刁嬌嬌， 龔鑫燁， 李明詩(shī)

(1.南京林業(yè)大學(xué)林學(xué)院,南京 210037； 2.南京林業(yè)大學(xué)南方林業(yè)協(xié)同創(chuàng)新中心,南京 210037)

0 引言

土地覆蓋和土地利用是影響陸地生態(tài)系統(tǒng)生物多樣性，水、碳和養(yǎng)分循環(huán)，能量平衡和溫室氣體排放等環(huán)境問題的重要因素，是目前學(xué)術(shù)界最關(guān)注的環(huán)境問題之一[1]。土地變化類型和分布在評(píng)估景觀狀態(tài)、生態(tài)變化狀態(tài)以及生態(tài)變化趨勢(shì)等方面得到了廣泛應(yīng)用[2]。根據(jù)土地利用變化的類型和變化位置的調(diào)查監(jiān)測(cè)結(jié)果，可以更好地了解生態(tài)變化機(jī)制，從而模擬其對(duì)地球和生態(tài)系統(tǒng)的影響[3-4]。因此，持續(xù)、準(zhǔn)確及現(xiàn)勢(shì)性強(qiáng)的土地覆蓋數(shù)據(jù)對(duì)自然資源和生態(tài)系統(tǒng)管理非常重要。但在區(qū)域和全球尺度，對(duì)景觀屬性長(zhǎng)時(shí)間、連續(xù)的監(jiān)測(cè)研究面臨巨大的時(shí)間和資金挑戰(zhàn)。此外，在可以檢測(cè)到的土地覆蓋變化中，一部分是真正的變化，另一部分是偽變化(因物候引起的變化)，因此，如何區(qū)別真正的變化和偽變化是問題的關(guān)鍵所在。

目前，大多土地分類檢測(cè)的研究?jī)H基于生長(zhǎng)季節(jié)的影像，很少考慮到同一季節(jié)內(nèi)[5-6]和不同季節(jié)間[7-8]的變化?；贚andsat長(zhǎng)時(shí)間序列軌道光譜變化分析的檢測(cè)方法已被證實(shí)可有效檢測(cè)土地利用的變化情況[9-10]，該方法可檢測(cè)出森林的變化和干擾[11]，但對(duì)其他地類變化的檢測(cè)效果并不明顯。另外，僅基于光譜的變化檢測(cè)方法通常不能實(shí)現(xiàn)大區(qū)域不同土地覆蓋變化的檢測(cè)分析。因此，結(jié)合已有的土地覆蓋和土地覆蓋變化數(shù)據(jù)及光譜變化值，發(fā)展更敏感、高效、精確或者半自動(dòng)的方法檢測(cè)區(qū)域尺度的土地覆蓋變化，乃是提高土地覆蓋變化檢測(cè)能力的理想方法[10，12]。

本文使用Jin等[13]提出的綜合變化檢測(cè)方法(comprehensive change detection method, CCDM)，根據(jù)前期土地分類數(shù)據(jù)，以及2期生長(zhǎng)季和非生長(zhǎng)季的Landsat影像對(duì)，計(jì)算出研究區(qū)2011—2016年間土地覆蓋的最大潛在變化，并利用檢測(cè)樣本驗(yàn)證算法的精度，以期為今后大區(qū)域土地覆蓋變化制圖提供方法基礎(chǔ)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

