1. 從“綠了”到“綠多久”物候提取的工程化視角每年春天當?shù)谝荒ㄐ戮G悄然爬上枝頭或者秋天第一片黃葉飄落我們感知到的就是“物候”。但在生態(tài)學、農(nóng)業(yè)、氣候研究乃至商業(yè)遙感領(lǐng)域我們需要的遠不止這種模糊的感性認知。我們需要精確的、可量化的、大范圍的“植被物候”數(shù)據(jù)這片森林什么時候開始生長生長季持續(xù)了多久什么時候達到生長頂峰什么時候進入休眠回答這些問題就是“植被物候提取”的核心任務(wù)。這聽起來像是個純粹的科研問題但它的應(yīng)用場景早已滲透到我們生活的方方面面。農(nóng)業(yè)保險公司需要根據(jù)作物生長季的長短來評估災(zāi)害風險林業(yè)部門需要監(jiān)測森林健康狀況預警病蟲害氣候變化研究者需要全球植被的生長周期數(shù)據(jù)來驗證模型甚至城市綠化管理部門也需要知道公園里草坪的返青和枯黃時間以優(yōu)化養(yǎng)護計劃。所有這些需求都指向一個共同的技術(shù)動作從海量的、看似雜亂的時間序列遙感數(shù)據(jù)主要是植被指數(shù)中提取出那幾個關(guān)鍵的物候期節(jié)點。作為一名長期與遙感數(shù)據(jù)打交道的從業(yè)者我處理過從區(qū)域農(nóng)田到全球森林的各種物候提取任務(wù)。市面上論文和教程很多但真正把各種方法的原理、坑點、適用場景講透并能讓你直接“抄作業(yè)”的內(nèi)容卻很少。今天我就拋開那些復雜的數(shù)學公式從工程實踐的角度系統(tǒng)梳理一下幾種最常用、最核心的植被物候提取方法。我會重點講清楚每種方法“為什么”要那么做參數(shù)該怎么設(shè)以及我最常踩的那些“坑”。無論你是剛?cè)腴T的學生還是需要快速應(yīng)用的研究員或工程師這篇文章都能給你一套清晰的“導航圖”。2. 基石與原料理解植被指數(shù)與時間序列數(shù)據(jù)在討論任何提取方法之前我們必須先徹底理解我們工作的“原料”——時間序列植被指數(shù)數(shù)據(jù)。這是所有物候提取算法的輸入原料的質(zhì)量直接決定了成品物候參數(shù)的可靠性。2.1 植被指數(shù)的選擇NDVI、EVI 與它們的“表親”植被指數(shù)是通過衛(wèi)星傳感器捕獲的不同波段主要是紅光和近紅外反射率計算而來的用于量化植被的“綠度”或生物物理參數(shù)。最常用的兩位“主角”是NDVI歸一化差異植被指數(shù)(NIR - Red) / (NIR Red)。這是物候研究中的“萬金油”歷史數(shù)據(jù)豐富對中等至高密度植被敏感。但它有個著名的缺點在植被覆蓋度高的地區(qū)容易飽和且對大氣影響和土壤背景比較敏感。EVI增強型植被指數(shù)在NDVI的基礎(chǔ)上引入了藍光波段進行大氣校正并加入了土壤調(diào)節(jié)因子。它的優(yōu)勢在于減少了大氣和土壤背景的噪音在高生物量區(qū)不易飽和對植被結(jié)構(gòu)變化更敏感。但EVI對傳感器性能和數(shù)據(jù)預處理的要求更高。實操心得對于大多數(shù)溫帶和熱帶森林、農(nóng)田的物候研究我首選EVI。尤其是在生長季植被茂密NDVI容易達到飽和值接近1無法有效區(qū)分生長峰值的細微變化。而EVI的動態(tài)范圍更寬能更好地刻畫整個生長過程。但對于稀疏植被如草原、荒漠或歷史數(shù)據(jù)對比Landsat系列NDVI仍然是可靠的選擇。