在气候变化背景下，植被物候作为生态系统对环境变化响应的直接体现方式，日益受到学界关注。获取长期、连续、多尺度的植被物候数据是物候研究的基础，而利用卫星遥感手段获取的物候参数已经成为陆地生态系统变化研究的重要指标。遥感物候参数在农业生产管理、生态系统监测、土地利用类型制图、人类健康和生态系统气候变化响应等领域发挥着重要的作用。在此背景下，有必要结合关键科学问题与重要应用领域，系统梳理近些年来遥感物候参数提取、验证和产品研发方面的进展，指出本领域目前存在的问题并对未来的发展趋势进行展望。首先，探讨了植被指数、日光诱导叶绿素荧光和植被光学厚度等传统与新兴遥感指标在物候监测方面的应用趋势。其次，分析评述了植被物候遥感方法体系中不同的时序数据预处理与物候期估算算法之间的优劣及适用性。然后，从传统物候观测、物候相机、通量观测和无人机等方面的发展，梳理出多源、多尺度验证方式的发展脉络。同时，着重从产品算法和精度方面评述了近些年国内外物候遥感产品的发展现状。最后，从数据预处理、参数提取方法和遥感数据源等不同角度对植被物候参数遥感提取结果中的不确定性和误差来源进行了系统探讨。在以上基础上，本文指出未来植被物候遥感领域的研究应重点关注: (1)从遥感数据源质量和时空一致性人手，提高不同研究结果之间的可比性; (2) 发展具有更好适性的物候参数提取算法，减少提取过程中的主观性和经验性; (3) 以遥感真实性检验理论为基础，完善遥感物候地面验证方法体系; (4)积极拓展基于国产卫星的植被物候监测应用，积累国产卫星的使用经验并逐步摆脱对国外卫星数据的过度依赖。通过以上发展，最终满足实际应用中对于高分辨率、高精度、高时空-致性植被物候参数遥感产品的迫切需求。
1.数据源
传统上,基于星载多光谱传感器获取的光学植被指数SVI (Spectral V egetation Indices)是植被物候遥感的主要数据源(表1)。虽然归一化差值植被指数NDVI (Normalized Difference V egetation Index)是目前植被物候遥感中使用最为广泛的植被指数，但是其在热带雨林等地上生物量较高的地区会出现过饱和现象，而在低植被覆盖度时易受土壤背景影响(刘啸添等，2018)，这些因素都会造成NDVI时间序列形态的改变，进而在物候参数提取结果中引入一定的不确定性( Maeda和Galvao,2015)。针对以上问题，MODIS植被指数产品团队开发了新的增强型植被指数EVI (Enhanced .Vegetation Index)，通过引人蓝光波段反射率并对计算公式进行数学变换，减轻了大气气溶胶的散射和土壤背景辐射的影响(Huete 等，2002)， 同时在很大程度上降低了NDVI过饱和所带来的问题。近些年来，EVI及其双波段版本EVI2已经被广泛应用到植被物候遥感的研究中。譬如MODIS和VIIRS全球植被物候参数产品(MCD12Q2,VNP12Q2)均采用EVI的双波段版本(EVI2) 作为其数据源(Zhang等,2004,2018a)。 但EVI也存在对草地等低生物量区域植被生长变化不够敏感的问题。此外，部分研究发现EVI在热带雨林地区对太阳一传感器几何关系的变化所导致的BRDF效应非常敏感，说明了在使用EVI研究植被季节变化和提取物候时间节点过程中考虑BRDF效应并对其进行有效订正的必要性(Galvao等,2013; Petri和Galvao等,2019)。
