农作物遥感变化检测识别研究进展*

朱 爽，张锦水

(1．北京工业职业技术学院，北京 100042;2．北京师范大学资源学院/地表过程与资源生态国家重点实验室，北京 100875)

1 引言

及时、准确地获取作物播种面积信息，对于制定国家/区域农业经济发展规划、指导种植业结构调整，提高农业生产管理水平具有重要的意义［1，2］。遥感技术具有覆盖范围广、探测周期短的特点，为农作物准确识别提供重要的技术手段［3］。

当前，利用遥感技术进行农作物识别的方法包括两大类:单时相遥感影像识别、多时相遥感变化检测。单时相遥感影像识别是利用目标物关键期的单期遥感影像，采用不同的分类方法，如硬分类方法(包括神经网络、决策树分类、支持向量机等)、软分类方法 (包括线性模型、概率模型、随机几何模型、模糊分析模型等)等，进行分类获取目标地物的空间分布信息［4］;或通过单期遥感影像提取特定关键指标，如绿度剖面特征［5］、植被指数［6］、叶面积指数［7］，设定阈值进行作物信息的提取。由于同期作物存在光谱相混的问题，即“异物同谱”，作物识别结果会产生大量的混分现象，难以保证识别精度［8，9］。农作物生长具有短时间内土地覆盖强烈变化的特性，这种短时期内的迹象变化与自然植被的周期季节性变化形成了较大的反差［10，11］。因此，利用多期遥感影像进行农作物检测识别，能够根据作物短期内的光谱变化，定量刻画出作物的生长物候特征并进行作物识别，消除作物光谱相混的问题，提高农作物的遥感识别精度［9，12-14］。根据作物在不同生长期内表现出的光谱差异特性，适合采用多时相土地覆盖变化检测方法进行作物的识别［15］。

该文回顾了近几十年变化检测研究的成果，针对农作物遥感识别，根据遥感识别结果总结划分为2类［16］:硬变化检测方法 (Hard Change Detection Method，HCD)和软检测方法 (Soft Change Detection Method，SCD)，分别介绍了变化检测方法用于农作物识别的研究进展，指出了目前存在的问题，并提出软、硬变化检测相结合农作物变化检测的框架思路，展望了该技术未来的发展趋势。

2 发展与概述

目前，从识别结果来看，变化检测方法进行作物识别主要分为2类:硬变化检测方法 (HCD)和软检测方法 (SCD)［14，17］。其中，HCD方法的检测结果以离散方式的土地覆盖表达变化和非变化信息，从而提取出作物的空间分布，如代数运算法、转换法、分类法。Allen和Kupfer［18］、Alcantara等［19］应用代数运算方法对多期遥感图像进行数学运算，设定阈值对作物分布进行识别。Muchoney和Haack［20］，Collins和Woodcock［21］通过转换模型对两期遥感影像进行信息综合，减少数据的冗余，对作物的特有变化特征进行提取。Munyati［22］、Bruzzone 和 Prieto［23］、Petit和 Lambin［24］通过不同分类模型对多期遥感影像进行分解，构建变化矩阵信息来进行作物的检测，减少了多期影像之间大气、环境等因素的干扰。从当前的研究来看，HCD方法作为常用的遥感变化检测作物识别方法，其优势在于能够利用作物的物候生长特征准确进行作物的识别，但该方法由于受到混合像元、光谱不确定性等诸多因素影响，不适合对复杂地物和微弱变化区域进行描述［25］。SCD方法是用 ［0，1］之间的连续变化概率图进行土地覆盖变化信息提取，可以检测出微小的土地覆盖变化信息，从而得到像元内目标的丰度，较HCD方法能够提供更加丰富的信息。目前SCD的相关研究已取得一定进展，主要包括:阈值划分法［26～28］、模糊混合矩阵法［29］、基于对象［30］的划分法、基于时间的变化检测方法［31］，时间序列的混合像元分解［4，32］。以上SCD方法多用于土地覆盖、森林、沙漠、生物交错带等方面的研究，且多应用于长时间跨度的土地覆盖研究。SCD方法适合于中、低分辨率影像渐变或者由于混合像元造成的渐变状态的识别，能够反映出土地覆盖的连续变化特征，得到作物的丰度信息，但该方法在纯净区域的识别易受到光谱不稳定性因素 (由大气、土壤等)影响，导致混入一些其他地物组分，造成识别误差［4，33］。

3 硬变化检测农作物识别方法

硬变化检测是农作物识别的最常用方法，该方法将检测结果以离散的方式表示变化和非变化两种状态［34-35］，主要包括3种方法:代数运算法、转换法、分类法。目前，各种常用的硬变化检测方法均可以应用到农作物的识别［36］。

