李春干， 梁文海

(1.廣西大學林學院,南寧 530004； 2.廣西林業(yè)勘測設計院,南寧 530011)

基于面向對象變化向量分析法的遙感影像森林變化檢測

李春干1， 梁文海2

(1.廣西大學林學院,南寧 530004； 2.廣西林業(yè)勘測設計院,南寧 530011)

為探討用于森林資源數(shù)據(jù)庫更新的森林變化空間信息采集方法，以林地變化頻繁快速、變化圖斑多且小的廣西上思縣局部區(qū)域為研究區(qū)，以資源三號(ZY-3)和高分一號(GF-1)高空間分辨率衛(wèi)星遙感圖像和小班專題圖為數(shù)據(jù)源，采用面向對象的變化向量分析(change vector analysis,CVA)方法，基于馬氏距離、歐氏距離和相對誤差距離度量變化強度，通過目標函數(shù)確定最佳檢測閾值，以小班為單元進行森林變化檢測。結果表明，用歐氏距離、馬氏距離檢測的森林變化結果都不甚理想，漏檢率和誤檢率高，總體精度較低，Kappa系數(shù)較?。?用相對誤差距離檢測的結果較好，漏檢率(21.0%)和誤檢率(32.5%)均最小，總體精度最高(89.6%)，Kappa系數(shù)最大(0.664)； 誤檢測的圖斑多為成林地和無林地(建設用地、林區(qū)道路等)，各個變化類型都出現(xiàn)了少量漏檢圖斑。

面向對象； 變化向量分析(CVA)； 目標函數(shù)； 變化檢測； 小班

0 引言

森林對減緩氣候變化影響、維持地球生命系統(tǒng)具有重要作用，正受到前所未有的關注[1]。開展森林資源動態(tài)監(jiān)測，摸清森林資源狀態(tài)及其變化趨勢，對于評估森林經營效果，制定和調整森林經營方針、政策和措施，具有重要意義。然而，由于森林分布的廣域性、變化區(qū)域的分散性和隨機性以及難到達性，過去以地面調查為主的森林變化信息采集方法存在著工作量大、勞動強度高、效率低、成本高[2]和精度低[3]等諸多問題，鮮見大規(guī)模應用的成功案例，是我國幾十 a來雖然倡導但一直沒能實現(xiàn)森林資源“年度出數(shù)”目標的主要原因。因此，如何準確、快速、高效地獲取森林變化信息，長期以來一直是森林資源監(jiān)測工作者努力解決的技術難題。

由于地物特征隨時間的變化會引起2個時相遙感圖像的像元光譜響應發(fā)生變化[4-5]，因此，通過遙感圖像變化檢測，可以確定森林變化的空間位置、變化類型(如森林變成采伐跡地)和數(shù)量[6]。近年來，遙感圖像變化檢測在森林變化信息采集中得到了廣泛應用[7-15]。眾多學者從不同角度針對不同應用對變化檢測方法和理論模型進行了大量深入的研究，提出了很多變化檢測方法[4,6,9,16-17]，這些方法大多適用于森林變化檢測[6,18]。然而，由于傳感器不同、檢測目標相異、變化特征表現(xiàn)差異很大，變化檢測十分復雜和困難，沒有一種方法能夠適合于所有的應用問題，不同方法有時會得出不同甚至相互矛盾的結論[4]。因此，需要根據(jù)不同數(shù)據(jù)源和不同森林變化特點進行針對性的試驗。本文以國產資源三號(ZY-3)和高分一號(GF-1)高空間分辨率衛(wèi)星遙感圖像和小班專題圖為數(shù)據(jù)源，以變化頻繁快速、變化圖斑多且小的高度集約經營人工林區(qū)為研究區(qū)，以更新森林資源數(shù)據(jù)庫為目的，探討面向對象的變化向量分析法(change vector analysis ,CVA)在森林變化遙感檢測中的應用，期望豐富森林變化信息采集案例。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于廣西南部上思縣東北部，為一個10.7 km×11.3 km的矩形區(qū)域，面積約12 000 hm2，中心地理位置為E 108°01′50″，N 22°10′17″； 該區(qū)位于十萬大山山脈(南面)與四方嶺山脈(北面)之間，最高海拔750 m，最低90 m，三面環(huán)山，山區(qū)地形陡峭，一般坡度20°～35°，中部的上思縣城及其周邊農耕區(qū)較平緩； 由于地處北回歸線以南的南亞熱帶季風氣候帶，全年雨量充沛，年平均降雨量1 217 mm，干濕季區(qū)分明顯； 該區(qū)全年夏長冬短，年平均氣溫21.7℃，7月平均氣溫27.7℃，無霜期長達339 d/a。

