ) ( 1 / ∑ j = 1 w ∑ l = 1 w C ( x j , y l , t k , B ) - ∑ j = 1 w ∑ l = 1 w C ( x j , y l , t p , B ) ) , ( k = m , n ) （8）
F ( x w / 2 , y w / 2 , t p , B ) = T m × F m ( x w / 2 , y w / 2 , t p , B ) + T n × F n ( x w / 2 , y w / 2 , t p , B ) （9）
其中：F 和C 分别为高空间和高时间分辨率影像，w 表示相似像元搜索窗口大小；在搜索窗口中，（x w /2 ， y w /2 ）为中心像元位置，N为相似像元数量，（x i i i i 分别为第i 个相似像元的位置、权重和转换系数；t0 和tp 是基础和待融合影像获取时间；B 是影像波段。
将NDVI、EVI2 和NIRv 合成的多波段影像（47对基础影像和658期待融合影像）输入到ESTARFM，再按时序将融合影像与基础影像组合，得到各植被指数2013 ~ 2020年的融合时序影像数据集（各703期），用于后续的时间序列分析和物候参数遥感识别。
2.3.2 生长曲线拟合和物候参数提取方法
采用DHT模型（式（10））拟合通量塔GPPm 和遥感植被指数NDVI、EVI2 、NIRv 的生长曲线。但由于DHT只能模拟单生长季内GPP/植被指数的周期性变化规律，无法在多年/多个生长季之间的进行连续拟合，本研究应用GMF模型（式（11））在3 a时间窗口（步长为1 a）对DHT拟合曲线进行融合重构。在GMF算法中，参数α （t ）和β （t ）采用周昊强等（2021） 发展的三次多项式版本（式（12））［45 ］ 。
Y ( t ) = a 0 + a 1 t a n h [ ( t - a 2 ) × a 3 ] + 1 2 + a 4 t a n h [ ( t - a 5 ) × a 6 ] + 1 2 - a 4 （10）
其中：a 0 表示Y （t ）的冬季背景值，即Y （t ）在前半段时间序列的最小值；a 1 （a 4 ）表示Y （t ）在生长季始期（生长季末期）的振幅；a 2 （a 5 ）表示Y （t ）在生长季始期（生长季末期）的拐点（单位：d）；a 3 （a 6 ）表示控制两个时期内拐点的斜率（单位：d-1 ）。
F ( t ) = α ( t ) f L ( t ) + [ 1 - α ( t ) ] f C ( t ) , t L < t < t C β ( t ) f C ( t ) + [ 1 - β ( t ) ] f R ( t ) , t C < t < t R （11）
α ( t ) = 4 × h 1 - h 0 t C - t L 3 × ( t - t L ) 3 + h 0 , t L < t < [ t L + t C ] / 2 4 × h 1 - h 0 t C - t L 3 × ( t - t C ) 3 + h 1 , [ t L + t C ] / 2 < t < t C β ( t ) = 4 × h 1 - h 0 t R - t C 3 × ( t - t C ) 3 + h 0 , t C < t < [ t C + t R ] / 2 4 × h 1 - h 0 t R - t C 3 × ( t - t R ) 3 + h 1 , [ t C + t R ] / 2 < t < t R （12）
其中：F （t ）为全局函数，α （t ）和β （t ）是tL ~ tC 和tC ~ tR 的截断方程，fL （t ）、fC （t ）、fR （t ）分别是tL ~ tC 、tC ~ tR 、tL ~ tR 期间的DHT拟合曲线；参数h0 =1，h1 =0。
在对通量塔GPP和各植被指数进行生长曲线拟合的基础上，逐生长季提取各指标的关键物候参数SOS、POS和EOS。其中，SOS和EOS采用动态阈值法提取，即将年生长曲线最大值左（右）两侧20%振幅对应的日期定义为SOS（EOS）［46 ］ 。POS由年生长曲线最大值对应的日期确定［14 ］ 。
3 结果分析
3.1 ESTARFM融合精度的多植被指数比较
在生长季，各植被指数像元值在短期内变化明显，这不可避免地会对ESTARFM的融合精度产生挑战。为比较ESTARFM模型对Landsat和VIIRS各植被指数（EVI2 、NDVI和NIRv ）影像的融合精度，选择获取时间差距最大（5 d）的两对基础影像（Landsat-8 OLI：2015-8-28（240 d）和2015-10-15（288 d）；VIIRS VNP09GA：2015-8-23（235 d）和2015-10-15（288 d））和一期待融合影像（VIIRS VNP09GA：2015-9-13（256 d））生成各植被指数ESTARFM融合影像，在此基础上以同期真实Landsat-8 OLI植被指数影像作为验证数据，在站点和像元尺度开展融合精度验证。
由图3 可以看出，除融合影像的西南和东北部少量像元受云污染影响外，3种植被指数融合影像都能较好地反映真实影像的亮度和纹理特征。其中，NDVI的云污染像元的亮度较高，与地面植被的像元值相近，容易造成混淆；而EVI2 和NIRv 的云污染像元值接近背景值。表明NDVI抗云干扰能力低于EVI2 和NIRv 。在通量塔站点上（即通量塔源区内的8 × 14像元，图3 红色框），3种植被指数的散点均分布在1∶1线以下，且呈现出数值越大偏离1∶1线越明显的趋势（图4 ）。其中，EVI2 和NIRv 具有相似的融合精度（R 2 均为0.942，RMSE分别为0.024和0.037），均高于NDVI的融合精度（R 2 2 、NDVI、NIRv 像元值，在像元尺度上制作密度散点图（图5 ），以评估融合影像对草地绿度的反映能力。可以看出，由于云的影响，3种植被指数均出现不同程度的发散，其中NIRv 的高值和低值区更接近于1∶1线附近，且R 2 最高、RMSE最低（分别为0.773和0.034）。综合上述验证结果，尽管融合得到的EVI2 与NIRv 的精度较高，但在云污染影响下NIRv 的融合精度明显高于EVI2 ，表明融合后的NIRv 指数抗云污染能力最强，更适合于后期分析。
图3
图3
Landsat 8真实影像与ESTARFM融合影像对比图
（图中红色框表示通量源区。EVI2 ： 两波段增强型植被指数，NDVI：归一化植被指数，NIRv：植被近红外反射率指数）
（其中，第一、二行的子图分别代表Landsat 8真实影像（a~c）和ESTARFM融合影像（d~f）；第一 ~ 三列的子图分别代表植被指数EVI2
（a和d）、NDVI（b和e）和NIRv （c和f））
Fig.3
Comparison of Landsat 8 real image and ESTARFM fusion image
图4
图4
通量塔源区内EVI2 、NDVI和NIRv 的Landsat 8真实影像与ESTARFM融合影像的散点图
Fig.4
Scatter plots of Landsat 8 true images and ESTARFM fusion images of EVI2 ， NDVI， and NIRv within the flux tower source area
图5
图5
试验区内EVI2 、NDVI和NIRv 的Landsat 8真实影像与ESTARFM融合影像的密度散点图
Fig.5
Density scatter plots of Landsat 8 true images and ESTARFM fusion images of EVI2 ， NDVI， and NIRv in the experimental area
3.2 各融合植被指数的生长曲线拟合及LSP 提取
在通量塔源区内（8×14像元），对ESTARFM融合后的3种植被指数进行逐期空间平均，构建2013~2020年时间序列数据集，并应用DHT+GMF算法对植被指数进行生长曲线拟合和LSP提取（图6 ）。结果表明，DHT + GMF算法能够较好的拟合各指数的生长曲线，拟合值与原始值之间的R 2 达0.96以上，RMSE均小于0.05，能够反映研究区亚高山草甸的年生长规律。在研究时间段内，EVI2 、NDVI和NIRv 提取的平均SOS分别为138 ± 6 d、134 ± 7 d和142 ± 6 d；平均POS分别为212 ± 6 d、209 ± 4 d和216±4 d；平均EOS分别为286 ± 6 d、300 ± 3 d和281 ± 6 d。
图6
图6
通量塔源区内EVI2 、NDVI和NIRv 融合影像在2013~ 2020年的生长曲线和陆地表面物候（LSP）提取结果
Fig.6
Growth curves and Land Surface Phenology （LSP） extraction results of EVI2 ， NDVI， and NIRv fusion images within the flux tower source area from 2013 to 2020
为降低植被类型和海拔梯度对亚高山草甸LSP提取结果的影响，在融合试验区（500 × 500像元）内，再提取距通量塔高程 ± 50 m的亚高山草甸边界，在像元尺度上进行各植被指数的生长曲线拟合和LSP提取。在此基础上，为进一步去除地表植被季节周期不完整和土地覆盖数据少量错分造成的LSP异常，本研究提取各植被指数LSP在第5和第95百分位数之间的数值作为有效数据开展后续研究［47 ］ 。图7 为基于ESTARFM融合EVI2 、NDVI、NIRv 提取的2013 ~ 2020年平均LSP的空间分布。从图看出，3种植被指数在SOS的提取差异较大，其中NDVI识别的SOS最早（125~135 d），EVI2 次之（130~140 d），而NIRv 最晚（140~150 d）。对POS而言，3种植被指数具有相似的空间分布特征（210~220 d），说明3种植被指数识别POS的能力较接近。而3种融合植被指数识别EOS的能力正好与SOS的结果相反，即NIRv 提取的EOS最早（270~290 d），EVI2 次之（280~300 d），NDVI最晚（290~310 d）。
图7
图7
距阿柔超级站 ± 50 m高差范围的试验区内，ESTARFM融合影像的多年平均LSP的空间分布模式
（第1~3行的子图分别代表生长季始期SOS（a~c）、生长季峰期POS（d~f）和生长季末期EOS（g~i）；第1~3列的子图分别代表植被指数EVI2 （a、d和g）、NDVI（b、e和h）和NIRv （c、f和i）
Fig.7
Spatial distribution patterns of multi-year average LSP of ESTARFM fusion images within a height range of ±50 m from the A’rou Superstation
3.3 各融合植被指数LSP和通量塔物候参数的比较
为比较和评估各融合植被指数提取的LSP精度，本研究以通量塔日GPPm 为源数据，用相同的方法提取3个物候参数，将其作为地面实际物候数据，逐年（2013~2020年）分析了各融合植被指数提取的LSP与对应GPPm 物候之间的差值，正值表示融合植被指数的物候晚于GPPm 物候，反之亦然。
