EN中文

Acta Geographica Sinica >

2024 , Vol. 79 >Issue 9: 2206 - 2229

DOI: https://doi.org/10.11821/dlxb202409004

Theoretical and Methodological Exploration

Remotely-sensed phenology pattern regionalization for land cover classification of natural scenes: A case study in China

  • LIU Xiaoliang , 1, 2 ,
  • WANG Zhihua 1, 2 ,
  • YANG Xiaomei , 1, 2 ,
  • CHENG Weiming 1, 2 ,
  • ZHANG Junyao 1, 2 ,
  • LIU Yueming 1, 2 ,
  • LIU Bin 1, 2 ,
  • MENG Dan 1, 2 ,
  • ZENG Xiaowei 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2023-11-14

  Revised date: 2024-05-26

  Online published: 2024-09-27

Supported by

National Key R&D Program of China(2021YFB3900501)

Fold

Abstract

Selection of appropriate geographic boundaries for zoning the study area or images can effectively improve the accuracy and efficiency of land cover classification by reducing the complexity of land cover within the regions and the variability of its features in the images. At present, the regionalization data used in land cover mapping based on stratified classification strategies, such as ecological regionalization, lack targeted objectives, which limits its applicability and effectiveness in remote sensing classification. Vegetation phenology is the main cause of spectral heterogeneity within the land cover of natural scenes. To address this issue, this study proposed a remotely-sensed phenology pattern regionalization scheme for land cover classification of natural scenes. The regionalization scheme is implemented by constructing a zoning index system using vegetation indices, which reflect the greenness status of vegetation, and key phenological periods, which reflect the growth and development rhythm of vegetation. Small geomorphic regions are used as the zoning units, and a data-driven spatially constrained hierarchical clustering algorithm is employed in the regionalization. The evaluation results based on statistical tests and multi-source land cover products indicate that the remotely-sensed phenology pattern regionalization in this study effectively reduces the complexity of land cover within the region and the intra-class feature heterogeneity caused by vegetation phenology, and shows high potential in constructing representative land cover sample libraries and implementing stratified classification strategies.

Key words： phenology; regionalization; land cover; classification; remote sensing; China

Cite this article

LIU Xiaoliang , WANG Zhihua , YANG Xiaomei , CHENG Weiming , ZHANG Junyao , LIU Yueming , LIU Bin , MENG Dan , ZENG Xiaowei . Remotely-sensed phenology pattern regionalization for land cover classification of natural scenes: A case study in China[J]. Acta Geographica Sinica, 2024 , 79(9) : 2206 -2229 . DOI: 10.11821/dlxb202409004

1 引言

国家乃至全球尺度的土地覆被空间分布及动态变化信息对于研究生物地球化学循环、生态水文过程以及气候变化模拟预测等具有重要科学意义。遥感技术提供了长时间序列且空间连续的对地观测大数据，在土地覆被制图与变化监测中发挥着不可替代的作用[1-2]。然而，遥感对地观测大数据虽然能够多尺度、多时相、多方位地反映地表信息，但自然场景是一定时空范围内多种地理要素共同组合并相互作用的复杂巨系统，其地表覆被在时间和空间上不断变化且存在类别多样、尺度差异大以及表观特征错综复杂等特点，同类地物在不同地理位置或不同时相下的影像特征可能存在显著差异，从而导致地物类别内部影像特征差异变大而外部差异变小的现象，使得自然场景下的遥感土地覆被分类面临巨大挑战[3-4]。成功的土地覆被分类需要对研究区域内的光谱梯度进行有效划分。因此，根据一定相似性标准并选取适当的地理边界对研究区或影像进行分区，将其划分为多个内部均质、外部异质的子区域，降低区域内土地覆被类型的复杂性及其在影像中的特征变异性，有利于提升土地覆被分类的精度和效率[5⇓-7]。
分区（或区划）是地学研究中常用的地域分异规律综合表达方法，是对地表特征规律高层次认知结果的表达[8]。分区的结果是建立一个地理框架，从而将大范围区域内任务（譬如生态环境整治、生物多样性保护、自然资源统筹等）或规律认知的复杂性降低到更易管理和理解的程度[9-10]。目前，地学分区在理论与技术方法上已较为成熟，并且积累了大量的研究成果，例如生态分区、气候分区、植被分区、地貌分区等，这些区划研究不仅为识别和认知区域生态气候环境、植被分布或地貌形态的特征与差异提供了重要途径，也为基于分区分类策略的遥感土地覆被分类制图提供了最简单直接的数据基础。例如，美国国家土地覆被数据集（National Land Cover Database, NLCD）2000[11]在制图过程中结合生态分区、历史土地覆被数据以及NDVI数据将美国划分为66个制图区，使得每个制图区表现为相对同质的地形、土壤、水文、植被分布及光谱反射特征等。Jiang等[12]在对美国西北部沿海地区森林类型分类的过程中，借助生态分区将Landsat7 ETM+影像分割为8个子区域以提高相同森林类型在影像中的光谱特征同质性。郝莹莹等[13]创建了一种基于植被分区的中国植被类型分类方法，首先借助植被分区将中国划分为8个植被类型区域，再根据各分区典型植被的物候期及时序光谱曲线等特征为每个分区制定具有区域特色的分类规则。
另一方面，在没有直接可用的地学分区数据的情况下，基于格网的区域划分是目前遥感土地覆被制图中最常用的分区方案。例如，Liu等[14]在全球不透水面产品MSMT_IS30的制图过程中将全球大陆按照5°×5°大小的格网进行区域划分，并使用区域对应的样本为每个区域训练局部随机森林分类器。其精度评价结果显示，MSMT_IS30的总体分类精度明显高于以往仅基于单个分类器生产的同类产品。Zhang等[15]在开展北美大陆尺度的土地覆被制图中，将北美地区划分为561个159 km×159 km大小的分区，其为每个区域单独训练的局部随机森林分类器得到的平均分类置信度同样高于不分区情况下训练的单个分类器。与之类似，Campos-Taberner等[16]在开展西班牙区域尺度农业精细分类的研究中，采用5 km×5 km的格网对研究区进行划分以降低由农业管理模式和气候等因素引起的相同作物类型间的显著物候差异，并证实了基于格网单元建立的局部分类模型的分类精度优于不分区情况下的全局分类模型。然而，与基于已有地学分区数据的分区方案相比，直接基于格网的区域划分方案在土地覆被分类精度提升效果方面仍存在一定差距。例如，Inglada等[17]在法国大陆地区开展了基于格网分区与基于气候分区的土地覆被制图对比实验，证实了气候分区在改善地物识别分类中更具优势，尤其是对训练样本较少类别的精度提升效果更为显著。
总体而言，利用已有地学分区数据或不同大小格网对研究区或遥感影像进行区域划分，能够在一定程度上降低“同物异谱”和“异物同谱”等现象的干扰，减少光谱特征相似地物间的混淆，并改善地物识别与分类的效果。然而，当前在遥感土地覆被分类中所借助的地学分区数据多是基于专家知识和经验划定，分区方法多是以定性分析为主、定量分析为辅，存在主观性强且更新时效性较差等问题，而基于格网的分区方案则存在格网大小选择困难、边界划定不确定性高以及分类精度随格网大小波动明显等问题[16,18]。更重要的是，现有生态分区、植被分区、气候分区等区划研究是面向不同领域的特定科学目标开展的，其区划目的并非聚焦于遥感领域的土地覆被分类。因此，基于上述地学分区数据的分区分类策略对遥感土地覆被分类的适用性范围和精度提升效果仍存在很大限制。
事实上，自然场景中的地表覆被尤其是林、灌、草等地物的类内光谱异质性，即“同物异谱”现象产生的主要原因是由植被物候变化造成的，非植被型地类（例如，水体、不透水面、裸地等）的光谱特征在空间和时间上是相对一致的[19-20]。植被物候是自然界植物受地形、气候等环境因素影响所产生周期性变化的生物学现象，一般指植物生长过程中某一生物事件发生的时间节点，如发芽、展叶、开花、落叶等[21]。遥感是开展大尺度地表植被物候监测的重要手段，与传统地面物候观测主要关注个体尺度上单一物种的物候事件不同，基于遥感的物候观测是在以空间聚合形式表现的像元尺度（像元大小从数米到数千米）上观测植被的季节性变化和物候特征，即遥感地表物候（Land Surface Phenology）[22-23]。具体而言，在一定空间分辨率的遥感影像上并不能直接检测到特定植被物候事件的发生，而是将时间序列影像转化为能够突出植被信号的植被指数，进而计算特定的物候指标（例如，生长季始期、生长季末期、生长季长度等）以反映地表植被的时空变化模式[24-25]。然而，由于影像中混合像元的普遍存在，遥感在像元尺度观测到的植被物候代表的是像元内部多种植被组分和包括地理环境因素在内的非植被组分组合后的总体物候特征。换句话说，遥感观测到的植被物候实质上是对气候条件和地形地貌等地表环境异质性以及地表覆盖类型多样性与时空分布复杂性的综合反映[26]。因此，基于遥感地表物候的区域划分在降低自然场景中相同土地覆被类型间的类内光谱异质性、强化不同土地覆被类型在影像中的特征差异性等方面具有重大应用潜力。
综上所述，针对当前面向自然场景遥感土地覆被分类区划研究的现状和不足，本文综合考虑现有基于专家经验知识集成的区划方案的合理性、区划方法的可解释性和可重复性以及遥感土地覆被分类任务的目的性，从土地覆被遥感分类原理和植被物候空间分异特征规律出发，旨在提出面向土地覆被分类的遥感物候模式分区。为此，本文以中国地区为例，基于近十年遥感植被指数和遥感地表物候等数据，采用数据驱动的定量化区划方法，以两级区划的模式开展遥感物候模式分区，以期为大尺度遥感土地覆被分类提供科学指导和数据参考。

