EN中文

热带地理 >

2023 , Vol. 43 >Issue 3: 532 - 544

DOI: https://doi.org/10.13284/j.cnki.rddl.003637

植物地理

中南半岛植被物候与极端降水的变化特征及关联

  • 朱彤彤 , 1 ,
  • 王绍强 , 1, 2, 3 ,
  • 李卉 1 ,
  • 李霞 4 ,
  • 刘侦海 1 ,
  • 钱钊晖 4 ,
  • 王小博 2, 3 ,
  • 刘媛媛 2, 3 ,
  • 涂勇凯 1
展开
  • 1. 中国地质大学（武汉） 地理与信息工程学院 区域生态过程与环境演变实验室，武汉 430074
  • 2. 中国科学院地理科学与资源研究所 生态系统网络观测与模拟重点实验室，北京 100101
  • 3. 中国科学院大学 资源与环境学院，北京 100049
  • 4. 生态环境部对外合作与交流中心，北京 100035
王绍强（1972—），男，湖北襄樊人，研究员，博士，研究方向为生态模拟与生态遥感，（E-mail）。

朱彤彤（1998—），女，河北沧州人，硕士研究生，研究方向为生态模拟与生态遥感，（E-mail）；

收稿日期: 2022-03-30

  修回日期: 2022-05-27

  网络出版日期: 2023-03-31

基金资助

中国地质大学（武汉）科研启动基金资助项目(162301192642)

中国-东盟海洋生物廊道建设合作项目(144022000000180031)

收起

Variation Characteristics and Correlation between Vegetation Phenology and Extreme Precipitation in Indo-China Peninsula

  • Tongtong Zhu , 1 ,
  • Shaoqiang Wang , 1, 2, 3 ,
  • Hui Li 1 ,
  • Xia Li 4 ,
  • Zhenhai Liu 1 ,
  • Zhaohui Qian 4 ,
  • Xiaobo Wang 2, 3 ,
  • Yuanyuan Liu 2, 3 ,
  • Yongkai Tu 1
Expand
  • 1. Laboratory of Regional Ecological Processes and Environmental Evolution, School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China
  • 2. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. Foreign Environmental Cooperation Center, Ministry of Ecology and Environment of the People's Republic of China, Beijing 100035, China

Received date: 2022-03-30

  Revised date: 2022-05-27

  Online published: 2023-03-31

Fold

本文亮点

利用MCD12Q2数据提取中南半岛的植被物候指标，采用Sen+Mann-Kendall法、灰色关联分析及R/S分析等方法，分析中南半岛地区生长季开始、生长季结束、生长季长度及极端降水指标的时空分布特征及其关联，并预测物候指标的未来变化趋势。结果表明：1）2001—2018年中南半岛生长季开始及结束时间均表现出东部地区早于西部的空间特征，半岛生长季长度多保持在8~9个月左右；除暴雨日数指标，极端降水指标的空间分布特征与年总降水量的空间分布相似，大致呈西高东低；2）生长季始期与生长季末期以提前趋势为主，生长季长度以缩短趋势为主；年尺度降水量与强度无明显变化，但单日最大降水量、极强降水量和暴雨日数指标呈下降趋势，中雨日数、大雨日数和连续有雨日数指标均呈上升趋势，表明中南半岛极强降水事件减少，中等强度极端事件增多，降水事件的持续时间变长；3）各物候指标的主控极端降水指标类型空间分布模式相似且集中，植被物候与区域气候密切相关；4）中南半岛各物候指标未来变化趋势与过去变化趋势相反，且以延后趋势为主。

本文引用格式

朱彤彤 , 王绍强 , 李卉 , 李霞 , 刘侦海 , 钱钊晖 , 王小博 , 刘媛媛 , 涂勇凯 . 中南半岛植被物候与极端降水的变化特征及关联[J]. 热带地理, 2023 , 43(3) : 532 -544 . DOI: 10.13284/j.cnki.rddl.003637

Highlights

The Indo-China Peninsula lies in a tropical monsoon climate zone and is prone to extreme weather events, including droughts and floods. Against the backdrop of global warming, the frequent occurrences of extreme precipitation affect the typical growth and phenology of vegetation. Based on the Sen+Mann-Kendall method and grey correlation analysis, the temporal and spatial characteristics of vegetation phenology and extreme precipitation in the Indo-China Peninsula and their relationships are analyzed. Vegetation phenological indices are extracted from MCD12Q2 and include the start of the growing season (SGS), the end of the growing season (EGS), and the length of the growing season (LGS). Based on the rescaled range (R/S) analysis, the future trends of these three phenological indices are predicted. The results show the following: 1) Spatial and temporal distribution characteristics: From 2001 to 2018, the SGS and EGS in the eastern region occurred earlier than those in the western region, and LGS was related to vegetation type, lasting approximately 3-7 months in agricultural areas and around 8-9 months in other areas. Excluding the number of rainstorm days (R50), the spatial distribution characteristics of extreme precipitation index were similar to that of annual total precipitation (PRCPTOT), which was higher in the west and lower in the east; 2) Trend: The SGS and EGS show an advanced trend, while the LGS shows a shortened trend; PRCPTOT and daily precipitation intensity had no obvious changes, maximum daily precipitation, extremely heavy rainfall, and R50 show a downward trend, while moderate rain days, heavy rain days and continuous wet days show an upward trend; these demonstrate that the Indo-China Peninsula has fewer extremely strong precipitation events, increased moderate intensity extreme events, and longer duration of rainfall events; 3) Correlation: By comparing the grey correlation degree between phenological indices and extreme precipitation indices, the distribution of the main extreme precipitation indices were obtained and found to have similar and concentrated spatial distribution; the spatial characteristic shows that there was a close relation between vegetation phenology and regional climate; the Indo-China Peninsula is divided into three zones from north to south, and the main controlling factors are the absolute index, the relative index, and the persistence index, respectively; 4) Sustainability: Based on the coupling analysis of H index of phenological indices calculated by R/S method and the Sen+Mann-Kendall method, we found that the future trend of phenological indicators was delayed and opposite to the previous trend in most parts of the Indo-China Peninsula. It is necessary to further study the index system and refine extreme precipitation events to distinguish the effects of different events on vegetation phenology.

