动态变化率与最大差值相结合的陆表生态变化检测

动态变化率与最大差值相结合的陆表生态变化检测 Terrestrial change detection integrating the Dynamic Ratio and the Max-difference Algorithm 1 2 first-author 李晓东，男，1977年生，助理研究员，研究方向为遥感应用。E-mail：xiaodonglee@126.com 李晓东，男，1977年生，助理研究员，研究方向为遥感应用。E-mail：xiaodonglee@126.com xiaodonglee@126.com 2 corresp 宋开山，男，1974年生，研究员，研究方向为湿地水环境遥感。E-mail：songks@iga.ac.cn 宋开山，男，1974年生，研究员，研究方向为湿地水环境遥感。E-mail：songks@iga.ac.cn songks@iga.ac.cn 山东省黄河三角洲生态环境重点实验室 滨州学院, 滨州 256603 山东省黄河三角洲生态环境重点实验室 滨州学院, 滨州 256603 Shandong Key Laboratory of Eco-Environmental Science for Yellow River Delta, Binzhou University, Binzhou 256603, China Shandong Key Laboratory of Eco-Environmental Science for Yellow River Delta, Binzhou University, Binzhou 256603, China 中国科学院湿地生态与环境重点实验室 中国科学院东北地理与农业生态应用研究所, 长春 130102 中国科学院湿地生态与环境重点实验室 中国科学院东北地理与农业生态应用研究所, 长春 130102 Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China 为了实现更大尺度上的陆表生态变化检测，一种基于综合生态指数的动态变化检测方法用于不同时期卫星影像变化信息的提取。本文以东北地区的松嫩平原地表植被覆盖类型作为主要研究对象，2006年和2018年作为变化检测研究的标准年，陆地资源卫星影像数据作为实验数据源。动态变化的主要检测内容划分为年内变化和年际变化，最大差值算法计算影像数据的年内最大变化差异，同时动态比率算法计算年际动态变化。方法的实现过程如下，选择3个主要生态指数（水体指数、植被指数和土壤指数）用于计算年内最大差异和年际动态比率。然后，采用主成分分析法提取年内最大差异和年际动态比率的第一主成分，主要研究内容包括年内变化的显著性生态评价和年际变化方向、变换类型的分析与评价以及方法精度的验证。最终结果表明：（1）动态比率算法用于研究区年际变化检测，具有更高的变化检测精度，总体精度为93.80%，Kappa系数为0.876。（2）年内生态指数变化的最大差值用于定量衡量研究区年内变化检测。其中，第一主成分保留了83.04%的变化信息。同时，植被和水体对研究区的陆表生态变化有正方向的贡献。土壤裸露程度对陆表生态变化有负方向贡献。动态比率变化检测方法不需要设定适合的、动态的变化阈值，更便于大范围高效更新土地覆被类型。 The dynamic variation of the ecological environment, as the material basis of human breeding, directly affects people’s quality of life. The terrestrial ecosystem continuously evolves with the developing human society. The rapid and accurate extraction of land-cover change information is conducive to ecological environment protection, the scientific management of natural resources, and the maintaining the human-earth relationship.The objective of this paper is to determine how to construct the dynamic ratio method with the unified threshold to quantitatively measure the change direction, the changed region, and the change type of wetland. On the basis of remote sensing ecological index (i.e., MNDWI, NDVI, and NDSI), the change detection method was proposed to extract the max-difference in the growing season (2018) and the inter-annual dynamic change rate, respectively. The Landsat images data in 2006 and 2018 were used. The main goal is the annual significant assessment of ecological