常用植被物候提取方法

朴灿烈づ我的快乐病毒、 2024-02-06 00:00 8阅读 0赞

#### （一）Background ####

这篇文章介绍的非常全面！！

![在这里插入图片描述][e13c866e2cc14b06aaf0ddc12dd42c46.png]

*  物候的提取通常包含两个步骤：（1）**曲线的重构拟合（curve fitting**）和 （2）**物候矩阵的提取 （phenological metrics extraction）**
 *  （1）[曲线拟合][Link 1]的方法通常有3种方法：(S-G) 滤波法（Savitzky-Golay）, 双逻辑斯蒂函数拟合法（Double Logistic）和非对称性高斯函数拟合法（Asumm.Guassian）
 *  （2）物候矩阵的提取通常有4种方法（如下图）。其中, TRS（动态阈值法，即Seasonal amplitude 季节振幅法）和 Inflection method （无需用户自定义阈值）这两种方法用的比较多

![在这里插入图片描述][6a520bc26a314770a4d245e2b1e7d7b1.png]

![在这里插入图片描述][4c3c5acc3be84b40bedf84895b6fb0ff.png]

#### （二）Method ####

##### 1. 基于TIMESAT的物候提取 #####

\[0\] 安装包下载：[link][]

\[1\] TIMESAT安装教程: [link][link 1]

\[2\] 基于TIMESAT提取物候操作流程: [link][link 2] （ps:文字版的这个教程最详细）

\[3\] B站视频教学: [link][link 3] （ps: 视频版最详细）

\[4\] 知乎: [link][link 4]

##### 2. 基于Code的物候提取 #####

**\[1\] Python**

*  “Phenolopy” package : [link][link 5] （这个原理和TIMESAT一样）

**\[2\] R**

*  “phenofit” package: [link][link 6] (这个包含的方法最全）

**\[3\] Matlab**

*  “lsqcurvefit” function (Inflection法，third-order derivative三阶求导）

##### 3. 方法优缺点 #####

*  TIMESAT操作比较简单，默认使用的是第一个Seasonal amplitude 季节振幅法，也就是动态阈值法，需要结合自己的研究区实际，拟定一个合适的动态阈值，可以参考前人研究确定，TIMESAT软件的作者建议可以用0.2（20%振幅）试试
 *  phenofit方法比较全

![在这里插入图片描述][d292410552d64571aecf5c051068de91.png]

#### （三）Reference ####

\[1\] Kong D, McVicar T R, Xiao M, et al. phenofit: An R package for extracting vegetation phenology from time series remote sensing\[J\]. Methods in Ecology and Evolution, 2022, 13(7): 1508-1527.（***介绍了不同工具的优缺点***）

\[2\] 刘建文, 周玉科. 站点尺度的青藏高原时序 NDVI 重构方法比较与应用\[J\]. 地理科学进展, 2018, 37(3): 427-437.（***介绍了常用的重构曲线curve fitting的方法***）

\[3\] Wang J, Liu D, Ciais P, et al. Decreasing rainfall frequency contributes to earlier leaf onset in northern ecosystems\[J\]. Nature Climate Change, 2022, 12(4): 386-392.（***基于double-logistic function and dynamic-threshold approach的案例***）

\[4\] Sisheber B, Marshall M, Mengistu D, et al. Tracking crop phenology in a highly dynamic landscape with knowledge-based Landsat–MODIS data fusion\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2022, 106: 102670.（***基于S-G and dynamic-threshold approach的案例***）

[e13c866e2cc14b06aaf0ddc12dd42c46.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/913cb8347c234abb862be9d77f110e32.png
[Link 1]: https://so.csdn.net/so/search?q=%E6%9B%B2%E7%BA%BF%E6%8B%9F%E5%90%88&spm=1001.2101.3001.7020
[6a520bc26a314770a4d245e2b1e7d7b1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/107f5de6b49045e3a6a2b5c3734b3cd2.png
[4c3c5acc3be84b40bedf84895b6fb0ff.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/dcfcebc92b174f38973469d18b0a2f75.png
[link]: https://web.nateko.lu.se/timesat/docs/TIMESAT33_SoftwareManual.pdf
[link 1]: https://blog.csdn.net/weixin_42112894/article/details/115821898
[link 2]: https://blog.csdn.net/weixin_45629730/article/details/124130635
[link 3]: https://www.bilibili.com/video/BV1cP4y1Z7B5/?spm_id_from=333.999.0.0
[link 4]: https://zhuanlan.zhihu.com/p/356606844
[link 5]: https://github.com/lewistrotter/PhenoloPy
[link 6]: http://phenofit.top/articles/phenofit_CA-NS6.html
[d292410552d64571aecf5c051068de91.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/7916078ace5a46bc837c7f2c838cad96.png