3.1 代数运算法

代数运算法是通过不同的代数运算方法将图像进行计算，以提取出土地覆盖变化的信息，主要包括差值图像、比值图像、植被指数差值、变化向量、图像回归和背景值去除［1］。

差值图像是将两幅影像进行逐像元间的光谱信息相减而得到的。该方法被用于落叶森林［20］、土地覆盖变化［37］、灌溉农业的检测［38］，其特点是应用直接、简单，识别结果容易解释，但是不能够提供详细的变化矩阵，且需要进行阈值划定确定变化分布。

比值图像是将两期配准好的遥感影像进行逐波段的比值运算。Angelici等将比值图像用于区域变化识别［39］。Prakash和Gupta应用比值图像进行土地制图和变化检测［40-41］，该方法能够减小太阳高度角、阴影、地形的影响，但检测结果分布异常，效果并不理想。

植被指数差值是分别计算两期影像的植被指数，然后再相减得到。该方法被广泛用于植被变化［42-43］、森林冠层变化［44］、废弃农业检测［19］、作物面积监测［45-46］，时序植被指数特征差异和序列特征提取秋粮作物［47-48］，主要特点是强调了不同特征光谱反应的差异［49］，减少了地形和亮度影响，但增加了随机噪声和一致性噪声。

变化向量分析法，是一种应用广泛的变化检测方法，是图像差值的扩展，一方面通过光谱变化向量来描述从第一期到第二期的变化方向，另一方面根据每个像元计算总变化强度的欧氏距离，设定阈值确定变化［1］。该方法被用于景观变量的变化检测［50］、土地覆盖变化［51］、灾害评估［52］以及针叶树森林变化［18］和冬小麦、玉米的检测识别［36，53］，其特点是能够对任意的波段进行处理，得到详细的变化检测信息，但难以识别土地覆盖变化轨迹。

图像回归，是通过建立两幅影像的回归方程，然后用预测值跟第二期影像进行差值来得到变化信息［54］，被应用于热带雨林变化、森林的转化［55］等方面的研究中。该方法能够减少大气，传感器、环境差异等因素对两期影像的影响，但需要提供准确的回归方程。

背景去除法，是在非变化区域的背景值变化很慢的前提下，对原始影像进行低通滤波来估计影像变化的背景影像［56］，最后由原始影像减去估计的背景影像得到变化信息，曾被用于热带雨林［57］的变化研究。该方法易于操作，但精度较低。

综上，代数运算法的共同特点是，都需要选择阈值来划定变化区域，除CVA之外，实现方法相对简单、直接，识别结果易于应用和解释，但不能够提供完整的变化矩阵信息，且在识别过程中阈值的正确定义存在困难［58］。

3.2 转换法

转换法包括主成分分析法 (Principle Component Analysis，PCA)、缨帽变换 (Kasselled Cap，KT)、Gramm-Schmidt(GS)变换和卡方变换［1，54］。

PCA转换假设多时相数据是高度相关的，变化信息在新组分中能够很容易发现［59］。通过2种方法来实现变化信息提取:一种是将两幅或多幅影像合并为一个文件，然后进行PCA变换，分析较小组分的变化信息［60］;另一种是对两期影像分别进行PCA变换，然后将第二期影像的PCA转换结果减去第一期影像相对应的 PCA转换结果［20］。该方法目前常被应用于土地覆盖变化［59，61］，城市拓展［62］，热带森林转换［52］，森林死亡率以及森林砍伐［20］等方面的研究，其特点是减少数据冗余，强调转换后的不同信息;但基于不同时期数据的PCA结果很难进行比较，不能提供变化矩阵以及变化类型信息，且需要阈值划定。

缨帽变换 (KT)，原则与PCA变换一致 (差别在于PCA是跟影像相关的，而KT变换独立于影像)，是基于亮度、绿色度以及湿度3个组分来进行的变化检测［63］。该方法目前应用于森林死亡率检测［60］、绿色生物量的变化检测［64］和土地利用变化检测［65］等方面的研究，其特点是独立于影像，减少波段间的数据冗余，强调变化成分信息，但这种变化信息难以进行解译，不能提供变化矩阵，且阈值设定比较难，还对大气纠正的精准度有很高的要求。

GS变换，将光谱向量正交化，产生3个稳定的组分 (与KT变化后的亮度、绿度、湿度相对应)以及一个变化组分［21］。该方法目前应用于森林死亡率研究［60］，其特点是变化组分和影像特征之间的联系可以提取到其他方法可能探测不到的变化信息，但对于给定的变化类型难以提取超过1个组分，且GS变换过程依赖于光谱向量的选取以及变化类型。

