Research on Improving the Accuracy of Estimating Aboveground Biomass for Pinus densata Based on Remote Sensing Using Filtering Algorithm
-
摘要: 基于1987年、1992年、1997年、2002年、2007年、2012年分布在香格里拉市的34个高山松固定样地数据,以及Landsat时间序列数据集,利用谷歌地球引擎和Python,通过3种滤波算法对时间序列数据进行重构,应用随机森林算法对森林地上生物量进行估测,根据模型评价指标对重构前后时间序列数据的估测效果进行分析。结果表明:采用3种不同滤波方法重构的时间序列数据训练的非参数模型,其拟合精度和预测精度均高于滤波前时间序列的预测精度,整体均方根误差和相对均方根误差指标均优于滤波前数据,其中ARMIA方法最佳。应用滤波方法在一定程度消除了影像自身所携带的大量噪声和不确定性,有效地提高了数据质量,提高了高山松地上生物量遥感估测的精度。Abstract: Using data from 34 Pinus densata permanent sampling plots distributed in Shangri-La in 1987, 1992, 1997, 2002, 2007 and 2012, and time series datasets created based on Landsat images, combined Google Earth Engine and Python to reconstruct time series data with 3 different filtering algorithms. The random forest algorithm is used to estimate the aboveground biomass, and the estimation results of time series data before and after reconstruction are analyzed according to the model evaluation indicators. The results show that the non-parametric model trained by time series data reconstructed by 3 different filtering methods has higher fitting accuracy and prediction accuracy than the pre-filtering time series. The overall root mean square error and relative root mean square error are both better than the pre-filter data, and the ARMIA method performs best. The application of the filtering method does eliminate a large amount of noise and uncertainty carried by the image itself to a certain of extent, which effectively improves the data quality and improves the accuracy of remote sensing estimation of Pinus densata aboveground biomass.
-
Keywords:
- filtering /
- time series /
- biomass /
- Pinus densata /
- Shangri-La
-
随着遥感器技术的发展,在生物量遥感估测研究中已经使用了多种卫星数据源。虽然光学影像与合成孔径雷达数据(RADAR)和激光雷达(LiDAR)数据相比,其穿透森林冠层获取树干信息的能力较差,但随着新算法的不断革新,使用光学影像来进行森林地上生物量估测的精度不断提高[1]。另外随着2008年Landsat档案数据库的免费开放,使得利用光学遥感的时间序列数据成为可能[2-3]。但是,由于Landsat系列卫星跨代,在较长的时间尺度上拥有多型传感器。并且多型传感器的数据受到成像当时的大气瞬时状态、复杂地形以及冰雪的影响较大。因此,对于时间序列数据来说,数据存在不确定性和严重的噪声,这限制了它的深入应用。故需要使用多种方法对数据序列进行重构,以获得高质量的数据集[4-8]。当前,在遥感领域应用较多的滤波方法有Savitzky-Golay(SG)算法[9-10]、谐波分析法(HA)[11-12]、Whittaker算法[13]、LandTrendr算法[14]、差分整合移动平均自回归模型(ARIMA)[15],此外关于数据滤波的方法还包括卡尔曼滤波算法、Asymmetric-Gaussian(AG)算法、Double-Logistic(DL)算法等。但是从算法的遥感应用来看,对于遥感时间序列数据滤波的应用,更多出现在对植被指数的处理并用于植被提取与分类[16-17]。而对于森林地上生物量的遥感估测以及对于影响森林生物量估测建模的其他遥感因子的滤波研究仍然较少。