change in land-cover, the determination of the ecological change direction of land-cover, and the analysis of the transformation types of land cover. Principal component analysis was used to extract the first principal component of the monthly max-difference and inter-annual dynamic change rate. Finally, 5626 samples were collected by using visual interpretation. Accuracy assessment was subsequently conducted on the result of the annual and inter-annual change detection. (1) The dynamic ratio method is suitable for the inter-annual change detection in the study area and has higher change detection accuracy and greater stability than single-index (or band) change detection. The overall accuracy of the method is 93.8%, and the Kappa coefficient is 0.876. (2) The monthly max-difference of the ecological indexes (i.e., MNDWI, NDVI, and NDSI) was used to quantitatively measure the annual ecological variation in the study area. Finally, the first principal component retained 83.04% change information. Moreover, land vegetation and water have a positive contribution to the surface ecological change in the study area. The normalized difference soil index contributed negative effects to land ecological change. The dynamic change detection method does not need to set the dynamic threshold, and is more suitable for the efficient updating of land-cover types on a global scale. The quick extracting method of change information with single-phase remote sensing image between two different times enriches remote sensing monitoring technology. Such enhancement is salient especially in the evaluation of land surface ecological factors. It also provides updated data with support for natural resource inventory at the global scale. 变化检测 动态变化率 土地覆被类型 松嫩平原 中国东北 the change detection the Dynamic Ratio method remote sensing land cover Songnen Plain Northeast China 1　引言 1 生态环境是人类生息繁衍的物质基础，生态环境的动态变化直接影响着人类的生活质量（王军 等，2018）。地表生态系统和人类社会都是动态发展和循序演进的。快速而精准的提取地表变化信息有利于生态环境保护和自然资源的科学管理，最终协调人地关系（ 吴炳方 等，2020 吴炳方 等，2020 ； 王志有 等，2020 王志有 等，2020 ）。遥感影像变化检测的研究目的就是提取感兴趣的变化信息，并去除不相干的噪声（ 眭海刚 等，2018 眭海刚 等，2018 ）。不同的变化检测方法和理论模型有着不同的应用领域，常规方法如代数法（ Hussain等，2013 Hussain等，2013 ）、分类后处理法（ Xing等，2017 Xing等，2017 ）；广受重视的面向对象法（ Naidu等，2018 Naidu等，2018 ）和时间序列分析法（ 李权和周兴社，2011 李权和周兴社，2011 ）。随着遥感分类理论的进一步发展，随机森林和深度学习等方法（ Asner等，2002 Asner等，2002 ）的引入进一步拓展了变化检测方法的应用领域和算法的检测精度。