黑河流域遥感物候产品验证与分析.DOC

1、收稿日期：*基金项目：国家重点基础研究发展计划国家自然科学基金(41271366)；国家重点基础研究发展计划（ 973 计划） （2013CB733401 ）第一作者简介：王聪（1992-） ，女，硕士研究生，主要从事遥感植被物候研究。E-mail: *通讯作者简介：李静（1978-） ，女，副研究员，主要从事植被辐射传输模型、叶面积指数反演等研究。E-mail: 黑河流域遥感物候产品验证与分析王 聪 1,2， 李 静 1， 柳 钦 火 1， 柏 军 华 1， 徐 保 东 1,2， 赵 静 1， 曾 也 鲁1,21. 遥感科学国家重点实验室，中国科学院遥感与数字地球研究所，北京 1001012

2、. 中国科学院大学，北京 100049摘 要 : 植 被 物 候 遥 感 产 品 对 全 球 变 化 响 应 、 农 业 生 产 管 理 、 生 态 学 的 应 用 等 多 领 域 研 究 具 有 重 要 意 义 。 但 现 有 植 被 物 候 遥 感产 品 还 有 较 多 问 题 ， 主 要 包 括 一 方 面 使 用 不 同 参 数 的 时 间 序 列 数 据 以 及 不 同 提 取 算 法 导 致 的 产 品 结 果 差 异 较 大 ， 另 一 方 面 在 地面 验 证 中 地 面 观 测 数 据 与 遥 感 反 演 数 据 的 物 理 含 义 不 一 致 导 致 的 验 证 方 法 的

3、 系 统 性 误 差 。 本 文 以 黑 河 流 域 为 研 究 区 ， 对 比 验证 基 于 EVI（ Enhanced Vegetation Index） 时 间 序 列 数 据 提 取 的 MLCD（ MODIS global land cover dynamics product） 植被 遥 感 物 候 产 品 和 基 于 LAI（ Leaf Area Index） 时 间 序 列 数 据 提 取 的 UMPM（ product by universal multi-life-cycle phenology monitoring method） 植 被 遥 感 物 候 产 品 的 有

4、效 性 及 精 度 等 。 同 时 ， 通 过 验 证 分 析 进 一 步 评 估 基 于 EVI 和 LAI 时间 序 列 提 取 的 物 候 特 征 的 差 异 及 特 点 ， 探 讨 由 于 地 面 观 测 植 被 物 候 与 遥 感 提 取 植 被 物 候 的 物 理 意 义 的 不 一 致 问 题 导 致 的 直 接 验证 结 果 偏 差 。 结 果 表 明 : UMPM 产 品 有 效 性 整 体 高 于 MLCD 产 品 ， 但 在 以 草 地 和 灌 木 为 主 的 稀 疏 植 被 区 ， 由 于 LAI 取 值 精 度 的原 因 ， UMPM 产 品 存 在 较 多 缺 失

5、数 据 ， 且 时 空 稳 定 性 较 低 ； 基 于 玉 米 地 面 观 测 数 据 表 明 ， EVI 对 植 被 开 始 生 长 的 信 号 比 LAI 更加 敏 感 ， 更 适 合 提 取 生 长 起 点 ， 但 植 被 指 数 易 饱 和 ， 峰 值 起 点 普 遍 提 前 ， 基 于 LAI 提 取 的 峰 值 起 点 更 加 合 理 。 由 于 地 面 观 测的 物 候 期 在 后 期 更 加 关 注 果 实 生 长 ， 遥 感 观 测 仅 关 注 叶 片 的 生 长 ， 遥 感 定 义 的 峰 值 终 点 和 生 长 终 点 与 玉 米 的 乳 熟 期 和 成 熟 期 差异 较

6、 大 。关 键 词 : 遥 感 物 候 产 品 , 生 长 起 点 , 生 长 终 点 ， 验 证 ， 黑 河 流 域中图分类号: TP701 文献标志码: A 引用格式：1 引言植被物候是研究植被周期性现象（如发芽、展叶、开花、落叶等）的发生时间，及其与环境的季节性变化相互关系的科学（Myneni 等，1997 ；竺可桢和宛敏渭，1999； Zhang 等，2003）。植被物候现象不仅反映自然季节的变化，而且能表现出生态系统对全球环境变化的响应和适应，因而也被视为是“大自然的语言” （竺可桢和宛敏渭， 1999）和全球变化的“诊断指纹 ”（Root 等， 2003），已经被广泛应用于全球变化

