研究论文 网络优先出版 版本 1
下载
微波植被指数在云南省植被动态监测中的适用性研究
Study on the applicability of Microwave Vegetation Indices in monitoring of vegetation dynamics in Yunnan Province
: 2019 - 07 - 03
: 2019 - 11 - 14
: 2019 - 11 - 17
60 0 0
摘要&关键词
摘要:基于遥感的植被指数是科学监测植被动态变化的最有效方法。然而,在我国西南地形复杂区域,基于植被光谱特征的光学植被指数常常因大气状况及环境条件等的影响而受到很大的限制。利用云南省2013年1月AMSR2(Advanced Microwave Scanning Radiometer 2,即先进微波扫描辐射计2)双极化亮温数据,计算了云南省—逐月微波植被指数,并选取草地、耕地、落叶阔叶林及常绿针叶林种典型植被类型区,对比分析了不同植被类型区各微波植被指数的季节变化规律及其与光学植被指数(NDVI)的相关性。结果表明:各微波植被指数的变化幅度均较小,低频和高频微波极化差异指数(MPDI)可以反映云南省各种植被类型的季节变化规律,同时低频MPDI对植被季节变化特征的响应更显著,而低频微波植被指数对草地的季节变化响应更敏感。总体看来,各微波植被指数能够很好地识别不同类型植被的季节变化规律,可作为光学植被指数的有力补充,用于长时序、大范围植被动态监测。
关键词:微波植被指数;AMSR2;亮温;植被动态监测
Abstract & Keywords
Abstract: Background, aim, and scope Vegetation indices derived by remote sensing is the most effective method in monitoring of the long-term vegetation dynamics. However, due to the influence of atmospheric conditions and environmental conditions, the optical vegetation indices based on the spectral characteristics of vegetation often have many limitations, especially in Southwest China with complicated topography. Microwave remote sensing has the advantages of all-day and all-weather observation because of that the long wavelength microwave can penetrate cloud, rain and vegetation canopy. Therefore, the microwave vegetation indices could be theoretically better in monitoring of vegetation dynamics in complex terrain areas with dense vegetation. In this study, taking Yunnan Province as the research area, the applicability of microwave vegetation indices in monitoring vegetation dynamics was been validated in detail. Materials and methods The three microwave vegetation indices, such as microwave polarization difference index (MPDI) and microwave vegetation indices (MVIA and MVIB) were calculated using the dual-polarized L3 brightness temperature products of Advanced Microwave Scanning Radiometer 2 (AMSR2). Then the applicability of the microwave vegetation indices was been discussed by comparative analysis of the seasonal variations in different vegetation types and their correlation with Normalized Difference Vegetation Index (NDVI). Results The results show that, the correlation between microwave vegetation indices and NDVI in different vegetation types, as well as their response to seasonal variations have very complicated characteristics. The MVIA parameter positively correlated with NDVI, while the MPDI and MVIB negatively correlated with NDVI. Discussion Both low frequency and high frequency MPDI can well reflect the seasonal variations of various vegetation types in Yunnan Province, while the response of low frequency MPDI to the seasonal variations is more significant. Moreover, Low-frequency microwave vegetation indices are more sensitive to seasonal change of grassland. Conclusions The microwave vegetation indices can well identify the seasonal variation of different types of vegetation in Yunnan Province. Recommendations and perspectives The microwave vegetation indices could be used as a powerful supplement to optical vegetation indices for long-term and large-scale monitoring of vegetation dynamics in Southwest China.