一個簡單的原則植被越密、研究越關(guān)注生長峰值細節(jié)越傾向用EVI數(shù)據(jù)連續(xù)性要求高、植被較稀疏可用NDVI。除了這兩位還有一系列針對特定場景的指數(shù)NDWI歸一化差異水指數(shù)用于監(jiān)測植被水分含量在干旱區(qū)物候或與水分脅迫相關(guān)的研究中很有用。GCC綠度色譜坐標來自近地面攝影如物候相機與NDVI高度相關(guān)但數(shù)據(jù)來源和尺度完全不同。LAI葉面積指數(shù)、FPAR光合有效輻射吸收比例這些是更直接的生物物理參數(shù)但通常由植被指數(shù)反演而來本身噪聲可能更大。選擇哪個指數(shù)首先取決于你的科學問題其次是數(shù)據(jù)的可用性和質(zhì)量。沒有“最好”只有“最適合”。2.2 時間序列數(shù)據(jù)的預處理濾波與平滑是必修課原始的衛(wèi)星時間序列數(shù)據(jù)是無法直接用于物候提取的。它充滿了噪聲云、氣溶膠、傳感器誤差、太陽高度角變化等等。這些噪聲點會偽裝成植被的突然生長或枯萎導致提取算法“誤判”。因此時間序列重構(gòu)濾波與平滑是物候提取前絕對不可或缺的一步。這一步的目標是去除噪聲還原植被真實的生長曲線同時盡可能保留真實的物候信號。常用方法有Savitzky-Golay濾波這是我個人最常用也最推薦給新手的方。它本質(zhì)上是一個移動窗口多項式擬合。對于窗口內(nèi)的數(shù)據(jù)點用一個多項式去擬合然后用擬合出的多項式中心點的值替代原始值。它的優(yōu)點是能有效平滑噪聲同時較好地保留曲線的峰值、寬度等形態(tài)特征——這些特征對物候提取至關(guān)重要。關(guān)鍵參數(shù)窗口大小和多項式階數(shù)。窗口越大平滑力度越強但可能過度平滑抹掉真實的快速變化如農(nóng)作物收割。我的一般起手式是對于16天合成的MODIS數(shù)據(jù)窗口大小取4即前后各4個點共9個點多項式階數(shù)取2或3。你需要用眼睛觀察平滑后的曲線是否去掉了明顯的“毛刺”同時又沒有把生長季的“駝峰”壓成“平原”。雙邏輯斯蒂函數(shù)擬合這種方法用一個預設(shè)的函數(shù)模型兩個邏輯斯蒂函數(shù)的組合去強行擬合整個年度的生長曲線。它基于一個強假設(shè)植被的生長和衰亡過程符合S型曲線。擬合出的函數(shù)非常光滑能直接給出物候參數(shù)如拐點即對應(yīng)物候期。但缺點是如果某年的物候曲線不符合雙邏輯模型例如受到干旱、火災(zāi)等干擾擬合會失敗或產(chǎn)生巨大偏差。HANTS時間序列諧波分析這種方法將時間序列分解為不同頻率的諧波正弦余弦波保留代表植被生長周期的低頻信號剔除代表噪聲的高頻信號。它對處理不規(guī)則采樣和數(shù)據(jù)缺失有較好效果但參數(shù)設(shè)置相對復雜。踩坑實錄我曾在一個項目中為了追求曲線的“光滑”使用了過大的Savitzky-Golay窗口。結(jié)果在提取北方森林的物候時把春季返青后一個短暫的低溫造成的生長停滯期給平滑掉了導致提取出的生長季起始日比地面觀測早了近10天。教訓是平滑不是越強越好。一定要將平滑后的曲線與原始數(shù)據(jù)點疊加查看確保關(guān)鍵的轉(zhuǎn)折點春季快速上升、秋季快速下降被保留而不是被平滑掉。對于噪聲特別大的區(qū)域如熱帶常綠林其NDVI/EVI年際變化本身很小噪聲相對信號很強可能需要嘗試結(jié)合多種方法或者接受一定的不確定性。