2 数据与方法

2.1 数据及预处理

2.1.1 遥感植被指数数据

本文采用2013—2021年VIIRS双波段增强型植被指数（two-band Enhanced Vegetation Index, EVI2）数据集（VNP13C1），其空间分辨率为0.05°，时间分辨率为16 d。由于MODIS传感器的退化问题，搭载于2011年底发射的NPP（National Polar-orbiting Partnership）卫星上的可见光红外成像辐射仪（Visible infrared Imaging Radiometer, VIIRS）传感器用于补充并在未来接替MODIS的观测能力[27]。VNP13C1数据集每年包含23幅影像，从1月1日（EVI_01）到12月19日（EVI_23）。VNP13C1是对原有16 d合成的空间分辨率为1 km的EVI2数据集（VNP13A2）按照一定规则进行合成并投影在0.05°分辨率（约5600 m）气候模拟格网（Climatic Modeling Grid, CMG）而生成的数据产品。
EVI2是增强型植被指数（Enhanced Vegetation Index, EVI）的改进版本，改正了EVI在历史回溯性方面的不足，即能够实现对不含蓝色波段的传感器所计算EVI之间的相互对比[28]。与归一化植被指数（Normalized Difference Vegetation Index, NDVI）相比，EVI2能够显著降低NDVI在植被密集分布的高生物量区域的过饱和问题，尤其在跟踪冠层茂密型植被的季节性变化方面更为灵敏，且在植被物候期估算方面也具有更低的不确定性[29⇓-31]。EVI2的计算公式如下：
E V I 2 = 2.5 × ρ n i r - ρ r e d ρ n i r + 2.4 × ρ r e d + 1
式中： ρ n i r和 ρ r e d分别为近红外和蓝色波段的反射率。

2.1.2 遥感地表物候数据

本文采用2013—2021年VIIRS遥感地表物候数据集（VNP22C2），其空间分辨率为0.05°。VNP22C2是以VIIRS时序每日地表反射率CMG数据（VNP09CMG）为主要数据源，以MODIS 8 d合成地表温度CMG数据和MODIS土地覆被CMG数据为辅助数据，其地表物候检测算法主要包括3个步骤：首先计算得到EVI2时序数据并剔除异常值，然后采用S-G（Savitzky-Golay）滤波器和混合分段逻辑斯蒂模型（Hybrid Piecewise Logistic Model, HPLM）对EVI2时序数据进行滤波和平滑，最后对平滑后的EVI2时序数据求二阶导数得到曲率变化率（Curvature Change Rate, CCR），进而通过寻找CCR的极值来确定物候关键节点[32-33]。VNP22C2提供了6个关键的植被物候转换日期和生长季长度等指标，相关指标均已转换为年积日（Day of Year, DOY）表示。

2.1.3 区划数据

分区边界不仅表征区域的范围，同时也是区域之间联系的重要标志。因此，分区边界的识别与划定是区划过程中的关键步骤。部分区划研究中基于旗、县（区）等行政单元划定分区边界的方式有利于管治政策的制定与执行[34]，但对自然场景而言，植被在小尺度范围内的空间分布、光谱响应等特征与行政单元的关联度极小，更多是受局部微地貌、微气候、土壤条件等环境因素的影响。基于此，本文采用中国1∶25万尺度地貌区划中的第五级分区——1517个地貌小区作为开展遥感物候模式分区的基本空间单元。中国地貌区划采用“大区—地区—区—亚区—小区”5级地貌等级分区方案，其中，第五级地貌小区主要反映区域微地貌形态、坡面属性及地表物质组成的空间分异特征，且不同分区间界线严格按照地形特征突变界线（例如山麓线、沟谷线、坡折线）进行划分[35-36]。
植被物候受地形、气候等环境因素影响显著，因此其在宏观尺度上的空间分异特征与温度、水分等要素的宏观地带分异规律密切相关。为此，本文以中国生态地理分区为参考，用于分析和评价所得分区结果中各分区的气候特点及其合理性。中国生态地理分区是面向自然资源和区域可持续发展战略需求，通过对代表自然界宏观生态系统的生物与非生物要素地理相关性的综合比较与分析，按照先水平地带后垂直地带的方式反映宏观地带规律，采用数理统计、GIS空间表达与专家知识相结合的方式所构建的区划系统。中国生态地理区划严格按照温度、水分及地貌组合的顺序，依次构建相应的区划指标系统，最终将全国划分为11个温度带、21个干湿区和48个自然区[37-38]。

2.1.4 土地覆被数据

土地覆被数据用于评价不同分区内土地覆被的复杂程度。考虑到不同土地覆被产品所采用的数据源、分类体系和解译方法等不一致均会造成不同程度的分类不确定性，本文选取多套目前广泛使用的土地覆被产品用于分区结果的评价，包括中国科学院研制的GLC_FCS30（Global Land Cover with Fine Classification System at 30 m）[39]、欧洲航天局研制的CCI_LC（Climate Change Initiative Land Cover）[40]和美国波士顿大学研制的MCD12Q1[41]以及中国植物功能型图（Plant Functional Types in China, PFTs_China）[42]（表1）。其中，植物功能型指对环境条件具有相似响应机理的一组植物种，是生态系统中优势植物种类的组合，可将其看作是具有特殊分类体系的土地覆被分类结果。植物功能型的分类要综合考虑植物结构、功能及重要环境限制因子等多种因素，故在土地覆被分类系统中属于同一类型的植物可能由于水热配置等环境条件的影响而表现出不同的功能型。
表1 全球土地覆被产品及中国植物功能型产品主要参数

Tab. 1 Key parameters of global land cover products and China's plant product of functional types

产品名称 制作单位 主要数据源 空间分辨率 时间 分类系统 分类数量 数据来源
GLC_FCS30 中国科学院 Landsat 30 m 2020 LCCS 30 [39]
CCI_LC 欧洲航天局 MERIS 300 m 2020 LCCS 22 [40]
MCD12Q1 美国波士顿大学 MODIS 500 m 2020 IGBP 17 [41]
PFTs_China 中国科学院 多源土地覆被数据与
气候数据融合		 1000 m 2000 自研分类系统 20 [42]
在分类体系方面，GLC_FCS30和CCI_LC采用联合国土地覆被分类系统（United Nations Land Cover Classification System, UNLCCS），MCD12Q1采用国际地圈生物圈计划（International Geosphere Biosphere Programme, IGBP）分类系统，PFTs_China采用的是自研分类系统。尽管上述分类系统和分类数量存在一定差异，但绝大部分土地覆被类型在各分类系统中具有相对一致的定义，因此，本文对上述土地覆被产品的原始分类系统进行一定程度的合并以便于类型统计和分区评价。

2.2 研究方法

本文所开展的面向自然场景土地覆被分类的遥感物候模式分区主要包括3个步骤（图1）。首先，从土地覆被遥感分类原理和植被物候空间分异特征规律出发，基于近十年植被指数数据和遥感地表物候数据，提取多年平均EVI2变异系数、最小值和最大值以及多年平均生长季始期、生长季末期、成熟期始期和生长季长度等指标用于反映植被绿度状态和关键物候期，完成遥感物候模式区划指标体系的构建；第二，利用反映植被绿度状态相关指标建立的区划准则对物候特征显著与不显著区域进行划分，并在物候特征显著区域对物候期相关指标开展相关性分析进行指标筛选，基于筛选后的指标采用基于图论的SKATER（Spatial K luster Analysis by Tree Edge Removal）聚类算法得到遥感物候模式一级分区；最后，在每个一级分区内分别开展指标筛选以确定其二级区划指标，并基于各分区的指标筛选结果再次执行SKATER聚类从而得到两级模式的中国遥感物候模式分区。
图1 主要技术流程框架

Fig. 1 Flow chart of the research

2.2.1 遥感物候模式区划指标体系构建

从植被生理特征和遥感分类识别原理的角度看，不同植被类型由于其叶绿素含量、水分含量等内部成分，冠层形状大小、空间结构等外部形态特征以及光合作用能力等方面的多样性而在遥感影像中表现出不同的光谱、纹理等影像特征，这些影像特征的差异性构成遥感对不同植被类型的分类基础[43]；另一方面，植被的生长发育还受到所处环境条件的影响，即植被能够调整自身的结构和功能以适应并响应特定的环境条件[44-45]。鉴于植被物候是植被生长响应环境变化的指示器，如果以遥感观测获取的植被关键物候期为区划指标，将地表划分为一系列具有相似物候期的区域，则能够使得不同分区内的植被具备独特的生物物理、结构、光谱等特征，有助于降低“同物异谱”等现象导致的分类不确定性，进而提高遥感土地覆被的分类精度[46⇓⇓-49]。
对于一个完整的植被生长周期而言，植被春季物候是对环境变化最为敏感的生物指标，地理环境的多样性使得春季物候表现出显著的区域差异性[50]。同时，植被秋季物候在控制植被生长季长度、生产力等方面具有重要作用[51]。综上，本文选择生长季始期（Start of Growing Season, SOS）、成熟期始期（Onset of Greenness Maximum, OM）、生长季末期（End of Growing Season, EOS）和生长季长度（Length of the Growing Season, LOS）4个能够综合反映植被生长周期中各关键生长阶段的指标以实现对植被物候的完整表达（图2）。具体而言，遥感监测的植被生长季始期是指群落内多数植物开始展叶并进行光合作用，该时期之后植被进入迅速生长阶段，植被绿度开始增加，对应于EVI2上升速率变化率最大的日期；成熟期始期是指植被光合作用强度基本达到最大的时期，该时期后植被绿度达到峰值；生长季末期是指植被光合作用基本停止，植被绿度降至最低值的时期，对应于EVI2下降速率变化率最小的日期；生长季末期与生长季始期二者之间的时间差值即为生长季长度。
图2 物候指标示意图

