基于小波的浙江省NDVI与自然—人文因子多尺度空间关联分析

遥感地质学NDVI名词解释遥感技术可以监测植被的变化，主要研究植被的替代指标NDVI，又称标化植被指数，是目前应用最为广泛的指标，是近红外波段与红色波段的差异经二者之和校正后的结果。

公式为:NDVI=(NIR-RED)/(NIR+RED)，该指数值介于-1与1之间:0代表该区域基本没有植被生长;负值代表非植被覆盖的区域;取值0~1之间，数字越大代表植被的覆盖面积越大，植被的量越多。

云、水体和冰雪在红色及近红外波段均有较大反射，其NDVI值为负值;土壤和岩石在这两个波段的反射率基本相同，因此其NDVI值接近0。

对于Landsat TM 传感器来说，其红外及可见红光波段分别为CH4和CH3波段。

为了对不同像素显示配色，按公式(NDVI-NDVI极小值)/(NDVI极大值-NDVI 极小值)x255将NDVI扩展为0~255。

首先肯定一点，计算NDVI必须用反射率。

DN值有多种类型，TM、NOAA的原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。

但一般我们需要先进行大气校正，大气校正又包含多个方面，例如水汽、臭氧和气溶胶，世界上提供的NDVI数据集一般只做了其中部分的校正。

对于山区，还需要做地形校正。

计算出来的反射率是浮点型，为了节省存储空间，往往被转换成DN值，此时转换DN值到真实值得计算公式是真实值=aDN+b，a为斜率，b为截距。

单纯利用DN值计算。

可以解释成仅仅只是DN值计算;而TM4=0且TM3=0，是说TM34波段的DN值均为0时候，分母为0，计算不免会出现问题。

NDVI的物理依据是地物反射率的差异变化。

所以用反射率来计算是比较客观准确的，而r现实生活]中，大多的人，根本不会考虑用地表反射率来计算NDVI，直接用DN来代替地表反射率，这样的替代是不是可以，从定量的角度来讲，肯定是不够严密的，大气的影响毕竟客观存在。

大气校正有两个目的:一是大气参数的反演，一是地表反射率的反演。

ndvi计算公式波段运算彩色图像虽然能够直观地展示地表覆被情况，但是在遥感领域中，我们常常需要进一步分析地表植被的健康状况。

为了达到这个目的，科学家们引入了一种被广泛应用的指数，即归一化植被指数（NDVI）。

NDVI是一种基于多光谱数据计算的指数，常常用于估计和监测地表植被的绿度和生长状态。

计算NDVI的公式如下：NDVI = (NIR - RED) / (NIR + RED)其中，NIR代表近红外波段的反射率，RED代表红色波段的反射率。

这个公式的基本原理是建立在植物组织吸收红光和近红外光不同的基础上。

在NDVI的计算过程中，近红外波段被认为是植被明显反射的波段，而红色波段则是无论是植被还是非植被都会反射的波段。

因此，通过计算两个波段反射率之差，并将其归一化，我们可以得到一个范围在-1到1之间的NDVI值。

当NDVI接近1时，表示地表覆被以及植被活力非常高。

而当NDVI 接近0时，表示地表覆被以及植被活力较低。

同时，NDVI的负值通常代表非植被地表。

NDVI的广泛应用使得我们能够更好地了解植被的健康状况和分布情况。

例如，在农业领域，NDVI可以用来监测作物生长过程中的异常情况，帮助农民及时采取措施，提高农作物的产量和质量。

此外，NDVI还被应用于环境保护和自然资源管理领域。

通过对NDVI图像的分析，我们可以定量评估土地覆被变化、水体污染、森林退化等问题，为环境保护和资源管理决策提供科学依据。

综上所述，NDVI作为一种重要的指数，在遥感与地球观测领域发挥着重要作用。

通过计算不同波段的反射率，我们可以了解地表植被的健康状况，从而指导农业、环境保护和资源管理等领域的决策。

随着遥感技术的不断发展，NDVI的应用前景必将更加广阔。

基于NDVI与丰度关系的MODIS影像浒苔混合像元分解⽅法_丁⼀第３７卷　第７期海洋学报Ｖｏｌ．３７，Ｎｏ．７２０１５年７⽉Ｈａｉｙａｎｇ　Ｘｕｅｂａｏ　Ｊｕｌｙ　２０１５丁⼀，黄娟，崔廷伟，等．基于ＮＤＶＩ与丰度关系的ＭＯＤＩＳ影像浒苔混合像元分解⽅法［Ｊ］．海洋学报，２０１５，３７（７）：１２３－１３１，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３－４１９３．２０１５．０７．０１２Ｄｉｎｇ　Ｙｉ，Ｈｕａｎｇ　Ｊｕａｎ，Ｃｕｉ　Ｔｉｎｇｗｅｉ，ｅｔ　ａｌ．Ｔｈｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　ＭＯＤＩＳ　ｉｍａｇｅｓ　Ｅｎｔｅｒｏｍｏｒｐｈａ　ｍｉｘｅｄ　ｐｉｘｅｌｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｒｅｌａ－ｔｉｏｎ　ｏｆ　ＮＤＶＩ　ｔｏ　ａｂｕｎｄａｎｃｅ［Ｊ］．Ｈａｉｙａｎｇ　Ｘｕｅｂａｏ，２０１５，３７（７）：１２３－１３１，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３－４１９３．２０１５．０７．０１２基于ＮＤＶＩ与丰度关系的ＭＯＤＩＳ影像浒苔混合像元分解⽅法丁⼀１，２，黄娟１，２，崔廷伟３，万振⽂４，张怡１，２，曹丛华１，２，陈超５，肖艳芳３（１．⼭东省海洋⽣态环境与防灾减灾重点实验室，⼭东青岛２６６０６１；２．国家海洋局北海预报中⼼，⼭东青岛２６６０６１；３．国家海洋局第⼀海洋研究所，⼭东青岛２６６０６１；４．丹麦⽓象研究所，丹麦；５．浙江海洋⼤学海洋科学与技术学院，浙江⾈⼭，３１６００４）收稿⽇期：２０１４－０９－０４；修订⽇期：２０１４－１２－０８。

基⾦项⽬：国家海洋局青年海洋科学基⾦项⽬（２０１２４０５）；海洋公益性⾏业科研专项经费项⽬（２０１２０５０１０，２０１３４１８０２５－２）；国家海洋局第⼀海洋研究所基本科研业务费专项资⾦项⽬（ＧＹ０２１４Ｔ０３）。