地帶性森林為北熱帶常綠季雨林和季節(jié)性雨林，殘留于十萬大山溝谷地段。常見植被為天然馬尾松次生林和速生桉(尾葉桉、巨尾桉等)人工林。據(jù)2013年林地變更調查結果，研究區(qū)內林地面積占總面積的比重為58.7%。馬尾松次生林、桉樹人工林和一般闊葉次生林面積分別占森林總面積的52.1%,40.0%和4.3%。

1.2 森林(地)變化特點

上思縣為廣西桉樹人工林主要栽植區(qū)，從遙感圖像變化檢測的角度分析，其森林(地)變化具有如下特點： ①林地變化頻繁快速。桉樹人工林為高度集約經營，輪伐期為4～6 a，林木生長迅速，人工造林6個月時，林木平均高達3.8 m[19]； 2.3～2.7 a平均樹高為13.1～17.3 m[20]； 3 a生年均蓄積生長量為49.8 m3/(hm2·a)[21]。研究區(qū)主要采伐林木為桉樹林和馬尾松林。桉樹林被采伐后，通過萌芽方式進行更新。馬尾松林被采伐后，當年春夏或次年春天通過植苗造林方式更新為桉樹林。據(jù)調查，2013年上思縣森林采伐面積8 952.3 hm2，至當年底，除24.7%仍保留為采伐跡地外，其余采伐跡地經造林更新后均轉化為桉樹幼林地。采伐跡地—幼林的轉化極為迅速； ②變化圖斑多且面積小。2013年上思縣變化圖斑4 142個，其中： 造林更新圖斑2 255個，采伐(含毀林開墾)圖斑1 758個。變化圖斑平均面積為3.9 hm2，面積小于1.0 hm2,2.0 hm2和3.0 hm2的圖斑分別占全部圖斑數(shù)量的46%,65%和75%。

1.3 數(shù)據(jù)源及其預處理

遙感數(shù)據(jù)為2013年12月7日獲取的ZY-3圖像和2015年1月15日獲取的GF-1圖像。2景圖像分別采用1∶1萬正射航空圖像和1∶1萬 DEM完成幾何精糾正(正射糾正)，總誤差不大于1個像元； 并將2景圖像重采樣至空間分辨率為2 m。以GF-1圖像為參考，對ZY-3圖像進行了直方圖匹配。

小班專題圖(一種林業(yè)專題圖)為2013年森林資源變更調查成果圖(ArcGIS shp格式)。該圖為2014年對2013年ZY-3等圖像變化檢測提取的變化圖斑邊界進行實地逐一核對和邊界修正后，對2011年森林資源數(shù)據(jù)庫更新而得。小班專題圖和遙感圖像均具有相同的投影系統(tǒng)。

2 面向小班的遙感圖像森林變化檢測

2.1 小班邊界變化分析

小班是森林資源規(guī)劃設計調查的最小單元，是根據(jù)林(土)地類型、林種、優(yōu)勢樹種、齡組、郁閉度、林木平均高等的一致性或相近性，在實地進行劃分的(圖1(a))。由于小班不是經營單元，森林采伐和造林更新等經營活動不受其邊界限制，故隨著時間的推移，常常出現(xiàn)小班中一些地段采伐、一些地段保留，從而變成2個或多個小班的現(xiàn)象(圖1(b))。

