基于Landsat影像的黄丰桥林场森林变化检测研究

罗 號 ，孙 华 ，胡 满 ，罗孝云 ，罗喜华 ，杨政宇

（1.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004；2.广东省岭南综合勘察设计院，广东 广州 510520；3.林业遥感大数据与生态安全湖南省重点实验室，湖南 长沙 410004；4.攸县黄丰桥国有林场， 湖南 攸县 412300）

基于Landsat影像的黄丰桥林场森林变化检测研究

罗 號1，2，孙 华1，3，胡 满1，罗孝云4，罗喜华4，杨政宇1

（1.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004；2.广东省岭南综合勘察设计院，广东 广州 510520；3.林业遥感大数据与生态安全湖南省重点实验室，湖南 长沙 410004；4.攸县黄丰桥国有林场， 湖南 攸县 412300）

以攸县黄丰桥林场为研究区，选择2001，2009和2013年3期Landsat影像，应用影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测和分类后比较变化检测4种算法开展森林变化检测对比研究。结果表明：分类后比较变化检测方法在总体精度上有较明显的优越性，其2013年与2009年、2009年与2001年总体精度均为96.67%；其次是写功能存储插入法变化检测，其2013年与2009年、及2009年与2001年总体精度分别为94%和95.67%；掩膜处理变化检测精度排名第三，其2013年与2009年、2009年与2001年总体精度分别为93.67%和95.67%；效果最差的是影像代数变化检测方法，其2013年与2009年、2009年与2001年总体精度分别为93.33%和94.33%。通过对上述4种方法优缺点及精度的综合分析，得出分类后比较变化检测算法是最适合黄丰桥林场的变化检测方法。

遥感变化检测；影像代数；掩膜处理；写功能存储插入法；分类后处理

森林变化检测，即从不同时期的遥感数据中定量分析和确定森林变化的特征和过程。以往森林资源调查主要采用人工调查的方式进行，通过人工调查得到两次森林资源的数据从而分析变化的区域。但这种方法存在一定的缺陷，即浪费人力物力和调查周期长两方面。遥感技术的出现弥补了人工调查存在的问题，通过对多期遥感影像进行变化检测研究即可得到变化的区域，该方法的出现为森林变化检测提供了新的途径。

现有遥感变化检测算法表现形式多样，大致可以归纳为以下3种类型：基于像素的变化检测方法[1]、基于对象的变化检测方法[2]及基于特征的变化检测方法[3-4]。基于像素的变化检测方法是比较单个像素的光谱特征，以判断各个像素是否变化及变化类型，属于较低层次的变化检测方法。该方法直接利用原始像素灰度信息进行变化检测，实现容易，同时较易于理解，能较好的达到数字化检测变化的目的，是目前运用最为广泛的变化检测方法[5]。但该方法的检测结果对配准精度要求较高，较低的配准精度会导致像素之间出现位移偏差，从而产生大量的伪变化信息。同时基于像素的变化检测方法不能充分利用邻近像素的空间和上下文的关系，并且还有较大的椒盐噪声干扰[6]。基于对象的变化检测方法是以对象为基本单位提取出基于对象的特征，该方法将多时相影像数据独立完成预处理，特征提取，识别和判断，以获得对象的属性信息，最后通过相关处理，决策判断获得检测结果，属于最高层次的变化检测[7]。该方法能直接针对对象，充分利用对象的特征提取各类信息从而进行变化检测分析。与基于像素的变化检测方法相比弥补了其缺点，体现在综合利用了相邻像素间的空间，并且对于空间信息丰富，地物目标清楚的高分影像具有较好的应用前景。基于特征的变化检测方法是从影像中提取特征信息，利用不同地物的特征差异进行变化检测的，在进行变化检测过程中较为稳健，不受遥感影像时相变化的影响。

为探究4种变化检测方法中最适合森林变化检测的方法，以湖南省株洲市攸县黄丰桥林场为研究区，以2001，2009和2013年3期Landsat遥感影像为数据源，比较了4种变化检测方法的精度及优缺点。本研究成果对于森林变化检测算法的选择及森林变化检测的进一步研究具有借鉴意义。