这些自动及半自动的变化检测方法已广泛应用于国土资源调查、生态环境变化及其评估、外在因素对生态环境的干扰等领域（ Zanetti和Bruzzone，2008 Zanetti和Bruzzone，2008 ；刘洪超 等，2020； 崔斌 等，2020 崔斌 等，2020 ）。 结合动态变化检测方法的实际应用，变化检测的内容划分为以下几个方面：（1） 基于研究区生态景观指数，研究对象的空间分布格局及其生态因子的驱动力分析作为主要研究内容；主要的变化检测指标包括动态度、质心模型等常规景观生态指数。 王延吉等（2020） 王延吉等（2020） 将东北地区划分了7个生态功能区，对沼泽湿地景观生态格局（面积/斑块数/湿地景观斑块变化率/景观破碎度指数）的变化进行了检测。 周昊昊等（2019） 周昊昊等（2019） 以珠江三角洲滨海湿地为研究对象，主要统计分析了5个时期珠江三角洲滨海湿地的土地利用动态度、马尔柯夫转移矩阵，及其变化特征和影响因素。 满卫东等（2020） 满卫东等（2020） 对东北地区25年（1990年—2015年）的草地变化进行了遥感监测，主要变化检测指标包括了基于面积变化的系列参数（动态度、变化程度综合指数、相对变化率）和基于空间位置变化的系列指数（质心模型和常规景观指数）等。另外， 周婷等（2020） 周婷等（2020） 利用空间自相关分析了中国湿地变化的空间格局； Bovolo和Bruzzone（2009） Bovolo和Bruzzone（2009） 从数据融合的角度讨论了变化检测的可能性。陆表景观生态研究方法多建立在人工分类基础之上，人工解译结果是一系列数据分析的精度保证。遥感分类数据本身的不确定性会对该方向研究结果产生一定的影响。（2）面向国土资源调查领域，主要研究工作是构建适合的变化检测方法，完成地表覆盖类型的周期性更新。主要的变化检测对象为地表覆被类型，并计算该类型的最新面积及其分布范围。 占昭等（2020） 占昭等（2020） 提出一种面向地理国情监测的分类后变化检测方法，充分利用前一时期地表覆盖数据提供的地物类别信息，指导后一时期影像的分类。 杜培军等（2020） 杜培军等（2020） 提出了融合多时相影像像元变化检测和对象实体变化提取的方法，结合已有数据实现了新变化数据的更新。 王志有等（2020） 王志有等（2020） 认为基于像素点的变化检测方法因为直接对影像特征进行提取计算，并得出变化结果，所以不存在中间过程中的误差累积问题，在提高精度方面可控性更强。 Wang等（2019） Wang等（2019） 提出了的面向对象的双约束变化检测方法； Farrag等（2020） Farrag等（2020） 将多期影像数据及其生态指数叠加进行直接分类获取变化信息的方法； 赵展等（2018） 赵展等（2018） 提出一种基于多源数据的多因子变化检测方法。国土资源调查研究多是基于两期影像的光谱信息或纹理信息，进行相关变化信息的提取；同时检测内容侧重于地物位置和范围的变化。多时相数据与综合生态指数可以解决更复杂的地表类型，是提高变化检测精度研究的主要关注方向。（3）地理生态系统反映了包括气候、地形、水、土壤和植被在内的地表资源的空间格局和匹配关系。每个生态区域内的相似生态群落和陆表类型在一定时期内相对稳定。 徐涵秋（2013a） 徐涵秋（2013a） 提出了RSEI （Remote Sensing base Ecological Index） 生态指数，用于衡量地表生态状况。RSEI综合指数通过主成分分析方法集成了绿度、湿度、干度和温度等4个生态指标来评价整个研究区域的生态环境水平。 Zhu等（2019） Zhu等（2019） 选择地理生态分区作为基础数据，对研究区地表生态因子（包括温度、湿度、植被、海拔和坡度等）进行整理和挖掘，设计合理的规则库应用于虚假变化结果的识别和消除。 Lu等（2004） Lu等（2004） 和 Coppin等（2004） Coppin等（2004） 将变化检测应用于地理生态研究领域，主要关注的检测内容是研究区地物性质和状态的变化。地表生态变化应用研究主要是基于单一时相影像对某区域地表生态状况进行评估。本文研究关注的是如何利用年内多时相数据和综合多维生态指数共同表征地表的状态变化，从而达到提高地表变化信息的提取精度。 基于RSEI综合生态指数，本文的主要研究目的是计算研究区地表主要生态因子（包括地表植被、土壤和水体）的年际动态变化率，用于定量衡量地表生态类型的年际变化方向与变化范围；地表生态因子的年内最大差值用于定量衡量地表生态的年内变化格局。该方法能实现大范围高效更新土地覆被类型。 2　研究区和数据 1 2.1　实验区概况 2 东北地区多湖泊沼泽，其中面积在1 km 2 以上的湖泊有418个，总面积约4600 km 2 ，占全国相同级别总数的15.50%，总面积的5.70%（ Zhang等，2019 Zhang等，2019 ）。本研究区选择位于松嫩平原上的4大自然湖泊（包括连环泡、查干湖、月亮泡和大龙虎泡）和一个人工湖泊（南引水库）为中心构成的4大农作区（ 图1 图1 ）。地理经度范围位于121°25'E—126°30'E；纬度范围为44°15'N—48°40'N。研究区的气候属于温带季风性大陆性气候，具有干旱少雨的特点。 松嫩平原是全球典型的土地退化，荒漠化和盐碱化的土地“三化”地区。地表植被类型多样，陆地生态系统的结构和功能复杂。研究区边界的划分依据：（1）国界、省界、市县级行政边界区划；（2）河流等主要自然界线；（3）公路、铁路等主要交通界线。 2.2　遥感数据 2 研究用数据来自于美国地质调查局（USGS）地球资源观测与科学中心（EROS）提供的Landsat TM和 OLI图像（ http：//earthexplorer.usgs.gov/ http://earthexplorer.usgs.gov/ ［2020-06-30］）。