作者简介：丁⼀（１９７９—），男，⼭东省⽇照市⼈，⼯程师，主要从事海洋环境遥感监测和ＧＩＳ应⽤研究。

Ｅ－ｍａｉｌ：ｄｉｎｇｙｉ＠ｂｈｆｊ．ｇｏｖ．ｃｎ摘要：ＭＯＤＩＳ影像是浒苔业务化卫星遥感监测的重要数据源，但其空间分辨率（２５０ｍ）较低，混合像元效应导致传统的ＮＤＶＩ（Ｎｏｒｍａｌｉｚｅｄ　Ｄｉｆｆｅｒｅｎｃｅ　Ｖｅｇｅｔａｔｉｏｎ　Ｉｎｄｅｘ）阈值法浒苔提取误差较⼤。

Geographical Science Research 地理科学研究, 2020, 9(3), 148-155Published Online August 2020 in Hans. /journal/gserhttps:///10.12677/gser.2020.93017GIS-Based Analysis of Spatial DistributionCharacteristics of Geographical IndicationProducts in Zhejiang ProvinceHangxiu Xie, Yong Du*Jiyang College of Zhejiang Agriculture and Forestry University, Zhuji ZhejiangReceived: Jul. 11th, 2020; accepted: Jul. 23rd, 2020; published: Jul. 30th, 2020AbstractA geographic information system (ArcGIS) is used to describe the spatial distribution characteris-tics of geographical indication products of agricultural products in Zhejiang Province, and based on the influence of geographical environment, the relationship with geographical indication products is analyzed. Geographical indication agricultural products of Zhejiang are mainly dis-tributed in areas with superior natural environment and more developed economic development.Influenced by the geographical environment of Zhejiang Province, it has a great influence on the distribution of geographical indications of agricultural products. Our provinces, cities and coun-ties should clearly define the advantages and disadvantages of developing geographical indica-tions of agricultural products, fully mobilize the enthusiasm of the government, non-governmental organizations, enterprises, farmers groups and other subjects to jointly promote the development of Zhejiang geographical indications of agricultural products.KeywordsAgricultural Geographical Indications, Spatial Distribution Characteristics, Cause,Industry Promotion基于GIS的浙江省地理标志产品空间分布特征分析谢杭秀，杜泳*浙江农林大学暨阳学院，浙江诸暨收稿日期：2020年7月11日；录用日期：2020年7月23日；发布日期：2020年7月30日*通讯作者。

基于遥感影像的城市绿化信息提取与分析方法随着城市化进程的加快，城市绿化问题越来越受到重视。

城市绿化不仅可以美化城市环境，还能提供人们休闲活动和生态服务。

而基于遥感影像的城市绿化信息提取与分析方法成为了研究者关注的热点之一。

本文将介绍几种常见的基于遥感影像的城市绿化信息提取与分析方法。

首先，一种常见的提取城市绿化信息的方法是基于影像分类。

该方法通过遥感影像的光谱信息和纹理信息来进行图像分类，然后通过分析分类结果来提取绿化信息。

这种方法需要考虑到不同植被类别在遥感影像中的表现形式，选择适合的分类算法，并进行参数优化。

此外，为了提高分类的精度，还可以结合高分辨率影像和其他辅助数据进行综合分析。

其次，另一种常见的方法是基于指数计算。

城市绿化指数是通过计算遥感影像中植被的光谱特征来评估城市绿化状况的指标。

常见的城市绿化指数包括归一化植被指数（NDVI）、绿度指数（GI）等。

这些指数可以通过对遥感影像进行数学运算得到，然后利用统计方法将指数与实际绿化情况相对应。

这种方法不仅简单易行，还具有一定的客观性。

此外，还可以利用纹理特征来提取城市绿化信息。

城市绿化区域与非绿化区域在纹理特征上存在差异，可以通过计算遥感影像的纹理特征来提取绿化信息。

常见的纹理特征包括灰度共生矩阵（GLCM）、小波变换等。

这些特征可以通过对遥感影像进行数学运算得到，然后利用统计方法将纹理特征与实际绿化情况相对应。

这种方法能够充分利用遥感影像中的细节信息，提高绿化信息提取的准确性。

最后，可以利用机器学习方法来提取和分析城市绿化信息。

机器学习方法能够通过对大量样本数据的学习，自动学习到影像中绿化和非绿化区域的特征，并进行分类和预测。

常见的机器学习方法包括支持向量机（SVM）、决策树、随机森林等。

这些方法可以通过对已有数据的训练，建立起绿化信息与遥感影像之间的关联模型，并利用该模型对新数据进行绿化信息提取和分析。

综上所述，基于遥感影像的城市绿化信息提取与分析方法是一个复杂而又重要的问题。

福建地区NDVI时空变化及其与降水的响应关系邵步粉1，吴滨2，姚林塔1，林金淦1（1 福州市气象台 福州 350014； 2 福建省气候中心 福州 350001）摘要:根据福建地区1982-1999年归一化植被指数（NDVI）数据集和59个气象观测站的逐日降水资料，采用相关分析和Morlet小波分析方法，应用ArcGIS软件，对福建地区NDVI时空变化特征及其与降水关系进行了研究。

结果表明：分析期内该地区NDVI值从3月份开始回升，到7月份达到峰值，8、9、10月份总体上保持在峰值少变，10月份以后呈缓慢下降趋势，这可能与温度、降水（包括台风降水）、径流有关；从年际角度看，18年来NDVI值总体呈上升趋势，1994年以前波动比较明显，1994年以后NDVI值基本上少变，保持在0.43左右，这可能与人们环保意识增强和降水量逐年上升有关；多年NDVI覆盖情况良好，NDVI普遍在0.2以上，其中西北部优于东南部，这与地势、年降水分布和人类活动有很大的关系；NDVI滞后降水3个月相关性最高，达到0.842，NDVI滞后降水6个月为负相关，这可能与其大气环流背景场存在相反环流形式有关；该地区NDVI存在着12个月、25个月、55个月周期的震荡信号，降水量存在着12个月、31个月、59个月周期的震荡信号，各信号频率分布的时间域及其强度存在着差异，其中12个月周期最强，短周期强于长周期；NDVI与降水量具有同等的周期变化特点，在周期12个月最显著，相关系数达到0.963，通过了0.001的信度检验，这说明降水对植被的生长尤为重要。

关键词:福建地区；降水量；NDVI；相关分析；Morlet小波分析归一化植被指数NDVI（Normalized Difference Vegetation Index）是反映植被吸收的光合有效辐射比例的一个重要指数。

NDVI与绿叶植被生物量、叶面积指数、植物光合能力、总的干物质积累以及年净初级生产力等均有很好的相关性，可以用来表征植被覆盖的好坏，在一定程度上能表征地表植被覆盖变化[1]，因此常被作为生态系统检测的首选指标[2]。

ndvi时间序列影像合成方法-概述说明以及解释1.引言1.1 概述引言概述NDVI（Normalized Difference Vegetation Index，归一化植被指数）是遥感领域中广泛应用于植被检测和监测的关键指标之一。