下表對比了這幾種常用預處理方法的核心特點方法核心原理優(yōu)點缺點適用場景Savitzky-Golay濾波移動窗口局部多項式擬合能保留曲線形態(tài)特征參數(shù)直觀靈活性強對連續(xù)缺失數(shù)據(jù)敏感窗口參數(shù)需經(jīng)驗調(diào)整通用首選尤其適用于溫帶季節(jié)性植被雙邏輯斯蒂擬合用預設(shè)的S型函數(shù)模型全局擬合結(jié)果非常光滑可直接輸出物候參數(shù)物理意義明確假設(shè)性強對異常年份干旱、災(zāi)害擬合差生長季規(guī)律明顯的區(qū)域如溫帶農(nóng)田、落葉林HANTS時間序列的諧波分析與重構(gòu)能處理不規(guī)則數(shù)據(jù)和缺失值分離周期信號與噪聲參數(shù)頻率數(shù)、擬合誤差容限設(shè)置復雜不易理解數(shù)據(jù)缺失嚴重或采樣不規(guī)則的時間序列預處理后的干凈時間序列才是一幅可供我們“作畫”提取物候的潔凈畫布。這一步花費的時間往往能省去后續(xù)大量糾錯和解釋的麻煩。3. 閾值法最直觀的“尺子”也是最易誤用的工具閾值法大概是概念上最簡單、最直觀的物候提取方法了。它的邏輯直白設(shè)定一個植被指數(shù)的絕對值或相對值閾值當時間序列曲線穿過這個閾值時對應(yīng)的日期就是物候期。例如設(shè)定NDVI0.5為生長季開始閾值全年時間序列曲線從低值向上穿過0.5的那一天即為返青期。3.1 絕對閾值與相對閾值的選擇困境絕對閾值如NDVI0.5。這種方法簡單粗暴但問題巨大。不同生態(tài)系統(tǒng)、不同植被類型、甚至同一地區(qū)不同年份的植被指數(shù)基線都不同。森林的NDVI基線可能就在0.6以上草原可能只有0.3。用一個固定閾值去套全球顯然會得出荒謬的結(jié)果。相對閾值這是更常用的做法。通常定義為生長季內(nèi)振幅最大值與最小值之差的一個比例。例如生長季起始日SOS常被定義為曲線從最低點上升到“振幅的20%”所對應(yīng)的日期。生長季結(jié)束日EOS則為曲線從最高點下降到“振幅的20%”的日期。生長季峰值POS則對應(yīng)最大值點。相對閾值法部分解決了生態(tài)系統(tǒng)差異的問題因為它基于本地化的振幅進行標準化。但它引入了新的參數(shù)這個比例該設(shè)多少10%20%50%3.2 閾值法的參數(shù)陷阱與實戰(zhàn)調(diào)整為什么是20%這其實沒有嚴格的生理學依據(jù)更多是經(jīng)驗值源于早期研究發(fā)現(xiàn)在這個比例附近曲線變化較陡對閾值不敏感結(jié)果相對穩(wěn)定。但實際應(yīng)用中你需要驗證。操作步驟示例以提取SOS為例獲取平滑后時間序列對單個像元一年的EVI數(shù)據(jù)進行Savitzky-Golay濾波。計算本地振幅找出該年度時間序列的EVI最大值EVI_max和最小值EVI_min。振幅 EVI_max - EVI_min。定義動態(tài)閾值閾值 EVI_min 振幅 * 比例系數(shù)。假設(shè)比例系數(shù)設(shè)為0.2。尋找交叉點從年初向年中搜索找到第一個EVI值大于等于該閾值的日期即為SOS。核心避坑點閾值法最大的敵人是“曲線形態(tài)的多樣性”。我遇到過幾個典型問題雙峰曲線某些地區(qū)如地中海氣候或多次收割的農(nóng)作物一年內(nèi)可能出現(xiàn)兩個生長峰值。