极端降水通常指在某一地区一定时间内出现的罕见强降水或弱降水事件（概率＜10%）（IPCC, 2007），具有突发性、复杂性和区域性等特点，并易引发洪涝、泥石流、滑坡和干旱等自然灾害。在全球气候变暖大背景下，极端降水事件的频次、强度及持续时间不断增加（IPCC, 2013），且在热带地区趋势加强（Cui et al., 2019），对农业、生态和社会经济等方面造成巨大损失（Limsakul et al., 2016）；如2015年的强厄尔尼诺事件导致的极端降水，对巴西、东南亚等多地的植被造成大规模的破坏和死亡（Huijnen et al., 2016; Rifai et al., 2019）。
植被物候是植被群落受气候和其他环境因素的年际和季节变化影响而反复发生的周期性事件，可以有效表达植被生长发育的季节特征（Schwartz, 2013）。气候因素是植被生长的主要驱动因子之一（代武君 等，2020），植被物候对气候变化的响应将直接影响陆地碳、水、养分的循环和植被生产力（Keenan et al., 2014; Du et al., 2019）。同时，植被物候对极端气候变化敏感（Badeck et al., 2004；付阳 等，2021）。极端气候事件可以在短时间内迅速改变植被的生长条件、生产力和死亡率，从而影响植被生长（Deng et al., 2019），如干旱会使中国西南地区植被生长季长度缩短（Lai et al., 2020），洪涝灾害可以抑制植被正常的呼吸和光合作用（张彬 等，2014），但适宜的极端降水会促进植被生产力的增加（Fay et al., 2008）。因此，探讨极端降水与植被物候之间的联系，有利于应对突发的异常降水事件、制定防灾减灾政策，从而有效避免生态破坏、减少人民财产损失。
中南半岛地区位于印度次大陆与西北太平洋之间，受到印度季风和东亚季风的影响（Ge et al., 2016；陈海山 等，2020）。近几十年来，整个东南亚极端旱涝现象多发、极端降水强度和频率增强（Ge et al., 2019），是气候变化研究的热点地区（Miyan, 2015）；湄公河流域极端气候事件（特别是干旱）频发且多在农业区，具有破坏性和脆弱性，并有向中下游国家蔓延的趋势（Miyan, 2015; Zhang et al., 2020）；且相较于东南亚其他地区，中南半岛的植被类型更加丰富（Ding et al., 2020），植被物候的周期性更加明显（Ye et al., 2021），适合开展研究。中南半岛属热带季风气候，植被物候相较于气温和光照的变化，对降水的变化更敏感（Roongroj et al., 2008; Rudiyanto et al., 2019）。目前，对于中南半岛地区植被物候学研究相对较丰富，但已有研究多基于单一植被类型（Zhang et al., 2016; Rudiyanto et al., 2019），并未从整体对中南半岛物候特征进行详细分析；Suepa等（2016）得出中南半岛的植被物候特征与降水正相关，但并未考虑极端降水事件对植被物候影响。中南半岛不仅是构建“一带一路”倡议的重要区域，还是孟加拉湾水汽向中国输送的通道，揭示中南半岛地区植被物候与极端降水的关联，可为推进“中国－中南半岛”经济带的发展以及进行基础设施建设提供较详细的物候与气候的信息参考，同时为中国进行区域气候灾害的预防和应对提供科学参考。
因此，本文以中南半岛为研究区域，基于2001－2018年的MCD12Q2数据和TRMM降水数据，提取3个植被物候指标和11个极端降水指标，主要探讨：1）中南半岛地区植被物候指标和极端降水指标的时空变化特征；2）该区域极端降水与生长季的联系，分析不同极端降水指标对物候指标的相对影响程度；3）预测各物候指标的未来变化趋势。

1 材料和方法

1.1　研究区概况

中南半岛位于0°－29° N和92°－110° E（图1），主要包括缅甸、泰国、老挝、柬埔寨、越南和西马来西亚，总面积为205.3万km2，平均海拔约430 m；地处热带季风气候区，受东北和西南季风影响，旱雨季明显（雨季多在5－10月），雨季降水丰沛，旱季干燥少雨，多年平均降水量为800~4 500 mm；主要植被类型为常绿阔叶林、农田、落叶阔叶林和稀疏林。
图1 中南半岛土地覆盖类型空间分布

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号GS（2016）2948的标准地图制作，底图无修改。

Fig.1 Spatial distribution of land cover types in Indo-China Peninsula

1.2　数据来源与预处理

1.2.1　遥感数据预处理及物候指标获取

采用美国NASA 1提供的MCD12Q2物候数据产品（2001－2018年），空间分辨率为500 m。对数据进行投影转换、拼接、裁剪，逐年提取植被生长季开始（SGS）和生长季结束（EGS），并计算生长季长度（LGS）。MCD12Q2是基于增强型植被指数（EVI）获得的植被物候反演产品，EVI相较于归一化植被指数（NDVI）降低了大气和土壤背景的影响，对植被冠层变化的敏感性更高，对植被生长动态变化的响应更积极（Huete et al., 2002; Zhang et al., 2003; Karkauskaite et al., 2017；王晓利 等，2019），因此，EVI数据在多云以及森林火灾频发的热带地区研究植被物候的动态变化更具优势（Suepa et al., 2016）。MCD12Q2物候产品具有较好的普适性，已在全球多地得到应用，Xiao等（2013）利用地面观测资料对MCD12Q2物候产品进行验证，表明两数据相关性很高（R 2>0.9）；Vintrou等（2014）利用物候模型数据验证西非地区的卫星物候产品，认为MCD12Q2的生长季始期指标适合表现物候期的时空变化；Peng等（2017）在美国利用国家物候网络与多卫星物候产品进行比较，证明MCD12Q2适合提取2001年以来的植被物候指标。

1.2.2　降水数据预处理及极端降水指标提取

利用热带降水测量卫星（TRMM 2）提供的日累计降水量数据产品TRMM3B42（空间分辨率为0.25°，时间序列为2001－2018年）计算极端降水指标。TRMM卫星降水数据产品克服了站点观测数据空间连续性差的缺点，且与站点数据具有较好的一致性（Roongroj et al., 2008; Suepa et al., 2016），Chen等（2018）在湄公河流域对比了地面观测数据、3个再分析产品和2个卫星产品，结果表明TRMM数据的准确性更高。
根据国际气候诊断与指数小组（ETCDD-MI）提供的极端气候指标（任福民 等，2014），利用其中11个极端降水指标定量描述极端降水事件的强度、持续情况及频率等（表1）。在MATLAB中对降水数据进行格式转换，并根据各指标定义提取中南半岛地区的极端降水指标。
表1 极端降水指标及定义