一直以来,青藏高原地区的气候变化都被认作是全球气候变化的驱动机与放大器[18]。研究青藏高原腹地的香格里拉市森林植被的生物量和碳储量,对进一步开展高原陆地生态系统碳循环研究,提高全社会对高原地区森林生态价值的认识等都具有重要意义[19]。作为香格里拉市的主要森林植被类型,高山松(Pinus densata)在调节径流和净化水质、维持大气中的二氧化碳和氧气动态平衡、营养物质循环与贮藏、净化空气环境、保育土壤、维持生物多样性、研究全球变化等方面都发挥着巨大的作用[20]。当前,利用LandTrendr算法提取衍生数据参与森林生物量建模已经有了很多成果[21-22],ARIMA模型在时间序列数据的预测和拟合在各个行业中都有很成熟的应用,而均值滤波算法是一种简单快速易实现的经典算法,因此本研究选择了这3种滤波算法,用于改善香格里拉市高山松生物量遥感估测的数据集质量,进而比较滤波前后数据集质量,探索提高高山松森林地上生物量遥感估测精度的新方法。
1. 研究区概况
香格里拉市位于云南省西北部(99°20′~100°19′E,26°52′~28°52′N),地处云南亚热带常绿阔叶林植被区向青藏高原高寒植被区过渡地带。金沙江环绕全市东、南、西三面,为云南和四川2省7县的接合地区。香格里拉市处寒温带山地季风气候区,热量不足。干湿季分明,四季不明显,夏秋两季多雨水,冬春两季气候干旱降水稀少。其年平均气温5.5 ℃,年均降雨量618.4 mm,年均降雪日数35.7 d。由于地形复杂,立体气候明显,南北高差悬殊,其植被分布南北差异明显[23]。主要植被类型为寒温性针叶林,其优势树种有高山松、丽江云杉(Picea likiangensis)等[24]。
2. 研究方法
2.1 数据来源及处理
2.1.1 地面实测数据
地面数据为研究区内1987—2012年每5年实测的国家森林资源清查高山松样地数据,共6期。实测数据涉及34个分布于香格里拉市高山松分布区的固定样地,共113个实测数据。其中复测次数超过5次的固定样地共有9个,73.5%的样地复测次数超过了2次。对6期34个样地按照数量进行无差别混编得到1~34号样地的重新编号(样地分布情况如图1)。
样地生物量数据由适用于香格里拉市高山松树种的单木累计生物量模型[25]计算得到。
2.1.2 时间序列数据
研究中使用的遥感时间序列数据为美国地质勘探局(USGS)提供的经过校准的Landsat地表反射率数据(SR),计算平台使用的是谷歌地球引擎(GEE)。时间序列数据起始时间实际为:1987—2019年,目的是通过更长的时间序列把握更加稳定的时间序列变化趋势。香格里拉市因为气候原因冬季初春时节影像质量较好,且植被在冬季生长状态稳定能较好反映上一年生长季的碳汇和碳损,所以在时间上筛选了每年1月到3月的影像。
Landsat 7自1999年运行至今,因为传感器故障导致获取的影像产生坏道,不经处理难以使用。所以本研究尽量采用Landsat 5和Landsat 8的数据,在时间上衔接的空隙以Landsat 7数据进行补充。在本研究中使用Landsat遥感时间序列分析中很好的避免了协调传感器不同光谱、空间和辐射分辨率的问题,但是因为Landsat 8传感器改进了定标参数、信噪比特性并且拥有更高的12位辐射分辨率和更窄的频谱波段。因此本研究参考了Roy等[26]以及Braaten撰写的技术文档[27]对OLI传感器进行了协调,使得Landsat时间序列数据在光谱特征上拥有更好的一致性。
考虑到香格里拉市强烈的云及冰雪影响,在时间序列数据集构建完成后,使用了Fmask(function of mask)算法对冰雪、云、云影进行了掩膜处理。处理完毕后得到可进一步使用的香格里拉市时间序列影像集,具体信息见表1。
表 1 研究区使用Landsat数据情况Table 1. Collection of Landsat data in the study area传感器类型 行编号 条带号 起始年份 结束年份 起始日期 结束日期 云量/% 数量 Landsat5 TM 041 131 1987 2011 01-01 03-31 <10 57 040 132 1987 2011 01-01 03-31 <10 48 041 132 1987 2011 01-01 03-31 <10 28 Landsat7 ETM+ 041 131 2012 2013 01-01 03-31 <10 6 040 132 2012 2013 01-01 03-31 <10 5 041 132 2012 2013 01-01 03-31 <10 1 Landsat8 OLI 041 131 2014 2019 01-01 03-31 <10 14 040 132 2014 2019 01-01 03-31 <10 10 041 132 2014 2019 01-01 03-31 <10 5 2.2 遥感因子的选择
