摘 要：【目的】為了快速準確地監(jiān)測城市群核心區(qū)內(nèi)的森林擾動，研究利用Landsat時間序列數(shù)據(jù)在谷歌地球引擎（Google Earth Engine，GEE）平臺運用LandTrendr算法進行森林擾動監(jiān)測研究?！痉椒ā炕?000—2020年植被生長季的Landsat時序數(shù)據(jù)，分別在歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化燃燒率指數(shù)（Normalized Burn Ratio，NBR）、纓帽變換角（Tasseled Cap Arctangent，TCA）三種指數(shù)作為閾值限制下，采用LandTrendr算法對時間序列軌跡進行處理，以獲取長株潭核心區(qū)森林擾動的發(fā)生區(qū)域及規(guī)模大小的信息。運用森林資源連續(xù)清查數(shù)據(jù)和Google Earth歷史影像分別對3種不同指數(shù)的森林擾動監(jiān)測結(jié)果進行精度評估和驗證，并利用研究區(qū)內(nèi)土地利用數(shù)據(jù)中的森林覆蓋數(shù)據(jù)對擾動信息進行分析?！窘Y(jié)果】2000—2020年長株潭核心區(qū)森林擾動總面積為264.35 km2，平均每年的擾動面積為13.22 km2，其中2002年擾動最少，為1.91 km2，擾動面積最大的為2011年，為25.52 km2。運用森林資源連續(xù)清查數(shù)據(jù)對三種指數(shù)閾值限制下的森林擾動信息結(jié)果驗證的精度分別為90.91%、81.72%和65.08%；在谷歌地球歷史影像中隨機布點下精度分別為86.00%、77.88%和78.36%。2009年和2011—2013年間森林擾動較為嚴重。對全國范圍內(nèi)的土地利用數(shù)據(jù)進行處理分析可知，森林面積在20年間隨時間增長而緩慢減少，所占總面積的百分比由原來的27.10%減少到22.00%?！窘Y(jié)論】NBR是最適合長株潭核心區(qū)的森林擾動指數(shù)，森林擾動檢測結(jié)果與實地調(diào)查和谷歌地球歷史影像目視解譯的結(jié)果一致。森林擾動斑塊的分布邊界可被完整提取，擾動面積大小變化趨勢與全國區(qū)域內(nèi)土地利用數(shù)據(jù)森林面積變化趨勢相同，主要由城市化進程、森林火災(zāi)和人工砍伐引起。2000—2020年研究區(qū)森林擾動面積呈現(xiàn)波動式緩慢增加的趨勢，其中2001年、2011年和2013年存在擾動面積浮動較大。

關(guān)鍵詞：森林擾動；LandTrendr；歸一化燃燒率指數(shù)；城市森林；長株潭城市群核心區(qū)

中圖分類號：S794.4；TP79 文獻標志碼：A 文章編號：1673-923X（2024）08-0094-10

基金項目：國家自然科學(xué)基金項目（31971578）；湖南省科技創(chuàng)新計劃項目（2023RC1065）；湖南省自然科學(xué)基金項目（2022JJ30078）

Forest disturbance monitoring in the core area of Changzhutan urban agglomeration based on Landsat time series data

XIE Tianfei1， JIANG Fugen1， WANG Xia2， LONG Yi1， SUN Hua1

（1.a. Research Center of Forestry Remote Sensing Information Engineering； b. Hunan Provincial Key Laboratory of Forestry Remote Sensing Based Big Data Ecological Security； c. Key Laboratory of National Forestry and Grassland Administration on Forest Resources Management and Monitoring in Southern China， Central South University of Forestry Technology， Changsha 410004， Hunan， China； 2. Forestry and Grassland Survey Planning Institute of Hebei Province， Shijiazhuang 050011， Hebei， China）

Abstract：【Objective】In order to quickly and accurately monitor the forest disturbance in the core area of the urban agglomeration， this study uses Landsat time series data to monitor the forest disturbance in Google Earth Engine （GEE） using LandTrend algorithm.【Method】Based on the Landsat time series data of the vegetation growth season from 2000 to 2020， under the threshold restrictions of NDVI， NBR， and TCA indices， the LandTrender algorithm was used to process the time series trajectory to obtain information on the occurrence area and scale of forest disturbance in the core area of Changzhutan urban agglomeration. Combining continuous forest resource inventory data and Google Earth historical images， the accuracy evaluation and validation of forest disturbance monitoring results based on different indices were conducted， and the disturbance information was analyzed using forest cover data from land use data in the study area.【Result】From 2000 to 2020， the total disturbed area of the forest in the core area of Changzhutan urban agglomeration was 264.35 km2， with an average annual disturbed area of 13.22 km2. Among them， the least disturbed area was 1.91 km2 in 2002， and the largest disturbed area was 25.52 km2 in 2011. The accuracy of forest disturbance information results under the three index thresholds of NBR， NDVI， and TCA under continuous forest resource inventory data was 90.91%， 81.72%， and 65.08%， respectively； In Google Earth’s historical images， the accuracy of random point distribution was 86.00%， 77.88% and 78.36%， respectively. There were significant disturbances in the forest from 2009 to 2011 to 2013. After processing and analyzing land use data nationwide， it could be seen that the forest area gradually decreased over time over the past 20 years， with the percentage of the total area decreasing from 27.10% to around 22.00%.【Conclusion】NBR is the most suitable forest disturbance index for the core area of Changzhutan urban agglomeration. The results of forest disturbance detection are consistent with the results of field survey and visual interpretation of historical images of Google Earth. The distribution boundary of forest disturbance patches can be fully proposed， and the trend of disturbance area change is the same as that of forest area change in national regional land use data， mainly caused by urbanization process， forest fires， and artificial logging. In the past 20 years， the area of forest disturbance has shown a fluctuating trend， the disturbance area fluctuated greatly in 2001， 2011 and 2013.

