王敏鈺，羅毅，張正陽(yáng)，謝巧云，吳小丹，馬軒龍

1.蘭州大學(xué) 資源環(huán)境學(xué)院,蘭州 730000;2.悉尼科技大學(xué) 生命科學(xué)學(xué)院,澳大利亞悉尼 2007

1 引 言

植被物候是自然界植物受遺傳因素與周圍環(huán)境（氣象、土壤、人類活動(dòng)等）共同影響而產(chǎn)生周期性變化的生物學(xué)現(xiàn)象，是表征生態(tài)系統(tǒng)動(dòng)態(tài)及其對(duì)環(huán)境變化響應(yīng)方式的重要生態(tài)系統(tǒng)參數(shù)（竺可楨和宛敏渭，1973；Caparros-Santiago 等，2021；Zhu等，2011）。在諸如糧食安全（袁婧薇和倪健，2007；Lobell等，2008）、霜凍災(zāi)害（H?nninen，2006；Ge 等，2013；戴君虎 等，2013）、干旱（Brown 和de Beurs，2008；牟成香 等，2013）、森林火災(zāi)風(fēng)險(xiǎn)（Westerling 等，2006）、生態(tài)系統(tǒng)碳平衡以及水分和能量交換（Running 和Hunt，1993；Xiao等，2009；Wang 等，2021）等研究領(lǐng)域中，植被物候都是重要的變量。氣候變化，尤其是溫度變化，對(duì)植被物候具有顯著影響。譬如，氣候變暖可能通過(guò)擴(kuò)大蒸發(fā)或加大植被活動(dòng)層深度，導(dǎo)致土壤水分流失加劇、水分有效性減少，從而影響物候。植被生長(zhǎng)季節(jié)的變化進(jìn)一步影響了生態(tài)系統(tǒng)功能，并有可能反作用于氣候系統(tǒng)（Shen 等，2015）。植被是氣候變化的重要調(diào)控因子，對(duì)植被物候期的長(zhǎng)期觀測(cè)和準(zhǔn)確描述，能夠顯著提高全球陸地生態(tài)模型對(duì)碳、水、能量循環(huán)的模擬和預(yù)測(cè)精度（White 和Nemani，2006；Zhang 等，2003；Richardson 等，2012）。植被物候信息還可以作為全球動(dòng)態(tài)植被模型DGVMs （Dynamic Global Vegetation Models）和全球循環(huán)模型GCMs（Global Circulation Models）重要的輸入?yún)?shù)（Running 和Hunt，1993；溫剛和符淙斌，2000）。

傳統(tǒng)的植被物候研究主要基于野外實(shí)地觀測(cè)，探究植株或物種尺度的生長(zhǎng)周期事件如發(fā)芽、展葉、開(kāi)花、結(jié)果等（Verhegghen 等，2014）。野外實(shí)地觀測(cè)方式雖然比較直觀，但同時(shí)也存在觀測(cè)結(jié)果在空間尺度上不連續(xù)、易受觀測(cè)者主觀經(jīng)驗(yàn)影響等問(wèn)題，在構(gòu)建大尺度和長(zhǎng)時(shí)序的物候觀測(cè)數(shù)據(jù)集等方面存在諸多挑戰(zhàn)（葛全勝等，2010；陳效逑和王林海，2009；武永峰等，2008）。隨著遙感技術(shù)的發(fā)展，星載多光譜傳感器獲取的多時(shí)相空間連續(xù)觀測(cè)，能夠彌補(bǔ)傳統(tǒng)植被物候觀測(cè)的局限性，使得在全球尺度上研究植被物候及其與氣候變化和人類活動(dòng)之間的關(guān)系成為可能。遙感提取的植被物候參數(shù)，實(shí)現(xiàn)了物候觀測(cè)由“點(diǎn)”向“面”的空間尺度轉(zhuǎn)換，日漸成為農(nóng)牧業(yè)管理、氣候變化響應(yīng)、全球碳水循環(huán)等研究中不可或缺的技術(shù)手段（張學(xué)霞 等，2004；Piao 等，2008；侯學(xué)會(huì) 等，2013；Piao 等，2019；Fu 等，2015；Shen等，2015；項(xiàng)銘濤等，2018）。

衛(wèi)星影像很難直接觀察到單個(gè)植株的物候現(xiàn)象，因此需要一種能夠量化像元尺度植被物候期的方式，即“遙感地表物候”LSP（Land Surface Phenology）（Henebry 和de Beurs，2013）。不同于傳統(tǒng)地面物候監(jiān)測(cè)主要基于個(gè)體尺度，遙感地表物候關(guān)注的是像元尺度（數(shù)米到數(shù)公里）上基于電磁波譜信號(hào)測(cè)量得到的宏觀地表植被季節(jié)變化和物候特征（Reed 等，2009）。需要注意的是，像元尺度的遙感地表物候并不等于像元內(nèi)所有植株物候期的簡(jiǎn)單算術(shù)平均，也就是遙感物候具有鮮明的“尺度效應(yīng)”（Liu 等，2019）。像元尺度的遙感地表物候代表了由特定傳感器所能夠探測(cè)到的單個(gè)像元面積內(nèi)所有植被及非植被組分（陰影、土壤背景）整體反射率及植被指數(shù)隨時(shí)間變化信號(hào)中所提取出的關(guān)鍵時(shí)間節(jié)點(diǎn)（譬如曲率變化率極值）（Hanes等，2014）。

近些年來(lái)，隨著日光誘導(dǎo)葉綠素?zé)晒釹IF（Sun/Solar-Induced chlorophyll Fluorescence）、微波植被光學(xué)厚度VOD（Vegetation Optical Depth）和近紅外植被指數(shù)（NIRv）等新興指數(shù)的發(fā)展，遙感物候監(jiān)測(cè)的數(shù)據(jù)源日漸豐富。同時(shí)，諸如奇異譜分析SSA（Singular Spectrum Analysis）、變化點(diǎn)檢測(cè)（change-point detection）等數(shù)學(xué)方法的引入也豐富了遙感時(shí)序數(shù)據(jù)重構(gòu)和物候參數(shù)提取的途徑。此外，通量網(wǎng)絡(luò)和物候相機(jī)等不同的地面觀測(cè)數(shù)據(jù)，極大地豐富了遙感物候參數(shù)的驗(yàn)證數(shù)據(jù)源。無(wú)人機(jī)技術(shù)的發(fā)展也為傳統(tǒng)上困擾遙感物候驗(yàn)證的“點(diǎn)—面”尺度轉(zhuǎn)換問(wèn)題提供了新的解決思路。除了新數(shù)據(jù)、新方法和新的驗(yàn)證途徑之外，學(xué)者們也致力于量化并減少遙感物候參數(shù)提取過(guò)程的不確定性，包括模型參數(shù)或閾值的設(shè)置（Reed 等，1994）、數(shù)據(jù)缺失與數(shù)據(jù)噪聲（Moulin等，1997）、提取方法適用度（Zeng 等，2020）、植物生理異質(zhì)性（Zhou，2019）、混合像元效應(yīng)（Chen 等，2018）、太陽(yáng)—傳感器幾何效應(yīng)等（Ma等，2020），以進(jìn)一步提升植被物候遙感提取結(jié)果的準(zhǔn)確性。此外，在科學(xué)數(shù)據(jù)共享的大趨勢(shì)下，國(guó)內(nèi)外相關(guān)專題產(chǎn)品也不斷發(fā)布，得到了不同行業(yè)用戶的廣泛使用。在此背景下，有必要對(duì)近些年植被物候遙感研究領(lǐng)域的發(fā)展進(jìn)行一個(gè)系統(tǒng)回顧和梳理。本文從數(shù)據(jù)源、處理方法、提取算法、驗(yàn)證方式和產(chǎn)品發(fā)展等主要技術(shù)層面入手，對(duì)研究領(lǐng)域現(xiàn)狀、存在的問(wèn)題以及未來(lái)的發(fā)展趨勢(shì)進(jìn)行深入討論。

2 植物物候遙感技術(shù)發(fā)展

2.1 數(shù)據(jù)源

傳統(tǒng)上，基于星載多光譜傳感器獲取的光學(xué)植被指數(shù)SVI（Spectral Vegetation Indices）是植被物候遙感的主要數(shù)據(jù)源（表1）。雖然歸一化差值植被 指 數(shù)NDVI （Normalized Difference Vegetation Index）是目前植被物候遙感中使用最為廣泛的植被指數(shù)，但是其在熱帶雨林等地上生物量較高的地區(qū)會(huì)出現(xiàn)過(guò)飽和現(xiàn)象，而在低植被覆蓋度時(shí)易受土壤背景影響（劉嘯添等，2018），這些因素都會(huì)造成NDVI 時(shí)間序列形態(tài)的改變，進(jìn)而在物候參數(shù)提取結(jié)果中引入一定的不確定性（Maeda 和Galv?o，2015）。針對(duì)以上問(wèn)題，MODIS 植被指數(shù)產(chǎn)品團(tuán)隊(duì)開(kāi)發(fā)了新的增強(qiáng)型植被指數(shù)EVI （Enhanced Vegetation Index），通過(guò)引入藍(lán)光波段反射率并對(duì)計(jì)算公式進(jìn)行數(shù)學(xué)變換，減輕了大氣氣溶膠的散射和土壤背景輻射的影響（Huete 等，2002），同時(shí)在很大程度上降低了NDVI 過(guò)飽和所帶來(lái)的問(wèn)題。近些年來(lái)，EVI 及其雙波段版本EVI2 已經(jīng)被廣泛應(yīng)用到植被物候遙感的研究中。譬如MODIS和VIIRS 全球植被物候參數(shù)產(chǎn)品（MCD12Q2，VNP12Q2）均采用EVI 的雙波段版本（EVI2）作為其數(shù)據(jù)源（Zhang 等，2004，2018a）。但EVI 也存在對(duì)草地等低生物量區(qū)域植被生長(zhǎng)變化不夠敏感的問(wèn)題。此外，部分研究發(fā)現(xiàn)EVI在熱帶雨林地區(qū)對(duì)太陽(yáng)—傳感器幾何關(guān)系的變化所導(dǎo)致的BRDF效應(yīng)非常敏感，說(shuō)明了在使用EVI研究植被季節(jié)變化和提取物候時(shí)間節(jié)點(diǎn)過(guò)程中考慮BRDF效應(yīng)并對(duì)其進(jìn)行有效訂正的必要性（Galv?o等，2013；Petri和Galv?o等，2019）。

表1 植被物候遙感中的常用指數(shù)Table 1 Indices commonly used in remote sensing of vegetation phenology