卡方变换法，能够将多波段同时进行考虑，并生成一幅单一的变化图像，但该方法假设当影像大部分发生变化时，图像变化值为0并不代表没有发生变化，且不能定义光谱变化方向［66］。该方法层被用于城市环境变化检测［66］，但目前，由于计算方法相对复杂，且多数图像处理软件未提供相应计算模块，该方法实际应用较少。整体来看，图像转换方法能够减少波段间的数据冗余，在新生成的组分中突出了不同信息;但该类方法不能提供详细的变化矩阵，并需要提供阈值来判定是否发生变化，且难以在变换后的波段上解译和标记变化信息。

3.3 分类比较法

分类比较法主要包括分类后对比、光谱-时相综合分析、期望最大值变化检测 (Expectation-Maximization Algorithm，EM)、混合变化检测法、人工神经网络 (Artificial Neural Networks，ANN)［1］。

分类后对比法，是分别对多期影像进行分类，然后对每个像元进行对比判别变化信息的方法［67］。该方法目前用于土地覆盖变化［68］，城市建筑物检测［69］，湿地变化［22］以及城市扩张［70］、高光谱变化检测［71］方面的研究，其特点是能够将不同时期影像之间的大气、传感器、环境产生的误差最小化，并能够提供完整的变化矩阵信息;但分类工作耗时较大，检测的精度依赖于每个影像的分类精度。

光谱-时相综合分析，是将多期影像叠加在一幅图像中，然后进行分类，识别变化信息［72］。该方法目前用于沿海区域环境的变化［39］和森林变化研究［73］中，其特点是在分类的过程中简单、省时，但难以识别变化类型，不能提供变化矩阵信息，且需要估计先验的联合类概率。

EM检测，是基于分类的方法，利用EM算法来估计先验类联合概率。这些概率直接从影像中分析中获得［73］。该方法目前用于土地覆盖变化研究［73］，其特点是相比于其他的变化检测方法可以提供更高的变化检测精度，但需要估计联合类的先验概率。

非监督变化检测，是选择一期影像中光谱类似的像元和像元簇作为初始类簇，然后对二期影像光谱相似的像元簇进行标记，最后进行变化的检测［74］。该方法目前用于森林变化［75］、城市扩展［76］、广义高斯模型假设下KI双阈值法的SAR图像变化检测算法［77］等方面的研究。其特点是可以利用非监督的特点自动进行变化过程分析，但难以进行变化轨迹的标定。

混合变化检测，用图像叠加增强法来提取出变化像元，然后用监督分类方法进行分类［78］，从分类结果中构建一个二元变化掩膜，用变化掩膜将土地覆盖变化图中的变化像元部分剪切出来。该方法用于土地覆盖变化［79］、植被变化［80］、．鳗草检测［81］等方面的研究，其特点是能够将不发生变化的像元排除在外，可以减少分类误差;但需要为分类方法选择合适的阈值，并且变化轨迹的识别较为复杂。

人工神经网络检测法，是非参数监督算法［82］，目前用于湖泊退化检测［81］、土地覆盖变化［83］以及森林检测［84］等研究。该方法能够根据样本估计数据的特性，但目前研究对隐藏层的特性了解较少，需要长时间的样本选择，且对样本数量很敏感［1］。总体来看，分类变化检测都是基于遥感影像分类，能够给出详细的变化矩阵且降低多期影像中来自大气、环境方面的影响，但多期影像间高质量训练样本的选择是比较困难的，这将对分类结果产生很大的影响，从而影响变化检测的结果。