Fig. 2 Schematic diagram of phenological indicators

尽管基于遥感数据监测地表物候的技术方法已较为成熟，但在将其应用到以常绿植被为主的区域时普遍受到限制[52]。主要原因为常绿植被的冠层绿度没有明显的季节性变化，降低了基于植被指数时序变化特征确定物候期的理论方法的有效性，进而导致物候信息的监测结果存在较大不确定性[53-54]。另一方面，位于热带和亚热带地区的常绿植被还会经常出现天气原因（例如，持续的云层覆盖）导致的植被指数不规则波动[55-56]。因此，本文选择EVI2变异系数（ E V I 2 c v）、EVI2年度最小值（ E V I 2 m i n）和EVI2年度最大值（ E V I 2 m a x）3个普遍用于反映植被绿度状态的指标用于划分植被冠层绿度季节性变化不明显或植被稀疏等原因导致的植被物候特征不显著区域。其中， E V I 2 c v主要反映植被绿度在一年中的变化程度； E V I 2 m i n和 E V I 2 m a x则分别反映植被在休眠期和成熟期时的绿度状况[57⇓-59]。
在实际区划过程中，所有指标都以多年平均值的形式应用，这是因为在较短的时间范围内，可以假定中国的气候条件不会发生显著变化。多年平均物候指标能够反映植被生长发育节律的均衡状态，而对EVI2相关指标而言，多年均值可以消除或减弱潜在土地覆被变化或极端天气造成的异常变化[60-61]。本文利用2013—2021年VNP22C2数据以逐像素的方式计算物候指标的多年平均值；使用同时期VNP13C1数据计算时序EVI2数据每年的变异系数、最小值和最大值，然后取多年平均值作为最终的区划指标。

2.2.2 遥感物候模式区划方案

（1）遥感物候模式一级分区划分方案。
以地貌小区为基本区划单元，首先基于EVI2相关指标确定区划准则，将中国划分为物候特征显著和物候特征不显著两类区域。所谓物候特征不显著区域是指以常绿植被或裸地/稀疏植被为主要土地覆被类型的区域，对于常绿植被主导的区域而言，由于其冠层绿度季节性变化不明显，一年四季始终处于高绿度状态，故EVI2变异系数应始终位于低值范围，并且EVI2年度最小值普遍高于其他类型植被。基于目视解译所选取典型样本的统计分析结果，确定以EVI2变异系数≤ 30%且EVI2年度最小值大于等于0.1为区划准则，划分出主要位于云贵高原及东南沿海地区的植被绿度季节性变化不显著区域（表2）[62-63]。同时，根据区域共轭性（即区域空间连续性）原则，分区在空间上应是连续的，不应出现“飞地”，故对偏离主体区域的个别地貌小区进行去除，并将最终结果作为一个独立的一级分区。对于裸地/植被稀疏区域，如果一个区域EVI2年度最大值低于0.1，可以认为该区域在整个年度内植被覆盖度极低；相应的，基于遥感数据也难以检测出其地表植被的物候变化[64]。因此，确定以“EVI2年度最大值小于等于0.1”为区划准则，划分出主要位于青藏高原以北、塔里木盆地与河西走廊一带地区的裸地/稀疏植被区域。此外，鉴于青藏高原，也被称为“第三极”，高海拔、低气温等独特的地理环境特征，在区划过程中应当给予特殊考虑。为此，利用中国地貌区划中的一级分区——“青藏高原高山极高山盆地谷地大区”和“西北高中山盆地高原大区”的分区界线，对使用前述区划准则得到的区域作进一步划分，最终得到两个空间邻接的一级分区。同时，在上述3个一级分区划分完成的情况下，位于西北部地区的天山山脉周边区域由于国境边界的隔离也将其划分为一个独立的一级分区。
表2 物候特征不显著区域划分准则

Tab. 2 Criteria for delineation of regions with insignificant phenological characteristics

区域类型 划分准则 区域特征描述
物候特征
不显著区域		 E V I 2 c v ≤ 30 %         E V I 2 m i n ≥ 0.1 以常绿型植被为主要土地覆被类型，植被绿度季节性变化不明显
E V I 2 m a x ≤ 0.1 以稀疏植被或裸地为主要土地覆被类型，植被光谱特征微弱
对于其他植被物候特征显著的区域，基于SOS、OM、EOS和LOS 4个植被物候期相关指标对区域进行划分。首先，上述各指标虽然表征植被生长周期中的不同阶段，但宏观尺度上植被生长发育与气候环境紧密相关并表现出一定的规律性，因此各指标之间也可能存在高度相关性。为此，采用斯皮尔曼相关系数法检验指标之间的相关性，对高相关性指标进行剔除。随后，基于指标筛选结果采用SKATER聚类算法以“自下而上”的方式完成物候特征显著区域的划分[65-66]。最后，将物候特征显著区域的分区结果与物候特征不显著区域的分区结果进行合并，即得到遥感物候模式一级分区。
SKATER算法本质上是一种空间约束下的层次聚类算法，将相似性高且空间邻接的区域进行合并，从而形成一定数量空间连续的均质性区域。该算法首先使用连接图表示区划单元的邻域关系，其中每个区划单元由一个节点表示，区划单元之间的连接用边表示，并通过评估相邻区划单元间的差异来计算边的成本，每条边的成本与其所连接区划单元间的相似度成反比；然后，采用基于图论的最小生成树算法构建最小生成树，通过修剪具有较高相异度的边对最小生成树进行分割，通过多次迭代，从而将区划单元聚类为指定数量且具有最大内部同质性的空间连续区域。SKATER算法已成功应用于生态区划、城市形态区划等相关案例研究，并被证明在计算效率和区划质量的综合表现方面显著优于AZP、REDCAP等其他区划算法，能够有效揭示区域内部的相似性和区域之间的差异性[67⇓-69]。具体而言，本文仍以地貌小区为区划单元，采用ROOK空间权重矩阵确定单元之间的空间关系并以欧氏距离为相似性测度执行SKATER聚类。其中，最优聚类数量是通过计算类间总平方和（Between-clusters Sum of Squares, BSS）与总体平方和（Total Sum of Squares, TSS）的比值作为聚类质量的度量标准并利用肘部法则确定的，BSS/TSS的值域范围为0~1，0表示不同类间完全重叠，即最坏的聚类结果，1则表示不同类间完美分离，即最优的聚类结果[66]。肘部法则的基本思想是随着聚类数量的增加，BSS/TSS值会逐渐增大，当继续增加聚类数量且聚类质量不再出现显著提升时，拐点位置即为肘部，其对应的聚类数量即最优分区数量。此外，考虑到一级分区主要反映全国尺度遥感物候模式的规律性，局部小区域内微气候、微地貌等因素引起的植被物候特征突变并不具有典型代表性，因此聚类过程设定以每个一级分区面积不小于中国陆域总面积的10%为约束，控制分区的规模大小。
（2）遥感物候模式二级分区划分方案。
鉴于中国幅员辽阔，地形复杂且气候类型与自然景观多样，区域尺度上气温、降水、海拔高度等因素的差异也会导致遥感物候模式的空间异质性。因此，在遥感物候模式一级分区的基础上，基于植被物候期相关指标对其中物候特征显著的一级分区做进一步划分，建立遥感物候模式二级分区。二级分区相对于一级分区的划分方法基本一致，但考虑到不同地理位置下地表覆被的主要植被类型以及影响植被物候变化的主导环境因素存在差异，因此，对不同一级分区进一步划分所采用的区划指标并不完全相同[26,60]。具体而言，在各一级分区内分别对SOS、OM、EOS及LOS指标开展相关性分析以剔除冗余指标，从而为每个分区确定最优的二级分区区划指标；在此基础上，仍以地貌小区为基本区划单元，采用与一级分区划分相同的参数设置，对各一级分区范围内的地貌小区分别再次执行SKATER聚类并确定其最优二级分区数量，从而得到植被物候特征显著区域的遥感物候模式二级分区。
在上述二级分区划定的基础上，综合考虑区划的基本准则与最终应用目的，对青藏高原东南部山地区域和云贵高原区域予以额外考虑。首先，对于青藏高原东南部山地区域，从土地覆被的角度而言，该区域的主要土地覆被类型（林地）与其所属一级分区的主要土地覆被类型（草地）存在显著差异；另一方面，从植被物候特征的角度看，尽管该区域与中国南部的植被绿度季节性变化不显著区域在空间上相互隔离，但本质上属于同一类型区域，即均满足EVI2变异系数小于等于30%且EVI2年度最小值大于等于0.1的区划准则，因此有必要将该区域单独划分为一个二级分区。对于西南部云贵高原区域，其平均海拔高度与东南沿海的平原、丘陵等地区存在明显差异，受西南季风和地形起伏的影响，具有冬干夏湿、干湿季节分明的气候特征，且降水量季节性分配明显。尽管其主要土地覆被类型也为常绿森林，但与东南沿海的平原、丘陵地区相比，云贵高原地区常绿森林的冠层绿度具有相对明显的季节性变化[70-71]。另一方面，从遥感物候监测结果看，云贵高原地区植被生长季始期相对于东南沿海的平原、丘陵地区也存在明显滞后。尽管基于时序植被指数的遥感物候监测方法在常绿植被主导的区域中应用潜力有限，但对于上述地表环境高度异质的不同区域而言，其监测结果依然可以作为反映植被物候特征的重要指示剂。因此，有必要将该区域也单独划分为一个二级分区。