它通过计算可见光和近红外波段的反射率之差的比值，提供了植被的健康状况和生长状态的定量描述。

NDVI的时间序列影像合成方法是一种将多个时期的NDVI影像融合为一幅单一影像的技术，可以用于分析植被的动态变化和趋势。

随着遥感技术的快速发展和卫星数据的广泛应用，获取大范围、高分辨率的NDVI时间序列影像已经成为可能。

通过合成多个时期的NDVI影像，我们可以获得一幅完整的植被生长过程图像，以便更好地理解和研究植被的演变过程。

同时，NDVI时间序列影像合成方法也为植被监测、气候变化研究、生态环境评估等提供了可靠的数据基础。

在本文中，我们将介绍一些常用的NDVI时间序列影像合成方法，包括像元级方法和基于统计学的方法。

像元级方法通过对每个像元的NDVI数值进行运算融合，可以较为精细地重建植被动态变化的图像。

而基于统计学的方法则通过对NDVI数据进行统计分析，提取出植被生长的趋势和周期性变化，适用于大范围植被监测和研究。

本文的结构如下：引言部分对NDVI时间序列影像合成方法进行概述，明确文章的目的和意义；正文部分将详细介绍像元级方法和基于统计学的方法，并比较它们的优劣；最后，结论部分将总结本文的主要内容，并对未来可能的研究方向进行展望。

通过本文的阅读，读者将了解到NDVI时间序列影像合成方法的基本原理和应用意义，以及不同方法之间的特点和适用范围。

希望本文能为遥感研究人员和相关领域的科研工作者提供有益的参考和指导。

1.2 文章结构部分的内容:本文按照以下结构进行论述：第1章简介1.1 概述本章主要介绍本文的研究背景、研究目的以及数据来源和研究方法等，为读者提供研究主题的整体背景和意义。

1.2 文章结构本章将对整篇文章的结构进行概括性介绍，包括各个章节的内容和安排，以便读者了解文章的整体框架，明确每个章节的主要内容。

遥感在海岛礁测绘方面的应用一．国内研究现状2.1海岛生态中国复旦大学赵斌等人应用三套陆地卫星LANDSET TM 和 ETM 遥感数据集对中国崇明岛东海岸 1990-2000 年这 10 年内生态系统服务功能价值变化的分析，给出了研究区域生态系统服务功能价值的等级评价，得出了该区域生态系统服务功能下降了 62％的结论。

2.2水深反演黄韦良等人对不同波段和不同极化进行的水下地形探测模拟仿（Hunagetal.，2000;黄韦良等，2001）。

黄韦良等还通过对苏北浅滩ERS一2图像的反演计算，反演出了较为准确的水深(Hunagetal.，2004)。

傅斌等对SAR探测大坡度较高水深(100一15Om)浅海水下地形的成像机理进行了分析和讨论(傅斌等，2003)。

黄韦良和傅斌等仔细研究了浅海水下地形的SAR成像机理，并通过模拟仿真计算了浅海水下地形在不同雷达参数、不同海况条件下及不同地形条件下的成像，得出了SAR水下地形成像的最佳雷达参数(波段、极化和入射角)、最佳海况条件(风速风向、流速流向)和最佳地形条件(坡度、坡向和水深)。

2.3海岸带土地利用中国科学院等相关单位依靠遥感与地理信息系统技术，开展了全国范围内的资源与环境遥感动态监测，海岸带土地利用/覆盖变化研究是其中一项重要的研究内容，成功地利用遥感与地理信息系统技术建成了我国 20 世纪 80 年代末期至 90 年代末期的土地利用动态信息系统，并根据海岸带土地覆盖与土地利用的分类系统，利用 Landsat ETM 和部分中巴资源卫星影像，首次完成了全国 1:10 万海岸带土地利用与滩涂空间变化遥感调查（2000 年），建成了全国海岸带滩涂数据库系统，揭示了土地利用变化的时空规律，分析了这些规律的主要政策、经济和自然形成原因。