Keywords: microwave vegetation indices; AMSR2; brightness temperature; vegetation dynamic monitoring
植被是连接地表土壤、大气和水分的自然纽带,在全球气候变化及区域生态环境等方面扮演着十分关键的角色(孙红雨等,1998),实时、准确、动态地获取地球植被状况是地球生态环境监测的重要内容(马明国等,2006)。作为评判植被分布、生长、覆盖度、生物量和生长活力等植被信息的主要手段,植被指数已经成为植被生长状态及其覆盖度的最佳指示因子,是衡量自然生态环境的重要指标,也是科学监测植被动态变化的有效方法。自1972年美国发射第一颗地球资源卫星(ERTS-1,后改称Landsat-1)以来,学者就开始利用红光和红外波段的不同组合研究植被(Baret et al,1989),发展出了40多种植被指数(田庆久和闵祥军,1998),其中应用最为广泛的有归一化植被指数NDVI(Myneni et al,1995;Gitelson et al,1996)、增强型植被指数EVI(Huete et al,2002;Sims et al,2006)等。EVI通过引入蓝光波段信息,可以有效克服NDVI在高植被覆盖区(>80%)易饱和及在低植被覆盖区(<15%)易受土壤背景影响的缺点(Huete et al,2002),但由于植被光谱信息容易受到植被本身、环境条件、大气状况等多种因素的影响,使光学植被指数在时间上和空间上受到一定的限制。而微波遥感具有全天时、全天候观测能力,微波中的有些波段可以穿透云、雨及地表植被,甚至可以穿透地表,获得地表以下一定的深度的散射信息,同时较少受到大气状况的影响(Woodhouse,2006)。相较于光学植被指数仅能获取植被冠层信息,微波遥感可以获得更多的植被内部枝干等信息,因此可以获得相对较厚的植被层信息(Shi et al,2008)。利用被动微波辐射计数据,国内外学者开展了大量的基于微波植被指数的植被光学厚度、植被含水量及土壤含水量等的研究工作。
Choudhury and Tucker(1987)等利用SMMR 37 GHz亮温数据发展了微波极化差指数(Microwave Polarization Difference Temperatures,MPDT),并发现其与AVHRR植被指数有较好的相关性。Becker and Choudhury(1988)讨论了微波极化差异指数(Microwave Polarization Difference Index,MPDI)和NDVI在反映植被状况的有效性问题。Paloscia and Pampaloni(1992)发现10 GHz下的MPDI指数可以用来反演植被生物量。然而,MPDT和MPDI等微波植被指数都会受到土壤微波辐射的影响(Becker and Choudhury,1988;Justice et al,1989)。Shi et al(2008)利用AMSR-E数据发展了微波植被指数(microwave vegetation indices,MVIs),可以显著降低土壤背景辐射的影响。Zhao et al(2011)定量分析了微波植被指数(MVIS)和植被含水量之间的关系,并用于去除土壤含水量反演中植被的影响。周俊利等(2018)在定量分析各微波植被指数与NDVI的关系基础上,探讨了微波植被指数在黄河流域植被变化监测中的适用性。Jones et al(2011)利用2003—2008年AMSR-E亮温数据反演得到的植被光学厚度分析了全球植被物候特征。et al()et al()
被动微波遥感数据处理较简单且时间分辨率高,且微波植被指数能够反映植被内部枝干信息随季节变化特征(Shi et al,2008),因此,微波植被指数被广泛的用作光学植被指数的补充及大范围、长时序植被含水量、植被物候特征等的研究。然而,微波辐射计数据空间分辨率通常较低,而且微波辐射计亮温数据还会受地形坡度和坡向的影响而出现偏差(李欣欣等,2011;Pellarin et al,2016)。因此,在地形复杂、植被覆盖较好区域开展微波植被指数适用性研究意义重大。云南省位于我国西南地区,由于独特的地形地貌及气候条件,加上地质历史上云南大部分地区未受山岳冰川的直接侵袭,不但是古老植物的避难所,而且出现了一系列的演化和繁衍,使得区内地带性与非地带性植被交叉错杂,荟萃了从热带到温带甚至寒带的植物种类(吴征镒等,1987),为开展微波植被指数适用性研究提供了绝佳的场所。本文利用云南省—2018年AMSR2亮温数据获取几种常用的微波植被指数,通过分析不同植被类型区各微波植被指数随季节的变化特征及与MODIS-NDVI的相关关系,评价各微波植被指数的适用性问题,为在我国西南地形较复杂区域开展植被监测及植被物候特征研究提供科学依据。
