吳伶，劉湘南，劉美玲，張廷偉，楊寶文，徐宇岐

中國地質(zhì)大學(xué)(北京) 信息工程學(xué)院,北京 100083

1 引言

作為陸地分布最為廣泛的植被類型，森林在氣候調(diào)節(jié)（Piao等，2020；黃麟，2021；Xu等，2022）、生物多樣性保護(hù)（Betts等，2017）、水土保持（孫聃等，2018）、碳固定（傅聲雷和傅伯杰，2019；Tong等，2020）和生物棲息地提供（Oeser等，2021）等生態(tài)系統(tǒng)服務(wù)中扮演著重要角色。但是，近幾十年來，由全球氣候頻繁異常變化引起的干旱、暴雨、火災(zāi)、病蟲害等自然驅(qū)動(dòng)因素以及砍伐、毀林開荒、放牧、城鎮(zhèn)化發(fā)展等人為驅(qū)動(dòng)因素引起的森林?jǐn)_動(dòng)，嚴(yán)重影響森林生態(tài)系統(tǒng)的組成、結(jié)構(gòu)和功能，削弱了其生態(tài)服務(wù)能力（劉魏魏等，2016；Thom 和Seidl，2016；Yang等，2020；國家遙感中心，2021；Feng等，2021；劉桂芳等，2022）。因此，準(zhǔn)確、及時(shí)、持續(xù)地掌握森林?jǐn)_動(dòng)信息對于森林管理、理解氣候變化以及碳核算等至關(guān)重要。森林?jǐn)_動(dòng)是指導(dǎo)致森林覆蓋率和生物量明顯下降或消失的事件（Huang等，2010；沈文娟等，2018），如引起森林覆蓋類型轉(zhuǎn)換的皆伐、火災(zāi)等事件，以及森林覆蓋類型不變而只是引起森林覆蓋率和生物量等森林狀態(tài)、組分和結(jié)構(gòu)發(fā)生變化的擇伐、病蟲害、暴風(fēng)雨、干旱等事件。森林?jǐn)_動(dòng)檢測的目的則是提取上述擾動(dòng)事件的發(fā)生時(shí)間、位置以及程度等信息，從而掌握森林?jǐn)_動(dòng)的時(shí)空特征。不同驅(qū)動(dòng)因子引起的森林?jǐn)_動(dòng)導(dǎo)致的森林生長狀態(tài)、林分物種組成、結(jié)構(gòu)和功能變化存在差異，例如砍伐直接導(dǎo)致林木死亡，而適度的自然林火能促進(jìn)林分更新與演替（Rogers等，2015）。同時(shí)，不同驅(qū)動(dòng)因子引起的森林?jǐn)_動(dòng)之間也存在動(dòng)態(tài)交互影響，例如森林火災(zāi)可減輕蟲害爆發(fā)（詹慶斌等，2016；Jentsch等，2021），而干旱加劇蟲害爆發(fā)（Bao等，2019）。另外，明確不同區(qū)域、不同時(shí)期占主導(dǎo)地位的森林?jǐn)_動(dòng)驅(qū)動(dòng)因子對于森林可持續(xù)管理和區(qū)域生態(tài)安全也具有重要意義（張穎和丁昱菲，2019），例如以病蟲害、亂砍濫伐和火災(zāi)作為森林3大主要擾動(dòng)類型的中國與火災(zāi)和暴風(fēng)雨等兩種主要自然驅(qū)動(dòng)因素引起森林?jǐn)_動(dòng)的歐洲，根據(jù)各自的森林狀況和國情提出了不同的森林災(zāi)害防治措施?；谏鲜鲈?，在關(guān)注森林是否發(fā)生擾動(dòng)、擾動(dòng)時(shí)間、位置和程度等信息的同時(shí)，還需識別引起森林?jǐn)_動(dòng)的驅(qū)動(dòng)因子，即森林?jǐn)_動(dòng)歸因。森林?jǐn)_動(dòng)時(shí)間、位置、程度以及驅(qū)動(dòng)因子等信息能有效提升對森林演替過程、發(fā)展態(tài)勢及其驅(qū)動(dòng)和響應(yīng)機(jī)制的理解能力，可為揭示氣候變化和人類活動(dòng)影響下的區(qū)域或全球尺度森林演變規(guī)律奠定基礎(chǔ)，從而滿足生態(tài)環(huán)境治理、應(yīng)對氣候變化和實(shí)現(xiàn)可持續(xù)發(fā)展等需求。

遙感變化檢測是定量分析和確定森林?jǐn)_動(dòng)特征和過程的有效手段。過去幾十年，大尺度動(dòng)態(tài)觀測的衛(wèi)星遙感數(shù)據(jù)成為森林監(jiān)測的強(qiáng)有力數(shù)據(jù)支撐，尤其是時(shí)間跨度長（近50年）且免費(fèi)開放下載的中分辨率（30 m）Landsat 數(shù)據(jù)，為精細(xì)、持續(xù)地刻畫森林?jǐn)_動(dòng)提供了新機(jī)遇（Townshend等，2012；Hansen等，2013；Wulder等，2019；Zhu等，2019；Hemati等，2021）。早期的傳統(tǒng)變化檢測方法，如圖像差值法、主成分分析法（PCA）、纓帽變換法（K-T 變換）、分類后比較法（PCC）以及變化矢量法（CVA）等（Bruzzone等，2004；Lu等，2004；Chen等，2011），一般是通過對比兩期或少數(shù)幾期影像的差異進(jìn)行變化檢測。相比于采用兩期或少數(shù)幾期遙感影像進(jìn)行森林變化檢測的傳統(tǒng)方法，借助遙感時(shí)間序列開展森林?jǐn)_動(dòng)檢測能充分利用時(shí)間上下文信息重構(gòu)或分解森林物候變化信息，消除季節(jié)變化引起的偽變化，而具備較高時(shí)間分辨率的遙感時(shí)間序列又可以實(shí)現(xiàn)擾動(dòng)時(shí)間的精確提取以及擾動(dòng)事件的（準(zhǔn)）實(shí)時(shí)監(jiān)測，從而提高擾動(dòng)檢測時(shí)空域精度，且基于遙感時(shí)間序列的森林?jǐn)_動(dòng)檢測能獲取森林演替和發(fā)展態(tài)勢等過程信息，是當(dāng)前遙感科學(xué)和生態(tài)環(huán)境科學(xué)等領(lǐng)域的研究重點(diǎn)與熱點(diǎn)。