张鹰等(张鹰，2002)探讨了海岸带资源环境调查和沿海风暴潮预警系统中如何运用遥感图像地学分析方法进行遥感影像的信息提取。

李柏良(李柏良，2002)等介绍了一种利用计算机遥感图像解译进行资源调查的方法—斑块边界自动矢量化辅以目视栅格图像校正法。

植被指数计算方法植被指数是用来衡量一个特定区域内植被覆盖状况的一个指标。

植被指数经常被应用于农业、林业、环境科学、地理信息系统以及监测全球气候变化等领域。

常见的植被指数包括归一化植被指数（NDVI）、归一化差异植被指数（NDWI）和总体植被指数（TVI）等。

归一化植被指数（NDVI）是最常见也是最常用的植被指数之一、它是通过计算可见光波段和红外波段反射率之差，然后除以两者之和得到的。

NDVI的值范围在-1到1之间，-1代表无植被，0代表有一般植被，而1代表有密集的绿色植被。

NDVI的计算公式为：NDVI = (NIR - Red) / (NIR + Red)其中NIR表示红外波段的反射率，Red表示可见光波段的反射率。

这两个波段可以从遥感影像中提取得到。

归一化差异植被指数（NDWI）是通过计算近红外和短波红外波段的反射率之差，然后除以两者之和得到的。

NDWI主要用于表征水体覆盖的程度，特别适用于监测湿地、河流、湖泊等水体变化的状况。

NDWI的计算公式为：NDWI=(NIR-SWIR)/(NIR+SWIR)其中NIR表示近红外波段的反射率，SWIR表示短波红外波段的反射率。

总体植被指数（TVI）是基于红外波段的植被指数，它是通过计算红外波段反射率与可见光波段反射率之差的平方根得到的。

TVI的计算公式为：TVI = √（NIR - (Red * (1 - NIR)））其中NIR表示红外波段的反射率，Red表示可见光波段的反射率。

除了以上的植被指数，还有其他一些植被指数也被广泛应用，例如比值植被指数（RVI）、改进型植被指数（EVI）等。

这些植被指数的计算方法各有不同，但基本原理都是通过不同波段的反射率之差或比值来反映植被的生长情况。

总之，植被指数的计算方法基于多光谱遥感数据，通过利用不同波段的反射特性来评估植被的覆盖程度。

这些植被指数的应用可以帮助我们更好地了解植被的分布、成长状况以及对环境的响应，从而为农业生产、自然资源管理和环境保护等提供科学依据。

浙江大学学报（农业与生命科学版）　３５（１）：１０５～１１０，２００９ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ（Ａｇｒｉｃ畅＆ＬｉｆｅＳｃｉ畅）文章编号：１００８‐９２０９（２００９）０１‐０１０５‐０６ＤＯＩ：１０．３７８５／ｊ．ｉｓｓｎ．１００８‐９２０９．２００９．０１．０１６ 收稿日期：２００７‐１２‐１３基金项目：国家科技支撑计划资助项目（２００６ＢＡＤ１０Ａ０１）；国家高技术研究发展计划 ８６３＂资助项目（２００６ＡＡ１２０１０１）．作者简介：王红说（１９８２—），男，山东临沂人，硕士研究生，主要从事遥感应用研究．Ｅ‐ｍａｉｌ：ｗａｎｇ＿ｈｏｎｇ＿ｓｈｕｏ＠１６３．ｃｏｍ．通讯作者：黄敬峰，男，教授，博士生导师，从事农业遥感与信息技术应用研究．Ｔｅｌ：０５７１‐８６９７１８３０；Ｅ‐ｍａｉｌ：ｈｊｆ＠ｚｊｕ．ｅｄｕ．ｃｎ．基于ＭＯＤＩＳＮＤＶＩ时间序列的植被覆盖变化特征研究王红说，黄敬峰（浙江大学环境与资源学院农业遥感与信息技术应用研究所，浙江杭州３１００２９）摘　要：为监测浙北地区植被覆盖变化特征，利用离散傅立叶变换技术对ＭＯＤＩＳＮＤＶＩ时间序列数据去云和噪声处理，通过土地利用现状图上提取的地类进行植被分区，研究各个分区的植被覆盖特点；以变化矢量的模衡量植被覆盖变化的强度和稳定性．结果表明，耕地区的植被覆盖变化较大，林地区的植被覆盖变化较小，建筑区的植被覆盖变化居中；受种植差异和时间推移等季相信息的影响，耕地区作物变化矢量的模值亦会增大．研究表明城市化和人类活动对耕地区植被影响较为明显．关　键　词：ＭＯＤＩＳＮＤＶＩ；时间序列；植被覆盖；离散傅立叶变换中图分类号：ＴＰ７９ 文献标识码：ＡＷＡＮＧＨｏｎｇ‐ｓｈｕｏ，ＨＵＡＮＧＪｉｎｇ‐ｆｅｎｇ（ＩｎｓｔｉｔｕｔｅｏｆＡｇｒｉｃｕｌｔｕｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＡｐｐｌｉｃａｔｉｏｎ，ＣｏｌｌｅｇｅｏｆＥｎｖｉｒｏｎｍｅｎｔａｌａｎｄＲｅｓｏｕｒｃｅＳｃｉｅｎｃｅｓ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２９，Ｃｈｉｎａ）ＳｔｕｄｙｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｌａｎｄｃｏｖｅｒｃｈａｎｇｅｕｓｉｎｇＭＯＤＩＳＮＤＶＩｔｉｍｅｓｅｒｉｅｓ．ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ（Ａｇｒｉｃ畅＆ＬｉｆｅＳｃｉ畅），２００８，３５（１）：１０５‐１１０Ａｂｓｔｒａｃｔ：ＣｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｃｈａｎｇｅｉｎｎｏｒｔｈｅｒｎＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｅｗａｓｄｅｔｅｃｔｅｄｕｓｉｎｇＭＯＤＩＳＮＤＶＩｔｉｍｅｓｅｒｉｅｓ．ＤｉｓｃｒｅｔｅＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ（ＤＦＴ）ｍｅｔｈｏｄｗａｓａｐｐｌｉｅｄｔｏｄｅｄｕｃｔｔｈｅｎｏｉｓｙａｎｄａｂｎｏｒｍａｌｐｏｉｎｔｓ．Ｄｉｓｔｒｉｃｔｉｎｇｍａｐｗａｓｇｏｔｆｒｏｍｌａｎｄｕｓｅｍａｐ，ｉｎｏｒｄｅｒｔｏｆｉｎｄｏｕｔｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｄｉｆｆｅｒｅｎｔｄｉｓｔｒｉｃｔ．