1 材料与方法

1.1 研究区概况

黄丰桥林场位于攸县东部，113°04′～113°43′E，27°06′～ 27°4′N。林场地貌为中低山为主，最高海拔1 270 m，最低海拔115 m，坡度一般在20°到35°之间。该林场地处中亚热带季风湿润气候区，年平均气温17.8 ℃，年平均降水量为1 410.8 mm。林场森林覆盖率90.57%，全林场土地面积101 134.7 hm2，活立木蓄积879 186 m3，竹林面积423.1 hm2。

1.2 数据源

研究所涉及的3期遥感影像数据均从美国地质调查局( USGS )官方网站下载，成像时间分别为2001年9月6日、2009年10月24日及2013年6月13日。3期影像传感器类型及主要成像参数如表1。

表1 遥感影像数据主要成像参数Table 1 Main imaging parameters of three periods remote sensing image data

1.3 研究方法

从现有变化检测中选择出较适合森林变化检测的4种方法进行变化检测研究，4种方法分别为影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测及分类后比较变化检测。

基于Landsat遥感影像分析森林变化检测的主要步骤，如图1所示：（1）遥感影像预处理：辐射定标[8]、大气校正[9]、地形校正、图像配准[10]及图像裁剪等。把3期影像数据统一到相同的太阳高度角和坐标系统，尽量减少太阳高度角，土壤湿度和植被物候等环境因素的影响；（2）分别用影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测及分类后比较变化检测等变化检测方法对遥感影像数据进行变化检测，得到变化结果图；（3）利用相同的精度评价样本对各方法得到的变化结果图进行精度验证，分析不同变化检测算法针对森林变化检测适用性及有效性；（4）综合分析各方法的精度及优劣确定最适合森林变化检测的方法。其中影像代数变化检测[11-12]是对要进行变化检测的两期影像进行归一化植被指数（Ndvi）[13-15]计算，接着对归一化植被指数计算后的图像进行差值运算，最后通过最佳阈值设定提取变化检测结果。要进行掩膜处理变化检测[16]首要任务是制作掩膜文件，遮挡可能对森林变化检测产生干扰的地类，之后的步骤与影像代数变化检测方法一致。写功能存储插入法变化检测需要对影像数据进行缨帽变换计算，接着将不同年份的Landsat数据的湿度指数（Kauth-Thomas）[17]置于3个写功能存储块（Write Function Memory，WFM），从而提取森林变化信息[18]。在进行分类后比较变化检测[19-20]前，首先对要进行变化检测的两期遥感影像进行分类，本次研究采用面向对象的分类技术对3期影像进行分类，根据分类后的结果图直接确定变化的斑块。

图1 变化检测处理流程Fig.1 Flow chart of stages in change detection

2 结果与分析

2.1 变化检测结果

影像代数变化检测得到的变化结果如图2所示。由图2可见变化斑块较为零散，特别是2013年与2009年得到的变化图，斑块较多且更为零散。造成这种现象的因素主要有云层对变化检测干扰较大，山坡背阴面对变化检测结果也会产生干扰，其他地类变化影响森林变化信息的提取。同时还存在不能定量提取变化信息的缺点。但如果对阈值的选择更为合适则生成的变化图将会更为可靠。影像代数变化检测也存在一定的优点，即能较为准确提取变化地块，并且提供详细的“从-到”类别变化的信息。

图2 影像代数变化检测结果Fig.2 Results of change detection using image algebra

掩膜处理变化检测得到的变化结果如图3所示。斑块同样较为零散。因为其存在着与影像代数相同的缺陷，但同时也存在着与影像代数变化检测相同的优点，唯一不同的是掩膜处理变化检测较好的解决了影像代数变化检测中其他地类变化影响森林变化信息提取的问题。