从2004年—2018年获取的总共28景Landsat图像（14景Landsat 5 TM和14景Landsat 8 OLI）用于覆盖实验区。收集生长季（松嫩平原地区，每年4月—10月）的月度图像数据集，以提取研究区域内地表的变化信息（ 表1 表1 ）。为避免单一时相影像对年际分类结果的影响，利用5年内的清晰无云TM和OLI影像（ < 10％的云量）组建基准年。2006年和2018年集中了研究区地表生长盛期的关键月份，被确定为实验区土地覆被分类的基准年。然后，基于月值时序数据集合（时间跨度主要集中于生长季）组建多时相（极值与标准差）多维特征（MNDWI、NDVI、NDSI）数据集合，监督分类提取研究区的主要土地覆被类型，作为年际土地覆被分类结果。 实验区 传感器/轨道号 数据收集日期 2 松嫩平原 TM/119028，119029 20060427，20060513，20060529，20040726，20062817，20060918，20061004 OLI/119028，119029 20170409，20170511，20170714，20180802，20180818，20180919，20181005 卫星图像数据预处理还涉及辐射校准，大气校正，几何精校正和相对辐射校正。辐射校正将原始影像值转换为传感器处反射率TOA（Top of Atmosphere Reflectance），以减少不同年份的影像的反射差异；不同时相影像之间的配准采用二次多项式和最邻近象元法，配准的均方根误差小于0.5个像元。相对辐射校正又称辐射归一化，不同于数据预处理过程中的图像辐射校正，处理的目的是减小两期卫星影像数据中辐射波动的影响（ 段依妮 等，2014 段依妮 等，2014 ）。遥感影像的相对辐射校正主要应用于时序影像数据集合的构建，消除因大气和光照条件的不同而引起的两期影像数据的辐射差异（ Xiao等，2016 Xiao等，2016 ）。 2.3　地表生态特征指数 2 为了提高地面物体的变化检测精度，修正的归一化水体指数（MNDWI）结合归一化植被指数（NDVI）、归一化土壤指数（NDSI）被用于提取研究区域内土地覆被类型的变化范围，并进一步确定其变化类型。 （1）NDVI的计算。NDVI由计算 式（1） 式（1） 计算（ Rouse等，1974 Rouse等，1974 ）： <math display="block" id="M1"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>=</mo><mo stretchy="false">(</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mo>-</mo><mi mathvariant="normal">R</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">d</mi><mo stretchy="false">)</mo><mo>/</mo><mo stretchy="false">(</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mo>+</mo><mi mathvariant="normal">R</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">d</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195556&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195553&type= 53.00133133 3.47133350 式中，Red代表红光波段，而NIR为近红外波段。 （2）MNDWI的计算。使用 式（2） 式（2） 计算修正的归一化水体指数（ Xu，2006 Xu，2006 ）： <math display="block" id="M2"><mi mathvariant="normal">M</mi><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mo>=</mo><mo stretchy="false">(</mo><mi mathvariant="normal">G</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi><mo>-</mo><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo><mo>/</mo><mo stretchy="false">(</mo><mi mathvariant="normal">G</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi><mo>+</mo><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195562&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195560&type= 70.78133392 3.47133350 式中，Green表示绿光波段，SWIR1表示Landsat卫星传感器的短波红外光谱波段。 （3）NDSI的计算。归一化土壤指数（NDSI）也被称为归一化差值裸土指数，被用于裸露土地信息的提取（ 徐涵秋，2013b 徐涵秋，2013b ）。 <math display="block" id="M3"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi><mo>=</mo><mo stretchy="false">(</mo><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mn mathvariant="normal">1</mn><mo>-</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mo stretchy="false">)</mo><mo>/</mo><mo stretchy="false">(</mo><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mn mathvariant="normal">1</mn><mo>+</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195569&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195565&type= 61.21400070 3.47133350 3　方法与验证 1 3.1　变化检测方案 2 从生态角度，本次研究与其他方法研究的主要区别在于（1）基于MNDWI、NDVI和NDSI等主要生态指标，计算生态指数的年内最大差值和年际动态变化率，用于定量衡量研究区的变化程度；（2）综合图像变换与像素点值运算，提取年内最大差值和年际动态变化率的第一主成分，标准化后的第一主成分分别用于定量衡量年内和年际地表类型的变化范围；（3）多维特征数据集被构建用于东北地区的地表覆被类型的遥感分类提取。变化检测方法的实现过程如 图2 图2 。 注： MNDWIs、NDVIs、NDSIs中的s指代生态指数在生长季的主要月份（4—10月）的月值数据集合。 地表类型的动态变化检测的主要内容包括：（1）地表年际变化方向与范围；（2）地表构成类型的年际变化时空格局；（3）地表年内变化的显著性。总上，年内变化检测更强调年内生态变化（或波动幅度）的显著性级别分析与评价；年际变化检测关注的是地表构成类型的变换。两种变化检测的实现方法（算法）不同。 3.1.1　年内变化检测 3 （1）最大差值。最大差异值（ Max-Difference ）是遥感监测区域年内变化的最大波动幅度。年内变化检测研究实际收集的时序数据为 j =4、5、6、7、8、9、10月（东北地区生长季的范围为4—10月）遥感影像数据，所以松嫩平原地区年内变化实际为年内生长季的月动态变化检测。生态指数EI（Eco-Index）包含了研究区地表水体指数、植被指数和土壤指数等（ 徐涵秋，2013a 徐涵秋，2013a ）。各月生态指数进行最大差值计算的公式如下： <math display="block" id="M4"><mtable columnalign="left"><mtr><mtd><mi>M</mi><mi>a</mi><mi>x</mi><mo>-</mo><mi>D</mi><mi>i</mi><mi>f</mi><mi>f</mi><mi>e</mi><mi>r</mi><mi>e</mi><mi>n</mi><mi>c</mi><mi>e</mi><mo>=</mo></mtd></mtr><mtr><mtd><mi mathvariant="normal">M</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">X</mi><mo stretchy="false">(</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">4</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">5</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">6</mn></mrow></msub><mo>,</mo><mtext> </mtext><mo>…</mo><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">9</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">10</mn></mrow></msub><mo stretchy="false">)</mo><mo>-</mo></mtd></mtr><mtr><mtd><mi mathvariant="normal">M</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">N</mi><mo stretchy="false">(</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">4</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">5</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">6</mn></mrow></msub><mo>,</mo><mtext> </mtext><mo>…</mo><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">9</mn></mrow></msub><mo>,</mo><mtext> </mtext><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi>i</mi><mo>,</mo><mn