(a) 2013年小班專題圖與ZY-3圖像疊合 (b) 根據(jù)2015年GF-1圖像重新劃分的小班

圖1部分地段森林被采伐致使1個小班變成2個小班

Fig.1Onesub-compartmentdividedintotwosub-compartmentscausedbyforestcut

小班也是森林資源數(shù)據(jù)管理的最小單元，是森林資源數(shù)據(jù)庫構成的基本單元。為更新森林資源數(shù)據(jù)庫，需要對小班屬性信息(林地類型、林種、優(yōu)勢樹種、齡組、平均高、單位面積蓄積量等)和空間信息(邊界和面積)進行更新。當小班中部分地段林地類型發(fā)生變化(如采伐后森林地變?yōu)椴煞ホE地)時，必須對小班進行重新區(qū)劃，將原小班劃分為2個或多個小班(圖1(b))。

2.2 變化類型確定

本文研究森林(地)的變化檢測，故檢測目標不包含耕地。從遙感圖像變化檢測的角度來看，研究區(qū)內的森林(地)包括3個類型： ①成林地。在ZY-3和GF-1圖像中，樹齡較大的森林紋理較為粗糙，樹齡小的森林紋理較為光滑； ②無林地。包括采伐后未更新或更新后林木未郁閉、完全或部分裸露的林地和已經被占用征收的林地，在彩色圖像中表現(xiàn)色調基本一致，幾乎無紋理，可見林區(qū)道路，與周圍的成林地區(qū)別明顯； ③幼林地，指采伐后造林更新6個月～1 a，林木尚未完全郁閉的林地，在彩色圖像中色調與成林地相近，但紋理不明顯，運材林道清晰可見(圖2)。

圖2 成林地、幼林地和無林地影像特征(GF-1 B3(R),B4(G),B1(B)假彩色合成圖像)

將沒有變化作為一個特殊的變化類型，則3種林地類型共有9種林地變化類型： ①成林地—成林地； ②成林地—無林地； ③成林地—幼林地； ④無林地—無林地； ⑤無林地—成林地； ⑥無林地—幼林地； ⑦幼林地—幼林地； ⑧幼林地—成林地； ⑨幼林地—無林地。從變化檢測的角度來看，①④⑦這3種類型為不變類型，其余類型均屬變化類型。

2.3 圖像分割

表1 圖像分割參數(shù)

第1層分割的對象為全部像元，小班專題圖參與了分割，目的是將2013年的林地類型屬性賦予圖像對象，用作后續(xù)分割的掩模； 第2層分割僅對林地范圍進行分割。采用目視評價方法，確定第2層分割的邊界與2期圖像的影像特征達到最吻合程度。后續(xù)圖像分析和檢測均以該層為基礎進行。第2層數(shù)據(jù)中，共有林地對象5 218個，平均每個對象包含3 512個像元(最少包含38個像元，最多包含28 922個像元)。

2.4 對象特征提取

在數(shù)據(jù)集中，ZY-3圖像和GF-1圖像各有4個波段的數(shù)據(jù)，分別用ZY-3_B1,…,ZY-3_B4和GF-1_B1,…,GF-1_B4表示。由于分割后每個圖斑包含一定數(shù)量的像元，因此可計算第i個圖斑在第j個波段的灰度平均值，即

(1)

式中：DNijk為第i個圖斑在第j個波段中第k個像元的灰度值；n為該圖斑包含的像元個數(shù)。

將由t1時相(ZY-3圖像)和t2時相(GF-1圖像)提取的特征向量分別記為Xt1和Xt2，則第i個圖斑的特征向量可表示為

Xit1=(mt11i，…,mt14i)T，

(2)

Xit2=(mt21i，…,mt24i)T，

(3)

式中mt11i，…，mt14i和mt21i，…，mt24i分別為t1和t2時相第i個圖斑在第1—4波段的灰度平均值。

在變化信息提取過程中，主要關注的是2個時相圖像的差異情況。由于2個時相圖像對應波段具有相同的光譜范圍，故可直接計算各個圖斑4個波段灰度平均值的差值。于是，第i個圖斑2個時相特征向量的變化向量為