Keywords： forest disturbance； LandTrendr； normalized burn ratio； urban forest； the core area of Changzhutan urban agglomeration

森林是陸地生態(tài)系統(tǒng)的主體，是地球最大的碳貯庫。森林生態(tài)系統(tǒng)的動態(tài)變化對全球的碳循環(huán)和碳儲量有直接影響[1]。森林擾動是全球變化研究中的重要組成部分，嚴重影響著區(qū)域生態(tài)平衡與穩(wěn)定[2]。土地覆被變化是人類活動對地球表層系統(tǒng)影響的重要表現(xiàn)形式，也是森林擾動的主要驅(qū)動因子。人類對土地的利用和管理方式導(dǎo)致土地覆被的變化，對全球環(huán)境和氣候變化有重要影響。因而城市群中森林的擾動與人類活動密切相關(guān)，對其進行快速準確監(jiān)測的方法亟待探究。

森林擾動根據(jù)其驅(qū)動力因素可分為自然擾動和人為擾動，自然擾動包括如海嘯，洪水，暴雨冰雪等由自然因子引起的森林變化；人為擾動包括病蟲害、火災(zāi)、砍伐等人為因子引起的森林變化[3]。近年來，城市化進程加速，人為采伐、毀林現(xiàn)象頻繁發(fā)生，因此對森林擾動的監(jiān)測需求增加。森林擾動監(jiān)測方法包括人工調(diào)查和遙感監(jiān)測兩種。傳統(tǒng)的人工調(diào)查對于森林的動態(tài)變化監(jiān)測準確性高，但存在滯后性，難以實現(xiàn)大范圍的全面監(jiān)測。隨著遙感技術(shù)不斷成熟與推廣應(yīng)用，利用遙感技術(shù)手段開展森林擾動監(jiān)測成為未來的一種必然趨勢。

目前，森林擾動監(jiān)測以中低分辨率遙感影像為主，包括中分辨率成像光譜儀（Moderateresolution Imaging Spectroradiometer，MODIS）、哨兵（Sentinel）、Landsat系列等。其中MODIS系列影像一般適用于大范圍的監(jiān)測，且空間分辨率相對其他影像較低，對局部特征的識別能力相對較弱。Sentinel空間分辨率較高，在軌運行的時間只有10年左右，不適用于森林擾動的長時序研究[4]。Landsat系列衛(wèi)星數(shù)據(jù)目前已廣泛應(yīng)用于土地利用分類、濕地分布監(jiān)測、蓄積量反演等方面的研究[5]。谷歌地球引擎（Google Earth Engine，GEE）[6]提供了Landsat系列衛(wèi)星數(shù)據(jù)批量處理功能，簡化了復(fù)雜的預(yù)處理過程，為森林擾動長時間影像序列分析研究提供了數(shù)據(jù)處理平臺。

森林擾動遙感分析方法主要包括分類后比較法、影像差值法、分類及統(tǒng)計分析法和時間序列分析法[7]。分類后比較法是將不同時間的影像中不同地類分類后，對已分類后的地類進行統(tǒng)計對比分析的方法，這種方法較精確，在分類步驟上耗時且精度隨分類方法改變而改變；影像差值法是計算兩幅影像的灰度差值后進行分析的方法，其精度在影像校正及計算過程中會存在誤差累積現(xiàn)象；分類及統(tǒng)計分析法是在分類后比較法的基礎(chǔ)上加權(quán)其他信息統(tǒng)計分析后對地類有更精細的劃分方法，該方法較直接分類更貼合實際情況，處理及運算時間長；時間序列分析法則是對長時間序列的軌跡進行分割、線性擬合以識別擾動的方法，其優(yōu)點是能快速高效地獲取擾動信息，但是不同研究區(qū)內(nèi)參數(shù)及指標的設(shè)置和選取對其結(jié)果存在一定影響[7]。LandTrendr算法是針對多波段Landsat系列衛(wèi)星開發(fā)的一種處理森林擾動信息的時間序列軌跡分析方法[8]。此前有不少學(xué)者運用在LandTrendr算法其本地執(zhí)行上耗費了大量時間，而在Kennedy等[9]將該算法部署于GEE平臺后，算法執(zhí)行速度及效率有較大提升。

