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 時間序列分析法

時間序列分析法是森林變化檢測的常用方法。時間序列是指同一種現(xiàn)象在不同時間上的各個數(shù)值，按時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]等按時間序列利用不同時期的單幅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。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)的時間。

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

圖1 NDVI時間序列曲線

時序變化分析就是對不同尺度時間段上的聚合數(shù)據(jù)進(jìn)行分析，研究地表在不同時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時間序列曲線上提取森林變化信息。

數(shù)值分析：主要包括計算NDVI時間序列曲線的差值、距平、異常度、方差、最大(小)值、平均值、條件概率等統(tǒng)計參數(shù)，或提取植被生長始末時間、生長峰值、生長期時段等關(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)，即對不同時間段的NDVI值進(jìn)行差值計算，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的時間差值大小超過一定閾值時，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)而分析植被長時序變化與氣候、環(huán)境變化之間的關(guān)系[6]。

綜上，時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)的影像上會表現(xiàn)出明顯的差異，因此，植被季相性的差異常會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)中較為常見的一個方法。該方法是把不同時相、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，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，用一個時期的影像對另外一個時期的影像進(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時期的森林?jǐn)?shù)據(jù)對t2時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)，把時相t1到時相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)時相t1和時相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時刻影像的波段1和波段2的像素值可確定時間t1點(diǎn)，根據(jù)t2時刻影像的波段1和波段2的像素值可確定時間t2點(diǎn)，從時間t1點(diǎn)指向到時間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，根據(jù)PCA具體的實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)處理后的多時相圖像分別進(jìn)行主成分變換，再對變換后的兩時像圖像進(jìn)行差值計算，最后將前幾個主成分差值重新進(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，兩時相圖像的主要信息集中在前幾個主成分中，故前幾個主成分所對應(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)處理后的多時相的圖像按對應(yīng)波段逐一進(jìn)行差值計算，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態(tài)變化的方法有很多。如可以直接對不同時像的綠度指數(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)域為研究對象，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，形成擾動指數(shù)DI，公式如(5)。再對各期數(shù)據(jù)的擾動指數(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)計特征、紋理特征和空間結(jié)構(gòu)特征。常見的統(tǒng)計特征有影像的均值、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??；空間結(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，另一種是多時相圖像直接分類法，也稱光譜/時相分類。

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期遙感影像進(jìn)行分類，然后對各時期的分類結(jié)果進(jìn)行疊置分析，對比前、后時相分類圖上每一個像元的類別屬性，將前、后時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，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 多時相直接分類法

多時相直接分類法是把不同時相遙感影像看作同一時相不同波段的影像，用分類的方法檢測出發(fā)生變化的類別[23]。多時相直接分類法能夠確定變化區(qū)域、獲得變化類型，同時避免了區(qū)域面積過分估計、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，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，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；在實際應(yīng)用中，通常需要多方法實驗、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,2017,37(5):1438～1449.

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

[6] 趙英時，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2006年年會.2006.

[8] 劉俊.基于3S技術(shù)的縣級森林資源動態(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,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.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(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的森林資源地類動態(tài)估計方法及應(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.