△Xi=(△m1i,…,△m4i)T=(mt21i-mt11i,…,mt24i-mt14i)T,

(4)

式中△m1i,…,△m4i分別為4個波段2個時相間灰度平均值的差值?！鱔i包含了2個時相圖像光譜變化的信息，可用于變化檢測。對第2層分割結果計算△Xi后，導出ArcGIS shp格式文件，用于圖像分析與變化檢測。

2.5 變化強度度量與最佳檢測閾值確定

對于某區(qū)域(圖像對象，或稱圖斑)，若林地類型發(fā)生了變化，如森林采伐后變成了采伐跡地(無林地)，則2個時相圖像的光譜會出現(xiàn)較大的差異； 而沒有發(fā)生變化的區(qū)域，光譜差異較小。因此，可通過對象特征計算各個圖斑2個時相圖像的變化強度，根據(jù)該強度確定某個圖斑是否發(fā)生變化。變化強度的計算有馬氏距離和歐氏距離等。

馬氏距離計算式為

(5)

歐氏距離計算式為

(6)

張宇等[22]綜合了Camberra距離和歐氏距離的思路，提出了一種新的距離計算方法——相對誤差距離，以GF-1圖像為基準數(shù)據(jù)，其計算式為

(7)

△Ci越大，表明第i圖斑(對象)的2個時相圖像的光譜差異越大，該圖斑屬于變化圖斑的概率就越大。對第2層分割結果分別隨機抽取變化和不變化圖斑各200個作為訓練樣本，計算上述3個距離后得到變化與不變圖斑的變化強度散點圖(圖3)。

(a) 馬氏距離 (b) 歐氏距離 (c) 相對誤差距離

圖3變化與不變圖斑的變化強度散點圖

Fig.3Scatterdiagramoflengthofchangevectorofchangedandunchangedobjects

在應用式(4)―(6)進行變化檢測時，需要確定變化強度的檢測閾值(△C)，當△Ci≥△C時，判定第i圖斑為變化圖斑； 反之，當△Ci<△C時，判定該圖斑為不變圖斑。檢測閾值的大小對檢測精度影響極大，若△C過大，將會導致很多變化圖斑被檢測為不變化圖斑(即漏檢率高)； 若△C過小，則會造成很多不變圖斑被檢測為變化圖斑(即誤檢率高)。為此，需要確定最佳的檢測閾值，進而有效降低漏檢率和誤檢率，提高檢測精度。最佳檢測閾值的確定方法很多，常用的有信息增益法、最大類間方差法、目標函數(shù)法和最小誤差法等。本文中采用目標函數(shù)法。

最佳檢測閾值確定步驟如下：首先，對訓練樣本集計算各個樣本的△Ci，根據(jù)其散點圖，可以大概確定其最佳閾值的分布范圍(如圖3(b)，最佳分割閾值位于△C=10附近)； 其次，給定其分布范圍為△C∈[△C1，△C2]，在[△C1，△C2]范圍內以一定的步長(△)作檢測(逐一取檢測閾值為△C1，△C1+△，△C1+2△，…，△C2，根據(jù)△Ci的大小，將全部圖斑判定為“變化圖斑”或“不變圖斑”)； 然后，統(tǒng)計①檢測為變化且實際為變化圖斑的個數(shù)CC； ②檢測為變化但實際為不變圖斑的個數(shù)CU； ③檢測為不變實際為變化圖斑的個數(shù)UC； ④檢測為不變實際為不變圖斑的個數(shù)UU；最后，可計算出漏檢率(po)、誤檢率(pc)和總體精度(pt)[23]，即

po=UC/(CC+UC)，

(8)

pc=CU/(CC+CU)，

(9)

pt=(CC+UU)/(CC+CU+UC+UU) 。

(10)

