謝馨嫻，岳彩榮，霍 鵬

(西南林業(yè)大學(xué)，云南 昆明 650000)

森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)的重要組成部分，它作為全球碳平衡的巨大貢獻(xiàn)者，受到人們的關(guān)注和重視(FAO，2001)。因此有關(guān)森林信息的提取及動(dòng)態(tài)變化的研究，對揭示生態(tài)系統(tǒng)環(huán)境的變化及植被恢復(fù)和重建布局等具有重要意義。

森林變化檢測就是利用同一區(qū)域不同時(shí)相的各種數(shù)據(jù)(例如遙感影像、地理數(shù)據(jù)、林業(yè)檔案數(shù)據(jù)等)，采用空間分析、統(tǒng)計(jì)分析、圖像分析識別、數(shù)學(xué)模擬等多種方法，來提取森林變化信息，定量分析和確定森林變化的特征與過程，進(jìn)而分析這些動(dòng)態(tài)變化的特點(diǎn)與原因。

目前運(yùn)用于森林變化檢測的數(shù)據(jù)和方法很多。其中，由于遙感數(shù)據(jù)具有周期性獲取、多尺度空間分辨率、多波段類型等特征，遙感數(shù)據(jù)已經(jīng)成為森林動(dòng)態(tài)變化監(jiān)測的主要數(shù)據(jù)來源。下面就以遙感數(shù)據(jù)為基礎(chǔ)，介紹幾類常見的森林變化檢測方法。

1 時(shí)間序列分析法

時(shí)間序列分析法是森林變化檢測的常用方法。時(shí)間序列是指同一種現(xiàn)象在不同時(shí)間上的各個(gè)數(shù)值，按時(shí)間先后順序排列而形成的序列。國內(nèi)外很多學(xué)者對此進(jìn)行了研究，如Rogan[1],Hamzah Tangki[2],R.H.Fraser[3]等按時(shí)間序列利用不同時(shí)期的單幅TM影像，進(jìn)行森林植被覆蓋度的變化監(jiān)測，并做了相關(guān)的精度評價(jià)。沈文娟等[4]以南方人工林分布區(qū)域廣東省佛岡縣為例,運(yùn)用Landsat生態(tài)系統(tǒng)自適應(yīng)處理系統(tǒng)(LEDAPS)預(yù)處理生成標(biāo)準(zhǔn)的地面反射率數(shù)據(jù)構(gòu)建Landsat時(shí)間序列堆棧(LTSS)，用LandTrendr算法監(jiān)測人工林森林干擾與恢復(fù)的長時(shí)間序列變化,分析了連續(xù)24a森林干擾的年份變化、干擾量以及干擾持續(xù)的時(shí)間。

森林變化時(shí)間序列分析中，較為常見的是NDVI(Normalized Difference Vegetation Index)時(shí)間序列分析[5]，即利用長時(shí)間序列的遙感數(shù)據(jù)，建立研究對象的NDVI時(shí)間變化曲線。把每個(gè)時(shí)期的NDVI值繪在時(shí)間軸上，形成一個(gè)NDVI時(shí)間序列曲線(圖1)，其既可以是針對單個(gè)像元NDVI的曲線，也可以是針對區(qū)域平均NDVI的曲線。

圖1 NDVI時(shí)間序列曲線

時(shí)序變化分析就是對不同尺度時(shí)間段上的聚合數(shù)據(jù)進(jìn)行分析，研究地表在不同時(shí)間段之間的差異和變化規(guī)律。森林變化主要體現(xiàn)在NDVI時(shí)間序列曲線的形狀變化和數(shù)值變化上，一般采用數(shù)值分析、函數(shù)分析兩種手段從NDVI時(shí)間序列曲線上提取森林變化信息。