本文的研究區(qū)位于美國(guó)中西部的科羅拉多州，中心點(diǎn)坐標(biāo)為W104°39′58.55″，N38°53′52.47″。科羅拉多西部為多山地帶，東部為平原地區(qū)； 氣候晴朗干燥，但海拔差異明顯，高山地區(qū)夏季涼爽，冬季則寒冷多雪，部分山峰終年被深雪覆蓋； 年平均降水量406 mm。夏季平均最高溫度32℃，平均最低溫度13℃； 冬季平均最高溫度9℃，平均最低溫度-8℃[14]。每年4—9月為植被生長(zhǎng)季，主要土地覆蓋類型為草地(55.69%)、森林(22.51%)和灌木(12.77%)，其他土地覆蓋類型共占9.03%(其中，裸地3.06%、城市2.55%、農(nóng)田1.49%、濕地1.26%、荒地0.37%、水體0.21%)。大多數(shù)草地和灌木叢都是森林演替后期的植被。森林生長(zhǎng)緩慢的原因是火干擾，植被物候隨溫度和降水的變化而發(fā)生顯著變化。圖1示出2011年Landsat影像(P033/R033)基于美國(guó)國(guó)家土地覆被數(shù)據(jù)(national land cover dataset，NLCD)的土地覆蓋分類結(jié)果及研究區(qū)位置，選擇研究區(qū)中2個(gè)包含典型地物的區(qū)域(區(qū)域1和區(qū)域2)為例展示基于CCDM的變化檢測(cè)過程及結(jié)果圖。其中區(qū)域1的面積為260 km2, 在研究時(shí)間內(nèi)表現(xiàn)出明顯的森林干擾變化； 區(qū)域2面積為50 km2,表現(xiàn)出明顯的建筑用地的變化。

圖12011年Landsat影像NLCD土地覆蓋分類及研究區(qū)位置

Fig.1NLCDlandcoverclassificationfromLandsatimagein2011andlocationofstudyarea

1.2 數(shù)據(jù)源及預(yù)處理

為了減少物候和季節(jié)對(duì)土地利用變化監(jiān)測(cè)的影響，分別選擇2011年和2016年這2個(gè)年份生長(zhǎng)季和非生長(zhǎng)季的Landsat遙感影像。使用的數(shù)據(jù)包括： 2期Landsat5 TM數(shù)據(jù)和2期Landsat8 OLI數(shù)據(jù)(表1)、美國(guó)國(guó)家土地覆蓋數(shù)據(jù)庫(kù)的NLCD 2006和NLCD 2011。以上數(shù)據(jù)均從美國(guó)地質(zhì)調(diào)查局網(wǎng)站(http: //glovis.usgs.gov/)免費(fèi)下載，全部空間數(shù)據(jù)均統(tǒng)一為UTM投影。

表1 Landsat遙感數(shù)據(jù)詳細(xì)信息Tab.1 Detailed information of Landsat remote sensing data

利用ENVI5.2軟件對(duì)TM和OLI影像進(jìn)行輻射定標(biāo)和大氣校正。輻射定標(biāo)使用每一波段的增益和偏移系數(shù)將像元DN值轉(zhuǎn)換為大氣上界的輻亮度，并將影像從BSQ格式轉(zhuǎn)換成BIL格式； 對(duì)輻射定標(biāo)后的影像使用FLAASH模塊進(jìn)行大氣校正，并裁剪出原始影像的公共區(qū)域，以保證實(shí)驗(yàn)數(shù)據(jù)的一致性。以2景后期(2015/2016年)影像數(shù)據(jù)為參考影像，利用偽不變特征(pseudo invariant features，PIF)法對(duì)2景前期(2010/2011年)影像數(shù)據(jù)分別進(jìn)行歸一化處理。

2 研究方法

2.1 CCDM法

CCDM可以檢測(cè)到研究區(qū)土地覆蓋的所有變化，是發(fā)展新的土地覆蓋數(shù)據(jù)庫(kù)的核心技術(shù)。該方法利用前期的土地覆蓋數(shù)據(jù)(NLCD 2011)并結(jié)合2011—2016年間的土地覆蓋變化生成后期的土地覆蓋數(shù)據(jù)(NLCD 2016)，可以檢測(cè)到2011—2016年間因自然或人為因素引起的土地覆蓋或土地利用的變化，通過整合多期Landsat影像、土地覆蓋狀態(tài)信息以及土地覆蓋趨勢(shì)的理論，降低由物候和年際間氣候變化差異導(dǎo)致的非真實(shí)土地分類變化的誤差。