写功能存储插入法变化检测的变化结果如图4所示。由图可观察到变化斑块的界限较难确定，因为其存在因变化强度导致的颜色渐变性。并且同时也存在不能提供定量的变化信息；山体背阴或云层阴影都会影响变化检测结果；云层本身也会对变化检测结果产生干扰等缺点。除此之外，写功能存储插入法变化检测也存在一定的优点，掩膜后生成的变化图能提供“从-到”类别变化的信息，并且变化信息随其地物变化强度有颜色上的渐变性变化，同时写功能存储插入法可同时观察2个，甚至3个时相的遥感影像。

图3 掩膜处理变化检测结果Fig.3 Results of change detection using mask processing

图4 写功能存储插入法变化检测结果Fig.4 Results of change detection using writing function memory insertion method

分类后比较变化检测的变化结果如图5所示。根据生成的结果图可清楚的看到“从-到”类别变化的信息并且可得到具体变化量。较前3种方法其较大的优势性体现在较好的解决了前3种方法存在的3个问题，即变化信息变化量的提取；云层、云层产生的阴影及山坡背阴面对变化图的干扰及需要通过掩膜处理消除不同地物类别对森林变化检测带来的影像等。但其也存在其特有的缺陷，即太过依赖与两期独立的分类结果图的精度，分类结果较低对变化检测结果影响较大，并且容易存在误差累计，夸大变化程度。

图5 分类后比较变化检测结果Fig.5 Results of post-classi fi cation comparison change detection

对比图2、图3、图4和图5可看出，利用影像代数变化检测会产生较多的零散的斑块，任何有辐射变化的区域都会呈现在变化结果上，利用掩膜处理变化检测虽也产生了较多零散斑块，但消除了影像代数变化检测中其他地物对森林变化检测产生的干扰，写功能存储插入法变化检测不会产生较多零散的斑块，但其斑块的界限较难确定。4种方法中以分类后比较变化检测方法效果最好，变化信息及变化量皆可通过变化结果图清晰表现。

2.2 精度评价

为定量评测变化检测方法的精度，使用ARCGIS的渔网（Create Fishnet）功能对4种变化检测方法的结果进行精度评价。主要精度指标包括总体精度、漏检率及虚检率等。其中漏检率为发生变化却未检测到变化的样本数占全部样本数的百分比，反映变化检测结果中漏检变化的概率；而虚检率为未变化却检测到变化的样本数占全部样本数的百分比，反映变化检测结果中虚检变化的概率。

根据遥感影像数据的矢量边界为界限创建行数为15、列数为20的一个渔网矩阵，总计点数为300个。通过观察点落入位置变化情况是否吻合从而得到变化检测方法的总体精度、漏检率及虚检率等精度指标（表2）。

影像代数变化检测在总体精度上较其他3种方法最低，漏检率及虚检率皆因不同因素的影响产生了较大的误差。两期变化结果图在虚检率上皆受到了其他地物变化的影响产生了误差，2009年与2001年及2013年与2009年干扰地物（农业用地、建筑用地及水体）对森林变化检测的干扰分别有4个点与1个点，另外2009年与2001年受到云层本身干扰产生误差有1个点，2013年与2009年高达13个点受到山坡背阴面阴影的干扰。

表2 不同变化检测方法检测结果精度对比Table 2 Comparison of the change detection accuracy obtained by different methods

掩膜处理变化检测在总体精度上稍优于影像代数变化检测，漏检率与影像代数变化检测相同，在虚检率上消除了其他地物变化的影响产生的误差，但同样受到云层本身干扰及山坡背阴面阴影干扰的影响。

写功能存储插入法变化检测在精度上仅次于分类后比较变化检测方法，这种方法的优点是不存在漏检率，两期变化结果图的漏检率皆为0，但虚检率处于较高水平，主要影响因素为云层自身干扰、山坡背阴面阴影及云层阴影干扰等，2009年与2001年、2013年与2009年云层自身对变化检测的干扰都为1个点，山坡背阴面阴影对变化检测的干扰分别为5个点及9个点，云层阴影对变化检测的干扰分别为3个点及1个点。

