基于Landsat时序数据的长株潭城市群核心区森林扰动监测

摘 要：【目的】为了快速准确地监测城市群核心区内的森林扰动，研究利用Landsat时间序列数据在谷歌地球引擎（Google Earth Engine，GEE）平台运用LandTrendr算法进行森林扰动监测研究。【方法】基于2000—2020年植被生长季的Landsat时序数据，分别在归一化植被指数（Normalized Difference Vegetation Index，NDVI）、归一化燃烧率指数（Normalized Burn Ratio，NBR）、缨帽变换角（Tasseled Cap Arctangent，TCA）三种指数作为阈值限制下，采用LandTrendr算法对时间序列轨迹进行处理，以获取长株潭核心区森林扰动的发生区域及规模大小的信息。运用森林资源连续清查数据和Google Earth历史影像分别对3种不同指数的森林扰动监测结果进行精度评估和验证，并利用研究区内土地利用数据中的森林覆盖数据对扰动信息进行分析。【结果】2000—2020年长株潭核心区森林扰动总面积为264.35 km2，平均每年的扰动面积为13.22 km2，其中2002年扰动最少，为1.91 km2，扰动面积最大的为2011年，为25.52 km2。运用森林资源连续清查数据对三种指数阈值限制下的森林扰动信息结果验证的精度分别为90.91%、81.72%和65.08%；在谷歌地球历史影像中随机布点下精度分别为86.00%、77.88%和78.36%。2009年和2011—2013年间森林扰动较为严重。对全国范围内的土地利用数据进行处理分析可知，森林面积在20年间随时间增长而缓慢减少，所占总面积的百分比由原来的27.10%减少到22.00%。【结论】NBR是最适合长株潭核心区的森林扰动指数，森林扰动检测结果与实地调查和谷歌地球历史影像目视解译的结果一致。森林扰动斑块的分布边界可被完整提取，扰动面积大小变化趋势与全国区域内土地利用数据森林面积变化趋势相同，主要由城市化进程、森林火灾和人工砍伐引起。2000—2020年研究区森林扰动面积呈现波动式缓慢增加的趋势，其中2001年、2011年和2013年存在扰动面积浮动较大。

关键词：森林扰动；LandTrendr；归一化燃烧率指数；城市森林；长株潭城市群核心区

中图分类号：S794.4；TP79 文献标志码：A 文章编号：1673-923X（2024）08-0094-10

基金项目：国家自然科学基金项目（31971578）；湖南省科技创新计划项目（2023RC1065）；湖南省自然科学基金项目（2022JJ30078）

Forest disturbance monitoring in the core area of Changzhutan urban agglomeration based on Landsat time series data

XIE Tianfei1， JIANG Fugen1， WANG Xia2， LONG Yi1， SUN Hua1

（1.a. Research Center of Forestry Remote Sensing Information Engineering； b. Hunan Provincial Key Laboratory of Forestry Remote Sensing Based Big Data Ecological Security； c. Key Laboratory of National Forestry and Grassland Administration on Forest Resources Management and Monitoring in Southern China， Central South University of Forestry Technology， Changsha 410004， Hunan， China； 2. Forestry and Grassland Survey Planning Institute of Hebei Province， Shijiazhuang 050011， Hebei， China）