图8 为阿柔超级站2013~2020年空气温度T a （图8 （a））、降水量P （图8 （a））、净辐射R n （图8 （b））、GPPd （图8 （c））、GPPm 和GPPm 数据提取的物候参数（图8 （d））。从图可以看出，各环境因子与GPP季节变化模式高度一致，说明GPP能够反映环境因子的季节变化规律和站点植被（亚高山草甸）受环境因子影响从春季返青到夏季峰值，再到秋季枯黄的生长过程，可以用于验证遥感融合植被指数的物候提取结果。为和遥感影像的观测时间高度吻合，本研究利用每日GPPm （10：00~14：00平均）数据，应用DHT + GMF算法拟合生长曲线，并提取物候参数。结果表明，DHT + GMF能较好地捕捉原GPPm 的季节动态情况，拟合和原始值之间的R 2 和RMSE分别为0.960和0.062。基于拟合曲线提取的2013 ~ 2020年平均SOS、POS和EOS分别为143 ± 5 d、209 ± 7 d和279 ± 7 d（图8 （d））。在站点尺度上，对ESTARFM融合影像的各植被指数LSP提取结果（提取方法见3.2小节）进行逐年差值分析（图9 ），结果表明，融合后的植被指数NIRv 对SOS和EOS的识别能力最强，其与GPPm 提取的SOS（除2014年外）和EOS偏差最小，分别为4 d和3 d。对POS而言，融合后的NDVI对植被峰值期的识别能力最强（除2013和2019年外），其与GPPm 提取的POS的偏差最小，只有4 d之差。为进一步验证融合数据LSP识别的准确性，在像元尺度对3个植被指数融合影像的LSP提取结果（提取方法见3.2节）进行逐年差值分析（图10 ）。
图8
图8
阿柔超级站2013~ 2020年环境因子和GPP每日值的季节动态和基于GPPm 的物候参数提取结果
Fig.8
Seasonal dynamics of daily values of environmental factors and GPP， and phenological parameter extraction based on GPPm ， from 2013 to 2020 at the A’rou Superstation
图9
图9
通量塔源区内EVI2 、NDVI和NIRv 融合影像与通量塔GPPm 的SOS、POS和EOS差值以及3个植被指数的SOS、POS和EOS差值的多年绝对值平均
Fig.9
The difference between the SOS， POS， and EOS of the fusion image of EVI2 ， NDVI， and NIRv in the flux tower source area and flux tower GPPm ， as well as the multi-year absolute mean of the SOS， POS， and EOS differences for the three vegetation indices
图10
图10
距阿柔超级站 ± 50 m高差范围的试验区内EVI2 、NDVI和NIRv 融合影像与通量塔GPPm 的SOS、POS和EOS差值以及3个植被指数的 SOS、POS和EOS差值的多年绝对值平均
Fig.10
The difference between the SOS， POS， and EOS of the fusion image of EVI2 ， NDVI， and NIRv within a height range of ±50 m from the A’rou Superstation and flux tower GPPm ， as well as the multi-year absolute mean of the SOS， POS， and EOS differences for the three vegetation indices
结果表明，与站点尺度观测的结果一致，NIRv 识别SOS和EOS的准确性仍然是最高（均为5 d），而EVI2 （7 d和9 d）和NDVI（11 d和20 d）对研究区植被春季和秋季物候的识别准确性相对较低；NDVI对POS的识别准确性仍然是最高（6 d），而EVI2 （8 d）和NIRv （9 d）对研究区植被夏季生长峰值物候的识别准确性相对较低。
4 讨 论
尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异。ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）。这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ 。同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同。但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一。除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ 。因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一。从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）。对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显。与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ 。
对于时空融合算法，相较于STARFM算法，改进的ESTARFM算法考虑了像元异质性，通过引入端元与混合像元反射率的转换系数，从而明显提升了对复杂和异质性地物的预测精度［50 ］ 。然而，ESTARFM算法假设端元反射率在短期内发生线性变化，因此当输入算法的基础影像对之间时间间隔过长时，融合精度会降低［21 ，50 ］ 。除此之外，像元随时间的变化模式也会影响融合精度。例如，Shen等［51 ］ 的研究表明，基础影像日期对于随时间单调线性变化影像的融合精度影响较小，但对于随时间单调非线性变化和非单调变化影像的融合精度影响较大。因此，选择更接近预测日期的影像能够明显提高这两种变化模式的影像融合精度。本研究的试验区位于西北内陆的祁连山高海拔地区，植被生长季较短，积雪覆盖时间较长，冬季基础影像对的时间间隔通常超过140 d（图2 ），这可能对ESTARFM算法的准确性产生较大影响。但对于区域尺度的植被物候监测而言，在冬季，植被指数影像的像元值基本稳定在背景值附近，因此该时段内影像融合精度的降低不会对全年的生长曲线拟合和LSP提取产生严重的影响。在本研究中，输入ESTARFM算法的基础影像对之间最长的时间间隔出现在2014年221 d ~ 2015年176 d之间，且该时段内待融合的影像时间序列分布稀疏（图2 （b）~图2 （c））。在上述因素的综合影响下，融合影像提取2014年EOS的准确性明显降低（图9 （c）、图10 （c））。这说明了长期积雪覆盖是高寒区植被监测的主要挑战之一。
本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性。然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响。例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦。而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期。另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少。因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证。此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性。
5 结 论
以祁连山东北部的阿柔超级站为研究区，在站点周围15 km × 15 km的试验区开展基于CO2 通量和遥感融合数据的亚高山草甸LSP提取的多植被指数比较研究。应用遥感时空融合算法ESTARFM融合ETM+、OLI和VIIRS传感器的多源影像，重建高时间（最短1 d）和高空间（30 m）分辨率的2013 ~ 2020年EVI2 、NDVI和NIRv 融合时序影像数据集。分别在站点和像元尺度评估各植被指数影像的融合精度和LSP提取的准确性，结论如下：
（1）ESTARFM融合影像能准确反映真实影像的亮度和纹理特征，但基础影像中存在的云污染现象也会传递到融合影像中。在站点尺度（云量为0），NIRv 和EVI2 具有相近的融合精度（R 2 均为0.942，RMSE为0.024和0.037）。在像元尺度（云量<20%），NIRv 的融合精度明显高于EVI2 （R 2 为0.773和0.733，RMSE为0.034和0.063）。表明NIRv 通过算法改进了植被—裸土混合像元对植被部分反射率的敏感性，使其能够在云污染条件下保持较高的融合精度。
（2）DHT+GMF算法能准确模拟通量塔GPPm 和遥感植被指数EVI2 、NDVI、NIRv 的季节动态情况。在站点尺度，原始值和拟合值的R 2 ≥0.960，RMSE≤0.062。
（3）ESTARFM融合影像具备高时空分辨率的特点，为遥感植被观测研究提供了更精细的时序数据，提高了亚高山草甸LSP的提取精度。通过对融合植被指数EVI2 、NDVI和NIRv 的LSP提取结果的精度验证，表明NIRv 提取SOS和EOS、NDVI提取POS的精度最高。在站点和像元尺度上，NIRv 提取SOS（EOS）的偏差分别为4 d（3 d）和5 d（5 d），NDVI提取POS的偏差分别为4 d和6 d。
参考文献
View Option
[1]
GAO Y F ZHAO C Y ASHIQ M W et al Actual evapotranspiration of subalpine meadows in the Qilian Mountains， Northwest China
［J］. Journal of Arid Land ，2019 ， 11 （3 ）： 371 -384 . DOI： 10.1007/s40333-019-0012-y
[本文引用: 1]
[2]
GUO Zhaoxia MA Wenying ZHAO Chuanyan et al The effect of snow on soil respiration rate in subalpine meadows of the Qilian Mountains
［J］. Acta Ecologica Sinica ，2019 ，39 （9 ）： 3297 -3308 .
[本文引用: 1]
郭朝霞 ， 马文瑛 ， 赵传燕 ， 等 积雪对祁连山亚高山草甸土壤呼吸速率的影响
［J］. 生态学报 ，2019 ，39 （9 ）：3297 -3308 .
