馮銳 紀瑞鵬 武晉雯 于文穎 劉丹 陳妮娜 王瑩 張玉書

(1.中國氣象局沈陽大氣環(huán)境研究所，遼寧 沈陽 110166； 2.遼寧省農(nóng)業(yè)氣象災害重點實驗室，遼寧 沈陽 110166；3.黑龍江省氣象科學研究所，黑龍江 哈爾濱 150030； 4.遼寧省生態(tài)氣象和衛(wèi)星遙感中心，遼寧 沈陽 110166)

引言

遼寧省地處世界三大黑土區(qū)之一的東北黑土區(qū)南端，橫跨黃、渤兩海，屬溫帶濕潤、半濕潤大陸性季風氣候，是我國重要的糧食生產(chǎn)基地，也是氣候變化敏感地區(qū)之一[1]。對植被狀況變化的研究從一定程度上可以反映區(qū)域氣候變化的趨勢，可為未來糧食安全生產(chǎn)提供基礎(chǔ)分析數(shù)據(jù)[2]。歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)是開展植被動態(tài)變化、生長及覆蓋狀況研究的最佳指數(shù)之一，是監(jiān)測生態(tài)環(huán)境變化和區(qū)域尺度地表改變的有效指標[3]。目前，MOD13Q1(MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m SIN Grid)產(chǎn)品在大范圍植被動態(tài)監(jiān)測、地表植被分類和物候信息提取等方面廣泛應(yīng)用[4-6]。隨著衛(wèi)星遙感資料的積累，雖然同系列的衛(wèi)星傳感器波段范圍、通道寬度及分辨率相同，但受到衛(wèi)星傳感器狀態(tài)、云、氣溶膠、太陽高度角和地物二向反射等因素影響，衛(wèi)星數(shù)據(jù)集依然會存在著很多噪聲，給數(shù)據(jù)進一步應(yīng)用與分析帶來限制[7]。國內(nèi)外研究人員針對不同下墊面狀況、不同研究區(qū)域開展了大量的數(shù)據(jù)重建研究，比較常見的方法包括Savitzky-Golay濾波法[8]、傅里葉變換法(Fourier Transform，F(xiàn)T)[9]、均值迭代濾波(Mean-value Iteration Filter，MVI)[10]、時間序列諧波分析法[11]、Whittaker平滑法[12]、非對稱高斯函數(shù)擬合法[13]和雙Logistic函數(shù)擬合法[14]等，由于研究區(qū)域、植被覆蓋類型和噪聲程度不同，無法確定某種方法是否為普適的最優(yōu)數(shù)據(jù)重建方法[15]。2008年5月27日中國第二代極軌氣象衛(wèi)星風云三號A星升空[16]，到目前為止已經(jīng)發(fā)射了5顆系列衛(wèi)星，數(shù)據(jù)積累年份超過12 a，其攜帶的中分辨率光譜成像儀(MERSI)具有5個(Ⅰ型)或6個(Ⅱ型)250 m分辨率通道，可以更好地實現(xiàn)陸地多光譜連續(xù)觀測[17]，在大范圍遙感監(jiān)測中具有較高的實用價值[18]，但目前針對此傳感器的植被指數(shù)數(shù)據(jù)開展長序列重建研究成果還未見報道。因此，本文基于中國風云系列FY3/MERSI數(shù)據(jù)，選擇濾波和函數(shù)擬合方法對遼寧區(qū)域進行NDVI數(shù)據(jù)重建，并定量分析數(shù)據(jù)重建效果，以大田作物的生長階段為節(jié)點，分析遼寧省植被指數(shù)時空變化，揭示區(qū)域植被變化特征，為遼寧省乃至東北地區(qū)的環(huán)境監(jiān)測、氣候變化對農(nóng)業(yè)生產(chǎn)的影響評估、精細化農(nóng)業(yè)氣候區(qū)劃以及糧食安全提供精準、可信的國產(chǎn)氣象衛(wèi)星數(shù)據(jù)。

1 資料與方法

1.1 研究區(qū)概況

遼寧省位于中國東北地區(qū)南部，在38.72°—43.43°N、118.88°—125.77°E之間，總面積14.59×104km2，東部和西部為山地丘陵，中部為平原(圖1)，四季分明，雨熱同季，年降水量為433—1100 mm，降水分布不均[19]。

圖1 研究區(qū)位置示意圖(a)和7類地物提取點位置圖(b)Fig.1 Locations of the research area (a) and extraction points in seven types of ground features (b)