近期一些研究发现，对于常绿针叶林这样的生态系统，季节内光合作用的变化主要是由冠层生理要素的变化驱动的，因此类似叶绿素/胡萝卜素指数CCI (Chlorophyll/Carotenoid Index)、光化学反射率指数PRI ( Photochemical Reflectance Index)等生理指数(physiological indices)对于研究植被光合期物候来说比传统的结构指数(structural indices)更加适合(Yin等，2020)。NIRv是新发展的一种植被指数，其计算方式为NDVI和近红外反射率(或辐亮度)的乘积。研究发现，NIRv在全球尺度上与总初级生产力CPP (Gross Primary Production)的相关性优于NDVI (Badgley 等，2017)。此外，与NDVI相比，NIRv 可以在高生物量区域使用，有效减轻了植被一土壤混合像元的影响，并与EVI紧密相关(Hinojo-Hinojo 和Goulden，2020)。 NDVI对地形不敏感，但是EVI和NIRv需要根据山地地形效应进行校正(Chen等，2020a)。此外，与地表背景有关的一些指数也在植被物候参数提取中得到了应用。如归-化差值积雪指数NDSI (Nomalized Difference Snow Index) 和归一化差值物候指数NDPI (Normalized Difference Phenology Index),通过识别出积雪和冰的存在时间，减小了积雪背景在植物春季物候提取中造成的不确定性(Zhang等， 2003; Wang 等，2017a;Xu等，2021)。Jin 和Eklundh (2014) 开发的植物物候指数PPI (Plant Phenology Index),其通过严谨的辐射传输物理过程推导，有效减轻了土壤和积雪背景的影响，提高了遥感提取常绿针叶林物候的精确度。Tian等(2021a) 在欧洲范围内的研究进-步发现，使用Sentinel-2PPI指数计算的物候期，与地面物候观测之间的相关性要优于从NDVI和EVI中提取到的结果。
除了传统的光学植被指数，一些新的遥感指标也被应用到植被物候遥感监测中，比较有代表性的是日光诱导叶绿素荧光(SIF)和微波植被光学厚度(V0D)。理论上，SIF与植物光合作用的过程具有更直接的联系，可以与光学植被指数在物候监测中形成很好的互补。Dannenberg等(2020)的研究发现，在地上生物量较低的情况下，通过SIF估算的物候参数的像元数量虽然比借助NDVI的数量要少(亦即提取成功率较低)，但SIF在捕获年内植被生长季动态方面的能力更强。现有的卫星SIF数据原始空间分辨率仍然较粗，通过机器学习方法建立SIF与其他遥感指标之间的关系，可以生产较高分辨率的SIF数据集，譬如CSIF(Contiguous SIF) (Zhan,等，2018c) 和SIF。(Yu等，2019)等。现有的SIF产品都是基于非专门设计的星载传感器，未来欧洲空间局计划发射的专门用来反演SIF的FLEX星载传感器，预期可以为研究生态系统光合物候提供空间分辨率更高、连续性更好、更为准确的SIF数据产品(DeGrave等,2020)。
微波遥感反演的VOD能够反映植被冠层含水量和生物量，其在植被物候遥感方面也具有一定的应用潜力(Tong 等，2019; Alemu 和Henebry,2017; Jones等， 2011)。 相比较传统光学遥感，卫星VOD较少受大气条件和云的影响，在热带亚热带地区和降水量丰富的季节，能够提供时空连续性更好的观测(Fan 等，2019)。卫星VOD所提供的独特的植被冠层含水量信息，在解释植被叶片物候的时空动态方面具有一定的价值(Tian 等,2018)。目前卫星VOD产品的主要局限在于空间分辨率通常较粗，无法反映精细尺度上地表植被物候变化。除以上遥感指数之外，激光雷达(LiDAR) 可以提取包括森林高度、树木冠幅在内的植被结构参数，可以用来研究植被物候尤其是叶片物候(植被指数)、光合物候(SIF) 与结构物候之间的联系。NASA近些年发射了GEDI (Global EcosystemDynamics Investigation) 星载激光雷达，其在森林物候研究中的应用潜力已经得到关注(Sala,2021)。虽然激光雷达能够解析植被结构，且与其他数据结合具有一定的物种分类潜力，但由于可用性以及成本限制( 譬如时序数据较少),数据的实际使用存在一定的困难(Grabska 等，2019)。此外，目前全球尺度上时空连续的星载LiDAR数据仍然缺乏(Qi 和Dubayah, 2016)。 数据融合技术是将星载激光雷达数据用于植被物候研究的一个有效技术途径，譬如将GEDI与TanDEM-XInSAR数据进行融合以生成时空无缝的全球森林高度数据(Qi等，2019)。
