遥感技术与应用, 2020, 35(2): 326-334 doi: 10.11873/j.issn.1004-0323.2020.2.0326

GEE专栏

基于Google Earth Engine的中国植被覆盖度时空变化特征分析

龙爽,1,3, 郭正飞2,3, 徐粒1,3, 周华真1,3, 方伟华1,2,3, 许映军,1,2,3

1.环境演变与自然灾害教育部重点实验室，北京 100875

2.地表过程与资源生态国家重点实验室，北京 100875

3.北京师范大学地理科学学部，北京 100875

Spatiotemporal Variations of Fractional Vegetation Coverage in China based on Google Earth Engine

Long Shuang,1,3, Guo Zhengfei2,3, Xu Li1,3, Zhou Huazhen1,3, Fang Weihua1,2,3, Xu Yingjun,1,2,3

1.Key Laboratory of Environment Change and Natural Disaster, Ministry of Education, Beijing 100875, China

2.State Key Laboratory of Earth Surface Processes and Resources Ecology, Beijing 100875, China

3.Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

通讯作者: 许映军(1977-),男,江苏南通人，副教授，主要从事海岸带灾害与资源研究。E⁃mail:xyj@bnu.edu.cn

收稿日期: 2018-10-09   修回日期: 2020-03-07   网络出版日期: 2020-06-18

基金资助: 国家重点研发计划支持项目.  2017YFC1502503.  2017YFA0604905

Received: 2018-10-09   Revised: 2020-03-07   Online: 2020-06-18

作者简介 About authors

龙爽(1993—),女,湖南岳阳人，硕士研究生,主要从事资源生态与资源遥感研究E⁃mail:ls@mai.bnu.edu.cn , E-mail：ls@mai.bnu.edu.cn

摘要

植被覆盖时空变化是全球及区域生态环境重要研究内容之一。基于Google Earth Engine云平台，利用2000~2017年250 m分辨率的MODIS-EVI长时间序列数据，采用像元二分模型并辅以趋势分析、去趋势标准差、Hurst指数方法定量估算中国自2000年来植被覆盖度时空变化，并从省域尺度分析中国植被覆盖度近18 a以及未来趋势变化的时空分异特征。研究结果表明：①2000年以来中国植被覆盖度的变化速率为0.09%/a（P＜0.01），平均植被覆盖度为44.63%，空间分布格局上整体呈现“东南高、西北低”的特点，但存在空间异质性；②从省级尺度来看，海南省平均植被覆盖度最高（79%），新疆维吾尔自治区最低（13%），山西省改善趋势最显著（0.4%/a），天津市年际波动最大(DSD=0.039)，位于中国最西部的3省：新疆、西藏、青海植被覆盖度年际波动最小；③全国尺度植被覆盖度Hurst指数为0.72，未来将继续保持改善的趋势。具有改善持续性的省份基本呈“T”型分布，位于东西两侧的省份应注重加强植被生态修复与防护工作，保障区域生态文明建设的持续性。

关键词： 植被覆盖度 ; 像元二分模型 ; Hurst指数 ; 时空变化 ; Google Earth Engine ; MODIS⁃EVI

Abstract

The spatiotemporal variation of vegetation coverage is one of the main research fields in Global and Regional eco-environment. Based on the Google Earth Engine cloud platform, using the MODIS-EVI long-term series data of 250 m resolution from 2000 to 2017. The model of dimidiate pixel was applied in estimating the spatiotemporal variations of Fractional vegetation coverage in China since 2000. The spatiotemporal variation characteristics of China's vegetation coverage for nearly 18 years and future trends from the provincial scale also be analyzed. Trend analysis, Detrended Standard Deviation and Hurst index were employed. The results showed that: (1) The rate of variation of vegetation coverage in China since 2000 is 0.09%/a (P<0.01), the average vegetation coverage is 44.63%. The overall spatial distribution pattern shows the characteristics of “south-high and low-lying northwest”, but there is space Heterogeneity; (2) Hainan Province has the highest average vegetation coverage (79%), the lowest in Xinjiang Uygur Autonomous Region (13%), the most significant improvement in vegetation coverage in Shanxi Province (0.4%/a). Tianjin has the largest inter-annual volatility (DSD=0.039), Xinjiang, Tibet and Qinhai province which located in the westernmost of China have the least annual fluctuations in vegetation coverage; (3) The Hurst Index of Vegetation Coverage at National Scale is 0.72, China Future vegetation coverage will continue to improve. The provinces with improved sustainability are basically “T”-type distribution, and the provinces on both sides of the east and west should focus on strengthening the ecological restoration and protection of vegetation to guarantee the sustainability of regional ecological civilization construction.