由于遙感時(shí)間序列蘊(yùn)含不同驅(qū)動(dòng)因子導(dǎo)致的森林組成、結(jié)構(gòu)、功能變化及其差異信息，這為進(jìn)一步融合遙感時(shí)間序列的時(shí)間維、空間維和光譜維（時(shí)空譜）信息開展森林?jǐn)_動(dòng)檢測與歸因提供了理論支撐，成為近年來學(xué)者和研究機(jī)構(gòu)關(guān)注的新興研究主題。通過綜合利用森林?jǐn)_動(dòng)事件引起的遙感時(shí)間序列在時(shí)間、空間、光譜等多個(gè)維度的變化及其差異信息，目前學(xué)者在消除季節(jié)性變化（Huang等，2010；Hamunyela等，2016，2020；Reiche等，2018）、構(gòu)建空間特征時(shí)間序列（Silveira等，2018；張弼堯，2019；Meng等，2019，2021；Liu等，2021）、面向?qū)ο髷_動(dòng)檢測（Ahmed等，2017；Bueno等，2019）、擾動(dòng)檢測后消除偽變化（Shimizu等，2019；Ye等，2021）等擾動(dòng)檢測，以及擾動(dòng)歸因（Hermosilla等，2015；Kennedy等，2015；Huo等，2019；Shimizu等，2019；Senf和Seidl，2021b；Sebald等，2021；Zhang等，2022）等方面展開了積極探索。上述研究通過從時(shí)間、光譜和空間等多個(gè)維度全面描述森林各類擾動(dòng)事件，減少了擾動(dòng)檢測的錯(cuò)分漏分誤差，同時(shí)多個(gè)維度信息的綜合也有助于減少擾動(dòng)歸因的誤差。

本文圍繞森林?jǐn)_動(dòng)檢測與歸因兩個(gè)方面闡述基于遙感時(shí)間序列的森林?jǐn)_動(dòng)監(jiān)測國內(nèi)外研究現(xiàn)狀與發(fā)展態(tài)勢，介紹了面向森林?jǐn)_動(dòng)的融合遙感時(shí)間序列時(shí)空譜信息的變化檢測方法與技術(shù)，總結(jié)了基于遙感時(shí)間序列的森林多類型擾動(dòng)歸因方法和時(shí)空譜特征，分析了森林?jǐn)_動(dòng)遙感監(jiān)測目前存在的問題，并對未來研究方向給出了一些見解。

2 基于遙感時(shí)間序列的森林?jǐn)_動(dòng)檢測

森林?jǐn)_動(dòng)歸因的前提是檢測到森林?jǐn)_動(dòng)事件，擾動(dòng)檢測精度直接影響后續(xù)歸因精度。國內(nèi)外學(xué)者針對不同應(yīng)用對象和目的提出了大量遙感時(shí)間序列變化檢測算法（趙忠明等，2016；湯冬梅等，2017；張良培和武辰，2017；Zhu，2017；沈文娟等，2018；Ghaderpour等，2021；張立福等，2021）。遙感時(shí)間序列變化檢測算法性能取決于多方面因素，本文將主要從數(shù)據(jù)（遙感時(shí)間序列觀測頻次）、特征（森林?jǐn)_動(dòng)光譜響應(yīng)特征、時(shí)空特征融合）、算法（多變化檢測算法集成、低強(qiáng)度森林?jǐn)_動(dòng)檢測）等方面介紹面向森林?jǐn)_動(dòng)的遙感時(shí)間序列變化檢測的研究進(jìn)展。

2.1 遙感時(shí)間序列觀測頻次

基于像元尺度的遙感時(shí)間序列變化檢測算法主要利用遙感時(shí)間序列的時(shí)間維信息，因此遙感時(shí)間序列的觀測頻次是影響變化檢測算法性能的重要因素之一（Bullock等，2020a）?；诠庾V軌跡的Landsat 干擾和趨勢監(jiān)測（LandTrendr）算法通過每年同一季節(jié)的影像（準(zhǔn)周年影像）構(gòu)成的時(shí)間序列最小化季節(jié)性變化和太陽角度差異對擾動(dòng)檢測的干擾（Kennedy等，2010；沈文娟和李明詩，2017；殷崎棟等，2020），但其每年一景影像的數(shù)據(jù)頻次無法實(shí)現(xiàn)年內(nèi)尺度的擾動(dòng)檢測，或當(dāng)擾動(dòng)事件發(fā)生在當(dāng)年觀測時(shí)相之后，則會(huì)將該擾動(dòng)發(fā)生時(shí)間錯(cuò)誤地標(biāo)注為下一年（Tyukavina等，2017）。面向具有高觀測頻次的稠密時(shí)間序列的變化檢測算法可借助多年稠密遙感影像模擬季節(jié)性變化的方式消除對擾動(dòng)檢測具有較大干擾的季節(jié)性變化和太陽角度差異，實(shí)現(xiàn)年內(nèi)尺度擾動(dòng)檢測，減少檢測時(shí)間延遲，典型方法如季節(jié)與趨勢分解與斷點(diǎn)識別算法（BFAST）（Verbesselt等，2010a，2010b，2012）、連續(xù)土地覆蓋變化監(jiān)測和分類算法（CCDC）（Zhu 和Woodcock，2014）、指數(shù)加權(quán)移動(dòng)平均變化檢測算法（EWMACD）（Brooks等，2014，2017）、土地?cái)_動(dòng)連續(xù)監(jiān)測算法（COLD）（Zhu等，2020）等。但上述稠密時(shí)間序列變化檢測算法存在以下問題：未考慮由氣候變化引起的季節(jié)性變化年際差異，即認(rèn)為多年的年內(nèi)季節(jié)性變化一致（Puhm等，2020）；忽略了在云雨影響下有效觀測不等間隔分布的問題，其會(huì)影響季節(jié)性變化的擬合效果，進(jìn)而影響擾動(dòng)檢測精度（Ghaderpour和Vujadinovic，2020；Puhm等，2020）。針對上述問題，Puhm 等（2020）結(jié)合結(jié)構(gòu)性時(shí)間序列模型和卡爾曼濾波，在擬合森林年內(nèi)季節(jié)性變化的基礎(chǔ)上，描述了季節(jié)性變化年際差異，并消除了不規(guī)則采樣間隔和未被云掩膜算法去除的污染像元對擾動(dòng)檢測的影響。Ghaderpour 和Vujadinovic（2020）提出的光譜突變與趨勢檢測（JUST）算法無需假定季節(jié)變化模式，能有效克服因時(shí)間序列不等間隔分布和低信噪比等原因可能造成的季節(jié)性變化擬合效果差的問題。另外，也有研究提出了深度學(xué)習(xí)算法具有面向不規(guī)則分布時(shí)間序列開展擾動(dòng)檢測的潛力（Kong等，2018）。