4 软变化检测农作物识别方法

针对过渡型土地覆盖变化和遥感混合变化像元存在的区域，软土地覆盖变化检测方法 (SCD)用［0，1］之间的连续变化概率图进行土地覆盖变化信息提取，可以检测到微小的土地变化信息［16］。目前已经开展了一些相关软变化检测方面的研究［85］，该类方法首先定义连续型地物参量，然后对比不同时期参量的变化程度，定量表达土地覆盖变化强度信息［85］。如，Adams和Roberts利用光谱混合分解模型提取出不同时期的土地覆盖丰度，用于植被覆盖变化的信息提取［26-27］。Souza将线性光谱混合模型得到的土壤变化程度，成功检测了森林伐木情况［28］。Foody将年际间的NDVI用简化的S型曲线方程转化为丰度图表达沙漠化程度，用于研究沙漠的波动情况［86］。Fisher将模糊混合矩阵用于界限划分，并在生物交错带的变化检测中较布尔运算获得了更加准确的变化信息［29］。Hill用最大似然法计算后验概率反映生物交错带混合变化像元中土地覆盖类型的组成，并将高山交错群落树木划分为5个过渡类，较传统硬变化检测更能够准确地表达出地物的变化信息［87］。Ardila利用迭代高斯方程分类器对高分辨率图像进行分类得到树冠隶属度信息，然后通过综合区域增长法和曲面拟合法用于冠层信息提取，最后通过对比前后两期影像得到突变区和渐变区，准确反映出城市林业的变化信息，尤其是对高分辨率存在的混合变化像元区，能够反映出林地的微弱变化［30，88］。Kennedy提出了一种基于轨迹的变化检测方法，假设与土地覆盖变化相关的现象在土地覆盖发生变化前和变化后都具有独特的发展状态［31］，并且这些发展时态能够更好地代表光谱空间时间序列特征。由于应用了时间轨迹的光谱信息，因此在进行检测的过程中不需要屏蔽非森林区和特定阈值的设定，能够同时对非连续现象和连续现象两种情况进行判断，提供森林波动年份、强度以及恢复速率信息的估计［29］。其实，在农作物遥感识别中，利用MODIS时间序列数据进行作物的识别就是一种软变化检测作物识别方法，该方法主要是利用MODIS时序指标指数表达作物的物候特征，识别作物。如，Lobell［32］、许文波等［48］利用MODIS时序数据采用线性分解模型识别冬小麦;Pan等构建MODIS冬小麦物候指数模型与TM建立回归关系，估算250m尺度上冬小麦的丰度［4］;顾晓鹤等分析了MODIS冬小麦分解结果与TM的异质性［89］。软变化检测进行作物的识别核心方法就是进行分解，获取作物的丰度信息。由于物候、大气条件和土壤水分等差值导致的“干扰噪声”，尤其对于MODIS数据常为8天、16天合成数据，像元上是16天的合成结果，造成光谱的不确定［90］。Somer等分析遥感光谱的不确定性，受到“类内”、“类间”光谱不稳定性的影响，对识别结果造成很大的偏差［33］。光谱不稳定对软分类的影响一直是混合光谱分解模型中待解决的难点和热点问题。

5 农作物软硬变化检测框架

由于瞬间视场 (Instantaneous Field of-View，IFOV)效应，遥感卫星进行地面拍摄造成像元内多种地物的存在。如图1所示，设目标作物为M，A表示M在t1时刻表现为A类地物状态，B表示M在t1时刻表现表现为B类地物状态。由于像元分辨率影响，M不可能刚好落在一个像元内 (见阴影区域)，导致与其它地物类型相混，这种现象就会造成混合像元现象，进而在时间尺度上产生软变化区域。从形态来看，这一现象一般发生在硬变化像元的周边，以线状地物形式表现出来。对目标作物M而言，整个区域可以划分为3个部分:硬变化区域 (Hard Change Region，HCR)、软变化区域 (Soft Change Region，SCR)和未变化区域 (Non Change Region，NCR)。

图1 软硬变化区

因此，对于利用遥感技术进行检测识别而言，在时空尺度上土地覆盖变化存在硬变化、软变化、未变化等3种类型［16］。那么，对于农作物遥感识别，结合软、硬作物变化检测方法各自的优势，将两种检测方法的优势进行综合，即软硬变化检测方法 (Soft and Hard Change Detection Method，SHCD)［85］，克服因像元尺度导致的软变化 (由混合变化像元)以及光谱不稳定导致在硬变化区域造成目标物识别的误差，对于提高作物多时相遥感识别精度将是一个可行的解决方案。

6 结语

综上所述，软、硬变化检测方法在农作物识别中应用较为广泛。但受到农作物种植景观特征和遥感影像空间分辨率等因素的影响，软、硬变化检测方法对农作物变化类型存在各自的不足。

硬变化检测方法 (Hard Change Detection，HCD)，从空间角度来看，由于遥感图像是由栅格像元构成，对于中、低分辨率影像，尤其是在作物破碎种植区，一个像元内反映出的土地覆盖变化往往不只是一种作物，而是多种变化类型共存的现象，这是由混合像元造成的。其次，硬作物变化检测结果仅给每个像元分配一个排他性的二值结果 (0，1)即作物和非作物［29，91］，侧重于硬变化区域的信息提取，但对于软变化区域内像元内难以准确识别，造成作物识别误差。