[本文引用: 1]
[3]
HIROTA M ZHANG P C GU S et al Altitudinal variation of ecosystem CO2 fluxes in an alpine grassland from 3 600 to 4200 m
［J］. Journal of Plant Ecology ，2009 ，2 （4 ）：197 -205 . DOI： 10.1093/jpe/rtp024
[本文引用: 1]
[4]
HE Z B DU J CHEN L F et al Impacts of recent climate extremes on spring phenology in arid-mountain ecosystems in China
［J］. Agricultural and Forest Meteorology ，2018 ，260 ： 31 -40 . DOI： 10.1016/j.agrformet.2018.05.022
[本文引用: 1]
[5]
FORKEL M CARVALHAIS N RöDENBECK C et al Enhanced seasonal CO2 exchange caused by amplified plant productivity in northern ecosystems
［J］.Science ，2016 ，351 （6274 ）： 696 -699 . DOI： 10.1126/science.aac4971
[本文引用: 1]
[6]
QIAO C C SHEN S CHENG C X et al Vegetation phenology in the Qilian Mountains and its response to temperature from 1982 to 2014
［J］. Remote Sensing ， 2021 ， 13 （2 ）： 286 . DOI： 10.3390/rs13020286
[本文引用: 1]
[7]
GONSAMO A CHEN J M OOI Y W Peak season plant activity shift towards spring is reflected by increasing carbon uptake by extratropical ecosystems
［J］. Global Change Biology ， 2018 ， 24 （5 ）： 2117 -2128 . DOI： 10.1111/gcb.14001
[本文引用: 2]
[8]
LIU S M XU Z W WANG W Z et al A comparison of eddy-covariance and large aperture scintillometer measurements with respect to the energy balance closure problem
［J］. Hydrology and Earth System Sciences ，2011 ，15 （4 ）：1291 -1306 . DOI： 10.5194/hess-15-1291-2011
[本文引用: 3]
[9]
XU H J ZHAO C Y WANG X P Spatiotemporal differentiation of the terrestrial gross primary production response to climate constraints in a dryland mountain ecosystem of northwestern China
［J］. Agricultural and Forest Meteorology ，2019 ，276 ：107628 . DOI：10.1016/j.agrformet.2019. 107628
[本文引用: 2]
[10]
MALEKI M ARRIGA N BARRIOS J M et al Estimation of Gross Primary Productivity（GPP） phenology of a short-rotation plantation using remotely sensed indices derived from sentinel-2 images
［J］. Remote Sensing ，2020 ，12 （13 ）：2104 . DOI：10.3390/rs12132104
[本文引用: 2]
[11]
LIU Y WU C Y Understanding the role of phenology and summer physiology in controlling net ecosystem production：A multiscale comparison of satellite， PhenoCam and eddy covariance data
［J］.Environmental Research Letters ，2020 ， 15 （10 ）： 104086 . DOI： 10.1088/1748-9326/abb32f
[本文引用: 1]
[12]
PENG D L WANG Y XIAN George et al Investigation of land surface phenology detections in shrublands using multiple scale satellite data
［J］. Remote Sensing of Environment ， 2021 ， 252 ： 112133 . DOI： 10.1016/j.rse.2020.112133
[本文引用: 1]
[13]
MORISETTE J T RICHARDSON A D KNAPP A K et al Tracking the rhythm of the seasons in the face of global change： Phenological research in the 21st century
［J］. Frontiers in Ecology and the Environment ， 2009 ， 7 （5 ）： 253 -260 . DOI： 10.1890/070217
[本文引用: 1]
[14]
BAO G JIN Hugejiletu TONG S Q et al Autumn phenology and its covariation with climate， spring phenology and annual peak growth on the mongolian plateau
［J］. Agricultural and Forest Meteorology ， 2021 ， 298-299 ： 108312 . DOI： 10.1016/j.agrformet.2020.108312
[本文引用: 2]
[15]
MOON M ZHANG X Y HENEBRY G M et 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]
[16]
CHENG Y VRIELING A FAVA F et al Phenology of short vegetation cycles in a Kenyan rangeland from PlanetScope and Sentinel-2
［J］. Remote Sensing of Environment ， 2020 ， 248 ： 112004 . DOI： 10.1016/j.rse.2020.112004
[本文引用: 1]
[17]
SHI C L WANG X H ZHANG M et al A comprehensive and automated fusion method： The enhanced flexible spatiotemporal data fusion model for monitoring dynamic changes of land surface
［J］. Applied Sciences ， 2019 ， 9 （18 ）： 3693 . DOI： 10.3390/app9183693
[本文引用: 1]
[18]
SUN L GAO F XIE D H et al Reconstructing daily 30 m NDVI over complex agricultural landscapes using a crop reference curve approach
［J］. Remote Sensing of Environment ， 2021 ， 253 ： 112156 . DOI： 10.1016/j.rse.2020.112156
[19]
SADEH Y ZHU X DUNKERLEY D et al Fusion of Sentinel-2 and PlanetScope time-series data into daily 3 m surface reflectance and wheat LAI monitoring
［J］. International Journal of Applied Earth Observation and Geoinformation ，2021 ， 96 ： 102260 . DOI： 10.1016/j.jag.2020.102260
[本文引用: 1]
[20]
GUO Y N WANG C J LEI S G et al A framework of spatio-temporal fusion algorithm selection for Landsat NDVI time series construction
［J］. ISPRS International Journal of Geo-Information ，2020 ，9 （11 ）： 665 . DOI： 10.3390/ijgi 9110665
[本文引用: 1]
[21]
ZHU X L CHEN J GAO F et al An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions
［J］. Remote Sensing of Environment ，2010 ，114 （11 ）：2610 -2623 . DOI：10.1016/j.rse. 2010. 05.032
[本文引用: 3]
[22]
GAO F MASEK J SCHWALLER M et al On the blending of the Landsat and MODIS surface reflectance： Predicting daily Landsat surface reflectance
［J］. IEEE Transactions on Geoscience and Remote Sensing ，2006 ，44 （8 ）： 2207 -2218 . DOI：10.1109/tgrs.2006.872081 .
[本文引用: 1]
[23]
LI Chao LI Xuemei TIAN Yalin et al Time and space fusion model comparison of temperature xegetation drought index
［J］. Remote Sensing Technology and Application ， 2020 ， 35 （4 ）： 832 -844 .
[本文引用: 1]
李超 ， 李雪梅 ， 田亚林 ， 等 温度植被干旱指数时空融合模型对比
［J］. 遥感技术与应用 ， 2020 ， 35 （4 ）： 832 -844 .
[本文引用: 1]
[24]
GUAN Qihui DING Mingjun ZHANG Hua et al Analysis of applicability about ESTARFM in the middle-lower Yangtze Plain
［J］. Journal of Geo-information Science ， 2021 ， 23 （6 ）： 1118 -1130 .
[本文引用: 1]
管琪卉 ， 丁明军 ， 张华 ， 等 ESTARFM算法在长江中下游平原地区的适用性研究
［J］. 地球信息科学学报 ， 2021 ， 23 （6 ）： 1118 -1130 .
[本文引用: 1]
[25]
ZHAO Yajie HUANG Jinliang WANG Lihui et al Extraction of rice planting areas in jianghan plain based on spatiotemporal fusion NDVI and phenological characteristics
［J］. Resources and Environment in the Yangtze Basin ， 2020 ， 29 （2 ）： 424 -433 .
[本文引用: 1]
赵亚杰 ， 黄进良 ， 王立辉 ， 等 基于时空融合NDVI及物候特征的江汉平原水稻种植区提取研究
［J］. 长江流域资源与环境 ， 2020 ， 29 （2 ）： 424 -433 .
[本文引用: 1]
[26]
CHEN Xiaolu WANG Yanfang ZHANG Hongmei et al Extraction method of irrigated arable land in Chahannur basin based on ESTARFM NDVI
［J］. Chinese Journal of Eco-Agriculture ， 2021 ， 29 （6 ）： 1105 -1116 .
陈晓璐 ， 王彦芳 ， 张红梅 ， 等 基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究
［J］. 中国生态农业学报（中英文） ， 2021 ， 29 （6 ）： 1105 -1116 .
[27]
WU Z J ZHANG J H DENG F et al Fusion of GF and MODIS data for regional-scale grassland community classification with EVI2 time-series and phenological features
［J］. Remote Sensing ，2021 ， 13 （5 ）： 835 . DOI： 10.3390/rs13050835
[本文引用: 1]
[28]
VRIELING A MERONI M DARVISHZADEH R et al Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island
［J］. Remote Sensing of Environment ， 2018 ， 215 ： 517 -529 . DOI： 10.1016/j.rse.2018.03.014
[本文引用: 1]
[30]
WANG Haibo MA Mingguo WANG Xufeng et al Carbon flux variation characteristics and its influencing factors in an alpine meadow ecosystem on eastern Qinghai － Tibetan plateau
［J］. Journal of Arid Land Resources and Environment ， 2014 ， 28 （6 ）： 50 -56 .
[本文引用: 2]
王海波 ， 马明国 ， 王旭峰 ， 等 青藏高原东缘高寒草甸生态系统碳通量变化特征及其影响因素
［J］. 干旱区资源与环境 ， 2014 ， 28 （6 ）： 50 -56 .
[本文引用: 2]
[31]
LIU S M LI X XU Z W et al The Heihe Integrated Observatory Network： A basin-scale land surface processes observatory in China
［J］. Vadose Zone Journal ， 2018 ， 17 （1 ）： 1 -21 . DOI： 10.2136/vzj2018.04.0072
[本文引用: 1]
[32]
CHE T LI X LIU S M et al Integrated hydrometeorological， snow and frozen-ground observations in the alpine region of the Heihe River Basin，China
［J］.Earth System Science Data ，2019 ，11 （3 ）：1483 -1499 . DOI：10.5194/essd-11-1483-2019
[本文引用: 1]
[33]
FALGE E BALDOCCHI D OLSON R et al Gap filling strategies for long term energy flux data sets
［J］. Agricultural and Forest Meteorology ，2001 ，107 （1 ）：71 -77 . DOI： 10.1016/S0168-1923（00）00235-5
[本文引用: 1]
[34]
YU Yu CHEN Hongbin XIA Xiangao et al Observations and analyses on Photosynthetically Active Radiation（PAR） in Xianghe region
［J］. Plateau Meteorology ，2008 ，27 （5 ）：1094 -1101 .
[本文引用: 1]
余予 ，陈洪滨 ，夏祥鳌 ，等 香河地区光合有效辐射观测分析研究
［J］. 高原气象 ，2008 ，27 （5 ）：1094 -1101 .