多云雨地區(qū)（如熱帶和亞熱帶）的遙感時(shí)間序列基本是稀疏且不規(guī)則分布（Wulder等，2016），導(dǎo)致關(guān)鍵季節(jié)期影像缺失造成季節(jié)性變化過擬合問題（Brooks等，2012；Zhu 和Woodcock，2014；Hamunyela等，2016）。同時(shí)，在線變化檢測算法為消除云雨等短期噪聲的干擾，一般要求出現(xiàn)連續(xù)異常觀測值時(shí)才判定為擾動(dòng)，如COLD 算法設(shè)定為6 次連續(xù)異常觀測（Zhu等，2020），該策略雖然減少了永久性砍伐（如毀林開荒）、火災(zāi)等造成長期性影響的擾動(dòng)類型的錯(cuò)分誤差，但也提高了砍伐后種植、季節(jié)性病蟲害等短周期擾動(dòng)事件的漏分誤差，尤其在遙感時(shí)間序列稀疏的多云雨地區(qū)的森林?jǐn)_動(dòng)漏分的可能性更高（Bullock等，2020b）。即使檢測到擾動(dòng)，稀疏時(shí)間序列也會(huì)降低擾動(dòng)檢測的時(shí)間精度（Cardille等，2022）。因此，上述原因?qū)е禄诔砻軙r(shí)間序列的變化檢測算法在多云雨地區(qū)的適用性受到限制。解決該問題的策略之一是通過數(shù)據(jù)插補(bǔ)的方式加密遙感觀測時(shí)相，進(jìn)而模擬季節(jié)性變化。Platt 等（2016）和Wang等（2018）通過插值算法生成稠密Landsat時(shí)間序列進(jìn)行變化檢測。Wu 等（2020）借助時(shí)空數(shù)據(jù)融合算法生成的月度Landsat 時(shí)間序列描述季節(jié)性變化，進(jìn)而檢測森林?jǐn)_動(dòng)。但是，基于合成稠密時(shí)間序列的變化檢測仍然依賴實(shí)際有效影像的數(shù)量和質(zhì)量，因?yàn)槠錄Q定了稠密時(shí)間序列的重構(gòu)精度（Gao等，2015）。另外，大多數(shù)插值算法或數(shù)據(jù)融合算法重構(gòu)云雨污染像元時(shí)，并未考慮該像元潛在擾動(dòng)情況（如土地覆蓋變化），插補(bǔ)時(shí)仍認(rèn)為該像元為穩(wěn)定狀態(tài)，可能導(dǎo)致后續(xù)擾動(dòng)檢測的時(shí)間延遲（Wu等，2020）。

2.2 森林?jǐn)_動(dòng)光譜響應(yīng)特征

光譜特征對于不同森林?jǐn)_動(dòng)類型的響應(yīng)程度不同，但大多選擇對森林結(jié)構(gòu)或綠色植被葉面積敏感的光譜指數(shù)，這些光譜指數(shù)大致可概況為3 類：光譜波段、植被指數(shù)和纓帽變換指數(shù)（表1）。短波紅外因其較少受大氣噪音影響以及對森林和土壤以及樹皮或樹枝的響應(yīng)差異，其在林火、砍伐等森林?jǐn)_動(dòng)制圖中能獲得較高精度（Cohen和Goward，2004；Schroeder等，2011）。植被指數(shù)通過波段組合增強(qiáng)植被綠量和背景光譜組分的對比度，提升了其對綠色植被變化的敏感度，如常用于森林砍伐檢測的歸一化植被指數(shù)（NDVI）（DeVries等，2015；Wu等，2020）、可刻畫蟲害動(dòng)態(tài)以及森林砍伐和再生的歸一化水汽指數(shù)（NDMI）（Goodwin等，2008；Otero等，2019；Meng等，2022）、以及能識別砍伐、火災(zāi)和蟲害等不同森林?jǐn)_動(dòng)類型的歸一化燃燒指數(shù)（NBR/NBR2）（Cohen等，2010；Kennedy等，2010；Smith等，2019）等。通過纓帽變換獲取的亮度（TCB）、綠度（TCG）和濕度（TCW）等纓帽變換指數(shù)及其衍生指數(shù)（如干擾指數(shù)（DI），纓帽變換角（TCA））能夠較好地表現(xiàn)植被的物理特性，有助于識別擾動(dòng)類型和強(qiáng)度（Healey等，2005；Hais等，2009；呂瑩瑩等，2014；Gómez等，2015）。

表1 面向森林?jǐn)_動(dòng)檢測的時(shí)空譜特征案例Table 1 Cases of spatio-temporal-spectral features for forest disturbances detection

不同森林?jǐn)_動(dòng)類型導(dǎo)致的光譜特征變化存在差異，如皆伐導(dǎo)致的森林光譜變化要明顯高于蟲害和森林退化（Hais等，2009；DeVries等，2015）；砍伐、火災(zāi)引起的NBR 變化幅度接近，且都大于蟲害和道路建設(shè)（Li等，2021）；而火災(zāi)造成短波紅外1 波段（SWIR1）值比砍伐更低（Cardille等，2022）。因此基于單一光譜特征單一閾值的變化檢測存在以下問題：不同森林類型、森林?jǐn)_動(dòng)類型有不同的擾動(dòng)響應(yīng)閾值，依賴單一特征單一閾值會(huì)引起明顯的錯(cuò)分和漏分誤差（Shimizu等，2019；Bueno等，2020）。Bueno等（2020）發(fā)現(xiàn)，不同森林類型基于不同光譜特征得到的森林?jǐn)_動(dòng)地圖的空間一致性較低。因此，有研究開展了集成多個(gè)光譜特征的變化檢測，以提高擾動(dòng)檢測的精度。多光譜特征集成策略主要有兩種：第1種是基于多數(shù)、平均或特定分布等統(tǒng)計(jì)規(guī)則的集成（Lin等，2020；Zhu和Woodcock，2014；Zhu等，2020），例如超過半數(shù)的特征初步檢測判定為擾動(dòng)則確定為擾動(dòng)（Lin等，2020）。第2種是將各個(gè)特征的初步變化檢測結(jié)果（如變化幅度、持續(xù)時(shí)間、斜率等）作為分類特征訓(xùn)練二元（擾動(dòng)或未擾動(dòng)）分類器（如隨機(jī)森林算法）再次進(jìn)行擾動(dòng)檢測（Cohen等，2018）。Cohen 等（2018）針對Landsat 的6 個(gè)光譜波段及其計(jì)算得到的3 個(gè)植被指數(shù)和4 個(gè)纓帽變換指數(shù)分別借助LandTrendr 變化檢測算法進(jìn)行擾動(dòng)檢測，并將13 個(gè)光譜特征進(jìn)行不同數(shù)量（2—13）的組合，然后再將多光譜特征組合在可能擾動(dòng)年份的光譜值、變化幅度和持續(xù)時(shí)間作為隨機(jī)森林分類算法的輸入特征進(jìn)行二次分類進(jìn)行擾動(dòng)檢測。相比單一光譜特征，多光譜特征集成有效提高了擾動(dòng)檢測的精度。

2.3 時(shí)空特征融合

擾動(dòng)不僅引起森林光譜特征變化，還會(huì)引起森林紋理、形狀結(jié)構(gòu)與關(guān)系等空間特征的變化，因此有研究利用空間特征進(jìn)行森林?jǐn)_動(dòng)檢測。如利用灰度共生矩陣（GLCM）（覃先林等，2006；梅樹紅等，2019）、分形（張軍團(tuán)等，2008）等紋理特征的森林?jǐn)_動(dòng)檢測；綜合光譜、紋理和形狀特征的分類后森林?jǐn)_動(dòng)檢測（章紫粼和盧鵬，2019）；有研究利用描述空間異質(zhì)性和鄰接等空間關(guān)系的半變異函數(shù)（De Oliveira Silveira等，2018）和馬爾可夫隨機(jī)場（謝福鼎等，2018；谷鑫志等，2019）開展森林?jǐn)_動(dòng)檢測。此外，能減少噪聲對結(jié)果的影響且綜合考慮了遙感影像光譜特征和空間特征的面向?qū)ο蠓治龇椒ㄒ脖粡V泛應(yīng)用于森林?jǐn)_動(dòng)檢測，有效提高了變化檢測精度（Desclée等，2006；Platt 和Schoennagel，2009；李春干和代華兵，2017；李春干和梁文海，2017；雷鳴等，2019；馮林艷等，2020）。但上述面向雙/多時(shí)相遙感影像的森林?jǐn)_動(dòng)檢測只考慮了擾動(dòng)造成的空間特征變化，未利用森林光譜特征在時(shí)間維度的變化，當(dāng)基于遙感時(shí)間序列進(jìn)行森林?jǐn)_動(dòng)檢測時(shí)，忽略時(shí)間、空間任何一個(gè)維度顯然不能全面挖掘時(shí)間序列中的有效信息（趙忠明等，2016），表1 列出了基于時(shí)序和空間特征融合的森林?jǐn)_動(dòng)檢測典型案例。本研究將目前面向森林?jǐn)_動(dòng)檢測的時(shí)序特征與空間特征融合方式總結(jié)為4類：時(shí)間序列的空間相似性、空間特征的時(shí)間序列、面向?qū)ο蟮臅r(shí)間序列變化檢測和基于擾動(dòng)空間特征的偽變化消除。