CCDM將多指標(biāo)綜合變化分析模型(multi-index integrated change analysis, MIICA)和分區(qū)模型(Zone)2種基于光譜的變化檢測(cè)模型整合起來，通過計(jì)算差分歸一化燃燒率(differenced normalized burn ratio, dNBR)[15]、差分歸一化植被指數(shù)(differenced normalized difference vegetation index，dNDVI)[16-17]、變化向量(change vector, CV)和最大相對(duì)變化向量(relative change vector maximum, RCVMAX)4個(gè)光譜指標(biāo)，分別提取前期和后期影像的MIICA和Zone變化圖，并將二者整合。圖2為CCDM技術(shù)流程圖。

圖2CCDM技術(shù)流程圖

Fig.2TechnicalflowchartofCCDMmodel

2.2 MIICA模型

MIICA模型可計(jì)算土地覆蓋已有及潛在變化，包括變化位置和變化趨勢(shì)(用生物量增加(biomass increase，BI)和生物量減少(biomass decrease，BD)表示)。多光譜指標(biāo)在檢測(cè)不同土地覆蓋變化時(shí)可以相互補(bǔ)充，將dNBR，dNDVI，CV和RCVMAX這4個(gè)指標(biāo)整合到MIICA模型中； 同時(shí)為每個(gè)指標(biāo)設(shè)定閾值，將像元分為BI和BD，從而更準(zhǔn)確地檢測(cè)2期Landsat影像之間的真正變化。dNBR和dNDVI的計(jì)算用到Landsat影像的近紅外波段(NIR)、第2中紅外波段(SWIR2)和紅光波段(R)； 而CV和RCVMAX是Landsat影像各波段間相互計(jì)算得到的。4個(gè)指標(biāo)的計(jì)算方法分別為

dNBR=(B5NIR-B5SWIR2) / (B5NIR+B5SWIR2)-(B8NIR-B8SWIR2) / (B8NIR+B8SWIR2)，

(1)

dNDVI=(B5NIR-B5R) / (B5NIR+B5R)-(B8NIR-B8R) / (B8NIR+B8R)，

(2)

CV=i(B5i-B8i)2，

(3)

RCVMAX=i[(B5i-B8i) /max(B5i,B8i)2] ，

(4)

式中：B5i(i=1，…，5,7)為前期影像除第6波段外的各波段；B8i(i=2，…，7)為后期影像第2—7波段； max(B5i，B8i)為B5i和B8i的最大值。

MIICA的4個(gè)指標(biāo)相互補(bǔ)充。CV為2期影像總波譜變化的絕對(duì)值，用來表示一般的變化模式。CV值越高，土地覆蓋變化的可能性越高； 但CV很容易受到土地利用和土地覆蓋的影響，例如農(nóng)田的反射率會(huì)受季節(jié)、物候和作物輪作周期的影響，而使CV檢測(cè)出來的農(nóng)田變化并非土地利用的真正變化，且CV對(duì)反射值較低的水體監(jiān)測(cè)能力較低。而通過RCVMAX可以檢測(cè)到2期影像中全部波段的相對(duì)變化，量化相對(duì)變化的程度，表現(xiàn)出一般的變化模式。RCVMAX值越高，表明變化的可能性越大，例如通過RCVMAX也可以檢測(cè)出水體邊界的變化。但是，RCVMAX和CV都會(huì)因地形、大氣和物候的影響而產(chǎn)生噪點(diǎn)，因而都不是檢測(cè)干擾類型的最佳選擇，也無法提供變化趨勢(shì)。歸一化燃燒率(normalized burn ratio，NBR)和歸一化植被指數(shù)(normalized difference vegetation index，NDVI)可彌補(bǔ)這個(gè)不足。NBR一般用于檢測(cè)火干擾[18]，NDVI則用于檢測(cè)植物生長(zhǎng)狀況和活力，二者不易受到地形和輻射的影響，對(duì)森林采伐和森林火災(zāi)等更加敏感。2期NBR和NDVI的差異(即dNBR和dNDVI)同時(shí)表明了變化幅度和變化方向，正值越大表明BD的可能性越大(即在后期影像中有較少的綠色)，負(fù)值越大表明BI的可能性越大(即在后期影像中有更多的綠色)。圖3為MIICA模型流程圖。用MIICA模型計(jì)算dNBR，dNDVI，CV和RCVMAX的整體平均值和標(biāo)準(zhǔn)差，以標(biāo)準(zhǔn)差作為衡量單位，根據(jù)與整體平均值的光譜距離將每一個(gè)指標(biāo)排序?yàn)槿舾蓚€(gè)等級(jí)。本文通過設(shè)置4個(gè)指標(biāo)的取值范圍，得到可以反映2期影像真正變化的閾值(表2)。