近期一些研究發(fā)現(xiàn)，對(duì)于常綠針葉林這樣的生態(tài)系統(tǒng)，季節(jié)內(nèi)光合作用的變化主要是由冠層生理要素的變化驅(qū)動(dòng)的，因此類似葉綠素/胡蘿卜素指數(shù)CCI（Chlorophyll/Carotenoid Index）、光化學(xué)反射率指數(shù)PRI（Photochemical Reflectance Index）等生理指數(shù)（physiological indices）對(duì)于研究植被光合期物候來(lái)說(shuō)比傳統(tǒng)的結(jié)構(gòu)指數(shù)（structural indices）更加適合（Yin 等，2020）。NIRv 是新發(fā)展的一種植被指數(shù)，其計(jì)算方式為NDVI 和近紅外反射率（或輻亮度）的乘積。研究發(fā)現(xiàn)，NIRv 在全球尺度上與總初級(jí)生產(chǎn)力GPP（Gross Primary Production） 的相關(guān)性優(yōu)于NDVI （Badgley 等，2017）。此外，與NDVI 相比，NIRv 可以在高生物量區(qū)域使用，有效減輕了植被—土壤混合像元的影響，并與EVI 緊密相關(guān)（Hinojo-Hinojo 和Goulden，2020）。NDVI 對(duì)地形不敏感，但是EVI和NIRv 需要根據(jù)山地地形效應(yīng)進(jìn)行校正（Chen等，2020a）。

此外，與地表背景有關(guān)的一些指數(shù)也在植被物候參數(shù)提取中得到了應(yīng)用。如歸一化差值積雪指 數(shù)NDSI （Normalized Difference Snow Index） 和歸一化差值物候指數(shù)NDPI（Normalized Difference Phenology Index），通過(guò)識(shí)別出積雪和冰的存在時(shí)間，減小了積雪背景在植物春季物候提取中造成的不確定性（Zhang 等，2003；Wang 等，2017a；Xu 等，2021）。Jin 和Eklundh（2014）開(kāi)發(fā)的植物物候指數(shù)PPI（Plant Phenology Index），其通過(guò)嚴(yán)謹(jǐn)?shù)妮椛鋫鬏斘锢磉^(guò)程推導(dǎo)，有效減輕了土壤和積雪背景的影響，提高了遙感提取常綠針葉林物候的精確度。Tian 等（2021a）在歐洲范圍內(nèi)的研究進(jìn)一步發(fā)現(xiàn)，使用Sentinel-2 PPI 指數(shù)計(jì)算的物候期，與地面物候觀測(cè)之間的相關(guān)性要優(yōu)于從NDVI和EVI中提取到的結(jié)果。

除了傳統(tǒng)的光學(xué)植被指數(shù)，一些新的遙感指標(biāo)也被應(yīng)用到植被物候遙感監(jiān)測(cè)中，比較有代表性的是日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）和微波植被光學(xué)厚度（VOD）。理論上，SIF 與植物光合作用的過(guò)程具有更直接的聯(lián)系，可以與光學(xué)植被指數(shù)在物候監(jiān)測(cè)中形成很好的互補(bǔ)。Dannenberg 等（2020）的研究發(fā)現(xiàn)，在地上生物量較低的情況下，通過(guò)SIF 估算的物候參數(shù)的像元數(shù)量雖然比借助NDVI 的數(shù)量要少（亦即提取成功率較低），但SIF 在捕獲年內(nèi)植被生長(zhǎng)季動(dòng)態(tài)方面的能力更強(qiáng)?，F(xiàn)有的衛(wèi)星SIF 數(shù)據(jù)原始空間分辨率仍然較粗，通過(guò)機(jī)器學(xué)習(xí)方法建立SIF 與其他遙感指標(biāo)之間的關(guān)系，可以生產(chǎn)較高分辨率的SIF數(shù)據(jù)集，譬如CSIF（Contiguous SIF）（Zhang 等，2018c） 和SIFoco2_005（Yu 等，2019）等?，F(xiàn)有的SIF 產(chǎn)品都是基于非專門設(shè)計(jì)的星載傳感器，未來(lái)歐洲空間局計(jì)劃發(fā)射的專門用來(lái)反演SIF 的FLEX 星載傳感器，預(yù)期可以為研究生態(tài)系統(tǒng)光合物候提供空間分辨率更高、連續(xù)性更好、更為準(zhǔn)確的SIF 數(shù)據(jù)產(chǎn)品（De Grave等，2020）。

微波遙感反演的VOD 能夠反映植被冠層含水量和生物量，其在植被物候遙感方面也具有一定的應(yīng)用潛力（Tong 等，2019；Alemu 和Henebry，2017；Jones等，2011）。相比較傳統(tǒng)光學(xué)遙感，衛(wèi)星VOD 較少受大氣條件和云的影響，在熱帶亞熱帶地區(qū)和降水量豐富的季節(jié)，能夠提供時(shí)空連續(xù)性更好的觀測(cè)（Fan 等，2019）。衛(wèi)星VOD 所提供的獨(dú)特的植被冠層含水量信息，在解釋植被葉片物候的時(shí)空動(dòng)態(tài)方面具有一定的價(jià)值（Tian 等，2018）。目前衛(wèi)星VOD產(chǎn)品的主要局限在于空間分辨率通常較粗，無(wú)法反映精細(xì)尺度上地表植被物候變化。

除以上遙感指數(shù)之外，激光雷達(dá)（LiDAR）可以提取包括森林高度、樹(shù)木冠幅在內(nèi)的植被結(jié)構(gòu)參數(shù)，可以用來(lái)研究植被物候尤其是葉片物候（植被指數(shù)）、光合物候（SIF）與結(jié)構(gòu)物候之間的聯(lián)系。NASA 近些年發(fā)射了GEDI（Global Ecosystem Dynamics Investigation）星載激光雷達(dá)，其在森林物候研究中的應(yīng)用潛力已經(jīng)得到關(guān)注（Sala，2021）。雖然激光雷達(dá)能夠解析植被結(jié)構(gòu)，且與其他數(shù)據(jù)結(jié)合具有一定的物種分類潛力，但由于可用性以及成本限制（譬如時(shí)序數(shù)據(jù)較少），數(shù)據(jù)的實(shí)際使用存在一定的困難（Grabska 等，2019）。此外，目前全球尺度上時(shí)空連續(xù)的星載LiDAR 數(shù)據(jù)仍然缺乏（Qi 和Dubayah，2016）。數(shù)據(jù)融合技術(shù)是將星載激光雷達(dá)數(shù)據(jù)用于植被物候研究的一個(gè)有效技術(shù)途徑，譬如將GEDI 與TanDEM-X InSAR數(shù)據(jù)進(jìn)行融合以生成時(shí)空無(wú)縫的全球森林高度數(shù)據(jù)（Qi等，2019）。

總體而言，傳統(tǒng)光學(xué)植被指數(shù)經(jīng)過(guò)數(shù)十年的發(fā)展，已經(jīng)積累了長(zhǎng)時(shí)間序列的觀測(cè)數(shù)據(jù)，仍然是研究植被物候?qū)夂蜃兓憫?yīng)的主要數(shù)據(jù)源。且植被指數(shù)數(shù)據(jù)空間分辨率較高，能夠更好地滿足農(nóng)業(yè)等領(lǐng)域?qū)嶋H應(yīng)用需求。新的遙感指數(shù)，譬如SIF，在干旱生態(tài)系統(tǒng)或農(nóng)田生態(tài)系統(tǒng)的物候監(jiān)測(cè)中已經(jīng)體現(xiàn)出了一定的價(jià)值，但其潛力仍然有待充分挖掘。相比較光學(xué)指數(shù)，基于微波遙感的VOD 更適合對(duì)與亞熱帶或熱帶多云地區(qū)植被物候的監(jiān)測(cè)，但目前分辨率較粗是制約其廣泛應(yīng)用的主要因素。未來(lái)綜合使用多源遙感指數(shù)對(duì)物候變化進(jìn)行分析，將有可能得到更加可靠和準(zhǔn)確的結(jié)論，并發(fā)現(xiàn)不同指數(shù)所描述的植被變化過(guò)程之間的內(nèi)在聯(lián)系。

2.2 遙感時(shí)序數(shù)據(jù)預(yù)處理方法

遙感數(shù)據(jù)在采集的過(guò)程中會(huì)受到來(lái)自大氣條件和遙感平臺(tái)的影響，包括云、氣溶膠、太陽(yáng)—傳感器觀測(cè)幾何、傳感器退化問(wèn)題等，且這些因素在時(shí)間上的出現(xiàn)具有隨機(jī)性，進(jìn)而在植被指數(shù)時(shí)序數(shù)據(jù)中引入一定的數(shù)據(jù)噪聲（于信芳和莊大方，2006）。由于數(shù)據(jù)噪聲的存在，植被指數(shù)季節(jié)曲線中常常存在異常值和缺失值等問(wèn)題，對(duì)準(zhǔn)確提取物候期時(shí)間節(jié)點(diǎn)造成了困擾。通常需要對(duì)植被指數(shù)時(shí)序數(shù)據(jù)進(jìn)行重構(gòu)（reconstruction）和空值插補(bǔ)（gap-filling），以達(dá)到增加數(shù)據(jù)連續(xù)性、平滑降噪、突顯植被季節(jié)變化信號(hào)以利于物候參數(shù)提取的目的。

時(shí)序數(shù)據(jù)重構(gòu)方法總體上可以歸為兩類——擬合（fitting）和濾波（filtering）。擬合法通過(guò)選擇一個(gè)目標(biāo)函數(shù)，利用最小二乘法對(duì)時(shí)間序列逼近以達(dá)到平滑數(shù)據(jù)的目的。常用的擬合目標(biāo)函數(shù)包括非對(duì)稱高斯函數(shù)（asymmetric gaussian）（J?nsson 和Eklundh，2002）、雙邏輯斯蒂函數(shù)（double-logistic）（Beck等，2006）、局部樣條函數(shù)（local spline）（Cai等，2017）、不同階多項(xiàng)式函數(shù)（different order polynomial functions）（Zhu等，2012；Piao等，2006）等。而濾波法則是使用濾波器或窗口平滑方式去噪，常用的濾波方法包括S-G 濾波器（Savitzky-Golay filter）（Chen 等，2004）、惠泰克濾波器（Whitakker filter）、傅里葉變換（Fourier transformation）（Ibrahim 等，2018；郭昱杉等，2017）、小波變換（Wavelet transformation）（Sakamoto 等，2006）、滑動(dòng)中值/均值濾波器（Moving median/mean）（Ganguly等，2010）和奇異譜分析SSA（Singular Spectrum Analysis）（Ma等，2013）等。

時(shí)序數(shù)據(jù)重構(gòu)屬于物候參數(shù)提取之前的數(shù)據(jù)預(yù)處理步驟。為了提高該項(xiàng)工作的效率，降低非遙感領(lǐng)域研究者的門檻，不同類型的時(shí)序數(shù)據(jù)重構(gòu)開(kāi)源軟件相繼被開(kāi)發(fā)出來(lái)。除了TIMESAT（J?nsson 和Eklundh，2002）等圖形化界面軟件之外，近些年來(lái)，基于開(kāi)源R 或者Python 計(jì)算機(jī)語(yǔ)言，許多簡(jiǎn)便易用的物候參數(shù)提取軟件包也被開(kāi)發(fā)出來(lái)。譬如基于R 語(yǔ)言的phenology 軟件包可實(shí)現(xiàn)數(shù)字圖像處理和物候時(shí)間節(jié)點(diǎn)提取等功能（Filippa 等，2020）。再如同樣是基于R 語(yǔ)言，由美國(guó)國(guó)家生態(tài)觀測(cè)網(wǎng)絡(luò)NEON（National Ecological Observatory Network）發(fā)布的phenor 軟件包，可用來(lái)對(duì)PhenoCam 數(shù)據(jù)或其他物候觀測(cè)數(shù)據(jù)進(jìn)行處理和分析。基于Python 的物候提取代碼包有PhenoPy（https：//github.com/JavierLopatin/PhenoPY［2021-09-10］）、和Phenology（https：//github.com/lewistrotter/Phenolopy［2021-09-10］）。

