鐘嫻，馮偉，張亞麗，全英匯，黃文江，邢孟道，3

1.西安電子科技大學 電子工程學院,西安710071;

2.中國科學院空天信息創(chuàng)新研究院,北京100094;

3.西安電子科技大學 前沿交叉研究院,西安710071

1 引言

作為自然生態(tài)系統(tǒng)的組成部分，森林在減緩大氣碳濃度和控制全球變暖方面發(fā)揮著重要作用。森林植被遭受破壞會對生態(tài)系統(tǒng)產(chǎn)生諸多不利的影響（鄭粉莉等，1993）。颶風是破壞森林生態(tài)系統(tǒng)的主要自然干擾因素（Christopoulou等，2019）；它通過廣泛地干預森林的組成結(jié)構(gòu)和演替，來影響陸地碳匯（Boutet和Weishampel，2003）。從森林火災管理的角度來看，颶風最直接的影響是將大量的樹木吹倒，使之成為死燃料，增加火災發(fā)生風險（Myers等，1998）。據(jù)糧農(nóng)組織統(tǒng)計，由于受到各種因素的影響，全球森林面積持續(xù)減少，年凈損失率為0.14%，損失面積高達占55810 km2（FAO和UNEP，2020）。因此，實時地監(jiān)測森林的變化與受損情況，高效地獲取森林受災區(qū)域的信息，可以為森林資源管理部門的應急決策提供重要的參考數(shù)據(jù)。目前，傳統(tǒng)的實地調(diào)查方法在監(jiān)測森林工作中面臨巨大挑戰(zhàn)。例如，森林的覆蓋面積廣，傳統(tǒng)方法不僅費時費力，而且監(jiān)測區(qū)域有限，無法達到高效率森林監(jiān)測任務需求；另外，暴風席卷森林后，大量樹木被吹倒，交通受阻嚴重，無法進入森林深處進行勘查（Camarretta等，

2020）。

基于遙感技術(shù)的森林變化檢測是指利用同一地區(qū)不同時間獲取的遙感影像來提取森林的變化信息。目前，遙感變化檢測的主要任務包括3類：確定是否發(fā)生變化、判斷變化區(qū)域的位置以及地物的變化過程（孫曉霞等，2011），本文主要研究森林遙感影像中的地物變化情況。變化特征信息的提取是遙感變化檢測算法的關(guān)鍵步驟，基于像素的變化特征提取方法簡單易行，因此廣泛應用于森林變化檢測中（楊強等，2015；顏偉等，2019）。該方法是在遙感影像的像素基礎(chǔ)上直接提取地物變化信息，主要包括光譜變化向量分析法和植被指數(shù)差異法等；其中，植被指數(shù)差異法是一種分析土地表面植被覆蓋變化情況的檢測方法，由于植被指數(shù)對植被的生長狀態(tài)、類型等參數(shù)的變化情況十分敏感，因此利用這種方法來檢測森林的變化情況可以取得較好的效果（Nelson，1982）。Lyon等（1998）利 用歸 一化 植被 指數(shù)（NDVI）的差值分析了不同地區(qū)的森林植被覆蓋變化情況，取得了不錯的監(jiān)測性能（黃春波等，2015）。然而，隨著遙感影像空間分辨率的提升，基于像素的變化檢測缺乏鄰近像元的空間特征，難以全面反映高分辨率影像上地物的信息（沈文娟等，2018）。此外，由于影像的空間分辨率提高，地物目標的細節(jié)信息更加豐富，導致同譜異物和同物異譜現(xiàn)象普遍存在（陳珂等，2013），這會直接影響地物目標分類識別及其變化信息提取的性能。