圖3 MIICA模型流程圖Fig.3 Flowchart of MIICA model

表2 MIICA閾值確定規(guī)則Tab.2 Rule of threshold determination of MIICA

①：mean為整體平均值； ②：std為標(biāo)準(zhǔn)差。

2.3 Zone變化檢測(cè)模型

Zone變化檢測(cè)模型包含對(duì)森林變化的大小和方向都很敏感的dNBR和dNDVI，因此可以彌補(bǔ)MIICA不能捕捉森林細(xì)微變化的不足。使用Zone模型來提高由采伐、火災(zāi)或其他原因?qū)е律钟玫匕l(fā)生變化的森林干擾制圖精度。其流程見圖4。

圖4 Zone模型流程Fig.4 Flowchart of Zone model

首先根據(jù)大小(標(biāo)準(zhǔn)差)和方向(正負(fù))將dNBR和dNDVI劃分為4個(gè)區(qū)間； 然后將dNDVI和dNBR得到的Zone結(jié)合起來，得到1景有16個(gè)區(qū)域的影像，本文指定高階且dNDVI和dNBR同時(shí)為正方向的區(qū)域?yàn)锽I(44區(qū)域)，指定高階且dNDVI和dNBR同時(shí)為負(fù)方向的區(qū)域?yàn)锽D(33區(qū)域)； 最后用邏輯法則將2種算法的結(jié)果整合，以減少誤差。

2.4 變化整合

通過計(jì)算2景影像對(duì)的MIICA和Zone，得到dNBR，dNDVI，CV和RCVMAX，以期在不會(huì)導(dǎo)致大的錯(cuò)分誤差和盡量減少漏分誤差的前提下，進(jìn)行變化整合，得到合理的變化影像。整合過程中，以NLCD 2011為基礎(chǔ)，將土地覆蓋分為“動(dòng)態(tài)類”和“穩(wěn)定類”2類： 前者的光譜變化與物候或季節(jié)變化有關(guān)，包括森林、灌木、草地和木本濕地，2期光譜均發(fā)生變化的像元才能代表真正的變化； 后者的光譜變化可能反映了真實(shí)的土地覆蓋變化，包括除“動(dòng)態(tài)類”之外的其他土地覆蓋類型，2期光譜中任一變化即可表示真正變化。對(duì)于某些區(qū)域(如美國(guó)西部)，草本和灌木的持續(xù)性光譜信息可能因物候和季節(jié)而變化，但并非真正的變化，因此將灌木和草本歸為“穩(wěn)定類”。根據(jù)不同土地覆蓋類型的特點(diǎn)，制定不同的規(guī)則。在“動(dòng)態(tài)類”使用“AND”(邏輯乘)減少誤差，即要求變化影像對(duì)都發(fā)生變化； 在“穩(wěn)定類”使用“OR”(邏輯加)，即只要有1景影像發(fā)生變化，就記為發(fā)生變化。進(jìn)行“OR”運(yùn)算時(shí)，變化方向先由前期變化影像決定，再由后期變化影像決定。圖5是MIICA和Zone整合流程圖。