Keywords： Fractional vegetation cover ; Dimidiate Pixel Model ; Hurst index ; Spatiotemporal variation ; Google Earth Engine ; MODIS-EVI

PDF (5098KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

龙爽, 郭正飞, 徐粒, 周华真, 方伟华, 许映军. 基于Google Earth Engine的中国植被覆盖度时空变化特征分析. 遥感技术与应用[J], 2020, 35(2): 326-334 doi:10.11873/j.issn.1004-0323.2020.2.0326

Long Shuang, Guo Zhengfei, Xu Li, Zhou Huazhen, Fang Weihua, Xu Yingjun. Spatiotemporal Variations of Fractional Vegetation Coverage in China based on Google Earth Engine. Remote Sensing Technology and Application[J], 2020, 35(2): 326-334 doi:10.11873/j.issn.1004-0323.2020.2.0326

1 引 言

植被覆盖度（Fractional Vegetation Cover，FVC）是量化地表植被状况的一个综合指标，也是评估区域生态、水文、环境变化的关键参数[1,2,3]。不同尺度的植被覆盖度估算、动态及时空变化研究对评估植被生长状况、揭示地表植被覆盖时空分异规律，分析区域环境变化过程具有重要意义。遥感影像具有范围广、空间连续、时效高、周期短、耗费少等优点，可以为植被覆盖度动态变化监测提供有力的支撑[4,5]。目前使用遥感手段进行FVC反演的方法可分为经验模型、混合像元分解模型和机器学习3类，其中像元二分模型由于其机理简单，精度相对较高而被最为广泛的使用[6]。MODIS数据产品通过大气校正去除云的影响，已被广泛应用于FVC研究中[7,8,9,10,11]，综合了大气阻抗植被指数（Atmospherically Resistant Vegetation Index, ARVI）和土壤调节植被指数（Soil Adjust Vegetation Index, SAVI）的优点，较大程度上消除了大气中气溶胶的影响，较好克服了土壤背景带来的变异，同时也减小了高植被覆盖区的饱和效应，在植被稀疏地区也具有更强的植被区分能力，现已被广泛应用于大区域植被覆盖度的反演研究[12,13,14,15]。

目前研究中国尺度的植被覆盖变化多针对不同地形分区或不同植被类型的动态变化趋势及空间异质性，多以植被指数的变化代表植被覆盖的变化，且数据时序较短[16,17,18,19,20]，而对中国以及省域单元的植被覆盖度时空演变特征分析及未来趋势变化研究鲜见。Google Earth Engine为长时序的遥感资料分析提供了高效便捷的处理平台，在国外已被广泛运用于学术研究中[21,22,23,24,25]。基于Google Earth Engine云计算平台，以MODIS-EVI为数据源，利用像元二分模型估算植被覆盖度，辅以一元回归分析、去趋势标准差分析、Hurst指数方法对中国及其各省植被2000~2017年时空变化及未来趋势进行分析，以期为今后中国的生态恢复和环境建设提供更加科学合理的依据。

2 数据来源

Google Earth Engine（GEE）平台是世界上最先进的PB数量级地理信息处理分析及可视化平台。GEE平台拥有海量卫星影像数据与地理数据集，用户可实现复杂的地理空间分析等功能[21,22]。GEE平台在大范围、长时间序列的遥感分析处理上大大提高了效率，具有无可比拟的优势。

遥感数据来源于美国国家航空航天局NASA的EOS/MODIS数据（http://ladsweb.mascom.nasa.gov），选取2000~2017年1~12月份的MOD13Q1数据产品，时间分辨率为16 d，空间分辨率为250 m。基于GEE平台对数据进行格式转换、数据拼接与裁剪（本文所使用的中国适量底图来源于国家测绘地理信息局，审图号为GS(2016)1600号，底图无修改）。最大合成法能有效减少大气中霾、云、太阳高度角以及数据合成过程中对EVI数据的影响，因此采用最大值合成法（MVC）将16 d的MODIS-EVI数据合成平均EVI数据。