總的來(lái)說(shuō)，目前遙感時(shí)序數(shù)據(jù)預(yù)處理的方法較多，不同研究通常根據(jù)研究區(qū)植被生長(zhǎng)特點(diǎn)和數(shù)據(jù)源質(zhì)量采用最適用的方法。在定量比較了幾種主要的時(shí)序數(shù)據(jù)重構(gòu)方法之后，Atkinson 等（2012）發(fā)現(xiàn)惠泰克濾波和傅立葉變換對(duì)于原始數(shù)據(jù)的平滑效果最好，但是雙邏輯斯蒂函數(shù)和傅立葉變換對(duì)于數(shù)據(jù)中的噪聲具有更好的去除效果。同時(shí)，針對(duì)干旱地區(qū)的落葉植被，不同方法估算的生長(zhǎng)季開(kāi)始時(shí)間最大可相差3—4 周，而在常綠植被上差距較小，但也在1 周左右（Atkinson 等，2012）。對(duì)于青藏高原的高寒草地，研究發(fā)現(xiàn)時(shí)序數(shù)據(jù)重構(gòu)質(zhì)量對(duì)于生長(zhǎng)季開(kāi)始時(shí)間的提取準(zhǔn)確度有著決定性的影響（Li 等，2020）。比較不同時(shí)序重構(gòu)方法，Li 等（2020）得出的研究結(jié)論是NDVI時(shí)間序列諧波分析法HANTS（Harmonic Analysis of NDVI Time-Series）提取出的生長(zhǎng)季開(kāi)始時(shí)間與地面觀測(cè)結(jié)果之間誤差最?。≧MSE 在11—12 d）。迄今為止，植被物候遙感中仍然不存在普遍采用的時(shí)序數(shù)據(jù)重構(gòu)方法，且這些方法或多或少都會(huì)引入一定的主觀性（譬如平滑窗口大小的選擇或者多項(xiàng)式階數(shù)的設(shè)定等）?？紤]到時(shí)序數(shù)據(jù)重構(gòu)方法對(duì)物候參數(shù)提取結(jié)果具有顯著影響，未來(lái)急需尋求通用性更好的方法，或者降低目前使用方法的主觀性和隨意性，以便增加不同研究結(jié)果之間的可比性。

2.3 物候參數(shù)提取方法研究進(jìn)展

2.3.1 生長(zhǎng)季的劃分

傳統(tǒng)的植被物候監(jiān)測(cè)基于研究人員的肉眼觀測(cè)，通過(guò)視覺(jué)特征記錄單株或一個(gè)群落內(nèi)多個(gè)植株物候事件（譬如展葉、始花、抽穗等）發(fā)生的時(shí)間節(jié)點(diǎn)。與之相比，遙感物候通常根據(jù)植被指數(shù)季節(jié)曲線（seasonal profile）的形態(tài)特征來(lái)劃分不同的生長(zhǎng)期。因?yàn)檠芯繉?duì)象不同，植被生長(zhǎng)期的定義和對(duì)應(yīng)物候期參數(shù)的提取方法也不盡相同（表2）。

表2 以農(nóng)作物為例的遙感物候期與傳統(tǒng)物候觀測(cè)時(shí)間節(jié)點(diǎn)的對(duì)應(yīng)關(guān)系Table 2 Correspondence between remote sensing phenological parameters and traditional phenological observational time nodes（Taking crops for example）

在MODIS 全球物候產(chǎn)品中，Zhang 等（2003）定義了4個(gè)關(guān)鍵的物候轉(zhuǎn)換日期，即綠期（greenup）、成熟期（maturity）、衰落期（senescence）和休眠期（dormancy）。而針對(duì)水田和旱地作物，Zhang等（2004）劃分了出苗期、抽穗期和收獲期等生長(zhǎng)期。其中，出苗期定義為植被指數(shù)曲線上升斜率的最大值處，抽穗期為作物生長(zhǎng)季內(nèi)植被指數(shù)最大值處，而收獲期為植被指數(shù)曲線的下降斜率最大值處。針對(duì)高寒草地植被類型，馬曉芳等（2016）設(shè)置了返青期和枯黃期兩個(gè)生長(zhǎng)期。考慮到熱帶稀樹(shù)草原的樹(shù)—草雙層結(jié)構(gòu)，且樹(shù)多為常綠樹(shù)種，草多為一年或多年生草種，Ma等（2013）認(rèn)為遙感觀測(cè)的像元尺度物候信息主要反映的是林下草的生長(zhǎng)對(duì)于雨季的響應(yīng)，而旱季的植被信號(hào)主要來(lái)自樹(shù)木。

2.3.2 物候期參數(shù)遙感判定方法

遙感物候期時(shí)間節(jié)點(diǎn)判定的總體原則是基于植被指數(shù)時(shí)序數(shù)據(jù)的季節(jié)生長(zhǎng)曲線形態(tài)，通過(guò)設(shè)定一定的閾值或者尋找曲率變化速率的極值點(diǎn)來(lái)確定。常用的有閾值法、滑動(dòng)平均法和求導(dǎo)法3大類。

（1）閾值法：閾值法主要是通過(guò)設(shè)置植被指數(shù)的經(jīng)驗(yàn)閾值來(lái)確定植被生長(zhǎng)季開(kāi)始或結(jié)束的日期，可分為絕對(duì)閾值法（White等，2009；Wei等，2019；Shen 等，2012）、相對(duì)閾值法（馬曉芳等，2016；倪璐 等，2020）、最大斜率閾值法（范德芹等，2016）、累積頻率閾值法（陳效逑和喻蓉，2007）等。絕對(duì)閾值法簡(jiǎn)單易行，是早期植被物候遙感中常用的方法。然而因?yàn)椴煌寥李愋秃椭脖唤Y(jié)構(gòu)類型在植被指數(shù)的絕對(duì)數(shù)值方面存在較大差異，絕對(duì)閾值的設(shè)定難免主觀。相對(duì)閾值法通過(guò)在像元尺度上動(dòng)態(tài)設(shè)定基于當(dāng)季植被指數(shù)季節(jié)變化幅度的閾值，一定程度上避免了絕對(duì)閾值法的缺陷。此外，最大斜率閾值法也常被使用，其通過(guò)取植被指數(shù)擬合曲線的斜率最大時(shí)對(duì)應(yīng)的植被指數(shù)數(shù)值作為閾值，將首次達(dá)到該閾值時(shí)對(duì)應(yīng)的日期視為生長(zhǎng)季開(kāi)始時(shí)間（范德芹等，2016）。此外，累積頻率閾值法基于地面觀測(cè)數(shù)據(jù)而不單單從遙感角度出發(fā)，利用物候頻率分布型法，即將地面物候觀測(cè)數(shù)據(jù)轉(zhuǎn)換成相對(duì)應(yīng)的遙感物候階段，進(jìn)而再確定地面物候發(fā)生時(shí)對(duì)應(yīng)的植被指數(shù)數(shù)值并取該值作為閾值，某種程度上為遙感和地面觀測(cè)數(shù)據(jù)的有機(jī)結(jié)合提供了新思路（項(xiàng)銘濤等，2018；夏傳福等，2013）。

（2）滑動(dòng)平均法：又稱作延遲滑動(dòng)平均算法DMA（Delayed Moving Average）。此方法基于植被指數(shù)時(shí)序曲線與其滑動(dòng)平均值曲線的交叉點(diǎn)確定物候期關(guān)鍵時(shí)間點(diǎn)（Reed 等，1994；侯學(xué)會(huì) 等，2017）。該方法的優(yōu)點(diǎn)是應(yīng)用簡(jiǎn)單，但缺點(diǎn)是對(duì)數(shù)據(jù)中的噪聲、數(shù)據(jù)合成周期長(zhǎng)度、滑動(dòng)平均窗口大小的選擇等經(jīng)驗(yàn)參數(shù)比較敏感，特別是在原始時(shí)序數(shù)據(jù)中由于云覆蓋等因素造成觀測(cè)連續(xù)缺失時(shí)提取結(jié)果不確定性顯著增大（Zeng 等，2020）。在選取滑動(dòng)平均窗口大小時(shí)應(yīng)考慮不同植被類型的生長(zhǎng)季節(jié)規(guī)律差異，盡量避免受前一個(gè)周期的影響。

（3）求導(dǎo)方法：求導(dǎo)法通過(guò)對(duì)平滑后的植被指數(shù)時(shí)序數(shù)據(jù)求二階導(dǎo)數(shù)得到曲率變化率CCR（Curvature Change Rate），進(jìn)而通過(guò)尋找CCR 的極值來(lái)確定物候期關(guān)鍵節(jié)點(diǎn)（Zhang 等，2003）。植被指數(shù)上升速率變化率最大處視為生長(zhǎng)季開(kāi)始時(shí)間，下降速率變化率最大處視為生長(zhǎng)季結(jié)束時(shí)間。求導(dǎo)法的優(yōu)勢(shì)是不需要人為設(shè)置閾值，且提取出的閾值具有一定的物理意義，可以較為客觀的反映地表植被生長(zhǎng)變化過(guò)程中的突變點(diǎn)。求導(dǎo)法的缺點(diǎn)是對(duì)原始數(shù)據(jù)中的噪音非常敏感，需要對(duì)數(shù)據(jù)進(jìn)行較大程度的降噪處理，不可避免地存在過(guò)度平滑的風(fēng)險(xiǎn)。需要注意的是，在早期版本的MCD12Q2 MODIS 全球物候產(chǎn)品中，求導(dǎo)法被作為物候參數(shù)提取方法（https：//www.bu.edu/lcsc/files/2012/08/MCD12Q2_UserGuide.pdf［2021-09-10）。最新版本（c006）的MCD12Q2 中，物候參數(shù)提取方法被更新為相對(duì)閾值法（Gray等，2019b）。