总体而言，传统光学植被指数经过数十年的发展，已经积累了长时间序列的观测数据，仍然是研究植被物候对气候变化响应的主要数据源。且植被指数数据空间分辨率较高，能够更好地满足农业等领域实际应用需求。新的遥感指数，譬如SIF，在干旱生态系统或农田生态系统的物候监测中已经体现出了一定的价值，但其潜力仍然有待充分挖掘。相比较光学指数，基于微波遥感的V0D更适合对与亚热带或热带多云地区植被物候的监测，但目前分辨率较粗是制约其广泛应用的主要因素。未来综合使用多源遥感指数对物候变化进行分析，将有可能得到更加可靠和准确的结论，并发现不同指数所描述的植被变化过程之间的内在联系。
2.遥感时序数据预处理方法
遥感数据在采集的过程中会受到来自大气条件和遥感平台的影响，包括云、气溶胶、太阳一传感器观测几何、传感器退化问题等，且这些因素在时间上的出现具有随机性，进而在植被指数时序数据中引人–定的数据噪声(于信芳和庄大
方，2006)。由于数据噪声的存在，植被指数季节.曲线中常常存在异常值和缺失值等问题，对准确提取物候期时间节点造成了困扰。通常需要对植被指数时序数据进行重构(reconstruction) 和空值插补(gp-iing), 以达到增加数据连续性、平滑
降噪、突显植被季节变化信号以利于物候参数提取的目的。
时序数据重构方法总体.上可以归为两类一拟合(iting)和滤波(filtering)。 拟合法通过选择一个目标函数，利用最小二乘法对时间序列逼近以达到平滑数据的目的。常用的拟合目标函数包括非对称高斯函数(asymmetric gaussian) (Jonsson 和Eklundh, 2002)、 双逻辑斯蒂函数(double-logitic)(Beck等, 2006)、 局部样条函数(local spline) (Cai等，2017)、 不同阶多项式函数(iferent orderpolynomial functions) (Zhu等， 2012; Piao等， 2006)等。而滤波法则是使用滤波器或窗口平滑方式去噪，常用的滤波方法包括s-G滤波器(Savitzky-Golay filter) (Chen 等，2004)、 惠泰克滤波(Whitakker filter)、傅里叶变换(Fourier transformnation)(Ibrahim等，2018;郭昱杉等，2017)、 小波变换(Wavelet transformation) (Sakamoto 等，2006)、 滑动中值均值滤波器(Moving median/mean) (Ganguly等，2010) 和奇异谱分析SSA (Singular SpectrumAnalysis) (Ma等, 2013)等。
时序数据重构属于物候参数提取之前的数据预处理步骤。为了提高该项工作的效率，降低非遥感领域研究者的门槛，不同类型的时序数据重构开源软件相继被开发出来。除了TIMESAT(Jonsson和Eklundh, 2002) 等图形化界面软件之外，近些年来，基于开源R或者Python计算机语言，许多简便易用的物候参数提取软件包也被开发出来。譬如基于R语言的phenology软件包可实现数字图像处理和物候时间节点提取等功能(Filippa等:2020)。总的来说，目前遥感时序数据预处理的方法较多，不同研究通常根据研究区植被生长特点和数据源质量采用最适用的方法。在定量比较了几种主要的时序数据重构方法之后，Atkinson等(2012)发现惠泰克滤波和傅立叶变换对于原始数据的平滑效果最好，但是双逻辑斯蒂函数和傅立叶变换对于数据中的噪声具有更好的去除效果。