分类后比较变化检测是总体精度最高的变化检测方法，其漏检率处于稍高水平，但虚检率得到有效地抑制，检测结果较为理想。

3 结 论

此次研究以2001，2009和2013年3期Landsat遥感影像为数据源，应用4种方法进行森林变化检测研究，比较了4种变化检测方法的精度及优缺点，得到最适合森林变化检测的方法，得到结论如下：

（1）在森林变化检测中，分类后比较变化检测精度最高，其2009年与2001年、2013年与2009年精度均为96.67%。其优势较其他3种方法更大，在不考虑时间的基础上对原图进行较细致的分类可使得到的变化图精确度较大，是4种方法中最适合森林变化检测的方法。

（2）写功能存储插入法变化检测在精度上仅次于分类后比较变化检测，其2009年与2001年、2013年与2009年精度分别为95.67%和94%。写功能存储插入变化检测是一种很好的用于估计一个地区变化总量的定性模拟方法，如果不考虑提取变化量信息，这种方法较为快捷，并且能辅助进行较好变化检测方法的选择。

（3）掩膜处理变化检测在精度上仅优于影像代数变化检测，其2009年与2001年、2013年与2009年精度分别为95.67%和93.67%。掩膜处理变化检测在影像代数变化检测上有一定的优化，方法较影像代数变化检测在性能上有较大的提升。并且相比分类后比较同样较为快捷。

（4）影像代数变化检测在精度上是最差的，其2009年与2001年、2013年与2009年精度分别为94.33%和93.33%。影像代数变化检测也较为快捷，但对阈值的选择较高，如果能选择出较好的阈值，可以提取到较为精确的变化信息。

本次研究虽从4种方法的比较中得到了最适合黄丰桥林场森林变化检测的方法，但此次研究尚有不成熟之处。一方面，在进行变化检测过程中，对于一些细小的变化区域较难识别，阈值选择存在一定的困难，如果阈值选择不当会导致总体精度降低，如何提高细小变化区域的识别率也将是今后研究的一个方向。另一方面，研究区范围较小，变化检测的精度仅限于研究区范围，能否将得到的最优方案推广到县级区域或更大范围，需要进行更进一步的验证和试验。

[1]唐朴谦,杨建宇,张 超,等.基于像素比值的面向对象分类后遥感变化检测方法[J]. 遥感信息, 2010, 25(1):69-72.

[2]霍春雷,程 健,卢汉青.基于多尺度融合的对象级变化检测新方法[J]. 自动化学报,2008,34(3):251-257.

[3]钟家强,王润生.基于线特征的多时相遥感图像变化检测[J].国防科技大学学报,2006,28(5):80-83.

[4]袁修孝,宋 妍.一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法[J].武汉大学学报(信息科学版). 2007,32(6): 489-493.

[5]刘伟乐,林 辉,孙 华.基于GF-1遥感影像湿地变化检测算法分析[J].中南林业科技大学学报,2015,35(11):16-20.

[6]黄 亮,左小清,於雪琴. 遥感影像变化检测方法探讨[J]. 测绘科学, 2013, 38(4):203-204.

[7]张永梅,李立鹏,姜 明,等.综合像素级和特征级的建筑物变化检测方法[J].计算机科学,2013,40(1):286-288.

[8]张兆明,何国金. Landsat 5 TM数据辐射定标[J]. 科技导报,2008, 26(7):54-55.

[9]徐春燕,冯学智. TM图像大气校正及其对地物光谱响应特征的影响分析[J]. 南京大学学报(自然科学版), 2007,43(3):309-315.

[10]Chen L C, Lee L H. Progressive Generation of Control Frameworks for Image Registration [J].Photogrammetric Engineering & Remote Sensing, 1992, 58(9):1321-1309.

[11]Green K, Kempka D, Lackey L. Using Remote Sensing to Detect and Monitor Land-use Change [J]. Photogrammetric Engineering& Remote Sensing, 1994, 60(3):331-337.

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

[13]Yuan D, Elvidge C. NALC Land Cover Change Detection Pilot Study: Washington D.C. Area Experiments [J]. Remote Sensing of Environment,1998,66(2):166-178.