Table 1 Definition and classification of extreme precipitation index

指标类型 指标名称 定义 单位
强度指数 年降水量（PRCPTOT） ≥1 mm降水日累积量 mm
降水强度（SDII） 年降水量/≥1 mm降水日数 mm/d
1日最大降水量（RX1day） 日最大降水量 mm
持续指数 连续无雨日数（CDD） 最长连续无降水日数 d
连续有雨日数（CWD） 最长连续降水日数 d
5日最大降水量（RX5day） 连续5日最大降水量 mm
相对指数 强降水量（R95pTOT） 年内日降水量＞95%分位值的降水量之和 mm
极强降水量（R99pTOT） 年内日降水量＞99%分位值的降水量之和 mm
绝对指数 中雨日数（R10） 日降水量≥10 mm的天数 d
大雨日数（R25） 日降水量≥25 mm的天数 d
暴雨日数（R50） 日降水量≥50 mm的天数 d

1.3　研究方法

1.3.1　趋势分析

Sen趋势度分析可以减少数据序列噪声的干扰，Mann-Kendall方法能对数据序列趋势的显著性进行检验，2种方法相结合可在一定程度上提高检验结果的显著性（Hong et al., 2019）。因此，利用Sen+Mann-Kendall趋势检验法对研究区域2001－2018年植被物候指标和极端降水指标的空间变化趋势进行分析。
Sen趋势度计算公式：
β = M e d i a n x j - x i j - i , ∀ j > i                                   
式中： x i和 x j为时间序列 i和 j的对应数据；通过 β判断指标的升降趋势。当 β > 0时，指标时序呈上升趋势；反之呈下降趋势。
Mann-Kendall趋势检验法计算公式：
S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n x j - x i , s g n x j - x i =   + 1 ,    x j - x i > 0 0 ,    x j - x i = 0 - 1 ,    x j - x i < 0                                              
式中： n是序列中数据个数。
使用检验统计量 Z对统计量 S进行检验：
Z =   S - 1 V A R S ,    S > 0 0 ,    S = 0 S + 1 V A R S ,    S < 0                                      
  V A R S = [ n n - 1 2 n + 5 - ∑ i = 1 m t i t i - 1   2 t i + 5 ] / 18    
式中： n是序列中数据个数； m是序列中结（重复出现的数据组）的个数； t i是结的宽度（第 i组重复数据组中的重复数据个数）。采用双边趋势检验，在给定显著性水平 α下，在正态分布表中查得临界值 Z 1 - α / 2，当 | Z | ≤ Z 1 - α / 2时，趋势不显著；若当 | Z | > Z 1 - α / 2，认为趋势显著。
时间序列长度为18年（2001－2018年），所以序列个数设为18，显著水平取 α = 0.05，即Z1-α/2=Z0.975=1.96。当 β > 0且 | Z | > 1.96，序列呈显著上升趋势，当 β > 0且 Z ≤ 1.96，序列呈不显著上升趋势，同理当 β < 0且 | Z | > 1.96，序列呈显著下降趋势，当 β < 0且 Z ≤ 1.96，序列呈下降但不显著趋势。

1.3.2　灰色关联分析

灰色关联分析具有不受样本类型和概率分布限制的特点，能在众多因素中找到影响目标对象的主要因素，以及在众多对象特征中找出与影响因素最为密切的特征（Huang et al., 2019）。灰色关联分析已被广泛应用于气象（Huang et al., 2019）、物候（Sa et al., 2021）及生态（刘侦海 等，2021）等领域。因此，本文利用灰色关联分析明确极端降水指标与物候指标之间的关联程度，定量探讨不同极端降水指标对物候指标的影响程度。具体实现过程为（Liu et al., 2020）：
1）确定比较序列与参考序列。将每个像元的3个物候指标的时间序列分别作为参考序列，极端降水指标CDD、CWD、PRCPTOT、R10、R25、R50、RX1day、RX5day、R95pTOT、R99pTOT、SDII作为比较序列；
2）无量纲化处理。由于各序列间单位不同，为增强序列间可比性，拟采用均值化变换进行数据处理；
x i k = x ´ i k 1 m ∑ k = 1 m x ´ i k k = 1,2 , … , m                  
3）计算关联系数：
ζ i k = m i n i m i n k x 0 k - x i k + ρ m a x i m a x k x 0 k - x i k x 0 k - x i k + ρ m a x i m a x k x 0 k - x i k    
4）计算关联度：
r x 0 , x i = 1 m ∑ k = 1 m ζ i k                                               
式中：m是每类指标的个数；n是指标的类数； x 0代表参考序列； x i为比较序列，代表第i个指标的整个序列； x ´ i k是第i个指标的第k个原始数据； x i k代表第i个指标的第k个无量纲处理后的结果（ i=0，1，…，n； k=1，2，…，m）； ρ为分辨系数，值越小，关联系数间差异越大，区分能力越强，通常取值0.5。
将具有最大灰色关联度的影响变量，作为影响某一目标变量的主导影响因素，即主控要素（刘侦海 等，2021）。

1.3.3　持续性预测

Hurst指数最早由英国水文学家Hurst提出，用于定量描述时间序列数据的持续性，Hong（2020）和董满宇（2020）等已将其应用于对极端降水指标以及物候指标的预测。具体计算过程为：
定义指标A的时间序列为 A t，其中 t（ t=1，2，…， n）为时间序列长度，对于任意整数 τ ≥ 1，该时间序列的均值序列 A ¯ t为：
A ¯ t = 1 τ ∑ t = 1 τ A t       τ = 1,2 , · · · , n                           
累积离差序列 X t , τ为：
X t , τ = ∑ t = 1 τ A t - A ¯ t                                                 
极差序列 R τ为：
         R τ = m a x X t , τ - m i n X t , τ      1 ≤ t ≤ τ ; τ = 1,2 , · · · , n                                                                                     
标准差序列 S τ为：
S τ = 1 τ ∑ t = 1 τ A t - A ¯ t 2 1 2      τ = 1,2 , · · · , n        
计算Hurst指数为：
R τ S τ = c τ H
式中： H即为Hurst指数； c为比例参数。
当 H = 0.5时，表明时间序列A是完全独立的，没有相关性或只是短程相关；当 0 < H < 0.5时，表明时间序列A具有反持续性，未来的变化状况与过去趋势相反，且 H值越小，反持续性越强；当 0.5 < H < 1时，表明未来的变化状况与过去趋势一致，且 H值越大，持续性越强。