圖5 整合MIICA和Zone的土地覆蓋變化制圖流程Fig.5 Flowchart of integrating MIICA and Zone Models to map land cover change

2.5 精度評(píng)估

評(píng)價(jià)由CCDM生成的最大潛在光譜變化圖，需要進(jìn)行統(tǒng)計(jì)抽樣和對(duì)抽取樣本進(jìn)行解譯和精度評(píng)估。用NLCD 2006建立一個(gè)持續(xù)的草本和灌木的掩模，將NLCD 2006和NLCD 2011同為灌木和草本的區(qū)域定義為不變的灌木和草本，并用此區(qū)域進(jìn)行變化檢測(cè)驗(yàn)證。Landsat P033/R033影像的NLCD 2011共有25 602 375個(gè)像元點(diǎn)，選擇影像至少1/3的像元作為驗(yàn)證樣本(不少于8 534 125個(gè)像元)。在ENVI 5.2中，對(duì)照2個(gè)時(shí)期的影像對(duì)，利用移動(dòng)窗口法[19〗，以每個(gè)像元為中心構(gòu)建293像元×293像元的移動(dòng)窗口(1個(gè)移動(dòng)窗口記為1個(gè)樣本單元)，按分層抽樣法共選取100個(gè)樣本單元，用于評(píng)估變化檢測(cè)結(jié)果的質(zhì)量。在每個(gè)樣本單元中，對(duì)2011年和2016年獲取的Landsat影像進(jìn)行目視解譯，從而確定在2011—2016年間土地覆蓋類型的變化情況。一般來說，Landsat影像的獲取時(shí)間不會(huì)影響土地覆蓋類型的確定，因而將對(duì)影像的解譯結(jié)果用作確定該樣本最終土地覆蓋類型的初始依據(jù)。采樣和目視解譯可為精度評(píng)估提供參考數(shù)據(jù)，并計(jì)算每個(gè)研究區(qū)的精度。本文進(jìn)行精度評(píng)估的依據(jù)是土地覆蓋變化，而非光譜變化，因此只有當(dāng)實(shí)際土地覆蓋類型發(fā)生變化時(shí)，才可以將其認(rèn)定為正確的變化樣本。

3 結(jié)果與分析

3.1 輸出變化圖

以研究區(qū)2個(gè)包含典型地物的區(qū)域(區(qū)域1和區(qū)域2)為例展示基于CCDM的變化檢測(cè)過程及結(jié)果圖。圖6和圖7分別為區(qū)域1(包含森林、裸地等)和區(qū)域2(包含建筑、裸地等)CCDM的中間過程圖和最終結(jié)果圖，包括了2對(duì)Landsat影像、對(duì)每對(duì)影像計(jì)算得到的4個(gè)指標(biāo)(CV，RCVMAX，dNBR和dNDVI)、用MIICA和Zone模型得到的變化圖及NLCD 2011和整合的變化圖。