1   数据及方法
1.1   研究区概况
云南省位于青藏高原东南缘,是云贵高原的主体部分,国土面积39.4万平方千米,山地和高原占了全省土地总面积的94%(唐晓春等,2001)。全省地势北高南低,海拔高度随同纬度逐级降低,加之大、小河流纵横切割,地形起伏巨大。受西南季风和南支西风急流的影响,干湿季分明,年平均降水量大多在800—1200 mm,年平均降水量的80%—90%集中在雨季(5—10月),年平均气温在7—21℃,年温差较小而日温差大。
1.2   数据源
微波辐射计数据来源于AMSR2 L3亮温数据产品。搭载在GCOM-W卫星上的AMSR2传感器在距地面700 km的高度上,以1450 km的扫描宽度获取地面辐射信息。AMSR2传感器每2天获得一组升轨(白天)和降轨(夜晚)数据,覆盖地球表面超过99%的区域。AMSR2 L3亮温产品一共有7个频率(6.925 GHz、7.3 GHz、10.65 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz),14个观测通道。AMSR2数据在空间分辨率、光谱和辐射性能上都有较大的改进,为陆地表面长期监测提供了优异的数据源。AMSR2 L3亮温产品从日本宇宙航空研究开发机构(JAXA)网站(https://gportal.jaxa.jp/)下载,空间分辨率10 km×10 km,时间分辨率为30 d。
土地覆盖数据采用欧空局(ESA)1992—2015年全球土地覆盖数据集(Land Cover Maps v2.0.7),从欧空局网站(http://maps.elie.ucl.ac.be/)下载,空间分辨率300 m。
光学植被指数采用MODIS L3产品MOD13A3,空间分辨率1 km×1 km,时间分辨率30 d,数据从NASA官方网站(https://search.earthdata.nasa.gov/)下载,HDF格式,正弦投影。


图1   云南省坡度分级图
Fig.1 Slope classification map of Yunnan Province
DEM数据使用SRTM 90 m数据,坡度分级采用SL190—2007土壤侵蚀分类分级标准。Slope was extracted from SRTM 90 m data and graded by SL190—2007 soil erosion classification standard.
1.3   数据处理方法
AMSR2亮温数据经投影转换比例因子转换之后,裁剪获得云南省年逐月升、降轨水平极化和垂直极化数据,并根据公式(1)和(2)计算微波植被参数(Shi et al,2008),根据公式(3)计算微波极化差异指数MPDI(Choudhury and Tucker,1987)。
\({\mathrm{M}\mathrm{V}\mathrm{I}}^{\mathrm{A}}=\frac{1}{2}\left[{T}_{\mathrm{B}\mathrm{v}}\left({f}_{2}\right)+{T}_{\mathrm{B}\mathrm{h}}\left({f}_{2}\right)-\frac{{T}_{Bv}\left({f}_{2}\right)-{T}_{Bh}\left({f}_{2}\right)}{{T}_{Bv}\left({f}_{1}\right)-{T}_{Bh}\left({f}_{1}\right)}\left({T}_{Bv}\left({f}_{1}\right)+{T}_{Bh}\left({f}_{1}\right)\right)\right]\) (1)
\({\mathrm{M}\mathrm{V}\mathrm{I}}^{\mathrm{B}}=\frac{{T}_{Bv}({f}_{2})-{T}_{Bh}({f}_{2})}{{T}_{Bv}({f}_{1})-{T}_{Bh}({f}_{1})}          \) (2)