由于基于像素的變化特征提取同物異譜現(xiàn)象嚴重，因此僅利用光譜信息進行森林變化監(jiān)測難以滿足對目標變化檢測準確性的需求；而空間信息，例如紋理特征在區(qū)分具有相似光譜特征的不同地物類別以及具有不同光譜特征的同一類地物過程中存在明顯優(yōu)勢（Zhang等，2017）。因此，目前對象多特征協(xié)同的變化檢測算法成為基于遙感影像的變化檢測領(lǐng)域的熱點（Du等，2013）。例如，莊會富等（2016）提出了基于紋理特征的影像變化檢測算法，通過多方向、多個紋理特征構(gòu)建差異影像提高變化檢測的精度；李亮等（2014）將光譜信息與紋理信息結(jié)合提出多特征融合的變化檢測算法；Rich等（2010）融合紋理特征和光譜特征構(gòu)建多元回歸模型來分析森林受災后的變化情況。

然而，當前的紋理特征的獲取算法依舊保留著傳統(tǒng)的固定式計算模式，未充分地考慮到地物空間分布的多樣性。傳統(tǒng)的紋理特征是以光譜特征為基礎(chǔ)，然后設(shè)置單一的滑動窗口進行對輸入圖像的像素進行紋理信息計算（Puig和García，2001）?；趩我淮翱诘姆椒ㄌ崛〖y理信息的準確性取決于各種參數(shù)的選擇，研究表明，窗口大小是影響紋理特征準確性最關(guān)鍵的參數(shù)（Murray等2010；Garc?ˊa-Sevilla和Petrou，2001）。然而，窗口大小和空間信息含量一直是個難以平衡的問題（Murray等，2010）。窗口太小，會導致同一種紋理的內(nèi)部出現(xiàn)誤分割；窗口太大，則會在紋理的邊界區(qū)域出現(xiàn)空間信息噪聲，影響遙感圖像分類的準確性（Puissant等，2005）。因此，如何獲得準確的紋理信息是特征提取的重要研究方向之一。

森林變化檢測方法在提取出變化特征信息之后，第二步是通過閾值分割法或機器學習分類算法進行變化檢測（佟國峰等，2015；邵亞奎等，2020）。集成學習算法是常用的機器學習分類算法之一，它通常比單個基分類器更準確（Feng和Bao，2017；Feng等，2019a和2019b）。然而，大多數(shù)集成模型在面對高維度數(shù)據(jù)時仍然束手無策，還會產(chǎn)生過擬合現(xiàn)象，導致分類精度降低。目前，學者們通過優(yōu)化集成的生成過程，提出了改進算法，如旋轉(zhuǎn)森林算法；旋轉(zhuǎn)森林算法利用主成分分析（PCA）對原始特征空間進行旋轉(zhuǎn)，生成每個基分類器的訓練集，增強了集成模型的性能（Rodriguez等，2006）。

為了進一步提高森林變化監(jiān)測性能，本文提出了基于多樣性特征協(xié)同技術(shù)的颶風前后森林破壞遙感監(jiān)測算法。針對單一窗口大小造成紋理特征提取不夠準確的問題，提出了基于復合窗口的紋理特征提取方法，并計算出森林變化前后遙感影像歸一化植被指數(shù)（NDVI）的差值和增強植被指數(shù)EVI（Enhanced Vegetation Index）的差值，并建立了多樣性特征集合協(xié)同模型，融合NDVI差值、RVI差值和紋理特征，增加了特征的豐富性；針對維度詛咒與過擬合問題，本文提出了基于特征分離的旋轉(zhuǎn)森林改進方法。

2 多樣性特征協(xié)同算法

本文算法主要包括3個步驟：（1）變化特征提取，（2）多樣性特征融合，（3）集成分類模型訓練，具體實現(xiàn)步驟如下。

2.1 變化特征提取

2.1.1 植被指數(shù)差值計算

利用遙感影像的植被指數(shù)差異進行森林變化監(jiān)測的核心是對變化前后的遙感影像NDVI值和EVI值進行計算。NDVI可以反映土地覆蓋植被狀況（Gong等，2006），而EVI是植被生長狀態(tài)及植被覆蓋度的指示因子（Lin，2012），其時序數(shù)據(jù)也已成為監(jiān)測土地覆蓋變化的基本手段（Wang等，2019）。NDVI（Wang等，2019）和EVI（Lin，2012）的計算公式分別為