顯然，最佳檢測閾值是使po和pc最小且pt最大的值。于是，定義目標函數(shù)[24]為

(11)

O(S)越大，說明檢測的整體質量越好。最佳檢測閾值S0為對應于O(S)最大時閾值S的值，即

(12)

由圖3大致確定馬氏距離、歐氏距離和相對誤差距離S0的區(qū)間后，采用圖3的原始數(shù)據(jù)分別以0.1(馬氏距離和歐氏距離)和0.01(相對誤差距離)為間隔，逐一計算樣本的po,pc,pt和O(S)，得到圖4的變化曲線。

(a) 馬氏距離 (b) 歐氏距離 (c) 相對誤差距離

圖4漏檢率、誤檢率和總體精度隨目標函數(shù)的變化曲線

Fig.4Omissionrate,commissionrateandoverallaccuracychangeinresponsetochangeofobjectfunction

從圖4可以看出，對于馬氏距離，max(O(S))=0.445 6，對應的S值為3.8(即S0=3.8)，此時的漏檢率為45.74%，誤檢率為35.94%，總體精度為81.0%； 對于歐氏距離，max(O(S))=0.484 1，S0=14.4，此時的漏檢率為36.9%，誤檢率為37.3%，總體精度為83.3%； 對于相對相差距離，max(O(S))=0.527 9，S0=0.27，此時的漏檢率為36.3%，誤檢率為25.8%，總體精度為85.6%。

3 結果與分析

3.1 檢測結果

根據(jù)以上確定的最佳檢測閾值，對全部圖斑分別進行了馬氏距離、歐氏距離和相對誤差距離檢測，得到2013年12月―2015年1月間以小班為單元的林地變化檢測結果。圖5為基于CVA的歐氏距離變化檢測的局部結果。

(a) ZY-3圖像(2013-12-07)(b) GF-1圖像(2015-01-15) (c) 歐氏距離變化檢測結果

圖5基于CVA的歐氏距離變化檢測結果

Fig.5DetectionresultwithEuclidiandistancebasedonCVA

3.2 檢測精度評價

在ArcGIS軟件平臺支持下，通過隨機設置驗證樣點進行檢測精度定量評價。具體方法為： ①采用create random points工具在研究區(qū)域內隨機生成了1 000個驗證樣點，得到一個精度檢驗樣點文件； ②將精度檢驗樣點文件與2個時相的遙感圖像及2013年小班專題圖疊置，通過目視解譯方法，逐一確定各個樣點所屬的真實變化類型； ③將精度檢驗樣點文件分別與歐氏距離、馬氏距離和相對誤差距離的分類結果進行空間疊置分析，得到3種距離檢測中各個樣點所屬的分類結果類型； ④采用混淆矩陣計算各個相關精度指標。采用歐氏距離、馬氏距離和相對誤差距離進行CVA檢測的混淆矩陣如表2所示。

表2 采用3種距離的CVA檢測混淆矩陣

顯然，歐氏距離和馬氏距離的CVA檢測精度都不夠理想，均表現(xiàn)為漏檢率和誤檢率較高、總體精度較低且Kappa系數(shù)較小。相對誤差距離的檢測結果最好，漏檢率和誤檢率均最小，總體精度最高，Kappa系數(shù)最大。

對檢測結果進行全面觀察，發(fā)現(xiàn)誤檢測的圖斑主要為成林地或無林地(建設用地、林區(qū)道路)圖斑，漏檢錯誤主要出現(xiàn)于與幼林地相關的變化類型，包括成林地—幼林地、無林地—幼林地和幼林地—成林地。由于這3種類型雖屬變化類型，但其中一些圖斑的地表特征變化不夠明顯，2個時相圖像的光譜差異較小，因此容易造成漏檢。