（4）其他方法：除了以上3 種常用的方法之外，近些年也發(fā)展出了一些新的物候參數(shù)提取方法。Xie 和Wilson（2020）發(fā)展了一種基于變化點(diǎn)檢測(cè)的物候期判定方法，發(fā)現(xiàn)該方法在判定落葉森林生長(zhǎng)季開(kāi)始和結(jié)束時(shí)間方面能夠得到比基于分段邏輯斯蒂函數(shù)擬合與求導(dǎo)法更好的精度。此外，變化點(diǎn)檢測(cè)法的一個(gè)優(yōu)勢(shì)是其能夠提供每個(gè)物候期時(shí)間節(jié)點(diǎn)估算時(shí)的不確定性，便于后期定量分析。為了更好地解決時(shí)序數(shù)據(jù)突變或者數(shù)據(jù)噪聲的影響，Verbesselt 等（2010）發(fā)展了一種分離趨勢(shì)和季節(jié)項(xiàng)的突變點(diǎn)檢測(cè)方法（BFAST）。該方法的一個(gè)優(yōu)勢(shì)是無(wú)需人為設(shè)定閾值，尤其適合于基于長(zhǎng)時(shí)間序列觀測(cè)的物候期變化檢測(cè)。

總的來(lái)說(shuō)，與其他地表參數(shù)的遙感反演一樣，針對(duì)物候參數(shù)提取也發(fā)展出了不同的技術(shù)路線和算法，這在豐富研究手段的同時(shí)也客觀上造成相互比較的困難?？紤]到在目前的技術(shù)條件下，衛(wèi)星觀測(cè)仍然難以直接記錄植物物候現(xiàn)象，以不同尺度的地面觀測(cè)數(shù)據(jù)為輔助，選擇合適的物候期提取方法或閾值，賦予提取出的遙感物候參數(shù)更加明確的生物物理意義，而不僅僅是曲線上的某一個(gè)拐點(diǎn)，應(yīng)該是未來(lái)植被物候遙感急需解決的問(wèn)題。

3 遙感物候驗(yàn)證方法最新進(jìn)展

3.1 傳統(tǒng)物候觀測(cè)數(shù)據(jù)

利用傳統(tǒng)地面物候觀測(cè)數(shù)據(jù)對(duì)遙感物候反演結(jié)果進(jìn)行驗(yàn)證是最常用的方法。傳統(tǒng)地面觀測(cè)數(shù)據(jù)來(lái)源廣泛，涵蓋來(lái)自行業(yè)部門的觀測(cè)數(shù)據(jù)、統(tǒng)計(jì)年鑒、典型調(diào)查數(shù)據(jù)（包括觀測(cè)日記）等。譬如由竺可楨先生在1963年倡導(dǎo)建立的中國(guó)物候觀測(cè)網(wǎng)（cpon.ac.cn［2021-09-10］），迄今為止記錄了全國(guó)各省近150種的木本植物的物候期信息，不僅可以用來(lái)驗(yàn)證遙感物候反演結(jié)果，還可以用來(lái)研究長(zhǎng)時(shí)間尺度下植被對(duì)氣候變化的響應(yīng)機(jī)制（葛全勝等，2010）。除中國(guó)外，美國(guó)的National Phenology Network、芬蘭的MetINFO Phenology in Finland、歐 洲 的Pan European Phenology Project，也從國(guó)家/洲的尺度上提供了豐富多樣的植被物候地面觀測(cè)數(shù)據(jù)，可以用來(lái)對(duì)遙感反演結(jié)果進(jìn)行驗(yàn)證。

鑒于地面物候觀測(cè)記錄站點(diǎn)樣本區(qū)內(nèi)所有植物物種的物候期的發(fā)生時(shí)間，與像元尺度的遙感物候結(jié)果不具有直接的可比性，因此，地面物候觀測(cè)數(shù)據(jù)需要經(jīng)過(guò)一定預(yù)處理（尺度轉(zhuǎn)換）才可以用于驗(yàn)證遙感物候反演結(jié)果（Liang 和Schwartz，2009；Tian 等，2021b）。傳統(tǒng)地面物候觀測(cè)數(shù)據(jù)雖然準(zhǔn)確度高，但是存在物種層面無(wú)法直接向生態(tài)系統(tǒng)層面過(guò)渡的尺度問(wèn)題。為了解決尺度轉(zhuǎn)換的問(wèn)題，Liang 等（2011）采用景觀升尺度法，通過(guò)在地面上大量布置觀測(cè)樣地，從樣地水平觀測(cè)中計(jì)算景觀物候指數(shù)并將其用來(lái)對(duì)衛(wèi)星觀測(cè)結(jié)果進(jìn)行驗(yàn)證。

3.2 物候相機(jī)觀測(cè)網(wǎng)絡(luò)

近地面自動(dòng)延時(shí)數(shù)字相機(jī)（automatic timelapse digital camera，亦即物候相機(jī)PhenoCam）可以獲取樣地尺度的可見(jiàn)光和近紅外多時(shí)相觀測(cè)，基于此計(jì)算植被指數(shù)并進(jìn)而提取物候時(shí)間節(jié)點(diǎn)，也成為遙感物候觀測(cè)驗(yàn)證的一個(gè)重要方法（Richardson等，2019）。物候相機(jī)可根據(jù)其通道配置劃分為可見(jiàn)光（RGB）、多光譜（通常除RGB 之外，增加近紅外波段）和高光譜相機(jī)，研究者可以根據(jù)研究目標(biāo)和預(yù)算選擇不同配置的相機(jī)。通過(guò)物候相機(jī)觀測(cè)，可以計(jì)算包括綠色坐標(biāo)指數(shù)（GCC）、綠色—紅色比值植被指數(shù)（GRVI）并提取植被物候期參數(shù)（Richardson 等，2018）。物候相機(jī)的觀測(cè)尺度介于高分辨率衛(wèi)星遙感和人工野外觀測(cè)之間，不僅有效減小了大氣和混合像元的影響，還增加了數(shù)據(jù)獲取頻率，使結(jié)果更能夠反映亞像元尺度下不同植被類型的物候期特征（周惠慧等，2016）。

相比于傳統(tǒng)肉眼觀測(cè)和衛(wèi)星遙感觀測(cè)，物候相機(jī)能記錄冠層、單個(gè)物種或個(gè)體尺度的植被連續(xù)變化信息，是連接物種尺度和冠層尺度物候的重要工具（Ahrends 等，2009）。周玉科（2018） 對(duì)MOD13Q1 植被指數(shù)產(chǎn)品和物候相機(jī)數(shù)據(jù)使用相同的物候參數(shù)提取方法提取了多種物候期參數(shù)，證明了物候相機(jī)能更好地反映衛(wèi)星亞像元尺度上群落甚至是個(gè)體之間的物候差異（亦即空間異質(zhì)性）。

目前國(guó)際上物候相機(jī)觀測(cè)網(wǎng)絡(luò)發(fā)展非常迅速。比較著名的有美國(guó)物候相機(jī)觀測(cè)網(wǎng)絡(luò)（PhenoCam Network）（Richardson等，2018）、歐洲物候相機(jī)觀測(cè)網(wǎng)絡(luò)（European Phenology Camera network）（Wingate等，2015）、日本物候相機(jī)觀測(cè)網(wǎng)絡(luò)（Phenological Eyes Network）（Nasahara 和Nagai，2015；Nagai 等，2016）、澳大利亞物候相機(jī)觀測(cè)網(wǎng)絡(luò)（Australian Phenocam Network）（Brown 等，2016）和歐洲阿爾卑斯山物候相機(jī)觀測(cè)網(wǎng)絡(luò)（PhenoAlps）（Cremonese，2009）（表3）。依托中國(guó)物候觀測(cè)網(wǎng)，覆蓋中國(guó)主要植被類型的物候相機(jī)觀測(cè)網(wǎng)絡(luò)也正在加緊建設(shè)之中。

表3 國(guó)外主要物候相機(jī)觀測(cè)網(wǎng)絡(luò)Table 3 Summary of the main PhenoCam networks around the world

以發(fā)展較早的美國(guó)物候相機(jī)網(wǎng)絡(luò)為例，該網(wǎng)絡(luò)的大多數(shù)站點(diǎn)在每天固定時(shí)間之內(nèi)每30 min 上傳一次高質(zhì)量數(shù)碼相片，并經(jīng)過(guò)包括離群值檢測(cè)和專家檢查在內(nèi)的全方位處理以保證數(shù)據(jù)質(zhì)量（Richardson 等，2018）。在使用美國(guó)PhenoCam 網(wǎng)絡(luò)數(shù)據(jù)驗(yàn)證VIIRS 遙感物候產(chǎn)品時(shí)，Zhang 等（2018b）提出了一種新的植被對(duì)比度指數(shù)（VCI），該指數(shù)是GCC 的非線性變換，并提供了比GCC 更大的動(dòng)態(tài)范圍，更適合用來(lái)提取物候期時(shí)間節(jié)點(diǎn)。Zhang 等（2018a）的研究發(fā)現(xiàn)，從VIIRS NDVI 和EVI2 植被指數(shù)提取的物候期開(kāi)始時(shí)間與從PhenoCam GCC 和VCI 指數(shù)提取的時(shí)間具有較好的可比性（誤差在7—11 d），但是在物候期結(jié)束時(shí)間方面的可比性較差（誤差在10—13 d）。Hill 等（2021）的研究發(fā)現(xiàn)，基于PhenoCam 可見(jiàn)光波段的指數(shù)（譬如GCC 和VCI）與通量數(shù)據(jù)得到的凈生態(tài)系統(tǒng)生產(chǎn)力NEP（Net Ecosystem Productivity）之間的關(guān)系最好，而引入近紅外波段的指數(shù)（NDVI和EVI）通常會(huì)低估生長(zhǎng)季的開(kāi)始時(shí)間并高估生長(zhǎng)季的結(jié)束時(shí)間。Filippa 等（2018）的研究則發(fā)現(xiàn)，物候相機(jī)得到的GCC 和NDVI指數(shù)在監(jiān)測(cè)生態(tài)系統(tǒng)動(dòng)態(tài)和物候參數(shù)提取方面具有一定的互補(bǔ)性，且在落葉闊葉森林生態(tài)系統(tǒng)兩種指數(shù)都可以作為MODIS物候產(chǎn)品精度驗(yàn)證的數(shù)據(jù)源。此外，F(xiàn)ilippa 等（2018）還發(fā)現(xiàn)，在常綠森林生態(tài)系統(tǒng)，相機(jī)與衛(wèi)星觀測(cè)得到的物候時(shí)間節(jié)點(diǎn)之間存在較大的差異，強(qiáng)調(diào)了在此類生態(tài)系統(tǒng)上使用物候相機(jī)數(shù)據(jù)驗(yàn)證遙感物候提取結(jié)果方面的難度。Bórnez等（2020）使用物候相機(jī)數(shù)據(jù)驗(yàn)證了1999年—2017年SPOT-VEGETATION 和PROBA-V 兩個(gè)衛(wèi)星遙感物候產(chǎn)品，結(jié)果顯示地面與衛(wèi)星提取的生長(zhǎng)季開(kāi)始時(shí)間具有較高的相關(guān)性（R2>0.7，RMSE=9 d），比生長(zhǎng)季結(jié)束時(shí)間的相關(guān)性要高且誤差更?。≧2>0.5，RMSE=12 d）。