1.2 主要數(shù)據(jù)源

歸一化植被指數(shù)計算采用2009—2020年FY3A/MERSI、FY3B/MERSI和FY3D/MERSI數(shù)據(jù)，數(shù)據(jù)分辨率250 m，由于FY3C/MERSI數(shù)據(jù)只有不到2 a的數(shù)據(jù)，因此，數(shù)據(jù)選擇主要以FY3B/MERSI為主，F(xiàn)Y3A/MERSI和FY3D/MERSI為補充，2009—2010年選用FY3A/MERSI數(shù)據(jù)，2011—2018年選用FY3B/MERSI數(shù)據(jù)，2019—2020年選用FY3D/MERSI數(shù)據(jù)。FY3A為上午星，F(xiàn)Y3B和FY3D為下午星，F(xiàn)Y3A-C攜帶MERSI(Ⅰ型)傳感器，F(xiàn)Y3D攜帶MERSI(Ⅱ型)傳感器，本文計算植被指數(shù)所用通道為3通道和4通道，Ⅰ型和Ⅱ型的各參數(shù)基本一致(表1)。

表1 FY3/MERSI部分通道參數(shù)Table 1 Parameters in some channels of FY3/MERSI

FY3/MERSI數(shù)據(jù)來源于風云衛(wèi)星遙感數(shù)據(jù)服務(wù)網(wǎng)(http://satellite.nsmc.org.cn/PortalSite/Default.aspx)，數(shù)據(jù)處理采用衛(wèi)星監(jiān)測分析遙感應(yīng)用系統(tǒng)(Smart2.0)和ENVI軟件，采用等經(jīng)緯度投影，進行逐日NDVI計算，通過最大值合成法建立旬值植被指數(shù)原始數(shù)據(jù)集。植被指數(shù)原始數(shù)據(jù)集建立時，利用A-D星的光譜響應(yīng)函數(shù)和地面光譜觀測數(shù)據(jù)進行NDVI的相關(guān)分析，相關(guān)系數(shù)達到了0.99以上。因此，本文的NDVI數(shù)據(jù)重建中直接應(yīng)用各衛(wèi)星的NDVI計算值。

行政區(qū)劃數(shù)據(jù)來自于中國氣象局下發(fā)的1∶250000基礎(chǔ)地理信息。

1.3 歸一化植被指數(shù)計算

(1)

式(1)中，NDVI為歸一化植被指數(shù)；ρnir為近紅外波段反射率；ρred為紅光波段反射率。在FY3/MERSI中，分別對應(yīng)4通道和3通道。

1.4 數(shù)據(jù)重建方法

1.4.1 Savitzky-Golay濾波法(SG)

SG方法是基于最小二乘法原理的卷積濾波方法，基本公式為[20]：

(2)

式(2)中，Y*是擬合值；Y是原始值；系數(shù)j是指原NDVI數(shù)組的系數(shù)；滑動數(shù)組包含有2m+1個點；Ci是滑動窗口內(nèi)第i個點的系數(shù)。

1.4.2 時間序列諧波分析法(HANTS)

HANTS方法是以傅立葉變換為基礎(chǔ)的函數(shù)擬合法，表達式為[21]：

(3)

式(3)中，y是擬合值；A0是諧波余項；Aj是諧波振幅；ωj是諧波頻率；i是y的時間標記；N是時間序列長度；θj是諧波初相位；m是諧波個數(shù)；j是諧波標記。

1.4.3 非對稱高斯函數(shù)擬合法(AG)

AG方法是基于最小二乘法原理的擬合算法，采用不對稱高斯函數(shù)進行非線性擬合，表達式為[22]:

(4)

式(4)中，g(x，a1,…,a5)是高斯函數(shù)；a1是確定最大或最小值位置的參數(shù)，a2、a3和a4、a5分別是確定右、左兩邊的擬合曲線寬度和陡峭度的參數(shù)，一般情況下，為避免高斯函數(shù)的匹配點處出現(xiàn)尖點x=a1，a3和a5設(shè)定值應(yīng)大于2。

1.4.4 雙Logistic函數(shù)擬合法(DL)

DL方法利用冬季植被指數(shù)、最大植被指數(shù)、曲線上升和下降兩個拐點和拐點處植被指數(shù)變化速率進行擬合，表達式為[7,23]：

(5)