遥感因子的选择参考了在香格里拉市高山松地上生物量估测研究中常用的遥感因子[28],具体信息见表2。
2.3 构建遥感因子时间序列数据集
在构建完毕的时间序列影像集中,利用GEE结合样地点数据,逐景对遥感因子进行提取,得到不同年份的样地点遥感因子时间序列数据集。根据样地点数据从时间序列影像数据集中提取遥感因子时间序列的原理见图2。
在实际提取遥感因子时间序列的时候,考虑到后期滤波时的稳定时间间隔,在提取操作之前对每个年份的遥感因子提取值求取了中位数[27],这样既避免了对原始数值的改动也得到了代表该年度的遥感因子DN(digital number)值。
表 2 研究区遥感因子详情Table 2. Details of remote sensing factors used in the study area因子类型 遥感因子对象 算法 单波段因子 红光波段(RED) − 绿光波段(GREEN) − 蓝光波段(BLUE) − 近红外波段(NIR) − 短波红外波段1(SWIR1) − 短波红外波段1(SWIR2) − 组合因子 归一化植被指数(NDVI) (NIR−RED)/(NIR+RED) 比值植被指数(RVI) NIR/RED 差值植被指数(DVI) NIR−RED 增强型植被指数(EVI) 2.5(NIR−RED)/(NIR+6RED−7.5BLUE+1) 大气阻抗植被指数(ARVI) (NIR−(2RED−BLUE))/(NIR+(2RED−BLUE)) 叶面积指数(LAI) (3.618EVI−0.118) 植被燃烧指数(NBR) (NIR−SWIR2)/(NIR+SWIR2) 2.4 时间序列滤波重构
2.4.1 LandTrendr时间分割算法
LandTrendr是一组频谱-时间分割算法,可用于中低分辨率卫星图像(主要是Landsat)时间序列中的变化检测,以及用于生成基本上不存在年际信号噪声的基于轨迹的频谱时间序列数据[27, 29]。LandTrendr时间分割算法对于时间序列的重构,对时间序列中的异常值进行有效地剔除,并且拟合效果很好地反映了时间序列的整体变化趋势[27]。其核心算法主要包括三大部分:轨迹的分割、模型的简化迭代以及噪声的去除[30]。本研究主要利用其对带有大量不确定性因素的时间序列数据进行分割和线性拟合的能力。经过该算法去除影像的光谱噪音,将复杂的变化特征进行简化,形成几段相连的直线段。
本研究中利用GEE完成时间序列数据集LandTrendr算法的滤波重构,执行代码借鉴并参考了俄勒冈州立大学eMapR实验室Braaten撰写的技术文档[27];整个算法过程的参数控制参考了陈培高[31]关于香格里拉市相关研究中所进行的调整参数。
2.4.2 ARIMA模型
移动整合差分自回归模型(ARIMA),是指将非平稳性的时间序列数据通过适当阶数的差分转化为平稳的时间序列数据,多用于在把握数据的整体变化趋势后对未来进行估测。ARIMA模型主要涉及到3个模型参数p、d、q,在使用时需要对模型进行不断的参数调整。其中,p代表了模型中采用的时间序列数据本身的滞后数,在模型中代表了模型自回归项数;d代表将非平稳性的时间序列数据转化为平稳的时间序列数据所进行的差分阶数;q则代表了移动平均的阶数。
本研究通过Python第三方开源“Statsmodels”包进行了模型的构建,并采用了交叉验证的方式,计算了每个因子34个样地点ARIMA(p,d,q)的3个最优参数。在本研究中,为了控制计算的数据量,3个参数的选值范围被控制在[0,3]之间。通过遍历选择p、d、q因子,得到q、p热力图,数值最小的q、p索引值最优。
2.4.3 1×3窗口均值滤波
该算法在操作上对原始数据进行了2次操作。操作的前提是首先选定好均值滤波的窗口大小。第1步:对数据进行遍历,对开头的数据和结尾的数据进行加窗操作,加窗数据与最近邻数据一致;第2步:再次对数据进行遍历,以选定窗口内数据进行均值计算,并替换窗口中间的数据。
1×3窗口均值滤波的计算公式如下:
$ {\rm{BL}}\left( i \right) = {\rm{mean}}\left\{ {V\left[ {\left( {i - 1} \right) \times W + 1} \right]:V\left( {i \times W} \right)} \right\} $
(1) 式中:i=1, 2, 3, ··· , n,n=L/W表示窗口数量,L代表窗口大小,研究中为了保持和LandTrendr算法中探测变化的阈值一致,将窗口大小L设置为3。
本研究中利用Python完成时间序列数据集合1×3窗口均值滤波算法的滤波重构。
2.5 建模方法