7、响应 （Myneni 等，1997；Linderholm ，2006；Schwartz 等，2006；Wang 等， 2011）、农业生产管理（吴炳方等，2005；Lunetta 等，2010；de Beurs 和 Ioffe，2013）和生态学的应用（Piao 等，2008 ；Piao 等，2009；Barichivich 等， 2013）等。由于遥感观测具有覆盖范围广、连续性强的特点，遥感技术成为物候监测和研究的重要手段。遥感物候监测的卫星数据通常来自 NOAA/AVHRR、SPOT/VGT、EOS/MODIS 等中低分辨率卫星及陆地资源卫星TM/ETM+的植被参数数据，其中，包括 NDV

8、I 和 EVI 在内的植被指数为最常用的植被参数（Zhang 等，2003；Wang 等，2006）。此外，也有研究学者探索利用叶面积指数 LAI、光能辐射有效吸收比例 fPAR 和反照率albedo 监测植被物候 （Ahl 等，2006；Garrity 等，2011；Verger 等，2016）。植被物候遥感反演主要包括两个部分，一是时间序列数据重建，二是植被物候参数提取。由于云覆盖、大气气溶胶、季节性雪覆盖等因素影响，时间序列曲线中仍然残留较多低值和噪声数据，需要通过最佳指数斜率提取法、中值平滑法、S_G 滤波法、非对称高斯函数拟合法等时间序列重建方法获取连续可靠的时间序列数据；对于植被物

9、候参数提取方法，可分为阈值法（Lloyd ，1990；Myneni 等，1997 ；Zhou 等，2001）、求导法（Moulin 等，1997；Tan 等， 2011）、延迟滑动平均法（Reed 等，1994 ）、模型拟合法（Zhang 等，2003；Wagenseil 和 Samimi，2006）和最大斜率法等方法（Yu 等，2003；Piao 等，2011）。White 等人（2009）对比分析十类物候监测方法提取北美地区植被春季物候，结果表明各类物候算法监测结果差异明显，不同物候监测算法所提取的生长起点不一致。此外，不同数据源和不同参数时间序列会使得在同一区域范围遥感植被物候监测结果差

10、异很大（White 等， 2009；Schwartz 和Hanes，2010；White 等，2014），因此，有必要深入分析遥感物候监测结果的有效性及精度。当前植被物候结果验证方法包括地面物候观测数据验证（Soudani 等，2008；Ganguly 等，2010）、高分辨率卫星与地面物候观测相结合验证（Fisher 和 Mustard，2007；Liang 等， 2011；Hmimina 等， 2013）、通量观测塔验证（Garrity 等， 2011；Gonsamo 等， 2012）、无线传感器验证（ Hmimina 等， 2013；Klosterman 等，2014）和物候模型验证（W

11、hite 等，2009；Schwartz 和 Hanes，2010）。其中，地面物候观测数据验证将地面站点代表性植物的特定物候现象的发生日期作为验证数据，是最传统、最直接的物候验证方法（竺可桢和宛敏渭，1999），也是目前在算法验证、产品真实性检验中广泛使用的方法（Ganguly 等 ，2010；Hmimina 等， 2013；Xiao 等，2013）。但遥感提取物候方法是基于特定参数（如 EVI 或 LAI）时间序列的曲线变化特征，这个特征是否与地面物候观测到的物候节点对应，且不同的参数的时间序列提取的植被物候特征是否一致，这些都是影响植被物候产品验证精度、分析有效性的关键问题，需要更深入的

12、分析与讨论。现阶段已发布的全球遥感物候产品仅有 MODIS 遥感物候产品 MLCD（MODIS global land cover dynamics product） 。MLCD 产品以 MODIS EVI 为数据源，EVI 相较于 NDVI 在高植被覆盖敏感性、降低土壤背景影像、消除大气传输干扰等方面进行了改进。当前已有学者对 MLCD 产品开展了一些验证工作。Ganguly 等人（2010）采用北美地区两个森林站点的地面观测数据验证物候提取结果，说明 MLCD 物候产品能监测植被的展叶和落叶过程，但生长终点的不确定性较大。Hmimina 等人（2013） 研究结果表明 MLCD 物候产品在

