基于時間序列遙感數據植被物候信息提取軟件發展現狀

鈔振華， 車明亮， 侯勝芳

(南通大學地理科學學院，南通 226007)

0 引言

在監測植被物候變化趨勢時，時間序列遙感數據的使用有助于定性揭示地理現象變化發展規律，還可以定量描述地理現象之間的內在聯系，在此基礎上開展對地理現象未來行為的預測[1-6]。但是，氣候條件不足(如云、雪、塵土和氣溶膠的影響)、儀器誤差和數據傳輸過程中圖像數據丟失等多種原因往往會導致時間序列遙感數據的連續性得不到保障，可靠的陸表信息檢索難以實現[7-9]。降低遙感數據時空分辨率、云等噪聲的影響，實現高精度、低成本、大范圍的植被物候遙感監測研究，仍然是當前植被遙感研究和應用的前沿性和關鍵性問題[10-11]。

可靠的缺失插補擬合函數和平滑濾波器可以有效彌補成像和照明幾何、云量、低時間分辨率等所導致的時間序列缺失和噪聲數據[12-13]，但要獲取最切實可行的精度仍是物候演化建模所面臨的主要挑戰[11]。目前，標準的圖像處理軟件(如ENVI和IDRIS)、統計軟件包(如MATLAB和R)或空間數據庫(PostgreSQL和PostGIS)本質上是通用的，但使用它們進行高級圖像時間序列處理需特定的編程技能、遙感知識和長期的程序開發工作，難以滿足遙感大數據的處理和用戶的多樣需求。為特定應用領域提供更好的數據和信息服務，將時間序列算法集成到業務處理鏈中實現業務化應用已成為現實要求。現已有旨在識別物候趨勢或干擾的幾個高級時間序列軟件包得到了發展，如TIMESAT[14]，BFAST[15]，TimeStats[16]，SPIRITS[17]，BeeBox[18]，Phenor[3]，pyPhenology[19]，CropPhenology[20]，FORCE[4]，Earth Engine App[21]，EO Time Series Viewer[22]和DATimeS[23]。這些軟件包在研發時充分考慮了不同時間序列遙感數據的特點，針對特定用戶利用不同開發語言完成且具有相應的功能模塊。

隨著多源時間序列遙感數據的可獲取，業務化時間序列遙感數據分析軟件的發展與應用顯得尤為迫切和必要。對現有軟件進行匯總分析，了解軟件的發展史并評價相關特點，對軟件的改進與應用推廣有著現實意義。本文從植被物候與時間序列遙感數據關系出發，列舉了現有主流物候軟件，并對未來業務化軟件的發展前景進行了展望。

1 遙感監測植被物候原理

植被物候是植物與其所處環境要素相互作用形成的具有規律性周期的自然現象，如植物的發芽、開花、落葉等[14]。植被物候變化是植物生長發育狀況的體現，還能決定植物產量形成過程和植被生產力的高低，可表征土壤—植被—大氣系統之間能量和水分交換的變化[24]。

遙感監測方法主要是在分析傳感器所記錄的地物波譜信息基礎上開展覆被變化分析、環境變化分析與模擬、植被參數反演和信息提取等研究。信號特征與植被的測量值之間的關聯性是遙感數據提取植被物候信息的基礎，植被物候遙感監測常用的時間序列植被指數主要有增強型植被指數(enhanced vegetation index, EVI)、歸一化差值植被指數(normalized difference vegetation index, NDVI)等。通過長時間序列遙感植被指數可以有效提取生長季開始時間、生長季結束時間、生長季植被指數最大值日期等相應的關鍵時間節點及特征值，以及由這些節點所確定的生長季長度和生長季振幅等物候參數。

2 時間序列遙感數據植被物候提取軟件簡評

數據平滑重建方法常用來最小化殘余噪聲并重建更代表植被生長情況的時間序列數據，重建后的植被指數數據提高了植被物候信息提取精度[10]。在不同區域開展多種重建方法的適用性研究有助于提升植被遙感監測效果和改進重建方法，同時為植被時空演變分析提供更精準、更可靠的數據來源[25-30]。用于平滑和重建時間序列數據的方法已有很多，可根據物候信息提取性能和原理歸并為3類(表1)，即經驗平滑方法、曲線擬合方法和數據變換方法[10]。

表1 常用數據平滑重建方法Tab.1 Common data smoothing methods

隨著時間序列遙感數據在區域尺度植被物候變化動態監測的應用，研發集成重建方法和物候提取方法于一體的軟件平臺有效提升了植被物候監測效率和精度。基于此，已有多款軟件成功研發并應用于植被物候信息提取。

2.1 植被物候軟件研發特征

不同植被物候信息提取軟件在研發時所考慮的遙感數據類型不同，針對的用戶也有差異，軟件結構與功能不盡相同。開展現有軟件的比較有助于用戶選用時更有針對性，也可為未來研發植被物候信息提取軟件提供參考(表2)。通過中國知網主題詞的檢索分析，在已發表文獻中利用TIMESAT軟件開展植被物候信息研究的居多，表明國內用戶對其認可度也比較高。DATimeS平臺考慮并有效集成了機器學習方法。為了更好地提升植被物候軟件應用的針對性和效果，本文在概略介紹了TIMESAT，SPIRITS和DATimeS等軟件的基本特征后，評述了現有主流植被物候信息提取軟件的特點并進行展望。