研究将未经滤波重构的数据,以及经过以上3种算法进行滤波重构的数据,分别结合样地实测数据,通过随机森林回归算法(RF)进行了生物量估测模型的构建。随机森林是当前比较主流且回归精度较为优良的一种非参数回归算法。其核心原理就是通过随机生成的决策树构成“森林”,最后对决策树森林的决策结果求均值作为最后的结果。随机生成的决策树彼此之间相互独立没有相关性,因此在新的数据进入随机森林回归器进行回归分析的时候,每一棵“树”都会产生相对独立的预测结果。使用随机森林回归器进行回归分析的时候不需要像有参数回归器一样进行特征选择,可以处理高维数据[32]。本研究中随机森林算法实现基于Python语言“Sklearn”包中提供的“Random Forest Regressor”算法。
2.6 模型评价
对滤波前后的4种数据集分别随机抽选了80%进行建模分析,另外20%的数据则用于对模型的预测精度进行评估。采用的评价指标包括决定系数(R2)、均方根误差(RMSE)、相对均方根误差(rRMSE)、预测精度(P),各指标计算方法见式(2)~(5):
$ {R^2} = \dfrac{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {{({{\hat y}_i} - \bar y)}^2}}}{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {{({y_i} - \bar y)}^2}}} $
(2) $ {\rm{RMSE = }}\sqrt {\dfrac{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {{({y_i} - {{\hat y}_i})}^2}}}{n}} $
(3) $ P = \dfrac{1}{n}\displaystyle\sum\nolimits_{i = 1}^n {\left( {1 - \left| {\dfrac{{{y_i} - {{\hat y}_i}}}{{{{\hat y}_i}}}} \right|} \right)} \times 100\% $
(4) $ {\rm{rRMSE}} = \frac{{{\rm{RMSE}}}}{{\bar y}} \times 100\% $
(5) This page contains the following errors:
error on line 1 at column 1: Start tag expected, '<' not foundBelow is a rendering of the page up to the first error.
3. 结果与分析
3.1 Landsat时间序列影像集的滤波重构
从34个样地点中选择了位于河谷地区生长状态良好且实测次数达到了5次的第26号固定样地。第26号样地点的8种不同遥感因子滤波重构前后的时间序列变化曲线见图3。其中红色实线表示未经滤波重构的原始因子数据,可以看出其存在巨大的噪声和不确定性,均表现出起伏不定,即使是相邻年份的数值也表现出巨大的差异。其他3种颜色表示的经过滤波重构的因子数据,从图中对比3种滤波重构算法的重构效果,可以看出:LandTrendr算法以较少拐点的线段简化了时间序列的巨大波动,相对而言1×3窗口均值滤波算法重构以均值的形式去除异常,而ARIMA因为算法原理的原因,需要从前序数据中把握趋势,所以在拟合初段表现的较为不稳定,但随着时间序列年份的推移,其对序列整体趋势的把握逐渐稳定。3种重构算法对于时间序列的拟合都能够很好的展现原始数据的整体变化趋势。
单独来看,BLUE波段因子的滤波前后曲线可以看出,原始数据的变化起伏较大,意味着蓝波段传感器获得的数据受到影响较大,而滤波算法的介入使得拟合曲线的波动幅度大幅减少,基本可以保持与其他波段相近的波动幅度。对于EVI因子的滤波前后曲线可以看出,原始数据在1997年存在1个明显的尖峰(异常值),而3种滤波算法都很好的识别并重构了该年份的数据,使其趋于一个合理的波动范围内。
3.2 生物量估测模型构建
针对4种不同的数据,分别进行随机森林模型的训练,当得到最优模型后利用验证数据进行模型预测精度的验证。因为参与建模的因子数量较少,所以未按照训练模型时得到的各个因子重要性程度进行特征筛选。
首先,对数据的规则化处理。完成数据的规则化后,将数据分装为80%的训练数据和20%的预测验证数据。最后进行模型构建的调整参数过程。
n_estimators:就是弱学习器的最大迭代次数,本次研究中经过反复的参数调整,发现当迭代次数在100次左右时模型误差相对趋于稳定,此时如果设置的过大会导致过拟合以及计算资源的浪费。本研究中以5至400测试estimators值,间隔为5。根据RMSE的稳定性选择最优的调参结果[33]。
由图4可知,原始数据建模的均方根误差在弱学习器的最大迭代次数达到175时开始趋于稳定,即使增加迭代次数模型回归计算的均方根误差不再存在较大的变化。使用1×3窗口均值滤波算法滤波重构的数据在弱学习器的最大迭代次数达到150时均方根误差开始趋于稳定。使用LandTrendr时间分割算法滤波重构的数据在弱学习器的最大迭代次数达到150时均方根误差开始趋于稳定。使用ARIMA算法滤波重构的数据在弱学习器的最大迭代次数达到145时均方根误差开始趋于稳定。可见滤波后的数据质量全面优于未进行滤波重构的数据。