13、热带雨林区域存在较多的数据缺失，且该区域反演的物候期与实际值存在系统偏差。全球遥感物候产品的缺乏以及产品缺陷一定程度上已经限制了遥感物候的应用和发展（夏传福等，2012 ）。在此背景下，Verger 等人（2016）基于 SPOT-VEGETATION LAI（universal multi-life-cycle phenology monitoring method）采用阈值法生产了全球遥感物候产品。该产品与全球气候扰动及生态群落的分布有很好的空间一致性，产品所采用的冠层结构参数 LAI 对不同传感器的观测具有鲁棒性，能更好的反映茂密植被的动态变化。夏传福等人（2012）基于 LAI 时间序

14、列数据提出通用多周期物候反演方法，并基于该方法利用 MODIS LAI 生产了 2007 年中国地区遥感物候产品，通过中国地区的地面站点数据验证该产品的提取精度较 MLCD 有明显的提高。考虑到 GLASS LAI（Global Land Surface Satellite Product）具有良好的时空连续性和时空一致性（Liang 等，2013；Xiao 等， 2014），UMPM 长时间序列全球遥感物候产品基于 GLASS LAI，采用通用多周期物候反演方法 （夏传福等， 2012）进行生产。本文以西北干旱区的黑河流域为研究区，利用地面物候观测数据，对覆盖该区域的 UMPM 及 MLCD

15、 产品开展直接验证及交叉对比验证，分析产品的有效性及精度等。同时，通过验证分析进一步评估基于 MODIS/EVI和 GLASS/LAI 时间序列提取的物候特征的差异及特点，探讨由于地面观测植被物候与遥感提取植被物候的物理意义的不一致问题导致的直接验证结果偏差。分析结果对植被物候提取方法及验证方法的改进提供研究基础。2 研究区与数据2.1 研究区黑河流域（97.1E- 102.0E，37.7N- 42.7N）地处欧亚大陆中部，位于中国西北干旱区，面积约 14.3万平方千米（Zhong 等，2015），属于典型的大陆性干旱与半干旱气候。黑河流域生态系统的特点与西北干旱区的其它内陆河流域具有相似性,

16、 从高山冰川/永久积雪、高山草甸、森林、草地到平原绿洲和戈壁荒漠 , 构成了一个完整的干旱区自然生态景观。黑河流域地形垂直高度变化大，气候差异显著。上游祁连山区海拔一般在2300m 以上，蒸发弱，降水相对充沛，主要植被类型为草地和林地，山区气候寒冷，植物开始生长时间较晚，大约在 130140d 开始生长，生长结束日期约为 280300d；中部河西走廊区气候相对干燥，降水较少，以人工农田为主，主要作物类型为玉米和春小麦，从生长季开始期大约在 110120d，农作物开始大部分出苗生长，小麦的收割时间约在 240d 左右，玉米的收割时间约为 290300d；下游额济纳旗平原深居内陆腹地，降水少而蒸发

17、强烈，主要分布着大面积的戈壁和沙漠（陈正华等，2008；杨永民等， 2012）。2.2 数据与预处理2.2.1 MLCDMLCD 物候产品（MCD12Q2 Collection 5） （Zhang 等，2003；Ganguly 等，2010）采用 MODIS 反照率产品MOD43B4 提供的天底反射率数据（NBAR） （Huete 等， 2002）计算 EVI 值反演植被物候期，空间分辨率 500m，时间跨度为 20012014 年。由于 EVI 数据受到云、气溶胶、雪和观测角度等影响，需先对时间序列数据进行预处理，然后由连续 5 个时相 EVI 值组成的滑动窗口来判断持续升高和降低区间，当所

18、在区间的极大值和振幅满足给定阈值条件后，判断该升高和降低区间为一个生长周期过程，一年时间序列曲线最多记录两个生长周期。对于每一个生长周期，采用分段 logistic 函数拟合，并利用其曲率值变化的极值点，确定生长起点、峰值起点、峰值终点和生长终点四个物候特征参数。Logistic 函数法能有效抑制噪声影响，且不需设置阈值或经验性限制条件，具有较好的普适性，运用十分广泛。验证中提取 20012014 年生长起点、生长峰值起点、生长峰值终点和生长终点数据集，进行拼接、投影转换、裁剪等。同时将 MLCD 产品采用像素取平均的方法进行升尺度至1km，以便与 UMPM 产品进行对比分析。2.2.2 UM