\(\mathrm{M}\mathrm{P}\mathrm{D}\mathrm{I}=\frac{{T}_{Bv}\left({f}_{1}\right)-{T}_{Bh}\left({f}_{1}\right)}{{T}_{Bv}\left({f}_{1}\right)+{T}_{Bh}\left({f}_{1}\right)}\) (3)
式中:\({T}_{\mathrm{B}\mathrm{v}}({f}_{1})\)\({T}_{\mathrm{B}\mathrm{h}}({f}_{1})\)\({T}_{\mathrm{B}\mathrm{v}}({f}_{2})\)\({T}_{\mathrm{B}\mathrm{h}}({f}_{2})\)分别为频率\({f}_{1}\mathrm{、}{f}_{2}\)的垂直极化和水平极化的亮温数据。\({\mathrm{M}\mathrm{V}\mathrm{I}}^{\mathrm{A}}\)参数和\({\mathrm{M}\mathrm{V}\mathrm{I}}^{\mathrm{B}}\)参数分别计算获得高频和低频数据,高频采用18.7 GHz和10.65 GHz通道亮温数据,低频采用10.65 GHz和6.9 GHz通道亮温数据。\(\mathrm{M}\mathrm{P}\mathrm{D}\mathrm{I}\)参数分别计算18.7 GHz和36.5 GHz两个通道的数据。为了避免地表温度的影响,只选择降轨(夜间)数据计算微波植被指数。
MODIS L3产品MOD13A3经MRT(MODIS Reprojection Tool)拼接、投影转换后,裁剪出云南省年月NDVI数据。
2   结果及分析
2.1   各微波植被指数—特征
对提取的各微波植被指数进行统计分析,各植被指数直方图结果显示,微波极化差异指数(MPDI18、MPDI36)在0—0.007变化,微波植被指数MVIA在8—70 K变化,MVIB在0.7—1.0变化。从各微波植被指数2013—2018年逐月均值变化曲线(图2)可以看出,各植被指数逐年变化趋势基本一致,微波极化差异指数MPDI18和MPDI36呈现强正相关,相关系数为0.394,每年的8—9月,MPDI18和MPDI36达到最小值,而NDVI达到最大值,MPDI18和MPDI36与NDVI均呈强负相关,相关系数分别为-0.802和-0.355,且MPDI18数值整体上要大于MPDI36数值。高、低频MVIA参数有着基本一致的变化趋势,在每年的6—7月达到最大值,比NDVI提前一个月左右达到最大值,且低频MVIA曲线高于高频MVIA曲线。高、低频MVIB参数每年变化趋势基本一致,在每年的6月达到最小值,低频MVIB参数与NDVI负相关,相关系数为-0.316,高频MVIB参数与NDVI相关性较弱,高频MVIB曲线整体上高于低频MVIB曲线。


图2   各微波植被指数—均值变化曲线
Fig. 2 Monthly variation curves of the Microwave Vegetation Indices from 2013 to 2018
总体来看,各微波植被指数与光学植被指数NDVI之间的相关性有很大的差异。从各微波植被指数与NDVI的散点图上可以看出,微波极化差异指数MPDI18和MPDI36与NDVI负相关,R2分别为0.64和0.61。高频及低频MVIA和MVIB与NDVI散点图上,数据点分布较为分散,靠近拟合趋势线的数据点较少。各微波植被指数及NDVI之间的相关系数如表1所示。


图3   各微波植被指数与NDVI散点图
Fig. 3 Scatter plot of microwave vegetation indices and NDVI
表1   各植被指数相关系数
植被指数
Vegetation indices
MPDI18MPDI36MVIAHighMVIALowMVIBHighMVIBLowNDVI
MPDI181
MPDI360.394**1
MVIAHigh-0.235*-0.0231
MVIALow-0.246*0.0500.2081
MVIBHigh0.235*0.020-0.996**-0.2081
MVIBLow0.219-0.059-0.156-0.998**0.1561
NDVI-0.802**-0.355**-0.0210.318**0.033-0.316**1
*:在0.05水平上显著相关;**:在0.01水平上显著相关。
*: significant correlation at 0.05 level; **: significant correlation at 0.01 level.