max_depth:决策树最大深度,默认设置为10;当调整该参数时未对结果产生特别显著的影响。
min_samples_leaf:叶节点最少样本数。这个值限制了叶节点最少的样本数,如果某叶节点数目小于样本数,则会和同级节点一起被剪枝。由于本研究中使用的建模样本数据量不大,因此选择限制叶节点最少样本数为1。
min_samples_split:内部节点再划分所需最小样本数。这个值限制了子树继续划分的条件,如果某节点的样本数少于该参数,则不会继续再尝试选择最优特征来进行划分。默认是2,在进行参数的增加时,模型误差相对增加,故最终保留默认值。
3.3 精度评价
3种滤波算法与原始未滤波数据的非参数建模效果见表3。基于1×3窗口的均值滤波方法、LandTrendr、ARIMA重构的时间序列数据模型预测精度分别为73.800%、74.936%、77.981%,均高于未进行重构的时间序列模型精度67.030%。基于1×3窗口的均值滤波方法、LandTrendr、ARIMA重构的时间序列数据的回归均方根误差分别为44.753、43.639、34.145 t/hm2,均低于未进行重构的时间序列的回归均方根误差47.420 t/hm2。其中,使用ARIMA重构的时间序列数据表现最优,达到了77.98%的预测精准度。
表 3 精度评价Table 3. Accuracy evaluation数据集类型 拟合效果 预测效果 R2 RMSE/(t·hm−2) P/% rRMSE/% 原始数据集 0.809 47.420 67.030 47.986 1×3窗口均值滤波 0.830 44.753 73.800 44.394 LandTrendr 0.839 43.639 74.936 40.183 ARIMA 0.901 34.145 77.981 38.712 4. 结论与讨论
本研究旨在研究滤波算法对时间序列重构的效果以及在遥感生物量估测方面的应用。从结果可以看出,使用滤波重构算法不仅可以改善时间序列数据的质量还可以显著提高遥感数据用于生物量估测的精度。
滤波重构的时间序列数据在建模的拟合方面均有较高的拟合度,其中使用滤波算法重构后的数据进行生物量估测时拥有更高的预测精度和更低的均方根误差。对于未进行滤波重构的原始数据,其拟合精度和预测精度在4种数据集中最低,其均方根误差和相对均方根误差在4种数据集中最高。
当前,越来越多的遥感时间序列数据被用于生物量的估测研究当中。由于单期遥感数据的不确定性,以及遥感影像本身存在的巨大噪声,需要通过一些算法来提高。虽然随着新的研究算法的不断革新,使用光学影像来进行森林地上生物量估测的精度不断提高,但是仍然有很大的提升空间,需要对新的技术方法进行不断的挖掘。
使用滤波的方法来减少数据的噪声已经有了相当的研究成果。但是在生物量遥感估测领域仍然成果不多。本研究就是通过尝试用滤波的方法来提高生物量估测精度的可行性。最终的结果表明,应用滤波方法的确在一定程度上消除了影像自身所携带的大量噪声和不确定性,有效地提高了数据质量对提高森林地上生物量遥感估测精度也有所作用。
当然,本研究也存在着一些不足。本研究探索运用滤波方法有效的改善了高山松地上生物量的遥感估测精度,虽然理论上可以拓展至对于森林地上生物量遥感估测精度的整体性研究方面,但并未继续展开论证。地上生物量的估测均方根误差和相对均方根误差的数值就现有的研究成果相比,数值较大。就滤波后效果最优的ARIMA算法而言,其均方根误差为34.145 t/hm2。纠其原因,一方面参与估测的原始数据均值为78.155 t/hm2,标准差达到108.179 t/hm2;另一方面,考虑到研究区固定样地实测数据的数量较少(113个),未对原始数据进行筛选,这在一定程度上对预测结果产生影响。选用的13个遥感因子主要为单波段因子和植被指数因子,缺乏波段增强因子及纹理因子;选择的滤波重构算法,均值滤波窗口的选择主要是与LT算法保持一致,未结合均值滤波窗口的多种选择进行滤波效果的对比。这些问题都有待在后续研究中进一步探究。
-
表 1 研究区使用Landsat数据情况
Table 1 Collection of Landsat data in the study area
传感器类型 行编号 条带号 起始年份 结束年份 起始日期 结束日期 云量/% 数量 Landsat5 TM 041 131 1987 2011 01-01 03-31 <10 57 040 132 1987 2011 01-01 03-31 <10 48 041 132 1987 2011 01-01 03-31 <10 28 Landsat7 ETM+ 041 131 2012 2013 01-01 03-31 <10 6 040 132 2012 2013 01-01 03-31 <10 5 041 132 2012 2013 01-01 03-31 <10 1 Landsat8 OLI 041 131 2014 2019 01-01 03-31 <10 14 040 132 2014 2019 01-01 03-31 <10 10 041 132 2014 2019 01-01 03-31 <10 5 表 2 研究区遥感因子详情