表2 已研發的基于時間序列遙感數據植被物候信息提取軟件Tab.2 List of available software for extracting vegetation phenology information with remote sensing time series data

(續表)

2.1.1 TIMESAT軟件

作為分析序列數據的軟件包，TIMESAT利用時間序列遙感數據所提供的季節信息研究植被動態屬性如物候與時間之間的變化關系。該軟件主要采用自適應S-G濾波方法、基于上包絡加權方法非對稱高斯和雙logistic模型函數進行擬合。非對稱擬合算法是一種分段高斯函數來模擬植被生長物候期的方法，整個擬合過程完成了從區間提取、局部擬合到整體連接3個步驟； 雙logistics擬合算法與非對稱高斯擬合算法相似，是一種新的半局部擬合算法； S-G濾波是一種應用最小二乘法確定加權系數進行移動窗口加權平均的濾波方法，移動窗口的大小對時序數據的重建效果起主要作用。

自2002年應用于植被物候信息提取以來，TIMESAT軟件在經歷了數據類型擴充和功能優化后，目前軟件版本從1.0已升級為3.3(圖1)。TIMESAT3.3提供了STL(seasonal-trend decomposition procedure based on loess)趨勢分析和并行處理功能，可以把時間序列分解為趨勢項(trend component)、季節項(seasonal component)和余項(remainder component)。

圖1 TIMESAT軟件發展簡史Fig.1 History of TIMESAT software

除了在改進MODIS和AVHRR衛星產品效果明顯并成功提取物候信息外，TIMESAT軟件還應用于處理氣象數據、火災數據和渦動協方差碳通量數據等方面。TIMESAT主要包括數據準備、數據處理和后處理3個模塊(圖2)，可以提供11種植被物候參數，包括作物生長開始日期、生長結束日期、生長季長度和振幅等。

圖2 TIMESAT3.3主界面功能Fig.2 TIMESAT3.3 menu system

2.1.2 SPIRITS軟件

SPIRITS旨在為生產分析人員和決策者提供明確、可靠的信息，以特定的時間序列處理功能對作物和植被狀況進行評估，包括時間平滑、物候階段的檢測、長期平均水平和異常的計算、基于植被季節性能的分類等。該軟件圖形用戶界面靈活、友好，可以快速繪制植被指數及其異常，統計數據可以實現季節圖分享給分析人員和決策者。

SPIRITS已發展成為用中、低空間分辨率衛星圖像時間序列監測植被情況，且許多工具也可用于其他類型的柵格數據和應用領域(如森林和生境監測)。在作物監測中，常用的輸入數據是地表反射、植被指數或生物物理參數，也可以處理從大氣環流模式或地球同步衛星如METEOSAT獲得的格網氣象數據。SPIRITS多年來還擴展了許多其他模塊，如外部格式圖像的導入、地圖生成和區域數據庫的提取。該軟件還使用了開源碼庫如GDAL(http: //www.gdal.org/)、FWTools(http: //fwtools.maptools.org/)和HSQLDB(http: //hsqldb.org/)。該軟件主要程序模塊可以分組為以下功能類： 輸入/輸出、處理工具和分析工具，其中處理工具可以進一步分類為空間操作、專題操作和時間操作，包括感興趣區域(region of interest,ROI)提取、面積比例圖像(area fraction images,AFIs)生成，干物質生產率(dry matter productivity,DMP)和凈初級生產力(net primary productivity,NPP)專題等(圖3)。

圖3 SPIRITS軟件主要功能架構Fig.3 Framework for SPIRITS main functions

2.1.3 DATimeS軟件

DATimeS是一個獨立的具有圖形用戶界面的圖像處理工具箱，集成了所有的插補和物候指標提取技術，便于作物監測應用程序的開展[25]。DATimeS由多個功能模塊組成(圖4)，能對以多種格式(Geotiff和ENVI)表示的完整圖像、特定ROI或單個像素規則或不規則時間序列數據建模和分析，其核心功能包括多個時間序列平滑和擬合算法。模塊化的體系結構具有以下優勢： ①通過處理步驟指導用戶，即一旦當前模塊完成后，后續處理模塊被激活； ②在不影響主體架構下，模塊可以很容易地修改或擴展； ③具有新功能的新模塊很容易被添加到工具箱中。DATimeS軟件的研發目標是提供一個通用和新穎的時間序列分析工具以保證有足夠的靈活性捕捉植被的主要特征，同時不會對插補和隨后的物候分析帶來過量的計算或推理負擔。相對其他具有圖形用戶界面的時間序列工具箱，DATimeS具有： ①處理不均勻間隔的衛星圖像時間序列的能力； ②可以為時間序列預測(一些方法包含相關的不確定性，如高斯過程回歸)選擇超過12個不同機器學習擬合方法的可能性； ③提供和分析多個生長季節的物候指標。對Sentinel-2葉面積指數(leaf area index，LAI)時間序列的多重插值方法的初步評價表明，高斯過程回歸作為一種最優算法在成功重建植被指數和提取可靠的物候指標方面具有潛力。同時，DATimeS還通過多種方式不斷改進和擴展，如支持新的圖像格式(如NetCDF和Sentinel圖像的原生格式JPEG2000)、更多的物候指標(如每個季節生長季開始到生長最大值之間的生長率)、土地覆蓋圖加載時每個地塊尺度的聚合處理、收獲趨勢和自動干擾檢測的最新工具等。