時(shí)間序列的空間相似性：在一定的空間鄰域范圍內(nèi)，像元時(shí)間序列表現(xiàn)出相似的動(dòng)態(tài)變化，利用空間上下文信息對光譜指數(shù)時(shí)間序列進(jìn)行空間標(biāo)準(zhǔn)化處理可有效消除季節(jié)性變化對擾動(dòng)檢測的干擾。例如利用光譜波段或纓帽變換指數(shù)的全局均值和標(biāo)準(zhǔn)差計(jì)算Z 得分的集成森林Z 得分指數(shù)（IFZ）（Huang等，2010；黃春波等，2015；胡圣元等，2020；鄭志豪等，2021）或擾動(dòng)指數(shù)DI（Healey等，2005；Hilker等，2009；楊辰等，2013；李洛晞等，2016；王乾坤等，2017）；在空間鄰域內(nèi)森林像元季節(jié)性變化相似的合理假設(shè)下，利用中心像元值與鄰域內(nèi)森林像元中位數(shù)比值消除季節(jié)變化，生成標(biāo)準(zhǔn)化時(shí)間序列進(jìn)行森林?jǐn)_動(dòng)檢測（Hamunyela等，2016，2020；Reiche等，2018）；Wu 等（2022）采用NDVI 時(shí)間序列空間標(biāo)準(zhǔn)化消除季節(jié)性變化、在標(biāo)準(zhǔn)化NDVI 時(shí)間維變化過程擬合中融入空間鄰域信息以及整合空間鄰域殘差計(jì)算空間統(tǒng)計(jì)量等多層次融合空間上下文信息的策略，發(fā)展了不依賴稠密時(shí)間序列擬合季節(jié)性變化和對云雨等噪聲抗干擾能力進(jìn)一步提升的在線變化檢測算法，可在有效遙感觀測數(shù)據(jù)稀疏的多云雨地區(qū)及時(shí)、準(zhǔn)確地獲取年內(nèi)尺度森林?jǐn)_動(dòng)信息。此外，也有研究考慮到時(shí)間序列的時(shí)空鄰域自相關(guān)性，利用時(shí)空統(tǒng)計(jì)自回歸模型消除鄰域像元?dú)埐顣r(shí)間序列的空間自相關(guān)性，以期提高BFAST 算法的森林?jǐn)_動(dòng)檢測精度（Lu等，2016）。

空間特征的時(shí)間序列：由于擾動(dòng)會(huì)引起森林空間結(jié)構(gòu)與關(guān)系等空間特征的變化，有研究通過分析空間特征的時(shí)間序列變化開展森林?jǐn)_動(dòng)檢測。Meng 等（2019，2021）通過GLCM 的對比度和景觀分形維數(shù)度量森林空間紋理特征，并基于上述兩個(gè)紋理特征時(shí)間序列有效識別了包括突變和連續(xù)而緩慢變化（漸變）的森林生態(tài)系統(tǒng)的干擾—恢復(fù)動(dòng)態(tài)過程。Silveira 等（2018）根據(jù)季節(jié)性變化不會(huì)引起描述空間異質(zhì)性的半變異函數(shù)基臺值等參數(shù)變化而擾動(dòng)會(huì)造成參數(shù)變化的差異，構(gòu)造半變異函數(shù)參數(shù)時(shí)間序列開展森林?jǐn)_動(dòng)檢測?？紤]到森林?jǐn)_動(dòng)的時(shí)空相關(guān)性，張弼堯（2019）、Liu等（2021）借助時(shí)空莫蘭指數(shù)時(shí)間序列分別對森林?jǐn)_動(dòng)、森林?jǐn)_動(dòng)—恢復(fù)過程進(jìn)行監(jiān)測。

面向?qū)ο蟮臅r(shí)間序列變化檢測：基于遙感時(shí)間序列影像使用面向?qū)ο蠓椒ūO(jiān)測森林?jǐn)_動(dòng)不僅依據(jù)森林的光譜特征，還考慮時(shí)空上下文信息，充分利用了時(shí)間序列的時(shí)空譜特征（Bontemps等，2012；Ahmed等，2017；Bueno等，2019）。例如Bueno 等（2019）借助多尺度分割算法針對多時(shí)相Landsat 多波段差值影像進(jìn)行面向?qū)ο蠓诸?，通過對比森林?jǐn)_動(dòng)斑塊與非擾動(dòng)斑塊的最大梯度值差異提取能區(qū)分?jǐn)_動(dòng)與季節(jié)性變化的特征，并將其輸入隨機(jī)森林算法訓(xùn)練二元（擾動(dòng)或未擾動(dòng)）分類器進(jìn)行森林?jǐn)_動(dòng)檢測，該方法有效融合了Landsat時(shí)間序列的時(shí)空譜特征。

基于擾動(dòng)空間特征的偽變化消除：考慮到森林?jǐn)_動(dòng)的顯著空間相關(guān)性，近年來有研究也證實(shí)了利用擾動(dòng)的空間相關(guān)性在擾動(dòng)檢測后消除噪音等偽變化的巨大潛力（Shimizu等，2019；Lin等，2020；Ye等，2021）。Shimizu 等（2019）、Lin 等（2020）基于八鄰域規(guī)則定義空間鄰域，并將擾動(dòng)像元少于一定數(shù)量的空間鄰域的中心像元判定為噪聲等偽變化。Ye 等（2021）在像元尺度擾動(dòng)檢測的基礎(chǔ)上，基于空間孤立的擾動(dòng)像元可能是噪音等偽變化的合理假設(shè)，通過設(shè)定森林?jǐn)_動(dòng)斑塊面積閾值消除空間孤立的錯(cuò)分像元，同時(shí)修復(fù)漏分的擾動(dòng)小斑塊。