探究森林擾動的指數(shù)主要有歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化燃燒率指數(shù)（Normalized Burn Ratio，NBR）和纓帽變換角（Tasseled Cap Arctangent，TCA）指數(shù)。NDVI對綠色植物較敏感，能夠反映綠度趨勢，但是在高低植被覆蓋區(qū)會存在一定壓縮和擴大現(xiàn)象；NBR指數(shù)對燒傷植被、土地中葉綠素、木炭灰及水分較敏感，因此被廣泛用于檢測突發(fā)的和連續(xù)的森林擾動事件；TCA指數(shù)由綠度和濕度復(fù)合成，能集中表現(xiàn)主要信息并突出所需細節(jié)特征[10]。

本研究以Landsat系列遙感影像為數(shù)據(jù)源，利用GEE平臺對數(shù)據(jù)進行預(yù)處理，在分別構(gòu)建NDVI、NBR、TCA指數(shù)限制閾值的條件下，運用LandTrendr算法對時間序列軌跡進行分割、擬合時間等處理，獲取長株潭核心區(qū)的森林擾動信息。利用谷歌地球歷史影像及森林資源連續(xù)清查數(shù)據(jù)進行精度驗證，確定長株潭核心區(qū)的最佳植被指數(shù)，以此快速實現(xiàn)森林的擾動監(jiān)測。

1 材料與方法

1.1 研究區(qū)概況

長株潭城市群核心區(qū)（圖1）位于湖南省中東部（112°36′～113°16′E、27°36′～28°33′N），面積約為8 448.18 km2[11]，屬于典型的亞熱帶季風(fēng)氣候，夏季炎熱，冬季溫和且四季分明。夏季降水量充足，年降水量約為1 400 mm[12]，年均氣溫16～18 ℃，無霜期長達279 d，年均日照充足為1 726 h[13]。該區(qū)域是湖南省經(jīng)濟發(fā)展的核心增長區(qū)，也是湖南省快速城鎮(zhèn)化發(fā)展地區(qū)，是長江中游城市群的重要組成部分[14]。核心區(qū)內(nèi)包含全球最大的城市群綠心區(qū)，主要用材林樹種包括馬尾松、杉木等，經(jīng)濟林樹種包括油茶、油桐、柑橘[15]等，城市群中行道樹多為樟樹，連續(xù)的大區(qū)域森林分布主要在城市郊區(qū)。長沙、株洲、湘潭三市沿湘江呈“品”字形分布，兩兩相距不足40 km，結(jié)構(gòu)緊湊，湘江縱穿南北。山地、森林與平原交錯均勻分布，總地勢低平[16]。

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 數(shù)據(jù)源與處理

選用2000—2020年Landsat5/7/8系列影像數(shù)據(jù)，在谷歌地球引擎（GEE）平臺上進行批量影像校正和去云、鑲嵌等預(yù)處理。為了減少物候差異對植被光譜信息的影響，選用植被生長季（6—9月）的影像進行后續(xù)的分析。使用長株潭城市群核心區(qū)1999、2004、2009、2014年共4期森林資源連續(xù)清查數(shù)據(jù)，樣地大小為25.82 m×25.82 m，在ArcGIS 10.2軟件中疊加三種指數(shù)的干擾分布圖提取重疊部分，統(tǒng)計林地和非林地變化情況；在GEE中疊加長株潭城市群核心區(qū)的范圍內(nèi)，并進行隨機布點，隨機點的間隔不少于500 m，獲得每個隨機點位置不同年份的谷歌地球歷史影像，通過目視判讀，確定抽樣樣點是否發(fā)生地類變化來進行森林擾動監(jiān)測結(jié)果精度驗證，以獲得最適于長株潭核心區(qū)的森林擾動指數(shù)。

1.2.2 森林擾動指數(shù)

使用NDVI、NBR、TCA三種植被指數(shù)作為LandTrendr算法中限制閾值的指數(shù)，通過比較森林擾動結(jié)果，從三種植被指數(shù)中選擇最適用于長株潭核心區(qū)的指數(shù)。NDVI可以反映地表植被的繁茂程度，與植被光合有效輻射吸收系數(shù)（Fraction photosynthetically active radiation，F(xiàn)PAR）[17]、葉面積指數(shù)（Leaf area index，LAI）[18]、植被凈初生產(chǎn)力指數(shù)（Net Primary Productivity，NPP）等生物物理參數(shù)有密切聯(lián)系[19]，常用于分析植被的綠度趨勢和反演衛(wèi)星遙感數(shù)據(jù)[20]。NBR對葉綠素、葉片和土壤的含水量、炭灰等因素較為敏感[21]，可以很好地區(qū)分健康和燒傷的植被。線性變換型指標主要有穗帽變換指數(shù)，如TCW就對土壤和植被水分、結(jié)構(gòu)很敏感，且對不同光照引起的地形效應(yīng)不敏感，是檢測森林擾動常用的指標之一[22]。組合型指標是指兩類指標的線性或非線性組合，TCA是纓帽變換綠度和濕度分量的組合類指標，根據(jù)土壤、植被在空間中的分布信息進行經(jīng)驗性正交變換[23]。