2.2   不同植被类型微波植被指数随季节变化特征
植被在不同的生长阶段,植被含水量、叶绿素含量及覆盖度等指标均会随季节变化而变化,进而会使得植被光谱特征及散射特性随之变化,因此,光学植被指数及微波植被指数会随季节变化而变化。依据欧空局(ESA)1992—2015年全球土地覆盖数据集,选取草地、耕地、落叶阔叶林及常绿针叶林种典型植被类型,分析各微波植被指数及NDVI的季节变化规律,并分析各微波植被指数与NDVI的相关性。从表2和图可以看出,不同植被类型区各微波植被指数与NDVI的相关性及随季节的变化均表现出较为复杂的特征
表2   不同植被类型各微波植被指数与NDVI相关系数
植被类型
Vegetation type
MPDI18MPDI36MVIAHighMVIALowMVIBHighMVIBLow
草地 Grassland
耕地 Cropland****0.
落叶阔叶林
Deciduous broad-leaved forest
--0.-0.-0.0.0.
常绿针叶林
Evergreen coniferous forest
-0.**-0.*0.-0.-0.
*:在0.05水平上显著相关;**:在0.01水平上显著相关。
*: significant correlation at 0.05 level; **: significant correlation at 0.01 level.
对于草地,月份到月达到最大值,下降(图)。低频MPDI从月开始下降,至9月开始上升(图),与NDVI呈现相反的趋势,基本能够反映草地的生长状况。低频MVIA参数5月开始增大,7月达到峰值,与NDVI趋势基本一致(图),而高频MVIA参数6月即达到峰值,与草地实际生长状况不符。从月开始下降,月达到谷值(图),


图4   草地(a、b、c)、耕地(d、e、f)、落叶阔叶林(g、h、i)、常绿针叶林(j、k、)微波植被指数及NDVI随季节变化
Fig. 4 Seasonal variations of microwave vegetation indices and NDVI in grassland (a, b, c), cropland (d, e, f), deciduous broad-leaved forest (g, h, i), evergreen coniferous forest (j, k, l) and evergreen broad-leaved forest (m, n, o) 对于耕地
对于耕地,1—6月NDVI先微弱下降后又上升,从6月开始快速增加,8月达最大值,持续到9月又开始降低(图4d),低频和高频MPDI从5月开始下降,10月上升的趋势与NDVI变化趋势正好相反,相关系数分别为-0.415和-0.359,能够较好的反映农作物的生长状况。低频MVIA参数从2月开始缓慢增加,7月达最大值,然后又逐渐下降,高频MVIA参数先上升后下降,峰值位于6月,MVIB参数与MVIA参数走势正好相反,MVIA参数和MVIB参数均不能反映农作物生长状况(图4e、f)。
在落叶阔叶林区,1—7月NDVI有微弱的升降变化,7月开始急剧增加,8月达到峰值,持续到10月又开始快速下降(图4g),反映了落叶阔叶林的生长规律。低频MPDI从1月到8月缓慢降低,从9月开始缓慢上升(图4g),基本表现出与NDVI相反的趋势,基本能够反映落叶阔叶林的生长状况。MVIA参数和MVIB参数与NDVI分别呈现一定的负相关和正相关(图4i),但变化较为复杂,很难反映落叶阔叶林的生长状况。
在常绿针叶林区,NDVI从5月的0.6增加到8月到0.8,而后基本保持不变,NDVI的变化幅度较小(图3j),这与常绿针叶林季节变化较小一致。低频和高频MPDI与NDVI呈现一定的负相关关系,基本能够反映常绿针叶林的生长状况(图3g)。高频MVIA参数先增大后减小,6月达到峰值,低频MVIA参数在6月出现微弱峰值,其他月份基本不变。低频和高频MVIB参数与MVIA参数变化趋势相反(图4k、l)。
在常绿阔叶林区,NDVI在1—6月变化较小,从6月开始快速增加,7月达到峰值,10月开始快速下降(图4m)。高低频MPDI变化趋势基本一致,6月达到峰值,9—12月又有所增加,与NDVI变化趋势相反,相关系数分别为-0.163和-0.143。低频MVIA参数7—12月的变化趋势与NDVI一致(图4n)。高频MVIB参数6—12月的变化趋势与NDVI基本一致(图4o)。