Table 2 Details of remote sensing factors used in the study area
因子类型 遥感因子对象 算法 单波段因子 红光波段(RED) − 绿光波段(GREEN) − 蓝光波段(BLUE) − 近红外波段(NIR) − 短波红外波段1(SWIR1) − 短波红外波段1(SWIR2) − 组合因子 归一化植被指数(NDVI) (NIR−RED)/(NIR+RED) 比值植被指数(RVI) NIR/RED 差值植被指数(DVI) NIR−RED 增强型植被指数(EVI) 2.5(NIR−RED)/(NIR+6RED−7.5BLUE+1) 大气阻抗植被指数(ARVI) (NIR−(2RED−BLUE))/(NIR+(2RED−BLUE)) 叶面积指数(LAI) (3.618EVI−0.118) 植被燃烧指数(NBR) (NIR−SWIR2)/(NIR+SWIR2) 表 3 精度评价
Table 3 Accuracy evaluation
数据集类型 拟合效果 预测效果 R2 RMSE/(t·hm−2) P/% rRMSE/% 原始数据集 0.809 47.420 67.030 47.986 1×3窗口均值滤波 0.830 44.753 73.800 44.394 LandTrendr 0.839 43.639 74.936 40.183 ARIMA 0.901 34.145 77.981 38.712 -
Zhu Z. Change detection using landsat time series: a review of frequencies, preprocessing, algorithms, and applications [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 370−384. DOI: 10.1016/j.isprsjprs.2017.06.013
Woodcock C E, Allen R, Anderson M, et al. Free access to landsat imagery [J]. Science, 2008, 320(5879): 1011a. DOI: 10.1126/science.320.5879.1011a
Wulder M A, White J C, Loveland T R, et al. The global Landsat archive: Status, consolidation, and direction [J]. Remote Sensing of Environment, 2016, 185: 271−283. DOI: 10.1016/j.rse.2015.11.032
Gutman G, Ignatov A. Global land monitoring from AVHRR: potential and limitations [J]. International Journal of Remote Sensing, 1995, 16(13): 2301−2309. DOI: 10.1080/01431169508954559
Cihlar J, Ly H, Li Z Q, et al. Multitemporal, multichannel AVHRR data sets for land biosphere studies: Artifacts and corrections [J]. Remote Sensing of Environment, 1997, 60(1): 35−57. DOI: 10.1016/S0034-4257(96)00137-X
林忠辉, 莫兴国. NDVI时间序列谐波分析与地表物候信息获取 [J]. 农业工程学报, 2006, 22(12): 138−144. DOI: 10.3321/j.issn:1002-6819.2006.12.029 李儒, 张霞, 刘波, 等. 遥感时间序列数据滤波重建算法发展综述 [J]. 遥感学报, 2009, 13(2): 335−341. DOI: 10.11834/jrs.20090257 路中, 雷国平, 马泉来, 等. 基于重构的Landsat 8时间序列数据和温度植被指数的区域旱情监测 [J]. 水土保持研究, 2018, 25(5): 371−377, 384. 边金虎, 李爱农, 宋孟强, 等. ODIS植被指数时间序列Savitzky-Golay滤波算法重构 [J]. 遥感学报, 2010, 14(4): 725−741. Chen J, Jönsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter [J]. Remote Sensing of Environment, 2004, 91(3/4): 332−344.