本試驗對2000—2020年所有時間序列影像運用LandTrendr算法進行分割及線性擬合，得到長株潭核心區(qū)20年間森林擾動信息。對森林擾動信息分別運用森林資源連續(xù)清查數(shù)據(jù)和谷歌歷史影像數(shù)據(jù)進行雙重驗證，得到森林擾動精度最高的指標并用于森林擾動信息分析。同時統(tǒng)計地類變化便于進一步分析森林擾動驅(qū)動因子。

1.2.3 時間系列軌跡擬合算法

LandTrendr算法是一種以時間分割為核心的算法[26]，主要用于識別時間序列中的突發(fā)性劇烈變化、中長期慢速的變化或漸進的短期變化，其原理是分析每個像元的時間序列擬合線段來監(jiān)測其是否發(fā)生擾動[27]。每個像素的輸入是一個光譜指數(shù)或不同波段的時間序列[28]。通過設(shè)置各類參數(shù)，包括噪聲引起的尖峰（spike Threshold）、識別潛在斷點（vertex Count Overshoot）、擬合軌跡曲線和最佳分段（p-val Threshold），尋找最佳模型（best Model Proportion）[29]。運用LandTrendr算法監(jiān)測研究區(qū)內(nèi)森林由于各種因素發(fā)生的變化，參考鐘莉等[30]相關(guān)的研究，具體參數(shù)的設(shè)置如表1所示：

1.2.4 精度驗證

分別采用谷歌地球歷史影像和森林資源連續(xù)清查兩種數(shù)據(jù)對長株潭城市群核心區(qū)的森林擾動信息結(jié)果進行精度評價。1）利用1999、2004、2009和2014年的森林資源連續(xù)清查系統(tǒng)抽樣調(diào)查數(shù)據(jù)，分別將三種指數(shù)限制下提取的擾動信息和實地調(diào)查數(shù)據(jù)進行疊加，并提取其中重疊部分，統(tǒng)計其地類變化情況，作為不同指數(shù)限制下的精度驗證結(jié)果；2）在獲取的NDVI[31]、NBR、TCA三種指數(shù)所得的森林擾動信息圖上，運用ArcGIS軟件隨機抽樣功能，在森林擾動信息分布結(jié)果中抽取500個隨機點，隨機點的間隔不少于500 m。結(jié)合每個隨機點位置不同年份的谷歌地球歷史影像，通過目視判讀，統(tǒng)計500個點在谷歌歷史影像內(nèi)的變化情況作為精度驗證的結(jié)果。通過對兩種結(jié)果的對比分析確認最適用于長株潭城市群核心區(qū)的最佳限制閾值的指數(shù)。兩種精度驗證方法對應(yīng)的不同擾動結(jié)果的系統(tǒng)抽樣和隨機抽樣結(jié)果分布如圖2所示。

2 結(jié) 果

2.1 森林擾動時空分布特征

基于NBR、NDVI、TCA擾動指數(shù)的長株潭核心區(qū)2000—2020年森林擾動分布結(jié)果如圖3，圖中非森林及其他類別如水體、裸地等已被掩膜，顯示為白色背景。圖中不同顏色代表不同年份的不同大小擾動面積斑塊分布。

2000—2020年，不同指數(shù)限制閾值下不同年份森林擾動發(fā)生區(qū)域分布，擾動區(qū)域分布主要集中在湘江兩岸（圖3），以城區(qū)為中心呈擴散狀分布，其他區(qū)域內(nèi)亦零星分布。分布呈小斑塊集中狀，說明擾動集中發(fā)生在森林斑塊內(nèi)不同區(qū)域，且以城市為中心向周圍擴散。其中基于NBR擾動指數(shù)下的擾動面積主要集中在研究區(qū)中間部分且各年份擾動面積較平均?；贜DVI的擾動分布集中于研究區(qū)中部，其中2010年在各個區(qū)域有片區(qū)集中的中小型擾動發(fā)生，其他年份擾動面積相差不大?；谥笖?shù)TCA的擾動分布零散呈聚落狀分布在中上部，其中NBR擾動指數(shù)閾值內(nèi)2011年擾動面積較大，主要分布在左上部，其他年份的面積分布零散。擾動面積分布圖顯示，三種指數(shù)參數(shù)下，擾動分布基本差別不大，趨勢相近。TCA擾動指數(shù)下的分布對比NBR擾動指數(shù)下的分布更分散，NDVI擾動指數(shù)下有部分集中密集分布的斑塊，兩者均可能存在植被生長等因素對識別擾動事件的影響。