2.2.3 遥感物候模式区划结果评价

合理且有效的遥感物候模式分区应当能够揭示植被物候特征在区域内部的相似性以及区域之间的差异性，并反映植被物候的空间分异格局和特征规律。为此，本文首先使用非参数Kruskal-Wallis检验和Dunn's成对比较检验对区划结果中不同分区间物候指标的差异显著性进行统计检验（显著性水平0.05，置信度95%）[72]。此外，在进行成对比较统计检验的过程中，只对空间邻接的分区进行比较，因为对地理位置不同但环境条件近似的区域而言，地表植被具有相似的物候模式是合理的。另一方面，开展遥感物候模式分区的最终目的是服务于遥感土地覆被分类任务，利用分区边界对研究区进行划分以降低分区内部土地覆被的复杂程度，减小“同物异谱”和“异物同谱”等因素的干扰，进而提高土地覆被的分类精度。鉴于土地覆被的复杂程度是影响分类结果不确定性的重要因素，因此，本文将分区内部主、次要土地覆被的类型和面积占比作为反映土地覆被复杂程度的指标，基于4套目前广泛使用的土地覆被产品对区划结果的有效性作进一步评价[73]。

3 结果

3.1 遥感物候模式一级分区

对于遥感物候模式一级分区，全国共划分为9个分区，其中包含3个以常绿植被或裸地/稀疏植被为主要土地覆被类型的物候特征不显著分区，根据各分区划定顺序用罗马数字从I~Ⅸ编码（图3）。对于物候特征不显著的3个分区（Ⅰ~Ⅲ），以常绿植被为主要土地覆被类型的分区Ⅰ主要包括云贵高原及东南沿海地区，涵盖云南、广西、江西、浙江四省的大部分地区以及广东、福建、海南、台湾四省全域，在气候条件上主要属于亚热带或热带湿润区。以裸地/稀疏植被为主要土地覆被类型的2个分区（Ⅱ~Ⅲ）位于青藏高原与塔里木盆地、河西走廊的交界区，并以第一和第二地势阶梯的界线为分区边界。分区Ⅱ位于青藏高原一侧，主要包括藏北高原与柴达木盆地，属于高原亚寒带、高原温带干旱气候区；分区Ⅲ位于塔里木盆地、河西走廊一侧，主要包括塔里木河与北天山以南、昆仑山与祁连山以北地区，分区东部大致以贺兰山、狼山为界线与分区Ⅵ相接，属于中温带、暖温带干旱气候区。
图3 中国遥感物候模式一级分区

注：基于自然资源部标准地图服务网站GS(2019)1823号标准地图制作，底图边界无修改，下同。

Fig. 3 The first-level regions of the remotely-sensed phenology pattern regionalization of China

对于植被物候特征显著区域，4个植被物候指标的相关性检验结果如图4所示。结果显示，SOS与其他物候指标在全国尺度上均存在显著相关性，尤其是与OM和LOS高度相关。具体而言，SOS与OM呈正相关关系，相关系数高达0.708，表明植被生长季开始的时间越早，其开始进入成熟期并逐渐达到最大光合作用强度的时间也越早；与之相反，SOS与EOS和LOS则呈负相关关系，相关系数分别为-0.335和-0.706，表明植被生长季开始的时间越早，其生长季结束并进入休眠期的时间越晚，相应的生长季长度则越长，反之亦然。总体而言，SOS指标在全国尺度上能够有效反映植被的季节性物候差异，可以作为揭示地表植被物候模式空间分异规律的代表性指标。
图4 植被物候特征显著区域内4个物候指标的斯皮尔曼相关性检验结果（p<0.05）

Fig. 4 Results of Spearman's correlation test for four phenological indicators in the regions with significant phenological characteristics (p<0.05)

基于SOS指标，地表植被物候特征显著的区域共被划分为6个分区（Ⅳ~Ⅸ，图3~图5）。在地理位置与气候条件方面，分区Ⅳ位于西北角且与分区Ⅲ相邻，主要位于塔里木河以北、阿尔泰山脉以南，涵盖天山山脉与准噶尔盆地等；虽然该分区属中温带、暖温带干旱气候区，但由于山体对印度洋季风和西风带的阻挡，天山山脉以北降雨较为丰富；山脉以南虽降水稀少，但丰富的冰川与积雪融水也为植被的生长发育提供了水资源保障，因此该分区内部仍有相当面积的植被覆盖。分区Ⅴ~Ⅸ在空间上相互邻接，其中，分区Ⅴ主要位于青藏高原，涵盖藏南谷地、青南高原及藏北高原大部分地区，东部则分别以阿尼玛卿山和邛崃山为界线与分区Ⅵ和分区Ⅷ相接；分区Ⅵ主要包括黄土高原、鄂尔多斯高原及邻近的华北平原部分地区，北部主要以阴山山脉和燕山为界线与分区Ⅶ相接，南部与分区Ⅸ相邻，该分区处于中温带与暖温带的交界处，分区西北部属于中温带干旱、半干旱气候区，分区东南部则属于暖温带半干旱、半湿润气候区；分区Ⅶ位于东北部，主要包括阴山以北的内蒙古高原、大兴安岭及东北平原等地区，从西至东依次为中温带半干旱、半湿润与湿润气候区；分区Ⅷ主要包括秦岭、四川盆地及长江中游的平原地区，主要属于中亚热带湿润气候区；分区Ⅸ则主要包括华北平原的绝大部分地区及长江下游的平原地区，该分区处于北亚热带与暖温带的交界处，分区南部属北亚热带湿润气候区，分区北部则属暖温带半湿润气候区。
图5 遥感物候模式一级分区与中国生态地理分区

Fig. 5 Comparison of the first-level regions of the remotely-sensed phenology pattern regionalization and the ecological geographic regionalization of China

3.2 遥感物候模式二级分区

基于各一级分区分别确定的二级分区区划指标，将9个一级分区进一步划分为33个二级分区，其中分区Ⅰ划分为2个二级区；分区Ⅱ和Ⅲ不再做进一步划分；分区Ⅳ和分区Ⅵ均划分为5个二级区；分区Ⅴ划分为6个二级区；分区Ⅶ和分区Ⅸ均划分为4个二级区；分区Ⅷ则划分为7个二级区（图6）。
图6 中国遥感物候模式分区图

Fig. 6 Remotely-sensed phenology pattern regionalization of China

对于植被物候特征显著的6个一级分区（Ⅳ~Ⅸ），其开展二级区划的指标相关性检验与筛选结果分别如图7和表3所示。结果表明，适合于进一步揭示各一级分区内部植被物候模式区域分异规律的最优指标并不完全相同。对于空间上相互邻接的分区Ⅴ、Ⅵ、Ⅷ以及位于西北部地区的分区Ⅳ而言，其最优二级区划指标均为OM和LOS；具体而言，上述分区内部植被的OM与SOS和EOS分别呈高度负相关和高度正相关关系，其相关系数绝对值可达0.410~0.853，而植被的OM与LOS的相关性较弱，其相关系数绝对值仅为0.087~0.299；因此，选择OM和LOS两个指标即可综合反映植被生长季的变化状况，从而作为表征分区内部植被物候模式的指示性指标。与之相反，分区Ⅵ的最优二级区划指标为SOS和EOS，该分区内部植被的SOS与LOS和OM分别呈高度负相关和高度正相关关系，相关系数分别为-0.852和0.654，而植被的SOS与EOS基本不存在相关性，相关系数仅为-0.018。而对于分区Ⅸ而言，分区内部植被的EOS与SOS、OM和LOS均存在显著正相关，相关系数高达0.653~0.919，因此，仅选择EOS指标即可反映该分区内部植被物候模式的区域分异特征。
图7 植被物候特征显著一级分区内4个物候指标的斯皮尔曼相关性检验结果（p<0.05）

Fig. 7 Results of Spearman's correlation test for four phenological indicators in the first-level regions with significant phenological characteristics (p<0.05)

表3 植被物候特征显著一级分区的二级区划指标筛选结果与分区数量

Tab. 3 Screening results of the second-level regionalization indicator for the first-level regions with significant phenological characteristics and the number of their second-level regions

一级分区编码 二级区划指标筛选结果 二级分区数量
Ⅳ OM、LOS 5
Ⅴ OM、LOS 6
Ⅵ OM、LOS 5
Ⅶ SOS、EOS 4
Ⅷ OM、LOS 7
Ⅸ EOS 4

3.3 区划结果评价

3.3.1 基于统计检验的分区评价

使用箱线图描述6个物候特征显著分区内植被生长季始期的整体分布状况，并利用非参数Kruskal-Wallis检验和Dunn's成对比较检验对相邻分区间物候指标的差异显著性进行统计检验。结果表明（图8），不同分区间植被生长季始期均存在显著统计差异（p < 0.05），且各分区内部植被生长季始期也分别集中在相对固定的时间范围内，即区域内部植被物候特征具有高度相似性。因此，当前区划结果可以认为是合理且有效的，在一定程度上能够揭示地表植被遥感物候模式的空间分异特征和规律。具体而言，植被生长季始期在空间邻接的5个分区（Ⅴ~Ⅸ）内整体呈现由南向北、由东向西逐渐推迟的递变规律，分区Ⅸ和分区Ⅷ内植被生长季开始最早，其平均生长季始期分别为3月上旬（(66±19) d）和3月下旬（(87±21) d），而分区Ⅶ和分区Ⅴ内植被生长季开始最晚，其平均生长季始期分别为5月中旬（(133±18) d）和6月上旬（(156±22) d），位于中国中部以北地区的分区Ⅵ内的植被生长季开始时间则处于中间水平，其平均生长季始期为4月下旬（(113±18) d）。值得注意的是，分区Ⅳ与分区Ⅵ内植被生长季的开始时间相对一致，结合中国生态地理分区可知（图5），上述两分区虽然在地理位置上相距甚远，但其内部的宏观气候条件极为相似。在温度条件方面，两分区均处于中温带与暖温带的交界位置，在水分状况方面，两分区内大部分区域均为干旱或半干旱地区，这也从侧面印证了本文分区结果的科学性与合理性。
图8 物候特征显著分区的SOS物候指标