Abstract：【Objective】In order to quickly and accurately monitor the forest disturbance in the core area of the urban agglomeration， this study uses Landsat time series data to monitor the forest disturbance in Google Earth Engine （GEE） using LandTrend algorithm.【Method】Based on the Landsat time series data of the vegetation growth season from 2000 to 2020， under the threshold restrictions of NDVI， NBR， and TCA indices， the LandTrender algorithm was used to process the time series trajectory to obtain information on the occurrence area and scale of forest disturbance in the core area of Changzhutan urban agglomeration. Combining continuous forest resource inventory data and Google Earth historical images， the accuracy evaluation and validation of forest disturbance monitoring results based on different indices were conducted， and the disturbance information was analyzed using forest cover data from land use data in the study area.【Result】From 2000 to 2020， the total disturbed area of the forest in the core area of Changzhutan urban agglomeration was 264.35 km2， with an average annual disturbed area of 13.22 km2. Among them， the least disturbed area was 1.91 km2 in 2002， and the largest disturbed area was 25.52 km2 in 2011. The accuracy of forest disturbance information results under the three index thresholds of NBR， NDVI， and TCA under continuous forest resource inventory data was 90.91%， 81.72%， and 65.08%， respectively； In Google Earth’s historical images， the accuracy of random point distribution was 86.00%， 77.88% and 78.36%， respectively. There were significant disturbances in the forest from 2009 to 2011 to 2013. After processing and analyzing land use data nationwide， it could be seen that the forest area gradually decreased over time over the past 20 years， with the percentage of the total area decreasing from 27.10% to around 22.00%.【Conclusion】NBR is the most suitable forest disturbance index for the core area of Changzhutan urban agglomeration. The results of forest disturbance detection are consistent with the results of field survey and visual interpretation of historical images of Google Earth. The distribution boundary of forest disturbance patches can be fully proposed， and the trend of disturbance area change is the same as that of forest area change in national regional land use data， mainly caused by urbanization process， forest fires， and artificial logging. In the past 20 years， the area of forest disturbance has shown a fluctuating trend， the disturbance area fluctuated greatly in 2001， 2011 and 2013.

Keywords： forest disturbance； LandTrendr； normalized burn ratio； urban forest； the core area of Changzhutan urban agglomeration

森林是陆地生态系统的主体，是地球最大的碳贮库。森林生态系统的动态变化对全球的碳循环和碳储量有直接影响[1]。森林扰动是全球变化研究中的重要组成部分，严重影响着区域生态平衡与稳定[2]。土地覆被变化是人类活动对地球表层系统影响的重要表现形式，也是森林扰动的主要驱动因子。人类对土地的利用和管理方式导致土地覆被的变化，对全球环境和气候变化有重要影响。因而城市群中森林的扰动与人类活动密切相关，对其进行快速准确监测的方法亟待探究。

森林扰动根据其驱动力因素可分为自然扰动和人为扰动，自然扰动包括如海啸，洪水，暴雨冰雪等由自然因子引起的森林变化；人为扰动包括病虫害、火灾、砍伐等人为因子引起的森林变化[3]。近年来，城市化进程加速，人为采伐、毁林现象频繁发生，因此对森林扰动的监测需求增加。森林扰动监测方法包括人工调查和遥感监测两种。传统的人工调查对于森林的动态变化监测准确性高，但存在滞后性，难以实现大范围的全面监测。随着遥感技术不断成熟与推广应用，利用遥感技术手段开展森林扰动监测成为未来的一种必然趋势。

目前，森林扰动监测以中低分辨率遥感影像为主，包括中分辨率成像光谱仪（Moderateresolution Imaging Spectroradiometer，MODIS）、哨兵（Sentinel）、Landsat系列等。其中MODIS系列影像一般适用于大范围的监测，且空间分辨率相对其他影像较低，对局部特征的识别能力相对较弱。Sentinel空间分辨率较高，在轨运行的时间只有10年左右，不适用于森林扰动的长时序研究[4]。Landsat系列卫星数据目前已广泛应用于土地利用分类、湿地分布监测、蓄积量反演等方面的研究[5]。谷歌地球引擎（Google Earth Engine，GEE）[6]提供了Landsat系列卫星数据批量处理功能，简化了复杂的预处理过程，为森林扰动长时间影像序列分析研究提供了数据处理平台。

森林扰动遥感分析方法主要包括分类后比较法、影像差值法、分类及统计分析法和时间序列分析法[7]。分类后比较法是将不同时间的影像中不同地类分类后，对已分类后的地类进行统计对比分析的方法，这种方法较精确，在分类步骤上耗时且精度随分类方法改变而改变；影像差值法是计算两幅影像的灰度差值后进行分析的方法，其精度在影像校正及计算过程中会存在误差累积现象；分类及统计分析法是在分类后比较法的基础上加权其他信息统计分析后对地类有更精细的划分方法，该方法较直接分类更贴合实际情况，处理及运算时间长；时间序列分析法则是对长时间序列的轨迹进行分割、线性拟合以识别扰动的方法，其优点是能快速高效地获取扰动信息，但是不同研究区内参数及指标的设置和选取对其结果存在一定影响[7]。LandTrendr算法是针对多波段Landsat系列卫星开发的一种处理森林扰动信息的时间序列轨迹分析方法[8]。此前有不少学者运用在LandTrendr算法其本地执行上耗费了大量时间，而在Kennedy等[9]将该算法部署于GEE平台后，算法执行速度及效率有较大提升。