式(5)中，g(x,a1,…a4)是雙Logistic函數(shù)；a1、a2和a3、a4分別是確定擬合曲線左、右兩邊的拐點位置和變化速率的參數(shù)。

1.4.5 四種方法的參數(shù)設(shè)置

SG、DL和AG數(shù)據(jù)重建是在TIMESAT軟件中實現(xiàn)，而HANTS數(shù)據(jù)重建是在hants軟件中實現(xiàn)，其參數(shù)設(shè)置對植被指數(shù)濾波后效果有很大的影響，參數(shù)的設(shè)定一般通過經(jīng)驗或者反復試驗確定[24]，本文通過查閱相關(guān)的研究成果和反復試驗，確定了各方法的參數(shù)[7,25-27](部分參數(shù)設(shè)置見表2)。對于SG、

表2 四種方法的參數(shù)設(shè)置Table 2 Parameter settings of four fitting methods

DL和AG方法，本文尖峰方法選擇1，即中值濾波方法，與此方法相對應(yīng)的尖峰值設(shè)置為2，尖峰值主要決定尖峰去除程度，低值將消除更多尖峰；季節(jié)設(shè)置為1，一年一季；滑動窗口是SG濾波需要設(shè)置的參數(shù)，這個值過小容易產(chǎn)生冗余數(shù)據(jù)，過大會遺漏細節(jié)信息，選擇5；迭代次數(shù)的設(shè)置讓時間序列數(shù)據(jù)在迭代的過程中更接近上部包絡(luò)線。對于HANTS方法，頻率數(shù)決定擬合偏差的大小，數(shù)值越大擬合偏差越小，但也會帶來更多噪聲，經(jīng)過對比試驗選取5效果較好；相位偏移代表數(shù)據(jù)起始月份，本系列數(shù)據(jù)從1月份開始，因此取值0。

1.5 數(shù)據(jù)重建效果評價方法

分別從時間序列曲線分析和誤差統(tǒng)計分析兩方面對數(shù)據(jù)重建效果進行評價，誤差統(tǒng)計分析選擇相關(guān)系數(shù)(R)和均方根誤差(RMSE)2個參數(shù)進行比較和評價[28]。

2 結(jié)果分析

2.1 典型地物NDVI數(shù)據(jù)重建時間序列曲線比較

為評價遼寧地區(qū)SG、DL、AG、HANTS等方法數(shù)據(jù)重建效果和適用性，選擇林地、蘆葦濕地、水稻、玉米、大豆、城市和水體等不同地物，進行2009—2020年重建數(shù)據(jù)與原始數(shù)據(jù)時間序列曲線對比分析。從圖2可以看出，四種方法進行數(shù)據(jù)重建時均表現(xiàn)出相對較好的去噪能力。對于高植被區(qū)(圖2a至圖2e)，在每年7—8月和每年11月中旬到次年2月底均出現(xiàn)較多噪聲，對于城市和水體(圖2f和圖2g)，每年11月中旬到次年2月底出現(xiàn)噪聲較多，這是由于每年11月中旬到次年2月底是遼寧省的冬季，噪聲的形成除了云的影響，還有冰雪的因素，而7—8月是植被生長茂盛階段，也恰好是遼寧省的夏季，噪聲主要來源于云的影響。

圖2a中林地的原始NDVI曲線在高值區(qū)波動較大，四種方法對高值區(qū)和低值區(qū)的突降點均做了平滑處理，有所不同的是，AG和DL方法擬合后的曲線對高值區(qū)和低值區(qū)都做了較好的平滑，SG和HANTS方法受到噪聲影響，更多的保留了突降點的變化特征，曲線波形變化劇烈，甚至在某些年份出現(xiàn)了雙峰現(xiàn)象，尤其是在2011年、2013年、2015年和2017年7—8月出現(xiàn)的低值噪聲濾波時表現(xiàn)不佳，以2017年8月上旬為例，林地原始植被指數(shù)為0.09，存在著嚴重偏低情況，濾波后SG方法NDVI為0.57，DL方法為0.71，AG方法為0.65，HANTS方法為0.58，結(jié)合上一旬和下一旬植被指數(shù)，分別為0.68和0.72，DL方法濾波后的結(jié)果更接近真實生長過程，SG和HANTS存在著低估現(xiàn)象。