软变化检测方法 (Soft Change Detection，SCD)，利用作物在整个生长期的物候特征，采用分解方式获取作物连续的丰度值，在混合变化像元区和过渡变化像元区表达出更加丰富的信息，但由于光谱的不稳定性因素 (由大气、土壤等因素造成)导致混入一些其他地物组分，给变化方向和其特征的确定带来困难，带来类内光谱不稳定性，导致硬变化区域 (完全发生变化的区域)的识别造成误差;另外，现有研究虽然将硬变化和软变化进行了划分，但并未对软变化，尤其在作物丰度，进行深入的分析研究。

多期遥感影像上硬变化 (离散变化，像元内完全发生变化)、软变化 (连续变化，像元内部分发生变化)是共存的，单独采用软、硬变化检测均会给作物识别结果带来误差［16］。因此，综合软、硬变化检测方法各自优势，发展遥感软硬变化检测作物识别方法 (Soft and Hard Change Detection Method，SHCD)，以达到对硬变化区 (即纯净像元区，包括完全转换成作物的突变区域和非作物区域)和软变化区 (即过渡区，混合像元区，是部分转化为作物的区域)作物进行准确识别，将成为今后农作物遥感变化检测识别的一种发展趋势。目前软硬变化检测方法概念模型已被提出，但是实现的具体方法并不固定，研究重点集中于软变化区 (SCR)和硬变化区 (HCR)的划分以及土地覆盖变化强度的计算和转换。SHCD识别结果受多种因素的影像，将该方法应用到用到更大的、种植结构更为复杂的区域，采用多尺度数据，采取多种具体划分方法进行验证，以及验证变化概率与地物丰度之间的定量关系等是今后研究工作中需要考虑的方向。

［1］ Lu D，Mausel P，Brondízio E，et al．Change Detection Techniques．International Journal of Remote Sensing，2004，25(12):2365 ～2407

［2］ 周清波．国内外农情遥感现状与发展趋势．中国农业资源与区划，2004，25(5):9～14

［3］ 吴炳方，蒙继华，李强子．国外农情遥感监测系统现状与启示．地球科学进展，2010，25(10):1003～1012

［4］ Pan Y，Hu T，Zhu X，et al．Mapping cropland distributions using a hard and soft classification model．IEEE Transactions on Geoscience and Remote Sensing，2012，50(11):4301～4312

［5］ Badhwar G D，Gargantini C E，Redondo F V．Landsat classification of Argentina summer crops．Remote Sensing of Environment，1987，21(1):111～117

［6］ 王长耀，林文鹏．基于MODISEVI的冬小麦产量遥感预测研究．农业工程学报，2005，21(10):90～94

［7］ 李开丽，蒋建军，茅荣正，等．植被叶面积指数遥感监测模型．生态学报，2005，25(6):1491～1496

［8］ Stefanov W L，Ramsey M S，Christensen P R．Monitoring Urban land Cover Change:An Expert System Approach to land Cover Classification of Semiarid to Arid Urban Centers．Remote Sensing of Environment，2001，77(2):173 ～185

［9］ 徐新刚，李强子，周万村，等．应用高分辨率遥感影像提取作物种植面积．遥感技术与应用，2008，23(1):17～23

［10］ 张明伟，周清波，陈仲新，等．基于MODIS时序数据分析的作物识别方法．中国农业资源与区划，2008，29(1):31～35

［11］ 张峰，吴炳方，刘成林，等．利用时序植被指数监测作物物候的方法研究．农业工程学报，2004，20(1):155～159

［12］ 李颖，陈秀万，段红伟，等．多源多时相遥感数据在冬小麦识别中的应用研究．地理与地理信息科学，2010，26(4):47～49

［13］ 俞军，Ranneby B．基于多时相影像的农业作物非参数与概率分类 (英文)．遥感学报，2007，(5):748～75

［14］ 潘耀忠，李乐，张锦水，等．基于典型物候特征的MODIS-EVI时间序列数据农作物种植面积提取方法——小区域冬小麦实验研究．遥感学报，2011，15(3):578～594

［15］ 李正国，唐华俊，杨鹏，等．植被物候特征的遥感提取与农业应用综述．中国农业资源与区划，2012，33(5):20～28

［16］ Jensen J R．Introductory Digital Image Processing:A Remote Sensing Perspective．Prentice-Hall Inc．，1996

［17］ 裴志远，杨邦杰．多时相归一化植被指数NDVI的时空特征提取与作物长势模型设计．农业工程学报，2000，16(5):20～22

［18］ Allen T R，Kupfer J A．Application of Spherical Statistics to Change Vector Analysis of Landsat Data:Southern Appalachian Spruce-Fir Forests．Remote Sensing of Environment，2000，74(3):482 ～493