Ｍｏｄｕｌｕｓｏｆｃｈａｎｇｅｖｅｃｔｏｒｗａｓａｄｏｐｔｅｄｔｏｆｉｘｔｈｅｃｈａｎｇｅｉｎｔｅｎｓｉｔｙａｎｄｓｔａｂｉｌｉｔｙｏｆｖｅｇｅｔａｔｉｏｎ．Ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｈａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｉｎｃｕｌｔｉｖａｔｅｄａｒｅａｗａｓｒｅｍａｒｋａｂｌｅ，ｗｈｉｌｅｔｈａｔｉｎｔｈｅｆｏｒｅｓｔｒｙａｒｅａｗａｓｒｅｌａｔｉｖｅｌｙｓｍａｌｌ，ａｎｄｔｈａｔｉｎｔｈｅｂｕｉｌｔ‐ｕｐａｒｅａｗａｓｉｎｔｈｅｍｉｄｄｌｅ．Ｔｈｅｍｏｄｕｌｕｓｏｆｃｈａｎｇｅｖｅｃｔｏｒｗａｓｉｎｃｒｅａｓｅｄｂｙｔｈｅａｆｆｅｃｔｉｏｎｏｆｐｈｅｎｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎｓｕｃｈａｓｄｉｆｆｅｒｅｎｔｇｒｏｗｉｎｇｔｙｐｅａｎｄｔｉｍｅｄｅｌａｙｉｎｇ．Ｔｈｅｒｅｓｕｌｔｓａｂｏｖｅｓｕｇｇｅｓｔｅｄｔｈａｔｕｒｂａｎｉｚａｔｉｏｎａｎｄｈｕｍａｎａｃｔｉｖｉｔｉｅｓｈａｖｅｓｉｇｎｉｆｉｃａｎｔｅｆｆｅｃｔｏｎｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｏｆｆａｒｍａｒｅａｓ．Ｋｅｙｗｏｒｄｓ：ＭＯＤＩＳＮＤＶＩ；ｔｉｍｅｓｅｒｉｅｓ；ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ；ｄｉｓｃｒｅｔｅＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ 植被覆盖构成与变化是影响生态系统功能的重要因素，这些数据经常被用来评价景观条件和监测特定时间段内的陆地生态系统的变化趋势．卫星遥感数据以一种经济有效的方式被广泛用来研究大范围区域的土地覆盖信息［１］．遥感数据源涵盖了各种多光谱、多时相、高分辨率的数据．研究表明，时间维比空间、光谱或辐射维可以提供更多的土地覆盖状况及变化信息［２］．利用高浙江大学学报（农业与生命科学版）时间分辨率影像获取土地覆被信息常常通过分析时间序列植被指数来实现，归一化植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｔｉａｌｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＮＤＶＩ）是其中较常用的植被监测指标，因为ＮＤＶＩ的变化在一定程度上能代表地表覆被的变化［３‐４］． 研究土地利用／覆盖的数据一般要求具有范围广、多时相，同时还要考虑空间分辨率和低成本的特点．传统研究土地植被覆盖信息的遥感数据源有Ｌａｎｄｓａｔ卫星的专题制图仪（ｔｈｅｍａｔｉｃｍａｐｐｅｒ，ＴＭ）和增强专题制图仪（ｅｎｈａｎｃｅｄｔｈｅｍａｔｉｃｍａｐｐｅｒ＋，ＥＴＭ＋），ＮＯＡＡ卫星的甚高分辨率辐射计（ａｄｖａｎｃｅｄｖｅｒｙｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｄｉｏｍｅｔｅｒ，ＡＶＨＲＲ），它们部分满足上述特点，但在实用性方面又受限于上述要求［５］．ＬａｎｄｓａｔＴＭ／ＥＴＭ＋可以获得详细的土地覆盖制图，但是大多数的ＴＭ与ＥＴＭ＋分类制图都局限于小区域而且具有较低的更新频率［６‐７］；ＡＶＨＲＲＮＤＶＩ时间序列数据在大区域乃至全球的植被覆盖研究中具有重要意义［８］，但是低空间分辨率限制了ＡＶＨＲＲ数据获得的植被覆盖制图的细节信息，这样粗的空间分辨率只能用来反映 自然＂系统的制图，而要进行高空间变异和复杂性的土地覆盖系统研究需要比ＡＶＨＲＲ空间分辨率高的数据［９］． 中等分辨率成像光谱仪（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ）以其高时间分辨率（１～２ｄ）和２５０ｍ空间分辨率使详细、大范围区域的植被覆盖变化研究成为可能［１０］．２５０ｍ空间分辨率的ＭＯＤＩＳ影像数据可以免费获得，这些数据包含了植被指数时间序列数据及表面反射率的多时相数据，ＭＯＤＩＳ植被指数数据的空间、光谱和时相组合特点更适于进行植被覆盖信息的研究，因此获得广泛的应用．例如，王坚利用ＭＯＤＩＳＮＤＶＩ时间序列影像研究植被覆盖变化［１１］；ＧｉｌｌｉａｎＬＧ利用小波分析方法对ＭＯＤＩＳ５００ｍ分辨率的ＥＶＩ时间序列数据处理，进行巴西作物种植区的扩展和集中变化研究［１２］． 变化矢量分析（ＣＶＡ）是用来分析基于多光谱数据的植被覆盖变化［１３］，也被用来分析基于多时相数据的年际植被覆盖变化监测，如陈云浩等利用ＮＤＶＩ时间序列和变化矢量分析研究中国陆地植被演变特征［１４］． 本文利用ＭＯＤＩＳ２５０ｍＮＤＶＩ时间序列数据结合离散傅立叶变换技术（ｄｉｓｃｒｅｔｅＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ，ＤＦＴ）和变化矢量分析技术（ｃｈａｎｇｅｖｅｃｔｏｒａｎａｌｙｓｉｓ，ＣＶＡ）来监测植被覆盖变化．１　研究区域选取 选取浙江省北部跨１２个县（区）的行政区域（图１），本研究区域具有很高的植被覆盖度，位于２９°５６′～３１°１３′Ｎ，１１８°５３′～１２１°１６′Ｅ，总面积约１４２００ｋｍ２，研究区海拔３～１７７０ｍ．由于本区域地处长三角地带，经济发展迅速，人类活动会直接或间接地造成植被覆盖的强烈变化，同时有植被覆盖的地方大多连续成片，便于针对不同的地类分区进行不同地类植被变化特征的研究．所以以本区作为研究对象．图１　研究区位置及ＮＤＶＩ图Ｆｉｇ．１　ＭａｐｏｆｓｔｕｄｙａｒｅａａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇＮＤＶＩ２　数据处理２．