閾值法會找到第一個上升沿的交叉點但可能會把第二個峰誤判為新的生長季開始或者根本無法處理。這時需要先進行生長季分割或者使用更復雜的方法。平緩的上升沿在高緯度常綠林或熱帶雨林植被指數(shù)年際變化很小上升沿非常平緩。這意味著在閾值附近曲線可能“徘徊”很長時間導致提取的SOS日期對閾值極其敏感。今天用20%閾值是第100天明天用25%閾值可能就是第120天結(jié)果不確定性很大。最小值定位錯誤如果年初有積雪或云污染導致EVI_min異常低計算出的振幅會異常大從而使閾值虛高嚴重推遲SOS的提取。因此在計算振幅前必須合理確定“生長季背景值”。我通常的做法不是直接用全年最小值而是取生長季開始前一個固定窗口如冬眠期的均值作為EVI_min取生長季峰值附近窗口的均值作為EVI_max這樣可以避免異常值的干擾。閾值法總結(jié)它快速、簡單、易于實現(xiàn)和理解是很好的入門方法和快速普查工具。但其結(jié)果嚴重依賴于預設(shè)的閾值比例和最大值/最小值的準確估計。它適用于生長季信號強烈、曲線單峰且陡峭的地區(qū)如溫帶落葉林、一年一熟農(nóng)田。對于復雜情況需要謹慎調(diào)整參數(shù)并結(jié)合目視檢查。4. 導數(shù)法尋找變化速度的“轉(zhuǎn)折點”導數(shù)法或稱變化率法從另一個物理角度切入植被的生長和衰老不是勻速的在物候期轉(zhuǎn)換時其生長速度即植被指數(shù)隨時間的變化率會達到極值。簡單說返青期是“加速”最快的點衰亡期是“減速”最快的點。4.1 一階導數(shù)與二階導數(shù)的物候意義一階導數(shù)表示植被指數(shù)隨時間的變化速度斜率。曲線上升最快的那一點一階導數(shù)的最大值通常對應(yīng)生長加速期可近似視為返青期。曲線下降最快的那一點一階導數(shù)的最小值通常對應(yīng)衰老加速期可近似視為枯黃期。二階導數(shù)表示變化速度本身的變化率加速度。一階導數(shù)的極值點在二階導數(shù)上對應(yīng)過零點。返青期對應(yīng)二階導數(shù)由正變負的過零點從加速增長變?yōu)闇p速增長這里需要糾正一個常見誤解。實際上對于一條S型生長曲線生長初期速度增加加速度為正。拐點增長最快點速度達到最大加速度為零二階導數(shù)過零點。生長后期速度減小加速度為負。 因此生長季中期峰值增長期才對應(yīng)二階導數(shù)的過零點。而物候期開始和結(jié)束更多與一階導數(shù)的極值點相關(guān)。在實際算法中我們通常對平滑后的時間序列計算數(shù)值微分如中心差分法然后尋找一階導數(shù)的局部極大值和極小值。4.2 導數(shù)法的實現(xiàn)細節(jié)與噪聲放大效應(yīng)數(shù)值微分會放大噪聲。即使原始數(shù)據(jù)經(jīng)過平滑微分后仍可能產(chǎn)生許多小的波動導致檢測出多個虛假的極值點。因此導數(shù)法通常需要與閾值法或規(guī)則結(jié)合使用。一個常見的復合策略是用閾值法確定一個大致的生長季窗口例如EVI超過振幅10%到低于振幅10%之間的時期。在這個窗口內(nèi)計算一階導數(shù)序列。在窗口前期尋找一階導數(shù)的最大值其對應(yīng)日期作為SOS。在窗口后期尋找一階導數(shù)的最小值負得最多其對應(yīng)日期作為EOS。實操技巧直接對離散數(shù)據(jù)做差分噪聲很大。我通常的做法是先對平滑后的時間序列進行重采樣例如通過樣條插值生成一個更高時間分辨率如每天的連續(xù)曲線然后再對這條光滑曲線求導。