[本文引用: 1]
[35]
DONG Taifeng MENG Jihua WU Bingfanget al Overview on the estimation of photosynthetically active radiation
［J］. Progress in Geography ， 2011 ，30 （9 ）： 1125 -1134 .
[本文引用: 1]
董泰锋 ， 蒙继华 ， 吴炳方 ， 等 光合有效辐射（PAR）估算的研究进展
［J］. 地理科学进展 ， 2011 ， 30 （9 ）： 1125 -1134 .
[本文引用: 1]
[36]
ZHU Jingbin HE Huidan LI Hongqin et al The response of CO2 fluxes in different months to the amplitude of diurnal temperature in alpine shrubland on the Qinghai-Tibetan Plateau during the growing season from 2003 to 2016
［J］. Acta Ecologica Sinica ， 2020 ， 40 （23 ）： 8773 -8782 .
[本文引用: 1]
祝景彬 ， 贺慧丹 ， 李红琴 ， 等 青藏高原高寒灌丛 2003—2016 年生长季的不同月份 CO2 通量对气温日较差的响应
［J］. 生态学报 ， 2020 ， 40 （23 ）： 8773 -8782 .
[本文引用: 1]
[37]
ZHU Zhilin SUN Xiaomin WEN Xuefa et al Study on the processing method of nighttime CO2 eddy covariance flux data in ChinaFLUX
［J］. Science in China（Series D：Earth Sciences） ， 2006 ， 2006 （S2 ）：36 -46 .
[本文引用: 1]
朱治林 ， 孙晓敏 ， 温学发 ， 等 中国通量网（ChinaFLUX）夜间CO2 涡度相关通量数据处理方法研究
［J］. 中国科学.D辑：地球科学 ， 2006 ， 2006（）： 34 -44 .
[本文引用: 1]
[38]
LLOYD J TAYLOR J On the temperature dependence of soil respiration
［J］. Functional Ecology ， 1994 ， 8 （3 ）： 315 -323 . DOI： 10.2307/2389824
[本文引用: 1]
[39]
ZHANG Fawei LI Yingnian CAO Guangmin et al CO2 fluxes and their driving factors over alpine meadow grassland ecosystems in the northern shore of Qinghai Lake， China
［J］. Chinese Journal of Plant Ecology ， 2012 ， 36 （3 ）：187 -198 .
[本文引用: 1]
张法伟 ， 李英年 ， 曹广民 ， 等 青海湖北岸高寒草甸草原生态系统CO2 通量特征及其驱动因子
［J］. 植物生态学报 ， 2012 ， 36 （3 ）： 187 -198 .
[本文引用: 1]
[40]
YU G R ZHANG L M SUN X M et al Environmental controls over carbon exchange of three forest ecosystems in eastern China
［J］. Global Change Biology ，2008 ， 14 （11 ）： 2555 -2571 . DOI： 10.1111/j.1365-2486.2008.01663.x
[本文引用: 1]
[41]
ZHU X L LIU D S CHEN J A new geostatistical approach for filling gaps in Landsat ETM+ SLC-off images
［J］. Remote Sensing of Environment ，2012 ， 124 ： 49 -60 . DOI： 10.1016/j.rse.2012.04.019
[本文引用: 1]
[42]
ROUSE J HAAS R SCHELL J et al Monitoring vegetation systems in the great plains with ERTS
［J］. Proceedings 3rd Earth Resources Technology Satellite-1 Symposium ,Gre-enbelt, NASA SP-351, 1974 : 3010 -3017 .
[本文引用: 1]
[43]
JIANG Z Y HUETE A R DIDAN K et al Development of a two-band enhanced vegetation index without a blue band
［J］. Remote Sensing of Environment ，2008 ， 112 （10 ）： 3833 -3845 . DOI： 10.1016/j.rse.2008.06.006
[本文引用: 3]
[44]
BADGLEY G FIELD C B BERRY J A Canopy near-infrared reflectance and terrestrial photosynthesis
［J］. Science Advances ，2017 ， 3 （3 ）： 5 . DOI： 10.1126/sciadv.1602244
[本文引用: 3]
[45]
ZHOU Haoqiang BAO Gang JIN Hugejiletu et al Applicabi-lity of multiple remotely sensed vegetation indices for extracting key phenological metrics of Tamarix chinensis shrubs based on CO2 flux observation and Sentinel-2 data
［J］. Chinese Journal of Applied Ecology ，2021 ，32 （12 ）：4315 -4326 .
[本文引用: 2]
周昊强 ，包刚 ，金胡格吉乐吐 ，等 柽柳灌丛关键物候参数多种植被指数遥感提取的适用性——基于CO2 通量观测和Sentinel-2数据
［J］. 应用生态学报 ，2021 ，32 （12 ）：4315 -4326 .
[本文引用: 2]
[46]
ZHENG Jiangbin XU Xiyan JIA Gensuo et al Understanding the spring phenology of Arctic tundra using multiple satellite data products and ground observations
［J］. Science China Earth Sciences ， 2020 ， 50 （11 ）：1618 -1634 .
[本文引用: 1]
郑江珊 ， 徐希燕 ， 贾根锁 ， 等 基于多遥感产品和地面观测的北极苔原春季返青期特征研究
［J］. 中国科学：地球科学 ， 2020 ， 50 （11 ）： 1618 -1634 .
[本文引用: 1]
[47]
MISRA G ASAM S MENZEL A Ground and satellite phenology in alpine forests are becoming more heterogeneous across higher elevations with warming
［J］. Agricultural and Forest Meteorology ，2021 ，303 ：108383 . DOI： 10.1016/j.agrformet.2021.108383
[本文引用: 1]
[48]
GAO Shupeng LIU Xiaolong SONG Jinling et al Study on the factors that influencing high spatio-temporal resolution NDVI fusion accuracy in tropical mountainous area
［J］. Journal of Geo-information Science ， 2022 ， 24 （2 ）：405 -419 .
[本文引用: 1]
高书鹏 ， 刘晓龙 ， 宋金玲 ， 等 热带山区高时空分辨率NDVI融合精度及其影响因素分析
［J］. 地球信息科学学报 ，2022 ，24 （2 ）：405 -419 .
[本文引用: 1]
[49]
WANG C CHEN J WU J et al A snow-free vegetation index for improved monitoring of vegetation spring green-up date in deciduous ecosystems
［J］. Remote Sensing of Environment ，2017 ，196 ：1 -12 .DOI：10.1016/j.rse. 2017. 04.031
[本文引用: 1]
[50]
KNAUER K GESSNER U FENSHOLT R et al An ESTARFM fusion framework for the generation of large-scale time series in cloud-prone and heterogeneous landscapes
［J］. Remote Sensing ，2016 ，8 （5 ）：425 . DOI： 10.3390/rs8050425
[本文引用: 2]
[51]
SHEN A J BO Y C ZHAO W Z et al Impact of the dates of input image pairs on spatio-temporal fusion for time series with different temporal variation patterns
［J］. Remote Sensing ，2022 ，14 （10 ）：2431 . DOI：10.3390/rs14102431
[本文引用: 1]
[52]
QIN B LI W K WANG X Q et al Satellite-observed solar-induced chlorophyll fluorescence reveals higher sensitivity of alpine ecosystems to snow cover on the Tibetan Plateau
［J］. Agricultural and Forest Meteorology ，2019 ， 271 ： 126 -134 . DOI： 10.1016/j.agrformet.2019.02.045
[本文引用: 1]
[53]
WALTHER S VOIGT M THUM T et al Satellite chlorophyll fluorescence measurements reveal large-scale decoupling of photosynthesis and greenness dynamics in boreal evergreen forests
［J］. Global Change Biology ，2016 ， 22 （9 ）： 2979 -2996 . DOI： 10.1111/gcb.13200
[本文引用: 1]
[54]
YANG J TIAN H Q PAN S F et al Amazon drought and forest response： Largely reduced forest photosynthesis but slightly increased canopy greenness during the extreme drought of 2015/2016
［J］. Global Change Biology ， 2018 ， 24 （5 ）： 1919 -1934 . DOI： 10.1111/gcb.14056
[本文引用: 1]
[55]
SUN Zhongqiu GAO Xianlian DU Shanshan et al Research progress and prospective of global satellite-based solar-induced chlorophyll fluorescence products
［J］. Remote Sensing Technology and Application ， 2021 ， 36 （5 ）：1044 -1056 .
[本文引用: 1]
孙忠秋 ， 高显连 ， 杜珊珊 ， 等 全球日光诱导叶绿素荧光卫星遥感产品研究进展与展望
［J］. 遥感技术与应用 ，2021 ，36 （5 ）：1044 -1056 .