式中，ρNIR、ρRED和ρBLUE表示遙感影像的近紅外光譜波段反射率、紅光譜波段反射率和藍光譜波段反射率，通過以上公式計算得到風暴前后森林遙感影像的植被指數(shù)NDVI1和NDVI2，以及EVI1和EVI2，并計算變化前后的植被指數(shù)差值：

獲得遙感影像變化特征Xspe={ΔNDVI；ΔEVI}。

2.1.2 基于復合窗口的紋理特征提取

本文提出了一種基于復合窗口的紋理特征提取方法，假定兩個正方形窗口w1和窗口w2的大小分別為(2s+1)×(2s+1)，s≥0和，(2t+1)×(2t+1)，t≥0，且w1的尺寸大于w2。假設(shè)多光譜遙感圖像的大小為M×N，包含D個波段，利用復合窗口對該圖像以步距為1進行滑動掃描。當兩個窗口同時移動時，窗口所處位置共有K種可能：

因此，它們的共同的中心點坐標可以表示為

w1代表大窗口，w2表示小窗口，令I(lǐng)(m,n,d)表示圖像第d個波段中位于坐標(m,n)的像素點，從第k個窗口提取的值可以表示為

令fr，d，k表示大窗口提取的紋理特征，hr，d，k表示小窗口提取的紋理特征，共計算了5種類型的紋理特征。

其中，f1，d，k和h1，d，k表示數(shù)據(jù)范圍：

f2，d，k和h2，d，k代表均值：

f3，d，k和h3，d，k表示方差：

f4，d，k和h4，d，k表示熵：

f5，d，k和h5，d，k表示偏斜：

2.2 多樣性特征融合

設(shè)紋理特征表示：

式 中，xspa(i，d，w1)和xspa(i，d，w2)分 別表 示窗 口w1和w2提取的遙感影像第d個波段的第i個紋理特征。

將遙感影像植被指數(shù)變化信息和紋理信息進行結(jié)合，構(gòu)成多樣性融合特征，先對Xspe和Xspa進行如下變換：

式中，Xˉspe(i)和Xˉspa(i)分別代表列均值，σspe(i)和σspa(i)分別表示列方差，下標(j)代表按列操作。多樣性特征結(jié)合方式可以表示為

2.3 集成分類模型訓練

針對維度詛咒與過擬合問題，本文提出了基于特征分離的旋轉(zhuǎn)森林改進方法，通過使用具有低維度旋轉(zhuǎn)特征的數(shù)據(jù)集來訓練多個獨立的分類器，并利用包外估計精度選擇高質(zhì)量的基分類器來構(gòu)建最終的集成模型，從而進一步提高遙感影像的分類精度。設(shè)數(shù)據(jù)集為S=[X，Y]，假定X=[x1，x2，…，xL]T為訓練樣本集，其中每個樣本xl含H個特征數(shù)，Y=[y1，y2，…，yL]T表示樣本集所對應的類標簽，yl∈{1，2，…，C}，C為類別總數(shù)。假設(shè)T1，T2，…，TI代表I個基分類器，則基于特征分離的旋轉(zhuǎn)森林（Feng等，2020）改進算法的分類步驟如下：

（1）將包含H個特征的訓練集隨機劃分為G個子特征集，則每個子特征集包含個特征，特征子集St，g由U個特征構(gòu)成。如果T是G的整數(shù)倍，則直接進行進入一個步驟；否則，令T=T+T%G，轉(zhuǎn)到步驟（2）。

（2）對St，g中的樣本進行75%的重采樣，產(chǎn)生一個樣本子集S′t，g，利用主成分分析（PCA）計算出S′t，g的主成分系數(shù)at，g，令用新的訓練樣本集S′′t，g訓練基分類器?i，g。

