【《森林变化遥感监测研究的国内外文献综述》4700字】

--森林变化遥感监测研究的国内外文献综述1.1森林变化遥感监测方法陆地上分布最广的森林生态系统具有面积大、组成复杂、资源丰富等特性，在涵养水源、维持生物多样性、碳循环和碳蓄积等生态功能中发挥着非常重要的作用[29]。然而在人类的发展进程中，森林植被遭受到了自然因素和人为因素的干扰破坏，给森林带来了很大的影响，如森林功能退化和面积减少等，同时也会影响陆地生物圈及其地表过程[30]。因此，发展森林生态系统监测技术是保护、利用和管理森林的重要支撑，对地区和全球环境变化研究具有重大的意义[31]。而遥感技术凭借其多尺度、视野广阔、获取信息多、效率高、适应性强、动态监测和连续时空领域的观测等众多优点,不仅可以结合各种模型和实地调查数据，实现叶面积指数和树高估算等参数的定量反演，还能够获取森林时空动态变化信息[32]。遥感技术作为一种监测手段，能够满足不同尺度森林生态变化过程监测分析的需求，已被广泛应用于森林变化检测、资源清查和管理支持等领域。森林变化遥感监测是指通过结合数学运算和统计分析等方法来检测影像的变化及其变化程度[33]。上世纪70年代陆地资源卫星(Landsat)的发射，加快了遥感技术的发展。早期的森林变化遥感监测是对影像进行目视解译,根据解译者的知识和经验，通过人工肉眼的识别和大脑分析，提取遥感影像中对森林有用的信息。但是人为解译过程会存在较多的主观因素,其结果会存在误读和不确定性。随着遥感技术的进一步发展，分类后比较法和影像差异法监测森林变化技术相继涌现出，分类后比较法是通过对影像分别进行分类，比较分类后结果来检测森林变化的方法，该方法能够减少传感器之间差异和大气影响等因素对变化结果的影响，被用于植被相对变化提取和森林类别区分等[34,35]。分类后比较法需要大量的训练样本来进行分类，且对历史数据分类困难，误差大[36,37]。影像差异方法是将影像进行差值运算来获取森林的变化信息，被用于分析森林受灾状况和森林扰动信息等[38,39]。影像差异法减少了分类过程的误差累积，但对辐射标准化要求严格，需要选择同季节、同传感器的数据，才能尽可能降低噪声的影响。而随着遥感研究的深入和细化，越来越多的方法与技术被运用到森林变化监测中,如分类及统计分析法和时间序列分析法等。分类及统计分析法通过一定的统计方法识别光谱变化，来确定森林发生变化的区域[40]，如Adams等人[41]使用该方法检测了亚马孙森林的植被覆盖状况；Gitas等人[42]基于这种方法对地中海区域进行了大范围的森林火灾监测。时间序列分析法通过对多年多幅影像进行信息提取来分析森林的变化，可以有效提取长期森林的变化情况[40]，且时间序列数据能够更为真实地反映森林的动态变化。目前，遥感时间序列对地观测技术的研究倍受到国内外学者关注，长期的遥感数据存储使得时序遥感数据分析成为可能[18]。根据不同的地表变化形式，主要将遥感时间序列变化检测法分为2类[43]：针对突发事件的异常信息检测方法和针对地表渐进且持续变化的土地利用/覆盖类型的变化检测方法[18]。遥感时间序列变化检测具有很多优势，如多尺度、数据量大和信息丰富等，但数据丢缺失、云污染、噪声影响和传感器误差等问题，也为遥感影像的时间序列变化检测带来了挑战。1.2森林变化遥感监测指数植被指数被广泛用于监测森林变化，能定性和定量评价森林植被生长状态、植被覆盖度以及生物量等。自1972年第一颗人造地球资源卫星发射以来，许多学者研究了光谱响应与植被覆盖的关系，并根据植被的光谱特征进行了不同的卫星波段组合，得到了各种功能的植被指数[44]。植被光谱特征是具有规律的，并且不同的波段具有不同的吸收和反射特征。如图1-1，在可见光波段内，叶绿素反射能量低的蓝色(0.45μm)和红色(0.65μm)波段为叶绿素吸收峰。红光波段与叶绿素密度成反比，强烈的吸收带为叶绿素主要吸收波段[45]。在绿色波段(0.54μm)附近有一个反射峰，是由于叶绿素对绿光的反射形成的。在近红外波段上，健康绿色植物反射率高，有一个较高的反射峰，具有高反射和高透射特性[45]，且大多数的植被在近红外波段的反射率差异显著。短波红外对植被含水量反射敏感[46]，处于水的吸收波段，植被短波红外波段随着叶子水分减少而反射率明显增大。图1-1植被光谱图片来源：/v74471453.htm?fromTitle=%E6%A4%8D%E8%A2%AB%E5%85%89%E8%B0%B1.由光谱波段组成的植被指数可分为波段型、植被指数型、线性变换型和组合型4类[17]。波段型是直接采用光谱波段作为指数进行变化检测，最常用波段为近红外（NIR）[24]、短波红外波段(SWIR)[26]等。但单一波段的指数不够全面，无法充分利用所有波段信息，应用比较局限。植被指数型是各光谱波段通过运算得到的，常见指数包括归一化差异植被指数（NDVI）[47]、归一化差异湿度指数（NDMI）[48]、归一化燃烧率（NBR）[49]、增强型植被指数（EVI）[50]、、短波红外/近红外指数(SWIR/NIR)[13]、比值植被指数（RVI）[51]、土壤调节植被指数（SAVI）[52]等。其中NDVI是目前应用最为广泛的植被指标，能够评估环境变化对植物分布和动态的影响，反映地表植被生长状态、植被覆盖度、生物量以及土地退化的程度[53-56]。线性变换型是指建立的指标呈线性关系，如穗帽变换湿度指数（TCW）[57]。