3 研究方法

3.1　植被覆盖度计算

像元二分模型估算广泛应用于植被覆盖度的反演研究中，该方法假定一个像元所包含的信息只有植被与裸土两部分[8]，那么该混合象元的卫星遥感信息S可以表达为植被信息Sv和裸土信息Ss，即：

S=Sv+Ss

设像元内植被覆盖度为FVC，裸土覆盖度为(1-FVC)，纯植被覆盖的像元信息为Sveg，纯裸土覆盖的像元信息为Ssoil，则:

Sv=FVC×Sveg
Ss=(1-FVC)×Ssoil

将式（3）和（4）代入式（2）可得:

FVC=(S-Ssoil)/(Sveg-Ssoil)

EVI较大程度上消除了大气中气溶胶的影响，同时较好地克服了土壤背景带来的变异，因此，将EVI指数同像元二分模型相结合，得到基于EVI指数的植被覆盖度像元二分模型:

FVC=(EVI-EVIsoil)(EVIveg-EVIsoil)

EVIveg和EVIsoil的取值是像元二分模型应用的关键。对于纯裸地像元，EVIsoil理论上应该接近于0。但实际上，EVIsoil会因地区或地表环境的不同，随时间和空间发生变化，其变化范围一般为-0.1~0.2。对于纯植被像元来说，植被类型、植被空间分布和植被生长季节变化都会造成EVIveg值的时空变异。本文选取每年生长季内植被EVI最大值和最小值分别表征EVIveg和EVIsoil，EVI最大值和最小值分别对应图像频率累计表上为99.5%和0.5%的EVI值。

3.2　植被覆盖度年际变化趋势计算

为研究自2000年来中国植被生长状况对环境变化响应以及这种变化速率在空间上的差异，对每一个像元相应的年覆盖度值进行变化斜率分析，得到植被生长状况的变化趋势。斜率为负值的区域，其植被覆盖度呈减小趋势；斜率为正值地区，则植被覆盖度呈增加趋势；斜率绝对值越大，植被覆盖度变化的幅度越大，反之则变化的幅度越小。

2000~2017年间最大植被覆盖度的变化趋势计算公式如下：

K=n×∑i=1ni×FVCi-∑i=1ni∑i=1nFVCin×∑i=1ni2-∑i=1ni2

其中：K为变化趋势斜率，n为监测年数，FVCi为第i年的植被覆盖度。

得到变化趋势K后，由一元线性回归方程得常数项：

b=FVC¯-K×i¯

式中：FVC¯和i¯分别表示FVC和i的平均值。

3.3　植被覆盖度去趋势年际波动计算

标准差（Standard Deviation, SD）可以反映一组变量的离散程度，在本研究中对应植被覆盖度的年际波动。但植被覆盖度随时间变化，存在长期变化趋势，直接计算其标准差不能精确反映其长期“波动性”[26,27]。因此本研究中先消除植被覆盖度的长期趋势，再计算其标准差分析其年际波动，在本文中称为去趋势标准差（Detrended Standard Deviation, DSD）。

DSD=1n∑i=1n(FVCi'-FVC'¯)2
FVCi'=FVCi-(K×i+b)

其中：K为年际变化趋势，b一元线性回归为常数项，FVCi为第i年的植被覆盖度，FVC'¯为FVC'的多年平均值。

3.4　植被覆盖度持续性计算

Hurst指数是基于重标极差(R/S) 定量描述时间序列信息长期依赖性的有效方法，最早由英国水文学家Hurst提出 [28,29]。本文采用常用的R/S分析法。

EVI时间序列EVIi，i=1，2，3，4，…，n，对于任意正整数m，定义该时间序列如下：

差分序列：

ΔEVIi=EVIi-EVIi-1

均值序列：

ΔEVI(m)¯=1m∑i=1mΔEVIi                        (m=1,2,⋅⋅⋅,n)

累计离差：

X(t)=∑i=1m(ΔEVIi-ΔEVI(m)¯)              (1≤t≤m)

极差：

R(m)=max1≤m≤nX(t)-min1≤m≤nX(t)               (m=1,2,⋅⋅⋅,n)

标准差：

S(m)=1m∑i=1m(ΔEVIi-ΔEVI(m)¯)212               (m=1,2,⋅⋅⋅,n)