１　ＭＯＤＩＳＮＤＶＩ时间序列数据的合成 本研究选择的数据源主要有２００１年和２００４年浙江省ＭＯＤＩＳＮＤＶＩ时间序列数据，为ＭＯＤ１３Ｌ３级产品，分辨率２５０ｍ，ＮＤＶＩ时间序列数据由１６ｄ最大值合成法（ｍａｘｉｍｕｍｖａｌｕｅｃｏｍｐｏｓｉｔｅ，ＭＶＣ）获得，即通过云检测、６０１第３５卷　王红说，黄敬峰：基于ＭＯＤＩＳＮＤＶＩ时间序列的植被覆盖变化特征研究质量评价等步骤后，逐像元地比较几张ＮＤＶＩ影像，选择最 晴空＂的（最小光学路径）、最接近于星下点和太阳天顶角最小的像元作为代表该时段的ＮＤＶＩ影像［１５］．通过逐张观察ＭＶＣ合成的ＮＤＶＩ时间序列影像，发现２００１年第３、１０、１１张影像存在明显的噪声，为了尽量减少噪声同时又维持时间序列的趋势性，用第４和第２张影像的平均值代替第３张，用第８、９、１２时相的影像平均值代替第１０时相，用第９、１２、１３时相的影像代替第１１时相．２．２　时间序列的离散傅立叶变换 ＭＶＣ法可以获得１６ｄ时段内较每一天更准确的最少云干扰的数据，但是这仍摆脱不了伪数据点的影响［１６］，要让ＮＤＶＩ时间序列数据能更好地反映物候年内或年际变化信息，还需要进一步进行去噪声处理．运用离散傅立叶变换进行时间序列的谐波分析可以正确表达每年内的物候变化［１７］，因此本研究又基于离散傅立叶变换（ｄｉｓｃｒｅｔｅＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ，ＤＦＴ）对时间序列进行降噪处理． ＮＤＶＩ时间序列ｙ１，爥，ｙｎ，将这ｎ个数据可以表示成： ｙｋ＝Ａ０＋∑ｍｉ＝１（Ａｉｃｏｓωｉｋ＋Ｂｉｓｉｎωｉｋ）． （ｋ＝１，爥，ｎ）（１）式中，Ａ０：谐波的余项；Ａ，Ｂ：傅立叶常数；ωｉ：谐波频率；ｍ：谐波个数．傅立叶系数拟合可以采用最小二乘法． （ＦＴ爛Ｆ）爛Ｃ＝ＦＴ爛Ｙ．（２）式中，Ｃ：系数矩阵；Ｆ：傅立叶矩阵；ＦＴ：傅立叶矩阵的转置矩阵．先将含有噪声点的时间序列数据转化为频谱域，再将频谱域进行反傅立叶变换得到去除噪声点的拟合时间序列数据．时间序列拟合中频率分量对噪音数据的去除有重要的影响．对于年内的ＮＤＶＩ时间序列，０频率分量等于ＮＤＶＩ序列的均值；１／１２频率分量对应着周期为１２个月的单峰季节性变化模式，即一年中出现一个峰值；２／１２频率分量对应着周期为６个月的双峰季节性变化模式，即一年中出现２个峰值，依次类推，每个频率分量都对应着一种周期的变化模式［１８］．同时各个频率分量的能量（幅度）反映了各频率成分在整个信号中的相对重要性．能量越高，说明该分量曲线的起伏幅度越大，原信号中所体现出的该周期变化模式也就越明显［１９］．频率分量的设置对于研究至关重要，频率分量设置过大会引入噪音点，分量设置过小会丢失有用的信息．本研究每年时间序列的点数为２３个，针对研究区的实际情况，通过反复试验，发现选取５／２３频率分量时，傅立叶拟合曲线能很好地反映曲线的走势，又能剔除噪声点（图２），所以最终确定５／２３为曲线拟合的频率分量．图２　不同傅立叶频率分量下ＮＤＶＩ时间序列拟合效果图Ｆｉｇ．２　ＣｕｒｖｅｆｉｔｔｉｎｇｇｒａｐｈｆｏｒＮＤＶＩｔｉｍｅｓｅｒｉｅｓｏｆｄｉｆｆｅｒｅｎｔＦｏｕｒｉｅｒｆｒｅｑｕｅｎｃｉｅｓ 影像的离散傅立叶变换过程为：将２００１年和２００５年ＮＤＶＩ时间序列影像分别转为ＡＳＣＩＩ文件，在ＭＡＴＬＡＢ中编程分别对每年的ＡＳＣＩＩ文件进行离散傅立叶变换，处理后再将ＡＳＣＩＩ文件转为影像文件即可．３　研究过程３．１　研究区各种植被覆盖区的提取 由于不同地类区的植被覆盖存在明显的差别，从而使一年中ＮＤＶＩ时间序列变化存在显著的不同．图３是经过傅立叶变换后，从２００１年的ＭＯＤＩＳＮＤＶＩ影像上选取的像素点所对应的ＮＤＶＩ时间序列特征．可以看出，林地ＮＤＶＩ时间序列曲线波动平稳，且ＮＤＶＩ数值相对较高；耕地ＮＤＶＩ时间序列的波动较大，这主要是受作物生长季相波动的影响；建筑用地的ＮＤＶＩ时间序列的变化较小而且其数值较低．７０１　第１期浙江大学学报（农业与生命科学版）图３　经傅立叶变换后不同地类的ＭＯＤＩＳＮＤＶＩ时间序列Ｆｉｇ．３　ＭＯＤＩＳＮＤＶＩｔｉｍｅｓｅｒｉｅｓｏｆｄｉｆｆｅｒｅｎｔｌａｎｄｕｓｅｔｙｐｅａｆｔｅｒｔｒｅａｔｉｎｇｂｙＤＦＴ图４　基于土地利用现状图的分区提取图Ｆｉｇ．４　Ｄｉｓｔｒｉｃｔｅｘｔｒａｃｔｉｎｇｍａｐｆｒｏｍｌａｎｄｕｓｅｍａｐ 由于研究区水域几乎没有表面植被覆盖，而且其所对应的ＮＤＶＩ时间序列曲线并不体现季相变化的信息，因此文中不作讨论，而主要研究耕地区、林地区和建筑区这３个地类分区的植被覆盖变化．从浙江省土地利用现状图上提取灌溉水田、望天田、水浇地和旱地作为耕地区，该区主要为农作物覆盖；提取有林地灌木林、疏林地和园地作为林地区，该区主要为林地覆盖；提取城镇、农村居民点、工矿用地为建筑区，主要为ＭＯＤＩＳ混合像元的农作物覆盖．所获得的分区见图４，根据这个分区研究不同地类区２００４年较２００１年的植被覆盖变化．３．２　植被覆盖变化分析 植被覆盖的增加或减少在ＮＤＶＩ时间序列曲线上表现为ＮＤＶＩ值的上升或下降．反映在ＮＤＶＩ时间序列曲线上２００１年内和２００４年内的ＮＤＶＩ时间序列谱会发生明显的变化．变化矢量分析（ＣＶＡ）研究ＮＤＶＩ时间序列时，ｘ年的矢量Ｐ表示为Ｐ＝［ｘ１，ｘ２，爥ｘｎ］，其中ｘｉ为像元在ｉ时相获得的ＮＤＶＩ值，ｎ表示时间维数．矢量的模‖Ｐ‖代表了全年植被ＮＤＶＩ的积累［１４］．变化矢量的模表示为： ‖ΔＰ‖＝∑（ｘｉ－ｙｉ）２．（３）其中，ｘｉ表示第ｘ年ｉ时相的ＮＤＶＩ值，ｙｉ表示第ｙ年ｉ时相的ＮＤＶＩ值．本研究每年２３个时相的数据对应２３维的矢量空间，ｘ选取２００１年，ｙ选取２００４年，以变化矢量的模作为植被覆盖变化的指标．按照上述方法获得的ＮＤＶＩ时间序列的模的变化值见图５．图５　用ＭＯＤＩＳＮＤＶＩ获得的变化矢量的模Ｆｉｇ．５　ＭａｐｓｏｆｍｏｄｕｌｕｓｏｆｃｈａｎｇｅｖｅｃｔｏｒｏｂｔａｉｎｅｄｂｙＭＯＤＩＳＮＤＶＩ 运用ＡＲＣＧＩＳ的区域分析功能获得各个分区的变化矢量的模见表１．８０１第３５卷　王红说，黄敬峰：基于ＭＯＤＩＳＮＤＶＩ时间序列的植被覆盖变化特征研究表１　各个分区的ＮＤＶＩ时间序列变化矢量分析Ｔａｂｌｅ１　ＣｈａｎｇｅｖｅｃｔｏｒａｎａｌｙｓｉｓｏｆＮＤＶＩｔｉｍｅｓｅｒｉｅｓｉｎｄｉｆｆｅｒｅｎｔｓｕｂａｒｅａｓ研究区面积／ｋｍ２变化矢量模的范围变化矢量模平均值变化矢量模标准差变化矢量模总和耕地区７４８５．