注：不同小写字母表示空间邻接的两分区间存在显著统计差异，p < 0.05。

Fig. 8 The SOS phenological indicator of the regions with significant phenological characteristics

3.3.2 基于多源土地覆被数据的分区评价

基于4套土地覆被产品对全国9个一级分区内的主、次要土地覆被的类型和面积进行统计（表4~表5）。对于植被绿度季节性变化不显著的分区Ⅰ而言，除MCD12Q1产品的主、次要土地覆被类型为稀树草原和有林草地外，其他3套产品的主要土地覆被类型均为常绿植被（常绿阔叶林和常绿针叶林），其中GLC_FCS30和CCI_LC产品的主、次要土地覆被类型完全一致，分别为常绿阔叶林和常绿针叶林；PFTs_China产品的主、次要植物功能型为常绿针叶林和耕地。进一步统计结果显示，分区Ⅰ内常绿植被总面积在GLC_FCS30、CCI_LC和PFTs_China产品中占全国常绿植被总面积的比值均在50%左右，分别为49.39%、48.22%和51.37%。而对于分区Ⅱ和Ⅲ，所有产品的主、次要土地覆被类型统计结果全部一致，均为裸地/稀疏植被和草地，且二者总占比均在85%以上；其中分区Ⅲ的主要土地覆被几乎全部为裸地/稀疏植被，占比89.83%~94.83%；分区Ⅱ中裸地/稀疏植被的面积相对较少，占比48.67%~88.82%。此外，尽管分区Ⅱ和Ⅲ的次要土地覆被类型均为草地，但基于PFTs_China的统计结果表明，分区Ⅱ中草地的植物功能型为C3草地，而分区Ⅲ中草地的植物功能型为C3高寒草地，这也验证了本文在分区过程中对青藏高原地区给予特殊考虑的合理性。综上，基于EVI2变异系数和年度最值确定的区划准可有效实现植被物候特征不显著区域的划分，进而明确常绿植被和裸地/稀疏植被的主要分布区域。
表4 遥感物候模式一级分区主要土地覆被统计结果

Tab. 4 Primary land cover types and their proportions of area for different land cover products in the first-level regions of the remotely-sensed phenology pattern regionalization

分区 GLC_FCS30 CCI_LC MCD12Q1 PFTs_China
名称 占比(%) 名称 占比(%) 名称 占比(%) 名称 占比(%)
Ⅰ 常绿阔叶林 33.91 常绿阔叶林 22.44 稀树草原 28.82 常绿针叶林 22.86
Ⅱ 裸地/稀疏植被 48.86 裸地/稀疏植被 48.67 裸地/稀疏植被 88.82 裸地/稀疏植被 53.86
Ⅲ 裸地/稀疏植被 93.54 裸地/稀疏植被 89.83 裸地/稀疏植被 94.83 裸地/稀疏植被 93.38
Ⅳ 裸地/稀疏植被 45.50 裸地/稀疏植被 44.43 草地 55.09 裸地/稀疏植被 39.09
Ⅴ 草地 65.13 草地 70.54 草地 74.04 C3高寒草地 50.78
Ⅵ 草地 39.94 草地 44.33 草地 63.21 C3草地 40.03
Ⅶ 旱地 24.05 旱地 24.43 草地 37.99 C3草地 33.20
Ⅷ 旱地 23.96 旱地 21.39 有林草地 31.79 耕地 39.00
Ⅸ 旱地 39.92 水浇地 41.30 耕地 71.30 耕地 69.50
表5 遥感物候模式一级分区次要土地覆被统计结果

Tab. 5 Secondary land cover types and their proportions of area for different land cover products in the first-level regions of the remotely-sensed phenology pattern regionalization

分区 GLC_FCS30 CCI_LC MCD12Q1 PFTs_China
名称 占比(%) 名称 占比(%) 名称 占比(%) 名称 占比(%)
Ⅰ 常绿针叶林 19.21 常绿针叶林 20.48 有林草地 28.21 耕地 22.30
Ⅱ 草地 38.77 草地 45.07 草地 8.79 C3高寒草地 31.78
Ⅲ 草地 2.81 草地 7.81 草地 3.91 C3草地 4.03
Ⅳ 草地 23.31 草地 27.49 裸地/稀疏植被 33.23 C3草地 37.36
Ⅴ 裸地/稀疏植被 14.35 常绿针叶林 8.45 裸地/稀疏植被 14.74 裸地/稀疏植被 15.49
Ⅵ 旱地 26.80 旱地 18.36 耕地 21.24 耕地 31.87
Ⅶ 落叶阔叶林 24.00 草地 21.16 耕地 26.60 耕地 29.64
Ⅷ 常绿阔叶林 23.61 常绿阔叶林 16.84 稀树草原 20.09 C3草地 18.80
Ⅸ 水浇地 31.53 旱地 33.80 不透水面 7.10 不透水面 9.64
对于植被物候特征显著的6个分区，其中分区Ⅳ与植被物候特征不显著的分区Ⅱ、Ⅲ的主、次要土地覆被类型构成基本一致，区别在于其裸地/稀疏植被的面积占比明显偏低，为33.23%~45.50%；此外，在MCD12Q1产品中该分区的草地面积与其他3套产品存在明显差异，其面积占比高达55.09%，而在其他产品中占比最高仅为37.36%。分区Ⅴ在所有产品中的主要土地覆被类型均为草地，占比50.78%~74.04%，次要土地覆被类型除在CCI_LC产品中为常绿针叶林，在其他产品中均为裸地/稀疏植被。分区Ⅵ的主、次要土地覆被类型在4套产品中均保持一致，分别为草地和耕地，在GLC_FCS30和CCI_LC产品中则进一步明确为旱地。同时，分区Ⅳ与分区Ⅴ中草地的植物功能型不同，分区Ⅳ为C3草地，而分区Ⅴ为C3高寒草地。
分区Ⅶ在不同产品中的主、次要土地覆被类型存在较大差异，在GLC_FCS30和CCI_LC产品中的主要土地覆被类型均为旱地，次要土地覆被类型分别为落叶阔叶林和草地，而在MCD12Q1和PFTs_China产品中的主、次要土地覆被类型分别为草地和耕地；此外，尽管草地是该分区的主导性土地覆被类型之一，但与相邻分区Ⅵ相比，该分区草地面积占比明显偏低，占比21.16%~37.99%，而分区Ⅵ中草地面积占比为39.94%~63.21%。分区Ⅷ在GLC_FCS30、CCI_LC和PFTs_China中的主要土地覆被类型均为耕地，占比21.39%~39.00%，次要类型分别为常绿阔叶林、常绿阔叶林和草地；而在MCD12Q1产品中的主、次要土地覆被类型分别为有林草地和稀树草原。分区Ⅸ在MCD12Q1和PFTs_China产品中的主、次要土地覆被类型完全一致，分别为耕地和不透水面，且耕地面积占比均显著高于不透水面，占比高达69.50%~71.30%；在GLC_FCS30和CCI_LC产品中的主、次要土地覆被类型则进一步细化为旱地或水浇地，但二者总面积占比与前两套产品差异极小，分别为71.45%和75.10%，表明该分区内土地覆被分类一致性较高。
总体而言，本文所提出的遥感物候模式区划在一级分区层面即可有效降低土地覆被类型的复杂程度，有利于提高遥感土地覆被的分类精度。首先，每个分区内部的主、次要土地覆被类型的面积均存在明显的优势性占比，8个分区的主、次要土地覆被类型的平均面积总占比在50%及以上，其中有6个分区可达70%以上，即分区内部土地覆被类型的同质性较高（图9）。其次，相邻分区在主、次要土地覆被的类型或植物功能型及面积占比方面也存在显著差异，即不同分区间土地覆被类型的异质性程度也较高；例如，分区Ⅵ的主要土地覆被类型为草地，与其相邻的分区Ⅸ的主要土地覆被类型则为耕地，而另一个相邻分区Ⅴ的主要土地覆被类型虽也为草地，但两分区间草地的植物功能型不同，故在分类过程中可充分利用植物性状特征与功能方面的差异以提高遥感分类精度。需要明确的是，基于不同土地覆被产品的评价结果存在一定分歧，这种分歧一方面源自不同土地覆被产品自身的数据源、分类算法和分类体系等方面的差异，另一方面也源自区域内部土地覆被的类型组成、空间格局配置等方面的复杂性，尤其在不同土地覆被类型的过渡带区域或多种土地覆被类型交错的高异质性区域，现有遥感土地覆被产品的分类一致性普遍偏低[74-75]。
图9 遥感物候模式一级分区主、次要土地覆被面积总占比统计结果

Fig. 9 Proportions of primary and secondary land cover area in the first-level regions of the remotely-sensed phenology pattern regionalization