[本文引用: 1]
[56]
MOHAMMED G H COLOMBO R MIDDLETON E M et al Remote sensing of Solar-Induced chlorophyll Fluorescence （SIF） in vegetation： 50 years of progress
［J］. Remote Sensing of Environment ，2019 ，231 ：111177 . DOI：j.rse. 2019. 04.030
[本文引用: 1]
[57]
ZENG Y L CHEN M HAO D L et al Combining near-infrared radiance of vegetation and fluorescence spectroscopy to detect effects of abiotic changes and stresses
［J］. Remote Sensing of Environment ，2022 ，270 ：112856 . DOI：j.rse. 2021.112856
[本文引用: 1]
[58]
CHEN J M WANG R LIU Y H et al Global datasets of leaf photosynthetic capacity for ecological and earth system research
［J］. Earth System Science Data ，2022 ， 14 （9 ）： 4077 -4093 . DOI： 10.5194/essd-14-4077-2022
[本文引用: 1]
Actual evapotranspiration of subalpine meadows in the Qilian Mountains， Northwest China
1
2019
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
积雪对祁连山亚高山草甸土壤呼吸速率的影响
1
2019
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
积雪对祁连山亚高山草甸土壤呼吸速率的影响
1
2019
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
Altitudinal variation of ecosystem CO2 fluxes in an alpine grassland from 3 600 to 4200 m
1
2009
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
Impacts of recent climate extremes on spring phenology in arid-mountain ecosystems in China
1
2018
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
Enhanced seasonal CO2 exchange caused by amplified plant productivity in northern ecosystems
1
2016
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
Vegetation phenology in the Qilian Mountains and its response to temperature from 1982 to 2014
1
2021
... 祁连山地处青藏高原东北隅，区域海拔在3 600 m以上，是河西走廊内多条内陆河流的水源地［1 ］ .作为祁连山自然保护区的基质景观，亚高山草甸特殊的高寒位置使其具有更强的碳汇能力和对气候变化的敏感性［2 -3 ］ .物候是植被生长发育的周期性变化规律，其发生时间受气温、降水、土壤条件等环境因子的综合影响，是气候变化的有效监测指标［4 ］ .近几十年来，气候变化引起了温带和北部地区大多植被的物候发生变化，这导致群落尺度上植物活动的小范围变化和地表能量通量、碳收支和区域气候等整体地表过程的大范围响应［5 -6 ］ .因此，准确监测祁连山亚高山草甸的物候动态，对了解气候变化背景下的高海拔地区陆地生态系统功能及其对气候系统的反馈作用具有重要意义. ...
Peak season plant activity shift towards spring is reflected by increasing carbon uptake by extratropical ecosystems
2
2018
... 传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测.近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ .虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ . ...
... ［7 ，10 -11 ］. ...
A comparison of eddy-covariance and large aperture scintillometer measurements with respect to the energy balance closure problem
3
2011
... 传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测.近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ .虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ . ...
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
... 为保证两种数据的投影信息（UTM-47N）和空间分辨率一致（30 m），首先对VNP09GA数据进行投影转换和重采样处理，并以阿柔站通量塔为中心，将所有影像裁剪至8×14像元大小的通量塔源区［8 ］ 和500×500像元大小的融合试验区（图1 ）.再利用各类影像的云掩膜文件，筛选通量塔源区无云和融合试验区云量 < 20 %的影像，最终得到1期ETM+、46期OLI和705期VNP09GA数据，并计算归一化植被指数（NDVI）［42 ］. 两波段增强型植被指数（EVI2 ）［43 ］ 和植被近红外反射率指数（NIRv ）［44 ］ （式（4 ）~（6 ）），作为ESTARFM融合模型的输入数据.这些数据的时间对应情况由图2 所示. ...
Spatiotemporal differentiation of the terrestrial gross primary production response to climate constraints in a dryland mountain ecosystem of northwestern China
2
2019
... 传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测.近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ .虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ . ...
... 选取祁连山东北部的黑河流域地表过程综合观测网阿柔超级站（100°27′52″ E， 38°02′50″ N）为试验区，开展遥感数据融合和植被物候识别试验研究.试验区下垫面为以嵩草（Kobresia ）为主要优势种的亚高山草甸［30 ］. 气候为高原大陆性气候，年均气温和降水量约为-2.1 ℃ 和366 mm［9 ］. 平均海拔约为3 033 m.为开展遥感数据的融合试验，在Landsat 8影像上提取以阿柔站为中心的8×14像元和500×500像元的矩形区域，前者是在通量塔站点尺度（即通量源区）的遥感融合影像像元，后者作为遥感数据时空融合的试验区（图1 ）. ...
Estimation of Gross Primary Productivity（GPP） phenology of a short-rotation plantation using remotely sensed indices derived from sentinel-2 images
2
2020
... 传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测.近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ .虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ . ...
... 剔除异常值后，利用GPP与RE、NEE的转换关系（式（1） ）计算日总GPP值（GPPd ，g C·m-2 ·d-1 ）（式（2） ），用于评估祁连山亚高山草甸的碳吸收能力.为验证遥感识别的LSP，本研究再计算每日10：00~14：00的GPP均值（GPPm ，mg CO2 ·m-2 ·s-1 ）（式（3） ）［10 ］. 并将其作为地面观测数据进行生长曲线拟合和物候参数提取.这最大限度地保证了遥感观测和地面观测数据的时间匹配. ...
Understanding the role of phenology and summer physiology in controlling net ecosystem production：A multiscale comparison of satellite， PhenoCam and eddy covariance data
1
2020
... 传统的地面物候观测通常在站点和小区域尺度开展，无法在大空间尺度连续观测.近年来涡度通量技术在陆地生态系统的植被物候研究中应用广泛［7 ］ .虽然几百米至公里级的空间代表性限制了其在大区域尺度上的应用研究［8 -9 ］. 但鉴于观测过程的非破坏性和观测结果的高准确性，涡度通量技术非常适用于对遥感物候模拟结果进行地面验证［7 ，10 -11 ］ . ...
Investigation of land surface phenology detections in shrublands using multiple scale satellite data
1
2021
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
Tracking the rhythm of the seasons in the face of global change： Phenological research in the 21st century
1
2009
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
Autumn phenology and its covariation with climate， spring phenology and annual peak growth on the mongolian plateau
2
2021
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
... 在对通量塔GPP和各植被指数进行生长曲线拟合的基础上，逐生长季提取各指标的关键物候参数SOS、POS和EOS.其中，SOS和EOS采用动态阈值法提取，即将年生长曲线最大值左（右）两侧20%振幅对应的日期定义为SOS（EOS）［46 ］ .POS由年生长曲线最大值对应的日期确定［14 ］ . ...
Long-term continuity in land surface phenology measurements： A comparative assessment of the MODIS land cover dynamics and VIIRS land surface phenology products
1
2019
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
Phenology of short vegetation cycles in a Kenyan rangeland from PlanetScope and Sentinel-2
1
2020
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
A comprehensive and automated fusion method： The enhanced flexible spatiotemporal data fusion model for monitoring dynamic changes of land surface
1
2019
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
Reconstructing daily 30 m NDVI over complex agricultural landscapes using a crop reference curve approach
0
2021
Fusion of Sentinel-2 and PlanetScope time-series data into daily 3 m surface reflectance and wheat LAI monitoring
1
2021
... 近几十年发展的卫星遥感手段能够在区域乃至全球尺度上为陆地生态系统的长时序物候监测提供有价值的数据源［12 ］ .由卫星遥感影像提取的植被物候参数称为陆地表面物候（Land Surface Phenology，LSP），包括生长季始期（Start of Growing Season，SOS）、生长季峰期（Peak of Growing Season，POS）和生长季末期（End of Growing Season，EOS）［13 -14 ］ .随着技术的进步，光学遥感卫星的时空分辨率逐步提高（如Landsat-8 30 m 16 d，Sentnel-2 10 m 5 d），植被的遥感探测与地面观测结果的尺度差距和混合像元效应明显减小，显著提高群落尺度上LSP提取的准确性［15 -16 ］ .另一方面，AVHRR、TM、ETM+和MODIS等历史遥感影像数据存在着时间和空间分辨率不能兼顾的矛盾，但上述卫星也具备长时序植被监测的数据优势，这是无法利用技术升级替代的.在此背景下，基于多源历史遥感影像的时空融合算法受到许多地学研究的关注［17 -19 ］ . ...
A framework of spatio-temporal fusion algorithm selection for Landsat NDVI time series construction
1
2020
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions
3
2010
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
... 对于时空融合算法，相较于STARFM算法，改进的ESTARFM算法考虑了像元异质性，通过引入端元与混合像元反射率的转换系数，从而明显提升了对复杂和异质性地物的预测精度［50 ］ .然而，ESTARFM算法假设端元反射率在短期内发生线性变化，因此当输入算法的基础影像对之间时间间隔过长时，融合精度会降低［21 ，50 ］ .除此之外，像元随时间的变化模式也会影响融合精度.例如，Shen等［51 ］ 的研究表明，基础影像日期对于随时间单调线性变化影像的融合精度影响较小，但对于随时间单调非线性变化和非单调变化影像的融合精度影响较大.因此，选择更接近预测日期的影像能够明显提高这两种变化模式的影像融合精度.本研究的试验区位于西北内陆的祁连山高海拔地区，植被生长季较短，积雪覆盖时间较长，冬季基础影像对的时间间隔通常超过140 d（图2 ），这可能对ESTARFM算法的准确性产生较大影响.但对于区域尺度的植被物候监测而言，在冬季，植被指数影像的像元值基本稳定在背景值附近，因此该时段内影像融合精度的降低不会对全年的生长曲线拟合和LSP提取产生严重的影响.在本研究中，输入ESTARFM算法的基础影像对之间最长的时间间隔出现在2014年221 d ~ 2015年176 d之间，且该时段内待融合的影像时间序列分布稀疏（图2 （b）~图2 （c））.在上述因素的综合影响下，融合影像提取2014年EOS的准确性明显降低（图9 （c）、图10 （c））.这说明了长期积雪覆盖是高寒区植被监测的主要挑战之一. ...