除了MODIS 或VIIRS 等中分辨率衛(wèi)星數(shù)據(jù)外，由于觀測(cè)尺度相近，物候相機(jī)也常被用于驗(yàn)證高分辨率衛(wèi)星遙感物候提取結(jié)果。譬如，Descals 等（2020）從Sentinel-2 數(shù)據(jù)中提取了生長(zhǎng)季開(kāi)始和結(jié)束時(shí)間并與物候相機(jī)提取的結(jié)果進(jìn)行了比較，誤差在3—6 d。Moon 等（2021）系統(tǒng)地比較了包括PlanetScope、HLS （Harmonized Landsat 8 and Sentinel-2）和MODIS 在內(nèi)的不同空間分辨率的衛(wèi)星遙感物候與地面物候相機(jī)網(wǎng)絡(luò)觀測(cè)，發(fā)現(xiàn)PlanetScope（3 m 分辨率）與HLS（30 m 分辨率）與物候相機(jī)之間的驗(yàn)證結(jié)果要顯著優(yōu)于MODIS（250 m 分辨率），說(shuō)明了站點(diǎn)空間異質(zhì)性是遙感物候驗(yàn)證時(shí)需要考慮的一個(gè)重要因素。

為了減小光照條件變化的影響，在理想狀態(tài)下物候相機(jī)通常選擇背對(duì)太陽(yáng)的方向進(jìn)行拍攝。但由于不同區(qū)域的植被分布差異，通常很難達(dá)到該理想狀態(tài)，因此物候相機(jī)往往會(huì)選擇一個(gè)固定的拍攝時(shí)間段來(lái)降低光照或樹(shù)冠BRDF的干擾，以獲取受云、光照影響較小的數(shù)據(jù)（Gatis 等，2017）。

目前物候相機(jī)由于成本相對(duì)較低，且能減少傳統(tǒng)物候觀測(cè)中昂貴的人力成本投入，因此被大量的布設(shè)到全球不同生態(tài)系統(tǒng)中。但是物候相機(jī)也存在一些問(wèn)題，譬如非專業(yè)相機(jī)對(duì)不同照明條件入射光的非線性響應(yīng)導(dǎo)致捕獲的照片失真（Li等，2021）、因不同原因?qū)е碌挠^測(cè)數(shù)據(jù)不連續(xù)（如在光照條件缺乏區(qū)域，使用太陽(yáng)能供電的物候相機(jī)常常存在數(shù)據(jù)獲取缺失的問(wèn)題）、不同站點(diǎn)間相機(jī)自身硬件的差異使相機(jī)定標(biāo)不夠嚴(yán)格等問(wèn)題，給定量研究植被物候的趨勢(shì)變化以及不同站點(diǎn)之間的對(duì)比分析造成了一定的困難（Macfarlane 等，2014）。未來(lái)，提高物候相機(jī)的定標(biāo)精度，采用盡可能標(biāo)準(zhǔn)和規(guī)范的波段設(shè)置和數(shù)據(jù)存儲(chǔ)、預(yù)處理方案，對(duì)觀測(cè)元數(shù)據(jù)盡可能詳細(xì)記錄，是提高物候相機(jī)觀測(cè)定量水平的一個(gè)重要思路。

3.3 通量觀測(cè)網(wǎng)絡(luò)

渦度相關(guān)EC（Eddy Covariance）技術(shù)能夠直接測(cè)量生態(tài)系統(tǒng)尺度上陸地生態(tài)系統(tǒng)與大氣之間的碳、水和能量交換速率，具有時(shí)間分辨率高、觀測(cè)尺度與中分辨率衛(wèi)星像元尺度大小相近等特點(diǎn)（Baldocchi，2014）。通過(guò)從渦度相關(guān)碳通量數(shù)據(jù)中提取植物光合物候期參數(shù)，可以對(duì)基于遙感光學(xué)植被指數(shù)或SIF 等提取得到的物候參數(shù)進(jìn)行驗(yàn)證。Ma 等（2013）在澳大利亞熱帶稀樹(shù)草原的3個(gè)通量站點(diǎn)上基于GPP 數(shù)據(jù)驗(yàn)證了MODIS EVI提取得到的物候參數(shù)，發(fā)現(xiàn)兩者之間在遙感數(shù)據(jù)完整性較好時(shí)相關(guān)性較高，反之則存在較大偏差。劉嘯添等（2018） 通過(guò)對(duì)比衛(wèi)星遙感獲取的NDVI、EVI、SIF 和通量塔測(cè)量的GPP 數(shù)據(jù)之間的相關(guān)程度，驗(yàn)證了衛(wèi)星觀測(cè)植被GPP 季節(jié)變化的可靠性。周蕾等（2020）在亞熱帶常綠針葉林的研究發(fā)現(xiàn)，相比較通量觀測(cè)結(jié)果，SIF 估算的春秋季物候的滯后時(shí)間要短于傳統(tǒng)植被指數(shù)的估算結(jié)果，說(shuō)明SIF 能更好地追蹤常綠林光合作用的季節(jié)軌跡。Wang 等（2019）在北澳大利亞熱帶樣帶NATT（North Australian Tropical Transect）地區(qū)評(píng)估了衛(wèi)星遙感數(shù)據(jù)提取的SIF 捕獲旱地植被物候動(dòng)態(tài)變化的能力，發(fā)現(xiàn)相對(duì)于MODIS EVI，SIF 提取的物候期參數(shù)不受土壤背景影響，更為準(zhǔn)確地表征了植被物候沿降水梯度的時(shí)空變化趨勢(shì)。

在使用通量數(shù)據(jù)驗(yàn)證遙感物候時(shí)，有必要考慮通量數(shù)據(jù)觀測(cè)足跡內(nèi)的生態(tài)群落構(gòu)成，以便更好地理解與解釋衛(wèi)星數(shù)據(jù)和通量觀測(cè)之間的差異。譬如熱帶稀樹(shù)草原具有典型的樹(shù)—灌木—草分層結(jié)構(gòu)，在雨季結(jié)束階段草地生產(chǎn)力下降的同時(shí)會(huì)伴隨樹(shù)木（主要是常綠樹(shù)種）生產(chǎn)力的上升，出現(xiàn)EVI 和GPP 產(chǎn)生負(fù)相關(guān)的現(xiàn)象（Restrepo-Coupe等，2016）。建立渦度相關(guān)通量塔時(shí)，同步安裝光學(xué)傳感器以監(jiān)測(cè)植被的物候變化，有利于更好地理解植被物候與光合作用等季節(jié)節(jié)律的關(guān)系（Wang等，2017b）。

3.4 其他新的驗(yàn)證途徑

除了定點(diǎn)監(jiān)測(cè)物候信息外，無(wú)人機(jī)UAVs（Unmanned Aerial Vehicles）在遙感植被監(jiān)測(cè)中的應(yīng)用，為精細(xì)尺度上以低成本、高精度的方法監(jiān)測(cè)植被動(dòng)態(tài)并對(duì)遙感物候產(chǎn)品進(jìn)行驗(yàn)證提供了新的方案。UAV 搭載的傳感器能夠獲取厘米級(jí)分辨率的可見(jiàn)光、多（高）光譜影像或激光雷達(dá)點(diǎn)云，可以用來(lái)更好地區(qū)分綠色植被和土壤背景，并追蹤從單個(gè)植株、物種到景觀等不同尺度的生理和結(jié)構(gòu)季節(jié)變化特征（Taylor 等，2021）。用戶通過(guò)無(wú)人機(jī)可以在景觀尺度上取得與衛(wèi)星遙感像元尺度相近的觀測(cè)，是驗(yàn)證遙感物候產(chǎn)品非常好的數(shù)據(jù)源（Klosterman 等，2018）。Berra 等（2017）在森林樣方尺度上對(duì)比了由UAV和Landsat 8獲取的地表反射率和NDVI，并通過(guò)地面測(cè)量數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)在針闊混交林區(qū)域，UAV反演的地表反射率和NDVI 能分別解釋84%—90%的Landsat 8 地表反射率與95%—96%的Landsat 8 NDVI 變化，這表明UAV在精細(xì)空間尺度下監(jiān)測(cè)森林植被物候的潛力。

無(wú)人機(jī)已經(jīng)被用于觀察單個(gè)樹(shù)冠尺度上森林冠層結(jié)構(gòu)和植被物候動(dòng)態(tài)變化（Zahawi 等，2015）。類似地，同步搭載多光譜相機(jī)、激光雷達(dá)能夠?qū)拥爻叨鹊纳鷳B(tài)系統(tǒng)物候?qū)崿F(xiàn)高頻次的監(jiān)測(cè)（Hilker 等，2011），從新的視角揭示生態(tài)系統(tǒng)物候動(dòng)態(tài)變化，有助于從機(jī)理層面理解生態(tài)系統(tǒng)過(guò)程及其形成機(jī)制（郭慶華等，2020）。

除以上列舉的驗(yàn)證方法之外，考慮到植被對(duì)環(huán)境因素的敏感性，還有利用環(huán)境因素進(jìn)行模型篩選和精度驗(yàn)證的方法。譬如植物復(fù)蘇（返青期）通常在0—5 ℃的環(huán)境中，可根據(jù)時(shí)間節(jié)點(diǎn)對(duì)應(yīng)的地表溫度（草地）或氣溫（森林）進(jìn)行春季物候期的驗(yàn)證，這種不同于傳統(tǒng)驗(yàn)證方法的新的驗(yàn)證思路，強(qiáng)調(diào)了物候與氣候因子之間的關(guān)系是物候研究最重要的意義，賦予遙感物候指數(shù)明確的生物氣象學(xué)意義。這種關(guān)注物候過(guò)程，而不是特殊物候事件的研究思路有助于更好地理解和分析植被物候?qū)夂蜃兓捻憫?yīng)（Chen等，2020b）。

此外，利用站點(diǎn)上連續(xù)的光譜觀測(cè)數(shù)據(jù)，也可以計(jì)算植被指數(shù)并用來(lái)對(duì)衛(wèi)星遙感物候提取結(jié)果進(jìn)行驗(yàn)證（在確保站點(diǎn)植被異質(zhì)性較低的前提下）。這方面國(guó)際上有SpecNet 全球光譜觀測(cè)網(wǎng) 絡(luò)（https：//specnet.info［2021-09-10］），國(guó)內(nèi)有ChinaSpec 中國(guó)生態(tài)系統(tǒng)光譜觀測(cè)研究網(wǎng)絡(luò)（https：//chinaspec.nju.edu.cn［2021-09-10］）。以這些年快速發(fā)展的ChinaSpec 網(wǎng)絡(luò)為例，其各個(gè)站點(diǎn)上都安裝有自動(dòng)化的高光譜傳感器（通常也同步安裝了物候相機(jī)），可以對(duì)冠層尺度的反射率進(jìn)行高頻次的觀測(cè)，預(yù)期可以在植被物候遙感驗(yàn)證方面發(fā)揮重要作用（Zhang等，2021）。