2 结果分析

2.1　时间变化特征分析

根据2001－2018年中南半岛地区的极端降水与物候指标的变化趋势（图2），从降水量及降水强度看，研究区域PRCPTOT（图2-a）与SDII（图2-b）均无显著趋势变化（P>0.1），但其距平趋势逐年变大，其中PRCPTOT的波动范围更大，极差达到391 mm，RX1day（图2-c）和R99pTOT（图2-h）均呈波动下降趋势，前者趋势显著（P<0.1），均在2015年前后达到最小值，下降速率分别为0.35和0.12 mm/a；从降水的持续情况看，CDD（图2-d）在均值54.4 d上下波动、无明显趋势变化，CWD（图2-e）呈显著上升趋势（P<0.1），而RX5day（图2-f）呈不显著下降趋势；从降水频率看，R10（图2-i）及R25（图2-j）有所上升，而R50（图2-k）呈不显著下降趋势（P>0.1）。总体而言，除CWD和R50时间变化趋势显著外（P<0.1），其他降水指标在时间上无明显趋势变化，降水的波动更加强烈，极强降水事件减少，中等强度降水事件增多，降水事件的持续时间更长。
图2 2001—2018年中南半岛地区极端降水与物候指标的时间序列

Fig.2 Time series of vegetation phenology index changes in Indo-China Peninsula from 2001 to 2018

中南半岛地区的物候指标的时间变化趋势均不显著，SGS（图2-l）在DOY 98~121之间波动（均值为DOY 106.4），无明显时间变化趋势，而EGS（图2-m）呈现不显著提前趋势，多在DOY 339~353，均值为DOY 346.2；两指标均在2015年前后达到最大值；SGS延后、EGS提前，导致LGS（图2-n）呈现显著缩短趋势（P<0.1），缩短速率为0.6 d/a。

2.2　空间特征与趋势特征分析

除CDD与R50外，其他指标的空间分布特征与PRCPTOT（图3-a）相似，指标数值整体呈现西高东低的分布特征，高值区域零散分布在中南半岛的中部和西部，柬埔寨东部以及越南红河三角洲等地区，低值区域连片分布在研究区的东部和北部。R50（图3-k）指标的高值区仅在缅甸中部分布，CDD（图3-d）数值由研究区西部向东部及东南部逐渐降低。
图3 中南半岛地区极端降水与物候指标多年均值的空间分布

注：高值区表示为蓝色，多集中在缅甸中部和泰国北部地区；低值区表示为红色，多集中在缅甸北部、半岛南部及越南沿海地区；中值区表示为中间三色，作为过渡带分布在高低值之间。

Fig.3 Spatial distribution of annual mean values of extreme precipitation and growing season indices over Indo-China Peninsula

研究区域极端降水指数的趋势变化具有较强的空间异质性（图4）。从极端降水强度变化趋势看，PRCPTOT（图4-a）在研究区东南部和北部以上升趋势为主（面积占比45.26%），西部为显著下降趋势（4.24%），其余地区为下降趋势（48.02%）；SDII（图4-b）高值区和低值区呈下降趋势（54.71%），中值区呈上升趋势（33.74%）；RX1DAY（图4-c）的高值区以上升趋势为主（27.20%），其余为下降趋势（61.53%）；R95pTOT（图4-g）与R99 pTOT（图4-h）在研究区东南部和北部以上升趋势为主（分别为36.44%和26.50%），西部为显著下降趋势（分别为7.00%和13.30%），其余地区为下降趋势（分别为55.02%和59.68%）。从极端降水持续指数的变化趋势看，CDD（图4-d）高值区以上升趋势为主（49.77%），低值区以下降趋势为主（36.58%）；CWD（图4-e）低值区无明显变化，高值区呈上升趋势（27.55%）；RX5DAY（图4-f）在研究区北部和中部以上升趋势为主（38.75%），其余地区为下降趋势（53.45%）。从降水频率变化趋势看，R10（图4-i）高值区以上升趋势为主（37.42%），低值区以下降趋势为主（26.71%）；而R25（图4-j）的低值区无明显变化，高值区呈下降趋势（21.67%），R50（图4-k）则无明显变化。综上所述，强度指数（PRCPTOT、SDII、RX1day）、相对指数（R95pTOT、R95pTOT）以及RX5day在研究区东南部和北部以上升趋势为主，其余地区为下降趋势；CWD在中部和南部（研究区南部仅指马来半岛）呈上升趋势；而CDD在西部呈上升趋势，东部为下降趋势；R10在中部和北部以上升趋势为主，其余地区呈下降趋势，R25和R50无明显变化；大部分趋势变化显著地区出现在伊洛瓦底河及湄公河流域等人类活动强度较大的地区，表明研究区极端降水事件的发生强度呈下降趋势、持续时间呈延长趋势。
图4 中南半岛地区极端降水与物候指标变化趋势

Fig.4 Trends of extreme precipitation and growing season indices over Indo-China Peninsula

中南半岛物候指标具有明显的空间分异特征（图3），生长季由半岛东部先开始而西部后开始（图3-l），开始时间自3月向6月逐渐推迟；EGS与SGS的空间分布规律相似（图3-m），指标值自半岛东部的10月逐渐延后至西部的次年2月；除伊洛瓦底江、红河、湄公河以及湄南河流域等农田集中地区的LGS在3~7个月外，其余以8~9个月为主（图3-n）。从变化趋势看（图4），SGS在研究区中部和东南部较集中呈现延后趋势，其余地区以提前趋势为主（图4-l）；EGS仅在研究区中部集中呈现延后趋势，其余地区呈现提前趋势（图4-m）。整体上，SGS与EGS以提前趋势为主，占比分别为48.6%和53.5%；LGS以缩短趋势为主（图4-n），面积占比高达50.5%。

2.3　生长季与极端降水的关联分析

通过对物候指标与各极端降水指标间关联度的比较，获得中南半岛地区影响生长季的主控极端降水指标的分布情况以及各主控指标的面积占比情况。影响3个物候指标的主控极端降水指标类型及分布情况大致相似，且在空间上集中分布，从北向南可近似分为3个区域（图5）。其中，研究区北部（Ⅰ区）的主控指标为绝对指数，与物候指标关联度最大的面积占该区域约为70%；研究区西南及中部（Ⅱ区）的主控指标为相对指数，其主控范围的面积约占该区域的56%；研究区南部及东南沿海（Ⅲ区）的主控指标为持续指数，在物候指标中的影响面积约占该区域的65%。
图5 中南半岛地区物候指标的主控指标分布