若比值R(m)/S(m)≅R/S存在关系R/S∝mH，说明分析的时间序列存在Hurst现象，H值为Hurst指数，可在双对数坐标系 (lni,lnR/S)中用最小二乘法拟合得到。Hurst指数主要有以下3种形式：①当0.5<H<1时，表明该时间序列未来变化趋势与过去趋势一致，为持续性序列，且H越接近于1，持续性越强；②当H=0.5时，表明该时间序列未来变化趋势与过去趋势无关，为随机序列；③当0<H<0.5 时，表明该时间序列未来变化趋势与过去趋势相反，为反持续性序列，且H越接近于0，反持续性越强。

4 结果与分析

4.1　植被覆盖度年际时空格局变化

图2为中国2000~2017年的年际植被覆盖度走势，可以明显看出近18 a植被覆盖度整体呈波动上升趋势（0.09%/a，通过p＜0.01显著性检验），说明中国植被活动在持续增强。植被覆盖度平均为44.63%，接近中国陆地面积的一半，2012年达到最大值；2000~2003年以及2011~2012年两个阶段显著上升，增幅分别为0.039%、0.037%。2004年及2008年为植被覆盖度的低谷年。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   Google Earth Engine用户环境

Fig.1   User environment of Google Earth Engine


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2000~2017年中国植被覆盖度变化

Fig.2   Changes in fractional vegetation coverage in China from 2000 to 2017


图3表示中国2000~2017年的植被覆盖度分布情况，可以看出，中国植被覆盖度以沿内蒙古的呼伦贝尔至锡林浩特、宁夏银川、甘肃兰州、青海格尔木、西藏拉萨一线为分界（以下简称“呼拉线”），总体上呈现东南高，西北低，由东南向西北递减的趋势，这与已有研究成果保持一致[19]。东北平原、华北平原以及秦岭、淮河一线值最高，自2000年以来基本维持此分布状态，并呈现逐年向东部地区扩散的趋势。另外青藏高原东部、四川盆地四周边缘、云南南部省界边缘、雪峰山、南岭、台湾山脉一线以及海南大部均为高值区，在80%~100%之间。青海省青海湖四周以及新疆天山以北至伊犁河谷地区为西北部地区的植被覆盖度高值区。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2000~2017年中国植被覆盖度空间分布

Fig.3   Distribution of fractional vegetation coverage in China from 2010 to 2017


4.2　各省植被覆盖度变化特征

图4展示了全国及各省2000~2017年植被覆盖度的最大值、平均值和最小值，图中蓝色柱和橙色柱的总和可反映出各行政区植被覆盖度的极差。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2000~2017年各省份植被覆盖度最大值、平均值与最小值

Fig.4   Maximum, average and minimum vegetation coverage in each province from 2000 to 2017


海南省植被覆盖度最大为82.7%，平均值和最小值均为全国各省中最大，分别为79%、75.8%。植被覆盖度平均值较高的省份还有黑龙江省、河南省、吉林省、安徽省，分别为81%、80.4%、79.6%、79.3%。

干旱的自然环境使得新疆维吾尔自治区为全国植被覆盖度最低的省份，最大值仅为14.7%，平均值和最小值均为全国各省中最小，分别为13.1%、11.8%。植被覆盖度平均值低于40%的省份还有西藏自治区、宁夏回族自治区、甘肃省、青海省以及内蒙古自治区。中国四大直辖市中，上海市植被覆盖度最低，平均值为53%；其次为天津市，平均值为61%；北京市紧随其后，平均值为62.4%；重庆市最高，平均值为69.3%，这可能与四大直辖市受人类活动的影响有关。

本研究中使用去趋势标准差来刻画全国各省植被覆盖度的年际波动，结果如图5所示。2000~2017年间天津市和山西省的植被覆盖度年际波动最大，DSD高达0.04。而位于我国最西部的三省份：新疆、西藏和甘肃植被覆盖度的年际波动最小。这3个省份地广人稀，环境受人为干扰因素小，因此植被覆盖状态相对而言更加稳定，4个直辖市的植被覆盖度的年际波动均较大，排序分别位为全国第1、3、6、8，这可能与其近几年经济的高速发展相关。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2000~2017年各省份植被覆盖度年际波动情况

Fig.5   Interannual fluctuations of vegetation coverage in each province from 2000 to 2017