［19］ Alcantara C，Kuemmerle T，Prishchepov A V，et al．Mapping Abandoned Agriculture with Multi-Temporal MODIS Satellite Data．Remote Sensing of Environment，2012，124:334 ～347

［20］ Muchoney D M，Haack B N．Change Detection for Monitoring Forest Defoliation．Photogrammetric Engineering and Remote Sensing，1994，60(10):143～125

［21］ Collins J B，Woodcock C E．An Assessment of Several Linear Change Detection Techniques for Mapping Forest Mortality Using Multitemporal Landsat TM Data．Remote Sensing of Environment，1996，56(1):66 ～77

［22］ Munyati C．Wetland Change Detection on The Kafue Flats，Zambia，by Classification of A Multi-Temporal Remote Sensing Image Dataset．International Journal of Remote Sensing，2000，21(9):1787 ～1806

［23］ Bruzzone L，Prieto D F．Automatic Analysis of The Difference Image for Unsupervised Change Detection．IEEE Transactions on Geoscience and Remote Sensing，2000，38(3):1171～1182

［24］ Petit C C，Lambin E F．Integration of Multi-Source Remote Sensing Data for land Cover Change Detection．International Journal of Geographical Information Science，2001，15(8):785～803

［25］ Luo W，Li H．Soft-Change Detection in Optical Satellite Images．IEEE Geoscience and Remote Sensing Letters，2011，8(5):879 ～883

［26］ Adams J B，Sabol D E，Kapos V，et al．Classification of Multispectral Images Based on Fractions of Endmembers:Application to land-Cover Change in The Brazilian Amazon．Remote Sensing of Environment，1995，52(2):137 ～154

［27］ Roberts D A，Green R O，Adams J B．Temporal and Spatial Patterns in Vegetation and Atmospheric Properties from AVIRIS．Remote Sensing of Environment，1997，62(3):223～240

［28］ Souza C，Barreto P．An Alternative Approach for Detecting and Monitoring Selectively Logged Forests in The Amazon．International Journal of Remote Sensing，2000，21(1):173～179

［29］ Fisher P，Arnot C，Wadsworth R，et al．Detecting Change in Vague Interpretations of Landscapes．Ecological Informatics，2006，1(2):163 ～178

［30］ Ardila J P，Bijker W，Tolpekin V A，et al．Quantification of Crown Changes and Change Uncertainty of Trees in An Urban Environment．ISPRS Journal of Photogrammetry and Remote Sensing，2012，74:41～55

［31］ Kennedy R E，Cohen W B，Schroeder T A．Trajectory-Based Change Detection for Automated Characterization of Forest Disturbance Dynamics．Remote Sensing of Environment，2007，110(3):370 ～386

［32］ Lobell D B，Asner G P．Cropland Distributions from Temporal Unmixing of MODIS Data．Remote Sensing of Environment，2004，93(3):412 ～422

［33］ Somers B，Asner G P，Tits L，et al．Endmember Variability in Spectral Mixture Analysis:A Review．Remote Sensing of Environment，2011，115(7):1603～1616

［34］ 屠星月，赵冬玲．多时相遥感影像农作物识别方法的分析．测绘通报，2012，380～383

［35］ 殷守敬，吴传庆，王桥，等．多时相遥感影像变化检测方法研究进展综述．光谱学与光谱分析，2013，33(12):339～3342

［36］ 李苓苓，潘耀忠，张锦水，等．支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法．农业工程学报，2010，26(9):210～217

［37］ Sohl T L．Change Analysis in The United Arab Emirates:An Investigation of Techniques．Photogrammetric Engineering and Remote Sensing，1999，65(4):475～484

［38］ Manavalan P，Kesavasamy K，Adiga S．Irrigated Crops Monitoring Through Seasons Using Digital Change Detection Analysis of IRS-LISS-2 Data．International Journal of Remote Sensing，1995，16(4):633 ～640

［39］ Weismiller R A，Kristof S J，Scholz D K，et al．Change Detection in Coastal Zone Environments．Photogrammetric Engineering and Remote Sensing，1977，43(12):1533～1539

［40］ Perakis K，Kyrimis K，Kungolos A．Monitoring land Cover Change Detection with Remote Sensing Methods in Magnesia Prefecture in Greece．Fresenius Environmental Bulletin，2000，9(9-10):659～666

［41］ Gupta D M，Munshi M K．Urban Change Detection and land-Use Mapping of Delhi．International Journal of Remote Sensing，1985，6(3-4):529～534