Fig.5 Distribution of main indexes of growing season indices over Indo-China Peninsula

2.4　生长季趋势持续性分析

基于R/S法计算2001－2018年研究区物候指标的H指数，并将各指标变化趋势（见图4）与H指数进行耦合分析，对每对组合进行统计，进一步了解各指标变化趋势的可持续性情况（表2）。未来与SGS延后趋势相反的区域占比为27.77%，与提前趋势相反的区域占比高达31.03%；仅有24.15%的区域呈现持续性，维持其原有变化趋势；EGS与LGS变化趋势呈现持续性的区域占比分别为23.42%和23.26%，而未来与EGS延后、LGS延长趋势相反的区域占比分别为26.49%和25.74%，与EGS提前、LGS缩短趋势相反的区域占比高达34.02%和35.47%；整体上各物候指标的未来变化以SGS和EGS延后、LGS延长趋势为主，与过去变化趋势相反。
表2 中南半岛地区物候指标的未来变化趋势面积占比 (%)

Table 2 Future trend of growing season index in Indo-China Peninsula

发展趋势 SGS EGS LGS
反持续性-延后/延长 27.77 26.49 25.74
反持续性-提前/缩短 31.03 34.02 35.47
未来变化趋势不确定 0.09 0.02 0.03
基本无变化 16.96 16.05 15.51
持续性-延后/延长 12.68 11.60 10.94
持续性-提前/缩短 11.47 11.82 12.32

3 讨论与结论

3.1　讨论

MCD12Q2物候产品在热带地区具有较高的实用性，本文基于MCD12Q2提取的中南半岛地区SGS、EGS和LGS（图3）与基于AVHRR卫星（Garonna et al., 2016）计算的植被物候参数在数值及时空分布上基本一致。本研究中，中南半岛地区2001－2018年SGS延后，EGS提前，LGS缩短（见图2）。而Suepa等（2016）通过EVI提取2000－2010年中南半岛植被物候趋势发现，SGS整体呈延后的趋势，EGS整体呈延后趋势，LGS整体呈延长趋势；EGS和LGS的时间变化趋势与本研究相反，研究时段不同而产生的不同气候变化趋势可能是相关结论差异的主要原因，特别是2010年后发生了持续21个月的超强厄尔尼诺事件。厄尔尼诺等热带气候模态会通过“遥相关”机制影响降水活动（Jiang et al., 2019; Ezaz et al., 2022）。2015年超强厄尔尼诺事件于2014年10月开始，2016年6月结束，且在同年7月转为拉尼娜事件，并持续至次年1月。受该次厄尔尼诺事件的潜在影响，植被物候指标和多个极端降水指标的曲线在2015－2016年出现谷值，在2017年出现峰值（见图2）。发生于12月至次年1月的厄尔尼诺事件会造成降水偏少、温度偏高，从而抑制植被光合作用（Luo et al., 2018），影响次年中南半岛植被生长。而发生于12月至次年1月的拉尼娜事件则有利于次年植被的生长（陈海山 等，2020；Arjasakusuma et al., 2021）。因此，发生在2014和2015年冬季的厄尔尼诺事件，使2015和2016年中南半岛植被生长季开始时间及结束时间推迟；而2016年冬季的拉尼娜事件使2017年中南半岛植被活动增强，生长季开始及结束时间显著提前（见图2）。
从各物候指标与各极端降水指标的关联度看，中南半岛植被物候指标的主控降水指标在空间分布上具有区域集中性，说明植被物候与区域气候密切相关。Ⅰ区包含北部山地及东部内陆区域，主控指标为绝对指数（图5），R10、R25和SDII相对较大，说明该区域的降水量比较集中，该区域植被以热带季雨林为主，其生长存在明显的季节变化，雨季生长、旱季落叶，因此，充沛的降水利于植被的生长。Ⅱ区包括伊洛瓦底江和湄南河下游，是主要的农业耕作区，主控指标为相对指数；滨海地区的1和5 d降水量较多，但伊洛瓦底江流域地区CDD值较高且呈延长趋势（图4-d），表明该地区旱雨两季明显且呈变干趋势、短时强降水较多，难以快速转化为植被可利用水（冯磊 等，2020），且降水增多会导致叶片气孔关闭，减少植被呼吸和光合作用，不利于植被生长，影响植被生长季；另外，该区域多种植水稻等农作物，第二季水稻的种植时间多在11月，且多种植生长120 d左右的短期高产水稻（Son et al., 2016），导致该区域的EGS推迟，使得EGS出现跨年现象。Ⅲ区包括湄公河三角洲及马来半岛等沿海地区，降水丰沛，主控指标为持续指数；其中，湄公河三角洲是典型沿海洪泛区，沿海极端降水常伴有风暴、洪水等自然灾害事件（Wu et al., 2021），持续降水导致植被淹水，影响植被的生长发育，除此之外，EGS较小可能是由于该区域每年种植三季作物，而MCD12Q2物候产品最多检测2个植被物候周期，因此，湄公河三角洲生长季结束时间被记录为第二个植被周期的结束时间（9月），而不是第三个植被物候周期的结束时间（次年2月）（Clauss et al., 2018）；马来半岛植被主要为热带稀树草原，禾草植物的生长依赖雨季提供的湿气，但持续降水会冲击表层沙质土壤，不利于禾本植物生长和休眠（Lehmann et al., 2011）。
近年来，利用遥感数据反演植被物候的模型比较丰富，包括阈值法、函数拟合法等，但每种模型都有其不确定性；MCD12Q2和其他遥感物候产品相同，都面临分辨率低、观测植被周期少、产品验证不充分等挑战（张晓萱 等，2019），尽管存在这些问题，但MCD12Q2利用EVI2和动态阈值法，提高了物候产品在热带生态系统的可靠性，并保留了植被物候的跨年信息（Josh et al., 2019），其数据仍有价值。此外，本文仅从频率、强度和持续性分析极端降水的对植被物候的影响，但极端降水发生的时间，以及生态系统中的水文条件等因素也会影响植被的生长，未来还需利用更高质量的遥感数据提取植被物候及细化极端降水事件发生的时间及类型，结合其他本底数据，从多角度分析不同极端降水事件对植被物候的驱动机制。同时，非气候因素也会增加未来植被生长的不确定性，如火灾、病虫害及人类活动等，还需通过建立更全面的指标体系，进一步分析中南半岛地区植被物候变化的影响因素。