圖2 2009—2020年遼寧地區(qū)不同地物4種重建數(shù)據(jù)與林地(a)、濕地(b)、水稻(c)、玉米(d)、大豆(e)、城市(f)和水體(g)原始數(shù)據(jù)對比曲線Fig.2 Comparisons between reconstruction data and original data of woodland (a),wetland (b),rice (c),corn (d),soybean (e),urban (f),water body (g) and their reconstruction data from 2009 to 2020

圖2b是濕地的NDVI變化曲線，遼寧省的蘆葦濕地位于遼河三角洲南端，是亞洲第一大蘆葦濕地。四種方法重建數(shù)據(jù)的濕地數(shù)據(jù)與林地數(shù)據(jù)比較相似，除了HANTS方法在高值區(qū)有了較好的平滑處理外，SG方法受到噪聲影響，仍出現(xiàn)比較多的擾動，AG和DL方法對高、低值區(qū)都做了較好的平滑，DL方法的峰值更接近原始峰值。

圖2f和圖2g中，城市和水體的原始NDVI值都比較低，基本集中在-0.20～0.25，除HANTS方法在低值區(qū)受噪聲影響，曲線波動比較大以外，SG、AG和DL三種方法均表現(xiàn)不錯，做了較好的平滑處理，更接近實際的情況。

圖2c、圖2d和圖2e分別為遼寧省主要的三大糧食作物水稻、玉米和大豆的NDVI變化曲線，遼寧省的農(nóng)作物為一年一熟制，因此年際間的曲線變化均為單峰形式，AG和DL方法平滑效果較好，低值區(qū)表現(xiàn)優(yōu)秀。在高值區(qū)，玉米和大豆兩種方法均存在著低估的情況，水稻AG方法也存在著低估情況，但DL方法沒有明顯低估現(xiàn)象。SG和HANTS方法在農(nóng)田高值區(qū)中有很好的表現(xiàn)，但在低值區(qū)受突變點影響，擾動明顯。

2.2 典型地物數(shù)據(jù)重建時間序列數(shù)據(jù)定量分析

為定量評價2009—2020年遼寧地區(qū)SG、DL、AG和HANTS方法的適用性和保真能力，在林地、濕地、水稻、玉米、大豆、城市和水體等不同地物共選取采樣點498個，分別計算相關(guān)系數(shù)和均方根誤差(圖3)。從圖3可以看出，在林地、濕地、大豆、水稻和玉米這五類高植被覆蓋區(qū)和季節(jié)性作物區(qū)，SG方法重建后的NDVI與初始值的相關(guān)系數(shù)均高于其他三種方法，達到了0.93以上。同時，均方根誤差低于其他三種方法，尤其是大豆，RMSE小于0.05。在城市和水體低植被指數(shù)區(qū)，HANTS方法重建后的NDVI與初始值相關(guān)系數(shù)最高，為0.87，其余三種方法重建后的NDVI與初始值相關(guān)系數(shù)差別不大，為0.79—0.82，四種方法的均方根誤差的差別不大，在0.06左右。因此，從數(shù)據(jù)保真性來看，SG方法效果更優(yōu)。

圖3 2009—2020年遼寧地區(qū)不同地物4種重建數(shù)據(jù)與原始數(shù)據(jù)的相關(guān)系數(shù)和RMSEFig.3 The correlation coefficients and RMSE between reconstruction data and original data based on the four methods in various ground features from 2009 to 2020

2.3 遼寧省植被指數(shù)空間分布

對比時間序列曲線分析和基于統(tǒng)計的定量分析結(jié)果可以發(fā)現(xiàn)，不同分析四種數(shù)據(jù)重建方法的適用性并不一致，曲線分析認為，不論在高植被覆蓋區(qū)還是在低植被覆蓋區(qū)DL方法均有較好的表現(xiàn)，統(tǒng)計定量分析認為，SG方法在高植被覆蓋區(qū)更適合，HANTS方法在低植被覆蓋區(qū)表現(xiàn)更為突出。造成這一結(jié)果的原因，與SG方法更多的保留了原始NDVI數(shù)據(jù)的細節(jié)，而DL方法對高值區(qū)和低值區(qū)都做了較好的平滑有關(guān)。綜合考慮曲線和定量分析結(jié)果，并且數(shù)據(jù)應(yīng)用時更多的關(guān)注高植被覆蓋區(qū)和作物種植區(qū)，因此，選取數(shù)據(jù)保真性更高的SG方法對遼寧省植被指數(shù)數(shù)據(jù)集進行數(shù)據(jù)重建。