[14]Song C, Woodcock C E, Seto K C,et al.Classification and change detection using Landsat TM data: When and how to correct atmospheric effects[J]. Remote sensing of Environment,2001, 75(2): 230-244..

[15]Du Y, Teillet P M, Cihlar J. Radiometric Normalization of Multitemporal High-resolution Satellite Images with Quality Control for Land Cover Change Detection[J].Remote Sensing of Environment,2002, 82(1):123-134.

[16]Jensen J R, Cowen D J, Althausen J D,et al.An Evaluation of Coast Watch Change Detection Protocol in South Carolina[J].Photogrammetric Engineering & Remote Sensing, 1993,59(6):1039-1046.

[17]Cai M, Xie M, Li C. GIS-based 3d limite-quilibrium analysis for design optimization of a 600 m high slope in an open pit mine [J]. Journal of University of Science and Technology Beijing, 2007, 14(1):1-5.

[18]Franklin S E, Lavigne M B, Wulder M A,et al.Large-area Forest Structure Change Detection: An Example [J].Canadian Journal of Remote Sensing, 2002, 28(4):588-592.

[19]Jensen J R, Rutchey K, Koch M S,et al.Inland wetland change detection in the Everglades Water Conservation Area 2A using a time series of normalized remotely sensed data[J].Photogrammetric Engineering and Remote Sensing, 1995, 61(2):199-209.

[20]Arzandeh S, Wang J. Monitoring the change of Phragmites distribution using satellite data[J]. Canadian Journal of Remote Sensing, 2003, 29(1): 24-35.

Study on forest change detection of Huangfengqiao forest farm using Landsat data

LUO Hao1,2, SUN Hua1,3, HU Man1, LUO Xiaoyun4, LUO Xihua4, YANG Zhengyu1
(1.Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry and Technology,Changsha 410004, Hunan, China; 2.Lingnan Comprehensive Surveying and Designing Institute of Guangdong Province, Guangzhou 510520, Guangdong, China; 3.Key Laboratory of Forestry Remote Sensing Based Big Data & Ecological Security for Hunan Province,Changsha 410004, Hunan, China; 4. Huangfengqiao Forestry Farm of Youxian, Youxian 412300, Hunan, China)

Remote sensing technologies have been widely used to map forest change detection. In this study, four kinds of change detection methods, including image algebra, mask processing, writing function memory insertion and post-classi fi cation comparison change detection, were carried out in Huangfengqiao forest farm in Youxian county using Landsat satellite data with three periods of 2001, 2009 and 2013. The results indicated that post-classi fi cation comparison change detection method had the highest accuracy in three periods, and its overall accuracy were 96.67% from 2001 to 2009 and from 2009 to 2013; Followed by writing function memory insertion method, the accuracy from 2001 to 2009 and from 2009 to 2013 were 95.67% and 94%, respectively. The Accuracy of mask processing method was inferior to writing function memory insertion method, which from 2001 to 2009 and from 2009 to 2013 respectively were 95.67% and 93.67%. The results of change detection using image algebra had the lowest accuracy, which were 94.33%from 2001to 2009 and 93.33% from 2009 to 2013. Companion with other three methods, post-classi fi cation comparison change detection method provided greater potential of accurately predictions of forest change detection in this forest farm.

remote sensing change detection; image algebra; mask processing; writing function memory insertion method; postclassi fi cation comparison

10.14067/j.cnki.1673-923x.2017.12.011

http: //qks.csuft.edu.cn

S758.4

A

1673-923X(2017)12-0065-07

2016-01-09

湖南省创新平台与人才计划（科技人才）项目（2015RS4048）；国家级大学生研究性学习和创新性实验计划项目（201410538008）；湖南省大学生研究性学习和创新性实验计划项目（湘教通[2014]248号）

罗 號，助理工程师

孙 华，副教授，博士；E-mail：sunhua@csuft.edu.cn

罗 號，孙 华，胡 满，等. 基于Landsat影像的黄丰桥林场森林变化检测研究[J].中南林业科技大学学报，2017, 37(12):65-71.

[本文编校：文凤鸣]