2.4 多變化檢測算法集成

研究表明不同變化檢測算法得到的擾動(dòng)結(jié)果存在較大差異（Cohen等，2017；Awty-Carroll等，2019），同時(shí)由于長時(shí)間序列遙感數(shù)據(jù)包含多樣化土地覆蓋類型和大氣效應(yīng)以及多類型擾動(dòng)事件，針對特定土地覆蓋類型或擾動(dòng)類型設(shè)計(jì)的單個(gè)算法可能不是描述所有狀況的最有效方式（Bullock等，2020a）。例如Rodman 等（2021）發(fā)現(xiàn)，利用LandTrendr算法檢測野火的精度要高于導(dǎo)致森林死亡的蟲害。因此，有研究通過集成多種變化檢測算法以提高擾動(dòng)檢測精度。多算法集成策略有“并行”和“串行”兩種方式（圖1）?！安⑿小辈呗允敲總€(gè)變化檢測算法單獨(dú)運(yùn)行，再基于判定規(guī)則集成多個(gè)變化檢測算法結(jié)果確定最終檢測結(jié)果?！按小辈呗詣t是多個(gè)檢測算法依次運(yùn)行，將前一個(gè)算法的輸出結(jié)果作為后一個(gè)算法的輸入，并將最后一個(gè)變化檢測算法結(jié)果確定為最終檢測結(jié)果。“并行”方式與多光譜集成類似，主要也有兩種：一種是基于簡單統(tǒng)計(jì)規(guī)則的集成，例如超過一定數(shù)量的變化檢測算法初步檢測判定為擾動(dòng)則確定為擾動(dòng)（Hislop等，2019）；另一種是將不同變化檢測算法的輸出（如擾動(dòng)光譜值、擾動(dòng)強(qiáng)度、持續(xù)時(shí)間、斜率、二分檢測結(jié)果等）和輔助特征（如地形、森林類型等）作為分類特征訓(xùn)練二元（擾動(dòng)或未擾動(dòng)）分類器再次進(jìn)行擾動(dòng)檢測（Healey等，2018；Hislop等，2019；Cohen等，2020）。Healey 等（2018）將8 個(gè)典型變化檢測算法的輸出結(jié)果和Landsat 光譜值、地形、森林類型等信息輸入隨機(jī)森林算法進(jìn)行擾動(dòng)檢測。Hislop等（2019）利用3 個(gè)光譜指數(shù)（NBR、NDVI、TCW）和兩個(gè)變化檢測算法（LandTrendr和R 語言中的結(jié)構(gòu)變化（Strucchange）包）構(gòu)建了6 個(gè)森林?jǐn)_動(dòng)變化檢測模型，并比較了基于統(tǒng)計(jì)規(guī)則集成和基于隨機(jī)森林算法集成的兩種并行方式的精度，結(jié)果表明基于隨機(jī)森林算法集成的精度更高，且通過將變化檢測算法錯(cuò)分為擾動(dòng)像元的非擾動(dòng)像元加入到隨機(jī)森林算法中（此時(shí)標(biāo)記為非擾動(dòng)），讓擾動(dòng)檢測的錯(cuò)分誤差大大降低，但提高了擾動(dòng)的漏分誤差?？紤]到多光譜特征集成檢測擾動(dòng)的優(yōu)勢，Cohen 等（2020）采用多個(gè)光譜（Cohen等，2018中使用的13個(gè)光譜特征）和多個(gè)算法（LandTrendr和COLD）同時(shí)集成的策略進(jìn)行森林?jǐn)_動(dòng)檢測。相比基于簡單統(tǒng)計(jì)規(guī)則的多算法集成，采用隨機(jī)森林算法等分類器的多算法集成策略的優(yōu)勢在于其形成回歸參數(shù)的過程中無需定義分類器權(quán)重，而且能解決擾動(dòng)訓(xùn)練數(shù)據(jù)的過擬合問題（Healey等，2018）。“串行”是將前一個(gè)算法的輸出結(jié)果作為下一個(gè)算法的輸入（Bullock等，2020a），其優(yōu)勢在于不必考慮選擇哪一個(gè)算法輸出作為最終結(jié)果。Bullock 等（2020a）首先基于CCDC 進(jìn)行變化檢測，再利用累積和（CUSUM）算法識別被CCDC漏分的擾動(dòng)，最后借助鄒檢驗(yàn)（Chow Test）移除被上述兩個(gè)變化檢測算法錯(cuò)檢的斷點(diǎn)，該算法具備檢測短周期、低強(qiáng)度擾動(dòng)事件的潛力。多算法集成策略雖然相比單個(gè)變化檢測算法運(yùn)行時(shí)間長，但其能在并行計(jì)算環(huán)境中有效實(shí)施，且能夠克服單個(gè)變化檢測算法的偏差，促進(jìn)不同算法優(yōu)勢的融合，從而達(dá)到更高的擾動(dòng)檢測精度。

圖1 多變化檢測算法集成（修改自Bullock等，2020a）Fig.1 Ensemble of time series algorithms（Modified from Bullock et al.，2020a）

2.5 低強(qiáng)度森林?jǐn)_動(dòng)檢測

目前大多數(shù)變化檢測算法主要針對引起土地覆蓋類型轉(zhuǎn)換的高強(qiáng)度擾動(dòng)（如砍伐、火災(zāi)等），對森林覆蓋類型不變而只是森林狀態(tài)、組分和結(jié)構(gòu)發(fā)生低強(qiáng)度擾動(dòng)（如擇伐、病蟲害、干旱等）的檢測效果不佳。有研究表明，擾動(dòng)檢測精度與擾動(dòng)類型和強(qiáng)度密切相關(guān)，高強(qiáng)度擾動(dòng)檢測效果更佳（Rodman等，2021）。低強(qiáng)度擾動(dòng)檢測效果不佳的原因如下：（1）與砍伐、火災(zāi)等強(qiáng)擾動(dòng)類型相比，干旱等低強(qiáng)度擾動(dòng)造成的森林景觀變化微弱且空間不連續(xù)（Huang等，2019）；（2）漸變、低強(qiáng)度的森林?jǐn)_動(dòng)易與季節(jié)性變化、大氣效應(yīng)混淆或被其掩蓋（Huang等，2019；Rodman等，2021）；（3）樹木的自然變化及其復(fù)雜性（如不同葉齡）也可能與干旱等引起的擾動(dòng)具有相似性（Chavana-Bryant等，2017）；（4）由低強(qiáng)度擾動(dòng)引起的一些光譜特征變化響應(yīng)較微弱（Ahern，1988）。對于可能最終導(dǎo)致森林覆蓋類型轉(zhuǎn)換為其他土地覆蓋類型的長期漸變，如持續(xù)干旱導(dǎo)致森林向灌木或草地演替（Huang 和Anderegg，2012），準(zhǔn)確、及時(shí)地探測到其早期階段的低強(qiáng)度擾動(dòng)對于實(shí)現(xiàn)早期預(yù)警非常重要（Hartmann等，2018a，2018b）。相比于利用高成本和有限時(shí)空覆蓋范圍的高空間或高光譜遙感數(shù)據(jù)檢測低強(qiáng)度擾動(dòng)，具有短重返周期、更大空間覆蓋、中分辨率且免費(fèi)的Landsat和Sentinel遙感時(shí)間序列數(shù)據(jù)被公認(rèn)為低強(qiáng)度擾動(dòng)檢測的重要數(shù)據(jù)源之一（Vogelmann等，2016；Woodcock等，2020）。因此，近年來借助Landsat 等遙感時(shí)間序列數(shù)據(jù)發(fā)展面向中低強(qiáng)度擾動(dòng)的變化檢測算法成為受到更多關(guān)注的新興研究主 題（Woodcock等，2020）。Brooks 等（2014，2017）利用統(tǒng)計(jì)過程控制領(lǐng)域的指數(shù)加權(quán)移動(dòng)平均（EWMA）控制圖對低強(qiáng)度偏移異常的敏感性優(yōu)勢，實(shí)現(xiàn)了包括小尺度擇伐事件在內(nèi)的森林砍伐檢測。Pasquarella 等（2017）通過綠度指數(shù)TCG時(shí)間序列模擬季節(jié)性變化消除自然落葉對蟲害檢測的干擾，并借助CCDC 算法生成日尺度合成影像，實(shí)現(xiàn)蟲害的近實(shí)時(shí)檢測。Zhu等（2020）通過引入時(shí)間調(diào)整均方根誤差（RMSE）、最小RMSE和變化角改進(jìn)CCDC 算法，進(jìn)而檢測低強(qiáng)度擾動(dòng)事件。Bullock 等（2020b）利用混合光譜分解和時(shí)間序列分析技術(shù)同時(shí)獲取森林砍伐和森林退化的低強(qiáng)度擾動(dòng)信息。Ye 等（2021）通過參數(shù)優(yōu)化、指數(shù)選擇、動(dòng)態(tài)分層監(jiān)測和顧及空間信息等多種策略實(shí)現(xiàn)了對森林蟲害的檢測。Meng 等（2022）在利用閾值識別南方松甲蟲害擾動(dòng)森林的基礎(chǔ)上，通過分析光譜指數(shù)異常軌跡線性擬合趨勢的K 斜率進(jìn)一步提高中低強(qiáng)度蟲害擾動(dòng)的檢測精度。