4 讨论

4.1 遥感物候模式分区应用分析——代表性样本采集

区域至全球尺度土地覆被自动制图均是以随机森林、支持向量机等传统机器学习算法或卷积神经网络、循环神经网络等深度学习模型为代表的监督式分类算法为主要技术手段，因此，获取数量充足且具有空间代表性的样本数据成为土地覆被分类成功与否的关键，且样本对分类结果的影响甚至大于对分类器的选择[76]。随着近年来遥感数据量的爆发式增长，遥感技术的发展正式进入大数据时代，海量遥感数据使得样本数量不再成为主要约束，故土地覆被监督分类的核心问题在于如何获取或筛选出能够充分代表不同土地覆被类型影像特征的高质量样本进行分类器的训练[5,77]。训练样本的代表性在大尺度土地覆被制图任务中尤为重要，因为在不同季节、不同地理位置下，特定土地覆被类型在同一传感器获取的数据中可能表现出具有极大差异性的光谱辐射特征[20,78]。
本文以位于相同纬度带、不同分区内的两个区域为例，说明遥感物候模式分区如何用于指导确定合适的影像时相以获取具有典型代表性的高质量样本数据（图10a）。区域1位于分区Ⅵ内的黄土高原地区，其主要土地覆被为草地、耕地和林地等类型，区域2位于分区Ⅸ内的华北平原地区，其主要土地覆被为耕地和不透水面等类型。分区Ⅵ和分区Ⅸ是两个空间邻接的分区，尽管二者地理位置相近，但基于生长季始期这一物候指标的统计结果可知（图10b），不同分区内植被物候特征存在显著差异。分区Ⅸ内植被生长季开始时间较早，主要集中在2月下旬至3月中旬（51~79 d），而分区Ⅵ内植被生长季开始较晚，主要集中在4月中旬至5月上旬（101~124 d），可根据上述时间范围确定适用于两区域土地覆被典型样本采集的影像时相。
图10 示例区域空间位置及其所属分区物候指标统计结果

Fig. 10 Spatial location of the example areas and statistical result of phenological indicator for the region to which it belongs

以2021—2023年Sentinel-2光学影像为例，对2月下旬获取的两区域影像目视对比可知，该时期区域2内耕地中的作物生长季已经开始，卫星传感器能够有效地检测到作物的植被光谱特征（图11b），可以利用该时期影像获取具有代表性的耕地类型样本；而同时期区域1内耕地、林地、草地等基本处于休眠期（图11a、11d~11f），植被与非植被地类的光谱特征相近且目视较难区分，故2月下旬的影像并不适用于区域1内样本的采集。通过对4月下旬—5月上旬获取的区域1影像目视可知（图11c~11f），该时期区域1内分布于山地丘陵区的林地及分布于地形平缓区的耕地均已进入生长季，二者光谱、纹理等影像特征显著且易于辨别，故利用该时期影像可以获取具有代表性的林地和耕地类型样本。综上所述，本文提供的遥感物候模式分区能够有效指导用于典型样本采集的影像时相的选取，其提供的区域植被物候期信息对高质量样本库的构建具有重要参考价值。
图11 不同分区Sentinel-2光学影像实例对比（标准假彩色合成）

Fig. 11 Comparison of Sentinel-2 optical images in different regions (standard false color composite)

4.2 遥感物候模式分区应用分析——分区分类策略实施

由于土地覆被普遍存在的类内光谱异质，仅基于单一分类模型很难获得分类准确的土地覆被产品，局部自适应的分区分类策略被认为是实现大尺度高精度土地覆被制图的必要手段，尤其是在土地覆被类型多样且交错复杂的区域[74]。Li等也指出按照一定地理区域对训练样本集进行划分对提高大尺度土地覆被制图的分类精度具有重要意义[79]。究其原因，通过分区能够显著降低土地覆被的复杂程度，进而提高训练样本的特征代表性和典型性。
现有的大尺度土地覆被产品在制图过程中普遍采用按照格网划分研究区的方式实施分区分类策略，通过使用区域对应的样本分别训练相应的局部分类器，并将每个区域的分类结果进行镶嵌以获得最终的全局产品[14-15,80]。尽管上述方案相对于只训练单个全局分类器的方案能够取得更高的分类精度，但这种硬切割的区域划分方式缺乏对自然场景中地表植被物候空间分异特征规律的充分考虑，在地形地貌多样或气候条件复杂区域的有效性必然大打折扣；另一方面，基于格网这类硬切割方式产生的分区边界并不与实际地形特征的突变界线相吻合，而这些地形突变界线两侧区域的植被物候可能存在显著空间分异，若未进行准确划分则难以提高训练样本的代表性，且易导致最终产品中分区边界处的高度分类不确定性[18,81]。
本文以分区Ⅵ和分区Ⅸ交界处的区域3为例，结合实际遥感影像对分区边界两侧的植被物候特征进行对比，以验证本文的分区边界能否实现对具有不同遥感物候模式的区域的有效划分（图12a~12b）。区域3为平原与山地的过渡区，分区边界西侧为太行山脉，其主要土地覆被为耕地、林地和不透水面等类型；边界东侧为华北平原，其主要土地覆被为耕地和不透水面等类型。基于4.1分析结果，分别选取2021—2023年3月上旬和4月下旬—5月上旬两幅适合各分区典型样本采集的Sentinel-2影像为示例。
图12 示例区域空间位置及其地形

Fig. 12 Spatial location and topography of the sample area

结合影像可知，在3月上旬，该区域西北角方位存在大面积尚未融化的山顶积雪，边界以西的山地区梯田内的作物及林、草等植被地类仍普遍处于休眠期，在影像中尚未表现出明显的植被光谱特征，基本呈现为裸地的光谱特征，而同时期边界以东的平原区规则耕地内的作物已进入生长季，作物在影像中呈现浅红色（图13a、13c~13e）；在4月下旬—5月上旬，边界以西的山顶积雪已全部融化，山地区梯田内的作物在影像中作物表现为浅红色，林、草等植被地类表现为品红色，表明山地区植被已经进入生长期，同时期边界以东的平原区规则耕地内的作物在影像中则呈现鲜红色，说明作物绿度进一步增加且逐渐接近成熟期（图13b~13e）。经上述对比可知，分区边界两侧区域内的土地覆被具备不同的遥感物候模式，即二者在时间维度上的季节性差异不一致，并由此导致同一时期相同土地覆被类型在不同分区内的光谱特性差异显著。因此，利用遥感物候模式分区进行区域划分可有效降低类内光谱异质性并进一步提高训练样本的代表性；同时，由于本文的遥感物候模式分区是以地貌小区为基本区划单元，最终产生的分区边界能够与实际地形特征突变界线保持高度吻合，对于地形地貌复杂多样区域的分区分类策略的实施仍然具有重要的实际应用价值。
图13 分区界线两侧 Sentinel-2 光学影像实例对比(标准假彩色合成)

Fig. 13 Comparison of Sentinel-2 optical images on both sides of the regional boundary (standard false color composite)

4.3 不足与展望

应当指出的是，以数据驱动的方式进行区域划分虽然有利于在未来针对不同解译需求或特定解译目标开展可重复性的区划研究，但基于空间约束聚类算法的区划结果对输入数据的质量和参数选择存在依赖性。尽管本文所采用的是当前普遍认可且广泛使用的遥感产品数据，但由于目前遥感技术对地表植被物候的监测体系和技术方案尚未形成统一定论，诸多因素（例如，植被关键物候期的定义、生物和非生物环境因素的扰动等）都会造成遥感监测结果不同程度的不确定性。此外，本文所使用的物候期相关指标均以多年平均遥感地表物候为准，虽然多年平均遥感地表物候能够更好地反映植被生长发育节律的均衡状态且与实测物候存在较高一致性，但采用不同的多年平均物候计算方法也会造成指标计算结果的不确定性，进而对最终区划结果的准确性产生影响。
另一方面，在实际应用过程中，当前以中国区域为例的遥感物候模式分区研究仅以两级区划的模式开展，能够从代表性样本采集、分区分类策略优化等方面服务于大尺度遥感土地覆被分类制图，但对于局部小区域的精细尺度土地覆被分类尚难以提供有效的分区指导，分区尺度在未来研究中还需进一步细化。最后，植被物候变化是一个复杂、多尺度的过程，除了本文所关注的关键物候期及其所对应的植被绿度状态外，还包括植被在一年内生长周期的数量、植被绿度变化速率等与植被物候时空变异性密切相关的度量指标，未来也应将更多源的遥感地表物候数据与相关指标纳入研究，以期全方位、多尺度地刻画和反映自然场景土地覆被的遥感物候模式，形成更加准确合理的区划方案。

5 结论

分区分类策略被认为是实现大尺度高精度遥感土地覆被制图的必要手段，通过选取适当的地理边界将区域划分为多个内部均质、外部异质的子区域，进而降低区域内土地覆被类型的复杂性及其在影像中的特征变异性，对提升土地覆被分类的精度和效率具有重要意义。植被物候是引起自然场景土地覆被类内光谱异质的主要原因，本文针对当前面向自然场景遥感土地覆被分类区划研究的现状和不足，从土地覆被遥感分类原理和植被物候空间分异特征规律出发，将遥感观测的地表植被物候信息与反映微地貌形态的地貌小区单元相结合，基于数据驱动的空间约束层次聚类算法，提出了适用于国家和区域尺度土地覆被分类的遥感物候模式分区方案。基于差异显著性统计检验的评价结果表明，相邻分区间植被物候特征均存在显著差异，分区内部植被物候特征具有高度相似性；基于现有土地覆被产品的评价结果表明，各分区内部主、次要土地覆被类型的面积存在明显优势性占比，且相邻分区在主、次要土地覆被的类型或植物功能型及面积占比方面也存在显著差异。总体而言，本文提出的遥感物候模式区划可有效降低区域内土地覆被复杂程度以及植被物候变化引起的类内特征异质，在土地覆被代表性样本库构建以及分区分类策略的实施等方面具有较高的应用潜力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Ma Y, Wu H P, Wang L Z, et al. Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 2015, 51: 47-60.

[2]
Chi M, Plaza A, Benediktsson J A, et al. Big data for remote sensing: Challenges and opportunities. Proceedings of the IEEE, 2016, 104(11): 2207-2219. DOI: 10.1109/JPROC.2016.2598228.

[3]
Zhang Bing, Yang Xiaomei, Gao Lianru, et al. Geo-cognitive models and methods for intelligent interpretation of remotely sensed big data. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1398-1415.