19、PMUMPM 物候产品以时空连续性和时空一致性较好的 GLASS LAI 作为数据源（Xiao 等， 2014），采用通用多周期法生产（夏传福等，2012），时间跨度为 19822014 年。其中， 19822000 年产品的空间分辨率为5km，20012014 年产品的空间分辨率为 1km。产品算法首先采用傅里叶和多项式组合函数拟合时间序列曲线，通过拟合函数的极大值点确定物候周期数，一年时间序列曲线最多记录三个生长周期。对于每一个生长周期，采用主算法和备用算法相结合的植被物候反演策略，即选用 Logistic 函数拟合法作为主算法，当 LAI 最大值小于 1 时，选用分段线性拟合法 PLF（

20、piecewise linear fitting）作为备用算法。PLF 将生长周期分割为 2-5 条线段进行表达,，线段相连处可确认为对应的关键物候结点。相较于 MLCD 产品，UMPM 数据集更加丰富。每个生长周期包含 6 个数据集，除了 MLCD 所包含的四个物候特征参数外，还增加了生长最快点和衰落最快点数据集。与 MLCD 产品预处理类似，提取 20012014 年生长起点、生长峰值起点、生长峰值终点和生长终点数据集，进行拼接、投影转换、裁剪等。2.2.3 植被分类产品本文采用寒区旱区数据中心所提供的黑河流域土地利用覆被数据集（http:/ ）作为代表性样点筛选辅助数据集，空间分辨率为

21、30m，时间分辨率为每月。如图 1 所示。该产品保留了传统的土地利用图的基本类别信息，包括水体，城镇，耕地，常绿针叶林，落叶阔叶林等，同时增加了对耕地范围的作物精细分类，包括玉米、大麦、油菜、春小麦等主要作物信息。通过 Google Earth 高清影像和实地调研数据对 2012年的分类结果进行精度评价，总体精度达到 92.19%（仲波等 ，2014；Zhong 等，2015）。此外，搜集 MODIS 土地覆盖分类产品 MLCT（MODIS Land Cover Types）用于产品间的交叉验证，该产品的空间分辨率为 500m，通过最邻近像元法将其升尺度至 1km。图 1 黑河流域 2012

22、年 6 月地表类型覆被数据Fig.1 Land cover map for Heihe River Basin in June 20122.2.4 地面站点观测数据地面站点数据来自中国气象科学数据共享服务网农业气象资料专题（CMA）提供的“中国农作物生长发育状况资料数据集” 。从中筛选出位于黑河流域的四个地面观测站点：酒泉、高台、张掖和民乐，站点信息见表1，站点分布见图 1。其中，作物名称、发育期名称、发育期日期、发育程度四个字段的数据被选作站点农作物的物候观测记录进行收集、整理。观测玉米的发育期包括播种、出苗、三叶、七叶、拔节、抽穗、乳熟、成熟，观测小麦的发育期包括播种、出苗、分蘖、拔节、抽

23、穗、乳熟、成熟。发育程度分为开始期、普遍期和末期。表 1 地面观测站点信息Table 1 Information of ground phenology observation sites站点名称 纬度 经度 时间范围 观测作物类型酒泉 39.77 98.48 20012012 玉米、小麦高台 39.37 99.83 20022009 玉米、小麦张掖 39.93 100.43 20022012 玉米、小麦民乐 38.45 100.82 20012012 小麦3 物候产品验证本文从三个方面开展验证工作：一是进行反演有效性分析，即统计遥感物候产品在黑河地区的缺失率和稳定性；二是以陆表分类产品为辅助

24、数据，对 MLCD 和 UMPM 两种物候产品开展交叉验证；三是利用地面观测数据，对物候产品进行站点对比验证，并探究利用物候产品输入数据所提取的物候参数与地面观测物候期的对应关系。如图 2 所示。地 面 观测 数 据MLCDMODIS陆 表分 类 产 品UMPM遥 感 物 候 产 品代 表 性 站 点 数 据尺 度 转 换生长起点生长终点像 素 值 筛 选生长起点生长终点峰值起点峰值终点误 差 分 析反演缺失率反演稳定性差 异 统 计典 型 植 被 类 型 区 块MODIS EVI GLASS LAI物 候 产 品 输 入 数 据峰值起点峰值终点对 应 关 系图 2 物候产品验证方案Fig.2