除了以上的驗(yàn)證途徑外，其他一些地面物候驗(yàn)證數(shù)據(jù)獲取方式也在積極探索的過(guò)程中，譬如通過(guò)志愿者或市民參與物候觀測(cè)計(jì)劃。瑞士的PhenoNet 讓學(xué)生、教師以及業(yè)余愛(ài)好者以年為單位觀測(cè)其選定的植物物種，規(guī)范記錄該植物的生長(zhǎng)季節(jié)變化信息，并在平臺(tái)上進(jìn)行數(shù)據(jù)共享。再如，美國(guó)的National Phenology Network 鼓勵(lì)志愿者們使用自然筆記本（Nature’s Notebook）記錄植被的物候信息并進(jìn)行共享。這種志愿者參與的方式使得物候信息更加豐富，也讓不存在傳統(tǒng)地面物候觀測(cè)站點(diǎn)的區(qū)域也能夠獲取物候觀測(cè)數(shù)據(jù)，從而擴(kuò)展了遙感物候驗(yàn)證的潛在數(shù)據(jù)源。當(dāng)然，如何確保這些非傳統(tǒng)方式收集的物候信息的質(zhì)量及時(shí)空一致性等，仍然是目前的一個(gè)重要研究方向。

總之，近些年來(lái)，隨著傳感器技術(shù)的進(jìn)步和數(shù)據(jù)驗(yàn)證手段的發(fā)展，遙感提取的植被物候參數(shù)在空間和時(shí)間分辨率上均有較大的提升，為在精細(xì)時(shí)空尺度上探究生態(tài)系統(tǒng)動(dòng)態(tài)及其與氣候變化之間的關(guān)系提供非常好的驗(yàn)證數(shù)據(jù)源。但是，遙感觀測(cè)無(wú)論分辨率高低，由于其并不直接對(duì)應(yīng)單個(gè)植株或物種，始終難以和傳統(tǒng)上的地面物候現(xiàn)象進(jìn)行對(duì)比，需要綜合大量的地面觀測(cè)或者經(jīng)驗(yàn)知識(shí)賦予遙感提取的物候期時(shí)間節(jié)點(diǎn)以明確的生物學(xué)意義。在地面驗(yàn)證手段方面，除了繼續(xù)拓展現(xiàn)有的物候觀測(cè)網(wǎng)絡(luò)之外，也應(yīng)該充分發(fā)展塔基物候相機(jī)和無(wú)人機(jī)等新型近地面遙感觀測(cè)技術(shù)，以這些景觀尺度上的物候信息為基準(zhǔn)，結(jié)合微納衛(wèi)星星座獲取的高時(shí)空分辨率衛(wèi)星觀測(cè)數(shù)據(jù)，發(fā)展行之有效的“點(diǎn)（植株）—面（像元）”尺度轉(zhuǎn)換技術(shù)路徑。

綜上所述，地面驗(yàn)證的關(guān)鍵在于數(shù)據(jù)的空間和時(shí)間代表性，積累來(lái)自不同生態(tài)系統(tǒng)類型和自然地理、氣候條件下的長(zhǎng)時(shí)序物候觀測(cè)數(shù)據(jù)，將會(huì)顯著提升植被遙感驗(yàn)證的精度，進(jìn)而提高相關(guān)產(chǎn)品和應(yīng)用可靠性。在同一個(gè)站點(diǎn)上獲取不同類型的物候觀測(cè)數(shù)據(jù)，包括傳統(tǒng)的肉眼觀測(cè)、物候相機(jī)、通量測(cè)量和無(wú)人機(jī)觀測(cè)等，可以豐富驗(yàn)證數(shù)據(jù)源，從不同角度對(duì)衛(wèi)星遙感提取的物候結(jié)果進(jìn)行驗(yàn)證。

4 遙感物候產(chǎn)品的發(fā)展趨勢(shì)

隨著植被物候遙感領(lǐng)域的不斷發(fā)展，越來(lái)越多的遙感植被物候?qū)ｎ}產(chǎn)品被研發(fā)并投入科學(xué)研究和實(shí)際應(yīng)用中（表4）。譬如基于AVHRR長(zhǎng)時(shí)期觀測(cè)的全球尺度1 km RSP（Remote Sensing Phenology）產(chǎn)品，在研究全球植被物候?qū)夂蜃兓憫?yīng)中的發(fā)揮著重要作用（Ji 和Brown，2017）。MODIS 由于其優(yōu)異的傳感器性能和強(qiáng)大的傳感器科學(xué)團(tuán)隊(duì)，目前大部分遙感物候應(yīng)用均以MODIS植被指數(shù)和葉面積指數(shù)產(chǎn)品為數(shù)據(jù)源。譬如MODIS 全球物候產(chǎn)品MLCD（MODIS Global Land Cover Dynamics Product），自其發(fā)布以來(lái)已經(jīng)得到了廣泛應(yīng)用，并在NASA 的資助下不斷對(duì)產(chǎn)品進(jìn)行調(diào)整和更新，保證了較高的數(shù)據(jù)質(zhì)量和數(shù)據(jù)連續(xù)性（Moon 等，2019；Wang 等，2017c；Zhang等，2006）。鑒于對(duì)高分辨率植被物候遙感產(chǎn)品需求的日益增加，Zhang 等（2018a） 依托HLS（Harmonized Landsat and Sentinel-2）和VIIRS 表面反射率產(chǎn)品開(kāi)發(fā)出了一種生產(chǎn)30 m 分辨率遙感物候產(chǎn)品的新算法。

表4 植被物候遙感主要產(chǎn)品介紹Table 4 Summary of main remote sensing phenology products

除了全球尺度的遙感物候產(chǎn)品之外，許多國(guó)家和地區(qū)也有自己的物候產(chǎn)品可供用戶下載使用。如：美國(guó)的MSLSP （Multi-Source Land Imaging（MuSLI）遙感物候產(chǎn)品（Gao 等，2021）、澳大利亞的TERN AusCover 遙感物候產(chǎn)品（Broich 等，2015）、歐 洲 的PPI （Plant Phenology Index time series）產(chǎn)品（Jin 和Eklundh，2014）、中國(guó)主要生態(tài)觀測(cè)站遙感植被物候數(shù)據(jù)集（周玉科和劉建文，2017）等。

GLASS-LAI 產(chǎn)品GLASS（Global Land Surface Satellite product）是由北京師范大學(xué)全球變化數(shù)據(jù)處理與分析中心發(fā)布的高質(zhì)量葉面積指數(shù)數(shù)據(jù)集（向陽(yáng) 等，2014）。以GLASS-LAI 產(chǎn)品為基礎(chǔ)，Luo 等（2020）提出了一種基于最優(yōu)濾波的物候檢測(cè)方法OFP（optimal filter-based phenology detection），界定了中國(guó)3 種主要作物的關(guān)鍵物候階段。Wang等（2017c）使用GLASS-LAI 產(chǎn)品以及通用多周期物候反演方法UMPM（Universal Multi-Life-Cycle Phenology Monitoring Method），生產(chǎn)了一套全國(guó)尺度的遙感物候產(chǎn)品。此方法生成的產(chǎn)品整體上具有高有效性（即數(shù)據(jù)缺失率低、穩(wěn)定性高），在利用地面觀測(cè)數(shù)據(jù)進(jìn)行結(jié)果驗(yàn)證時(shí)亦反映出較好的一致性。類似地，李靜等（2017）基于LAI數(shù)據(jù)和UMPM 算法生產(chǎn)了中國(guó)—東盟地區(qū)1 km 分辨率2013年的植被生長(zhǎng)季長(zhǎng)度數(shù)據(jù)集（MuSyQ-GSL-1 km-2013）。

為了降低單一算法造成的不確定性，周玉科和劉建文（2017）從中國(guó)主要的生態(tài)系統(tǒng)研究網(wǎng)絡(luò)中獲取6 個(gè)地理分區(qū)（荒漠、草原、森林、農(nóng)田、沼澤、城市）站點(diǎn)尺度的野外觀測(cè)數(shù)據(jù)，使用3 種 方法（D-L、Spline、SSA） 對(duì)2001年—2016年MODIS EVI 數(shù)據(jù)進(jìn)行時(shí)序重構(gòu)，并采取導(dǎo)數(shù)法和閾值法提取出10 種植被物候關(guān)鍵參數(shù)，從而為研究人員提供了高質(zhì)量的站點(diǎn)尺度遙感植被物候信息。

遙感物候產(chǎn)品的精度不僅和輸入數(shù)據(jù)的質(zhì)量有關(guān)，譬如時(shí)間分辨率（Zhang 等，2009）、云污染（Tian 等，2021b）、積雪和土壤背景效應(yīng)（Jin和Eklundh，2014）等，同時(shí)也和具體研究的地理位置、生態(tài)系統(tǒng)類型以及使用的物候驗(yàn)證數(shù)據(jù)源的類型和質(zhì)量相關(guān)。在美國(guó)不同生態(tài)系統(tǒng)上，Peng 等（2017a）使用地面物候觀測(cè)（始葉期）數(shù)據(jù)系統(tǒng)評(píng)估了包括MODIS 物候產(chǎn)品（MCD12Q2）、VIP 物候產(chǎn)品（VIPPHENEVI2）和AVHRR 物候產(chǎn)品（AVHRRP）等在估算生長(zhǎng)季開(kāi)始時(shí)間時(shí)的精度，發(fā)現(xiàn)這些遙感物候產(chǎn)品的誤差通常在20 d 左右。Xiao 等（2013）在輪作農(nóng)田上基于地面觀測(cè)對(duì)MODIS 全球物候產(chǎn)品的精度進(jìn)行了驗(yàn)證，發(fā)現(xiàn)冬小麥和夏玉米的物候期估算誤差分別是8.8 d 和9.5 d 左右。Zheng 和Zhu（2017）在青藏高原高寒草甸站點(diǎn)上驗(yàn)證了C5 和C6 版本的MODIS 全球物候產(chǎn)品，發(fā)現(xiàn)對(duì)于估算生長(zhǎng)季開(kāi)始的誤差在10 d左右，但是對(duì)于估算生長(zhǎng)季結(jié)束的誤差達(dá)到了18 d 以上。Moon 等（2019）在北美洲不同生態(tài)系統(tǒng)類型上使用物候相機(jī)數(shù)據(jù)驗(yàn)證了MODIS和VIIRS全球物候產(chǎn)品的精度，結(jié)果顯示除了常綠針葉林之外，衛(wèi)星遙感得到的生長(zhǎng)季開(kāi)始時(shí)間與物候相機(jī)得到的結(jié)果一致性較好，誤差通常在5—12 d。但是對(duì)于生長(zhǎng)季結(jié)束時(shí)間，誤差顯著提高到11—41 d，說(shuō)明秋季物候的準(zhǔn)確提取仍然是一個(gè)挑戰(zhàn)。