2.2 基于兩種方法的精度驗證結(jié)果

方法一：使用ArcGIS在2000—2020年長株潭核心區(qū)擾動分布圖中進行隨機布點，對三種指數(shù)下的分布圖分別進行隨機布點500個，在Google Earth平臺中打開隨機點并通過目視判讀，得到20年來土地利用類型發(fā)生變化的結(jié)果，發(fā)生變化的點數(shù)目占總數(shù)的百分比作為目視判讀的精度結(jié)果。幾類典型地類變化如下圖4，分別是森林到裸地、森林到居民區(qū)、耕地到森林、森林中道路到居民區(qū)以及森林到工業(yè)區(qū)的變化。

方法二：將2000—2020年長株潭核心區(qū)擾動分布圖分別與1999、2004、2009、2014年森林資源連續(xù)清查數(shù)據(jù)在ArcGIS中進行疊加并提取重合點，通過統(tǒng)計重合部分在20年內(nèi)的地類是否變化及變化類型，來判斷是否發(fā)生森林擾動事件，地類發(fā)生改變的區(qū)域占總區(qū)域的比值作為識別森林擾動監(jiān)測的精度（表2）。

谷歌歷史影像典型地類變化識別結(jié)果如圖4所示，識別區(qū)域大體相同，部分像元內(nèi)的個別年份擾動信息識別存在差異。

由不同指數(shù)限制閾值得到的不同森林擾動面積分布，用森林資源連續(xù)清查數(shù)據(jù)與谷歌歷史影像對其進行精度驗證得到精度最高的為以NBR限制閾值得到的擾動信息，其精度分別為90.91%和86.00%。擾動信息結(jié)合2000—2020年逐年30 m分辨率森林面積數(shù)據(jù)進行分析，趨勢與目視判讀結(jié)果一致。以NDVI和TCA限制閾值得到的擾動信息用一類調(diào)查數(shù)據(jù)驗證得到的精度為81.72%和65.08%；在谷歌歷史影像布點驗證精度分別為77.88%和78.36%。方法一的精度在不同指數(shù)下相差較多，方法二驗證各指數(shù)下精度相差較小。NBR在兩種驗證方法下的精度均較高且相差不大。因此本次試驗確定NBR具有較高的監(jiān)測精度，為最適用于長株潭核心區(qū)的擾動監(jiān)測指數(shù)。

2.3 森林面積變化與核心區(qū)內(nèi)森林擾動

確定最適于長株潭城市群核心區(qū)的LandTrendr閾值限制指數(shù)為NBR后，結(jié)合研究區(qū)內(nèi)森林面積變化對研究區(qū)內(nèi)森林擾動情況進行分析。

2000—2020年長株潭城市群核心區(qū)擾動面積隨時間總體呈上升趨勢（圖5），擾動面積大多在100～150 km2區(qū)間內(nèi)變化，小部分年份間波動較大，因此可能存在小面積的擾動事件發(fā)生。其中在2011年和2013年達到近20年的擾動面積峰值，說明這兩年間發(fā)生了面積中大型的擾動事件，如大面積砍伐或森林火災(zāi)；2001年擾動面積較大，2002年森林擾動面積變化較小，2004年后森林擾動面積變化較小，集中于130 km2上下，說明無重大擾動事件發(fā)生，因此森林的動態(tài)變化主要由無規(guī)律的隨機事件引起，在谷歌地球歷史影像中經(jīng)目視解譯過程可知變化類型主要是由城市化進程引起。

長株潭核心區(qū)內(nèi)森林面積數(shù)據(jù)、森林擾動面積占森林面積比值與年份的關(guān)系圖（圖6）中可以看出長株潭核心區(qū)內(nèi)森林面積占總面積的22%～27%，隨年份總體呈減小趨勢。2000—2004年間森林面積減小幅度較大，期間由原來的27%減少到了23%，在2011、2012年間有波動，說明期間發(fā)生了森林擾動事件，2000～2001年間波動幅度較大，說明發(fā)生了中小規(guī)模的擾動事件。2004年后森林面積波動幅度較小，在22.2%～23.5%小幅波動，無大型的擾動事件發(fā)生，2019年后森林面積有增長趨勢。

通過統(tǒng)計隨機點地類變化統(tǒng)計（圖7），結(jié)合核心區(qū)擾動分布結(jié)果可以得到結(jié)論：長株潭核心區(qū)森林擾動驅(qū)動因素主要是由城市化進程導(dǎo)致的人工采伐和森林火災(zāi)等短時間內(nèi)突發(fā)性改變引起，其次是由于政策等導(dǎo)致的由耕地到森林此類地類變化的擾動事件。小面積擾動主要發(fā)生在鄰近城鎮(zhèn)居民住宅附近的森林，中大型擾動事件主要發(fā)生在由森林轉(zhuǎn)變?yōu)楣I(yè)區(qū)此類地類改變發(fā)生區(qū)域。