［42］ Townshend J，Justice C O．Spatial Variability of Images and The Monitoring of Changes in The Normalized Difference Vegetation Index．International Journal of Remote Sensing，1995，16(12):2187 ～2195

［43］ Guerra F，Puig H，Chaume R．The Forest-Savanna Dynamics from Multi-Date Landsat-TM Data in Sierra Parima，Venezuela．International Journal of Remote Sensing，1998，19(11):2061～2075

［44］ Nelson R F．Detecting Forest Canopy Change Due to Insect Activity Using Landsat MSS．Photogrammetric Engineering and Remote Sensing，1983，49(9):1303～1314

［45］ 邹金秋，陈佑启，Uchida S，等．利用Terra/MODIS数据提取冬小麦面积及精度分析．农业工程学报，2007，23(11):195～200

［46］ 张健康，程彦培，张发旺，等．基于多时相遥感影像的作物种植信息提取．农业工程学报，2012，28(02):134～141

［47］ 彭光雄，宫阿都，崔伟宏，等．多时相影像的典型区农作物识别分类方法对比研究．地球信息科学学报，2009，11(02):225～230

［48］ 许文波，张国平，范锦龙，等．利用MODIS遥感数据监测冬小麦种植面积．农业工程学报，2007，23(12):144～149

［49］ 李亮，舒宁，龚龑．考虑时空关系的遥感影像变化检测和变化类型识别．武汉大学学报 (信息科学版)，2013，38(05):533～537

［50］ Lambin E F，Ehrlich D．The Surface Temperature-Vegetation Index Space for land Cover and land-Cover Change Analysis．International Journal of Remote Sensing，1996，17(3):463～487

［51］ Johnson R D，Kasischke E S．Change Vector Analysis:A Technique for The Multispectral Monitoring of land Cover and Condition．International Journal of Remote Sensing，1998，19(3):411～426

［52］ Jha C S，Unni N．Digital Change Detection of Forest Conversion of A Dry Tropical Indian Forest Region．International Journal of Remote Sensing，1994，15(13):2543～2552

［53］ 王堃，顾晓鹤，程耀东，等．基于变化向量分析的玉米收获期遥感监测．农业工程学报，2011，27(2):180～186

［54］ 赵英时．遥感应用分析原理与方法．北京:科学出版社，2003

［55］ Prakash A，Gupta R P．land-Use Mapping and Change Detection in A Coal Mining Area-A Case Study in The Jharia Coalfield，India．International Journal of Remote Sensing，1998，19(3):391 ～410

［56］ Singh A．Review Article Digital change detection techniques using remotely-sensed data．International Journal of Remote Sensing，1989，10(6):989～1003

［57］ Singh A．Digital change detection techniques using remotely-sensed data．International Journal of Remote sensing，1989，10(6):989 ～1003

［58］ 钟家强，王润生．基于线特征的多时相遥感图像变化检测．国防科技大学学报，2006，28(05):80～83

［59］ Kwarteng A Y，Chavez P S．Change Detection Study of Kuwait City and Environs Using Multi-Temporal Landsat Thematic Mapper Data．International Journal of Remote Sensing，1998，19(9):1651 ～1662

［60］ Collins J B，Woodcock C E．Change Detection Using The Gramm-Schmidt Transformation Applied to Mapping Forest Mortality．Remote Sensing of Environment，1994，50(3):267 ～279

［61］ Byrne G F，Crapper P F，Mayo K K．Monitoring land-Cover Change by Principal Component Analysis of Multitemporal Landsat Data．Remote Sensing of Environment，1980，10(3):175 ～184

［62］ Li X，Yeh A．Principal Component Analysis of Stacked Multi-Temporal Images for The Monitoring of Rapid Urban Expansion in The Pearl River Delta．International Journal of Remote Sensing，1998，19(8):1501 ～1518

［63］ Coppin P，Nackaerts K，Queen L，et al．Operational monitoring of green biomass change for forest management．Photogrammetric Engineering and Remote Sensing，2001，67(5):603～611

［64］ Coppin P R，Bauer M E．Processing of Multitemporal Landsat TM Imagery to Optimize Extraction of Forest Cover Change Features．IEEE Transactions on Geoscience and Remote Sensing，1994，32(4):918～927

［65］ Seto K C，Woodcock C E，Song C，et al．Monitoring land-Use Change in The Pearl River Delta Using Landsat TM．International Journal of Remote Sensing，2002，23(10):1985～2004