數(shù)值分析：主要包括計(jì)算NDVI時(shí)間序列曲線的差值、距平、異常度、方差、最大(小)值、平均值、條件概率等統(tǒng)計(jì)參數(shù)，或提取植被生長始末時(shí)間、生長峰值、生長期時(shí)段等關(guān)鍵物候信息，或提取曲線斜率、包絡(luò)線等定量或定向的分析變化信息。其中，差值是最常用的指標(biāo)，即對不同時(shí)間段的NDVI值進(jìn)行差值計(jì)算，通過分析差值的大小、正負(fù)，進(jìn)而判斷植被的變化幅度和生長衰退趨勢。例如：當(dāng)NDVI的時(shí)間差值大小超過一定閾值時(shí)，認(rèn)為該區(qū)域的森林發(fā)生變化(NDVI值增加，植被生長；NDVI值降低；植被減少或死亡)。

函數(shù)分析：主要采用擬合線性函數(shù)來反映植被覆蓋變化趨勢；或采用頻譜分析對NDVI時(shí)間序列曲線進(jìn)行分解，從而檢測出森林變化或者土地覆蓋變化以及地表植被生態(tài)系統(tǒng)的物候變化，進(jìn)而分析植被長時(shí)序變化與氣候、環(huán)境變化之間的關(guān)系[6]。

綜上，時(shí)間序列分析法不僅能定性識別森林變化,而且能定量提供森林干擾發(fā)生時(shí)間和干擾強(qiáng)度。

2 基于植被指數(shù)的變化檢測

由于植被生長具有季節(jié)性規(guī)律，不同植被類型在不同季節(jié)的影像上會(huì)表現(xiàn)出明顯的差異，因此，植被季相性的差異常會(huì)影響森林變化檢測的結(jié)果。利用植被指數(shù)來克服植被生長的季節(jié)性規(guī)律，是森林變化檢測的常見手段，如上述提到的歸一化植被指數(shù) NDVI、此外還包括增強(qiáng)型植被指數(shù)EVI、綠度植被指數(shù)GVI、垂直植被指數(shù)PVI、綜合森林指數(shù)IFI 等，均常用于森林變化檢測。如采用同一像元在兩時(shí)相的PVI和GVI構(gòu)造變化矢量[7]提取植被變化信息，最后對變化矢量強(qiáng)度進(jìn)行閾值分割以確定變化像元，并根據(jù)每個(gè)變化像元的變化矢量方向角的分布情況確定該像元的變化類別。又如以小班為單位，利用棋盤分割法對遙感影像進(jìn)行分割，獲得以小班為單位的影像圖斑，利用NDVI植被指數(shù)差值法，通過 ROC 曲線閾值法得到不同的閾值，區(qū)分出林地植被未變化、減少或增加的小班[8]。

植被指數(shù)常選用近紅外波段和紅光波段作為組合，植被對這兩個(gè)波段的光譜響應(yīng)差別明顯，這種差別隨著樹冠結(jié)構(gòu)和植被覆蓋的變化而變化，因而可以通過它們之間的比值、差值和線性變換等運(yùn)算來增強(qiáng)和揭示植被信息[9]。

應(yīng)用植被指數(shù)監(jiān)測植被變化針對性強(qiáng)，排除了非植被信息的干擾，增強(qiáng)了植被在不同波譜段的光譜響應(yīng)特性，同時(shí)抑制了傳感器、光照、大氣、和地形等因素引起的偽變化干擾，但同時(shí)也增強(qiáng)了隨機(jī)噪聲和相關(guān)噪聲[10].

3 基于像元值對比的變化檢測

基于像元值對比的變化檢測，以遙感圖像代數(shù)運(yùn)算為基礎(chǔ)來提取森林變化信息。即基于已正射校正好的兩時(shí)相遙感影像，對兩影像中的各波段灰度值進(jìn)行差值、比值、回歸等代數(shù)運(yùn)算，進(jìn)而確定地表的變化量。

3.1 差值法

圖像差值法是森林變化檢測技術(shù)中較為常見的一個(gè)方法。該方法是把不同時(shí)相、同一波段圖像的對應(yīng)像元值相減得到差值圖像。對差值圖像設(shè)定閾值得到圖像的變化區(qū)域(公式1)。在差值圖像中，沒有變化的區(qū)域，其差值為0或接近0；有變化的區(qū)域，其差值可能為正或負(fù)。為了使圖像差值不為負(fù)，常加一個(gè)常量C，或直接取差值的絕對值。差值圖像的亮度值常近似于高斯分布，未發(fā)生變化的像元多集中在均值周圍，而發(fā)生變化的像元主要分布在直方圖的兩翼[11]。

