利用遥感时间序列可以重建地表物候（即植被生长和变化过程）并探测极端异常现象。遥感时间序列可以提供大范围、连续的地表观测数据，可以捕捉到地表变化的动态过程。下面是一些利用遥感时间序列重建地表物候和探测极端异常现象的方法和步骤：
1. 数据获取：获取高空间分辨率和高时间分辨率的遥感影像数据，包括光学影像、雷达影像等。
2. 预处理：对遥感影像数据进行预处理，包括辐射校正、大气校正、几何校正等，以确保数据质量。
3. 特征提取：利用遥感时间序列提取地表特征，例如植被指数（如归一化植被指数NDVI）、地表温度等。这些特征可以用来反映地表的植被生长和变化情况。
4. 物候提取：利用时间序列数据中的特征，可以使用统计模型或机器学习算法来提取地表物候信息。例如，可以使用时序聚类方法将时间序列数据划分为不同的物候阶段，如萌芽期、生长期、成熟期等。
5. 异常探测：通过比较当前时间序列数据与历史数据或参考数据，可以发现地表的极端异常现象，如干旱、洪涝等。可以使用异常检测算法来识别极端异常现象，并对其进行分析和监测。
6. 结果分析：对提取的地表物候和探测的极端异常现象进行分析和解释。可以与其他环境数据（如气象数据）进行关联分析，以了解地表变化的驱动因素。
7. 可视化展示：将重建的地表物候和探测的极端异常现象以图像或地图的形式进行可视化展示，以便于理解和传播。
总的来说，利用遥感时间序列可以重建地表物候和探测极端异常现象，为环境监测、农业生产等提供重要的信息支持。
开发 R 软件包 npphen 的主要目的是利用遥感时间序列重建地表物候和探测极端异常现象。尽管如此，npphen 还包括用于分析任何类型数值时间序列的函数。使用 npphen 可以处理的遥感时间序列示例包括来自不同数据集的不同时间序列（如 NDVI、EVI、温度、降水、土壤水分），如 GIMMS 项目、美国 MODIS 计划、Landsat 计划、E.S.A. Sentinel 2 计划或用于智利气候的 CR2MET 产品。数值时间序列的例子包括来自 FluxNet 塔的 NPP（净初级生产力）或来自 Phenocams 网络的 GI（绿色指数）。
在本文档中，我们希望通过详细演示各个函数的作用和应用方法，为使用该软件包提供方便。为此，我们将使用一个 16 天 MODIS 增强植被指数（EVI）合成演示数据集，不过一般来说，该软件包可用于处理 Landsat、MODIS、Sentinel-2 或 AVHRR 等多种遥感产品。
1 设置系统
在活动的 R 会话中输入并运行 npphen，所有必要的 R 软件包（如 raster 和 rgdal）都会自动安装：
| install.packages('npphen') library(npphen) |
| > ?npphen #to get familiar with the avaible functions |
2 遥感数据和数据预处理
该演示包括智利南部艾森（Aysén）Nothofagus pumilio 落叶林的 16 天 MODIS EVI 合成图像，2016 年，Ormiscodes amphimone 飞蛾的爆发造成该地区大规模落叶。我们总共使用了从 Terra 卫星（MOD13Q1 产品）获得的 377 幅 EVI 图像，这些图像已经使用 VI 质量波段进行了 "净化"。
2.1 读取 EVI 数据并创建多时栅格对象
首先，我们列出文件夹中的所有 TIFF 文件，