同时，针对干旱地区的落叶植被，不同方法估算的生长季开始时间最大可相差3-4周，而在常绿植被上差距较小，但也在1周左右(Atkinson 等，2012)。对于青藏高原的高寒草地，研究发现时序数据重构质量对于生长季开始时间的提取准确度有着决定性的影响(Li等，2020)。 比较不同时序重构方法，li等(2020) 得出的研究结论是NDVI时间序列谐波分析法HANTS(HarmonieAnalysisof NDVI Time -Series)提取出的生长季开始时间与地面观测结果之间误差最小(RMSE在11- -12d)。迄今为止，植被物候遥感中仍然不存在普遍采用的时序数据重构方法，且这些方法或多或少都会
引人一定的主观性(譬如平滑窗口大小的选择或者多项式阶数的设定等)。考虑到时序数据重构方法对物候参数提取结果具有显著影响，未来急需寻求通用性更好的方法，或者降低目前使用方法的主观性和随意性，以便增加不同研究结果之间的可比性。
3.生长季的划分
传统的植被物候监测基于研究人员的肉眼观测，通过视觉特征记录单株或-一个群落内多个植株物候事件(譬如展叶、始花、抽穗等)发生的时间节点。与之相比，遥感物候通常根据植被指数季节曲线(seasonal profile)的形态特征来划分
不同的生长期。因为研究对象不同，植被生长期的定义和对应物候期参数的提取方法也不尽相同(表2)。
在MODIS全球物候产品中，Zhang 等(2003)定义了4个关键的物候转换日期，即绿期(greenup)、成熟期(maturity)、 衰落期(senescence) 和休眠期(domaney)。而针对水田和旱地作物，Zhang等(2004)划分了出苗期、抽穗期和收获期等生长期。其中，出苗期定义为植被指数曲线上升斜率的最大值处，抽穗期为作物生长季内植被指数最大值处，而收获期为植被指数曲线的下降斜率最大值处。针对高寒草地植被类型，马晓芳等(2016)设置了返青期和枯黄期两个生长期。考虑到热带稀树草原的树一草双层结构，且树多为常绿树种，草多为一年或多年生草种，Ma等(2013)认为遥感观测的像元尺度物候信息主要反映的是林下草的生长对于雨季的响应，而旱季的植被信号主要来自树木。
4.物候期参数遥感判定方法
遥感物候期时间节点判定的总体原则是基于植被指数时序数据的季节生长曲线形态，通过设定一定的阈值或者寻找曲率变化速率的极值点来确定。常用的有阈值法、滑动平均法和求导法3大类。(1)阈值法:阈值法主要是通过设置植被指数的经验阈值来确定植被生长季开始或结束的日期，可分为绝对阈值法(White等, 2009; Wei等，2019; Shen等， 2012)、 相对阈值法(马晓芳等，2016;倪璐等，2020)、 最大斜率阈值法(范德芹等, 2016)、累积频率阈值法(陈效逑和喻蓉，2007)等。绝对阈值法简单易行，是早期植被物候遥感中常用的方法。然而因为不同土壤类型和植被结构类型在植被指数的绝对数值方面存在较大差异，绝对阈值的设定难免主观。相对阈值法通过在像元尺度.上动态设定基于当季植被指数季节变化幅度的阈值，一定程度上避免了绝对阈值法的缺陷。此外，最大斜率阈值法也常被使用，其通过取植被指数拟合曲线的斜率最大时对应的植被指数数值作为阈值，将首次达到该阈值时对应的日期视为生长季开始时间(范德芹等,2016)。此外，累积频率阈值法基于地面观测数据而不单单从遥感角度出发，利用物候频率分布型法，即将地面物候观测数据转换成相对应的遥感物候阶段，进而再确定地面物候发生时对应的植被指数数值并取该值作为阈值，某种程度上为遥感和地面观测数据的有机结合提供了新思路(项铭涛等，2018; 夏传福等，2013)。(2)滑动平均法:又称作延迟滑动平均算法DMA (Delayed Moving Average)。此方法基于植被指数时序曲线与其滑动平均值曲线的交叉点确定物候期关键时间点(Reed 等，1994; 侯学会等，2017)。