(1)

式中：D為差值圖像像素值；DNt1和DNt2分別為t1、t2時(shí)相的圖像像素值；C為常數(shù)。Y為差值圖像二值化結(jié)果；θ為選取的閾值；1表示區(qū)域光譜發(fā)生了變化，0表示區(qū)域光譜未發(fā)生變化。

圖像差值法具有簡單直觀、運(yùn)算速度快、生成結(jié)果易于分析的特點(diǎn)。當(dāng)?shù)匚镱愋洼^單一，色調(diào)紋理較均勻，變化特征較明顯時(shí)，差值法對森林變化信息的提取效果較好。研究表明，圖像差值法能更好地檢測出植被在不同時(shí)段的變化，定量地反映植被覆蓋的總體變化趨勢，但不能揭示變化過程的詳細(xì)信息以及不同植被覆蓋類型之間的轉(zhuǎn)換[12]。此外，差值法也容易造成信息丟失或判斷誤差。

3.2 比值法

比值法是將兩時(shí)相同一波段的對應(yīng)像素值相比，得到比值圖像，如公式(2)。在比值圖像中，沒有變化的區(qū)域，其比值結(jié)果等于1 或接近于1；在變化了的區(qū)域，其比值結(jié)果遠(yuǎn)大于或遠(yuǎn)小于1。

(2)

式中：D為比值圖像像素值；DNt1和DNt2分別為t1、t2時(shí)相的圖像像素值。

比值圖像對圖像的乘性噪聲不是很敏感，能很好地抑制太陽高度角、陰影和地形的影響，且在一定程度上能夠減少圖像噪聲和陰影等因素對檢測結(jié)果的影響。

3.3 圖像回歸法

回歸分析方法是先假設(shè)不同時(shí)期兩幅影像線性相關(guān)，基于未發(fā)生變化區(qū)域的影像值，用一個(gè)時(shí)期的影像對另外一個(gè)時(shí)期的影像進(jìn)行線性回歸，使用回歸方程得出的結(jié)果值與原圖像值相減，得到的差值影像便是差異性的表現(xiàn)，如公式(3)。

(3)

式中：f為根據(jù)t1時(shí)期的森林?jǐn)?shù)據(jù)對t2時(shí)期的森林狀況的回歸。這種回歸關(guān)系可以考慮為森林的正常生長，或者大氣、季節(jié)、成像條件等外因帶來的數(shù)據(jù)差異。

該方法解決了不同時(shí)相影像像元均值差異和方差差異，消除了由于大氣條件、季節(jié)和太陽高度角等因素的不同所帶來的影響；但不足之處就是建立高精度的回歸關(guān)系往往比較困難，且計(jì)算量大。

3.4 變化向量分析法

變化向量分析法是在相對輻射歸一化校正的基礎(chǔ)上，將不同時(shí)相圖像各波段之間的輻射變化，作為具有方向和大小的變化向量，對各波段的差異進(jìn)行分析，確定變化的強(qiáng)度和方向特征。如李春干[13]以資源三號和高分一號高空間分辨率衛(wèi)星遙感圖像和小班專題圖為數(shù)據(jù)源,采用面向?qū)ο蟮淖兓蛄糠治龇?基于馬氏距離、歐氏距離和相對誤差距離度量變化強(qiáng)度,通過目標(biāo)函數(shù)確定最佳檢測閾值,以小班為單元進(jìn)行森林變化檢測并進(jìn)行了相關(guān)精度分析。

其原理是在多光譜空間內(nèi)，把時(shí)相t1到時(shí)相t2的光譜變化作為具有方向和大小的變化向量，通過空間兩點(diǎn)之間的距離求出變化向量(圖2(a))。設(shè)時(shí)相t1和時(shí)相t2的像元灰度向量分別為B1=(B11,B12,B13,…B1k)T和B2=(B21,B22,B23,…B2k)T，則變化向量定義為