由以上五种典型植被类型区各微波植被指数及NDVI随季节变化规律的分析可知,低频和高频MPDI与大部分植被类型区的NDVI呈显著负相关,可以反映各种植被类型的季节变化规律,同时低频MPDI对植被季节变化特征的响应更显著,而低频MVIA和MVIB参数对草地的季节变化响应更敏感。各微波植被指数与NDVI的相关性在低矮植被区更显著,更能反映低矮植被类型(草地、耕地、灌丛等)随季节变化规律。
3   结论
利用云南省2013年1至2018年12月AMSR2微波辐射计双极化亮温数据,计算了云南省2013—2018年逐月微波植被数据,并对比分析了不同植被类型区各微波植被指数的季节变化规律及与光学植被指数(NDVI)的相关性特征。结果表明:低频和高频MPDI可以反映云南省各种植被类型的季节变化规律,同时低频MPDI对植被季节变化特征的响应更显著,而低频MVIA和MVIB参数对草地的季节变化响应更敏感。各微波植被指数更能反映低矮植被类型(草地、耕地、灌丛等)随季节变化规律。
总体看来,微波植被指数能够反映各种类型的植被的生长规律,在云南省植被动态变化监测中有较好的适用性,然而,由于目前常用的微波辐射计数据普遍空间分辨率较低,但其时间分辨率较高,因此微波植被指数多用做光学植被指数的补充,广泛用于长时序、大范围植被状况监测及植被物候特征研究。
致谢
姜汉侨. 1980. 云南植被分布的特点及其地带规律性[J]. 云南植物研究, 2(1): 22–32. [Jiang H Q. 1980. Distributional features and zonal regularity of vegetation in Yunnan [J]. Acta Botanica Yunnanica, 2(1): 22–32.]
李欣欣, 张立新, 蒋玲梅, 等. 2011. 地形坡面对被动微波遥感影响的试验研究[J]. 遥感技术与应用, 26(1): 74–81. [Li X X, Zhang L X, Jiang L M, et al. 2011. Measurement and simulation of hill-slope effects on passive microwave remote sensing [J]. Remote Sensing Technology and Application, 26(1): 74–81.]
马明国, 王建, 王雪梅. 2006. 基于遥感的植被年际变化及其与气候关系研究进展[J]. 遥感学报, 10(3): 421–431. [Ma M G, Wang J, Wang X M. 2006. Advance in the inter-annual variability of vegetation and its relation to climate based on remote sensing [J]. Journal of Remote Sensing, 10(3): 421–431.]
孙红雨, 王长耀, 牛铮, 等. 1998. 中国地表植被覆盖变化及其与气候因子关系──基于NOAA时间序列数据分析[J]. 遥感学报, 2(3): 204–210. [Sun H Y, Wang C Y, Niu Z, et al. 1998. Analysis of the vegetation cover change and the relationship between NDVI and environmental factors by using NOAA time series data [J]. Journal of Remote Sensing, 2(3): 204–210.]
唐晓春, 刘会平, 唐川. 2001. 云南省泥石流防治模式研究[J]. 自然灾害学报, 10(4): 94–99. [Tang X C, Liu H P, Tang C. 2001. Study on debris flow control model in Yunnan Province [J]. Journal of Natural Disasters, 10(4): 94–99.]
田庆久, 闵祥军. 1998. 植被指数研究进展[J]. 地球科学进展, 13(4): 327–333. [Tian Q J, Min X J. 1998. Advances in study on vegetation indices [J]. Advance in Earth Sciences, 13(4): 327–333.]
吴征镒, 朱彦丞, 姜汉侨. 1987. 云南植被[M]. 北京: 科学出版社. [Wu Z Y, Zhu Y C, Jiang H Q. 1987. The vegetation of Yunnan [M]. Beijing: Science Press.]