（3）計算基分類器包外估計的精度（Feng等，2020）：

式中，SOOB表示在構(gòu)建樣本子集時未被抽取的樣本數(shù)據(jù)，L′表示SOOB中的樣本數(shù)量，當OOB(?i，g)大于50%時，將基分類器?i，g加入集成E中。

（4）重復以上3個步驟T次，得到最終的集成分類模型?。

（5）設(shè)Pi，g(xl)表示基分類器?i，g預測樣本xl屬于c類別的概率，則樣本xl屬于c類別的置信度（Feng等，2020）為：

用最大置信度來預測樣本xl所屬類別。

3 實驗數(shù)據(jù)與參數(shù)設(shè)置

3.1 實驗數(shù)據(jù)

本文選擇的研究區(qū)域為法國內(nèi)澤爾森林，其占地約81 km2，種植了大量的松樹，位于法國西南部的大西洋海岸附近。2009年1月24日，Klaus風暴席卷法國西南部造成了嚴重危害（National Inventaire Forestier National，2009），圖1是風暴前后的Formosat-2衛(wèi)星遙感圖像，其分別拍攝于2008年12月22日和2009年2月4日。圖像的分辨率為8 m，包含4個光譜波段（紅、綠、藍、近紅外），圖像經(jīng)過了正射校正和地理校正。該數(shù)據(jù)集的樣本來源于實地調(diào)查，實驗時使用到的訓練樣本與測試樣本數(shù)目如表1所示。

表1 樣本數(shù)目Table 1 The number of sample

圖1 法國內(nèi)澤爾森林Fig.1 Nezer forest

3.2 實驗設(shè)置

本實驗所用到的分類方法在MATLAB平臺上實現(xiàn)，所用的電腦處理器為Inter（R）Core（TM）i5-10200HCPU，主頻2.4 GGHz，16 GB內(nèi)存。設(shè)本文所提的基于特征分離的旋轉(zhuǎn)森林改進方法包含10個基分類器，每個基分類器表示一棵決策樹。選擇的分類對比方法為旋轉(zhuǎn)森林算法，設(shè)該算法決策樹的個數(shù)為10，為了體現(xiàn)所提算法的優(yōu)越性，本文設(shè)置了如下對比方法：

（1）F1表示用旋轉(zhuǎn)森林算法對遙感森林影像的4個光譜特征進行分類；

（2）F2，F(xiàn)3，F(xiàn)4分別表示用旋轉(zhuǎn)森林算法對單一窗口大小為5×5、7×7、9×9提取的紋理特征進行分類；

（3）F5表示用旋轉(zhuǎn)森林算法對2.1中的復合窗口技術(shù)提取的紋理特征進行分類，其中復合窗口的大小設(shè)置為7×7和9×9；

（4）F6表示利用所提出的基于特征分離的旋轉(zhuǎn)森林改進方法對數(shù)據(jù)的4個光譜特征、ΔNDVI與ΔEVI組合的特征進行分類。

（5）F7表示利用所提出的基于特征分離的旋轉(zhuǎn)森林改進方法對2.2中計算得到的多樣性融合特征進行分類，其中多樣性融合特征由遙感影像的紋理特征與森林植被指數(shù)變化特征ΔNDVI與ΔEVI構(gòu)成，紋理特征通過2.1.1中的復合窗口技術(shù)提取，且窗口大小為7×7和9×9。

3.3 評價標準

本文使用4個常用的評價指標對分類器的性能進行評估，將測試集xk在分類模型T上進行測試，且其真實標簽為yk，分類模型T表示訓練好的旋轉(zhuǎn)森林模型或訓練好的基于特征分離的旋轉(zhuǎn)森林改進模型。