3.2　结论

本文利用MCD12Q2数据提取了2001－2018年中南半岛的植被物候指标，并分析了物候指标与极端降水指标的时空变化特征及关联，以及物候指标的未来变化趋势，得到以下结论：
1）时间上，2001－2018年中南半岛地区物候指标中，SGS在均值上下波动，EGS与LGS分别呈提前、缩短趋势；极端降水指标中，RX1day、R95pTOT、R99pTOT和R50均呈下降趋势，R10、R25和CWD指标均呈上升趋势，表明中南半岛极强降水事件减少，中等强度降水事件增加，降水事件更加连续。
2）空间上，物候指标中，中南半岛SGS与EGS空间分布规律相似，均自东向西逐渐延后；LGS与植被类型相关，农业区LGS在3~7个月，其余地区生长季多持续8~9个月；极端降水指标中，R50的高值区集中在缅甸中部；除CDD与R50外，其他指标的空间分布特征与年降水总量指标的空间分布相似，指标数值大致呈现西高东低的分布特征。趋势上，除研究区南部物候指标无明显变化外，其余地区的SGS与EGS以提前趋势为主，LGS则整体呈缩短趋势。研究区西部和南部极端降水事件的强度呈降低趋势，而东部和北部则呈现上升趋势，这表明研究区西部和北部干旱事件持续时间变长，南部降水事件持续时间变长，东部干湿事件的持续时间均变短。
3）关联性上，根据主控指标类型可划分绝对指数、相对指数和持续指数3个典型区，各物候指标的主控极端降水指标类型相似、空间分布集中，表明植被物候与植被类型、地形地貌和区域气候等特征密切相关。
4）持续性上，中南半岛大部分地区的植被生长季变化具有反持续性，即各物候指标过去的变化趋势未来不再延续，反持续性区域面积占比约58.8%~61.21%；同时，各物候指标未来变化以SGS和EGS延后、LGS延长趋势为主。

脚注

1 https://ladsweb.modaps.eosdis.nasa.gov

2 https://disc.gsfc.nasa.gov

朱彤彤、刘侦海：文献收集、论文撰写与修改；

李卉、涂勇凯：数据采集、数据整理；

王小博、刘媛媛：数据处理、数据分析；

王绍强、李霞、钱钊晖：论文构思、方法设计。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Arjasakusuma S, Kusuma S S, Saringatin S, and Rafif R. 2021. Assessing Land Surface Phenology of The Savanna Ecosystem in Southeast Asia Using Moderate Resolution Imaging Spectroradiometer (MODIS) Leaf Area Index from 2002 to 2020. Applied Geomatics, 13(4): 515-525.

Badeck F W, Bondeau A, Bottcher K, Doktor D, Lucht W, Schaber J, and Sitch S. 2004. Responses of Spring Phenology to Climate Change. New Phytologist, 162(2): 295-309.

Chen A, Chen D, and Azorin-Molina C. 2018. Assessing Reliability of Precipitation Data over the Mekong River Basin: A Comparison of Ground-Based, Satellite, and Reanalysis Datasets. International Journal of Climatology, 38(11): 4314-4334.

陈海山，钱满亿，华文剑. 2020. 中南半岛春季植被覆盖变化及其与ENSO的联系. 大气科学学报，43（6）：1065-1075.

Chen Haishan, Qian Manyi, and Hua Wenjian. 2020. Vegetation Cover Change in The Indo-China Peninsula in Spring and Its Relation to ENSO. Transactions of Atmospheric Sciences, 43(6): 1065-1075.

Clauss K, Ottinger M, Leinenkugel P, and Kuenzer C. 2018. Estimating Rice Production in the Mekong Delta, Vietnam, Utilizing Time Series of Sentinel-1 SAR Data. International Journal of Applied Earth Observation and Geoinformation, 73: 574-585.

Cui D Y, Wang C H, and Santisirisomboon J. 2019. Characteristics of Extreme Precipitation over Eastern Asia and Its Possible Connections with Asian Summer Monsoon Activity. International Journal of Climatology, 39(2): 711-723.

代武君，金慧颖，张玉红，周志强，刘彤. 2020. 植物物候学研究进展. 生态学报，40（19）：6705-6719.

Dai Wujun, Jin Huiying, Zhang Yuhong, Zhou Zhiqiang, and Liu Tong. 2020. Advances in Plant Phenology. Acta Ecologica Sinica, 40(19): 6705-6719.

Deng H Y, Yin Y H, Wu S H, and Xu X F. 2019. Contrasting Drought Impacts on The Start of Phenological Growing Season in Northern China during 1982-2015. International Journal of Climatology, 40(7): 3330-3347.

Ding Y X, Li Z, and Peng S Z. 2020. Global Analysis of Time-Lag and -Accumulation Effects of Climate on Vegetation Growth. International Journal of Applied Earth Observations and Geoinformation, 92: 102179.

董满宇，田相佑，胡木兰，王磊鑫，江源，徐霞. 2020. 1960—2017年太湖流域不同等级降水时空特征. 热带地理，40（6）：1063-1074.

Dong Manyu, Tian Xiangyou, Hu Mulan, Wang Leixin, Jiang Yuan, and Xu Xia. 2020. Spatio-Temporal Variation in Precipitation for Different Grades in the Taihu Lake Basin during 1960-2017. Tropical Geography, 40 (6): 1063-1074.

Du Q, Liu H Z, Li Y H, Xu L J, and Diloksumpun S. 2019. The Effect of Phenology on the Carbon Exchange Process in Grassland and Maize Cropland Ecosystems across A Semiarid Area of China. Science of The Total Environment,695, 133868.

Ezaz G T, Zhang K, Li X, Shalehy M H, Hossain M A, and Liu L X. 2022. Spatiotemporal Changes of Precipitation Extremes in Bangladesh during 1987-2017 and Their Connections with Climate Changes, Climate Oscillations, and Monsoon Dynamics. Global and Planetary Change, 208: 103712.