DOI

[张兵, 杨晓梅, 高连如, 等. 遥感大数据智能解译的地理学认知模型与方法. 测绘学报, 2022, 51(7): 1398-1415.]

DOI

[4]
Yang Xiaomei, Wang Zhihua, Liu Yueming, et al. Development and technical prospect of remote sensing intelligent information processing. Journal of Tongji University (Natural Science), 2023, 51(7): 1025-1032.

[杨晓梅, 王志华, 刘岳明, 等. 遥感智能信息处理的发展及技术前景. 同济大学学报(自然科学版), 2023, 51(7): 1025-1032.]

[5]
Radoux J, Lamarche C, Van Bogaert E, et al. Automated training sample extraction for global land cover mapping. Remote Sensing, 2014, 6(5): 3965-3987.

[6]
Wang Zhihua, Yang Xiaomei, Zhou Chenghu. Geographic knowledge graph for remote sensing big data. Journal of Geo-Information Science, 2021, 23(1): 16-28.

[王志华, 杨晓梅, 周成虎. 面向遥感大数据的地学知识图谱构想. 地球信息科学学报, 2021, 23(1): 16-28.]

DOI

[7]
Wang Zhihua, Yang Xiaomei, Liu Yueming, et al. Geographical principles of remote sensing object-based image analysis and an analysis framework. National Remote Sensing Bulletin, 2023, 28(6): 1412-1424.

[王志华, 杨晓梅, 刘岳明, 等. 面向对象影像分析的地理学原理及分析框架启示. 遥感学报, 2023, 28(6): 1412-1424.]

[8]
Wang Zhihua, Yang Xiaomei, Zhang Junyao, et al. A remote sensing intelligent interpretation framework through geo-science zoning for complex nature scenes and its preliminary experiments. Journal of Geo-information Science, 1-26. http://kns.cnki.net/kcms/detail/11.5809.P.20240226.0933.006.html.

[王志华, 杨晓梅, 张俊瑶, 等. 面向复杂自然场景的遥感地学分区智能解译框架及初探. 地球信息科学学报, 1-26. http://kns.cnki.net/kcms/detail/11.5809.P.20240226.0933.006.html.]

[9]
Fu Bojie, Chen Liding, Liu Guohua. The objectives, tasks and characteristics of China ecological regionalization. Acta Ecologica Sinica, 1999, 19(5): 591-595.

[傅伯杰, 陈利顶, 刘国华. 中国生态区划的目的、任务及特点. 生态学报, 1999, 19(5): 591-595.]

[10]
Zheng Du, Ou Yang, Zhou Chenghu. Understanding of and thinking over geographical regionalization methodology. Acta Geographica Sinica, 2008, 63(6): 563-573.

[郑度, 欧阳, 周成虎. 对自然地理区划方法的认识与思考. 地理学报, 2008, 63(6): 563-573.]

[11]
Homer C, Gallant A. Partitioning the conterminous United States into mapping zones for Landsat TM land cover mapping. USGS Draft White Paper, 2001.

[12]
Jiang H, Strittholt J R, Frost P A, et al. The classification of late seral forests in the Pacific Northwest, USA using Landsat ETM+ imagery. Remote Sensing of Environment, 2004, 91(3): 320-331.

[13]
Hao Yingying, Luo Xiaobo, Zhong Bo, et al. Methods of the national vegetation classification based on vegetation partition. Remote Sensing Technology and Application, 2017, 32(2): 315-323.

[郝莹莹, 罗小波, 仲波, 等. 基于植被分区的中国植被类型分类方法. 遥感技术与应用, 2017, 32(2): 315-323.]

DOI

[14]
Zhang X, Liu L Y, Wu C S, et al. Development of a global 30m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform. Earth System Science Data, 2020, 12(3): 1625-1648.

DOI

[15]
Zhang H K, Roy D P. Using the 500 m MODIS land cover product to derive a consistent continental scale 30 m Landsat land cover classification. Remote Sensing of Environment, 2017, 197: 15-34.

[16]
Campos-Taberner M, Javier García-Haro F, Martínez B, et al. Land use classification over smallholding areas in the European Common Agricultural Policy framework. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 197: 320-334.

[17]
Inglada J, Vincent A, Arias M, et al. Operational high resolution land cover map production at the country scale using satellite image time series. Remote Sensing, 2017, 9(1): 95. DOI: 10.3390/rs9010095.

[18]
Georganos S, Grippa T, Lennert M, et al. Scale matters: Spatially partitioned unsupervised segmentation parameter optimization for large and heterogeneous satellite images. Remote Sensing, 2018, 10(9): 1440. DOI: 10.3390/rs10091440.

[19]
Li C, Gong P, Wang J, et al. An all-season sample database for improving land-cover mapping of Africa with two classification schemes. International Journal of Remote Sensing, 2016, 37(19): 4623-4647. DOI: 10.1080/01431161.2016.1213923.

[20]
Zhang X, Liu L Y, Wang Y J, et al. A SPECLib-based operational classification approach: A preliminary test on China land cover mapping at 30 m. International Journal of Applied Earth Observation and Geoinformation, 2018, 71: 83-94.

[21]
Wang Lianxi, Chen Huailiang, Li Qi, et al. Research advances in plant phenology and climate. Acta Ecologica Sinica, 2010, 30(2): 447-454.

[王连喜, 陈怀亮, 李琪, 等. 植物物候与气候研究进展. 生态学报, 2010, 30(2): 447-454.]

[22]
Zeng L, Wardlow B D, Xiang D, et al. A review of vegetation phenological metrics extraction using time-series, multispectral satellite data. Remote Sensing of Environment, 2020, 237: 111511. DOI: 10.1016/j.rse.2019.111511.

[23]
Zurita-Milla R, Goncalves R, Izquierdo-Verdiguier E, et al. Exploring spring onset at continental scales: Mapping phenoregions and correlating temperature and satellite-based phenometrics. IEEE Transactions on Big Data, 2020, 6(3): 583-593.

[24]
De Beurs K M, Henebry G M. Land surface phenology and temperature variation in the International Geosphere-Biosphere Program high-latitude transects. Global Change Biology, 2005, 11(5): 779-790.

[25]
Wang Minyu, Luo Yi, Zhang Zhengyang, et al. Recent advances in remote sensing of vegetation phenology: Retrieval algorithm and validation strategy. National Remote Sensing Bulletin, 2022, 26(3): 431-455.

[王敏钰, 罗毅, 张正阳, 等. 植被物候参数遥感提取与验证方法研究进展. 遥感学报, 2022, 26(3): 431-455.]

[26]
Bajocco S, Ferrara C, Alivernini A, et al. Remotely-sensed phenology of Italian forests: Going beyond the species. International Journal of Applied Earth Observation and Geoinformation, 2019, 74: 314-321.

[27]
Justice C O, Román M O, Csiszar I, et al. Land and cryosphere products from Suomi NPP VIIRS: Overview and status. Journal of Geophysical Research: Atmospheres, 2013, 118(17): 9753-9765..

[28]
Jiang Z, Huete A R, Didan K, et al. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 2008, 112(10): 3833-3845.

[29]
Huete A R, Liu H Q, Batchily K, et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 1997, 59(3): 440-451.

[30]
Schubert P, Lagergren F, Aurela M, et al. Modeling GPP in the nordic forest landscape with MODIS time series data: Comparison with the MODIS GPP product. Remote Sensing of Environment, 2012, 126: 136-147.

[31]
Klosterman S T, Hufkens K, Gray J M, et al. Evaluating remote sensing of deciduous forest phenology at multiple spatial scales using PhenoCam imagery. Biogeosciences, 2014, 11(16): 4305-4320.

[32]
Zhang X, Liu L, Liu Y, et al. Generation and evaluation of the VIIRS land surface phenology product. Remote Sensing of Environment, 2018, 216: 212-229.

[33]
Moon M, Zhang X, Henebry G M, et al. Long-term continuity in land surface phenology measurements: A comparative assessment of the MODIS land cover dynamics and VIIRS land surface phenology products. Remote Sensing of Environment, 2019, 226: 74-92.

[34]
Wu Z, Xu H, Li Y, et al. Climate and drought risk regionalisation in China based on probabilistic aridity and drought index. Science of the Total Environment, 2018, 612: 513-521.

[35]
Zhou Chenghu, Cheng Weiming, Qian Jinkai, et al. Research on the classification system of digital land geomorphology of 1∶ 1000000 in China. Journal of Geo-information Science, 2009, 11(6): 707-724.

[周成虎, 程维明, 钱金凯, 等. 中国陆地1∶100万数字地貌分类体系研究. 地球信息科学学报, 2009, 11(6): 707-724.]

[36]
Cheng Weiming, Zhou Chenghu, Li Bingyuan, et al. Geomorphological regionalization theory system and division methodology of China. Acta Geographica Sinica, 2019, 74(5): 839-856.

DOI

[程维明, 周成虎, 李炳元, 等. 中国地貌区划理论与分区体系研究. 地理学报, 2019, 74(5): 839-856.]

DOI

[37]
Yang Qinye, Zheng Du, Wu Shaohong. Research on eco-regionalization systems of China. Progress in Natural Science, 2002, 12(3): 287-291.

[杨勤业, 郑度, 吴绍洪. 中国的生态地域系统研究. 自然科学进展, 2002, 12(3): 287-291.]

[38]
Wu Shaohong, Yang Qinye, Zheng Du. Comparative study on eco-geographic regional systems between China and USA. Acta Geographica Sinica, 2003, 58(5): 686-694.

DOI

[吴绍洪, 杨勤业, 郑度. 生态地理区域系统的比较研究. 地理学报, 2003, 58(5): 686-694.]

[39]
Liu L, Zhang X, Chen X, et al. GLC_FCS30-2020: Global land cover with fine classification system at 30m in 2020 (v1.2). 2020. DOI: 10.5281/zenodo.4280923.