將2009—2020年重建后的逐旬植被指數(shù)進行年內(nèi)最大值計算，得到2009—2020年逐年植被指數(shù)，再將計算結(jié)果平均，得到遼寧省植被指數(shù)空間分布(圖4)，從圖4可以看出，植被指數(shù)的高低分布與下墊面植被類型相符合，遼寧東部林地、中部水稻種植區(qū)、中北部旱田種植區(qū)及西部少量林地的植被指數(shù)在0.70以上，尤其是東部山區(qū)林地達到0.75以上；遼西灌木林區(qū)、盤錦蘆葦濕地及全省大部分旱田種植區(qū)，植被指數(shù)均在0.60—0.70，僅有小部分遼寧西部和遼寧南部的旱田植被指數(shù)在0.50—0.60；水體、城市、灘涂等，植被指數(shù)均低于0.30。從植被指數(shù)分布來看，高值集中，0.55以上的像元占到了92%，占比最高的數(shù)值是0.65—0.70，為26%。

圖4 2009—2020年遼寧省植被指數(shù)空間分布Fig.4 Spatial distributions of vegetation indices in Liaoning province from 2009 to 2020

2.4 遼寧省植被指數(shù)年際變化

基于上文2009—2020年逐年植被指數(shù)，將遼寧省范圍內(nèi)的植被指數(shù)和林地、城市、大豆、濕地、水稻、玉米及水體七類地物提取點植被指數(shù)平均，進行遼寧省植被指數(shù)年際分析(圖5)，從圖5可以看出，2009—2020年遼寧省NDVI年均值存在波動，最大值出現(xiàn)在2012年，為0.77，最低值出現(xiàn)在2014年，為0.59；12 a中，有5 a的相對變化百分率為負值，負增長最大值出現(xiàn)在2012—2013年，為-18.0%，正值年份有6 a，增長率最大為13.3%，出現(xiàn)在2015—2016年。

從圖5b可以看出，2009—2020年，遼寧省林地植被指數(shù)為0.67—0.89，2009年出現(xiàn)最大值，為0.89，2019年出現(xiàn)最小值，為0.67；濕地和水稻植被指數(shù)數(shù)值接近，低于林地的植被指數(shù)，大部分值集中在0.65左右；旱田作物(玉米、大豆)的植被指數(shù)各年均比水稻植被指數(shù)值低，且兩者的植被指數(shù)非常接近，受干旱年的影響植被指數(shù)變化稍大，在2014年和2017年出現(xiàn)低值[29-31]；水體和城市植被指數(shù)在12 a間變化相對較小，兩者之間的數(shù)值差別也很小，一般情況下，在0.07以內(nèi)，且遠低于其他五類地物，為0.14—0.33。

圖5 2009—2020年遼寧省平均植被指數(shù)(a)和不同地物均值(b)年際變化Fig.5 Inter-annual variations of the average vegetation indices in Liaoning Province (a) and mean values of various ground features (b) from 2009 to 2020

2.5 遼寧省大田作物植被指數(shù)年內(nèi)變化

將2009—2020年遼寧省玉米、大豆和水稻植被指數(shù)進行平均，得到三種作物年內(nèi)變化曲線(圖6)。從圖6可以看出，遼寧省一般在5—9月是作物生長季，植被的變化也主要在這個時間段體現(xiàn)。在生長季中，三種作物NDVI均呈單峰分布，玉米和大豆的生長曲線基本重合，植被指數(shù)均在5月中旬開始進入持續(xù)增長階段，在8月上旬達到最大值，分別是0.57和0.53；水稻的生長曲線與玉米、大豆有很大不同，水稻在移栽期(5月下旬)之后NDVI快速增大，出現(xiàn)生長陡坡，在8月上旬達到最大值0.67。從作物植被指數(shù)曲線變化來看，利用中分辨率衛(wèi)星數(shù)據(jù)進行旱田作物分類的可能性很低，但可利用水稻快速生長期的植被指數(shù)變率與移栽期植被指數(shù)相結(jié)合開展水稻面積提取。

圖6 2009—2020年遼寧省玉米、大豆和水稻年內(nèi)旬值植被指數(shù)變化Fig.6 Annual vegetation index variations in ten-day values of corn,soybean and rice from 2009 to 2020