這樣得到的導數(shù)曲線更干凈極值點更明確。Python中可以用scipy.interpolate進行樣條插值再用scipy.misc.derivative求導或者直接對插值函數(shù)求導。導數(shù)法的優(yōu)勢在于它基于變化的物理意義不依賴于絕對的閾值。但它對數(shù)據(jù)平滑的質(zhì)量要求極高且容易受到生長季內(nèi)短期波動如干旱導致的生長暫停的干擾這些波動也會產(chǎn)生局部的導數(shù)極值。因此導數(shù)法很少單獨使用通常作為其他方法如閾值法、曲線擬合法的補充或驗證工具用于在生長季窗口內(nèi)精確定位變化最快的時刻。5. 曲線擬合法用數(shù)學模型“概括”生長季曲線擬合法是物候提取中更為強大和穩(wěn)健的一類方法。其核心思想是用一個預設(shè)的、光滑的數(shù)學模型去描述整個生長季的植被指數(shù)變化過程。擬合成功后物候參數(shù)可以直接從模型的數(shù)學屬性中推導出來例如函數(shù)的拐點、極值點、達到特定比例的日期等。5.1 雙邏輯斯蒂Double Logistic函數(shù)經(jīng)典之選這是最著名、應(yīng)用最廣泛的物候擬合模型。它用兩個邏輯斯蒂S型函數(shù)分別模擬生長季的上升返青和下降衰老過程。其函數(shù)形式大致如下y(t) m1 (m2 - m1) * (1/(1exp(-k1*(t-t1))) 1/(1exp(k2*(t-t2))) - 1)其中m1,m2生長季開始前和結(jié)束后背景植被指數(shù)水平。t1,k1控制上升過程返青的拐點日期和速率。t2,k2控制下降過程衰老的拐點日期和速率。t時間年積日。擬合這個模型就是找到一組最優(yōu)參數(shù)(m1, m2, t1, k1, t2, k2)使得函數(shù)曲線y(t)與觀測到的時間序列數(shù)據(jù)點最吻合。擬合通常使用非線性最小二乘法如Levenberg-Marquardt算法。物候提取擬合成功后生長季起始日SOS通常取上升拐點t1或者計算曲線達到m1 (m2-m1)*比例的日期。生長季結(jié)束日EOS通常取下降拐點t2或者計算曲線達到m2 - (m2-m1)*比例的日期。生長季峰值日POS通常取曲線最大值對應(yīng)的日期約在t1和t2之間。5.2 非對稱高斯Asymmetric Gaussian函數(shù)更靈活的形態(tài)雙邏輯斯蒂函數(shù)假設(shè)上升和下降是對稱的S型但實際植被生長曲線往往不對稱例如春季返青可能比秋季衰老更快。非對稱高斯函數(shù)提供了更大的靈活性它用左右寬度不同的高斯函數(shù)來擬合能更好地刻畫這種不對稱性。其函數(shù)形式基于修改的高斯函數(shù)參數(shù)包括峰值位置、峰值高度、左半寬度和右半寬度。擬合和物候提取思路與雙邏輯斯蒂類似。5.3 擬合法的優(yōu)勢、挑戰(zhàn)與關(guān)鍵步驟優(yōu)勢抗噪能力強模型擬合過程本身是一種全局優(yōu)化對個別噪聲數(shù)據(jù)點不敏感。結(jié)果物理意義明確參數(shù)t1t2直接對應(yīng)物候拐點。提供完整曲線擬合出的曲線是完整、光滑的便于后續(xù)分析如積分計算生長季總生產(chǎn)力。挑戰(zhàn)與實操要點初始值猜測非線性擬合嚴重依賴于參數(shù)初始值的設(shè)置。給得不好算法可能不收斂或收斂到錯誤的局部最優(yōu)解。