圖4 DATimeS軟件的分層設計Fig.4 Hierarchical design of DATimeS

2.2 現有時間序列軟件研發特點及展望

隨著利用遙感數據提取植被物候信息需求的增長和時間序列衛星遙感數據的多樣性，專用物候信息提取軟件的研發越來越受到重視。現有主流軟件主要集成了相應的數據平滑重建方法，免費向非商業用途提供服務，且大多建有專有網頁。TIMESAT軟件有圖形用戶界面，所用編程語言保證了對MODIS或AVHRR數據產品的快速處理，且非常靈活，但該軟件側重于物候參數的提取。TimeStats，BFAST和Earth Engine App等軟件為具有長期遙感數據檔案(如MODIS)的數據挖掘提供了一些高級工具，主要面向高級用戶(即遙感專家)。SPRIRITS，pyPhenology，CropPhenology和BEAST等軟件在一個可通過圖形用戶界面訪問的包中提供了一系列用于圖像時間序列分析的有用例程集合。在這些工具箱中，TIMESAT發展最早，在植被物候監測中得到了最為廣泛的應用和認可。但是，TIMESAT軟件僅包含了3種算法，在應用過程中對于最優算法的選擇存在較大的局限性，沒有應用機器學習回歸算法(machine learning regression algorithm，MLRAs)。目前，圖像處理已進入了人工智能時代，機器學習算法已成為時間序列數據處理的有力工具[4,31]。MLRAs的高度適應性和通用性使其比傳統的擬合函數能夠精確地估計物候趨勢或在時間序列中識別多個季節[32]，DATimeS軟件提供了最先進的MLRAs和其他時間序列工具箱(如TIMESAT，TimeStats和SPIRITS)中所用的傳統方法，同時可為植被物候提取提供高級的建模技術。DATimeS軟件擴充了已建立的時間序列插值方法和多種先進的機器學習擬合算法(如高斯過程回歸)，運用Sentinel時間序列數據在農業區的應用表明該軟件插補性能精度高并可提供相關不確定性，還可在進一步量化不同作物季節間LAI波動基礎上為特定作物類型提供物候指標，如需要使用具有多個物候周期的規則時間序列、圖形用戶界面的缺失、或僅僅針對高級用戶或特定傳感器時間序列數據等。此外，這些軟件包在用于填補缺失值和平滑目的的算法有所不同。

地球系統科學進入了大數據時代，所帶來的挑戰是如何從這些大數據中快速有效提取并解讀信息[33]。時空明確的植被物候知識是理解自然季節現象變化趨勢的關鍵，并可為農業生產和全球變化研究提供服務[34]。隨著時間序列遙感數據擬合的數據平滑方法的成熟發展，開發集成重建方法的專業軟件有利于長時間序列遙感數據的應用[33]。本文所列舉已研發成功的軟件主要是針對美國國家航空航天局、歐洲航天局等機構所提供的長時間序列遙感數據，研發團隊主要為從事植被物候研究或與農業生產者密切接觸的科研人員，開發的軟件界面語言主要為英語。這些主流軟件為用戶在提高植被物候信息提取的精度和效率時可根據數據類型和實際需要有更多的選擇，也受到了國內科研人員的青睞。隨著我國高分系列衛星的成功發射與應用，前所未有的遙感大數據滿足了高時空分辨率、高光譜分辨率和高精度觀測需求，從這些海量的時間序列遙感數據有效提取生產、社會發展和生態應用等所需時空變化地表參數已成為重要的現實需要。根據我國高分系列衛星數據特點并針對國內用戶在植被物候研究和信息提取應用時的偏好，開發具有友好圖形用戶界面且集成更為實用重建算法的時間序列分析軟件應是我國科研人員重視的一個方向。

3 結論

本文列舉了已應用于植被物候監測的幾款軟件如TIMESAT，SPIRITS和DATimeS后，簡單匯總比較了現有軟件的特點。不同數據平滑重建算法對不同噪聲點的重構、平滑以及高質量點的保持度等方面表現各異，現有軟件的發展是根據不同遙感數據集成了相應的重建算法。用戶在提取植被物候時可以根據需要進行選用，以滿足植被物候信息提取精度。

文中所列舉的軟件主要是針對美國國家航空航天局、歐洲航天局等機構所提供的遙感數據研發的，軟件界面語言為英文，不利于利用這些軟件開展我國衛星遙感數據的應用推廣。在遙感大數據背景下，研發針對國產遙感數據的以中文為界面語言的植被物候信息提取軟件有助于提升我國在時間序列遙感數據應用的廣度和深度。