On the blending of the Landsat and MODIS surface reflectance： Predicting daily Landsat surface reflectance
1
2006
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
温度植被干旱指数时空融合模型对比
1
2020
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
温度植被干旱指数时空融合模型对比
1
2020
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
ESTARFM算法在长江中下游平原地区的适用性研究
1
2021
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
ESTARFM算法在长江中下游平原地区的适用性研究
1
2021
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
基于时空融合NDVI及物候特征的江汉平原水稻种植区提取研究
1
2020
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
基于时空融合NDVI及物候特征的江汉平原水稻种植区提取研究
1
2020
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究
0
2021
基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究
0
2021
Fusion of GF and MODIS data for regional-scale grassland community classification with EVI2 time-series and phenological features
1
2021
... 本质上，遥感影像的时空融合算法是将低空间分辨率影像降尺度为高空间分辨率影像.通过算法融合高时间、低空间分辨率和低时间、高空间分辨率遥感影像的互补信息，得到高时间、高空间分辨率的时空融合影像［20 ］ .其中，Zhu等［21 ］ （2010）发展的增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）明显改善了STARFM［22 ］ 在异质地表的融合精度，为应用多源历史遥感影像开展长时序、高时空分辨率遥感植被监测提供了算法解决方案.以往的学者应用STARFM或ESTARFM融合ETM+/OLI和MODIS影像，针对算法的适用性［23 -24 ］ 、土地覆盖分类［25 -27 ］ 等方向开展了较多的研究.但ETM+存在扫描线矫正器损坏问题导致影像出现条带，该传感器已于2013年退役，且MODIS目前也已接近2022年的退役年限.基于以上事实，有必要应用ETM+和MODIS的继任者——OLI和Visible Infrared Imaging Radiometer Suite（VIIRS）影像开展基于ESTARFM算法的多植被指数融合精度评价及LSP提取的适用性研究，为延续ETM+和MODIS影像的时间序列和开展基于长时序多源融合影像的植被监测研究提供理论依据. ...
Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island
1
2018
... 本研究以祁连山东北部的阿柔超级站为研究区，在站点周围15 km × 15 km的矩形区域内开展ESTARFM融合影像的物候提取试验.地面验证采用2013 ~ 2020年阿柔超级站涡度通量数据集提取的总初级生产力（GPP）数据.遥感植被指数选择最成熟、应用最广泛的归一化植被指数（NDVI）以及近年来新发展的、在克服土壤背景辐射方面表现良好的两波段增强型植被指数（2-band Enhanced Vegetation Index，EVI2 ）和植被近红外反射率指数（Near-Infrared Reflectance of Vegetation，NIRv ）.由ESTARFM算法融合ETM+/OLI和VIIRS传感器的各植被指数影像，重建同时段内空间分辨率30 m、时间分辨率最短1 d的融合时序影像数据集.在此基础上，结合双重双曲正切函数（Double Hyperbolic Tangent function，DHT）［28 ］ 和全局模型函数（Global Model Function，GMF）［29 ］ 提取通量塔GPP和各遥感植被指数的关键物候参数.本文的研究目标是：①在站点和像元尺度上分别对比植被指数EVI2 、NDVI和NIRv 的ESTARFM融合精度.②评估DHT + GMF算法拟合通量塔GPP和遥感植被指数的生长曲线的准确性，在此基础上以通量塔GPP物候作为地面验证，应用差值分析方法评估遥感LSP提取的准确性.以期在大区域尺度上为开展高山、亚高山草甸生态系统的多植被指数遥感时空融合和LSP提取研究提供理论参考. ...
TIMESAT—A program for analyzing time-series of satellite sensor data
1
2004
... 本研究以祁连山东北部的阿柔超级站为研究区，在站点周围15 km × 15 km的矩形区域内开展ESTARFM融合影像的物候提取试验.地面验证采用2013 ~ 2020年阿柔超级站涡度通量数据集提取的总初级生产力（GPP）数据.遥感植被指数选择最成熟、应用最广泛的归一化植被指数（NDVI）以及近年来新发展的、在克服土壤背景辐射方面表现良好的两波段增强型植被指数（2-band Enhanced Vegetation Index，EVI2 ）和植被近红外反射率指数（Near-Infrared Reflectance of Vegetation，NIRv ）.由ESTARFM算法融合ETM+/OLI和VIIRS传感器的各植被指数影像，重建同时段内空间分辨率30 m、时间分辨率最短1 d的融合时序影像数据集.在此基础上，结合双重双曲正切函数（Double Hyperbolic Tangent function，DHT）［28 ］ 和全局模型函数（Global Model Function，GMF）［29 ］ 提取通量塔GPP和各遥感植被指数的关键物候参数.本文的研究目标是：①在站点和像元尺度上分别对比植被指数EVI2 、NDVI和NIRv 的ESTARFM融合精度.②评估DHT + GMF算法拟合通量塔GPP和遥感植被指数的生长曲线的准确性，在此基础上以通量塔GPP物候作为地面验证，应用差值分析方法评估遥感LSP提取的准确性.以期在大区域尺度上为开展高山、亚高山草甸生态系统的多植被指数遥感时空融合和LSP提取研究提供理论参考. ...
青藏高原东缘高寒草甸生态系统碳通量变化特征及其影响因素
2
2014
... 选取祁连山东北部的黑河流域地表过程综合观测网阿柔超级站（100°27′52″ E， 38°02′50″ N）为试验区，开展遥感数据融合和植被物候识别试验研究.试验区下垫面为以嵩草（Kobresia ）为主要优势种的亚高山草甸［30 ］. 气候为高原大陆性气候，年均气温和降水量约为-2.1 ℃ 和366 mm［9 ］. 平均海拔约为3 033 m.为开展遥感数据的融合试验，在Landsat 8影像上提取以阿柔站为中心的8×14像元和500×500像元的矩形区域，前者是在通量塔站点尺度（即通量源区）的遥感融合影像像元，后者作为遥感数据时空融合的试验区（图1 ）. ...
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
青藏高原东缘高寒草甸生态系统碳通量变化特征及其影响因素
2
2014
... 选取祁连山东北部的黑河流域地表过程综合观测网阿柔超级站（100°27′52″ E， 38°02′50″ N）为试验区，开展遥感数据融合和植被物候识别试验研究.试验区下垫面为以嵩草（Kobresia ）为主要优势种的亚高山草甸［30 ］. 气候为高原大陆性气候，年均气温和降水量约为-2.1 ℃ 和366 mm［9 ］. 平均海拔约为3 033 m.为开展遥感数据的融合试验，在Landsat 8影像上提取以阿柔站为中心的8×14像元和500×500像元的矩形区域，前者是在通量塔站点尺度（即通量源区）的遥感融合影像像元，后者作为遥感数据时空融合的试验区（图1 ）. ...
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
The Heihe Integrated Observatory Network： A basin-scale land surface processes observatory in China
1
2018
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
Integrated hydrometeorological， snow and frozen-ground observations in the alpine region of the Heihe River Basin，China
1
2019
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
Gap filling strategies for long term energy flux data sets
1
2001
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
香河地区光合有效辐射观测分析研究
1
2008
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
香河地区光合有效辐射观测分析研究
1
2008
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
光合有效辐射（PAR）估算的研究进展
1
2011
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
光合有效辐射（PAR）估算的研究进展
1
2011
... 气象数据源于国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/）［8 ，31 -32 ］ ，是阿柔站气象要素梯度观测系统采集和预处理的10 min均值数据，时间为2013/1/1 ~ 2020/12/31.本研究使用的观测项目包括空气温度（T a ）、土壤温度、降水量（P ）、光合有效辐射（PAR）和向下短波辐射（DR）.以上数据中，若2 h内有缺失值，采用线性内插法插补获得，而超出2 h以上的缺失值，由平均昼夜变化法（Mean Diurnal Variations，MDV）［33 ］ 插补处理.在此基础上，按照各类气象因子的物理意义将其转化为30 min数据.已有研究表明光合有效系数（PAR/DR）的季节变化规律明显［34 -35 ］ .因此，对于PAR数据在2014~2018年的缺失值，利用已有的DR和PAR观测数据（2013、2019和2020年）逐月建立的线性回归模型，再利用2014 ~ 2018年DR观测数据逐月插补对应时段的PAR数据.此外，计算日均空气温度、日降水量和日均净辐射作为影响亚高山草甸生长的主要环境因子，分析其季节动态. ...
青藏高原高寒灌丛 2003—2016 年生长季的不同月份 CO2 通量对气温日较差的响应
1
2020
... 涡度通量数据源与气象数据一致，是Eddypro软件处理的30 min数据.研究采用如下方法剔除异常值：①以净生态系统交换|NEE| ＜ 1.0 mg CO2 ·m-2 ·s-1 为标准，在10 d的时间窗口内剔除超出三倍标准差的NEE值［36 ］ ；②以DR > 20 W·m-2 为分界线，将NEE划分为NEEd （日间）和NEEn （夜间），并考虑植被在夜间停止光合作用，将NEEn < 0 mg CO2 ·m-2 ·s-1 的值剔除；③考虑到夜间湍流发展不充分，将夜间摩擦风速小于0.1 m·s-1 的NEEn 剔除［37 ］ . ...
青藏高原高寒灌丛 2003—2016 年生长季的不同月份 CO2 通量对气温日较差的响应
1
2020
... 涡度通量数据源与气象数据一致，是Eddypro软件处理的30 min数据.研究采用如下方法剔除异常值：①以净生态系统交换|NEE| ＜ 1.0 mg CO2 ·m-2 ·s-1 为标准，在10 d的时间窗口内剔除超出三倍标准差的NEE值［36 ］ ；②以DR > 20 W·m-2 为分界线，将NEE划分为NEEd （日间）和NEEn （夜间），并考虑植被在夜间停止光合作用，将NEEn < 0 mg CO2 ·m-2 ·s-1 的值剔除；③考虑到夜间湍流发展不充分，将夜间摩擦风速小于0.1 m·s-1 的NEEn 剔除［37 ］ . ...