我通常的初始化策略是m1,m2用生長季前、后一段時間如各30天的植被指數(shù)中位數(shù)或均值。t1用閾值法如20%振幅粗略估計的SOS。t2用閾值法粗略估計的EOS。k1,k2設(shè)為經(jīng)驗值如0.1-0.5表示變化速率。擬合失敗處理不是所有時間序列都能被完美擬合。對于常綠林曲線平坦、遭受干擾火災(zāi)、砍伐或云污染嚴重的序列擬合可能失敗。必須設(shè)置嚴格的擬合優(yōu)度檢驗如R平方低于0.6或殘差過大則標記該像元擬合失敗采用備用方法如閾值法或直接標記為無效數(shù)據(jù)。參數(shù)邊界約束必須給參數(shù)設(shè)置合理的物理邊界。例如t1必須早于t2且在一年內(nèi)k1k2必須為正數(shù)m2生長季峰值水平應(yīng)大于m1背景水平。這些約束能極大提高擬合的穩(wěn)定性和合理性。深度踩坑我曾用雙邏輯斯蒂函數(shù)批量擬合全球數(shù)據(jù)。在赤道熱帶雨林地區(qū)失敗率異常高。原因是熱帶雨林的植被指數(shù)年循環(huán)幅度很小曲線近乎一條直線加噪聲。雙邏輯斯蒂模型試圖去擬合一條“S型”曲線但數(shù)據(jù)中根本不存在這樣的強信號導致擬合結(jié)果完全隨機。解決方案是先計算時間序列的振幅最大值-最小值如果振幅小于一個經(jīng)驗閾值例如對于MODIS EVI小于0.1則直接認為該地區(qū)無顯著季節(jié)性物候跳過擬合或賦予其特殊標識。這叫“信號強度檢測”是批量處理前必不可少的一步。曲線擬合法提供了更穩(wěn)健、理論上更優(yōu)美的物候提取方案尤其適合處理中等噪聲水平、具有明顯單峰季節(jié)性的數(shù)據(jù)。它是目前許多全球物候產(chǎn)品如MODIS MCD12Q2的核心算法。6. 物候提取的完整工作流與質(zhì)量評估掌握了核心方法我們需要將其串聯(lián)成一個自動化、可批量處理、且包含質(zhì)量控制的完整工作流。這對于處理海量遙感數(shù)據(jù)至關(guān)重要。6.1 一個穩(wěn)健的物候提取流水線設(shè)計以下是一個我常用的、結(jié)合了多種方法優(yōu)勢的混合流水線以單個像元多年時間序列為例數(shù)據(jù)準備與預處理輸入原始時間序列植被指數(shù)如MODIS 16天合成EVI、對應(yīng)的數(shù)據(jù)質(zhì)量標識QA波段。利用QA波段進行初步去云和去低質(zhì)量數(shù)據(jù)將低置信度數(shù)據(jù)標記為缺失。使用Savitzky-Golay濾波對時間序列進行平滑重構(gòu)填補缺失值生成連續(xù)光滑的曲線。生長季背景值估算針對每一年定義“非生長季”窗口如北半球溫帶前一年第300天至當年第60天當年第300天至第365天。取這些窗口內(nèi)有效數(shù)據(jù)的中位數(shù)作為該年的背景值EVI_bg。使用中位數(shù)是為了抵抗異常值。年度信號分割與振幅計算針對每一年在平滑曲線上尋找全局最大值EVI_max。計算年度振幅Amp EVI_max - EVI_bg。信號強度檢查如果Amp 閾值如0.1標記該像元該年為“無顯著季節(jié)”物候參數(shù)賦空值流程結(jié)束。粗略生長季窗口劃定閾值法使用相對閾值法如10%振幅確定生長季大致的開始和結(jié)束范圍[SOS_rough, EOS_rough]。這個窗口用于約束后續(xù)精細提取。