６９００．０５８～２．９３７０．５２２０．１８５６２４９３．６００林地区５６２２．８８００．０５１～２．４９２０．３７９０．１５８３４０７１．２００建筑区３３３．８７００．０５８～１．５８３０．５１００．１８３２７２３．５４０ 变化矢量模的平均值反映各个分区植被覆盖变化的大小，而变化矢量模的标准差反映植被覆盖的稳定程度．根据变化矢量模与植被覆盖变化的关系，２００１—２００４年： （１）林地区变化矢量模的均值较小，标准差也较小．说明林地区的植被变化小，而且植被覆盖相对稳定，受人类活动的影响较耕地区小． （２）耕地区变化矢量模的均值最大，标准差也最大．表明耕地区作物受各种因素的影响而表现出不同的变化特征，受人类活动的影响大． （３）建筑区变化矢量模的均值居中，标准差也较大，与耕地区接近．说明建筑区的植被覆盖处于不稳定状态中．这与１∶２５万土地利用现状图上提取的建筑区中存在很多耕地像元和耕地‐建筑物混合像元有关．４　讨　论４畅１　基于ＭＯＤＩＳＮＤＶＩ时间序列，利用傅立叶变换和反傅立叶变换技术对异常值进行纠正，提高了数据的可利用度．离散傅立叶变换频率分量的选取，会影响到平滑的程度，对提取结果亦会造成影响；用变化矢量分析监测植被覆盖变化特征，从植被覆盖变化矢量分析图上可以看出，耕地植被覆盖变化较大，耕地区变化较大的点主要分布在距离建筑区较近的区域，说明城市化进程和人类活动对植被覆盖变化的影响，通过ＭＯＤＩＳ数据基本可以反映这一变化趋势．４畅２　影响耕地植被覆盖变化的因素主要有：①城市化造成的对耕地的占用，从而造成耕地植被覆盖度减少，这样造成变化矢量模高值区主要分布在建筑区周围．②由于作物种植季相信息的变化造成植被覆盖的变化．耕地区地处浙北水网平原单季稻区，主要耕作模式为小麦‐单季稻或油菜‐单季稻，这种种植模式会随年季的变化而变化．比如某ＭＯＤＩＳ像元２００１年对应的耕地种植模式为小麦‐单季稻，而到２００４年相同时相的种植模式变为油菜‐单季稻，由于油菜在其生长期会存在约１个月的花期，从而造成ＭＯＤＩＳＮＤＶＩ相应时相的低值点．对于小麦而言，这种ＮＤＶＩ的陡然降低则不存在，结果是该像元点的ＮＤＶＩ时间序列变化矢量模值较大．③作物季相的年际之间的推迟或者提前．比如同为小麦‐单季稻的种植模式，但是２００１年的小麦或者单季稻的种植时间可能由于人为或者自然原因会比２００４年早或者晚数天，这样在时间序列曲线上便会存在差异，造成变化矢量的模值增大．４畅３　虽然ＭＯＤＩＳ具有较ＡＶＨＲＲ高的空间分辨率，但ＭＯＤＩＳ２５０ｍ像元的覆盖范围依然较大，一些较小范围的变化区域会与未变化区域形成混合像元，这样利用ＮＤＶＩ时间序列数据监测植被覆盖变化的敏感性会降低．所以探讨ＭＯＤＩＳ混合像元的分解是下一步研究的重点，同时研究仅仅根据变化矢量的模从宽泛角度探讨各种因素造成的植被覆盖变化．对于各因素造成的植被覆盖变化特征的分类识别有待进一步研究．Ｒｅｆｅｒｅｎｃｅｓ：［１］　ＬｕｎｅｔｔａＲＳ，ＫｎｉｇｈｔＪＦ，ＥｄｉｒｉｗｉｃｋｒｅｍａＪ，ｅｔａｌ．Ｌａｎｄ‐ｃｏｖｅｒｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｍｕｌｔｉ‐ｔｅｍｐｏｒａｌＭＯＤＩＳＮＤＶＩｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００６，１０５：１４２‐１５４．［２］　ＲｅｅｄＢ，ＢｒｏｗｎＤ，ＶａｎｄｅｒｚｅｅＤ，ｅｔａｌ．Ｍｅａｓｕｒｉｎｇｐｈｅｎｏｌｏｇｉｃａｌｖａｒｉａｂｉｌｉｔｙｆｒｏｍｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＶｅｇｅｔａｔｉｏｎＳｃｉｅｎｃｅ，１９９４，５：７０３‐７１４．［３］　ＨａｎｓｅｎＭ，ＤｅＦｉｌｅｓＲ，ＴｏｗｎｓｈｅｎｄＪＲＧ，ｅｔａｌ．Ｇｌｏｂａｌｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎａｔｌｋｍｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｕｓｉｎｇａｃｌａｓｓｉｆｉｃａｔｉｏｎｔｒｅｅａｐｐｒｏａｃｈ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０００，２１：９０１　第１期浙江大学学报（农业与生命科学版）１３３１‐１３６４．［４］　ＧＵＯＪｉａｎ‐ｋｕｎ，ＨＵＡＮＧＧｕｏ‐ｍａｎ（郭建坤，黄国满）．ＬａｎｄｃｏｖｅｒｄｙｎａｍｉｃｓｉｎｉｎｎｅｒＭｏｎｇｏｌｉａｂｅｔｗｅｅｎ１９９８ａｎｄ２００３［Ｊ］．ＲｅｓｏｕｒｃｅｓＳｃｉｅｎｃｅ（资源科学），２００５，２７（４）：８４‐８９．（ｉｎＣｈｉｎｅｓｅ）［５］　ＷａｒｄｌｏｗＢＤ，ＥｇｂｅｒｔＳＬ，ＫａｓｔｅｎｓＪＨ．Ａｎａｌｙｓｉｓｏｆｔｉｍｅ‐ｓｅｒｉｅｓＭＯＤＩＳ２５０ｍｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｄａｔａｆｏｒｃｒｏｐｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｔｈｅＵ．Ｓ．ＣｅｎｔｒａｌＧｒｅａｔＰｌａｉｎｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００７，１０８：２９０‐３１０．［６］　ＮｉｅｌＴＧ，ＭｃＶｉｃａｒＴＲ．Ｄｅｔｅｒｍｉｎｉｎｇｔｅｍｐｏｒａｌｗｉｎｄｏｗｓｏｆｃｒｏｐｄｉｓｃｒｉｍｉｎａｔｉｏｎｗｉｔｈｒｅｍｏｔｅｓｅｎｓｉｎｇ：ａｃａｓｅｓｔｕｄｙｉｎｓｏｕｔｈ‐ｅａｓｔｅｒｎＡｕｓｔｒａｌｉａ［Ｊ］．ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２００４，４５：９１‐１０８．［７］　ＮｉｅｌＴＧ，ＭｃＶｉｃａｒＴＲ，ＤａｔｔＢ．Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｒａｉｎｉｎｇｓａｍｐｌｅｓｉｚｅａｎｄｄａｔａｄｉｍｅｎｓｉｏｎａｌｉｔｙ：ＭｏｎｔｅＣａｒｌｏａｎａｌｙｓｉｓｏｆｂｒｏａｄｂａｎｄｍｕｌｔｉ‐ｔｅｍｐｏｒａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００５，９８：４６８‐４８０．［８］　ＤｅＦｒｉｅｓＲＳ，ＨａｎｓｅｎＭＣ，ＴｏｗｎｓｈｅｎｄＪＲＧ，ｅｔａｌ．Ｇｌｏｂａｌｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｓａｔ８ｋｍｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎ：ｔｈｅｕｓｅｏｆｔｒａｉｎｉｎｇｄａｔａｄｅｒｉｖｅｄｆｒｏｍＬａｎｄｓａｔｉｍａｇｅｒｙｉｎｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９８，１９：３１４１‐３１６８．［９］　ＺｈａｎＸ，ＳｏｈｌｂｅｒｇＲＡ，ＴｏｗｎｓｈｅｎｄＪＲＧ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎｏｆｌａｎｄｃｏｖｅｒｃｈａｎｇｅｓｕｓｉｎｇＭＯＤＩＳ２５０ｍｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３：３３６‐３５０．［１０］　ＪｕｓｔｉｃｅＣＯ，ＴｏｗｎｓｈｅｎｄＪＲＧ．Ｓｐｅｃｉａｌｉｓｓｕｅｏｎｔｈｅｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ（ＭＯＤＩＳ）：ａｎｅｗｇｅｎｅｒａｔｉｏｎｏｆｌａｎｄｓｕｒｆａｃｅｍｏｎｉｔｏｒｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３：１‐２．［１１］　ＷＡＮＧＪｉａｎ，ＺＨＡＮＧＪｉ‐ｘｉａｎ，ＬＩＵＺｈｅｎｇ‐ｊｕｎ，ｅｔａｌ．（王坚，张继贤，刘正军，等）．ＲｅｓｅａｒｃｈｏｎｖｅｇｅｔａｔｉｏｎｃｈａｎｇｅｂａｓｅｄｏｎｒｅｆｉｎｅｍｅｎｔｏｆＮＤＶＩｓｅｒｉｅｓｉｍａｇｅ［Ｊ］．ＳｃｉｅｎｃｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ（测绘科学），２００５，３０（６）：４３‐４４．（ｉｎＣｈｉｎｅｓｅ）［１２］　ＧｉｌｌｉａｎＬＧ，ＪｏｈｎＦＭ，ＪｅｒｒｙＭ，ｅｔａｌ．ＷａｖｅｌｅｔａｎａｌｙｓｉｓｏｆＭＯＤＩＳｔｉｍｅｓｅｒｉｅｓｔｏｄｅｔｅｃｔｅｘｐａｎｓｉｏｎａｎｄｉｎｔｅｎｓｉｆｉｃａｔｉｏｎｏｆｒｏｗ‐ｃｒｏｐａｇｒｉｃｕｌｔｕｒｅｉｎＢｒａｚｉｌ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２（２）：５７６‐５８７．［１３］　ＪｏｈｎｓｏｎＲＤ，ＫａｓｉｓｃｈｋｅＥＳ．Ｃｈａｎｇｅｖｅｃｔｏｒａｎａｌｙｓｉｓ：ａｔｅｃｈｎｉｑｕｅｆｏｒｔｈｅｍｕｌｔｉ‐ｓｐｅｃｔｒａｌｍｏｎｉｔｏｒｉｎｇｆｏｒｌａｎｄｃｏｖｅｒａｎｄｃｏｎｄｉｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９８，１９：４１１‐４２６．［１４］　ＣＨＥＮＹｕｎ‐ｈａｏ，ＬＩＸｉａｏ‐ｂｉｎｇ，ＣＨＥＮＪｉｎ，ｅｔａｌ．（陈云浩，李晓兵，陈晋，等）．ＴｈｅｃｈａｎｇｅｏｆＮＤＶＩｔｉｍｅｓｅｒｉｅｓｂａｓｅｄｏｎｃｈａｎｇｅｖｅｃｔｏｒａｎａｌｙｓｉｓｉｎＣｈｉｎａ，１９８３‐１９９２［Ｊ］．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ（遥感学报），２００２，６（１）：１２‐１９．（ｉｎＣｈｉｎｅｓｅ）［１５］　刘玉洁，杨忠东．ＭＯＤＩＳ遥感信息处理原理与算法［Ｍ］．北京：科学出版社，２００１．［１６］　ＢｒａｄｌｅｙＢＡ，ＪａｃｏｂＲＷ，ＨｅｒｍａｎｃｅＪＦ，ｅｔａｌ．Ａｃｕｒｖｅｆｉｔｔｉｎｇｐｒｏｃｅｄｕｒｅｔｏｄｅｒｉｖｅｉｎｔｅｒ‐ａｎｎｕａｌｐｈｅｎｏｌｏｇｉｅｓｆｒｏｍｔｉｍｅｓｅｒｉｅｓｏｆｎｏｉｓｙｓａｔｅｌｌｉｔｅＮＤＶＩｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００７，１０６：１３７‐１４５．［１７］　ＪｏｎｓｓｏｎＰ，ＥｋｌｕｎｄｈＬ．Ｓｅａｓｏｎａｌｉｔｙｅｘｔｒａｃｔｉｏｎｂｙｆｕｎｃｔｉｏｎｆｉｔｔｉｎｇｔｏｔｉｍｅ‐ｓｅｒｉｅｓｏｆｓａｔｅｌｌｉｔｅｓｅｎｓｏｒｄａｔａ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００２，４０：１８２４‐１８３２．［１８］　ＺＨＥＮＧＹｕ‐ｋｕｎ，ＺＨＵＡＮＧＤａ‐ｆａｎｇ（郑玉坤，庄大方）．Ｆｏｕｒｉｅｒａｎａｌｙｓｉｓｏｆｍｕｌｔｉ‐ｔｅｍｐｏｒａｌＡＶＨＲＲｄａｔａ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＧｒａｄｕａｔｅＳｃｈｏｏｌｏｆｔｈｅＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ（中国科学院研究生院学报），２００３，２０（１）：６２‐６７．（ｉｎＣｈｉｎｅｓｅ）［１９］　ＳＯＮＧＹａｎｇ，ＷＡＮＹｏｕ‐ｃｈｕａｎ，ＳＨＥＮＳｈａｏ‐ｈｏｎｇ，ｅｔａｌ．（宋杨，万幼川，申绍洪，等）．ＡｐｐｌｉｃａｔｉｏｎｏｆｈｙｂｒｉｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍｔｏｔｉｍｅ‐ｓｅｒｉｅｓＮＤＶＩｉｍａｇｅｓ［Ｊ］．ＧｅｏｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ（武汉大学学报：信息科学版），２００７，３２（５）：４０６‐４０９．（ｉｎＣｈｉｎｅｓｅ）０１１第３５卷　。