3 基于遙感時(shí)間序列的森林多類型擾動(dòng)歸因

由表2可知森林不僅受到地形、氣象、生物災(zāi)害等自然驅(qū)動(dòng)因素的影響，而且受到社會(huì)經(jīng)濟(jì)、政策等人為驅(qū)動(dòng)因素的影響。森林?jǐn)_動(dòng)歸因的目的則是識別出引起森林?jǐn)_動(dòng)的驅(qū)動(dòng)因子。因此，基于遙感時(shí)間序列的森林?jǐn)_動(dòng)歸因的本質(zhì)是面向森林多類型擾動(dòng)的遙感分類問題，其借助不同驅(qū)動(dòng)因子導(dǎo)致的森林?jǐn)_動(dòng)的遙感特征變量作為分類算法的輸入識別擾動(dòng)類型。本文將從森林多類型擾動(dòng)歸因所選用的時(shí)空譜特征和擾動(dòng)歸因方法兩方面介紹目前森林?jǐn)_動(dòng)歸因的研究進(jìn)展。

表2 森林?jǐn)_動(dòng)驅(qū)動(dòng)因子分析案例Table 2 Cases of driving factor of forest disturbances

3.1 擾動(dòng)歸因時(shí)空譜特征

森林?jǐn)_動(dòng)歸因是借助分類算法進(jìn)行擾動(dòng)類型識別，因此作為分類算法輸入的歸因特征選擇至關(guān)重要。從時(shí)間順序劃分，歸因特征可分為擾動(dòng)前、中、后3 種類型（Hermosilla等，2015；Kennedy等，2015；Huo等，2019；Shimizu等，2019），其理論基礎(chǔ)是不同森林?jǐn)_動(dòng)類型在擾動(dòng)前、中、后不同時(shí)期的歸因特征存在差異。Hermosilla 等（2015）將擾動(dòng)前、后的變化幅度、持續(xù)時(shí)間、變化速率（變化幅度/持續(xù)時(shí)間）以及擾動(dòng)平均變化幅度和持續(xù)時(shí)間同時(shí)作為歸因特征識別火災(zāi)、砍伐、道路建設(shè)和森林覆蓋類型不變下的蟲害、干旱等多種森林?jǐn)_動(dòng)類型。Huo 等（2019）將NBR等多個(gè)光譜指數(shù)的擾動(dòng)前兩年均值、擾動(dòng)后兩年均值作為區(qū)分砍伐、火災(zāi)以及蟲害等擾動(dòng)類型的歸因特征。

按特征維度劃分，歸因特征可分為光譜、時(shí)間、空間以及地形4 種類型，詳見表3。可見：光譜特征是應(yīng)用最早且最為廣泛的擾動(dòng)歸因特征，典型的如不同擾動(dòng)類型具有的不同光譜變化幅度。相關(guān)研究也表明，光譜變化幅度特征在識別擾動(dòng)類型的隨機(jī)森林算法中的貢獻(xiàn)度最高（Shimizu等，2019），例如Cardille 等（2022）利用NBR 和SWIR1的變化幅度區(qū)分砍伐與火災(zāi)。由于每個(gè)擾動(dòng)類型都有其獨(dú)特的空間范圍和時(shí)間動(dòng)態(tài)（McDowell等，2015），如火災(zāi)的空間范圍一般比人為砍伐范圍大、蟲害等緩慢擾動(dòng)類型的時(shí)間自相關(guān)性更高，這為利用時(shí)空信息開展擾動(dòng)歸因提供了理論支撐。Sebald等（2021）基于自然因素（如暴風(fēng)雨、蟲害等）比人為因素（如砍伐等）引起的擾動(dòng)空間聚集性更高的合理假設(shè)，采用一定空間范圍鄰域內(nèi)發(fā)生擾動(dòng)的面積比例作為歸因特征區(qū)分自然與人為擾動(dòng)，同時(shí)考慮暴風(fēng)雨后在臨近區(qū)域會(huì)頻繁爆發(fā)蟲害的事實(shí)（時(shí)空相關(guān)性），將擾動(dòng)發(fā)生前三年一定空間范圍內(nèi)的累積擾動(dòng)面積也作為擾動(dòng)歸因特征。Senf 和Seidl 等（2021b）則基于暴風(fēng)雨引起的擾動(dòng)斑塊面積小而數(shù)量多和火災(zāi)引起的擾動(dòng)斑塊面積大而數(shù)量小的差異，借助一定范圍內(nèi)的擾動(dòng)斑塊個(gè)數(shù)作為歸因特征區(qū)分暴風(fēng)雨和火災(zāi)兩種自然擾動(dòng)類型。地形特征對于歸因分析的重要性在于一些擾動(dòng)類型（如樹木采伐）一般發(fā)生在特定海拔區(qū)域（如山區(qū)）（Shimizu等，2019）。上述研究大多融合時(shí)空譜特征進(jìn)行擾動(dòng)歸因，也有少量研究只采用了時(shí)譜特征（表3），但歸因特征的重要性（即選擇何種擾動(dòng)歸因特征）因研究區(qū)域以及擾動(dòng)類型不同而有所不同，因?yàn)檎T發(fā)擾動(dòng)的因素高度取決于區(qū)域內(nèi)的自然和人文環(huán)境（Shimizu等，2019）。

表3 面向森林?jǐn)_動(dòng)歸因的時(shí)空譜及地形特征Table 3 Spatio-temporal-spectral and topographic features for attribution of forest disturbances