3 討論與結(jié)論

3.1 討 論

LandTrendr根據(jù)Landsat數(shù)據(jù)本身的變化來擬合變化軌跡，主要原理是利用森林擾動與背景噪聲的線性差異，通過設(shè)置各種不同的參數(shù)變量控制其分割及擬合，排除了噪聲和較小的光譜變化點，并掩膜其他地類變化，突出體現(xiàn)所需的重要信息，以此識別森林擾動信息。此方法能識別由于各種不同因素引起的森林發(fā)生的時間序列變化，并可通過目視判讀獲取森林植被受擾動情況及其恢復(fù)的信息。相較傳統(tǒng)運用像元變化探究森林擾動的方法，LandTrendr算法識別擾動信息更高效迅捷。

GEE提供的數(shù)據(jù)處理平臺也為大量數(shù)據(jù)處理提供了便利，對比傳統(tǒng)影像處理方式，GEE的批量處理時間序列影像數(shù)據(jù)功能縮短了時間，也減少了傳統(tǒng)預(yù)處理中人為操作所產(chǎn)生的誤差，從而提高了精度。指標選取中，NDVI對綠植敏感度更高，受天氣季節(jié)等其他干擾因素影響大；TCA作為復(fù)合型指標，對土壤和水分更敏感，受降水等自然因素干擾同樣會引起誤判；因此選取NBR作為限制閾值的植被指數(shù)最合適，且試驗結(jié)果與理論相符。

本研究在運用兩種不同數(shù)據(jù)進行驗證的過程中，地類變化統(tǒng)計主要為由林地到建設(shè)用地、工業(yè)用地、居民用地的改變，且變化區(qū)域集中于不透水面區(qū)域與森林交錯區(qū)域，呈現(xiàn)由不透水面區(qū)域向森林區(qū)域逐步擴散趨勢。而火災(zāi)的發(fā)生其地類變化是由森林到火燒跡地的變化，砍伐為由林地到裸地的地類變化，這兩類在統(tǒng)計中占比較少。由此可以判斷在過去20年中森林擾動驅(qū)動因子主要是人為因子，與長株潭核心區(qū)20間高速發(fā)展城區(qū)擴張的事實相符。此方法能大致確定驅(qū)動因子的類型，但具體的詳細的原因還需通過加入其他類型數(shù)據(jù)，如氣象、水文、坡向坡度等類型數(shù)據(jù)加權(quán)共同判斷。目前已有通過其他數(shù)據(jù)加權(quán)下的森林影響因子判斷研究，如海南省森林擾動研究中通過引入橡膠樹種植數(shù)據(jù)分析可知其驅(qū)動因子中橡膠種植是引起森林擾動的一大主要因素。通過對擾動結(jié)果引入其他數(shù)據(jù)進行相關(guān)性分析可以進一步得到森林干擾主要驅(qū)動因子類型，為更深入的研究打下基石。

LandTrendr算法目前在森林擾動應(yīng)用中具有高精度且便捷的特點，其限制一是受季節(jié)影響明顯，二是不同類型的研究區(qū)可能適用不同的參數(shù)，及如何篩選用于限制閾值的植被指數(shù)和如何快速確定一個研究區(qū)最適用的參數(shù)。受季節(jié)影響可通過選取夏季植被生長季數(shù)據(jù)減少，合適的參數(shù)設(shè)置及指數(shù)可通過大量試驗確定。相信在未來的發(fā)展中，通過對于更多研究方向的深入學(xué)習(xí)，能實現(xiàn)更快速且準確的森林擾動監(jiān)測。

本研究為城市森林的森林擾動監(jiān)測，與山區(qū)自然森林之間存在一定立地條件差異，因此本試驗結(jié)果中最適合的森林擾動指數(shù)不一定適用于不同條件下的森林擾動信息提取。相信未來進一步研究中，通過研究區(qū)域面積的擴張或立地條件兩個變量的改變，能進一步對不同森林實現(xiàn)快速精準的森林擾動監(jiān)測。

3.2 結(jié) 論

1）NBR是最適合長株潭核心區(qū)的閾值限制指數(shù)。由不同指數(shù)限制閾值得到的不同森林擾動面積分布信息，用Google Earth歷史影像與1999、2004、2009、2014年森林資源連續(xù)清查數(shù)據(jù)對其進行隨機布點精度驗證得到精度最高的為以NBR限制閾值得到的擾動信息。且長株潭地區(qū)地形平緩，擾動指數(shù)受地理因素影響較小也與之相符。以NDVI和TCA限制閾值得到的擾動信息用一類調(diào)查數(shù)據(jù)驗證得到的精度比NBR略低；可能受到物候及植被生長此類因子的影響。在Google Earth歷史影像隨機布點的驗證精度相差不大，但比NBR稍低。因此本次試驗確定NBR是最適合長株潭核心區(qū)的閾值限制指數(shù)，具有較高的監(jiān)測精度。