mathvariant="normal">10</mn></mrow></msub><mo stretchy="false">)</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195582&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195579&type= 70.52732849 15.07066536 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195590&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195585&type= 4.48733330 3.47133350 式中， Max-Difference i 为研究区地表年内生态变化的最大差异值；EI i，j 为第 i 个地表生态指数（MNDWI、NDVI和NDSI）的第 j 月的月值。研究区的土壤和水体信息的最大差异计算同最大NDVI差异值计算。 （2）显著性分级。陆地资源卫星的时序数据集合计算提取研究区的水文、植被与土壤等生态因子的变化信息。三者的最大差异计算结果进行图层叠合（Layer stack）+主成分分析得到第一主成分（PCA-1）；第一主成分进行数据显著性分级，获取研究区地表生态变化的年内评价结果。 综合生态指数（RSEI）是由植被、水体和土壤等指标通过主成分分析得到的一个集成数值，用于评价监测区域的生态质量。通常，RSEI被转换成85分制或百分制，进一步等间隔分割成5个值域梯度，分别对应差、较差、中等、良和优等5个生态等级（ 徐涵秋，2013a 徐涵秋，2013a ； 刘峰 等，2020 刘峰 等，2020 ）。 3.1.2　年际变化检测 3 （1）动态变化率。根据遥感数据的实际识别能力和陆表的生态状况，动态变化率实际上是两个样本中影像数值增加或减少的定量度量。最终计算公式如下： <math display="block" id="M6"><mi>D</mi><mi>y</mi><mi>n</mi><mi>a</mi><mi>m</mi><mi>i</mi><mi>c</mi><mtext> </mtext><mi>R</mi><mi>a</mi><mi>t</mi><mi>i</mi><mi>o</mi><mo>=</mo><mo stretchy="false">(</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>-</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">)</mo><mo>/</mo><mi mathvariant="normal">M</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mo stretchy="false">(</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>,</mo><mi mathvariant="normal">E</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195597&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20195594&type= 64.68533325 4.57200003 式中，EI 1 和EI 2 表示第1，2年地表生态指数（MNDWI、NDVI和NDSI）的月极大值。两幅图像的平均值（Mean （EI 1 ， EI 2 ））来表示同一位置的生态指数（MNDWI、NDVI和NDSI）的恒定状态，并使用两期数据集的差分来表示生态环境的变化程度。最后，将陆表的动态比率法描述为 式（5） 式（5） 。 （2）显著性分级。通常，陆地覆被类型的未变化区域具有接近于零的像素值，但变化区域的像素值通常大于（或小于）其他区域（ Huang等，2009 Huang等，2009 ）。当差分结果大于（或小于）给定阈值T（-T）时，该情况发生区域被确定为变化区域（ Liu等，2019 Liu等，2019 ）。常规计算方法只关注差分结果，由此引出的问题是差值较大的点未必发生了变化，差值较小的点未必没有变化。 动态比率算法（DRM）反应的是前后期陆表生态指数差异与其生态均值的对比结果。综合水体、植被和土壤等信息的生态指数，动态变化率的正、负值分别代表综合生态指数的正变化方向与负变化方向；年际动态比率第一主成分的显著性分级方法与年内最大差值的显著性分级方法相同。 3.2　陆表类型的遥感提取方案 2 无论多高的空间分辨率，卫星图像数据基本上都是混合像素。不管多么复杂地表覆盖类型，对应于图像像素的主要类型可以利用地表植被、土壤和水体的季节性变化特征去解释。最终，实验区土地类型的遥感分类方案为：NDVI生长季累积和值+NDVI均值+NDVI标准差+ NDSI累积和值+NDSI均值+NDSI标准差+ MNDWI累积和值+MNDWI均值+MNDWI标准差+DEM +SVM分类算法。本研究使用的分类算法是支持向量机（SVM），因为SVM算法可以在实验区选取的小样本基础上获得更好的分类精度。 