该方法的优点是应用简单，但缺点是对数据中的噪声、数据合成周期长度、滑动平均窗口大小的选择等经验参数比较敏感,特别是在原始时序数据中由于云覆盖等因素造成观测连续缺失时提取结果不确定性显著增大(Zeng等，2020)。在选取滑动平均窗口大小时应考虑不同植被类型的生长季节规律差异，尽量避免受前一个周期的影响。(3)求导方法:求导法通过对平滑后的植被指数时序数据求二阶导数得到曲率变化率CCR(Curvature Change Rate),进而通过寻找CCR的极值来确定物候期关键节点(Zhang等，2003)。植被指数.上升速率变化率最大处视为生长季开始时间，下降速率变化率最大处视为生长季结束时间。求导法的优势是不需要人为设置阈值，且提取出的阈值具有一-定的物理意义，可以较为客观的反映地表植被生长变化过程中的突变点。求导法的缺点是对原始数据中的噪音非常敏感，需要对数据进行较大程度的降噪处理，不可避免地存在过度平滑的风险。需要注意的是，在早期版本的MCD1 2Q2 MODIS全球物候产品中，求导法被作为物候参数提取方法(https: //www.bu.edu/lcsefiles/2012/08/MCD 12Q2_ _UserGuide.pdf 。最新版本(e006) 的MCD12Q2中，物候参数提取方法被更新为相对阈值法(Gray 等，2019b)。(4)其他方法:除了以上3种常用的方法之外，近些年也发展出了–些新的物候参数提取方法。Xie 和Wilson (2020) 发展了一种基于变化点检测的物候期判定方法，发现该方法在判定落叶森林生长季开始和结束时间方面能够得到比基于分段逻辑斯蒂函数拟合与求导法更好的精度。外，变化点检测法的一个优势是其能够提供每个物候期时间节点估算时的不确定性，便于后期定量分析。为了更好地解决时序数据突变或者数据噪声的影响，Verbesselt 等(2010) 发展了一种分离趋势和季节项的突变点检测方法(BFAST)。 该方法的一个优势是无需人为设定阈值，尤其适合于基于长时间序列观测的物候期变化检测。总的来说，与其他地表参数的遥感反演一样，针对物候参数提取也发展出了不同的技术路线和算法，这在丰富研究手段的同时也客观上造成相互比较的困难。考虑到在目前的技术条件下，卫
星观测仍然难以直接记录植物物候现象，以不同尺度的地面观测数据为辅助，选择合适的物候期提取方法或阈值，赋予提取出的遥感物候参数更加明确的生物物理意义，而不仅仅是曲线上的某-一个拐点，应该是未来植被物候遥感急需解决的问题。
5.传统物候观测数据
利用传统地面物候观测数据对遥感物候反演结果进行验证是最常用的方法。传统地面观测数据来源广泛，涵盖来自行业部门的观测数据、统计年鉴、典型调查数据(包括观测日记)等。譬如由竺可桢先生在1963年倡导建立的中国物候观测网(epon.ac.cn), 迄今为止记录了全国各省近150种的木本植物的物候期信息，不仅可以用来验证遥感物候反演结果，还可以用来研究长时间尺度下植被对气候变化的响应机制(葛全胜等，2010)。除中国外，美国的National Phenology Network、 芬兰的MetINFO Phenology in Finland、欧洲的Pan European Phenology Project,也从国家洲的尺度上提供了丰富多样的植被物候地面观测数据，可以用来对遥感反演结果进行验证。
鉴于地面物候观测记录站点样本区内所有植物物种的物候期的发生时间，与像元尺度的遥感物候结果不具有直接的可比性，因此，地面物候观测数据需要经过一定预处理(尺度转换)才可以用于验证遥感物候反演结果(Liang和Schwartz,2009; Tian等， 2021b)。 传统地面物候观测数据虽然准确度高，但是存在物种层面无法直接向生态系统层面过渡的尺度问题。为了解决尺度转换的问题，Liang等(2011) 采用景观升尺度法，通过在地面上大量布置观测样地，从样地水平观测中计算景观物候指数并将其用来对卫星观测结果进行验证。
6.物候相机观测网络