精細物候提取曲線擬合法為主在[SOS_rough-30天 EOS_rough30天]的擴展窗口內(nèi)使用雙邏輯斯蒂函數(shù)或非對稱高斯函數(shù)進行擬合。提供精心設(shè)置的參數(shù)初始值和邊界約束。計算擬合優(yōu)度R2。如果R2 0.7可調(diào)認為擬合成功。從擬合函數(shù)中提取物候參數(shù)例如將上升拐點t1作為SOS下降拐點t2作為EOS函數(shù)最大值點作為POS。擬合失敗的后備方案如果擬合失敗R2過低或不收斂則回退到導數(shù)法或閾值法。在粗略生長季窗口內(nèi)計算一階導數(shù)分別尋找上升段的最大值和下降段的最小值作為SOS和EOS的備選。結(jié)果后處理與過濾時間連續(xù)性檢查同一像元相鄰年份的SOS或EOS日期不應(yīng)發(fā)生劇烈跳躍如超過30天。對于異常跳躍值需要結(jié)合上下文判斷是否為真實變化如火災(zāi)或提取錯誤。空間一致性檢查相鄰像元的物候日期應(yīng)具有空間連續(xù)性。孤立的、與周邊差異極大的值可能是錯誤提取可以考慮用中值濾波等方法進行平滑或剔除。6.2 如何評估你提取的物候數(shù)據(jù)質(zhì)量沒有評估結(jié)果就不可信。評估分為間接驗證和直接驗證。間接驗證內(nèi)部一致性時間序列可視化隨機抽取一批像元將原始數(shù)據(jù)點、平滑曲線、擬合曲線以及提取的物候期標記豎線畫在同一張圖上。人工目視檢查提取的點是否落在曲線的“合理”位置如上升沿中部、下降沿中部。空間分布圖將提取的SOS或EOS制成空間分布圖。檢查是否符合地理規(guī)律如緯度梯度、海拔梯度和生態(tài)系統(tǒng)分布規(guī)律落葉林早于針葉林農(nóng)田有獨特模式。出現(xiàn)大面積反常識的斑塊很可能算法在該區(qū)域失效。統(tǒng)計分布查看物候日期的直方圖。如果出現(xiàn)不合理的雙峰或多峰可能意味著算法對某些地類如農(nóng)田、混合像元處理不佳。直接驗證與地面真值對比 這是最可靠但最困難的方式。需要獲取地面物候觀測數(shù)據(jù)如物候相機網(wǎng)絡(luò)、人工觀測記錄。尺度匹配問題地面觀測是一個點衛(wèi)星像元是一個面如MODIS是500x500米。如果觀測點位于均質(zhì)植被內(nèi)如大片農(nóng)田中心匹配較好如果位于森林邊緣或城市匹配誤差會很大。物候定義對齊問題地面觀測的“展葉始期”和衛(wèi)星提取的“生長季起始日”在生理意義上并不完全等同。衛(wèi)星看到的是冠層整體的綠度變化。需要理解這種差異通常衛(wèi)星物候會稍晚于地面展葉期。常用指標使用均方根誤差RMSE、偏差Bias、相關(guān)系數(shù)R來定量評估。通常在均質(zhì)植被區(qū)RMSE能控制在7-15天以內(nèi)就可以認為算法性能不錯。經(jīng)驗之談在實際項目中目視檢查永遠是最重要、最不能省略的一環(huán)。無論你的算法多么自動化在批量運行前一定要在不同生態(tài)系統(tǒng)、不同氣候區(qū)隨機抽取上百個像元進行人工檢查。我經(jīng)常通過這種檢查發(fā)現(xiàn)一些意想不到的算法邊界情況比如在灌溉農(nóng)田區(qū)由于多次澆水EVI曲線出現(xiàn)多次小波動導致擬合失敗。這些發(fā)現(xiàn)是優(yōu)化算法、增加規(guī)則的最直接來源。物候提取不是純數(shù)學問題更是對生態(tài)系統(tǒng)過程的理解問題。