探究森林扰动的指数主要有归一化植被指数（Normalized Difference Vegetation Index，NDVI）、归一化燃烧率指数（Normalized Burn Ratio，NBR）和缨帽变换角（Tasseled Cap Arctangent，TCA）指数。NDVI对绿色植物较敏感，能够反映绿度趋势，但是在高低植被覆盖区会存在一定压缩和扩大现象；NBR指数对烧伤植被、土地中叶绿素、木炭灰及水分较敏感，因此被广泛用于检测突发的和连续的森林扰动事件；TCA指数由绿度和湿度复合成，能集中表现主要信息并突出所需细节特征[10]。

本研究以Landsat系列遥感影像为数据源，利用GEE平台对数据进行预处理，在分别构建NDVI、NBR、TCA指数限制阈值的条件下，运用LandTrendr算法对时间序列轨迹进行分割、拟合时间等处理，获取长株潭核心区的森林扰动信息。利用谷歌地球历史影像及森林资源连续清查数据进行精度验证，确定长株潭核心区的最佳植被指数，以此快速实现森林的扰动监测。

1 材料与方法

1.1 研究区概况

长株潭城市群核心区（图1）位于湖南省中东部（112°36′～113°16′E、27°36′～28°33′N），面积约为8 448.18 km2[11]，属于典型的亚热带季风气候，夏季炎热，冬季温和且四季分明。夏季降水量充足，年降水量约为1 400 mm[12]，年均气温16～18 ℃，无霜期长达279 d，年均日照充足为1 726 h[13]。该区域是湖南省经济发展的核心增长区，也是湖南省快速城镇化发展地区，是长江中游城市群的重要组成部分[14]。核心区内包含全球最大的城市群绿心区，主要用材林树种包括马尾松、杉木等，经济林树种包括油茶、油桐、柑橘[15]等，城市群中行道树多为樟树，连续的大区域森林分布主要在城市郊区。长沙、株洲、湘潭三市沿湘江呈“品”字形分布，两两相距不足40 km，结构紧凑，湘江纵穿南北。山地、森林与平原交错均匀分布，总地势低平[16]。

1.2 数据获取及预处理

1.2.1 数据源与处理

选用2000—2020年Landsat5/7/8系列影像数据，在谷歌地球引擎（GEE）平台上进行批量影像校正和去云、镶嵌等预处理。为了减少物候差异对植被光谱信息的影响，选用植被生长季（6—9月）的影像进行后续的分析。使用长株潭城市群核心区1999、2004、2009、2014年共4期森林资源连续清查数据，样地大小为25.82 m×25.82 m，在ArcGIS 10.2软件中叠加三种指数的干扰分布图提取重叠部分，统计林地和非林地变化情况；在GEE中叠加长株潭城市群核心区的范围内，并进行随机布点，随机点的间隔不少于500 m，获得每个随机点位置不同年份的谷歌地球历史影像，通过目视判读，确定抽样样点是否发生地类变化来进行森林扰动监测结果精度验证，以获得最适于长株潭核心区的森林扰动指数。

1.2.2 森林扰动指数

使用NDVI、NBR、TCA三种植被指数作为LandTrendr算法中限制阈值的指数，通过比较森林扰动结果，从三种植被指数中选择最适用于长株潭核心区的指数。NDVI可以反映地表植被的繁茂程度，与植被光合有效辐射吸收系数（Fraction photosynthetically active radiation，FPAR）[17]、叶面积指数（Leaf area index，LAI）[18]、植被净初生产力指数（Net Primary Productivity，NPP）等生物物理参数有密切联系[19]，常用于分析植被的绿度趋势和反演卫星遥感数据[20]。NBR对叶绿素、叶片和土壤的含水量、炭灰等因素较为敏感[21]，可以很好地区分健康和烧伤的植被。线性变换型指标主要有穗帽变换指数，如TCW就对土壤和植被水分、结构很敏感，且对不同光照引起的地形效应不敏感，是检测森林扰动常用的指标之一[22]。组合型指标是指两类指标的线性或非线性组合，TCA是缨帽变换绿度和湿度分量的组合类指标，根据土壤、植被在空间中的分布信息进行经验性正交变换[23]。