ΔB=B1-B2

式中：ΔB包含兩時(shí)像圖像中的所有變化信息，變化方向由ΔB的向量方向決定。

變化強(qiáng)度為變化向量的模值。若采用歐式距離，則變化強(qiáng)度為：

‖ΔB‖=

(4)

‖ΔB‖越大則表明兩圖像差異越大，發(fā)生變化的可能性就大。因此，可通過設(shè)定閾值來檢測某區(qū)域是否發(fā)生了變化，根據(jù)ΔB的方向確定變化類型。如圖2(b-d)所示，當(dāng)一種地物隨時(shí)間變化后其光譜向量也隨之發(fā)生變化，如果光譜變化信息小于所設(shè)定的閾值，則判定其為未變化區(qū)；反之，如果光譜變化信息大于所設(shè)定的閾值，則判定其為變化區(qū)。

圖2 二維空間變化向量分析原理圖

在圖2中，(a)是對變化向量的定義，根據(jù)t1時(shí)刻影像的波段1和波段2的像素值可確定時(shí)間t1點(diǎn)，根據(jù)t2時(shí)刻影像的波段1和波段2的像素值可確定時(shí)間t2點(diǎn)，從時(shí)間t1點(diǎn)指向到時(shí)間t2點(diǎn)的向量就是變化向量；(b)內(nèi)的變化向量大小在閾值之內(nèi)，因此該像素點(diǎn)對應(yīng)于未變化區(qū)域；(c)與(d)的變化向量均大于閾值，對應(yīng)于變化區(qū)域，但是變換化向量的方向不同，對應(yīng)著不同類型的變化。

變化向量分析法的優(yōu)點(diǎn)是進(jìn)行變化分析時(shí)可以運(yùn)用大量的數(shù)據(jù)或者對所有數(shù)據(jù)進(jìn)行處理，并且可以檢測出變化類型的信息。但是，隨著波段數(shù)的增加，變化類型的檢測判斷會(huì)比較困難，其適當(dāng)閾值的確定也是該方法的難點(diǎn)。

綜上，基于像元值對比的變化檢測方法運(yùn)算簡單直觀、處理速度快，技術(shù)核心和難點(diǎn)在于變化閾值的確定，并且不能確定發(fā)生變化的地物類型以及變化性質(zhì)。在森林遙感變化檢測中，通過代數(shù)運(yùn)算的方法，可以較直觀的了解森林的空間變化，如面積，蓄積量的變化等。此類算法主要適用于一些傳統(tǒng)的中低分辨率遙感圖像，是應(yīng)用最廣泛也是最低層次的變化檢測方法[14]。

4 基于圖像變換的變化檢測方法

由于多光譜圖像存在一定程度上的相關(guān)性和冗余，可以對多光譜圖像進(jìn)行線性變換，使光譜空間坐標(biāo)按一定規(guī)律旋轉(zhuǎn)，產(chǎn)生一組新的組分圖像，將原多波段中的有用信息集中到盡可能少的新組分中，以突出和提取變化信息。以下介紹兩種線性變換方法，以及它們在森林變化監(jiān)測中的應(yīng)用。

4.1 基于主成分分析的變化檢測

主成分分析PCA(Principal Components Analysis)又稱k-L(Karhunen-Loeve Transform)變換。它是在統(tǒng)計(jì)特征基礎(chǔ)上的多維線性正交變換，是去除相關(guān)、特征提取、數(shù)據(jù)壓縮的有效方法[15]。PCA變換后通常選取變換后波段方差總和占原始數(shù)據(jù)總方差85%以上的波段為圖像的主成分波段，剩余的波段剩下的多為“噪音”。這樣，既能保留原始數(shù)據(jù)的絕大部分信息，又達(dá)到減少變量、簡化問題的目的[16]。

基于PCA變換法的優(yōu)點(diǎn)是：可以有效分離影像的信息和噪聲，進(jìn)而突出主要的地物目標(biāo)。缺點(diǎn)是：算法復(fù)雜，操作困難，計(jì)算量大，并且變換后各波段沒有明確的物理意義。主要應(yīng)用于高光譜遙感數(shù)據(jù)。在變化檢測時(shí)，根據(jù)PCA具體的實(shí)施策略操作方法不同，又可以分為以下幾種：