25、 The validation scheme of phenology products3.1 产品有效性分析（1）产品缺失率植被物候遥感产品的缺失来源主要有两部分，所选参数（如 LAI 或 VI）时间序列不连续而无法反演和反演算法的限制而反演失败。图 3 分别统计了 2012 年黑河流域的 MLCD 和 UMPM 产品缺失像元所占比例。MLCD产品总缺失率为 9.9%，UMPM 产品总缺失率为 7.6%。UMPM 产品中灌木和草地的缺失率分别占到 24.9%和 7.7%，常绿针叶林和农作物的缺失率很少；而 MLCD 产品在四种植被类型均有缺失，常绿针叶林和农作物的缺失率分别占 2.1%和 9

26、.9%。图 4 以最大叶面积指数为背景，展示了两套物候产品反演缺失的空间分布情况，即图中红色区域所示。图 4 底部统计了不同最大叶面积指数下产品缺失像元个数。可见，两套物候产品反演缺失分布大体相同，主要分布在上游林区间的草地以及下游的荒漠植被区。反演缺失像元的最大叶面积指数大多小于 0.5，MLCD 产品反演缺失像元最大叶面积指数小于 0.5 的占比 69.9%，UMPM 产品占比 99.7%。稀疏植被是目前的物候产品反演失败最多、反演误差最大的植被类型。UMPM 产品算法体系设计了备用算法针对稀疏植被的时间序列特点，但图 3 结果显示在灌木类型上基于 LAI 时间序列反演得到的植被物候失败仍

27、很高。图 3 主要植被类型反演缺失率统计结果Fig.3 Missing rates of main vegetation types(a)MLCD (b)UMPM图 4 UMPM 和 MLCD 物候产品反演缺失分布Fig.4 The distribution of missing data of UMPM and MLCD products（2）稳定性分析产品稳定性是衡量产品质量的一个重要方面，包括时间稳定性和空间稳定性。时间稳定性是指同一地区的植被在年际间的生长特征具有一定的相似性，即影响植被生长的气温降水等气候因素在同一地区通常不会有剧烈的变化。空间稳定性是指生长在同一年份同一区域的同种植

28、被类型物候特征相似，即由于受到的气温和降水等气候因素的影响相同使得植被生长相似（侯学煜，1984）。本节使用 2001-2014 年数据分析两个产品的时间稳定性，使用 2012 年数据对比分析 MLCD 和 UMPM 产品的空间稳定性。为分析产品时间稳定性，以 2001 年到 2014 年植被生长起点的平均绝对误差作为指标。其计算公式为： 14|iisoMAD式中， iso为第 年的生长起点日期， so为年平均生长起点日期。平均绝对误差值越低，说明产品时间稳定性越高。总的来说，UMPM 产品时间稳定性高于 MLCD 产品（如图 5） 。图 6 为常绿针叶林、灌木、草地、农作物四种植被类型的 2

29、001-2014 年平均差频率图。可见，对常绿针叶林、草地、农作物，UMPM 产品的 14 年的平均变化都要小于 MLCD 产品，在常绿针叶林表现更明显。对灌木（图 6(b)）两产品的频率分布图相似，只是由于 UMPM 产品的缺失率较高频率值变低。因此，UMPM 产品的时间稳定性在除灌木外的其它类型上都优于 MLCD 产品。Wang 等 （2006）指出 Logistic 函数法不适用于稀疏植被区，Ganguly 等 （2010 ）也指出MLCD 在稀疏植被区域精度不高。对于 UMPM 产品，其备用算法（分段线性拟合法）也不适用于稀疏植被区。图 5 2001-2014 年平均差频率分布图Fig

30、.5 The frequency profile of mean deviation from 2001 to 2014(a)常绿针叶林 (b)灌木(a)evergreen needleleaved forest (b)shrub(c)草地 (d)农作物(c) grass (d)crop图 6 2001-2014 年不同植被类型平均差频率分布图Fig.6 The frequency profile of mean deviation for different vegetation types from 2001 to 2014为分析产品空间稳定性，以 9km*9km 滑动窗口对黑河流域遥感物

31、候产品进行搜索，计算该窗口内中心点与滑动窗口内同一植被类型的距平值。图 7 反映了两套物候产品空间绝对偏差分布情况。可见，两套物候产品空间绝对偏差大多分布在 20 天以内，整体上，MLCD 产品的空间稳定性高于 UMPM 产品。常绿针叶林、灌木、草地、农作物的空间绝对偏差频率分布如图 8 所示。对于常绿针叶林和农作物，两套物候产品的空间稳定性大致相同，但对于灌木和草地，UMPM 产品在空间偏差小的频率低于 MLCD 产品，导致了 UMPM 的整体空间稳定性偏低。可见，在空间稳定性上，UMPM 产品在灌木和草地类型上存在明显不足。其主要原因与以上的时间稳定性显示的结果相似，主要是由于 LAI 较