本试验对2000—2020年所有时间序列影像运用LandTrendr算法进行分割及线性拟合，得到长株潭核心区20年间森林扰动信息。对森林扰动信息分别运用森林资源连续清查数据和谷歌历史影像数据进行双重验证，得到森林扰动精度最高的指标并用于森林扰动信息分析。同时统计地类变化便于进一步分析森林扰动驱动因子。

1.2.3 时间系列轨迹拟合算法

LandTrendr算法是一种以时间分割为核心的算法[26]，主要用于识别时间序列中的突发性剧烈变化、中长期慢速的变化或渐进的短期变化，其原理是分析每个像元的时间序列拟合线段来监测其是否发生扰动[27]。每个像素的输入是一个光谱指数或不同波段的时间序列[28]。通过设置各类参数，包括噪声引起的尖峰（spike Threshold）、识别潜在断点（vertex Count Overshoot）、拟合轨迹曲线和最佳分段（p-val Threshold），寻找最佳模型（best Model Proportion）[29]。运用LandTrendr算法监测研究区内森林由于各种因素发生的变化，参考钟莉等[30]相关的研究，具体参数的设置如表1所示：

1.2.4 精度验证

分别采用谷歌地球历史影像和森林资源连续清查两种数据对长株潭城市群核心区的森林扰动信息结果进行精度评价。1）利用1999、2004、2009和2014年的森林资源连续清查系统抽样调查数据，分别将三种指数限制下提取的扰动信息和实地调查数据进行叠加，并提取其中重叠部分，统计其地类变化情况，作为不同指数限制下的精度验证结果；2）在获取的NDVI[31]、NBR、TCA三种指数所得的森林扰动信息图上，运用ArcGIS软件随机抽样功能，在森林扰动信息分布结果中抽取500个随机点，随机点的间隔不少于500 m。结合每个随机点位置不同年份的谷歌地球历史影像，通过目视判读，统计500个点在谷歌历史影像内的变化情况作为精度验证的结果。通过对两种结果的对比分析确认最适用于长株潭城市群核心区的最佳限制阈值的指数。两种精度验证方法对应的不同扰动结果的系统抽样和随机抽样结果分布如图2所示。

2 结 果

2.1 森林扰动时空分布特征

基于NBR、NDVI、TCA扰动指数的长株潭核心区2000—2020年森林扰动分布结果如图3，图中非森林及其他类别如水体、裸地等已被掩膜，显示为白色背景。图中不同颜色代表不同年份的不同大小扰动面积斑块分布。

2000—2020年，不同指数限制阈值下不同年份森林扰动发生区域分布，扰动区域分布主要集中在湘江两岸（图3），以城区为中心呈扩散状分布，其他区域内亦零星分布。分布呈小斑块集中状，说明扰动集中发生在森林斑块内不同区域，且以城市为中心向周围扩散。其中基于NBR扰动指数下的扰动面积主要集中在研究区中间部分且各年份扰动面积较平均。基于NDVI的扰动分布集中于研究区中部，其中2010年在各个区域有片区集中的中小型扰动发生，其他年份扰动面积相差不大。基于指数TCA的扰动分布零散呈聚落状分布在中上部，其中NBR扰动指数阈值内2011年扰动面积较大，主要分布在左上部，其他年份的面积分布零散。扰动面积分布图显示，三种指数参数下，扰动分布基本差别不大，趋势相近。TCA扰动指数下的分布对比NBR扰动指数下的分布更分散，NDVI扰动指数下有部分集中密集分布的斑块，两者均可能存在植被生长等因素对识别扰动事件的影响。