中国通量网（ChinaFLUX）夜间CO2 涡度相关通量数据处理方法研究
1
2006
... 涡度通量数据源与气象数据一致，是Eddypro软件处理的30 min数据.研究采用如下方法剔除异常值：①以净生态系统交换|NEE| ＜ 1.0 mg CO2 ·m-2 ·s-1 为标准，在10 d的时间窗口内剔除超出三倍标准差的NEE值［36 ］ ；②以DR > 20 W·m-2 为分界线，将NEE划分为NEEd （日间）和NEEn （夜间），并考虑植被在夜间停止光合作用，将NEEn < 0 mg CO2 ·m-2 ·s-1 的值剔除；③考虑到夜间湍流发展不充分，将夜间摩擦风速小于0.1 m·s-1 的NEEn 剔除［37 ］ . ...
中国通量网（ChinaFLUX）夜间CO2 涡度相关通量数据处理方法研究
1
2006
... 涡度通量数据源与气象数据一致，是Eddypro软件处理的30 min数据.研究采用如下方法剔除异常值：①以净生态系统交换|NEE| ＜ 1.0 mg CO2 ·m-2 ·s-1 为标准，在10 d的时间窗口内剔除超出三倍标准差的NEE值［36 ］ ；②以DR > 20 W·m-2 为分界线，将NEE划分为NEEd （日间）和NEEn （夜间），并考虑植被在夜间停止光合作用，将NEEn < 0 mg CO2 ·m-2 ·s-1 的值剔除；③考虑到夜间湍流发展不充分，将夜间摩擦风速小于0.1 m·s-1 的NEEn 剔除［37 ］ . ...
On the temperature dependence of soil respiration
1
1994
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
青海湖北岸高寒草甸草原生态系统CO2 通量特征及其驱动因子
1
2012
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
青海湖北岸高寒草甸草原生态系统CO2 通量特征及其驱动因子
1
2012
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
Environmental controls over carbon exchange of three forest ecosystems in eastern China
1
2008
... 对NEE缺失值作以下处理：①若2 h内有缺失值，采用线性内插方法插补处理；②如果在2 h~7 d内有缺失值，采用MDV法在日间14 d窗口和夜间7 d窗口中分别插补；③超出7 d的NEEn 缺失值，利用Lloyd-Taylor方程［38 ］ 和对应的最高决定系数（coefficient of determination，R 2 ）的温度数据插补.另外，对于超出7 d的NEEd 缺失值，分生长季和非生长季进行插补［39 ］ ：在生长季（5~10月）［30 ］ 采用Michaelis-Menten方程［40 ］ 结合PAR数据插补；在非生长季，利用夜间Lloyd-Taylor方程结合日间温度数据外推. ...
A new geostatistical approach for filling gaps in Landsat ETM+ SLC-off images
1
2012
... 本研究应用Landsat和VIIRS遥感数据开展数据融合研究.其中，Landsat数据选用2012-10-30 Landsat-7 ETM+数据（1期）和2013-4-4~2021-5-8 Landsat-8 OLI数据（182期）.VIIRS数据为2012-10-30~2021-5-8 VNP09GA产品（2921期）.这些数据均为经过大气校正后的陆地表面反射率产品，研究所用波段的信息如表1 所示，利用GNSPI（Geostatistical Neighborhood Similar Pixel Interpolator）算法处理ETM+数据存在的条带现象［41 ］ . ...
Monitoring vegetation systems in the great plains with ERTS
1
1974
... 为保证两种数据的投影信息（UTM-47N）和空间分辨率一致（30 m），首先对VNP09GA数据进行投影转换和重采样处理，并以阿柔站通量塔为中心，将所有影像裁剪至8×14像元大小的通量塔源区［8 ］ 和500×500像元大小的融合试验区（图1 ）.再利用各类影像的云掩膜文件，筛选通量塔源区无云和融合试验区云量 < 20 %的影像，最终得到1期ETM+、46期OLI和705期VNP09GA数据，并计算归一化植被指数（NDVI）［42 ］. 两波段增强型植被指数（EVI2 ）［43 ］ 和植被近红外反射率指数（NIRv ）［44 ］ （式（4 ）~（6 ）），作为ESTARFM融合模型的输入数据.这些数据的时间对应情况由图2 所示. ...
Development of a two-band enhanced vegetation index without a blue band
3
2008
... 为保证两种数据的投影信息（UTM-47N）和空间分辨率一致（30 m），首先对VNP09GA数据进行投影转换和重采样处理，并以阿柔站通量塔为中心，将所有影像裁剪至8×14像元大小的通量塔源区［8 ］ 和500×500像元大小的融合试验区（图1 ）.再利用各类影像的云掩膜文件，筛选通量塔源区无云和融合试验区云量 < 20 %的影像，最终得到1期ETM+、46期OLI和705期VNP09GA数据，并计算归一化植被指数（NDVI）［42 ］. 两波段增强型植被指数（EVI2 ）［43 ］ 和植被近红外反射率指数（NIRv ）［44 ］ （式（4 ）~（6 ）），作为ESTARFM融合模型的输入数据.这些数据的时间对应情况由图2 所示. ...
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
... ［43 -44 ］. ...
Canopy near-infrared reflectance and terrestrial photosynthesis
3
2017
... 为保证两种数据的投影信息（UTM-47N）和空间分辨率一致（30 m），首先对VNP09GA数据进行投影转换和重采样处理，并以阿柔站通量塔为中心，将所有影像裁剪至8×14像元大小的通量塔源区［8 ］ 和500×500像元大小的融合试验区（图1 ）.再利用各类影像的云掩膜文件，筛选通量塔源区无云和融合试验区云量 < 20 %的影像，最终得到1期ETM+、46期OLI和705期VNP09GA数据，并计算归一化植被指数（NDVI）［42 ］. 两波段增强型植被指数（EVI2 ）［43 ］ 和植被近红外反射率指数（NIRv ）［44 ］ （式（4 ）~（6 ）），作为ESTARFM融合模型的输入数据.这些数据的时间对应情况由图2 所示. ...
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
... -44 ］. ...
柽柳灌丛关键物候参数多种植被指数遥感提取的适用性——基于CO2 通量观测和Sentinel-2数据
2
2021
... 采用DHT模型（式（10） ）拟合通量塔GPPm 和遥感植被指数NDVI、EVI2 、NIRv 的生长曲线.但由于DHT只能模拟单生长季内GPP/植被指数的周期性变化规律，无法在多年/多个生长季之间的进行连续拟合，本研究应用GMF模型（式（11） ）在3 a时间窗口（步长为1 a）对DHT拟合曲线进行融合重构.在GMF算法中，参数α （t ）和β （t ）采用周昊强等（2021） 发展的三次多项式版本（式（12） ）［45 ］ . ...
... ［45 ］. ...
柽柳灌丛关键物候参数多种植被指数遥感提取的适用性——基于CO2 通量观测和Sentinel-2数据
2
2021
... 采用DHT模型（式（10） ）拟合通量塔GPPm 和遥感植被指数NDVI、EVI2 、NIRv 的生长曲线.但由于DHT只能模拟单生长季内GPP/植被指数的周期性变化规律，无法在多年/多个生长季之间的进行连续拟合，本研究应用GMF模型（式（11） ）在3 a时间窗口（步长为1 a）对DHT拟合曲线进行融合重构.在GMF算法中，参数α （t ）和β （t ）采用周昊强等（2021） 发展的三次多项式版本（式（12） ）［45 ］ . ...
... ［45 ］. ...
基于多遥感产品和地面观测的北极苔原春季返青期特征研究
1
2020
... 在对通量塔GPP和各植被指数进行生长曲线拟合的基础上，逐生长季提取各指标的关键物候参数SOS、POS和EOS.其中，SOS和EOS采用动态阈值法提取，即将年生长曲线最大值左（右）两侧20%振幅对应的日期定义为SOS（EOS）［46 ］ .POS由年生长曲线最大值对应的日期确定［14 ］ . ...
基于多遥感产品和地面观测的北极苔原春季返青期特征研究
1
2020
... 在对通量塔GPP和各植被指数进行生长曲线拟合的基础上，逐生长季提取各指标的关键物候参数SOS、POS和EOS.其中，SOS和EOS采用动态阈值法提取，即将年生长曲线最大值左（右）两侧20%振幅对应的日期定义为SOS（EOS）［46 ］ .POS由年生长曲线最大值对应的日期确定［14 ］ . ...
Ground and satellite phenology in alpine forests are becoming more heterogeneous across higher elevations with warming
1
2021
... 为降低植被类型和海拔梯度对亚高山草甸LSP提取结果的影响，在融合试验区（500 × 500像元）内，再提取距通量塔高程 ± 50 m的亚高山草甸边界，在像元尺度上进行各植被指数的生长曲线拟合和LSP提取.在此基础上，为进一步去除地表植被季节周期不完整和土地覆盖数据少量错分造成的LSP异常，本研究提取各植被指数LSP在第5和第95百分位数之间的数值作为有效数据开展后续研究［47 ］ .图7 为基于ESTARFM融合EVI2 、NDVI、NIRv 提取的2013 ~ 2020年平均LSP的空间分布.从图看出，3种植被指数在SOS的提取差异较大，其中NDVI识别的SOS最早（125~135 d），EVI2 次之（130~140 d），而NIRv 最晚（140~150 d）.对POS而言，3种植被指数具有相似的空间分布特征（210~220 d），说明3种植被指数识别POS的能力较接近.而3种融合植被指数识别EOS的能力正好与SOS的结果相反，即NIRv 提取的EOS最早（270~290 d），EVI2 次之（280~300 d），NDVI最晚（290~310 d）. ...