Fay P A, Kaufman D M, Nippert J B, Carlisle J D, and Harper C W. 2008. Changes in Grassland Ecosystem Function Due to Extreme Rainfall Events: Implications for Responses to Climate Change. Global Change Biology, 14(7): 1600-1608.

冯磊，杨东，黄悦悦. 2020. 2000—2017年川渝地区植被NDVI特征及其对极端气候的响应. 生态学杂志，39（7）：2316-2326.

Feng Lei, Yang Dong, and Huang Yueyue. 2020. Vegetation NDVI Characteristics and Response to Extreme Climate in Sichuan and Chongqing from 2000 to 2017. Chinese Journal of Ecology, 39(7): 2316-2326.

付阳，陈辉，张斯琦，杨祎，赵元杰. 2021. 基于群落类型的寒区旱区物候特征及其对气候因子的响应——以2000—2019年柴达木盆地为例. 地理研究，40（1）：52-66.

Fu Yang, Chen Hui, Zhang Siqi, Yang Yi, and Zhao Yuanjie. 2021. Phenological Characteristics of Alpine Arid Region Based on Biome Type and Its Responses to Climate Factors: A Case Study of Qaidam Basin from 2000 to 2019. Geographical Research, 40(1): 52-66.

Garonna I, de Jong R, and Schaepman M E. 2016. Variability and Evolution of Global Land Surface Phenology over the Past Three Decades (1982-2012). Global Change Biology, 22(4): 1456-1468.

Ge F, Zhi X F, Babar Z A, Tang W W, and Chen P. 2016. Interannual Variability of Summer Monsoon Precipitation over The Indochina Peninsula in Association with ENSO. Theoretical and Applied Climatology,128(3/4): 523-531.

Ge F, Zhu S P, Peng T, Zhao Y, Sielmann F, Fraedrich K, Zhi X F, Liu X R, Tang W W, and Ji L Y. 2019. Risks of Precipitation Extremes over Southeast Asia: Does 1.5 °C or 2 °C Global Warming Make a Difference?. Environmental Research Letters, 14(4): 044015.

Hong Y, Yu S, Zhang H Y, Tao Y, Wu R H, and Deng G R. 2019. The Effect of Snow Depth on Spring Wildfires on the Hulunbuir from 2001–2018 Based on MODIS. Remote Sensing, 11(3): 321.

Hong Y, Zhang H Y, Zhao J J, Yu S, Zhang Z X, Guo X Y, Wu R H, and Deng G R. 2020. Effects of Spring and Summer Extreme Climate Events on The Autumn Phenology of Different Vegetation Types of Inner Mongolia, China, from 1982 to 2015. Ecological Indicators, 111: 105974.

Huang X L, Zhang T B, Yi G H, He D, Zhou X B, Li J J, Bie X J, and Miao J Q. 2019. Dynamic Changes of NDVI in The Growing Season of The Tibetan Plateau during The Past 17 Years and Its Response to Climate Change. International Journal of Environmental Research and Public Health, 16(18): 3452.

Huete A, Didan K, Miura T, Rodriguez E P, Gao X, and Ferreira L G. 2002. Overview of The Radiometric and Biophysical Performance of The MODIS Vegetation Indices. Remote Sensing of Environment, 83(1): 195-213.

Huijnen V, Wooster M J, Kaiser J W, Gaveau D L A, Flemming J, Parrington M, Inness A, Murdiyarso D, Main B, and Van Weele M. 2016. Fire Carbon Emissions over Maritime Southeast Asia in 2015 Largest since 1997. Scientific Reports, 6: 26886.

IPCC. 2007. Climate Change 2007: Synthesis Report. Contribution of Working Groups I, II and III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva: IPCC, 104.

IPCC. 2013. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge& New York: Cambridge University Press, 1535.

Jiang R G, Wang Y P, Xie J C, Zhao Y, Li F W, and Wang X J. 2019. Assessment of Extreme Precipitation Events and Their Teleconnections to El Niño Southern Oscillation, a Case Study in the Wei River Basin of China. Atmospheric Research, 218: 372-384.

Josh G, Damien S M, and Mark A F. 2019. User Guide to Collection 6 MODIS Land Cover Dynamics (MCD12Q2) Product. (2019-01-15) [2022-05-16]. https://lpdaac.usgs.gov/documents/1310/mcd12 q2_v6_user_guide.pdf.

Karkauskaite P, Tagesson T, and Fensholt R. 2017. Evaluation of The Plant Phenology Index (PPI), NDVI and EVI for Start-of-Season Trend Analysis of The Northern Hemisphere Boreal Zone. Remote Sensing, 9(5): 485.

Keenan T F, Gray J, Friedl M A, Toomey M, Bohrer G, Hollinger D Y, Munger J W, O'Keefe J, Schmid H P, Wing L S, Yang B, and Richardson A D. 2014. Net Carbon Uptake Has Increased through Warming-Induced Changes in Temperate Forest Phenology. Nature Climate Change, 4(7): 598-604.

Lai P Y, Zhang M, Ge Z X, Hao B F, Song Z J, Huang J, Ma M G, Yang H, and Han X J. 2020. Responses of Seasonal Indicators to Extreme Droughts in Southwest China. Remote Sensing, 12(5): 818.

Lehmann C E R, Archibald S A, Hoffmann W A, and Bond W J. 2011. Deciphering the Distribution of the Savanna Biome. New Phytologist, 191(1): 197-209.

Limsakul A, and Singhruck P. 2016. Long-Term Trends and Variability of Total and Extreme Precipitation in Thailand. Atmospheric Research, 169: 301-317.

Liu D, Hu B, Ding Z, and Kaisarb E I. 2020. Method of Group Decision Making with Interval Grey Numbers Based on Grey Correlation and Relative Close Degree. Tehnicki vjesnik - Technical Gazette, 27(5): 1579-1584.

刘侦海，王绍强，陈斌. 2021. 2000—2015年中蒙俄经济走廊东段冻土时空变化及植被响应. 地理学报，76（5）：1231-1244.

Liu Zhenhai, Wang Shaoqiang, and Chen Bin. 2021. Spatial and Temporal Variations of Frozen Ground and Its Vegetation Response in The Eastern Segment of China-Mongolia-Russia Economic Corridor from 2000 to 2015. Acta Geographica Sinica, 76(5): 1231-1244.