近地面自动延时数字相机(automatictime-lapse digital camera，亦即物候相机PhenoCam)可以获取样地尺度的可见光和近红外多时相观测，基于此计算植被指数并进而提取物候时间节点，也成为遥感物候观测验证的一-个重要方法(Richardson等，2019)。物候相机可根据其通道配置划分为可见光(RGB)、多光谱(通常除RGB之外，增加近红外波段)和高光谱相机，研究者可以根据研究目标和预算选择不同配置的相机。通过物候相机观测，可以计算包括绿色坐标指数(GCC)、 绿色一红色比值植被指数(GRVI)并提取植被物候期参数(Richardson 等，2018)。 物候相机的观测尺度介于高分辨率卫星遥感和人工野外观测之间，不仅有效减小了大气和混合像元的影响，还增加了数据获取频率，使结果更能够反映亚像元尺度下不同植被类型的物候期特征(周惠慧等，2016)。相比于传统肉眼观测和卫星遥感观测，物候相机能记录冠层、单个物种或个体尺度的植被连续变化信息，是连接物种尺度和冠层尺度物候的重要工具(Ahrends 等，2009)。 周玉科(2018) 对MOD13Q1植被指数产品和物候相机数据使用相同的物候参数提取方法提取了多种物候期参数,证明了物候相机能更好地反映卫星亚像元尺度上群落甚至是个体之间的物候差异(亦即空间异质性)。目前国际上物候相机观测网络发展非常迅速。比较著名的有美国物候相机观测网络(PhenoCam Network) (Richardson 等，2018)、欧洲物候相机观测网络( European Phenology Camera network) (W ingate等，2015)、日本物候相机观测网络(Phenological Eyes Network) (Nasahara 和Nagai, 2015; Nagai 等，2016)、澳大利亚物候相机观测网络(Australian Phenocam Network) (Brown 等，2016)和欧洲阿尔卑斯山物候相机观测网络(PhenoAlps) (Cremonese, 2009) (表3)。依托中国物候观测网，覆盖中国主
要植被类型的物候相机观测网络也正在加紧建设之中。
以发展较早的美国物候相机网络为例，该网络的大多数站点在每天固定时间之内每30min上传一次高质量数码相片,并经过包括离群值检测和专家检查在内的全方位处理以保证数据质量(Richardson等，2018)。 在使用美国PhenoCam网络数据验证VIIRS遥感物候产品时，Zhang等(2018b)提出了一种新的植被对比度指数(VCI),该指数是GCC的非线性变换，并提供了比GCC更大的动态范围，更适合用来提取物候期时间节点。Zhang等(2018a) 的研究发现，从VIIRS NDVI和EVI2植被指数提取的物候期开始时间与从PhenoCamGCC和VCI指数提取的时间具有较好的可比性(误差在7—11d),但是在物候期结束时间方面的可比性较差(误差在10-13d)。Hill 等(2021)的研究发现，基于PhenoCam可见光波段的指数(譬如GCC和VCI)与通量数据得到的净生态系统生产力NEP (Net Ecosystem Productivity) 之间的关系最好，而引人近红外波段的指数(NDVI和EVI)通常会低估生长季的开始时间并高估生长季的结束时间。Filippa 等(2018) 的研究则发现，物候相机得到的GCC和NDVI指数在监测生态系统动态和物候参数提取方面具有一定的互补性，且在落叶阔叶森林生态系统两种指数都可以作为MODIS物候产品精度验证的数据源。此外，Filippa等(2018) 还发现，在常绿森林生态系统，
相机与卫星观测得到的物候时间节点之间存在较大的差异，强调了在此类生态系统上使用物候相机数据验证遥感物候提取结果方面的难度。Bomez等(2020) 使用物候相机数据验证了1999年一201 7年SPOT-VEGETATION和PROBA-V两个卫星遥感物候产品，结果显示地面与卫星提取的生长季开始时间具有较高的相关性(R2>0.7, RMSE=9d)，比生长季结束时间的相关性要高且误差更小(R2>0.5，RMSE=12d)。除了MODIS或VIIRS等中分辨率卫星数据外,由于观测尺度相近，物候相机也常被用于验证高分辨率卫星遥感物候提取结果。譬如，Descals 等