4.3 各省植被覆盖度趋势分析及持续性分析

图6(a)为中国自2000年以来的植被变化趋势分布情况，由图可知，大部分省份植被覆盖度变化趋势系数大于零，其中得到改善的区域呈“T”型分布，大部分位于中国中西部地区，其中山西省植被覆盖改善趋势最显著。K值系数为零的区域代表植被覆盖趋势基本不变，该区域主要分布在安徽省、河北省和云南省。植被覆盖呈退化趋势的区域有西部地区的青海省、西藏自治区，东部地区的山东省、江苏省、浙江省、台湾省以及退化趋势最严重的北京市和上海市。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2000~2017年中国植被覆盖度变化趋势以及Hurst指数分布

Fig.6   Trends in vegetation coverage and distribution of Hurst index in China from 2000 to 2017


由图6(b)可知，中国各省份近18年的植被可持续性发展均在0.5以上，而全国的植被覆盖度Hurst指数也高达0.72，这说明未来中国植被的覆盖度继续保持改善的趋势。共56%的省份Hurst指数大于0.7，88%的省份Hurst指数大于0.6。Hurst指数大于0.75以上的省份主要有内蒙古自治区，甘肃省、河北省、山东省、重庆市、西藏自治区以及植被增加趋势最好的山西省。植被未来发展可持续性较弱的省份为江苏省、贵州省以及Hurst指数最小的安徽省和浙江省。

将趋势性分为3个等级，改善（K>0）、不变（K=0）和退化（K<0），同样将可持续性分为3个等级，弱可持续性（Hurst指数值，以下简称H值，H≤0.61）、中可持续性（≤0.71）、强可持续性（H>0.71）。将中国植被变化趋势性与可持续性结果做叠加分析，结果如图7所示，处于改善与中持续性以及改善与强持续性等级的省份占据全国省份的61%，分布区和K值大于零的分布区一致，同样呈“T”字型分布。图6中明显能看出大致沿黑河—昆明一线为界，西部地区除西藏自治区青海省，均处于改善与强持续性状态，这说明中国近年来所做的围绕中西部植被生态修复工作成果显著。植被覆盖增减趋势不变的3个省份中，安徽省处于弱持续性，云南省为中持续性，河北省为强持续性。处于退化状态的几个省份需重点关注其植被修复，其中处于退化与强持续性等级的北京市、天津市、山东省、西藏自治区以及台湾省尤其需要加强植被修复及生态防护。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2000~2017年中国植被覆盖度未来趋势变化

Fig.7   Changes in future trends of vegetation coverage in China from 2000 to 2017


5 结语和讨论

（1）从整体看，2000~2017年中国植被覆盖度呈波动上升趋势，表明中国植被活动在增强。中国东部地区受季风性气候的影响，水热条件充足，而西北地区，深居内陆、水热不充足，因此从空间分布来看中国植被覆盖度整体呈东南高、西北低的分布格局，同时植被覆盖度高值区多沿山脉分布的，这些地区多为森林植被。东南与西北的分界线与中国400 mm等降水量线这一具有重要地理意义的分界线有很大程度的重合。

（2）从各省植被覆盖度变化特征来看，新疆是近18 a来植被覆盖度平均值最低的省份，海南省最高，由于海南省位于南亚热带/热带区域，植被生长茂密。安徽省、吉林省、河南省以及黑龙江省的高植被覆盖度平均值，可能与其近年来的粮食产量增加、种植面积和种植类型增加、集约程度提高有关。中国四大直辖市受不同程度的城市化的影响，植被覆盖度均值较低。植被覆盖改善的省份（K>0）呈“T”型分布，中部高，东西两侧低，其中山西省的植被覆盖改善趋势最显著。这与我国退耕还林（草）工程、防沙治沙工程、自然保护区建设工程等林业工程相关[30]。

（3）从植被覆盖度年际波动来看，位于我国最西部的新疆维吾尔自治区、西藏自治区、甘肃省以及青海省年波动最小，这些省份的特点：地广人稀，经济发展相对缓慢，因此生态环境受人为干扰较小；位于我国东部各省的人口密集，发展相对较快的城市，植被覆盖度年际波动较大，其中四大直辖市：天津、上海、北京、重庆的年际波动排名均位于全国前列。