總的來(lái)說(shuō)，現(xiàn)有的遙感物候產(chǎn)品以中分辨率（100—1000 m）為主，高分辨率的物候產(chǎn)品基本上是區(qū)域范圍的，更大尺度的高分辨率遙感物候產(chǎn)品目前尚比較缺乏。同時(shí)，現(xiàn)有的遙感物候產(chǎn)品主要基于國(guó)外的對(duì)地觀測(cè)衛(wèi)星（譬如MODIS、AVHRR、Landsat、Sentinel 等），考慮到這些衛(wèi)星有可能在未來(lái)退役或者數(shù)據(jù)不可獲取，急需探索國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)在遙感物候監(jiān)測(cè)方面的應(yīng)用潛力，這包括高分辨率的國(guó)產(chǎn)衛(wèi)星（高分、資源、環(huán)境系列等）以及中分辨率衛(wèi)星（風(fēng)云系列）。此外，不同遙感物候產(chǎn)品不僅采用的輸入數(shù)據(jù)源有可能不同，提取方法也千差萬(wàn)別，對(duì)于用戶來(lái)說(shuō)這客觀上造成了結(jié)果解釋方面的難度，因?yàn)椴煌漠a(chǎn)品有可能給出不同的時(shí)間變化趨勢(shì)或空間分布格局。作為遙感物候研究者來(lái)說(shuō)，基于統(tǒng)一的數(shù)據(jù)處理方法和參數(shù)提取流程生產(chǎn)遙感物候產(chǎn)品，并基于地面驗(yàn)證給出明確的不確定性量化指標(biāo)，可以促進(jìn)不同研究結(jié)果之間的比較，也方便用戶使用。

5 植被物候遙感誤差來(lái)源

明確植被物候遙感監(jiān)測(cè)中的誤差來(lái)源，量化不同誤差來(lái)源對(duì)提取結(jié)果造成的不確定性，并有針對(duì)性地發(fā)展科學(xué)有效的不確定性減少方法，是提高植被物候遙感提取結(jié)果準(zhǔn)確度和可信度的重要手段。以下分別從監(jiān)測(cè)方法和遙感數(shù)據(jù)源兩個(gè)方面對(duì)遙感物候期參數(shù)提取結(jié)果的誤差來(lái)源進(jìn)行探討。

5.1 監(jiān)測(cè)方法

（1）空值插補(bǔ)：在遙感物候參數(shù)提取過(guò)程中，對(duì)于空缺值的插補(bǔ)方式會(huì)對(duì)提取結(jié)果有較大的影響（Yu等，2021）。植被在生長(zhǎng)季初期或末期，有可能在短時(shí)間內(nèi)發(fā)生快速的植被結(jié)構(gòu)或葉片生理生化性狀變化，如果在這些階段數(shù)據(jù)中存在較多的連續(xù)缺值，會(huì)導(dǎo)致插值結(jié)果不準(zhǔn)確并進(jìn)而在估算出的物候期時(shí)間節(jié)點(diǎn)中引入相當(dāng)大的誤差（武艷強(qiáng)和黃立人，2004）。對(duì)云覆蓋造成的時(shí)序數(shù)據(jù)中的空值進(jìn)行插補(bǔ)的技術(shù)方法，是目前植被物候遙感領(lǐng)域的一個(gè)重要研究方向（Chen等，2021）。

（2）時(shí)序數(shù)據(jù)重構(gòu)：不同的植被指數(shù)時(shí)序數(shù)據(jù)重構(gòu)方法去除噪聲的能力各不相同，且噪聲會(huì)對(duì)擬合后的時(shí)序曲線在極值、幅寬等多個(gè)方面造成影響（Atkinson 等，2012；劉建文和周玉科，2018）。對(duì)于重構(gòu)方法的選擇，需要考慮不同研究區(qū)植被生長(zhǎng)的特點(diǎn)，過(guò)度擬合和擬合不到位都不利于極值點(diǎn)的提取，并影響估算出的物候期準(zhǔn)確度（Cai 等，2017）。另一方面，鑒于植物生長(zhǎng)季存在差異（譬如一季稻和三季稻），為了更貼近地表真實(shí)植被生長(zhǎng)特點(diǎn)，往往需要考慮到植被指數(shù)產(chǎn)品時(shí)間分辨率對(duì)重構(gòu)方法的影響，譬如HANTS法由于對(duì)曲線起伏波動(dòng)敏感，更適合于擬合時(shí)間分辨率較粗的數(shù)據(jù)（周惠慧等，2016）。表5 列舉了目前植被物候遙感中常用的時(shí)序重構(gòu)方法及各自的適用性。

表5 植被物候遙感中常用的濾波和擬合方法介紹Table 5 Summary of commonly used filtering and fitting methods in remote sensing of vegetation phenology

（3）物候參數(shù)提?。撼藬?shù)據(jù)預(yù)處理過(guò)程中形成的不確定性之外，物候提取方法本身也會(huì)引入一定的不確定性。針對(duì)前文3種植被物候參數(shù)提取方法，閾值法雖然簡(jiǎn)單有效、應(yīng)用廣泛，但是受主觀因素影響程度較大（譬如不同研究者給出的不同閾值導(dǎo)致生長(zhǎng)季長(zhǎng)度發(fā)生了明顯變化），難以全面考慮客觀環(huán)境影響（如土壤背景和植被類型差異）（Justice等，1985）。延遲滑動(dòng)平均方法能有效降低云污染，但是對(duì)噪聲閾值、滑動(dòng)窗口長(zhǎng)度等經(jīng)驗(yàn)參數(shù)敏感，特別是當(dāng)原始時(shí)間序列包含連續(xù)缺失數(shù)據(jù)時(shí)對(duì)結(jié)果造成的不確定性顯著增加（Reed 等，1994）。求導(dǎo)法雖然無(wú)需設(shè)定閾值且具有一定的生物學(xué)意義，但對(duì)數(shù)據(jù)噪音特別敏感，因此在數(shù)據(jù)預(yù)處理過(guò)程中對(duì)平滑程度有著較高的要求（Moulin 等，1997）。目前尚不存在具有全局適用性的物候參數(shù)提取算法（Zeng 等，2020）。未來(lái)急需探索具有更好的普適性的算法，以提高不同區(qū)域、不同時(shí)間段提取出的物候參數(shù)結(jié)果的可比性和時(shí)空一致性。

由于環(huán)境的周期性變化，植物本身在春季和秋季出現(xiàn)了完全不同的生理變化特征。植被生長(zhǎng)季節(jié)曲線本身具有不對(duì)稱性（周玉科，2019），而現(xiàn)有研究中大多數(shù)都是基于同一種提取模型或閾值同時(shí)提取不同物候期（譬如返青期和衰落期）（馬曉芳等，2016），這導(dǎo)致了未充分考慮植物生理特性和規(guī)律而出現(xiàn)的誤差，也是現(xiàn)有研究中返青期的遙感提取精度普遍優(yōu)于枯黃期的主要原因之一。植被物候不對(duì)稱性存在一定的時(shí)空規(guī)律，有助于深入認(rèn)識(shí)陸地生態(tài)系統(tǒng)的細(xì)節(jié)過(guò)程。Zhou（2019）提出了物候不對(duì)稱指數(shù)AsyR、AsyL和AsyV（Asymmetry of growing Rate，Length，Vegetation index）來(lái)展現(xiàn)春秋物候的不對(duì)稱性，可作為植被類型分類的輔助工具。

5.2 遙感數(shù)據(jù)

雖然通常用于植被物候遙感的數(shù)據(jù)產(chǎn)品已經(jīng)經(jīng)過(guò)了幾何校正、地形校正和輻射校正等預(yù)處理，但是仍然存在一些殘余的數(shù)據(jù)噪聲。未能去除掉的云污染、水汽、氣溶膠，水體和積雪背景效應(yīng)，以及由于太陽(yáng)—傳感器幾何關(guān)系差異所產(chǎn)生的角度效應(yīng)，都會(huì)在植被指數(shù)數(shù)據(jù)中引入一定的數(shù)據(jù)噪音。生物和非生物因素如土壤條件、昆蟲(chóng)和水分脅迫引起的條件變化也可能影響VI 時(shí)間序列并進(jìn)而改變提取到的物候參數(shù)（Gao 和Zhang，2021）。云遮掩會(huì)導(dǎo)致數(shù)據(jù)空值，而氣溶膠和角度效應(yīng)等會(huì)導(dǎo)致數(shù)據(jù)出現(xiàn)波動(dòng)，造成物候節(jié)點(diǎn)提取結(jié)果精度降低（Tian等，2021b）。此外，由太陽(yáng)—傳感器幾何關(guān)系導(dǎo)致的BRDF效應(yīng)，也會(huì)在植被物候參數(shù)提取結(jié)果中引入一定的不確定性（Galv?o等， 2013； Ma 等， 2019； Norris 和Walker，2020）。BRDF 效應(yīng)的存在會(huì)導(dǎo)致植被指數(shù)時(shí)序數(shù)據(jù)形態(tài)的變化，并在物候參數(shù)估算中引入一定的偏差。由于BRDF 效應(yīng)，原始的MODIS NDVI/EVI與訂正到標(biāo)準(zhǔn)太陽(yáng)—傳感器幾何（天底觀測(cè)、太陽(yáng)角度恒定）的NDVI/EVI 之間會(huì)產(chǎn)生相移。譬如在澳大利亞北部研究區(qū)將原始NDVI 和訂正后的NDVI 進(jìn)行比較，原始NDVI 提取的物候參數(shù)（生長(zhǎng)季開(kāi)始、峰值、結(jié)束時(shí)間）偏差分別達(dá)到了15.5 d，21.6 d，20.5 d（Ma 等，2019），在澳大利亞?wèn)|部研究區(qū)MODIS原始觀測(cè)EVI和BRDF訂正后的EVI的平均季節(jié)變化（生長(zhǎng)季開(kāi)始和結(jié)束時(shí)間差的平均值）甚至達(dá)到了45 d（Bhandari 等，2011）。Norris 和Walker（2020）的研究則發(fā)現(xiàn)，美國(guó)西部針葉林MODIS NDVI在冬季出現(xiàn)了一個(gè)“偽峰值”，歸其原因是由于太陽(yáng)天頂角在冬季增加造成像元內(nèi)陰影面積比例的增加，而NDVI 對(duì)陰影比例的變化尤為敏感。

6 結(jié) 語(yǔ)

綜上所述，植被物候遙感在經(jīng)歷了數(shù)十年的發(fā)展后，無(wú)論是在數(shù)據(jù)源、提取算法和驗(yàn)證手段上都日趨完善，且相關(guān)產(chǎn)品開(kāi)發(fā)和應(yīng)用也在快速發(fā)展之中。同時(shí)，植被物候遙感的一個(gè)重要發(fā)展動(dòng)力是農(nóng)業(yè)、生態(tài)、林業(yè)、環(huán)境、自然資源和全球變化等領(lǐng)域?qū)Ω邥r(shí)空一致性植被物候變化信息的需求。雖然植被物候遙感領(lǐng)域發(fā)展迅速，但目前還存在許多問(wèn)題，其中比較突出的幾個(gè)問(wèn)題是：（1）數(shù)據(jù)時(shí)空分辨率不高，難以滿足實(shí)際農(nóng)業(yè)和生態(tài)環(huán)境應(yīng)用需求；（2）物候參數(shù)提取算法普適度低，難以適用于不同的數(shù)據(jù)集、植被類型和氣候條件；（3）驗(yàn)證方法不夠完善，驗(yàn)證數(shù)據(jù)源與衛(wèi)星遙感結(jié)果在觀測(cè)尺度和物候指標(biāo)的定義上存在較大差異；（4）基于國(guó)產(chǎn)衛(wèi)星的物候遙感應(yīng)用水平較低，缺少針對(duì)國(guó)產(chǎn)傳感器特性的算法，在全球變化研究中對(duì)國(guó)外衛(wèi)星觀測(cè)數(shù)據(jù)依賴性過(guò)高。