（1）總 體 分 類 精 度OA（Overall Accuracy）（Tarabalka等，2010）為

式中，L表示訓練集的樣本數(shù)目。

（2）Kappa系數(shù)（Tarabalka等，2010）表示為：

（3）每 一 類 地 物 的 分 類 精 度（pcA（c））（Tarabalka等，2010）為：

式中，Lc={k∈L|yk=c}。

（4）平 均 分 類 精 度AA（Average Accuracy）（Tarabalka等，2010）表示成：

4 實驗結(jié)果與分析

本實驗分別運用了不同方法F1、F2、F3、F4、F5、F6、F7對內(nèi)澤爾森林的變化情況進行監(jiān)測。首先，利用了表1中的訓練與測試樣本數(shù)目對以上7種方法的分類性能進行評估，在4.1節(jié)中展示了不同方法的總體分類精度、Kappa系數(shù)、單類精度以及分類結(jié)果圖；另外，本實驗還測試了各類方法所提取的特征對訓練樣本數(shù)的敏感性，在4.2節(jié)中展示了其結(jié)果。

4.1 算法性能對比

表2展示了在內(nèi)澤爾森林數(shù)據(jù)集上不同方法提取特征對森林變化檢測的總體精度（OA）和Kappa系數(shù)。當使用了紋理特征時，可以從表2中觀察到其整體性能的提高：F2、F3、F4、F5、F7的性能均優(yōu)于F1和F6；與F1相比，F(xiàn)7總體精度提高了3.68%，Kappa系數(shù)提高了5.82%；對于單窗口，分類性能隨著窗口的增大而先增后減，在F3（7×7窗口）性能達到單窗口特征提取方法的最優(yōu)值；與F3相比，使用了本文設(shè)計的復合窗口（F5）后，總體精度提高了0.72%，Kappa系數(shù)提高了1.58%；當運用了多樣性特征集合協(xié)同模型（F6），相比于單一窗口（F3），總體精度提高了1.04%，Kappa系數(shù)增加了2.09%；F6在光譜特征的基礎(chǔ)上加上森林植被指數(shù)變化信息即ΔNDVI與ΔEVI后，其總體分類精度與Kappa系數(shù)比只使用光譜特征的F1高；與F5相比，引入了森林植被指數(shù)變化信息即ΔNDVI與ΔEVI后，多樣性特征F7的總體精度提高了0.43%，Kappa系數(shù)提升了0.51%。實驗結(jié)果表明，通過引入森林植被指數(shù)的變化特征以及基于復合窗口計算的紋理特征，本文所提出變化檢測方法可以獲取更高的分類精度，能夠增強對森林變化的監(jiān)測能力。

表2 整體分類性能Table 2 Overall classification performance

表3分別顯示了7種方法的對森林變化與未變化區(qū)域的監(jiān)測性能，由于本文重點研究森林的變化情況，因此該表中主要展示了變化和未變化區(qū)域的檢測精度及所占面積。當使用了紋理特征（F2，F(xiàn)3，F(xiàn)4，F(xiàn)5，F(xiàn)7）時，對森林變化區(qū)域的檢測精度比僅使用光譜特征（F1和F6）要高；當窗口大小增加到為7×7時（即F3）達到單窗口特征提取方法的閾值；與F3相比，使用7×7和9×9的協(xié)同窗口提取的紋理特征（F5）分類，對變化地物的檢測精度提高了0.83%，對未變化地物的精度提高了0.13%；相比于F3，本文的基于多樣性特征協(xié)同算法（F7）對變化地物檢測精度提升了1.12%，對未變化地物的檢測精度提升了0.6%。相比與F1，本文的基于多樣性特征協(xié)同算法（F7）對變化地物檢測精度提升了6.53%，對未變化地物的檢測精度提升了3.46%。法國內(nèi)澤爾森林的總面積約為81 km2，根據(jù)本文所提算法所計算出來的未變化面積僅為17.10 km2，而因風暴災害而受損變化的面積高達42.89 km2。實驗計算結(jié)果表明內(nèi)澤爾森林在遭受風暴襲擊后，一半以上的森林區(qū)域遭受破壞。圖2展示了內(nèi)澤爾森林對上述7種方法對內(nèi)澤爾森林監(jiān)測結(jié)果，其中，變化區(qū)域和未變化區(qū)域分別以藍色和綠色顯示。從圖2中可以看出，隨著所運用的特征越豐富，方法的性能不斷提高，結(jié)果圖的噪聲點隨之減少，對森林變化的監(jiān)測能力也隨之增強。