热带山区高时空分辨率NDVI融合精度及其影响因素分析
1
2022
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
热带山区高时空分辨率NDVI融合精度及其影响因素分析
1
2022
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
A snow-free vegetation index for improved monitoring of vegetation spring green-up date in deciduous ecosystems
1
2017
... 尽管植被指数EVI2 、NDVI和NIRv 在计算时使用的波段相同（均为红光和近红外波段），但它们在ESTARFM融合精度和LSP提取的准确性方面存在明显差异.ESTARFM模型的融合精度验证结果表明，站点尺度上（无云污染，云量为0），EVI2 和NIRv 的融合精度基本一致（图4 ）；而在像元尺度上（存在云污染，云量小于20 %），EVI2 的融合精度略低于NIRv （图5 ）.这可能的原因是NIRv 在算法上引入了近红外反射率，通过近红外反射率与NDVI的乘积来有效增大混合像元中植被引起的近红外反射率比例，降低了土壤背景反射的干扰，进而提高与光合有效辐射吸收比率（f PAR）的机理联系，这解释了本研究中NIRv 在云污染条件下保持较高准确性的原因［44 ］ .同样，由于EVI2 在计算中对土壤背景辐射的影响进行了参数校正，因此其融合精度与NIRv 总体相同.但是，EVI2 未将矫正气溶胶噪声的蓝光波段引入到算法中［43 ］ ，这可能是导致在有云污染条件下EVI2 融合影像出现较大偏差的原因之一.除上述因素外，已有研究表明不同传感器之间的光谱匹配度差异会导致反射率存在非线性关系，进而影响融合精度［21 ，48 ］ .因此，本研究采用的VIIRS、ETM+和OLI传感器在红光和近红外波段的光谱差异（表1 ）可能是导致融合数据和Landsat数据不一致的原因之一.从物候参数提取结果来看，新型植被植被指数（NIRv ）对SOS和EOS的识别能力最强（NIRv > EVI2 > NDVI），而传统植被指数（NDVI）对POS识别能力最优（NDVI > EVI2 > NIRv ）.对于高寒地区植被而言，生长季始期和末期的植被覆盖度较低，土壤背景反射更容易影响植被反射率，可能导致未校正土壤背景反射的NDVI识别春季SOS和秋季EOS的能力相对较弱［49 ］. 该特征在生物量较低的亚高山草甸表现更为明显.与NDVI相比，植被指数NIRv 和EVI2 在算法上降低了土壤背景辐射的干扰，致使二者提取亚高山草甸生长和枯黄阶段物候特征具有较高准确性［43 -44 ］ . ...
An ESTARFM fusion framework for the generation of large-scale time series in cloud-prone and heterogeneous landscapes
2
2016
... 对于时空融合算法，相较于STARFM算法，改进的ESTARFM算法考虑了像元异质性，通过引入端元与混合像元反射率的转换系数，从而明显提升了对复杂和异质性地物的预测精度［50 ］ .然而，ESTARFM算法假设端元反射率在短期内发生线性变化，因此当输入算法的基础影像对之间时间间隔过长时，融合精度会降低［21 ，50 ］ .除此之外，像元随时间的变化模式也会影响融合精度.例如，Shen等［51 ］ 的研究表明，基础影像日期对于随时间单调线性变化影像的融合精度影响较小，但对于随时间单调非线性变化和非单调变化影像的融合精度影响较大.因此，选择更接近预测日期的影像能够明显提高这两种变化模式的影像融合精度.本研究的试验区位于西北内陆的祁连山高海拔地区，植被生长季较短，积雪覆盖时间较长，冬季基础影像对的时间间隔通常超过140 d（图2 ），这可能对ESTARFM算法的准确性产生较大影响.但对于区域尺度的植被物候监测而言，在冬季，植被指数影像的像元值基本稳定在背景值附近，因此该时段内影像融合精度的降低不会对全年的生长曲线拟合和LSP提取产生严重的影响.在本研究中，输入ESTARFM算法的基础影像对之间最长的时间间隔出现在2014年221 d ~ 2015年176 d之间，且该时段内待融合的影像时间序列分布稀疏（图2 （b）~图2 （c））.在上述因素的综合影响下，融合影像提取2014年EOS的准确性明显降低（图9 （c）、图10 （c））.这说明了长期积雪覆盖是高寒区植被监测的主要挑战之一. ...
... ，50 ］.除此之外，像元随时间的变化模式也会影响融合精度.例如，Shen等［51 ］ 的研究表明，基础影像日期对于随时间单调线性变化影像的融合精度影响较小，但对于随时间单调非线性变化和非单调变化影像的融合精度影响较大.因此，选择更接近预测日期的影像能够明显提高这两种变化模式的影像融合精度.本研究的试验区位于西北内陆的祁连山高海拔地区，植被生长季较短，积雪覆盖时间较长，冬季基础影像对的时间间隔通常超过140 d（图2 ），这可能对ESTARFM算法的准确性产生较大影响.但对于区域尺度的植被物候监测而言，在冬季，植被指数影像的像元值基本稳定在背景值附近，因此该时段内影像融合精度的降低不会对全年的生长曲线拟合和LSP提取产生严重的影响.在本研究中，输入ESTARFM算法的基础影像对之间最长的时间间隔出现在2014年221 d ~ 2015年176 d之间，且该时段内待融合的影像时间序列分布稀疏（图2 （b）~图2 （c））.在上述因素的综合影响下，融合影像提取2014年EOS的准确性明显降低（图9 （c）、图10 （c））.这说明了长期积雪覆盖是高寒区植被监测的主要挑战之一. ...
Impact of the dates of input image pairs on spatio-temporal fusion for time series with different temporal variation patterns
1
2022
... 对于时空融合算法，相较于STARFM算法，改进的ESTARFM算法考虑了像元异质性，通过引入端元与混合像元反射率的转换系数，从而明显提升了对复杂和异质性地物的预测精度［50 ］ .然而，ESTARFM算法假设端元反射率在短期内发生线性变化，因此当输入算法的基础影像对之间时间间隔过长时，融合精度会降低［21 ，50 ］ .除此之外，像元随时间的变化模式也会影响融合精度.例如，Shen等［51 ］ 的研究表明，基础影像日期对于随时间单调线性变化影像的融合精度影响较小，但对于随时间单调非线性变化和非单调变化影像的融合精度影响较大.因此，选择更接近预测日期的影像能够明显提高这两种变化模式的影像融合精度.本研究的试验区位于西北内陆的祁连山高海拔地区，植被生长季较短，积雪覆盖时间较长，冬季基础影像对的时间间隔通常超过140 d（图2 ），这可能对ESTARFM算法的准确性产生较大影响.但对于区域尺度的植被物候监测而言，在冬季，植被指数影像的像元值基本稳定在背景值附近，因此该时段内影像融合精度的降低不会对全年的生长曲线拟合和LSP提取产生严重的影响.在本研究中，输入ESTARFM算法的基础影像对之间最长的时间间隔出现在2014年221 d ~ 2015年176 d之间，且该时段内待融合的影像时间序列分布稀疏（图2 （b）~图2 （c））.在上述因素的综合影响下，融合影像提取2014年EOS的准确性明显降低（图9 （c）、图10 （c））.这说明了长期积雪覆盖是高寒区植被监测的主要挑战之一. ...
Satellite-observed solar-induced chlorophyll fluorescence reveals higher sensitivity of alpine ecosystems to snow cover on the Tibetan Plateau
1
2019
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
Satellite chlorophyll fluorescence measurements reveal large-scale decoupling of photosynthesis and greenness dynamics in boreal evergreen forests
1
2016
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
Amazon drought and forest response： Largely reduced forest photosynthesis but slightly increased canopy greenness during the extreme drought of 2015/2016
1
2018
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
全球日光诱导叶绿素荧光卫星遥感产品研究进展与展望
1
2021
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
全球日光诱导叶绿素荧光卫星遥感产品研究进展与展望
1
2021
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
Remote sensing of Solar-Induced chlorophyll Fluorescence （SIF） in vegetation： 50 years of progress
1
2019
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
Combining near-infrared radiance of vegetation and fluorescence spectroscopy to detect effects of abiotic changes and stresses
1
2022
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
Global datasets of leaf photosynthetic capacity for ecological and earth system research
1
2022
... 本研究利用通量塔实测的碳通量（NEE）和微气象数据估算的GPP作为地面验证数据，验证3种植被指数融合影像识别亚高山草甸关键物候参数的准确性.然而，由于EC技术在机理上与光学遥感植被指数存在差异，可能会出现胁迫条件下植被冠层绿度与CO2 吸收解耦的不确定性影响.例如，Qiu 等［52 ］ 的研究表明春季积雪覆盖导致由EVI表征的青藏高原高寒生态系统绿度和光合作用发生解耦.而Walther等［53 ］ 发现，在春季低温胁迫下，北半球常绿针叶林冠层绿度开始增加的日期晚于光合作用的起始日期.另外，Yang 等［54 ］ 的研究表明，2015 ~ 2016年亚马逊地区雨季发生的干旱事件导致热带雨林的冠层绿度增加，但光合作用却减少.因此，在未来工作中，将结合研究区长时序的物候相机和叶面积指数仪等地面观测手段，对基于光学遥感的物候提取结果进行多源验证.此外，在遥感手段上，随着与植被光合作用机理联系紧密的日光诱导叶绿素荧光（SIF）反演算法和传感器质量的不断改进［55 -56 ］. 未来可应用不同时空分辨率的多源SIF数据（GOME-2、OCO-2和TROPOMI等）开展时空融合试验，并与数据其他数据驱动算法进行比较，以期在生态系统尺度为提升植物生理生化参数反演的准确性和为植被生长的环境胁迫提供早期预警［57 ，58 ］ ，从而降低区域至全球碳通量估算的不确定性. ...
