Please wait a minute...
img

官方微信

遥感技术与应用  2019, Vol. 34 Issue (2): 337-344    DOI: 10.11873/j.issn.1004-0323.2019.2.0337
数据与图像处理     
青藏高原高寒草地物候的研究进展
张晓克1,2,杜心栋1,鲁旭阳2,王小丹2
(1.河海大学公共管理学院,江苏 南京 211100;
2.中国科学院水利部成都山地灾害与环境研究所
山地表生过程与生态调控重点实验室,四川 成都 610041)
A Review on Alpine Grassland Phenology on the Tibetan Plateau
Zhang Xiaoke1,Du Xindong1,Lu Xuyang2,Wang Xiaodan2
(1.School of Public Administration,Hehai University,Nanjing 210098,China;
2.Key Laboratory of Mountain Surface Processes and Ecological Regulation,
Institute of Mountain Hazards and Environment,Chinese Academy of Sciences,Chengdu 610041,China)
 全文: PDF(1164 KB)  
摘要: 植被物候现象是环境条件季节和年际变化最直观、最敏感的综合指示器。野外目视观察法、植物物候模型、数字相机技术、遥感技术等是物候监测的主要方法。青藏高原整体上高寒草地返青期变化目前有4种观点,返青期推后、提前、没有明显变化、在波动中提前。物候与气候之间相互关联,相互作用。温度、水分、CO2浓度、积雪和极端气候是影响高寒草地生长发育的重要因素。不同尺度下物候变化及哪个因素更具影响力存在不确定性。最后还展望了未来研究重点方向。
Abstract: Vegetation phenology is the most intuitive and sensitive indicator of seasonal and inter-annual variability under environment conditions.The phenology monitoring methods mainly include field observation,phenology model,digital camera and remote sensing technology.On the Tibetan Plateau,the start of growing season for alpine grassland had four viewpoints:experiencing an advancing and advancing in fluctuating trend,a postponing trend and no change,respectively.Phenology phases experience interactions with climatic factors.These factors,such as temperature,precipitation,CO2 concentration,snow cover and extreme climate,play an important role in alpine grasslandgrowth.Meanwhile,phenology changes at different scales and the driving factors are uncertainty.Finally,the existing problems and the future research directions were discussed.
Key words: Phenology    Driving factors    Alpine grassland    Tibetan Plateau
收稿日期: 2018-01-21 出版日期: 2019-05-10
ZTFLH:  TP 79  
基金资助: 国家自然科学基金项目(41601435),国家重点研发计划项目(2016YFC0502002),中央高校基本科研业务费专项资金项目(2018B21414)。
作者简介: 张晓克(1984-),女,河北邢台人,博士,讲师,主要从事生态遥感与GIS研究。E-mail:xkzhang@hhu.edu.cn。
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  

引用本文:

张晓克, 杜心栋, 鲁旭阳, 王小丹. 青藏高原高寒草地物候的研究进展[J]. 遥感技术与应用, 2019, 34(2): 337-344.

Zhang Xiaoke, Du Xindong, Lu Xuyang, Wang Xiaodan. A Review on Alpine Grassland Phenology on the Tibetan Plateau. Remote Sensing Technology and Application, 2019, 34(2): 337-344.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2019.2.0337        http://www.rsta.ac.cn/CN/Y2019/V34/I2/337

[1] 纪梦豪, 唐伯惠, 李召良. 太阳诱导叶绿素荧光的卫星遥感反演方法研究进展[J]. 遥感技术与应用, 2019, 34(3): 455-466.
[2] 赵璐, 任红艳, 杨林生. 基于高分二号遥感数据的农业阳光大棚提取[J]. 遥感技术与应用, 2019, 34(3): 677-684.
[3] 王广蕊, 李晓峰. 东北地区森林积雪的微波辐射亮温模拟分析[J]. 遥感技术与应用, 2018, 33(6): 1027-1029.
[4] 汪子豪, 秦其明, 孙元亨.

基于BP神经网络的地表温度空间降尺度方法 [J]. 遥感技术与应用, 2018, 33(5): 793-802.

[5] 王恺宁, 王修信, 黄凤荣, 罗涟玲. 喀斯特城市地表温度遥感反演算法比较[J]. 遥感技术与应用, 2018, 33(5): 803-810.
[6] 石满, 陈健, 覃帮勇, 李盛阳. 天宫二号数据地表温度反演及其在城市群热环境监测中的应用[J]. 遥感技术与应用, 2018, 33(5): 811-819.
[7] 金点点, 宫兆宁. 基于Landsat 系列数据地表温度反演算法对比分析—以齐齐哈尔市辖区为例[J]. 遥感技术与应用, 2018, 33(5): 830-841.
[8] 苗翔鹰, 苗洪利, 张旭东, 黄霞凤, 王桂忠. 利用星下点干涉相位法提高三维成像高度计测高精度[J]. 遥感技术与应用, 2018, 33(5): 866-872.
[9] 谢旭, 陈芸芝. 基于PSO-RBF神经网络模型反演闽江下游水体悬浮物浓度[J]. 遥感技术与应用, 2018, 33(5): 900-907.
[10] 高莎, 林峻, 马涛, 吴建国, 郑江华. 新疆巴音布鲁克草原马先蒿光谱特征提取与分析[J]. 遥感技术与应用, 2018, 33(5): 908-914.
[11] 冀新莹, 韦玉春, 王问尧, 方宏. 城镇区域高分辨率遥感影像地表覆盖变化检测的误差分析[J]. 遥感技术与应用, 2018, 33(5): 932-941.
[12] 王仕哲, 柯长青. 基于ALOSPALSAR的喜马拉雅山冰川流速分布及变化[J]. 遥感技术与应用, 2018, 33(5): 942-955.
[13] 程俊毅, 张显峰, 孙权, 郑晓岚. 沥青路面老化状况遥感监测与评估模型建立及应用[J]. 遥感技术与应用, 2018, 33(5): 956-964.
[14] 王常颖, 田德政, 韩园峰, 隋毅, 初佳兰. 基于属性差决策树的全极化SAR影像海冰分类[J]. 遥感技术与应用, 2018, 33(5): 975-982.
[15] 范锦龙,张晔萍,李昌宝,许文波,刘少杰,薛飞,覃志豪. 风云卫星中分辨率遥感数据几何定位误差分析[J]. 遥感技术与应用, 2018, 33(4): 621-627.