3.2 森林多類型擾動(dòng)歸因方法

當(dāng)森林在某一時(shí)期遭受占主導(dǎo)地位的單一擾動(dòng)時(shí)，提取該擾動(dòng)類型的擾動(dòng)范圍、時(shí)間等信息對于分析森林狀況是至關(guān)重要的。學(xué)者們開展了針對某一驅(qū)動(dòng)因子（如砍伐、火災(zāi)、蟲害、臺風(fēng)等）引起的森林?jǐn)_動(dòng)歸因研究。如Hamunyela 等（2016）、Reiche等（2018）、Smith等（2019）提取由砍伐造成的森林?jǐn)_動(dòng)面積和時(shí)間等信息。Pasquarella 等（2017）、Ye 等（2021）、Meng 等（2022）開展面向森林蟲害的擾動(dòng)檢測。王乾坤等（2017）、Wo?niak 和Aleksandrowicz（2019）以 及Fornacca 等（2021）提取了森林火災(zāi)過后的火燒跡地。Zhang 等（2021）評估了臺風(fēng)過后森林受損情況。但森林在不同區(qū)域、長時(shí)間跨度內(nèi)大多經(jīng)歷多種類型擾動(dòng)，單單刻畫某一擾動(dòng)類型不足以全面反映其擾動(dòng)情況，進(jìn)而不能為分析不同擾動(dòng)類型之間的動(dòng)態(tài)相互影響提供支撐。因此，學(xué)者們開展了面向森林多類型擾動(dòng)的歸因研究。依據(jù)擾動(dòng)歸因之前是否進(jìn)行擾動(dòng)檢測，目前基于遙感時(shí)間序列的森林多類型擾動(dòng)歸因方法可大致分為直接法和兩階段法（圖2）。

圖2 森林多類型擾動(dòng)歸因方法（修改自Shimizu等，2019）Fig.2 Attribution of multi-type forest disturbances（Modified from Shimizu et al.，2019）

直接法事先并不檢測擾動(dòng)，而是直接利用從遙感時(shí)間序列數(shù)據(jù)中獲取的時(shí)譜度量指標(biāo)以及擾動(dòng)類型先驗(yàn)知識，在像元尺度借助機(jī)器學(xué)習(xí)算法（如隨機(jī)森林、決策樹等）同步進(jìn)行擾動(dòng)檢測與歸因（Shimizu等，2019；Cardille等，2022）。Shimizu等（2019）將NBR 和纓帽變換指數(shù)通過LandTrendr算法進(jìn)行時(shí)間分段后提取的時(shí)間特征和地形特征作為隨機(jī)森林算法的輸入直接預(yù)測擾動(dòng)類型。Cardille 等（2022）為降低擾動(dòng)檢測的時(shí)間延遲，融合Landsat 8 和Sentinel 數(shù)據(jù)加密觀測時(shí)相，并利用NBR 時(shí)間特征和SWIR1 的光譜特征識別了夏季砍伐、冬季砍伐以及火災(zāi)等森林?jǐn)_動(dòng)類型。

森林?jǐn)_動(dòng)歸因的另一種典型方法為兩階段法。兩階段法首先在像元尺度基于變化檢測算法確定擾動(dòng)事件，在將擾動(dòng)像元合并為擾動(dòng)斑塊后，提取擾動(dòng)事件的時(shí)空譜特征，再借助機(jī)器學(xué)習(xí)算法（如隨機(jī)森林、深度學(xué)習(xí)算法等）進(jìn)行擾動(dòng)事件歸因（Hermosilla等，2015；Kennedy等，2015；Oeser等，2017；Murillo-Sandoval等，2018；Nguyen等，2018；Shimizu等，2019；Vogeler等，2020；Chen等，2021；Li等，2021）。Shimizu 等（2019）首先通過多光譜特征集成的方式檢測擾動(dòng)，再融合擾動(dòng)斑塊的空譜特征作為隨機(jī)森林算法的輸入，識別了砍伐、道路和定居點(diǎn)建設(shè)、城鎮(zhèn)化、大壩和水庫建設(shè)、林農(nóng)輪作、毀林開荒、轉(zhuǎn)為經(jīng)濟(jì)林種植等由人為驅(qū)動(dòng)因素引起的森林?jǐn)_動(dòng)類型。Vogeler 等（2020）首先基于LandTrendr 算法檢測森林?jǐn)_動(dòng)，進(jìn)而將光譜、地形以及土地保護(hù)信息作為隨機(jī)森林算法的輸入特征，從斑塊水平識別出火災(zāi)、采伐、暴風(fēng)雨、洪水、土地轉(zhuǎn)換5種森林?jǐn)_動(dòng)驅(qū)動(dòng)因子。Chen 等（2021）利用滑動(dòng)窗口技術(shù)構(gòu)建的自適應(yīng)閾值檢測潛在擾動(dòng)，然后借助多時(shí)相卷積神經(jīng)網(wǎng)絡(luò)（CNN）深度學(xué)習(xí)網(wǎng)絡(luò)識別火災(zāi)和砍伐兩種森林?jǐn)_動(dòng)類型。也有研究并未將擾動(dòng)像元合并為擾動(dòng)斑塊，且只利用了擾動(dòng)事件的時(shí)譜特征。如Schleeweis 等（2020）基于多算法集成方式進(jìn)行擾動(dòng)檢測，并將光譜及其變化幅度、地形等指標(biāo)作為隨機(jī)森林算法的預(yù)測變量，識別砍伐、火災(zāi)、脅迫（干旱、病蟲害等造成的森林冠層損失）和轉(zhuǎn)變等擾動(dòng)類型。Esteban等（2021）首先利用BFAST 算法對Landsat 計(jì)算的6 個(gè)光譜指數(shù)時(shí)間序列分別進(jìn)行變化檢測，然后針對每個(gè)光譜指數(shù)，將其變化幅度和機(jī)載激光掃描儀數(shù)據(jù)獲取的統(tǒng)計(jì)特征作為隨機(jī)森林算法的輸入變量初步識別3種森林采伐方式，最后借助最高頻次、隨機(jī)森林最高投票比例和總體投票比例等統(tǒng)計(jì)規(guī)則集成6個(gè)隨機(jī)森林算法的初步歸因結(jié)果最終確定森林?jǐn)_動(dòng)歸因類型。Zhang 等（2022）首先基于CCDC算法進(jìn)行變化檢測，并利用其檢測出的斷點(diǎn)的時(shí)譜特征識別了北美的北方和北極生態(tài)系統(tǒng)火災(zāi)、蟲害和砍伐等森林?jǐn)_動(dòng)類型。