4.1.1 主成分差異法

主成分差異法是將預(yù)處理后的多時(shí)相圖像分別進(jìn)行主成分變換，再對變換后的兩時(shí)像圖像進(jìn)行差值計(jì)算，最后將前幾個(gè)主成分差值重新進(jìn)行波段組合，從組合中體現(xiàn)森林差異的一種方法。

經(jīng)主成分變換后，兩時(shí)相圖像的主要信息集中在前幾個(gè)主成分中，故前幾個(gè)主成分所對應(yīng)的差值就反映了原始圖像中的變化信息。但是，雖然前幾個(gè)主成分中涵蓋了遙感圖像的絕大部分信息，仍不能從單一主成分差值圖中直接目視解譯出森林動(dòng)態(tài)變化信息，因此常在主成分差值后再將這些主成分差值進(jìn)行波段組合以此來判斷是否發(fā)生了動(dòng)態(tài)變化。主成分差異法在顯示變化區(qū)域方面效果較好，但比較籠統(tǒng)，變化的細(xì)節(jié)表現(xiàn)力不強(qiáng)[17]。

4.1.2 差異主成分法

差異主成分法是將預(yù)處理后的多時(shí)相的圖像按對應(yīng)波段逐一進(jìn)行差值計(jì)算，再對差值圖像進(jìn)行主成分變換。差值處理能濾除兩幅影像的相同背景、噪聲以及由于“同物異譜”現(xiàn)象所誤提的碎斑，得到僅包括主要變化信息的差值圖像。再根據(jù)主成分變換后差值圖像的信息比例，選取前幾個(gè)主成分來提取森林變化信息。與主成分差異法相比，它在提取變化細(xì)節(jié)上效果更為理想。

4.1.3 多波段主成分法

多波段主成分法是將預(yù)處理后的兩時(shí)相圖像按需求將波段重新組合成一幅新的圖像，再對該圖像進(jìn)行主成分分析的一種方法。它根據(jù)主成分分析中各成分的信息比，選擇主成分影像分析動(dòng)態(tài)信息。這種方法能夠分離信息、減少相關(guān)，具有突出不同地物目標(biāo)的優(yōu)點(diǎn)。

4.2 基于纓帽變換的變化檢測

纓帽變換(Tasseled Cap)，又稱為K-T(Kauth-Thomas Transformation)變換或穗帽變換。它是Kauth和Thomas在1976年提出的一種脫胎于主成分變換的線性變換方法。目前，纓帽變換主要用于Landsat衛(wèi)星系列的傳感器圖像。遙感影像通過纓帽變換，可提取亮度(Brightness)、綠度(Greenness)和濕度(Wetness)圖像。相對于主成分變換，纓帽變換減弱了土壤背景值對植物光譜的影響,突出了影像中的植被信息，這在森林變化檢測方面起到了很大的作用。

基于纓帽變換檢測森林動(dòng)態(tài)變化的方法有很多。如可以直接對不同時(shí)像的綠度指數(shù)進(jìn)行差值獲取變化信息，也可以利用纓帽變換的亮度、綠度、濕度指數(shù)進(jìn)行彩色波段組合進(jìn)行變化信息檢測。如范應(yīng)龍[18]曾以熱帶森林復(fù)雜區(qū)域?yàn)檠芯繉ο?，采用纓帽變換結(jié)合黑暗對象掩膜與局部直方圖閾值提取等方法，獲取纓帽變換的“衍生數(shù)據(jù)”：亮度、綠度、濕度指數(shù)組合以檢測熱帶森林變化，獲得較好結(jié)果。此外，還可以基于亮度、綠度、濕度指數(shù)的歸一化線性組合，形成擾動(dòng)指數(shù)DI，公式如(5)。再對各期數(shù)據(jù)的擾動(dòng)指數(shù)進(jìn)行差值運(yùn)算，從差值圖上提取森林變化信息[19]。此外,由于纓帽變換是一種特殊形式的主成分變換，因此基于主成分變換的各種變化檢查法同樣適用于纓帽變換。

(5)