4 結論與建議

1)本文以ZY-3和GF-1高空間分辨率衛(wèi)星圖像及小班專題圖為數(shù)據(jù)源，以林地變化頻繁快速、變化圖斑多而小的廣西上思縣為例，利用面向對象的變化向量分析(CVA)法，通過目標函數(shù)確定最佳檢測閾值，以小班為單元提取變化區(qū)域。實驗結果表明，該方法具有較高的檢測精度，并且變化區(qū)域不超出小班邊界，利用GIS軟件對檢測結果中錯誤進行全面、快速修正后，可用于森林資源數(shù)據(jù)庫更新。

2)在基于CVA的變化檢測中，最佳檢測閾值的確定是最為關鍵的步驟。本文通過訓練樣本，以目標函數(shù)最大原則確定最佳檢測閾值，使漏檢率和誤檢率最小且總體精度最大，從而確保了檢測結果最優(yōu)。研究結果表明，由訓練樣本得到的檢測精度與最終驗證結果有一定的差異，因此，訓練樣本的選取十分關鍵，不但需要足夠數(shù)量的訓練樣本，而且需要確保其具有典型性和代表性。另一方面，由于在訓練樣本選取過程中存在著人為主觀影響，并且造成檢測過程難以實現(xiàn)自動化，因此需要進一步深入研究最佳檢測閾值的自動化、智能化確定方法，如基于貝葉斯理論的最小錯誤率法[25]、直方圖擬合法[26]、局部最小錯分概率法[27]等，以減少人為主觀影響、提高檢測效率。

3)為更新森林資源數(shù)據(jù)庫，需要以小班為單元提取變化區(qū)域，因此小班專題圖須參與圖像分割。在圖像分割過程中，需要針對所用的數(shù)據(jù)源，以保證分割后圖斑邊界與圖像表征準確吻合為原則，進行反復試驗，從而確定最優(yōu)的分割參數(shù)組合。

4)基于相對誤差距離的變化向量檢測結果優(yōu)于歐氏距離和馬氏距離的檢測結果。與歐氏距離相比，馬氏距離雖然不受各個波段灰度差相對大小的影響，但其可能會夸大變化微小的變量的作用，因此檢測精度亦不高。

[1] Food and Agriculture Organization of the United Nations(FAO).Global Forest Resources Assessment 2010:Main Report[R].FAO Forestry Paper 163.Rome:FAO,2010.

[2] 趙憲文,李崇貴,斯林,等.基于信息技術的森林資源調查新體系[J].北京林業(yè)大學學報,2002,24(5/6):147-155. Zhao X W,Li C G,Si L,et al.Building a new system of forest resources inventory by information technology[J].Journal of Beijing Forestry University,2002,24(5/6):147-155.

[3] 李春干,代華兵,李崇貴.基于高分辨率衛(wèi)星圖像的小班勾繪精度檢驗[J].福建林學院學報,2006,26(2):127-130. Li C G,Dai H B,Li C G.Accuracy inspection of subcompartment division based on hi-resolution remote sensing imagery[J].Journal of Fujian College of Forestry,2006,26(2):127-130.

[4] 周啟鳴.多時相遙感影像變化檢測綜述[J].地理信息世界,2011(2):28-33. Zhou Q M.Review on change detection using multi-temporal remotely sensed imagery[J].Geomatics World,2011(2):28-33.

[5] 陳鑫鏢.遙感影像變化檢測技術發(fā)展綜述[J].測繪與空間地理信息,2012,35(9):38-41. Chen X B.A summary of change detection techniques of remote sensing imagery[J].Geomatics and Spatial Information Technology,2012,35(9):38-41.

[6] 李世明,王志慧,韓學文,等.森林資源變化遙感監(jiān)測技術研究進展[J].北京林業(yè)大學學報,2011,33(3):132-138. Li S M,Wang Z H,Han X W,et al.Overview of forest resources change detection methods using remote sensing techniques[J].Journal of Beijing Forestry University,2011,33(3):132-138.

[7] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3/4):225-238.

[8] Desclée B,Bogaert P,Defourny P.Forest change detection by statistical object-based method[J].Remote Sensing of Environment,2006,102(1/2):1-11.