3 結(jié)論與討論

(1)SG、DL、AG和HANTS四種方法重建后的時間序列曲線與原始曲線相比，均表現(xiàn)出相對較好的去噪能力。SG方法對噪聲比較敏感，會保留更多原始曲線的細節(jié)信息。HANTS方法在低值區(qū)受噪聲影響大。AG和DL方法平滑效果較好，但存在峰值低估的現(xiàn)象。從定量角度看，在高植被覆蓋區(qū)和季節(jié)性作物區(qū)，SG方法相關(guān)系數(shù)最高(>0.93)、均方根誤差最低(<0.1)。綜合考慮曲線和定量分析結(jié)果，選取SG方法進行遼寧省植被指數(shù)數(shù)據(jù)集數(shù)據(jù)重建，為風云三數(shù)據(jù)進行植被動態(tài)變化分析提供科學、準確的基礎(chǔ)數(shù)據(jù)。

(2)重建后的遼寧省植被指數(shù)空間分布與下墊面植被類型相符合，SG方法在遼寧省植被重建中具有較好的效果。從植被指數(shù)年際變化來看，以2014年為時間節(jié)點，存在著先下降后上升的現(xiàn)象，旱田作物(玉米、大豆)的植被指數(shù)受干旱年的影響植被指數(shù)變化較大，重建后的植被指數(shù)數(shù)據(jù)集可為氣候變化影響評估、災害監(jiān)測評估提供基礎(chǔ)數(shù)據(jù)。

(3)水稻、玉米和大豆三種作物的植被指數(shù)年內(nèi)均呈單峰分布，水稻存在著6月上中旬生長陡坡期等作物生長曲線變化，可為中分辨率衛(wèi)星數(shù)據(jù)開展作物分類提供定量信息依據(jù)。

(4)目前，國內(nèi)外學者已發(fā)展多種時間序列數(shù)據(jù)重建方法[15]，本研究選取了一種濾波方法(SG)和三種函數(shù)擬合方法(AG、DL和HANTS)，從擬合效果來看，四種方法均表現(xiàn)出相對較好的去噪能力，AG方法和DL方法在進行植被指數(shù)長時間序列數(shù)據(jù)重建時效果相近，這與眾多研究結(jié)果一致[7,27,32-34]，這兩種方法在植被的高低值區(qū)均有明顯的平滑表現(xiàn)，這與AG方法和DL方法在進行數(shù)據(jù)擬合時，考慮植被生長變化的整體特征有關(guān)，尤其是在遼寧省，作物是一年一熟的單峰曲線，這兩種方法均能對突然出現(xiàn)的噪聲進行平滑，但也會對一些作物生長過程中的局部變化造成忽略[7]，比如水稻在返青—分蘗期的生長陡坡。從曲線分析來看，DL和AG方法在耕地的重建中均有較好的表現(xiàn)，與王乾坤等[35]和衛(wèi)煒等[36]研究結(jié)果一致，但是從相關(guān)系數(shù)和均方根誤差的數(shù)據(jù)來看，這兩種方法的表現(xiàn)并不出色。HANTS方法在低植被覆蓋區(qū)和水體中表現(xiàn)突出，相關(guān)系數(shù)遠高于其他三種方法，這與鄒明亮等[37]針對疏勒河流域的數(shù)據(jù)重建時結(jié)論一致。SG方法對噪聲敏感，在數(shù)據(jù)波動明顯時，重建結(jié)果會存在波形擾動，但同時對局部細節(jié)也更加敏感，數(shù)據(jù)的保真性更好[7,35,38]。每種數(shù)據(jù)重建方法均有其適用性，因此，應(yīng)綜合考慮植被類型、數(shù)據(jù)應(yīng)用目的選擇數(shù)據(jù)重建方法。

從遼寧省植被指數(shù)空間分布來看，數(shù)值高低分布與東部山區(qū)、西部丘陵和中部平原的地形相吻合。從時間變化來看，年均歸一化植被指數(shù)存在著波動，且低值年(2014年、2017年和2019年)均與遼寧的干旱年相吻合，國志興等[39]分析1982—2003年東北地區(qū)植被指數(shù)變化趨勢認為森林、農(nóng)田的植被指數(shù)均呈下降趨勢，本研究中，植被指數(shù)的趨勢線以2014年為分界點，呈現(xiàn)先下降后上升的趨勢，但由于時間序列較短，數(shù)據(jù)的變化是否能支撐此論點還有待于進一步研究。遼寧主要大田作物的植被指數(shù)年內(nèi)變化均呈單峰曲線[40]，在8月上旬達到峰值，這一結(jié)論與國志興等[39]一致。