式中，Bn、Gn、Wn分別為歸一化后的亮度，綠度，濕度；Bμ、Gμ、Wμ為森林的亮度、綠度、濕度的均值；Bσ、Gσ、Wσ為森林的亮度、綠度、濕度的方差。

研究表明，多時(shí)相纓帽變換在短波紅外與近紅外波段對森林變化信息較為敏感，能有效地消除噪聲等非目標(biāo)信號，突出變化目標(biāo)信號；多時(shí)相纓帽變換的差值不僅能檢測出森林內(nèi)部的細(xì)微變化，而且對小圖斑變化檢測優(yōu)勢明顯，有利于變化信息的目標(biāo)提取與解譯。

5 基于特征級的變化檢測

基于特征級的變化檢測又叫圖像空間特征的變化檢測，其核心是提取影像特征。通過提取影像特征分析、比較這些特征來獲取變化檢測的結(jié)果[20]。提取的影像特征有統(tǒng)計(jì)特征、紋理特征和空間結(jié)構(gòu)特征。常見的統(tǒng)計(jì)特征有影像的均值、方差和矩特征等；紋理特征通常用 Gabor 濾波器和灰度共生矩陣(Grey Level Co-occurrence Matrix)來提?。豢臻g結(jié)構(gòu)特征主要包含邊緣、形狀和輪廓特征等。由于遙感圖像向著高空間分辨率的方向發(fā)展，使得一些具有空間結(jié)構(gòu)和紋理細(xì)致的遙感圖像在處理中容易破碎，所以基于特征級的檢測變化的方法研究逐漸成為熱點(diǎn)。

6 基于分類的變化檢測方法

基于分類的變化檢測方法通過分類手段提出特定的專題信息，進(jìn)而來分析森林信息變化；主要包括兩種模式：一是分類后比較法，另一種是多時(shí)相圖像直接分類法，也稱光譜/時(shí)相分類。

6.1 分類后比較法

分類后比較法首先選用合適的分類器對各時(shí)期遙感影像進(jìn)行分類，然后對各時(shí)期的分類結(jié)果進(jìn)行疊置分析，對比前、后時(shí)相分類圖上每一個(gè)像元的類別屬性，將前、后時(shí)相分類圖上分別屬于不同類別的像元標(biāo)記為變化像元，以確定變化信息的特征，制作變化信息專題圖。如任沖等[21]以1988—2015年5期夏季 Landsat TM/OLI 遙感影像為主要數(shù)據(jù)源，結(jié)合輔助數(shù)據(jù)和外業(yè)實(shí)地樣本點(diǎn)，以光譜特征和指數(shù)特征為特征變量，分別利用隨機(jī)森林(RF)和參數(shù)優(yōu)化支持向量機(jī)(POSVM)分類器對土地覆蓋類型進(jìn)行分類，然后基于分類后比較法進(jìn)行森林資源動(dòng)態(tài)變化監(jiān)測并進(jìn)行分析。

在分類后變化檢測前，通常需要統(tǒng)一各時(shí)相影像的分類體系。由于分類器在不同應(yīng)用條件下的分類精度是不同的，而分類精度會(huì)直接影響森林變化檢測的準(zhǔn)確性，因此這就需要根據(jù)具體情況對各時(shí)相影像采用不同的分類器，以期獲得各期數(shù)據(jù)的精確分類；此外，還需要結(jié)合人工目視解譯和野外核實(shí)方式進(jìn)一步校正分類結(jié)果。

在森林變化檢測中，分類后比較法對有林地、非林地未發(fā)生變化的部分的識別精度相對較高；對于植被波譜信息值相近的有林地與未成林地，它們之間的相互轉(zhuǎn)化的區(qū)域判別精度相對較低；另外，林地與耕地之間的區(qū)分也存在一定的難度[22]。

分類后比較法能規(guī)避多時(shí)相數(shù)據(jù)因獲取季節(jié)不同和傳感器不同所帶來的數(shù)據(jù)不相匹配問題，能直接獲取變化的類型、位置和范圍。但分類后比較法不能檢測到地表類型的細(xì)微變化，而且要求建立合理的分類類別體系，若類別劃分得不合適，則將無法得到理想的分類結(jié)果，也就無法檢測變化。同時(shí)，由于分類結(jié)果的可靠性嚴(yán)重影響變化信息的準(zhǔn)確性，因此分類后比較法對分類精度要求較高。