[9] Lu D S,Batistella M,Moran E.Integration of Landsat TM and SPOT HRG images for vegetation change detection in the Brazilian Amazon[J].Photogrammetric Engineering and Remote Sensing,2008,74(4):421-430.

[10]石軍南,李和順,劉曉農,等.面向對象分類方法在森林采伐遙感監(jiān)測中的應用[J].中南林業(yè)科技大學學報,2010,30(11):6-10. Shi J N,Li H S,Liu X N,et al.Application of classification object-oriented to forest cutting monitoring based on remote sensing[J].Journal of Central South University of Forestry and Technology,2010,30(11):6-10.

[11]邢元軍,旦增.基于面向對象的高分辨率影像的森林植被變化信息提取研究[J].中南林業(yè)調查規(guī)劃,2010,29(4):34-37. Xing Y J,Dan Z.Study on extraction techniques for forest vegetation change information based on high spatial resolution remote sensing image[J].Central South Forest Inventory and Planning,2010,29(4):34-37.

[12]魏安世,楊志剛.森林資源年度監(jiān)測小班數(shù)據(jù)自動更新技術[J].南京林業(yè)大學學報(自然科學版),2010,34(4):123-128. Wei A S,Yang Z G.Automatic updating technique of subcompartment data for annual monitoring of forest resource[J].Journal of Nanjing Forestry University(Natural Science Edition),2010,34(4):123-128.

[13]王志慧,李世明,張藝偉.基于C5.0算法的森林資源變化檢測方法研究——以山東省徂徠山林區(qū)為例[J].西北林學院學報,2011,26(5):185-191. Wang Z H,Li S M,Zhang Y W.Methodsological study on the detection of the variations of forest resources based on C5.0 algorithm:A case of Culai Forest in Shandong[J].Journal of Northwest Forestry University,2011,26(5):185-191.

[14]Potapov P V,Turubanova S A,Hansen M C,et al.Quantifying forest cover loss in Democratic Republic of the Congo,2000—2010,with Landsat ETM+ data[J].Remote Sensing of Environment,2012,122:106-116.

[15]Hansen M C,Loveland T R.A review of large area monitoring of land cover change using Landsat data[J].Remote Sensing of Environment,2012,122:66-74.

[16]李德仁.利用遙感影像進行變化檢測[J].武漢大學學報(信息科學版),2003,28(S):7-12. Li D R.Change detection from remote sensing images[J].Geomatics and Information Science of Wuhan University,2003,28(S):7-12.

[17]馬建文,田國良,王長耀,等.遙感變化檢測技術發(fā)展綜述[J].地球科學進展,2004,19(2):192-196. Ma J W,Tian G L,Wang C Y,et al.Review of the development of remote sensing change detection technology[J].Advance in Earth Sciences,2004,19(2):192-196.

[18]Lu D,Mausel P,Brondízio E,et al.Change detection techniques[J].International Journal of Remote Sensing,2004,25(12):2365-2407.

[19]黃榮林.桉樹速生豐產林營造技術及效益分析[J].廣西林業(yè)科學,2006,35(S):27-29,36. Huang R L.Superior eucalyptus fast-growing and high yield plantation establishment technique and benefits analysis in Luchuan County,Guangxi[J].Guangxi Forestry Science,2006,35(S):27-29,36.

[20]陳健波,劉健.丘陵地桉樹無性系人工林生長調查[J].林業(yè)科技開發(fā),2011,25(4):67-70. Chen J B,Liu J.Growth investigation on plantations of Eucalyptus in hill lands in Guangxi[J].China Forestry Science and Technology,2011,25(4):67-70.

[21]張健軍,韋曉娟,傅鋒,等.廣西桉樹速生豐產林調查與經濟效益評價[J].林業(yè)經濟,2012(9):34-37. Zhang J J,Wei X J,Fu F,et al.Survey and economic benefit evaluation on fast-growing and high-yielding Eucalyptus SPP plantation in Guangxi[J].Forestry Economics,2012(9):34-37.