2.2 基于两种方法的精度验证结果

方法一：使用ArcGIS在2000—2020年长株潭核心区扰动分布图中进行随机布点，对三种指数下的分布图分别进行随机布点500个，在Google Earth平台中打开随机点并通过目视判读，得到20年来土地利用类型发生变化的结果，发生变化的点数目占总数的百分比作为目视判读的精度结果。几类典型地类变化如下图4，分别是森林到裸地、森林到居民区、耕地到森林、森林中道路到居民区以及森林到工业区的变化。

方法二：将2000—2020年长株潭核心区扰动分布图分别与1999、2004、2009、2014年森林资源连续清查数据在ArcGIS中进行叠加并提取重合点，通过统计重合部分在20年内的地类是否变化及变化类型，来判断是否发生森林扰动事件，地类发生改变的区域占总区域的比值作为识别森林扰动监测的精度（表2）。

谷歌历史影像典型地类变化识别结果如图4所示，识别区域大体相同，部分像元内的个别年份扰动信息识别存在差异。

由不同指数限制阈值得到的不同森林扰动面积分布，用森林资源连续清查数据与谷歌历史影像对其进行精度验证得到精度最高的为以NBR限制阈值得到的扰动信息，其精度分别为90.91%和86.00%。扰动信息结合2000—2020年逐年30 m分辨率森林面积数据进行分析，趋势与目视判读结果一致。以NDVI和TCA限制阈值得到的扰动信息用一类调查数据验证得到的精度为81.72%和65.08%；在谷歌历史影像布点验证精度分别为77.88%和78.36%。方法一的精度在不同指数下相差较多，方法二验证各指数下精度相差较小。NBR在两种验证方法下的精度均较高且相差不大。因此本次试验确定NBR具有较高的监测精度，为最适用于长株潭核心区的扰动监测指数。

2.3 森林面积变化与核心区内森林扰动

确定最适于长株潭城市群核心区的LandTrendr阈值限制指数为NBR后，结合研究区内森林面积变化对研究区内森林扰动情况进行分析。

2000—2020年长株潭城市群核心区扰动面积随时间总体呈上升趋势（图5），扰动面积大多在100～150 km2区间内变化，小部分年份间波动较大，因此可能存在小面积的扰动事件发生。其中在2011年和2013年达到近20年的扰动面积峰值，说明这两年间发生了面积中大型的扰动事件，如大面积砍伐或森林火灾；2001年扰动面积较大，2002年森林扰动面积变化较小，2004年后森林扰动面积变化较小，集中于130 km2上下，说明无重大扰动事件发生，因此森林的动态变化主要由无规律的随机事件引起，在谷歌地球历史影像中经目视解译过程可知变化类型主要是由城市化进程引起。

长株潭核心区内森林面积数据、森林扰动面积占森林面积比值与年份的关系图（图6）中可以看出长株潭核心区内森林面积占总面积的22%～27%，随年份总体呈减小趋势。2000—2004年间森林面积减小幅度较大，期间由原来的27%减少到了23%，在2011、2012年间有波动，说明期间发生了森林扰动事件，2000～2001年间波动幅度较大，说明发生了中小规模的扰动事件。2004年后森林面积波动幅度较小，在22.2%～23.5%小幅波动，无大型的扰动事件发生，2019年后森林面积有增长趋势。

通过统计随机点地类变化统计（图7），结合核心区扰动分布结果可以得到结论：长株潭核心区森林扰动驱动因素主要是由城市化进程导致的人工采伐和森林火灾等短时间内突发性改变引起，其次是由于政策等导致的由耕地到森林此类地类变化的扰动事件。小面积扰动主要发生在邻近城镇居民住宅附近的森林，中大型扰动事件主要发生在由森林转变为工业区此类地类改变发生区域。

3 讨论与结论

3.1 讨 论

LandTrendr根据Landsat数据本身的变化来拟合变化轨迹，主要原理是利用森林扰动与背景噪声的线性差异，通过设置各种不同的参数变量控制其分割及拟合，排除了噪声和较小的光谱变化点，并掩膜其他地类变化，突出体现所需的重要信息，以此识别森林扰动信息。此方法能识别由于各种不同因素引起的森林发生的时间序列变化，并可通过目视判读获取森林植被受扰动情况及其恢复的信息。相较传统运用像元变化探究森林扰动的方法，LandTrendr算法识别扰动信息更高效迅捷。