圖2 分類結(jié)果圖Fig.2 Classification results

表3 算法單類別精度對比Table 3 Algorithm single-class precision comparison

4.2 算法對訓練樣本數(shù)目的敏感性測試

本文測試了不同方法提取的特征在內(nèi)澤爾森數(shù)據(jù)中對訓練樣本數(shù)目的敏感度，圖3中分別展示了整體分類精度（OA）、Kappa系數(shù)和平均分類精度（AA）隨訓練樣本數(shù)目的變化趨勢。從圖3中可以看出，在不同的訓練樣本之下，基于多樣性特征協(xié)同技術(shù)（F7）的整體分類精度、Kappa系數(shù)和平均分類精度等性能指標均優(yōu)于其他方法，在訓練樣本數(shù)目達到50之后，精度變化趨于平緩。本文方法通過多樣性特征集合協(xié)同模型進行特征融合，并使用新的旋轉(zhuǎn)森林改進方法，使得新方法在不同的訓練樣本數(shù)，仍然保持較高的分類精度。

圖3 不同方法對訓練樣本數(shù)目的敏感度Fig.3 Sensitivity of different methods to the number of training samples

5 討論

在本文中，提出了一種新的基于多樣性特征協(xié)同技術(shù)的颶風前后森林變化遙感監(jiān)測方法，在內(nèi)澤爾森林數(shù)據(jù)集上的結(jié)果證明了該方法的有效性。

（1）根據(jù)不同的窗口大小計算了四種紋理特征。表2的結(jié)果表明，與光譜特征相比，紋理信息有助于提高對森林變化區(qū)域監(jiān)測的準確率。這是因為圖像的紋理特征包含了關(guān)于地物的空間信息。在傳統(tǒng)的基于像素的森林變化檢測方法中，是根據(jù)其像素值分別進行分類，不包含空間信息。例如，Zarco-Tejada等（2018）利用高分辨率高光譜圖像和Sentinel-2A影像檢測森林衰退情況；Bar等（2020）利用中分辨率光學衛(wèi)星數(shù)據(jù)檢測北阿坎德邦喜馬拉雅地區(qū)森林因火災而發(fā)生的變化情況。當只利用遙感影像的光譜信息進行變化檢測時，錯誤率通常較高原因是：（1）某些類的光譜特征相似，（2）類之間邊界處可能存在多類地物的像素（Pe?a-Barragán等，2011）；而現(xiàn)有研究表明，紋理特征在森林變化監(jiān)測具有重要作用（Wu等，2011；Kulkarni，2004）。

（2）窗口的大小對于紋理特征的提取是至關(guān)重要（Franklin等，2000；Garc?ˊa-Sevilla和Petrou，2001）。為了找到最優(yōu)的單一窗口大小，使用不同的窗口大小計算紋理特征，包括5×5、7×7、9×9。應用旋轉(zhuǎn)森林分類算法對不同窗口提取的紋理特征進行分類，從表2中可以看出，當紋理窗口大小為7×7（F3）時，Kappa值和整體精度最高。這是因為窗口太小，例如5×5，會導致在同一種紋理的內(nèi)部出現(xiàn)誤分割，影響紋理提取的準確性；窗口太大，則會在紋理的邊界區(qū)域出現(xiàn)空間信息噪聲，導致邊緣效應，影響遙感圖像分類的準確性（Puissant等，2005）。最優(yōu)窗口大小是保證總體精度不下降和使用足夠小的窗口尺寸來減少邊緣效應這兩者的折衷，當實驗所使用的窗口大于7×7時，分類精度開始下降，因此7×7為 最 優(yōu) 窗 口。Murray等（2010）和Puissant等（2005）也使用了7×7的窗口大小來提取紋理特征，證明了該窗口大小對于紋理信息的準確提取具有優(yōu)勢。