兩階段法的另一種方式是基于已有擾動(dòng)產(chǎn)品，借助機(jī)器學(xué)習(xí)算法進(jìn)行擾動(dòng)歸因（Huo等，2019；Sebald等，2021；Senf 和Seidl，2021b；De Marzo等，2022）。Huo 等（2019）基于馬里蘭大學(xué)生產(chǎn)的全球30 m 森林變化產(chǎn)品，借助隨機(jī)森林算法將全美國高強(qiáng)度的砍伐、致死蟲害以及火災(zāi)等擾動(dòng)事件進(jìn)行歸因。Senf 和Seidl（2021b）則基于其（Senf 和Seidl，2021a）前期生產(chǎn)的歐洲30 m 森林?jǐn)_動(dòng)地圖，借助隨機(jī)森林算法將歐洲近幾十年最重要的火災(zāi)和暴風(fēng)雨等兩種自然驅(qū)動(dòng)因素引起的森林?jǐn)_動(dòng)事件進(jìn)行歸因。Sebald等（2021）基于上述歐洲30 m 森林?jǐn)_動(dòng)圖，借助隨機(jī)森林算法將奧地利的采伐、蟲害以及強(qiáng)風(fēng)侵襲（風(fēng)倒木）等森林?jǐn)_動(dòng)事件進(jìn)行歸因。De Marzo 等（2022）從阿根廷查科森林?jǐn)_動(dòng)地圖中合并擾動(dòng)斑塊，并將斑塊形狀指標(biāo)以及時(shí)譜指標(biāo)作為隨機(jī)森林模型的預(yù)測變量，識別出砍伐、火災(zāi)、間伐、干旱和河岸變化五種森林?jǐn)_動(dòng)類型。

兩階段法的優(yōu)勢在于其基于斑塊尺度，能實(shí)現(xiàn)連續(xù)、更好視覺呈現(xiàn)的擾動(dòng)歸因制圖效果，也便于利用更多的空間特征進(jìn)行擾動(dòng)歸因，因此兩階段法是目前森林?jǐn)_動(dòng)歸因的主流方法。相比兩階段法，因?yàn)闊o需擾動(dòng)檢測與制圖、合并擾動(dòng)斑塊等步驟，直接法的運(yùn)行效率更高，但其不足之處在于由于缺乏擾動(dòng)制圖，其不適用于需要利用擾動(dòng)時(shí)間等信息的分析。

4 結(jié)語

本文系統(tǒng)評述了融合遙感時(shí)間序列時(shí)空譜信息的森林?jǐn)_動(dòng)檢測與歸因研究進(jìn)展，重點(diǎn)介紹了當(dāng)前森林?jǐn)_動(dòng)檢測在時(shí)間序列觀測頻次選擇、光譜特征選擇、時(shí)空特征融合、多算法集成以及森林低強(qiáng)度擾動(dòng)檢測等方面的方法與技術(shù)，總結(jié)了基于遙感時(shí)間序列時(shí)空譜特征的森林多類型擾動(dòng)歸因方法。綜合當(dāng)前相關(guān)研究進(jìn)展可以看出，國內(nèi)外學(xué)者在遙感時(shí)間序列變化檢測與森林?jǐn)_動(dòng)歸因分析領(lǐng)域取得了豐富的研究成果，但仍需針對以下問題或研究方向展開研究：

（1）融合遙感時(shí)間序列時(shí)空譜信息可以從時(shí)間、光譜和空間等多個(gè)維度全面描述森林各類擾動(dòng)事件，從而減少擾動(dòng)檢測的錯(cuò)分漏分誤差，同時(shí)多個(gè)維度信息的綜合也有助于避免各類擾動(dòng)事件歸因中的“同物異譜、異物同譜”現(xiàn)象（張立福等，2021）。因此，深度挖掘森林?jǐn)_動(dòng)的時(shí)空譜響應(yīng)特征，進(jìn)一步充分應(yīng)用于指數(shù)時(shí)間序列構(gòu)建、擾動(dòng)檢測、抗噪聲等偽變化干擾、擾動(dòng)歸因等多個(gè)方面，可進(jìn)一步提高森林?jǐn)_動(dòng)檢測與歸因的精度。

（2）目前大多數(shù)變化檢測算法只是針對某一類強(qiáng)度擾動(dòng)（特別是高強(qiáng)度擾動(dòng)）設(shè)置單一閾值檢測擾動(dòng)。當(dāng)某一森林區(qū)域在長時(shí)間跨度內(nèi)經(jīng)歷不同強(qiáng)度的多類型擾動(dòng)，過高的閾值會(huì)導(dǎo)致低強(qiáng)度擾動(dòng)的漏分誤差上升，而過低的閾值又會(huì)因?yàn)橛^測噪聲引起錯(cuò)分誤差增加（Saxena等，2018；Shimizu等，2019），無法實(shí)現(xiàn)高強(qiáng)度與低強(qiáng)度擾動(dòng)的高精度同步檢測。雖然目前多算法集成策略能在一定程度降低誤差，但大多仍針對同是高強(qiáng)度擾動(dòng)的多種擾動(dòng)類型，原因在于這些變化檢測算法在檢測高強(qiáng)度擾動(dòng)時(shí)，無法同步實(shí)現(xiàn)對低強(qiáng)度擾動(dòng)的高響應(yīng)度。也有一些面向低強(qiáng)度擾動(dòng)的變化檢測算法（如EWMACD）采用優(yōu)化的低閾值實(shí)現(xiàn)不同強(qiáng)度森林?jǐn)_動(dòng)的同步檢測，但采用低閾值的EWMA 控制圖在過程監(jiān)控時(shí)存在觀測量具有保持原有趨勢的特性（慣性問題），導(dǎo)致對新趨勢的發(fā)現(xiàn)存在滯后現(xiàn)象，從而引起高強(qiáng)度擾動(dòng)檢測延遲問題（時(shí)間精度低）。因此，面向不同驅(qū)動(dòng)因子引起的森林生長狀態(tài)、組成、結(jié)構(gòu)和功能變化強(qiáng)度差異，構(gòu)建能全部檢測到具有不同變化強(qiáng)度的森林多類型擾動(dòng)的遙感時(shí)間序列變化檢測算法，是后續(xù)開展森林?jǐn)_動(dòng)歸因的保障。

（3）森林?jǐn)_動(dòng)歸因的本質(zhì)是面向森林?jǐn)_動(dòng)類型的分類問題，當(dāng)前森林?jǐn)_動(dòng)歸因大多采用基于已標(biāo)注擾動(dòng)類型樣本構(gòu)建分類器的全監(jiān)督學(xué)習(xí)策略，因此大量、高置信度的訓(xùn)練樣本是其取得理想歸因精度的關(guān)鍵。而包括中國在內(nèi)的大部分地區(qū)現(xiàn)有的關(guān)于森林?jǐn)_動(dòng)類型的統(tǒng)計(jì)資料有限且缺乏具有明確空間含義的擾動(dòng)產(chǎn)品（沈文娟等，2018）。雖然通過人工目視解譯可獲得擾動(dòng)類型標(biāo)注樣本，但相比地物分類樣本標(biāo)注，在大區(qū)域、復(fù)雜場景下擾動(dòng)類型樣本標(biāo)注的工作量更大（Hislop等，2021；Rodman等，2021），且有些擾動(dòng)類型本身具備稀缺性，加之人為失誤、專業(yè)能力限制等因素也會(huì)導(dǎo)致擾動(dòng)類型標(biāo)注不準(zhǔn)確，能獲得的高置信度標(biāo)注樣本數(shù)量有限。同時(shí)，由于遙感信息本質(zhì)上分布的復(fù)雜性和隨機(jī)性，無法保證少量人工選擇樣本對擾動(dòng)類型的特征分布有較好的代表性，導(dǎo)致無法獲得理想的歸因精度。因此，如何在無大量已標(biāo)注擾動(dòng)類型樣本支撐下實(shí)現(xiàn)森林多類型擾動(dòng)高精度歸因顯得極為迫切。