周俊利, 薛华柱, 董国涛, 等. 2018. AMSR_2微波植被指数在黄河流域的适用性对比与分析[J]. 水土保持研究, 25(5): 378–384. [Zhou J L, Xue H Z, Dong G T, et al. 2018. Comparison and analysis of applicability of AMSR_2 microwave vegetation index in the Yellow River Basin [J]. Research of Soil and Water Conservation, 25(5): 378–384.]
Baret F, Guyot G, Major D J. 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR estimation [C]//12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium. Vancouver, Canada: IEEE: 1355-1358.
Becker F, Choudhury B J. 1988. Relative sensitivity of normalized difference vegetation Index (NDVI) and microwave polarization difference Index (MPDI) for vegetation and desertification monitoring [J]. Remote Sensing of Environment, 24(2): 297–311.
Choudhury B J, Tucker C J. 1987. Monitoring global vegetation using Nimbus-7 37 GHz Data Some empirical relations [J]. International Journal of Remote Sensing, 8(7): 1085–1090.
Gitelson A A, Kaufman Y J, Merzlyak M N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS [J]. Remote Sensing of Environment, 58(3): 289–298.
Grant J P, Wigneron J P, de Jeu R A M, et al. 2016. Comparison of SMOS and AMSR-E vegetation optical depth to four MODIS-based vegetation indices [J]. Remote Sensing of Environment, 172: 87–100.
Huete A, Didan K, Miura T, et al. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices [J]. Remote Sensing of Environment, 83(1/2): 195–213.
Jones M O, Jones L A, Kimball J S, et al. 2011. Satellite passive microwave remote sensing for monitoring global land surface phenology [J]. Remote Sensing of Environment, 115(4): 1102–1114.
Justice C O, Townshend J R G, Choudhury B J. 1989. Comparison of AVHRR and SMMR data for monitoring vegetation phenology on a continental scale [J]. International Journal of Remote Sensing, 10(10): 1607–1632.
Myneni R B, Maggion S, Iaquinta J, et al. 1995. Optical remote sensing of vegetation: Modeling, caveats, and algorithms [J]. Remote Sensing of Environment, 51(1): 169–188.
Paloscia S, Pampaloni P. 1992. Microwave vegetation indexes for detecting biomass and water conditions of agricultural crops [J]. Remote Sensing of Environment, 40(1): 15–26.
Pellarin T, Mialon A, Biron R, et al. 2016. Three years of L-band brightness temperature measurements in a mountainous area: Topography, vegetation and snowmelt issues [J]. Remote Sensing of Environment, 180: 85–98.
Shi J, Jackson T, Tao J, et al. 2008. Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E [J]. Remote Sensing of Environment, 112(12): 4285–4300.
Sims D A, Rahman A F, Cordova V D, et al. 2006. On the use of MODIS EVI to assess gross primary productivity of North American ecosystems [J]. Journal of Geophysical Research,111(G04015). DOI: 10.1029/2006JG000162.
Talebiesfandarani S, Zhao T J, Shi J C, et al. 2019. Microwave vegetation index from multi-angular observations and its application in vegetation properties retrieval: theoretical modelling [J]. Remote Sensing, 11(6): 730.
Woodhouse I H. 2006. Introduction to microwave remote sensing [M]. Boca Raton: Taylor and Francis.
Zhao T J, Zhang L X, Shi J C, et al. 2011. A physically based statistical methodology for surface soil moisture retrieval in the Tibet Plateau using microwave vegetation indices [J]. Journal of Geophysical Research, 116(D08116). DOI: 10.1029/2010JD015229.
稿件与作者信息
刘勇
LIU Yong
刘勇,E-mail: lzu414@163.com
陈立敏
CHEN Limin
刘晓龙
LIU Xiaolong
史正涛
SHI Zhengtao
云南省自然科学基金项目(2009CD050,2016FD021);国家自然科学基金项目(40901103)
Natural Science Foundation of Yunnan Province (2009CD050, 2016FD021); National Natural Science Foundation of China (40901103)
出版历史
出版时间: 2019年11月17日 (版本1
参考文献列表中查看
地球环境学报
Journal of Earth Environment