［66］ Ridd M K，Liu J J．A Comparison of Four Algorithms for Change Detection in An Urban Environment．Remote Sensing of Environment，1998，63(2):95～100

［67］ 陈宇，杜培军，唐伟成，等．基于BJ-1小卫星遥感数据的矿区土地覆盖变化检测．国土资源遥感，2011，(3):146～150

［68］ Mas J F．Monitoring land-Cover Changes:A Comparison of Change Detection Techniques．International Journal of Remote Sensing，1999，20(1):139～152

［69］ Malpica J A，Alonso M C，Papi F，et al．Change Detection of Buildings From Satellite Imagery and Lidar Data．International Journal of Remote Sensing，2013，34(5):1652～1675

［70］ Ward D，Phinn S R，Murray A T．Monitoring growth in rapidly urbanizing areas using remotely sensed data．Professional Geographer，2000，52(3):371～386

［71］ 武辰，杜博，张良培．基于独立成分分析的高光谱变化检测．遥感学报，2012，16(3):545～561

［72］ Bruzzone L，Serpico S B．Detection of changes in remotely-sensed images by the selective use of multi-spectral information．International Journal of Remote Sensing，1997，18(18):3883～3888

［73］ Bruzzone L，Prieto D F．A minimum-cost thresholding technique for unsupervised change detection．International Journal of Remote Sensing，2000，21(18):3539～3544

［74］ Lu D，Weng Q．Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+imagery．Photogrammetric Engineering and Remote Sensing，2004，70(9):1053～1062

［75］ Hame T，Heiler I，San Miguel-Ayanz J．An unsupervised change detection and recognition system for forestry．International Journal of Remote Sensing，1998，19(6):1079～1099

［76］ Renza D，Martinez E，Arquero A．A New Approach to Change Detection in Multispectral Images by Means of ERGAS Index．IEEE Geoscience and Remote Sensing Letters，2013，10(1):76～80

［77］ 胡召玲．广义高斯模型及KI双阈值法的SAR图像非监督变化检测．测绘学报，2013，42(1):116～122

［78］ 赵喜为．多光谱与全色图像的配准及变化检测技术研究．北京:北方工业大学，2012

［79］ Luque S S．Evaluating Temporal Changes Using Multi-Spectral Scanner and Thematic Mapper Data on the Landscape of a Natural Reserve:the new Jersey Pine Barrens，A Case Study．International Journal of Remote Sensing，2000，21(13-14):2589 ～2611

［80］ Petit C，Scudder T，Lambin E．Quantifying processes of land-cover change by remote sensing:resettlement and rapid land-cover changes in southeastern Zambia．International Journal of Remote Sensing，2001，22(17):3435 ～3456

［81］ Macleod R D，Congalton R G．Quantitative comparison of change-detection algorithms for monitoring eelgrass from remotely sensed data．Photogrammetric Engineering and Remote Sensing，1998，64(3):207 ～216

［82］ Gopal S，Woodcock C．Remote sensing of forest change using artificial neural networks．IEEE Transactions on Geoscience and Remote Sensing，1996，34(2):398～404

［83］ Abuelgasim A A，Ross W D，Gopal S，et al．Change detection using adaptive fuzzy neural networks:Environmental damage assessment after the Gulf War．Remote Sensing of Environment，1999，70(2):208 ～223

［84］ Liu X，Lathrop R G．Urban change detection based on an artificial neural network．International Journal of Remote Sensing，2002，23(12):2513～2518

［85］ 朱爽，张锦水，帅冠元，等．通过软硬变化检测识别冬小麦．遥感学报，2014，18(02):476～496

［86］ Foody G M．Monitoring the magnitude of land-cover change around the southern limits of the Sahara．Photogrammetric Engineering and Remote Sensing，2001，67(7):841～847

［87］ Hill R A，Granica K，Smith G M，et al．Representation of an alpine treeline ecotone in SPOT 5 HRG data．Remote Sensing of Environment，2007，110(4):458～467

［88］ 李亮，龚龑，李雪，等．像斑直方图相似性测度的高分辨率遥感影像变化检测简．遥感学报，2014，18(1):139～153

［89］ 顾晓鹤，潘耀忠，朱秀芳，等．MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究．遥感学报，2007，11(3):350～358

［90］ 陈晋，何春阳，史培军，等．基于变化向量分析的土地利用/覆盖变化动态监测 (Ⅰ)——变化阈值的确定方法．遥感学报，2001，5(4):259～266

［91］ Foody G M，Doan H T X．Impacts of Class Spectral Variability on Soft Classification Prediction and Implications for Change Detection．IEEE，2006，2072～2075