GEE提供的数据处理平台也为大量数据处理提供了便利，对比传统影像处理方式，GEE的批量处理时间序列影像数据功能缩短了时间，也减少了传统预处理中人为操作所产生的误差，从而提高了精度。指标选取中，NDVI对绿植敏感度更高，受天气季节等其他干扰因素影响大；TCA作为复合型指标，对土壤和水分更敏感，受降水等自然因素干扰同样会引起误判；因此选取NBR作为限制阈值的植被指数最合适，且试验结果与理论相符。

本研究在运用两种不同数据进行验证的过程中，地类变化统计主要为由林地到建设用地、工业用地、居民用地的改变，且变化区域集中于不透水面区域与森林交错区域，呈现由不透水面区域向森林区域逐步扩散趋势。而火灾的发生其地类变化是由森林到火烧迹地的变化，砍伐为由林地到裸地的地类变化，这两类在统计中占比较少。由此可以判断在过去20年中森林扰动驱动因子主要是人为因子，与长株潭核心区20间高速发展城区扩张的事实相符。此方法能大致确定驱动因子的类型，但具体的详细的原因还需通过加入其他类型数据，如气象、水文、坡向坡度等类型数据加权共同判断。目前已有通过其他数据加权下的森林影响因子判断研究，如海南省森林扰动研究中通过引入橡胶树种植数据分析可知其驱动因子中橡胶种植是引起森林扰动的一大主要因素。通过对扰动结果引入其他数据进行相关性分析可以进一步得到森林干扰主要驱动因子类型，为更深入的研究打下基石。

LandTrendr算法目前在森林扰动应用中具有高精度且便捷的特点，其限制一是受季节影响明显，二是不同类型的研究区可能适用不同的参数，及如何筛选用于限制阈值的植被指数和如何快速确定一个研究区最适用的参数。受季节影响可通过选取夏季植被生长季数据减少，合适的参数设置及指数可通过大量试验确定。相信在未来的发展中，通过对于更多研究方向的深入学习，能实现更快速且准确的森林扰动监测。

本研究为城市森林的森林扰动监测，与山区自然森林之间存在一定立地条件差异，因此本试验结果中最适合的森林扰动指数不一定适用于不同条件下的森林扰动信息提取。相信未来进一步研究中，通过研究区域面积的扩张或立地条件两个变量的改变，能进一步对不同森林实现快速精准的森林扰动监测。

3.2 结 论

1）NBR是最适合长株潭核心区的阈值限制指数。由不同指数限制阈值得到的不同森林扰动面积分布信息，用Google Earth历史影像与1999、2004、2009、2014年森林资源连续清查数据对其进行随机布点精度验证得到精度最高的为以NBR限制阈值得到的扰动信息。且长株潭地区地形平缓，扰动指数受地理因素影响较小也与之相符。以NDVI和TCA限制阈值得到的扰动信息用一类调查数据验证得到的精度比NBR略低；可能受到物候及植被生长此类因子的影响。在Google Earth历史影像随机布点的验证精度相差不大，但比NBR稍低。因此本次试验确定NBR是最适合长株潭核心区的阈值限制指数，具有较高的监测精度。

2）监测结果与森林面积变化结果趋势一致。2000—2020年长株潭核心区森林扰动面积在个别年份波动较大，森林面积总体呈先下降后平稳的趋势，总体上森林扰动面积随时间推移呈上升趋势。扰动信息结合2000—2020年森林面积变化数据进行分析，趋势与目视判读结果一致。

3）扰动发生的主要驱动因子为人为因子。扰动主要发生在不透水面与森林交界处，经统计变化类型大部分为由森林转变为居所、耕地等，由此判断主要驱动因子为人为因子。

总体上，2000—2020年长株潭城市群核心区森林扰动分布主要集中于城市与森林交错地区，其他均有零散分布。研究确认了适合长株潭城市群核心区的LandTrendr算法指标为NBR，其主要驱动因子为人为因子。此方法较传统像元计算方法运用的时间更少，数据处理更简便，精度较高，为后续的森林可持续经营、森林扰动监测提供一定的参考。

参考文献：

[1] 蒋馥根，孙华，林辉，等.旺业甸林场人工林生物量遥感反演研究[J].中南林业科技大学学报，2019，39（10）：88-94. JIANG F G， SUN H， LIN H， et al. Remote sensing inversion of plantation biomass in Wangyedian forest farm[J]. Journal of Central South University of Forestry Technology，2019，39（10）： 88-94.