（3）雖然相比于光譜特征，單一窗口提取的紋理特征有助于提高性能，但窗口大小和空間信息含量難以平衡，該方法沒有充分考慮不同對象的尺度。本研究將性能最優(yōu)的兩個窗口（7×7和9×9）組合在成為復合窗口時，整體分類精度、Kappa系數(shù)和單類別分類精度均有顯著改善。這是因為復合窗口不僅包含了更多的信息，而且可以精確地找到相鄰區(qū)域之間的邊界位置。

（4）本研究將復合窗口（7×7和9×9）提取的紋理特征與森林遙感影像的植被指數(shù)變化信息結(jié)合，構(gòu)成多樣性融合特征，并利用基于特征分離的旋轉(zhuǎn)森林改進方法對其進行分類，獲取森林的變化情況，該方法得到的監(jiān)測精度比其余6個對比方法有明顯提高。這是因為所使用的多樣性融合特征包含了遙感影像的空間信息與植被指數(shù)變化信息，能夠獲取影像更豐富的細節(jié)信息，可以有效提高對變化區(qū)域的檢測能力（萬亮等，2020）。例如，董麗萍等（2017）提出了基于光譜特征和紋理特征相結(jié)合的變化檢測方法，并選取優(yōu)化土壤調(diào)節(jié)植被指數(shù)進行建設(shè)用地信息提取，實現(xiàn)了土地變化高精度檢測，證明了多特征融合在變化檢測中的性能。此外，使用所提的基于特征分離的旋轉(zhuǎn)森林改進方法能夠避免維度詛咒與過擬合，進一步提高對森林變化的監(jiān)測性能。

6 結(jié)論

本文基于Formosat-2衛(wèi)星遙感影像，以法國內(nèi)澤爾森林為研究區(qū)域，針對基于遙感技術(shù)的森林變化監(jiān)測進行研究。本文提出了基于多樣性特征協(xié)同技術(shù)的颶風前后森林破壞遙感監(jiān)測方法，該方法首先計算出森林遙感影像變化前后的歸一化植被指數(shù)差值和增強植被指數(shù)差值，并提出了基于復合窗口技術(shù)的來提取紋理特征，然后建立了多樣性特性結(jié)合模型，并提出了一種基于特征分離的旋轉(zhuǎn)森林改進算法來提高分類性能。實驗結(jié)果表明，相比于傳統(tǒng)方法，本文算法在該研究區(qū)域的整體精度、對變化區(qū)域和未變化區(qū)域的檢測精度至多分別提高了3.68%、6.53%和3.46%。

相對傳統(tǒng)的基于光譜特征和單純的紋理特征的變化監(jiān)測方法，本文所提出的復合窗口技術(shù)在提取紋理特征時，可以兼顧空間信息含量與紋理邊界的準確性，從而提取遙感影像更豐富的空間信息，此外本研究所提出的多樣性特征結(jié)合模型有效地融合了影像的光譜與空間特征，通過增加特征的多樣性實現(xiàn)了森林變化檢測性能的提升。因此，本研究工作可以應用于森林變化監(jiān)測與森林災害評估中，有效提高森林變化監(jiān)測的能力，具有較高的實用價值。

本研究區(qū)數(shù)據(jù)選取基本無云，由于森林變化區(qū)域的識別會受影像分辨率與天氣等因素的制約，因此本方法在多云天氣下森林變化監(jiān)測應用效果還有待進一步驗證。