(2020)从Sentinel-2数据中提取了生长季开始和结束时间并与物候相机提取的结果进行了比较，误差在3- 6d。Moon等(2021) 系统地比较了包括PlanetScope、HIS (Hamonized Landsat 8 andSentinel-2)和MODIS在内的不同空间分辨率的卫
星遥感物候与地面物候相机网络观测，发现PlanetScope (3 m分辨率)与HLS (30 m分辨率)与物候相机之间的验证结果要显著优于MODIS(250m分辨率),说明了站点空间异质性是遥感物候验证时需要考虑的一个重要因素。为了减小光照条件变化的影响，在理想状态下物候相机通常选择背对太阳的方向进行拍摄。但由于不同区域的植被分布差异，通常很难达到该理想状态，因此物候相机往往会选择一个固定的拍摄时间段来降低光照或树冠BRDF的干扰，以获取受云、光照影响较小的数据(Gatis等 ,2017)。
目前物候相机由于成本相对较低，且能减少传统物候观测中昂贵的人力成本投人，因此被大量的布设到全球不同生态系统中。但是物候相机也存在–些问题，譬如非专业相机对不同照明条件入射光的非线性响应导致捕获的照片失真(Li
等，2021)、因不同原因导致的观测数据不连续(如在光照条件缺乏区域，使用太阳能供电的物候相机常常存在数据获取缺失的问题)、不同站点间相机自身硬件的差异使相机定标不够严格等问题，给定量研究植被物候的趋势变化以及不同站点之间的对比分析造成了一定的困难(Macfarlane等，2014)。未来，提高物候相机的定标精度，采用尽可能标准和规范的波段设置和数据存储、预处理方案，对观测元数据尽可能详细记录，是提高物候相机观测定量水平的一个重要思路。
7.通量观测网络
涡度相关EC(EddyCovariance)技术能够直、接测量生态系统尺度上陆地生态系统与大气之间的碳、水和能量交换速率，具有时间分辨率高、观测尺度与中分辨率卫星像元尺度大小相近等特点(Baldocchi, 2014)。 通过从涡度相关碳通量数
据中提取植物光合物候期参数，可以对基于遥感光学植被指数或SIF等提取得到的物候参数进行验证。Ma等(2013)在澳大利亚热带稀树草原的3个通量站点上基于GPP数据验证了MODISEVI提取得到的物候参数，发现两者之间在遥感数据完整性较好时相关性较高，反之则存在较大偏差。刘啸添等(2018)通过对比卫星遥感获取的NDVI、EVI、 SIF 和通量塔测量的GPP数据之间的相关程度，验证了卫星观测植被GPP季节变化的可靠性。周蕾等(2020)在亚热带常绿针叶林的研究发现，相比较通量观测结果，SIF 估算的春秋季物候的滞后时间要短于传统植被指数的估算结果，说明SIF能更好地追踪常绿林光合作用的季节轨迹。Wang等(2019) 在北澳大利亚热带样带NATT (North Australian Tropical Transeet)地区评估了卫星遥感数据提取的SIF捕获旱地植被物候动态变化的能力，发现相对于MODISEVI,SIF提取的物候期参数不受土壤背景影响，更为准确地表征了植被物候沿降水梯度的时空变化趋势。在使用通量数据验证遥感物候时，有必要考虑通量数据观测足迹内的生态群落构成，以便更好地理解与解释卫星数据和通量观测之间的差异。譬如热带稀树草原具有典型的树一灌木一草分层结构，在雨季结東阶段草地生产力下降的同时会伴随树木(主要是常绿树种)生产力的上升，出现EVI和GPP产生负相关的现象(Restrepo-Coupe等，2016)。建立涡度相关通量塔时，同步安装光学传感器以监测植被的物候变化，有利于更好地理解植被物候与光合作用等季节节律的关系(Wang等，2017b)。