[2] HEALEY S P， COHEN W B， YANG Z， et al. Comparison of tasseled cap-based landsat data structures for use in forest disturbance detection[J]. Remote Sensing of Environment， 2005，97（3）：301-310.

[3] SHIMIZU K， MURAKAMI W， FURUICHI T C.， et al. Land cover changes and forest disturbances in Vietnam using a Landsat Temporal segmentation algorithm[J]. Remote Sensing，2023，15（3）： 851-851.

[4] YIN X， KOU W， YUN T， et al. Tropical forest disturbance monitoring based on multi-source time series satellite images and the LandTrendr algorithm[J]. Forests，2022，13（12）：2038-2038.

[5] 沈文娟，徐婷，李明诗.中国三大林区森林破碎化及干扰模式变动分析[J].南京林业大学学报（自然科学版），2013，37（4）： 75-79. SHEN W J， XU T， LI M S. Spatio-temporal changes in forest fragmentation， disturbance patterns over the three giant forested regions of China[J]. Journal of Nanjing Forestry University（Natural Sciences Edition），2013，37（4）：75-79.

[6] FABIO G， DINO I， JORDI N. A graph-based approach to detect spatiotemporal dynamics in satellite image time series[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2017，2（130）： 92-107.

[7] 龙依，蒋馥根，孙华，等.基于带宽优选地理加权回归模型的深圳市植被碳储量反演[J].生态学报，2022，42（12）：4933-4945. LONG Y， JIANG F G， SUN H， et al. Estimating vegetation carbon storage based on optimal bandwidth selected from geographically weighted regression model in Shenzhen city[J]. Acta Ecological Sinica，2022，42（12）：4933-4945.

[8] NOEL G， MATT H， MIKE D. Google Earth engine： planetaryscale geospatial analysis for everyone[J]. Remote Sensing of Environment，2018，559：7713.

[9] BRETT A B， LEI G， YE Y Q. China’s response to a national landsystem sustainability emergency[J]. Nature，2018，45（12）：559.

[10] 邓目丽，蒋馥根，孙华，等，神木市植被覆盖度时空动态变化分析[J].森林与环境学报，2021，41（6）：611-619. DENG M L， JIANG F G， SUN H， et al. Spatial-temporal dynamic change analysis of vegetation coverage in Shenmu City[J]. Journal of Forest and Environment，2021，41（6）：611-619.

[11] XIA W Q， DUA S H， WANG Y C， et al. A spatiotemporal cube model for analyzing satellite image time series： application to land-cover mapping and change detection[J]. Remote Sensing of Environment，2019，11（12）：231.

[12] 毛丽君，李海涛，薛晓明，等.基于GEE平台的国家公园土地覆盖变化遥感检测方法构建[J].南京林业大学学报（自然科学版），2022，46（2）：213-220. MAO L J， LI H T， XUE X M， et al. Developing remote sensing based methods for land cover change detection in national parks from GEE platform： a case study from the Qianjiangyuan National Park pilot area[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2022，46（2）：213-220.

[13] DANIEL B M， MEHDI C， JANE U J， et al. Ecological stoichiometry and nutrient partitioning in two insect herbivores responsible for large-scale forest disturbance in the Fennoscandian subarctic[J]. Ecological Entomology，2019，44（1）： 118-128.

[14] MUSTHAFA M， SINGH G， KHATI U. Detection of forest disturbance using tandemxpol-insar coherence[J]. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences，2018，5（2）：295.

[15] MICHAEL A W， THOMAS R L， DAVID P R， et al. Current status of Landsat program， science， and applications[J]. Remote Sensing of Environment，2019，225（1）：127-147.