组合型是指线性或非线性组合成的指标，主要有穗帽变换角（TCA）[58]、扰动指数（DI）[20]等。表1列出了变化检测常用的植被指数。表1-1Landsat时序变化检测的主要指标类别指标公式波段型近红外ρ短波红外波段ρSWIR1、植被指数型归一化差异植被指数（NDVI）NDVI=归一化差异湿度指数(NDMI)NDMI=归一化燃烧率(NBR)NBR=增强型植被指数(EVI)EVI=G比值植被指数（RVI）RVI=短波红外/近红外指数(SWIR/NIR)RVI=ρ土壤调节植被指数(OSAVI)OSAVI=线性变换型穗帽变换湿度指数(TCW)TCW=0.2626×组合型穗帽变换角(TCA)TCA=扰动指数(DI)DI=TCB−(TCG+TCW)注：ρB、ρG、ρR、ρNIR、ρSWIR1、ρSWIR2分别为蓝、绿、红、近红外、短波红外波段的地表反射率；ρTOA,B、ρTOA,G、ρTOA,R、ρTOA,NIR、ρTOA,SWIR1、ρTOA,SWIR2分别为ETM+影像中蓝、绿、红、近红外、短波红外波段的大气顶部反射率；G为调节因子；C1和C2为抗大气调节系数；L为土壤调节因子；TCB、TCG、TCW分别为穗帽变换的亮度、绿度、湿度分量。1.3Landsat时序变化检测算法随着全球范围内不同时期的遥感数据积累以及便利获取，影像时间序列变化检测方法已成为近年来遥感领域的研究热点[17]。近几十年来，越来越多遥感变化检测方法被提出、比较、应用和评价[59]。根据变化检测所基于的基本原理不同，Landsat时序变化检测算法可大致归纳为轨迹拟合法、光谱-时间变化轨迹法、基于模型的方法和机器学习4大类[17,18]。（1）轨迹拟合法轨迹拟合法是事先确定发生变化类型的轨迹，再利用最小二乘的方法确定变化类型。基于轨迹的变化检测算法（Trajectory-BasedChangeDetectionAlgorithm,TBCD）是由Kennedy等人提出的，该方法能够检测森林变化趋势和事件，获得森林干扰发生的时间、区域、强度以及干扰后恢复状况[26]。该算法被用于提取加拿大温带森林长期的扰动历史、扰动类型和强度[19,20]。TBCD算法可以评估很多森林现象，如森林干扰时间和干扰后的连续恢复等，并且无需设置特定的阈值和选取非森林样本。但TBCD算法依赖于Landsat影像的时间长度，只有当检测曲线符合假定曲线时才提取出变化，且工作效率低。（2）光谱-时间变化轨迹法光谱-时间变化轨迹法根据地物变化轨迹特点，设定阈值来确定发生变化的类型。典型方法如基于土地覆被变化过程的植被变化追踪算法（VegetationChangeTracker,VCT）[21]和基于时间分割的LandTrendr（Landsat-basedDetectionofTrendsinDisturbanceandRecovery）算法[60]。VCT算法能够检测大多数森林干扰事件，例如火灾、城市扩张和砍伐等，但该算法不能检测出所有的森林扰动类型，应用于高异质化景观区域会容易出现问题。LandTrendr算法采用周年影像，能够捕获缓慢发展的过程和突然发生的干扰事件，并且可以检测到多种潜在现象[60]，已被用于检测干旱、虫害、生物量等[47,61,62]。（3）基于模型的方法基于模型的方法是设定时间变化模型来进行变化检测的。典型方法如CMFDA（TheContinuousMonitoringofForestDisturbanceAlgorithm）,该算法充分利用陆地卫星时间序列中所有清晰的观测数据来模拟变化轨迹，通过差分预测图像和观测图像，得到变化次数来识别变化像素，已应用于萨凡纳河流域森林扰动检测等[23]；BFAST（BreaksForAdditiveSeasonandTrend）算法是一种通过将时间序列数据分解为趋势、季节性、噪声三部分来降低季节性趋势和噪声影响的变化检测方法[63]，该算法已经应用于检测不同的土地覆盖类型，如湿地、森林、和农业等；基于所有可用Landsat影像的CCDC（ContinuousChangeDetectionandClassification）算法能够连续检测多种土地覆被变化，是完全自动化的[24],可以用于检测湿地变化，干旱以及与松树甲虫暴发等[25];在CCDC算法基础上进行改进，得到COLD(COntinuousmonitoringofLandDisturbance)算法，COLD提出了几点改进，如干扰提取、时间调整均方根误差(RMSE)、改变角度以确认干扰等，以最高频率对谐波模型进行更新且实现了比CCDC更高的精度[64]；S-CCD(StochasticContinuousChangeDetection)改进了COLD算法，引入了状态空间模型，该模型将趋势和季节性视为随机过程，允许以递归方式对卫星观测的时间动态进行建模,可以直接用于近实时的森林监测[65]。(4)机器学习机器学习属于人工智能的一个分支。机器学习通过算法来解析数据，然后从中学习，并对现实世界中的事件做出决策和预测。不同于传统的硬编码软件程序来解决特定任务，机器学习使用大量的数据来“训练”，并学习如何通过各种算法从数据中完成任务。基于遥感数据的机器学习主要有人工神经网、支持向量机和基于规则的方法。结合机器学习许多遥感时序变化检测方法被提出及应用，例如基于Hopfield型神经网络，AshishGhosh等人(2013)提出一种空间上下文的非监督多时相遥感影像变化检测方法[66];Bovolo等人(2010)结合支持向量机与变化向量分析，提出了一种新的时间序列影像变化检测方法[67]。