(a) 2010-149原始影像(b) 2016-070原始影像(c) 2011-296原始影像(d) 2015-307原始影像

(e) 前期CV (f) 前期RCVMAX(g) 后期CV(h) 后期RCVMAX

(i) 前期dNBR (j) 前期dNDVI (k) 后期dNBR (l) 后期dNDVI

圖6-1區(qū)域1的變化檢測(cè)過程

Fig.6-1Changedetectionprocessesdemonstratedforsubset-1area

(m) 前期MIICA(n) 前期 Zone (o) 后期MIICA (p) 后期Zone

(q) NLCD2011 (r) 整合_2 MIICA (s) 整合_2 Zone(t) 整合_2 MIIC_2 Zone

圖6-2區(qū)域1的變化檢測(cè)過程

Fig.6-2Changedetectionprocessesdemonstratedforsubset-1area

(a) 2010-149原始影像 (b) 2016-070原始影像 (c) 2011-296原始影像 (d) 2015-307原始影像

(e) 前期CV (f) 前期RCVMAX(g) 后期CV(h) 后期RCVMAX

(i) 前期dNBR (j) 前期dNDVI (k) 后期dNBR (l) 后期dNDVI

(m) 前期MIICA(n) 前期 Zone (o) 后期MIICA (p) 后期Zone

圖7-1區(qū)域2的變化檢測(cè)過程

Fig.7-1Changedetectionprocessesillustratedforsubset-2area

(q) NLCD2011 (r) 整合_2 MIICA (s) 整合_2 Zone(t) 整合_2 MIIC_2 Zone

圖7-2區(qū)域2的變化檢測(cè)過程

Fig.7-2Changedetectionprocessesillustratedforsubset-2area

由圖6可以看出，在影像2010-149與2016-070之間，區(qū)域1內(nèi)發(fā)生大面積的森林采伐。對(duì)于相同區(qū)域，BD比BI更易被捕捉，因?yàn)锽D的變化指數(shù)比BI更大。對(duì)于森林的生長(zhǎng)過程，Zone模型比MIICA模型更容易捕捉斑塊內(nèi)的變化，所以，本文結(jié)合MIICA模型和Zone模型來減少錯(cuò)分誤差和漏分誤差。

3.2 精度分析

用分層抽樣法選取的100個(gè)樣本單元中，變化類32個(gè)，未變化類68個(gè)。通過目視判別，32個(gè)變化類樣本單元中，有19個(gè)樣本單元在2011—2016年間發(fā)生偽變化； 68個(gè)未變化類樣本單元中，有3個(gè)樣本單元實(shí)際發(fā)生了變化。由于只有當(dāng)實(shí)際土地覆蓋類型發(fā)生變化時(shí)才為真正的變化，而CCDM對(duì)細(xì)微的變化檢測(cè)不夠靈敏，因此對(duì)森林演替、恢復(fù)、采伐等變化的檢測(cè)尚不完整。事實(shí)上，如果考慮細(xì)微變化，可認(rèn)為變化類中有15個(gè)未發(fā)生變化的樣本單元實(shí)際上發(fā)生了變化。本研究區(qū)內(nèi)，未變化類精度達(dá)96%，變化類精度為40%，總體精度為68%(表3)； 如果將15個(gè)發(fā)生微小變化的偽變化樣本單元計(jì)為變化樣本，則變化類精度可提高到87.5%。

表3 Landsat P033/R033影像100個(gè)驗(yàn)證樣本的精度評(píng)價(jià)結(jié)果Tab.3 Accuracy assessment results of 100 samples for Landsat P033/R033 image

4 結(jié)論

1)本文采用CCDM方法捕捉全方位土地覆蓋/利用的變化，包括可能會(huì)導(dǎo)致土地覆蓋變化的土地利用的干擾和變化，以及微小或漸進(jìn)的變化(如森林更新)。在NLCD 2006和NLCD 2011的基礎(chǔ)上，利用CCDM得到2011—2016年間的變化，結(jié)合實(shí)地調(diào)查結(jié)果生成NLCD 2016，可以提高工作效率和增加準(zhǔn)確率。

2)用MIICA捕捉不同種類的土地干擾可以減少漏分誤差，其優(yōu)點(diǎn)在于可以在不引入大量錯(cuò)分誤差的同時(shí)，捕捉發(fā)生在各種生態(tài)系統(tǒng)中的簡(jiǎn)單、有效且完整的干擾。但MIICA為了抵消錯(cuò)分誤差和漏分誤差設(shè)置的閾值會(huì)遺漏一些微小的變化，而且對(duì)植被、物候和某些土地類型的敏感度較低，單獨(dú)的MIICA分類結(jié)果除了真實(shí)變化外可能包括了很多虛假的土地覆蓋變化，變化檢測(cè)結(jié)果的質(zhì)量也取決于選取的陸地衛(wèi)星影像的質(zhì)量。