[16] CARDILLE J A， PEREZ E， CROWLEY M A， et al. Multi-sensor change detection for within-year capture and labelling of forest disturbance[J]. Remote Sensing of Environment，2022，268.

[17] SENF C， SEIDL R. Persistent impacts of the 2018 drought on forest disturbance regimes in Europe[J]. Biogeosciences， 2021，18（18）：5223-5230.

[18] 张立福，王飒，刘华亮，等.从光谱到时谱—遥感时间序列变化检测研究进展[J].武汉大学学报（信息科学版），2021，46（4）： 51-60. ZHANG L F， WANG S， LIU H L， et al. From spectral to temporal spectrum-advances in remote sensing time series change detection research[J]. Geomatics and Information Science of Wuhan University，2021，46（4）：51-60.

[19] GIULIA M， DONATO M， RAFFAELLA M， et al. The influence of land abandonment on forest disturbance regimes： a global review[J]. Landscape Ecology，2020，35（4）：1-22.

[20] SENF C， SEIDL R. Mapping the forest disturbance regimes of Europe[J]. Nature Sustainability，2020，4（1）：63-70.

[21] DAFYDD M O， ELIAS， SAMUEL R， et al. Soil microbial community and litter quality controls on decomposition across a tropical forest disturbance gradient[J]. Frontiers in Forests and Global Change，2020，6（3）：81.

[22] JEFF W A， BEN B L， ROBERT T F， et al. Application of multidimensional structural characterization to detect and describe moderate forest disturbance[J]. Ecosphere，2020，11（6）：03156.

[23] ADRIAN O. Forest disturbances in Polish Tatra Mountains for 1985-2016 in relation to topography， stand features， and protection zone[J]. Forests，2020，11（5）：579-579.

[24] JARI K， KAUKO S. Forest disturbances affect functional groups of macrofungi in young successional forests-harvests and fire lead to different fungal assemblages[J]. Forest Ecology and Managemer，2020，463（3）：118039.

[25] ABDOLRASSOUL S， MAIHE E， AFSHIN D， et al. Image texture indices and trend analysis for forest disturbance assessment under wood harvest regimes[J]. Journal of Forestry Research，2020，4（32）：1-9.

[26] SHINGO O， PETE B， CHRIS J C， et al. Mapping forest disturbances between 1987-2016 using all available time series Landsat TM/ETM+ imagery： developing a reliable methodology for Georgia， United States[J]. Forests，2020，11（3）：335-335.

[27] 沈文娟，南方人工林森林干扰和恢复遥感监测研究—以广东省佛冈县为例[D].南京：南京林业大学，2015. SHEN W J. Remote sensing monitoring of forest disturbance and recovery in southern plantation forests： the case of Fogang county， Guangdong province， China[J]. Nanjing： Nanjing Forestry University，2015.

[28] 项卫东，薛建辉.旅游干扰对森林景观与环境的影响[J].南京林业大学学报（自然科学版），2000，24（增刊1）：87-90. XIANG W D， XUE J H. Impacts of tourism disturbance on forest landscapes and environments[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2000，24（Suppl.1）：87-90.

[29] 吕莹莹，任芯雨，李明诗.基于TM/ETM+数据的南京三区域城市森林干扰指数及分析[J].南京林业大学学报（自然科学版），2014，38（1）：78-82. LYU Y Y， REN X Y， LI M S. Accessing forest disturbance patterns over the three forested areas of Nanjing using multitemporal TM/ETM+imagery[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2014，38（1）：78-82.

[30] 钟莉，陈云芝，汪小钦，等.基于Landsat时序数据的森林干扰监测[J].林业科学，2020，56（5）：81-87. ZHONG L， CHEN Y Z， WANG X Q， et al. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sinicae，2020，56（5）：81-87.

[31] 邓目丽，蒋馥根，龙依，等.神木市植被NDVI动态变化及时空格局分析[J].中南林业科技大学学报，2023，43（7）：110-119. DENG M L， JIANG F G， LONG Y， et al. Spatial-temporal dynamic characteristics of NDVI in Shenmu city[J]. Journal of Central South University of Forestry Technology，2023，43（7）：110-119.

[本文编校：罗 列]