（4）全国的植被覆盖度Hurst指数为0.72，说明中国未来植被覆盖度将继续保持改善的趋势[31]。各省份Hurst指数也均高于0.5，表明未来同现在的变化趋势保持一致。从植被变化趋势与持续性的叠加结果来看，沿黑河—昆明一线为界，西部地区除西藏自治区青海省，均处于改善与强持续性状态，这些地区植被生长将继续保持增长的良好态势。而值得关注的是黑河—昆明一线东西两侧的省份，这些省份如若不采取相应的调控措施的话，植被覆盖将持续退化。

本研究从全国尺度和省级尺度较深入的分析了植被覆盖度时空分布、年际波动以及未来的发展趋势，并分析了造成这些规律的因素，但研究还存在亟待提高之处：

（1）省级尺度略显宽泛，不利于发现导致植被覆盖变化的更加详细因素（例如：第二产业发展、人口密度、人类活动强度等），在后续研究中拟采用市级及以下尺度。

（2）没有对植被覆盖度时空变化进行驱动力分析，后续研究中将加入气候等因子进行归因分析，从而科学地探索造成当前植被覆盖状态的驱动因素。

参考文献

Xing Zhurong, Feng Yougui, Yang Guijun, et al.

Method of Estimating Vegetation Coverage based in Remote Sensing

[J]. Remote Sensing Technology and Application, 2009,24(6): 849-854.

[本文引用: 1]

邢著荣, 冯幼贵, 杨贵军,等.

基于遥感的植被覆盖度估算方法述评

[J]. 遥感技术与应用, 2009, 24(6):849-854.

[本文引用: 1]

Chen Jin, Chen Yunhao, He Chunyang, et al.

Sub-pixcel Model for Vegetation Fraction Estimation based on Land Cover Classification

[J]. Journal of Remote Sensing, 2001,5(6): 416-422.

[本文引用: 1]

陈晋, 陈云浩, 何春阳，等.

基于土地覆盖分类的植被覆盖率估算亚像元模型与应用

[J]. 遥感学报, 2001,5(6):416-422.

[本文引用: 1]

Sm Sudipta, Menas K.

Interannual Variability of Vegetation over the Indian Sub-continent and Its Relation to the Different Meteorological Parameters

[J]. Remote Sensing of Environment, 2004,90(2): 268-280.

[本文引用: 1]

Guo Zhixing, Zhang Xiaoning, Wang Zongming, et al.

Response of Vegetation Phenology in Northeast China to Climate Change

[J]. Chinese Journal of Ecology, 2010,29(3): 578-585.

[本文引用: 1]

国志兴, 张晓宁, 王宗明, 等.

东北地区植被物候对气候变化的响应

[J]. 生态学杂志, 2010,29(3): 578-585.

[本文引用: 1]

Liu Yan, Li Yang, Cui Caixia, et al.

Evaluation of MODIS MOD13Q1 Data in Desertification in the North Area of Xinjiang

[J]. Acta Prataculturae Sinica, 2010,19(3): 14-21.

[本文引用: 1]

刘艳, 李杨, 崔彩霞,等.

MODIS MOD13Q1数据在北疆荒漠化监测中的应用评价

[J]. 草业学报, 2010,19(3):14-21.

[本文引用: 1]

Jia Kun, Yao Yunjun, Wei Xiangqin, et al.

A Review on Fractional Vegetation Cover Estimation Using Remote Sensing

[J]. Advances in Earth Science, 2013,28(7): 774-782．

[本文引用: 1]

贾坤, 姚云军, 魏香琴, 等.

植被覆盖度遥感估算研究进展

[J]. 地球科学进展, 2013, 28( 7) : 774-782．

[本文引用: 1]

Miao Zhenghong, Liu Zhiming, Wang Zongming, et al.

Dynamic Monitoring of Vegetation Fraction Change in Jilin Province based on MODIS NDVI

[J]. Remote Sensing Technology and Appication, 2010, 25(3):387-393.

[本文引用: 1]

苗正红, 刘志明, 王宗明, 等.

基于MODIS NDVI的吉林省植被覆盖度动态遥感监测

[J]. 遥感技术与应用, 2010, 25(3):387-393.

[本文引用: 1]

Zhu Linfu, Xie Shiyou, Yang Hua, et al.

The Response of Dynamic Change in Vegetation Coverage to Topography in Chongqing based on MODIS EVI

[J]. Journal of Natural Resources, 2017,32(12): 2023-2033.

