论文部分内容阅读
植被物候是用来描述植被自身周期性生长节律的参量,能够反映植被生长状况及其对气候变化的响应,具有重要的研究意义。基于近地面多光谱数码相机照片时间序列数据,在景观尺度上进行植被物候自动化及可视化分析是对遥感大尺度分析和人工物候观测的有效补充。本文基于R语言Web开发框架Shiny构建了基于近地面多光谱影像的植被物候参数提取分析系统,实现了站点分布可视化、ROI(Region of Interest,感兴趣区)选取、植被指数计算、数据过滤、生长曲线拟合与物候参数提取、像素尺度物候提取分析。本Web系统在UI(User Interface,用户界面)端实现界面设计与参数输入,Server端接收输入参数进行算法运算,最终实现结果输出与存储。经Phenocam物候相机观测网络提供的多覆被类型数据验证及分析,系统界面友好且具有良好的实时交互性,有效提高了近地面多光谱相机植被物候研究效率。此外基于系统应用结果,在ROI尺度下探索了物候提取过程中的植被指数时序数据过滤、生长曲线拟合与关键物候参数提取等方法的效果与适用性,并进行不确定性估计;还实现ROI内逐像素物候参数提取与分析。主要结论如下:(1)相对植被指数中GI振幅最为显著,经Max方法处理后能够有效地去除仪器、光照、天气等带来的噪声影响,其时间序列能够有效表征植被实际生长轨迹;NDVI(Normalized Difference Vegetation Index,归一化植被指数)时序数据,经EMD(Empirical Mode Decomposition,经验模态分解)方法分解后,趋势项r反映的时间分布特征与相对植被指数反映变化特征基本一致,可作为GI指数物候结果参照。(2)不同拟合方法与物候参数提取方法的组合适用植被类型不同,林地和森林适用KLOSTERMAN拟合方法和TRS、Klosterman、GU提取方法组合;单生长季作物(小麦、玉米)适用于GU拟合方法和TRS、Derivatives、Klosterman、GU物候提取方法组合;多生长季植被适用于SPLINE拟合方法拟合生长轨迹,然后采用变化点方法提取关键物候参数。对上述优选生长曲线拟合及参数提取方法组合进行不确定性估计,发现提取结果无显著异常值,具有较强的鲁棒性;此外,利用MODIS EVI提取结果对相机数据提取物候参数进行验证,两者结果较为一致。(3)经ROI内逐像素计算提取分析的方法提取关键物候参数,可以直观识别统一群落尺度下个体间或群落内的物候差异,未来可以尝试作为自动化分析群落尺度生物多样性的方法。