[40]
Copernicus Climate Change Service, Climate Data Store. Land cover classification gridded maps from 1992 to present derived from satellite observation (v2.1.1). 2020. DOI: 10.24381/cds.006f2c9a.

[41]
Friedl M A, Sulla-Menashe D. MODIS/Terra+Aqua land cover type yearly L3 global 500m SIN grid V061. 2022. DOI: 10.5067/MODIS/MCD12Q1.061.

[42]
Ran Y, Li X. Plant functional types map in China (1 km). 2019. DOI: 10.11888/Ecolo.tpdc.270101.

[43]
Marín Del Valle T, Jiang P. Comparison of common classification strategies for large-scale vegetation mapping over the Google Earth Engine platform. International Journal of Applied Earth Observation and Geoinformation, 2022, 115: 103092. DOI: 10.1016/j.jag.2022.103092.

[44]
Albert C H, Thuiller W, Yoccoz N G, et al. Intraspecific functional variability: Extent, structure and sources of variation. Journal of Ecology, 2010, 98(3): 604-613.

[45]
Ustin S L, Gamon J A. Remote sensing of plant functional types. New Phytologist, 2010, 186(4): 795-816.

DOI PMID

[46]
Gu Y X, Brown J F, Miura T, et al. Phenological classification of the United States: A geographic framework for extending multi-sensor time-series data. Remote Sensing, 2010, 2(2): 526-544.

[47]
Zhang Y, Hepner G F, Dennison P E. Delineation of phenoregions in geographically diverse regions using k-means++ clustering: A case study in the Upper Colorado River Basin. GIScience & Remote Sensing, 2012, 49(2): 163-181.

[48]
Desanker G, Dahlin K M, Finley A O. Environmental controls on Landsat-derived phenoregions across an East African megatransect. Ecosphere, 2020, 11(5): e03143. DOI: 10.1002/ecs2.3143.

[49]
Silveira E M O, Radeloff V C, Martínez Pastur G J, et al. Forest phenoclusters for Argentina based on vegetation phenology and climate. Ecological Applications, 2022, 32(3): e2526. DOI: 10.1002/eap.2526.

[50]
Wu X, Zurita-Milla R, Kraak M-J. A novel analysis of spring phenological patterns over Europe based on co-clustering. Journal of Geophysical Research: Biogeosciences, 2016, 121(6): 1434-1448.

[51]
Yang Y Z, Qi N, Zhao J, et al. Detecting the turning points of grassland autumn phenology on the Qinghai-Tibetan Plateau: Spatial heterogeneity and controls. Remote Sensing, 2021, 13(23): 4797. DOI: 10.3390/rs13234797.

[52]
Cui Linli, Shi Jun, Du Huaqiang. Advances in remote sensing extraction of vegetation phenology and its driving factors. Advances in Earth Science, 2021, 36(1): 9-16.

DOI

[崔林丽, 史军, 杜华强. 植被物候的遥感提取及其影响因素研究进展. 地球科学进展, 2021, 36(1): 9-16.]

DOI

[53]
Hmimina G, Dufrêne E, Pontailler J Y, et al. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements. Remote Sensing of Environment, 2013, 132: 145-158.

[54]
Wu C Y, Gonsamo A, Gough C M, et al. Modeling growing season phenology in North American forests using seasonal mean vegetation indices from MODIS. Remote Sensing of Environment, 2014, 147: 79-88.

[55]
Piao S L, Fang J Y, Zhou L M, et al. Variations in satellite-derived phenology in China's temperate vegetation. Global Change Biology, 2006, 12(4): 672-685.

[56]
Ge Q S, Dai J H, Cui H J, et al. Spatiotemporal variability in start and end of growing season in China related to climate variability. Remote Sensing, 2016, 8(5): 433. DOI: 10.3390/rs8050433.

[57]
Tuanmu M N, Jetz W. A global, remote sensing-based characterization of terrestrial habitat heterogeneity for biodiversity and ecosystem modelling. Global Ecology and Biogeography, 2015, 24(11): 1329-1339.

[58]
Cheng K, Su Y J, Guan H C, et al. Mapping China's planted forests using high resolution imagery and massive amounts of crowdsourced samples. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 196: 356-371.

[59]
Li R M, Xia H M, Zhao X Y, et al. Mapping evergreen forests using new phenology index, time series Sentinel-1/2 and Google Earth Engine. Ecological Indicators, 2023, 149: 110157. DOI: 10.1016/j.ecolind.2023.110157.

[60]
Misra G, Buras A, Heurich M, et al. LiDAR derived topography and forest stand characteristics largely explain the spatial variability observed in MODIS land surface phenology. Remote Sensing of Environment, 2018, 218: 231-244.

[61]
Jin Jiaxin, Ji Yingying, Guo Fengsheng, et al. Spatial uncertainty in multi-year mean phenology based on remote sensing data. National Remote Sensing Bulletin, 2022, 26(9): 1814-1823.

[金佳鑫, 季盈盈, 郭丰生, 等. 基于遥感数据的多年平均物候不确定性研究. 遥感学报, 2022, 26(9): 1814-1823.]

[62]
Garonna I, de Jong R, Schaepman M E. Variability and evolution of global land surface phenology over the past three decades (1982-2012). Global Change Biology, 2016, 22(4): 1456-1468.

DOI PMID

[63]
Garonna I, de Jong R, Stöckli R, et al. Shifting relative importance of climatic constraints on land surface phenology. Environmental Research Letters, 2018, 13(2): 024025. DOI: 10.1088/1748-9326/aaa17b.

[64]
Liu L, Xiao X M, Qin Y W, et al. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624. DOI: 10.1016/j.rse.2019.111624.

[65]
AssunÇão R M, Neves M C, Câmara G, et al. Efficient regionalization techniques for socio-economic geographical units using minimum spanning trees. International Journal of Geographical Information Science, 2006, 20(7): 797-811.

[66]
Amoroso N, Cilli R, Nitti D O, et al. PSI spatially constrained clustering: The Sibari and Metaponto coastal plains. Remote Sensing, 2023, 15(10): 2560. DOI: 10.3390/rs15102560.

[67]
Aydin O, Janikas M V, Assunção R M, et al. A quantitative comparison of regionalization methods. International Journal of Geographical Information Science, 2021, 35(11): 2287-2315.

[68]
Kim N, Yoon Y. Regionalization for urban air mobility application with analyses of 3D urban space and geodemography in San Francisco and New York. Procedia Computer Science, 2021, 184: 388-395.

[69]
Yang L, Yang X, Zhang H P, et al. Urban morphological regionalization based on 3D building blocks: A case in the central area of Chengdu, China. Computers, Environment and Urban Systems, 2022, 94: 101800. DOI: 10.1016/j.compenvurbsys.2022.101800.

[70]
Jing Juanli, Wang Yongfeng. Temporal and spatial variation of vegetation cover in southwest China karst area during 1998-2012. Research of Soil and Water Conservation, 2014, 21(4): 163-167.

[靖娟利, 王永锋. 1998—2012年中国西南岩溶区植被覆盖时空变化分析. 水土保持研究, 2014, 21(4): 163-167.]

[71]
Jing Juanli, Wang Yongfeng. Spatial and temporal variation of NDVI and its relations with climate factors in the southwest karst area. Research of Soil and Water Conservation, 2016, 23(5): 169-174.

[靖娟利, 王永锋. 西南岩溶区NDVI时空变化及其与气候因子的关系. 水土保持研究, 2016, 23(5): 169-174.]

[72]
Krug L A, Platt T, Sathyendranath S, et al. Patterns and drivers of phytoplankton phenology off SW Iberia: A phenoregion based perspective. Progress in Oceanography, 2018, 165: 233-256.

[73]
Jin J X, Wang Y, Jiang H, et al. Improvement of ecological geographic regionalization based on remote sensing and canonical correspondence analysis: A case study in China. Science China Earth Sciences, 2016, 59(9): 1745-1753.

[74]
Liu L Y, Zhang X, Gao Y, et al. Finer-resolution mapping of global land cover: Recent developments, consistency analysis, and prospects. Journal of Remote Sensing, 2021: 5289697. DOI: 10.34133/2021/5289697.

[75]
Zhao T, Zhang X, Gao Y, et al. Assessing the accuracy and consistency of six fine-resolution global Land cover products using a novel stratified random sampling validation dataset. Remote Sensing, 2023, 15(9): 2285. DOI: 10.3390/rs15092285.

[76]
Foody G M, Arora M K. An evaluation of some factors affecting the accuracy of classification by an artificial neural network. International Journal of Remote Sensing, 1997, 18(4): 799-810.

[77]
Zhang C K, Zhang H Y, Tian S J. Phenology-assisted supervised paddy rice mapping with the Landsat imagery on Google Earth Engine: Experiments in Heilongjiang Province of China from 1990 to 2020. Computers and Electronics in Agriculture, 2023, 212: 108105. DOI: 10.1016/j.compag.2023.108105.

[78]
Tong X Y, Xia G S, Zhu X X. Enabling country-scale land cover mapping with meter-resolution satellite imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 196: 178-196.

[79]
Li C, Gong P, Wang J, et al. The first all-season sample set for mapping global land cover with Landsat-8 data. Science Bulletin, 2017, 62(7): 508-515. DOI: 10.1016/j.scib.2017.03.011.

PMID

[80]
Zhang X, Liu L, Chen X, et al. GLC_FCS30: Global land-cover product with fine classification system at 30 m using time-series Landsat imagery. Earth System Science Data, 2021, 13(6): 2753-2776.

DOI

[81]
Drăguţ L, Belgiu M, Popescu G, et al. Sensitivity of multiresolution segmentation to spatial extent. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 146-153.

Options
Outlines

/

〈 〉