[本文引用: 2]

朱林富, 谢世友, 杨华, 等.

基于MODIS EVI的重庆植被覆盖变化的地形效应

[J]. 自然资源学报, 2017,32(12):2023-2033.

[本文引用: 2]

Yuan Zhihui, Bao Gang, Yin Shan, et al.

Vegetation Changes in Otindag Sand Country during 2000~2014

[J]. Acta Prataculturae Sinica, 2016,25(1):33-46.

[本文引用: 1]

元志辉, 包刚, 银山,等.

2000~2014年浑善达克沙地植被覆盖变化研究

[J]. 草业学报, 2016,25(1):33-46.

[本文引用: 1]

Yu Quanzhou, Liang Chunling, Liu Yujie, et al.

Analysis of Vegetation Spatio-temporal Variation and Driving Factors in Shandong Province based on MODIS

[J]. Ecology and Environmental Sciences, 2015,24(11):1799-1807.

[本文引用: 1]

于泉洲,梁春玲,刘煜杰,等.

基于MODIS的山东省植被覆盖时空变化及其原因分析

[J].生态环境学报,2015,24(11):1799-1807.

[本文引用: 1]

Zhang Xiwang, Wu Bingfang.

A Temporal Transformation Method of Fraction Vegetation Cover derived from High and Moderate Resolution Remote Sensing Data

[J]. Acta Ecologica Sinica, 2015,35(4): 1155-1164.

[本文引用: 1]

张喜旺, 吴炳方.

基于中高分辨率遥感的植被覆盖度时相变换方法

[J]. 生态学报,2015, 35(4):1155-1164.

[本文引用: 1]

Huete A,Didan K,Miura T,et al.

Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices

[J].Remote Sensing of Environment,2002,83(1),195-213.

[本文引用: 1]

Dutta D, Das P K, Paul S, et al.

Assessment of Ecological Disturbance in the Mangrove Forest of Sundarbans Caused by Cyclones Using MODIS Time-series Data (2001~2011)

[J]. Natural Hazards, 2015,79(2): 775-790.

[本文引用: 1]

Qiu B W, Zeng C Y, Tang Z H, et al.

Characterizing Spatiotemporal Non-stationary in Vegetation Dynamics in China Using MODIS EVI Dataset

[J]. Environmental Monitoring and Assessment, 2013,185(11): 9019-9035.

[本文引用: 1]

Wang Zhengxing, Liu Chuang, Huete A.

From AVHRR-NDVI to MODIS-EVI Adcances in Vegetation Index Research

[J].Ata Ecology Sinica, 2003,23(5): 979-987.

[本文引用: 1]

王正兴, 刘闯,Alfredo Huete.

植被指数研究进展:从AVHRR-NDVI到MODIS-EVI

[J].生态学报,2003,23(5):979-987.

[本文引用: 1]

Fang Jingyun, Shilong Piao, He Jinsheng, et al.

Vegetation of China Invigorated in Last 20 Years

[J]. Science in China: Series C, 2003,33(6):554-565.

[本文引用: 1]

方精云, 朴世龙, 贺金生, 等.

近20年来中国植被活动在增强

中国科学, 2003,33(6):554-565.

[本文引用: 1]

Zhao Hanqing.

Research on the Vegetation Coverage Changes of China based on SPOT-4/VEGETATION Data

[J]. Geomatics & Spatial Information Technology, 2010,33(1): 164-166.

[本文引用: 1]

赵汉青.

基于SPOT-4/VEGETATION数据的中国植被覆盖动态变化研究

[J]. 测绘与空间地理信息, 2010,33(1):164-166.

[本文引用: 1]

Li Fei, Zeng Yuan, Ling Xiaosong, et al.

Remote Sensing based Monitoring of Interannual Variations in Vegetation Activity in China from 1982~2009

[J]. Science China Earth Sciences, 2014,57(8): 1671-1678.

[本文引用: 1]

李飞, 曾源, 李晓松, 等.

近30年中国陆地植被活动遥感监测

[J]. 中国科学:地球科学, 2014,57(8):1671-1678.

[本文引用: 1]

He Yingming, Liu Xiangpei, Wang Hanjie. Variation Characteristics of Vegetation Cover in the Latest 10

Years over China based on EVI

[J]. Journal of the Meteorological Sciences, 2017,37(1): 51-59.