6.2 多時(shí)相直接分類法

多時(shí)相直接分類法是把不同時(shí)相遙感影像看作同一時(shí)相不同波段的影像，用分類的方法檢測出發(fā)生變化的類別[23]。多時(shí)相直接分類法能夠確定變化區(qū)域、獲得變化類型，同時(shí)避免了區(qū)域面積過分估計(jì)、不合乎邏輯的變化類型和多次分類誤差的累積，但該方法人為干預(yù)較多,效率較低。

目前隨著遙感影像的分辨率不斷提高，引入了面向?qū)ο蠓诸怺24]的方法，通過對象的光譜、形狀和紋理等特征分類進(jìn)行變化檢測，但該方法也有一定的弊端，其中所涉及的分割尺度、特征提取、變化閾值等問題一直是人們研究的熱點(diǎn)，直接關(guān)系變化檢測精度的高低。面向?qū)ο蟮淖兓瘷z測方法可以避免傳統(tǒng)方法所帶來的弊端，目前大致可以分為兩大類：一類是面向?qū)ο蟮姆诸惡蟊容^法[25～27]，另一類是通過遙感動(dòng)態(tài)監(jiān)測方法獲取對應(yīng)像斑的變化信息，建立變化類型轉(zhuǎn)換矩陣對變化信息進(jìn)行分類[28～30]。目前，第一種方法用得比較多，后面用得比較少，但這兩種方法產(chǎn)生的誤差都是分類誤差。這里主要介紹第一種方法——采用面向?qū)ο蠓诸惡蟊容^法進(jìn)行變化檢測時(shí)，需要分割影像，獲取均質(zhì)性較高的對象，分析并提取對象的光譜、形狀、紋理等特征，建立分類規(guī)則進(jìn)行分類，然后比較分類結(jié)果，通過設(shè)定閾值來獲取變化信息。影像分割時(shí)，通常采用多尺度分割算法，棋盤分割算法等，若是通過土地利用圖和遙感影像配準(zhǔn)疊加獲得的像斑，則需再劃分為子像斑，以保證像斑的均質(zhì)性。

綜上所述，介紹了森林變化檢測中的幾種常見方法。但是由于不同方法對變換光譜信號的敏感性不同，各種森林特征和背景環(huán)境的光譜響應(yīng)不同；在實(shí)際應(yīng)用中，通常需要多方法實(shí)驗(yàn)、改進(jìn)現(xiàn)有方法，才能確定適合研究對象和數(shù)據(jù)的方法來檢測森林變化。

參考文獻(xiàn)：

[1] Rogan J,Franklin J,Roberts D A.A comparison of methods for monitoring multi-temporal vegetation change using thematic mapper imagery[J].Remote Sensing of Environment,2002,1:143～156.

[2] Hamzah Tangki,Nick A.Chappell.Biomass variation across selectively logged forest within a 225-km2region of Borneo and its prediction by Landsat TM[J].Forest Ecology andManagemengt,2014,2_56:1960～1970.

[3] Fraser R H,Olthof L,Pouliot D.Monitoring land cover change and ecological integrity in Canada's national parks[J].Remote Sensing of Environment,2009,113:1397～1409.

[4] 沈文娟,李明詩.基于長時(shí)間序列Landsat影像的南方人工林干擾與恢復(fù)制圖分析[J].生態(tài)學(xué)報(bào),2017,37(5):1438～1449.

[5] 湯冬梅,樊輝,張瑤.Landsat時(shí)序變化檢測綜述[J].地球信息科學(xué)學(xué)報(bào),2017,19(8):1069～1079.

[6] 趙英時(shí)，等.遙感應(yīng)用分析原理與方法(M).北京，科學(xué)出版社，2013，273～276.

[7] 余卉,賈永紅.武漢市白沙洲大橋區(qū)植被變化遙感監(jiān)測新方法[C]//2006遙感科技論壇暨中國遙感應(yīng)用協(xié)會(huì)2006年年會(huì).2006.