3)CCDM中，將Zone和MIICA整合可以彌補(bǔ)MIICA的不足。Zone通過計(jì)算dNBR和dNDVI提高森林變化的檢測(cè)精度，并可靈敏地檢測(cè)到物候、季節(jié)或天氣形態(tài)(如干旱)引起的變化。Zone可以捕捉植被發(fā)生的微小變化，可用于研究森林干擾和演替(如森林采伐、森林火災(zāi)、森林侵?jǐn)_和森林更新)。

4)相同時(shí)段的2對(duì)Landsat影像相互補(bǔ)充，可以更好地檢測(cè)土地覆蓋真實(shí)的變化，同時(shí)減少因季節(jié)變化、云、雪和影像獲取時(shí)間引起的虛假變化。2種模型的結(jié)合可以保留更多、更完整的干擾信息，進(jìn)一步減少M(fèi)IICA得到的虛假變化并且減少錯(cuò)分誤差和漏分誤差，方法簡(jiǎn)單、符合邏輯，并可生成精確的土地利用變化產(chǎn)品。將土地覆蓋類型分為“穩(wěn)定類”組(即物候或季節(jié)變化引起的非真實(shí)變化)和“動(dòng)態(tài)組”(即真實(shí)變化)2組。使用“AND”或者“OR”結(jié)合變化信息降低錯(cuò)分和漏分誤差。該方法的不足之處是對(duì)“穩(wěn)定組”的監(jiān)測(cè)可能遺漏一些真實(shí)變化，對(duì)“動(dòng)態(tài)組”的監(jiān)測(cè)可能會(huì)有虛假變化，因此在實(shí)際運(yùn)用過程中，需要結(jié)合質(zhì)量比較高的土地覆蓋基礎(chǔ)數(shù)據(jù)。

CCDM通過整合光譜的變化檢測(cè)指標(biāo)，可為國(guó)家土地覆蓋更新和土地變化檢測(cè)提供技術(shù)支撐。但使用遙感算法精確捕捉生態(tài)系統(tǒng)和大面積區(qū)域的土地覆蓋信息十分復(fù)雜，在全國(guó)范圍內(nèi)使用仍需有效的統(tǒng)一算法，以平衡相互沖突的光譜軌道和不同土地覆蓋模式的影響。

[1] 陳廣生,田漢勤.土地利用/覆蓋變化對(duì)陸地生態(tài)系統(tǒng)碳循環(huán)的影響[J].植物生態(tài)學(xué)報(bào),2007,31(2):189-204.

Chen G S,Tian H Q.Land use/cover change effects on carbon cycling in terrestrial ecosystems[J].Journal of Plant Ecology,2007,31(2):189-204.

[2] Coppin P,Jonckheere I,Nackaerts K,et al.Review Article Digital change detection methods in ecosystem monitoring:A review[J].International Journal of Remote Sensing,2004,25(9):1565-1596.

[3] Homer C,Dewitz J,Fry J,et al.Completion of the 2001 national land cover database for the counterminous United States[J].Photogrammetric Engineering and Remote Sensing,2007,73(4):337-341.

[4] Xian G,Crane M.Assessments of urban growth in the Tampa Bay watershed using remote sensing data[J].Remote Sensing of Environment,2005,97(2):203-215.

[5] Pouliot D,Latifovic R,Olthof I.Trends in vegetation NDVI from 1 km AVHRR data over Canada for the period 1985—2006[J].International Journal of Remote Sensing,2009,30(1):149-168.

[6] Zhan X,Defries R,Townshend J R G,et al.The 250 m global land cover change product from the moderate resolution imaging spectroradiometer of NASA’s earth observing system[J].International Journal of Remote Sensing,2000,21(6/7):1433-1460.