8.其他新的验证途径
除了定点监测物候信息外，无人机UAVs(UnmannedAerialVehicles)在遥感植被监测中的应用，为精细尺度上以低成本、高精度的方法监测植被动态并对遥感物候产品进行验证提供了新的方案。UAV搭载的传感器能够获取厘米级分辨率的可见光、多(高)光谱影像或激光雷达点云，可以用来更好地区分绿色植被和土壤背景，并追踪从单个植株、物种到景观等不同尺度的生理和结构季节变化特征(Taylor等, 2021)。 用户通过无人机可以在景观尺度上取得与卫星遥感像元尺度相近的观测，是验证遥感物候产品非常好的数据源(Klostemman等， 2018)。 Bera等(2017) 在森林样方尺度上对比了由UAV和Landsat 8获取的地表反射率和NDVI,并通过地面测量数据进行验证，发现在针阔混交林区域，UAV反演的地表反射率和NDVI能分别解释84%- -90% 的Landsat 8地表反射率与95%- -96% 的Landsat 8 NDVI变化，这表明UAV在精细空间尺度下监测森林植被物候的潜力。
9.遥感物候产品的发展趋势
随着植被物候遥感领域的不断发展，越来越多的遥感植被物候专题产品被研发并投人科学研究和实际应用中(表4)。 譬如基于AVHRR长时期观测的全球尺度1 km RSP ( Remote SensingPhenology)产品，在研究全球植被物候对气候变化响应中的发挥着重要作用(Ji 和Brown,2017)。MODIS由于其优异的传感器性能和强大的传感器科学团队，目前大部分遥感物候应用均以MODIS植被指数和叶面积指数产品为数据源。譬如MODIS全球物候产品MLCD (MODIS Global Land
Cover Dynamics Product)， 自其发布以来已经得到了广泛应用，并在NASA的资助下不断对产品进行调整和更新，保证了较高的数据质量和数据连续性(Moon 等，2019; Wang等， 2017e; Zhang等，2006)。鉴于对高分辨率植被物候遥感产品需求 的 日 益 增 加。
除了全球尺度的遥感物候产品之外，许多国家和地区也有自己的物候产品可供用户下载使用。如:美国的MSLSP (Multi-Source Land Imaging(MuSLI)遥感物候产品(Gao 等，2021)、 澳大利亚的TERNAusCover遥感物候产品(Broich等,2015)、欧洲的PPI (Plant Phenology Index timeseries)产品(Jin 和Eklundh, 2014)、 中国主要生态观测站遥感植被物候数据集(周玉科和刘建文，2017)等。GLASS-LAI产品GLASS (Global Land Surface Satllite product)是由北京师范大学全球变化数据处理与分析中心发布的高质量叶面积指数数据集(向阳等，2014)。 以GLASS-LAI产品为基础，Luo等(2020)提出了一种基于最优滤波的物候检测方法OFP (optimal filter-based phenology detection), .界定了中国3种主要作物的关键物候阶段。Wang
等(2017c)使用GLASS-LAI产品以及通用多周期物候反演方法UMPM ( Universal Multi- Life-Cycle Phenology Monitoring Method),生产了一套全国尺度的遥感物候产品。此方法生成的产品整体上具有高有效性(即数据缺失率低、稳定性高)，在利用地面观测数据进行结果验证时亦反映出较好的一致性。 类似地，李静等(2017) 基于LAI数据和UMPM算法生产了中国一-东盟地区1km分辨率2013年的植被生长季长度数据集(MuSyQ-GSL-1 km-2013)。
参考论文:王敏钰，罗毅,张正阳，谢巧云,吴小丹,马轩龙.2022.植被物候参数遥感提取与验证方法研究进展.遥感学报,26(3):431-455