[8] 劉俊.基于3S技術(shù)的縣級森林資源動(dòng)態(tài)監(jiān)測研究[D].南京林業(yè)大學(xué),2016.

[9] 李世明，王志慧，韓學(xué)文，等.森林資源變化遙感監(jiān)測技術(shù)研究進(jìn)展[J].北京林業(yè)大學(xué)學(xué)報(bào),2015,03):132～138.

[10] 王莉莉.基于遙感影像與矢量圖的土地利用圖斑變化檢測方法研究[D].長安大學(xué),2007.

[11] Singh A.Change detection in the tropical forest environment of northeastern India using Landsat.In:Eden M J ,Parry J T.Remote Sensing and Land Management,1986,237～253.

[12] Guo W Q,Yang T B,Dai J G,et al.Vegetation cover changes and their relationship to climate variation in the source region of the Yellow River,China,1990-2000.Int J Remote Sensing,2008,29(7):2085～2103.

[13] 李春干,梁文海.基于面向?qū)ο笞兓蛄糠治龇ǖ倪b感影像森林變化檢測[J].國土資源遙感,2017,29(3):77～84.

[14] 杜龍.基于高分影像的林地動(dòng)態(tài)變化檢測研究[D].西安科技大學(xué),2016.

[15] 郭云開，周家香，黃文華，等.衛(wèi)星遙感技術(shù)及應(yīng)用[M].北京：測繪出版社，2016:150～150.

[16] 何曉群.多元統(tǒng)計(jì)分析[M].北京：中國人民大學(xué)出版社，2008:152～191.

[17] 莫德林，劉克江，曹彬才，等.基于主成分分析的遙感圖像變化檢測[J].遙感與航空攝影.2013(5):53～56.

[18] 范應(yīng)龍，譚炳香.兩種熱帶森林覆蓋變化檢測方法比較研究[J].林 業(yè) 科 學(xué) 研 究.2015，28( 3):325～331.

[19] 范應(yīng)龍.柬埔寨森林覆蓋變化遙感監(jiān)測研究[D].中國林業(yè)科學(xué)研究院，2014:51～53.

[20] 張劍清，佘瓊，潘勵(lì).基于 LBP/C 紋理的遙感影像居民地變化檢測[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2016,33(1):7～11.

[21] 任沖,鞠洪波,張懷清,等.天水市近30年林地動(dòng)態(tài)變化遙感監(jiān)測研究[J].林業(yè)科學(xué)研究,2017,30(1):25～33.

[22] 周蔚.基于TM的森林資源地類動(dòng)態(tài)估計(jì)方法及應(yīng)用[D].南京林業(yè)大學(xué)，2010:16～24.

[23] 趙忠明，孟瑜，汪承義，等.遙感圖像處理[M].北京：科學(xué)出版社，2014:213～214.

[24] 容麗娜.基于面向?qū)ο蠓诸惖母叻直媛蔬b感影像變化檢測研究[D].西安科技大學(xué),2017.

[25] Su X,Wu W,Li H,et al.Land-Use and Land-Cover Change Detection Based on Object-Oriented Theory[C]// International Symposium on Image and Data Fusion.IEEE,2015:1～4.

[26] Hazel G G.Object-level change detection in spectral imagery[J].IEEE Transactions on Geoscience&Remote Sensing,2001，39(3):553～561.

[27] Hong L.Classification of high resolution remote sensing image based on geo-ontology and conditional random fields[C]// Eighth International Symposium on Multispectral Image Processing and Pattern Recognition.2016:89210S.

[28] Wang X.Object-oriented change detection approach for high-resolution remote sensing images based on multiscale fusion[J].Journal of Applied Remote Sensing,2013,7(1):073696.

[29] Sun K,Li D,Sui H,et al.Object-Level Change Detection Based on High-Resolution Remote-Sensing Images and its Application in Japanese Earthquake on March 11，2011 [J].Tourism Economics,2012,I-7(16):249～256.

[30] 吳俊政，嚴(yán)衛(wèi)東，倪維平，等.基于圖像融合與多尺度分割的目標(biāo)級變化檢測[[J].電光與控制，2013,20(12):51～55.