[7] 黃 維,黃進(jìn)良,王立輝,等.基于PCA的變化向量分析法遙感影像變化檢測(cè)[J].國(guó)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.

[8] 常 瀟,肖鵬峰,馮學(xué)智,等.近30年長(zhǎng)江中下游平原典型區(qū)耕地覆蓋變化[J].國(guó)土資源遙感,2014,26(2):170-176.doi:10.6046/gtzyyg.2014.02.27.

Chang X,Xiao P F,Feng X Z,et al.Change of cropland in typical area of Middle-Lower Yangtze Plain over the past 30 years[J].Remote Sensing for Land and Resources,2014,26(2):170-176.doi:10.6046/gtzyyg.2014.02.27.

[9] Huang C Q,Song K,Kim S,et al.Use of a dark object concept and support vector machines to automate forest cover change analysis[J].Remote Sensing of Environment,2008,112(3):970-985.

[10] Kennedy R E,Yang Z Q,Cohen W B.Detecting trends in forest disturbance and recovery using yearly Landsat time series:1.LandTrendr-Temporal segmentation algorithms[J].Remote Sensing of Environment,2010,114(12):2897-2910.

[11] Li M S,Huang C Q,Shen W J,et al.Characterizing long-term forest disturbance history and its drivers in the Ning-Zhen Mountains,Jiangsu Province of eastern China using yearly Landsat observations(1987-2011)[J].Journal of Forestry Research,2016,27(6)1329-1341.

[12] Latifovic R,Pouliot D.Multitemporal land cover mapping for Canada: methodology and products[J].Canadian Journal of Remote Sensing,2005,31(5):347-363.

[13] Jin S M,Yang L M,Danielson P,et al.A comprehensive change detection method for updating the National Land Cover Database to circa 2011[J].Remote Sensing of Environment,2013,132:159-175.

[14] Weatherbase.Denver,Colorado Travel Weather Averages[EB/OL].[2013-07-10].http://www.weatherbase.com/weather/weather.php3?s=096427&refer=&cityname=Denver-Colorado-United-States-of-America.

[15] Key C H,Benson N C.Measuring and remote sensing of burn severity[C]//Neuenschwander L F,Ryan K C,Gollberg G E.Proceedings of Joint Fire Science Conference and Workshop:Crossing the Millennium:Integrating Spatial Technologies and Ecological Principles for A New Age in Fire Management.Boise,Idaho:University of Idaho and the International Association of Wildland Fire,1999:284.

[16] 魏新彩,王新生,劉 海,等.HJ衛(wèi)星圖像水稻種植面積的識(shí)別分析[J].地球信息科學(xué)學(xué)報(bào),2012,14(3):382-388.

Wei X C,Wang X S,Liu H,et al.Extraction of paddy rice coverage based on the HJ satellite data[J].Journal of Geo-Information Science,2012,14(3):382-388.

[17] 譚柳霞,曾永年,鄭忠.林火烈度遙感評(píng)估指數(shù)適應(yīng)性分析[J].國(guó)土資源遙感,2016,28(2):84-90.doi:10.6046/gtzyyg.2016.02.14.

Tan L X,Zeng Y N,Zheng Z.An adaptability analysis of remote sensing indices in evaluating fire severity[J].Remote Sensing for Land and Resources,2016,28(2):84-90.doi:10.6046/gtzyyg.2016.02.14.

[18] López García M J,Caselles V.Mapping burns and natural reforestation using Thematic Mapper data[J].Geocarto International,1991,6(1):31-37.

[19] 吳 俊,孟慶巖,占玉林,等.一種基于移動(dòng)窗口的城市綠度遙感度量方法[J].地球信息科學(xué)學(xué)報(bào),2016,18(4):544-552.

Wu J,Meng Q Y,Zhan Y L,et al.A measure of urban green index in urban areas based on moving window method[J].Journal of Geo-information Science,2016,18(4):544-552.