[22]張宇,劉雨東,計釗.向量相似度測度方法[J].聲學技術,2009,28(4):532-536. Zhang Y,Liu Y D,Ji Z.Vector similarity measurement method[J].Technical Acoustics,2009,28(4):532-536.

[23]Bontemps S,Langner A,Defourny P.Monitoring forest changes in Borneo on a yearly basis by an object-based change detection algorithm using SPOT-VEGETATION time series[J].International Journal of Remote Sensing,2012,33(15):4673-4699.

[24]李亮,舒寧,李雪.基于像斑差熵的遙感影像變化檢測[J].遙感信息,2011(4):38-41. Li L,Shu N,Li X.Remote sensing image change detection based on the entropy difference of image segment[J].Remote Sensing Information,2011(4):38-41.

[25]盛輝,廖明生,張路.基于典型相關分析的變化檢測中變化閾值的確定[J].遙感學報,2004,8(5):451-457. Sheng H,Liao M S,Zhang L.Determination of threshold in change detection based on canonical correlation analysis[J].Journal of Remote Sensing,2004,8(5):451-457.

[26]李亞平,楊華,陳霞.基于EM和BIC的直方圖擬合方法應用于遙感變化檢測閾值確定[J].遙感學報,2008,12(1):85-91. Li Y P,Yang H,Chen X.Determination of threshold in change detection based on histogram approximation using expectation maximization algorithm and Bayes information criterion[J].Journal of Remote Sensing,2008,12(1):85-91.

[27]黃維,黃進良,王立輝,等.基于PCA的變化向量分析法遙感影像變化檢測[J].國土資源遙感,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04. Huang W,Huang J L,Wang L H,et al.Remote sensing image change detection based on change vector analysis of PCA component[J].Remote Sensing for Land and Resources,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

(責任編輯：劉心季)

Forestchangedetectionusingremotesensingimagebasedonobject-orientedchangevectoranalysis

LI Chungan1， Liang Wenhai2

(1.CollegeofForestry,GuangxiUniversity，Nanning530004，China； 2.GuangxiForestInventoryandPlanningInstitute，Nanning530011，China)

To develop a method for collecting spatial information of forest change to update forest resources database, the authors tested a forest change detection in an area in Shangsi County of Guangxi where the forest cover changed frequently and rapidly and had a lot of change parcels most of which were small patches. ZY-3 and GF-1 satellite remote sensing images and the thematic map of forest distribution composed of sub-compartments were used as the data sources, the length of change vector was measured by Mahalanobis distance, Euclidean distance and relative error distance, and the optimal threshold was determined by the objective function. In addition, the object-based change vector analysis (CVA)was used to detect the forest change based on the sub-compartment. The results show that the detection results based on the Mahalanobis distance and Euclidean distance are not ideal, for they have high omission rate and commission rate but low total accuracy and small kappa coefficient. The detection result based on the relative error distance is the best among the three detections, for its omission accuracy (21.0%) and the commission accuracy (32.5%) are the lowest in the three detection, and its total accuracy (89.6%) and its Kappa coefficient (0.664) are higher than the two other detections. False detections are usually found in the old forest land, construction area, road and some other places, and the commission objects are found in various land types.

object-oriented； change vector analysis(CVA)； object function； change detection； sub-compartmenet

10.6046/gtzyyg.2017.03.11

李春干,梁文海.基于面向對象變化向量分析法的遙感影像森林變化檢測[J].國土資源遙感,2017,29(3)：77-84.(Li C G,Liang W H.Forest change detection using remote sensing image based on object-oriented change vector analysis[J].Remote Sensing for Land and Resources,2017,29(3)：77-84.)

2016-03-07；

2016-04-16

廣西林業(yè)科學研究項目“森林變化遙感信息自動檢測與提取”(編號： 201423)資助。

李春干(1962-),男,博士,研究員,主要從事林業(yè)遙感、森林資源監(jiān)測與管理等方面研究。Email： gxali@126.com。

TP 751.1; S 771.8

： A

： 1001-070X(2017)03-0077-08