2）監(jiān)測結(jié)果與森林面積變化結(jié)果趨勢一致。2000—2020年長株潭核心區(qū)森林擾動面積在個別年份波動較大，森林面積總體呈先下降后平穩(wěn)的趨勢，總體上森林擾動面積隨時間推移呈上升趨勢。擾動信息結(jié)合2000—2020年森林面積變化數(shù)據(jù)進行分析，趨勢與目視判讀結(jié)果一致。

3）擾動發(fā)生的主要驅(qū)動因子為人為因子。擾動主要發(fā)生在不透水面與森林交界處，經(jīng)統(tǒng)計變化類型大部分為由森林轉(zhuǎn)變?yōu)榫铀?、耕地等，由此判斷主要?qū)動因子為人為因子。

總體上，2000—2020年長株潭城市群核心區(qū)森林擾動分布主要集中于城市與森林交錯地區(qū)，其他均有零散分布。研究確認了適合長株潭城市群核心區(qū)的LandTrendr算法指標為NBR，其主要驅(qū)動因子為人為因子。此方法較傳統(tǒng)像元計算方法運用的時間更少，數(shù)據(jù)處理更簡便，精度較高，為后續(xù)的森林可持續(xù)經(jīng)營、森林擾動監(jiān)測提供一定的參考。

參考文獻：

[1] 蔣馥根，孫華，林輝，等.旺業(yè)甸林場人工林生物量遙感反演研究[J].中南林業(yè)科技大學(xué)學(xué)報，2019，39（10）：88-94. JIANG F G， SUN H， LIN H， et al. Remote sensing inversion of plantation biomass in Wangyedian forest farm[J]. Journal of Central South University of Forestry Technology，2019，39（10）： 88-94.

[2] HEALEY S P， COHEN W B， YANG Z， et al. Comparison of tasseled cap-based landsat data structures for use in forest disturbance detection[J]. Remote Sensing of Environment， 2005，97（3）：301-310.

[3] SHIMIZU K， MURAKAMI W， FURUICHI T C.， et al. Land cover changes and forest disturbances in Vietnam using a Landsat Temporal segmentation algorithm[J]. Remote Sensing，2023，15（3）： 851-851.

[4] YIN X， KOU W， YUN T， et al. Tropical forest disturbance monitoring based on multi-source time series satellite images and the LandTrendr algorithm[J]. Forests，2022，13（12）：2038-2038.

[5] 沈文娟，徐婷，李明詩.中國三大林區(qū)森林破碎化及干擾模式變動分析[J].南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2013，37（4）： 75-79. SHEN W J， XU T， LI M S. Spatio-temporal changes in forest fragmentation， disturbance patterns over the three giant forested regions of China[J]. Journal of Nanjing Forestry University（Natural Sciences Edition），2013，37（4）：75-79.

[6] FABIO G， DINO I， JORDI N. A graph-based approach to detect spatiotemporal dynamics in satellite image time series[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2017，2（130）： 92-107.

[7] 龍依，蔣馥根，孫華，等.基于帶寬優(yōu)選地理加權(quán)回歸模型的深圳市植被碳儲量反演[J].生態(tài)學(xué)報，2022，42（12）：4933-4945. LONG Y， JIANG F G， SUN H， et al. Estimating vegetation carbon storage based on optimal bandwidth selected from geographically weighted regression model in Shenzhen city[J]. Acta Ecological Sinica，2022，42（12）：4933-4945.

[8] NOEL G， MATT H， MIKE D. Google Earth engine： planetaryscale geospatial analysis for everyone[J]. Remote Sensing of Environment，2018，559：7713.

[9] BRETT A B， LEI G， YE Y Q. China’s response to a national landsystem sustainability emergency[J]. Nature，2018，45（12）：559.

[10] 鄧目麗，蔣馥根，孫華，等，神木市植被覆蓋度時空動態(tài)變化分析[J].森林與環(huán)境學(xué)報，2021，41（6）：611-619. DENG M L， JIANG F G， SUN H， et al. Spatial-temporal dynamic change analysis of vegetation coverage in Shenmu City[J]. Journal of Forest and Environment，2021，41（6）：611-619.

[11] XIA W Q， DUA S H， WANG Y C， et al. A spatiotemporal cube model for analyzing satellite image time series： application to land-cover mapping and change detection[J]. Remote Sensing of Environment，2019，11（12）：231.

[12] 毛麗君，李海濤，薛曉明，等.基于GEE平臺的國家公園土地覆蓋變化遙感檢測方法構(gòu)建[J].南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2022，46（2）：213-220. MAO L J， LI H T， XUE X M， et al. Developing remote sensing based methods for land cover change detection in national parks from GEE platform： a case study from the Qianjiangyuan National Park pilot area[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2022，46（2）：213-220.