Verhoef W. Application of Harmonic Analysis of NDVI Time Series (HANTS)[C]//Azzali S, Menenti M. Fourier Analysis of Temporal NDVI in the Southern African and American continents. Wageningen Netherlands: Report of DLO Winand Staring Centre, 1996.
Roerink G J, Menenti M, Verhoef W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series [J]. International Journal of Remote Sensing, 2000, 21(9): 1911−1917. DOI: 10.1080/014311600209814
Kong D D, Zhang Y Q, Gu X H, et al. A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 155: 13−24. DOI: 10.1016/j.isprsjprs.2019.06.014
Kennedy R E, Yang Z Q, Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: Temporal segmentation algorithms [J]. Remote Sensing of Environment, 2010, 114(12): 2879−2910.
Thavaneswaran A, Peiris S. Smoothed estimates for models with random coefficients and infinite variance innovations [J]. Mathematical and Computer Modelling, 2004, 39(4/5): 363−372.
刘寒, 冯莉, 朱榴骏, 等. 环境星归一化植被指数时间序列滤波算法比较 [J]. 遥感信息, 2015, 141(5): 73−80. Xiao X M, Boles S, Liu J Y, et al. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data [J]. Remote Sensing of Environment, 2002, 82(2/3): 335−348.
潘保田, 李吉均. 青藏高原: 全球气候变化的驱动机与放大器: Ⅲ. 青藏高原隆起对气候变化的影响 [J]. 兰州大学学报, 1996, 32(1): 108−115. 岳彩荣. 香格里拉县森林生物量遥感估测研究[D]. 北京: 北京林业大学, 2012. 卢杰. 藏东南高山松水源涵养林群落结构与功能研究[D]. 杨凌: 西北农林科技大学, 2017. Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsat-derived disturbance and recovery history and lidar to map forest biomass dynamics [J]. Remote Sensing of Environment, 2014, 151: 124−137. DOI: 10.1016/j.rse.2013.05.033
Kennedy R E, Ohmann J, Gregory M, et al. An empirical, integrated forest biomass monitoring system [J]. Environmental Research Letters, 2018, 13: 025004. DOI: 10.1088/1748-9326/aa9d9e
云南省中甸县地方志编纂委员会. 中甸县志[M]. 昆明: 云南民族出版社, 1997. 宋发荣. 香格里拉县的森林资源及其特点分析 [J]. 西部林业科学, 2008, 37(1): 124−128. DOI: 10.3969/j.issn.1672-8246.2008.01.026 张加龙, 胥辉, 陆驰. 应用Landsat8 OLI和GBRT对高山松地上生物量的估测 [J]. 东北林业大学学报, 2018, 46(8): 25−30. DOI: 10.13759/j.cnki.dlxb.2018.08.005 Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity [J]. Remote Sensing of Environment, 2016, 185: 57−70. DOI: 10.1016/j.rse.2015.12.024
Oregon State University’s eMapR Lab. LT-GEE Guide[EB/OL]. (2018-06-13)[2019-09-11]. https://emapr.github.io/LT-GEE/introduction.html.
陆驰, 张加龙, 王爱芸, 等. 基于森林小班的香格里拉市高山松生物量遥感建模 [J]. 西南林业大学学报(自然科学), 2017, 37(3): 152−158. 刘姗姗. 基于Landsat时间序列影像的森林干扰及恢复监测研究[D]. 杭州: 浙江农林大学, 2017. Kennedy R, Yang Z Q, Gorelick N, et al. Implementation of the LandTrendr algorithm on google earth engine [J]. Remote Sensing, 2018, 10(5): 691. DOI: 10.3390/rs10050691
陈培高. 基于Landsat时间序列的香格里拉市土地覆盖变化检测[D]. 昆明: 西南林业大学, 2019. 陆驰. 基于Landsat的香格里拉市高山松地上生物量及其动态变化建模研究[D]. 昆明: 西南林业大学, 2017. Pham L T H, Brabyn L. Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 86−97. DOI: 10.1016/j.isprsjprs.2017.03.013