参考文献[1]赵其国.我国红壤的退化问题[J].土壤,1995,027(006):281-285.[2]史德明,周伏建,徐朋.我国南方土壤侵蚀动态与水土保持发展趋向[J].福建水土保持,1993,3:9-13.[3]梁音,张斌,潘贤章,etal.南方红壤丘陵区水土流失现状与综合治理对策[D].2008.[4]魏翔,李占斌.土壤侵蚀对生态系统的影响[J].水土保持研究,2006(1).[5]韦红波,李锐,杨勤科.我国植被水土保持功能研究进展[J].植物生态学报,2002,26(4):489-496.[6]徐宪立,马克明,傅伯杰,etal.植被与水土流失关系研究进展[D].2006.[7]吕仕洪,向悟生,李先琨,etal.红壤侵蚀区植被恢复研究综述%Areviewofvegetationrestorationinerodedareaofredsoil[J].广西植物,023(1):83-89.[8]余新晓,鲁绍伟,靳芳,etal.中国森林生态系统服务功能价值评估[J].生态学报,2005,25(8):2096-2102.[9]PickettST,WhitePS.Theecologyofnaturaldisturbanceandpatchdynamics[M].Elsevier,2013.[10]LiuS,WeiX,LiD,etal.Examiningforestdisturbanceandrecoveryinthesubtropicalforestregionofzhejiangprovinceusinglandsattime-seriesdata[J].RemoteSensing,2017,9(5):479.[11]CohenWB,YangZ,StehmanSV,etal.ForestdisturbanceacrosstheconterminousUnitedStatesfrom1985–2012:Theemergingdominanceofforestdecline[J].ForestEcologyandManagement,2016,360:242-252.[12]VogelmannJE,TolkB,ZhuZ.MonitoringforestchangesinthesouthwesternUnitedStatesusingmultitemporalLandsatdata[J].RemoteSensingofEnvironment,2009,113(8):1739-1748.[13]VogelmannJE,XianG,HomerC,etal.MonitoringgradualecosystemchangeusingLandsattimeseriesanalyses:Casestudiesinselectedforestandrangelandecosystems[J].RemoteSensingofEnvironment,2012,122:92-105.[14]LovettGM,CanhamCD,ArthurMA,etal.MonitoringsuccessionfromspaceAcasestudyfromtheNorthCarolinaPiedmont.pdf>[J].2006,2006,56:395-405.[15]NateGM,NicholasCC,PieterSAB,etal.Globalsatellitemonitoringofclimate-inducedvegetationdisturbances[J].TrendsinPlantence,2015,20(2):114-123.[16]祝善友,张莹,张海龙,etal.Landsat卫星图像用于大面积森林扰动监测的研究进展[J].国土资源遥感,2014,26(2):5-10.[17]汤冬梅,樊辉,张瑶.Landsat时序变化检测综述[J].地球信息科学学报,2017,19(8):1069-1079.[18]赵忠明,孟瑜,岳安志,etal.遥感时间序列影像变化检测研究进展[J].遥感学报,2016,20(5):1110-1125.[19]WoodcockCE,AllenR,AndersonM,etal.FreeaccesstoLandsatimagery[J].SCIENCEVOL320:1011,2008.[20]HilkerT,WulderMA,CoopsNC,etal.Anewdatafusionmodelforhighspatial-andtemporal-resolutionmappingofforestdisturbancebasedonLandsatandMODIS[J].RemoteSensingofEnvironment,2009,113(8):1613-1627.[21]HuangC,GowardSN,MasekJG,etal.AnautomatedapproachforreconstructingrecentforestdisturbancehistoryusingdenseLandsattimeseriesstacks[J].RemoteSensingofEnvironment,2010,114(1):183-198.[22]ZhuZ,WoodcockCE.Object-basedcloudandcloudshadowdetectioninLan