[13] DANIEL B M， MEHDI C， JANE U J， et al. Ecological stoichiometry and nutrient partitioning in two insect herbivores responsible for large-scale forest disturbance in the Fennoscandian subarctic[J]. Ecological Entomology，2019，44（1）： 118-128.

[14] MUSTHAFA M， SINGH G， KHATI U. Detection of forest disturbance using tandemxpol-insar coherence[J]. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences，2018，5（2）：295.

[15] MICHAEL A W， THOMAS R L， DAVID P R， et al. Current status of Landsat program， science， and applications[J]. Remote Sensing of Environment，2019，225（1）：127-147.

[16] CARDILLE J A， PEREZ E， CROWLEY M A， et al. Multi-sensor change detection for within-year capture and labelling of forest disturbance[J]. Remote Sensing of Environment，2022，268.

[17] SENF C， SEIDL R. Persistent impacts of the 2018 drought on forest disturbance regimes in Europe[J]. Biogeosciences， 2021，18（18）：5223-5230.

[18] 張立福，王颯，劉華亮，等.從光譜到時譜—遙感時間序列變化檢測研究進展[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2021，46（4）： 51-60. ZHANG L F， WANG S， LIU H L， et al. From spectral to temporal spectrum-advances in remote sensing time series change detection research[J]. Geomatics and Information Science of Wuhan University，2021，46（4）：51-60.

[19] GIULIA M， DONATO M， RAFFAELLA M， et al. The influence of land abandonment on forest disturbance regimes： a global review[J]. Landscape Ecology，2020，35（4）：1-22.

[20] SENF C， SEIDL R. Mapping the forest disturbance regimes of Europe[J]. Nature Sustainability，2020，4（1）：63-70.

[21] DAFYDD M O， ELIAS， SAMUEL R， et al. Soil microbial community and litter quality controls on decomposition across a tropical forest disturbance gradient[J]. Frontiers in Forests and Global Change，2020，6（3）：81.

[22] JEFF W A， BEN B L， ROBERT T F， et al. Application of multidimensional structural characterization to detect and describe moderate forest disturbance[J]. Ecosphere，2020，11（6）：03156.

[23] ADRIAN O. Forest disturbances in Polish Tatra Mountains for 1985-2016 in relation to topography， stand features， and protection zone[J]. Forests，2020，11（5）：579-579.

[24] JARI K， KAUKO S. Forest disturbances affect functional groups of macrofungi in young successional forests-harvests and fire lead to different fungal assemblages[J]. Forest Ecology and Managemer，2020，463（3）：118039.

[25] ABDOLRASSOUL S， MAIHE E， AFSHIN D， et al. Image texture indices and trend analysis for forest disturbance assessment under wood harvest regimes[J]. Journal of Forestry Research，2020，4（32）：1-9.

[26] SHINGO O， PETE B， CHRIS J C， et al. Mapping forest disturbances between 1987-2016 using all available time series Landsat TM/ETM+ imagery： developing a reliable methodology for Georgia， United States[J]. Forests，2020，11（3）：335-335.

[27] 沈文娟，南方人工林森林干擾和恢復(fù)遙感監(jiān)測研究—以廣東省佛岡縣為例[D].南京：南京林業(yè)大學(xué)，2015. SHEN W J. Remote sensing monitoring of forest disturbance and recovery in southern plantation forests： the case of Fogang county， Guangdong province， China[J]. Nanjing： Nanjing Forestry University，2015.

[28] 項衛(wèi)東，薛建輝.旅游干擾對森林景觀與環(huán)境的影響[J].南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2000，24（增刊1）：87-90. XIANG W D， XUE J H. Impacts of tourism disturbance on forest landscapes and environments[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2000，24（Suppl.1）：87-90.

[29] 呂瑩瑩，任芯雨，李明詩.基于TM/ETM+數(shù)據(jù)的南京三區(qū)域城市森林干擾指數(shù)及分析[J].南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2014，38（1）：78-82. LYU Y Y， REN X Y， LI M S. Accessing forest disturbance patterns over the three forested areas of Nanjing using multitemporal TM/ETM+imagery[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2014，38（1）：78-82.

[30] 鐘莉，陳云芝，汪小欽，等.基于Landsat時序數(shù)據(jù)的森林干擾監(jiān)測[J].林業(yè)科學(xué)，2020，56（5）：81-87. ZHONG L， CHEN Y Z， WANG X Q， et al. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sinicae，2020，56（5）：81-87.

[31] 鄧目麗，蔣馥根，龍依，等.神木市植被NDVI動態(tài)變化及時空格局分析[J].中南林業(yè)科技大學(xué)學(xué)報，2023，43（7）：110-119. DENG M L， JIANG F G， LONG Y， et al. Spatial-temporal dynamic characteristics of NDVI in Shenmu city[J]. Journal of Central South University of Forestry Technology，2023，43（7）：110-119.

[本文編校：羅 列]