針對(duì)以上問(wèn)題，未來(lái)植被物候遙感研究應(yīng)對(duì)以下幾個(gè)方面進(jìn)行加強(qiáng)：

（1）數(shù)據(jù)源質(zhì)量的提升。包括數(shù)據(jù)時(shí)空分辨率、光譜分辨率在內(nèi)的傳感器性能的提高是新一代遙感數(shù)據(jù)源發(fā)展的方向。就提高數(shù)據(jù)時(shí)空分辨率的方法而言，數(shù)據(jù)融合能夠有效調(diào)節(jié)“空間分辨率—時(shí)間分辨率”這一對(duì)衛(wèi)星遙感觀測(cè)的固有矛盾，實(shí)現(xiàn)空間分辨率和時(shí)間分辨率的同步提升。此外，隨著遙感硬件技術(shù)的發(fā)展，未來(lái)會(huì)有更多的衛(wèi)星遙感數(shù)據(jù)源，譬如地球靜止軌道衛(wèi)星每10—15 min 可以實(shí)現(xiàn)一次地球全圓盤(pán)觀測(cè)，顯著提高遙感時(shí)序數(shù)據(jù)的時(shí)間分辨率，實(shí)現(xiàn)對(duì)陸表變化的近實(shí)時(shí)監(jiān)測(cè)（Yan等，2019；Miura等，2019）。同時(shí)，數(shù)十顆甚至數(shù)百顆微納衛(wèi)星（micro/nanosatellite）可以組成一個(gè)星座，通過(guò)多星協(xié)同觀測(cè)方式顯著增加空間覆蓋范圍和時(shí)空分辨率。比較成功的案例有美國(guó)Planet 公司的PlanetScope 星座，至今已發(fā)射了超過(guò)200顆微納衛(wèi)星，在全球尺度上提供了逐日3 m分辨率無(wú)縫多光譜觀測(cè)數(shù)據(jù)，顯著提升了遙感物候提取結(jié)果的空間解析能力（Cheng等，2020；Wu 等，2021）。此外，虛擬衛(wèi)星星座相關(guān)理論與技術(shù)也是一個(gè)值得關(guān)注的重要發(fā)展方向（Wulder等，2015）。

（2）物候參數(shù)提取算法的改進(jìn)。不同數(shù)據(jù)集間不具備相同的處理算法，這就使對(duì)來(lái)自不同傳感器、不同環(huán)境、不同植被類型的遙感物候提取結(jié)果的分析與比較變得困難。因此，開(kāi)發(fā)一種通用性高、受人為干擾影響小的算法，是植被物候遙感一個(gè)重要的發(fā)展方向。普適性算法的發(fā)展應(yīng)該綜合考慮對(duì)數(shù)據(jù)噪聲的敏感性、提取結(jié)果的生物學(xué)意義、地面驗(yàn)證的可行性等，提取成功率只是判斷標(biāo)準(zhǔn)之一。

（3）驗(yàn)證方法的完善。遙感物候驗(yàn)證的根本問(wèn)題是尺度匹配問(wèn)題。尺度匹配不僅僅是空間尺度的匹配，也是地面物候觀測(cè)指標(biāo)和衛(wèi)星觀測(cè)指標(biāo)之間的匹配（Liu 等，2019；Peng 等，2017b）。實(shí)現(xiàn)物候觀測(cè)數(shù)據(jù)在不同空間尺度之間的相互轉(zhuǎn)換，使地面驗(yàn)證數(shù)據(jù)與衛(wèi)星遙感觀測(cè)數(shù)據(jù)能在相近的空間尺度下進(jìn)行比較，是目前物候遙感驗(yàn)證方法發(fā)展的重要方向（Tian 等，2021b），這方面的發(fā)展可以和定量遙感真實(shí)性檢驗(yàn)中尺度轉(zhuǎn)換方面的最新理論成果結(jié)合起來(lái)（吳小丹等，2015；郝大磊等，2018；萬(wàn)昌君等，2019）。使用一些新型的觀測(cè)手段，譬如無(wú)人機(jī)觀測(cè)和高塔物候相機(jī)，可以在衛(wèi)星遙感和地面物候觀測(cè)之間架設(shè)尺度轉(zhuǎn)換的橋梁（Klosterman 等，2018；Berra 等，2019）。同時(shí)，考慮到尺度效應(yīng)的復(fù)雜性，計(jì)算機(jī)模擬可以作為地面觀測(cè)實(shí)驗(yàn)的輔助，從理論層面探討植被物候遙感監(jiān)測(cè)中尺度效應(yīng)或者混合像元效應(yīng)（Chen 等，2018）。此外，對(duì)于中低分辨率遙感物候提取結(jié)果（譬如MODIS/VIIRS），無(wú)人機(jī)或物候相機(jī)也很難在像元尺度上提供驗(yàn)證數(shù)據(jù)，可以通過(guò)與更高空間分辨率的衛(wèi)星提取結(jié)果進(jìn)行比較，已實(shí)現(xiàn)“間接驗(yàn)證”的目的（Zhang 等，2018a）。

（4）積極推進(jìn)國(guó)產(chǎn)衛(wèi)星的應(yīng)用深度。近年來(lái)國(guó)產(chǎn)衛(wèi)星發(fā)展迅猛，對(duì)于基于國(guó)產(chǎn)衛(wèi)星物候參數(shù)反演能力的探索也有一些研究（葛美香等，2017；宋丹陽(yáng)等，2018；李暉等，2019）。中高分辨率的國(guó)產(chǎn)衛(wèi)星，如HJ-1A/B 小衛(wèi)星、GF-1/5 衛(wèi)星、FY-3 系列等，與國(guó)外常用傳感器，如MODIS、TM/ETM+、OLI等，具有較好的一致性，甚至在某些技術(shù)指標(biāo)方面優(yōu)于國(guó)外傳感器。然而，與國(guó)產(chǎn)衛(wèi)星傳感器硬件性能不匹配的是國(guó)產(chǎn)衛(wèi)星觀測(cè)的應(yīng)用廣度與深度。目前國(guó)產(chǎn)衛(wèi)星傳感器在物候參數(shù)提取方面的應(yīng)用仍然局限在區(qū)域尺度，且提取方法大都是基于通用的算法，沒(méi)有根據(jù)國(guó)產(chǎn)傳感器特性或者中國(guó)植被類型特點(diǎn)提出具有針對(duì)性的算法或處理流程。

遙感學(xué)科發(fā)展成熟的一個(gè)標(biāo)志是能夠被廣大用戶直接使用的高質(zhì)量、標(biāo)準(zhǔn)化業(yè)務(wù)產(chǎn)品的出現(xiàn)（梁順林，2021）。很多國(guó)家都擁有自己的物候參數(shù)產(chǎn)品，如美國(guó)MODIS 全球遙感物候參數(shù)產(chǎn)品（MCD12Q2）、澳大利亞國(guó)家遙感物候參數(shù)產(chǎn)品（TERN AusCover LSP）和歐洲哨兵二號(hào)遙感物候產(chǎn)品等。面對(duì)MODIS 等國(guó)外衛(wèi)星即將退役且往期數(shù)據(jù)有可能不對(duì)中國(guó)用戶開(kāi)放等現(xiàn)狀，下一步應(yīng)積極提升國(guó)產(chǎn)衛(wèi)星在物候監(jiān)測(cè)領(lǐng)域的應(yīng)用水平，探索并積累國(guó)產(chǎn)衛(wèi)星用于植被物候監(jiān)測(cè)的理論與經(jīng)驗(yàn)；建立并維護(hù)基于國(guó)產(chǎn)衛(wèi)星對(duì)中國(guó)及全球宏觀尺度植被動(dòng)態(tài)與物候變化可持續(xù)監(jiān)測(cè)的能力；重點(diǎn)探索針對(duì)不同國(guó)產(chǎn)傳感器的物候參數(shù)反演算法，開(kāi)發(fā)并構(gòu)建具有自主知識(shí)產(chǎn)權(quán)的算法；最終形成基于國(guó)產(chǎn)衛(wèi)星觀測(cè)的系統(tǒng)全面的物候參數(shù)標(biāo)準(zhǔn)化產(chǎn)品，在氣候變化和全球碳循環(huán)等關(guān)鍵科學(xué)問(wèn)題以及糧食安全等重大戰(zhàn)略問(wèn)題上減少對(duì)國(guó)外衛(wèi)星數(shù)據(jù)的依賴。

遙感物候?qū)W是遙感科學(xué)與生態(tài)學(xué)交叉形成的一個(gè)新興學(xué)科方向，其學(xué)科源頭在物候?qū)W本身，其飛速發(fā)展得益于近幾十年來(lái)遙感技術(shù)的突飛猛進(jìn)。應(yīng)該看到，無(wú)論是物候參數(shù)提取方法、數(shù)據(jù)驗(yàn)證手段，還是產(chǎn)品開(kāi)發(fā)等，都應(yīng)該以服務(wù)于全球變化、生態(tài)、自然資源和農(nóng)業(yè)等領(lǐng)域的研究和應(yīng)用為目的，緊扣這些領(lǐng)域的科學(xué)問(wèn)題和用戶需求。植被物候遙感的本質(zhì)是通過(guò)衛(wèi)星遙感具備的多時(shí)相重復(fù)觀測(cè)能力，對(duì)植被的季節(jié)變化和物候特征在全球尺度上進(jìn)行持續(xù)的監(jiān)測(cè)與研究，這一方式是地面觀測(cè)無(wú)法替代的。因此，植被物候遙感監(jiān)測(cè)能力的提升從根源上來(lái)需要衛(wèi)星傳感器在時(shí)空及光譜分辨率等硬件參數(shù)上的改進(jìn)，以及各種數(shù)據(jù)預(yù)處理方法的改良。不同于反射率、太陽(yáng)輻射或地表溫度等物理參量，植被物候參數(shù)具有鮮明的生物學(xué)特征，其空間尺度轉(zhuǎn)換問(wèn)題也比單純的物理參量更為復(fù)雜。植被物候參數(shù)遙感產(chǎn)品的用戶主要是非遙感研究群體，因此植被物候遙感的發(fā)展不單純是技術(shù)層面的發(fā)展，也需要遙感與生態(tài)學(xué)和農(nóng)學(xué)之間就參數(shù)定義及其生物學(xué)意義進(jìn)行深入和廣泛的討論，最終使得遙感獲取的物候參數(shù)能夠真正服務(wù)于全球變化、生態(tài)和農(nóng)業(yè)等不同學(xué)科的研究與實(shí)際應(yīng)用需求，這才是遙感物候?qū)W這一學(xué)科持續(xù)發(fā)展的最原始動(dòng)力。