[本文引用: 2]

赫英明, 刘向培, 王汉杰.

基于EVI的中国最近10 a植被覆盖变化特征分析

[J]. 气象科学, 2017,37(1):51-59.

[本文引用: 2]

Liu Ke, Du Lingtong, Hou Jing, et al.

Spatiotemporal Variations of NDVI in Terrestrial Ecosystems in China from 1982~2012

[J]. Acta Ecologica Sinica, 2018,38(6): 1885-1896.

[本文引用: 1]

刘可, 杜灵通, 侯静, 等.

近30年中国陆地生态系统NDVI时空变化特征

[J]. 生态学报, 2018,38(6): 1885-1896.

[本文引用: 1]

Gorelick N.

Google Earth Engine

[A]. In EGU General Assembly Conference Abstracts[C]∥ American Geophysical Union: Vienna, Austria, 2013:11997.

[本文引用: 2]

Gorelick N, Hancher M, Dixon M, et al.

Google Earth Engine: Planetary-scale Geospatial Analysis for Everyone

[J]. Remote Sensing of Environment, 2017,202:18-27.

[本文引用: 2]

Patel N N, Angiuli E, Gamba P, et al.

Multitemporal Settlement and Population Mapping from Landsat Using Google Earth Engine

[J]. International Journal of Applied Earth Observations & Geoinformation, 2015,35(Part B):199-208.

[本文引用: 1]

Dong J W, Xiao X M, Menarguez M A, et al.

Mapping Paddy Rice Planting Area in Northeastern Asia with Landsat 8 Images, Phenology-based Algorithm and Google Earth Engine

[J]. Remote Sensing of Environment, 2016,185:142-154.

[本文引用: 1]

Shelestov A, Lavreniuk M, Kussul N, et al.

Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-temporal Satellite Imagery for Crop mapping

[J]. Frontiers in Earth Science, 2017,5(5): 1-10.

[本文引用: 1]

Zhang Y, Liu C, Tang Y, et al.

Trends in Pan Evaporation and Reference and Actual Evapotranspiration Across the Tibetan Plateau

[J]. Journal of Geophysical Research Atmospheres, 2007,112(D12).doi:10.1029/2006jd008161.

[本文引用: 1]

Lan C, Zhang Y, Gao Y, et al.

The Impacts of Climate Change and Land Cover/Use Transition on the Hydrology in the Upper Yellow River basin, China

[J]. Journal of Hydrology, 2013,502(2):37-52.

[本文引用: 1]

Liu Xianfeng, Ren Zhiyuan, Lin Zhihui, et al.

The Spatial-temporal Changes of Vegetation Coverage in the Three-river Headwater Region in Recent 12 Years

[J].Acta Geographica Sinca, 2013,68(7): 897-908.

[本文引用: 1]

刘宪锋, 任志远, 林志慧,等.

2000~2011年三江源区植被覆盖时空变化特征

[J]. 地理学报, 2013,68(7):897-908.

[本文引用: 1]

Yan Enping, Lin Hui, Dang Yongfeng, et al.

The Spatiotemporal Changes of Vegetation Cover in Beijing-Tianjin Sandstorm Source Control Region during 2000~2012

[J]. Acta Ecologica Sinca, 2014,34(17): 5007-5020.

[本文引用: 1]

严恩萍, 林辉, 党永峰,等.

2000~2012年京津风沙源治理区植被覆盖时空演变特征

[J]. 生态学报, 2014，34(17):5007-5020.

[本文引用: 1]

Yi Siyang, Wu Wenjin, Li Xinwu, et al.

Forest Dynamic Analysis based on Remote Sensing Data and Metrology Data in Southeast Asian

[J]. Remote Sensing Technology and Application, 2019,34(1):166-175.

[本文引用: 1]

尹思阳, 吴文瑾, 李新武.

基于遥感和气象数据的东南亚森林动态变化分析

[J]. 遥感技术与应用, 2019(1):166-175.

[本文引用: 1]

Neinavaz E, Skidmore A K, Darvishzadeh R, et al.

Effects of Prediction Accuracy of the Proportion of Vegetation Cover on Land Surface Emissivity and Temperature Using the NDVI Threshold Method

[J]. International Journal of Applied Earth Observation and Geoinformation,2020(85): 101984. doi:10.1016/j.jag.2019.101984.

[本文引用: 1]

/

〈 〉