32、低的取值精度（ 0.1）使 UMPM 产品算法对稀疏植被的算法考虑没有发挥出来，反而比 EVI 的结果更差。图 7 2012 年空间绝对偏差频率分布图Fig.7 The frequency profile of spatial absolute deviation in 2012(a)常绿针叶林 (b)灌木(a)evergreen needleleaved forest (b)shrub(c)草地 (d)农作物(c) grass (d)crop图 8 不同植被类型空间绝对偏差频率分布图Fig.8 The frequency profile of spatial absolute deviati

33、on for different vegetation types3.2 产品间交叉验证分别对 2012 年 UMPM 产品与 MLCD 产品生长起点和生长终点作差，得到物候产品差值空间分布图，如图9 所示。对于生长起点，UMPM 大部分像元相较于 MLCD 有推迟趋势，其比例约为 70%；对于生长终点，UMPM 较多像元相比 MLCD 有提前趋势，其比例约为 63%。 UMPM 产品与 MLCD 产品差值范围主要分布在在-2020 天之间，最大差值的绝对值可达到 3060 天，差值较大的区域主要分布在以草地和灌木为主的稀疏植被。(a)the start of growing season (

34、b)the end of growing season图 9 2012 年 UMPM 产品与 MLCD 产品差值分布Fig.9 The distribution of the difference between UMPM and MLCD in 2012空间格局的分布差异具体体现在对不同植被类型的提取差异。对每一种植被类型，分别计算生长起点和生长终点的平均值，得到物候期均值年际变化，如图 10 所示。从两套物候产品在 20012014 年的年间对比来看，UMPM 产品对不同植被类型的年际变化较小，MLCD 产品对不同植被类型的年际变化较大。由于 LAI 和 EVI 提取常绿针叶林物候的物理含

35、义不一致（Wu 等，2014），除常绿针叶林外，两套物候产品提取生长起点的差异大于生长终点。具体来说，对于常绿针叶林，UMPM 产品所提取的生长起点较 MLCD 提前 5 天左右，生长终点较MLCD 推迟约 11 天；对于灌木，两套物候产品提取结果差异较大，UMPM 产品生长起点较 MLCD 推迟约 16 天，生长终点较 MLCD 产品提前约 15 天；对于草地，两套物候产品提取结果较为接近，特别是生长终点，其差值均在 10 天以内；对于农作物，两套物候产品生长起点的差异十分明显，UMPM 产品的生长起点较 MLCD 约推迟 20 天，两套物候产品生长终点的差异较小，UMPM 产品的生长起点较

36、 MLCD 约提前 7 天。从变化趋势上看，常绿针叶林的生长终点表现出相反的变化趋势；灌木、草地和农作物的生长终点的变化趋势较为一致。对于农作物的生长起点，两套物候产品一致表现出较大的推迟趋势。(a)常绿针叶林(a)evergreen needleleaved forest(a)生长起点 (b)生长终点NoDat0(b)灌木(b)shrub(c)草地(c) grass(d)农作物(d)crop图 10 2001-2014 年不同植被类型物候期均值年际变化Fig.10 The interannual variation of different vegetation types from 200

37、1 to 20143.3 地面站点观测验证地面物候观测数据验证将地面站点代表性植物的特定物候现象的发生日期作为验证数据，是最传统、最直接的物候验证方式。但是，利用单点的物候观测验证大尺度的遥感监测结果十分困难（Fisher 和 Mustard，2007），尺度效应使得地面站点观测数据与遥感观测数据的相关性较差，因为单站点的特定植物很难代表遥感尺度（特别是当分辨率1km 时）所覆盖的整个生态群落信息（Reed 等， 1994；White 等，1997），因而在验证时需要尽量选择植被类型均一、地形平坦地区的地面站点数据（Fisher 和 Mustard，2007）。由于在局部小区域范围内，同一年份同一植被类型所对应的植被物候期，存在一定程度的相似性，在该区域内选取地面站点观测的植被类型比例较高的像元可在一定程度上提高地面站点观测数据与遥感观测数据的相关性。基于此，本文以地面站点所在