Luo X Z, Keenan T F, Fisher J B, Jimenez-Munoz J C, Chen J M, Jiang C Y, Ju W M, Perakalapudi N V, Ryu Y, and Tadic J M. 2018. The Impact of the 2015/2016 El Nino on Global Photosynthesis Using Satellite Remote Sensing. Philosophical Transactions of the Royal Society B: Biological Sciences, 373(1760): 20170409.

Miyan M A. 2015. Droughts in Asian Least Developed Countries: Vulnerability and Sustainability. Weather and Climate Extremes, 7: 8-23.

Peng D L, Zhang X Y, Wu C Y, Huang W J, Gonsamo A, Huete A R, Didan K, Tan B, Liu X J, and Zhang B. 2017. Intercomparison and Evaluation of Spring Phenology Products Using National Phenology Network and AmeriFlux Observations in The Contiguous United States. Agricultural and Forest Meteorology, 242: 33-46.

任福民，高辉，刘绿柳，宋艳玲，高荣，王遵娅，龚志强，王永光，陈丽娟，李清泉，柯宗建，孙丞虎，贾小龙. 2014. 极端天气气候事件监测与预测研究进展及其应用综述. 气象，40（7）：860-874.

Ren Fumin, Gao Hui, Liu Lvliu, Song Yanling, Gao Rong, Wang Zunya, Gong Zhiqiang, Wang Yongguang, Chen Lijuan, Li Qingquan, Ke Zongjian, Sun Chenghu, and Jia Xiaolong. 2014. Research Progresses on Extreme Weather and Climate Events and Their Operational Applications in Climate Monitoring and Prediction. Meteopological Monthly, 40(7): 860-874.

Rifai S W, Li S H, and Malhi Y. 2019. Coupling of El Niño Events and Long-Term Warming Leads to Pervasive Climate Extremes in the Terrestrial Tropics. Environmental Research Letters, 14(10): 105002.

Roongroj C, and Chiu L S. 2008. Thailand Daily Rainfall and Comparison with TRMM Products. Journal of Hydrometeorology, 9(2): 256-266.

Rudiyanto, Budiman M, Ramisah M S, Norhidayah C S, Chusnul A, and Budi I S. 2019. Automated Near-Real-Time Mapping and Monitoring of Rice Extent, Cropping Patterns, and Growth Stages in Southeast Asia Using Sentinel-1 Time Series on a Google Earth Engine Platform. Remote Sensing, 11(14): 1666.

Sa C, Meng F H, Luo M, Li C H, Wang M L, Adiya S, and Bao Y H. 2021. Spatiotemporal Variation in Snow Cover and Its Effects on Grassland Phenology on The Mongolian Plateau. Journal of Arid Land, 13(4): 332-349.

Schwartz M D. 2013. Phenology: An Integrative Environmental Science. Dordrecht: Kluwer Academic Publishers, 3-7.

Son N T, Chen C F, Chen C R, Sobue S, Chiang S H, Maung T H, and Chang L Y. 2016. Delineating and Predicting Changes in Rice Cropping Systems Using Multi-Temporal MODIS Data in Myanmar. Journal of Spatial Science, 62(2): 235-259.

Suepa T, Qi J G, Lawawirojwong S, and Messina J P. 2016. Understanding Spatio-Temporal Variation of Vegetation Phenology and Rainfall Seasonality in The Monsoon Southeast Asia. Environmental Research, 147: 621-629.

Vintrou E, Bégué A, Baron C, Saad A, Lo Seen D, and Traoré S. 2014. A Comparative Study on Satellite- and Model-Based Crop Phenology in West Africa. Remote Sensing, 6(2): 1367-1389.

王晓利，侯西勇. 2019. 1982—2014年中国沿海地区归一化植被指数（NDVI）变化及其对极端气候的响应. 地理研究，38（4）：807-821.

Wang Xiaoli, and Hou Xiyong. 2019. Variation of Normalized Difference Vegetation Index and Its Response to Extreme Climate in Coastal China during 1982-2014. Geographical Research, 38(4): 807-821.

Wu W, Sun Y, Xiao K, and Xin Q C. 2021. Development of a Global Annual Land Surface Phenology Dataset for 1982–2018 from the AVHRR Data by Implementing Multiple Phenology Retrieving Methods. International Journal of Applied Earth Observation and Geoinformation, 103: 102487.

Xiao W W, Sun Z G, Wang Q X, and Yang Y H. 2013. Evaluating MODIS Phenology Product for Rotating Croplands through Ground Observations. Journal of Applied Remote Sensing, 7(1): 609-618.

Ye W T, Van Dijk A I J M, Huete A, and Yebra M. 2021. Global Trends in Vegetation Seasonality in The GIMMS NDVI3g and Their Robustness. International Journal of Applied Earth Observation and Geoinformation, 94: 102238.

Zhang X Y, Friedl M A, Schaaf C B, Strahler A H, Hodges J C F, Gao F, Reed B C, and Huete A. 2003. Monitoring Vegetation Phenology Using MODIS. Remote Sensing of Environment, 84(3): 471-475.

张彬，朱建军，刘华民，潘庆民. 2014. 极端降水和极端干旱事件对草原生态系统的影响. 植物生态学报，38（9）：1008-1018.

Zhang Bin, Zhu Jianjun, Liu Huamin, and Pan Qingmin. 2014. Effects of Extreme Rainfall and Drought Events on Grassland Ecosystems. Chinese Journal of Plant Ecology, 38(9): 1008-1018.

Zhang L, Song W, and Song W. 2020. Assessment of Agricultural Drought Risk in the Lancang-Mekong Region, South East Asia. International Journal of Environmental Research and Public Health, 17(17): 6153.

张晓萱，崔耀平，刘素洁，李楠，付一鸣. 2019. 自然植被物候遥感提取精度评估. 生态学杂志，38（5）：1589-1599.

Zhang Xiaoxuan, Cui Yaoping, Liu Sujie, Li Nan, and Fu Yiming. 2019. Evaluation of the Accuracy of Phenology Extraction Methods for Natural Vegetation Based on Remote Sensing. Chinese Journal of Ecology, 38(5): 1589-1599.

Zhang Y, Zhu Z C, Liu Z, Zeng Z Z, Ciais P, Huang M T, Liu Y W, and Piao S L. 2016. Seasonal and Interannual Changes in Vegetation Activity of Tropical Forests in Southeast Asia. Agricultural and Forest Meteorology, 224: 1-10.

Options
文章导航

/

〈 〉