3.3　对比方法与精度验证 2 3.3.1　对比方法的选择 3 对比分析方法的选择完全遵从实际应用的特点，遥感软件ENVI中的地表覆盖类型变化检测方法包括基于图像的直接差分（DIFF），分类后比较（PCC），双色多视图方法，光谱角检测方法（SPAD），PCA变换和MNF变换方法。按照计算结果精度的先后顺序，ENVI软件平台中ENVI_SPAD和ENVI_DIFF算法模型提取的变化结果用于本次变化检测精度的比较分析。 3.3.2　分类训练与精度验证 3 为了确保实验区内地表覆被类型的代表性，已有的遥感解释分类结果——全球表面覆盖率遥感数据产品（GlobeLand30）和 Google Earth 高分辨率图像作为采样点上地表类型数据集的参考依据。松嫩平原收集了5626个样本。其中，109个2016-09的野外采样点和2517个基于Google Earth高清卫星影像的人工解译样点分布在湿地区域，3000个采样点分布在非湿地类型区域。为了避免随机选取样本的片面性和不完整性，2100个非湿地样本和1838个湿地样本用于研究区土地覆被类型的遥感分类提取。最后，900个非湿地样本和788个湿地样本用于分类精度的验证分析。研究区的主要土地覆被类别分为：裸露土地、林地、草地、天然湿地（恒定水体，沼泽和河漫滩地）、旱田和人工湿地（水田）。 最终，定量评估变化检测结果的主要方法包括总体精度OA（Overall Accuracy）， Kappa 系数（KC），误检率（Fdr）和漏检率（Mdr）。其中，误检率是将未改变的样本作为变化样本的比例。漏检率是变化样本被检测为未变化样点的比例，这反映了变化检测结果中丢失变化样本的可能性（ Zhuang等，2018 Zhuang等，2018 ）。 4　结果分析与讨论 1 4.1　年内变化检测结果 2 （1）年内变化的生态分级。为了方便进行显著性分析，最终该结果的第一主成分被正规化到［0，1］区间，年内的最大变化差异划分为：［0，0.2）、［0.2，0.4）、［0.4，0.6］、（0.6，0.8］、（0.8，1］，分别代表极不显著、不显著、中等、显著、极显著5个生态等级。以2018年为例，研究区陆表主要生态指数（MNDWI、NDVI、NDSI）的年内最大变化差异计算第一主成分，用于代表该区域内的年内生态变化。 研究区陆表年内变化的生态评价结果表明（ 图3 图3 ）：大龙虎泡、连环泡地表生态指数变化以中等为主，说明该区域内年内生态环境相对稳定；南引水库区域内部分湖泊面积的季节性干湿变化较大，陆表生态因子的年内变化表现出极显著性级别。月亮泡北部低洼区域接受丰水期嫩江来水，陆表生态因子的年内变化表现为极显著性级别；查干湖周边是吉林西部的主要农作区——水田和旱田的主要分布区，灌溉型农业特点下，该区域是松嫩平原陆表生态因子年内变化较为显著的地区。 1,2;3,4;5; （2）年内变化检测的合理性。主成分分析法根据各个指标对主分量的贡献程度来确定各个因子的权重，避免人工设定权重而造成不必要的误差，是一种非常经典而常用的数学统计分析方法。主要生态指数（MNDWI、NDVI、NDSI）的年内最大变化差异与其计算的第一主成分进行相关性分析，最终结果见 表2 表2 与 表3 表3 。 类型 PCA_1 PCA_2 PCA_3 MNDWI 0.652 0.635 0.414 NDVI 0.67 -0.228 -0.706 NDSI -0.354 0.738 -0.575 特征值 0.189 0.029 0.01 特征值贡献率/% 83.04 12.6 4.36 指标 MNDWI NDVI NDSI PCA_1 MNDWI 1 0.804 0.574 0.95 NDVI 1 0.777 0.945 NDSI 1 0.75 由 表2 表2 、 表3 表3 可以看出，研究区各生态指数差异的第一主成分具有以下特征：（1）PCA_1的贡献率大于80.00%，并与3个生态指数都具有较高的相关性（相关系数大于0.70）。第一主成分集中了3个生态因子的大部分年内变化信息；（2）代表植被的NDVI和代表水体的MNDWI表现为正值，说明两者对研究区的陆表生态变化具有正方向的贡献。土壤指数表现为负值，说明裸露的土壤具有加速陆表生态条件恶化的特点。 4.2　年际变化检测 2 （1）年际变化方向。为了便于分析地表生态变化方向和显著性等级，动态比率的第一主成分被标准化成［-1，1］的值域范围，进一步将其分隔成5个生态等级：［-1，-0.6）、［-0.6，-0.2）、［-0.2，0.2］、（0.2，0.6］、（0.6，1］，分别代表显著负变化方向、偏负方向、稳定、偏正方向、显著正变化方向。最终，［-1，-0.6）和（0.6，1］作为两个极显著变化值域，被确定为年际动态检测的变化范围。 2006年，2018年作为主要年际变化检测时段，研究区陆表主要生态指数（MNDWI、NDVI、NDSI）年际变化的动态比率计算第一主成分，用于定量衡量该区域内的年际变化方向。研究区陆表生态的年际变化方向的结果表明（ 图4 图4 ）：大龙虎泡和连环泡周边陆表生态变化整体稳定，连环泡局部地表表现为负方向变化（生态条件退化）；查干湖周边生态因子变化相对稳定，局部区域内存在明显的退化和改善特点。南引水库为松嫩平原地区沼泽湿地改垦为水田的典型区域，生态变化以退化为主；月亮泡东侧的嫩江滩地为旱田与水田的交错开垦区域，生态变化表现为退化与改善同时存在。 1,2;3,4;5; （2）湿地类型。NDVI、MNDWI和NDSI等3个陆地生态指标，通过极大值和标准差计算，构建多维特征数据集合用于东北地区土地覆被类型的遥感分类提取。为保证分类结果的一致性，轨道号119028、119029的影像数据按月镶嵌（Mosaic）成一景影像。然后，每年7个月的月值NDVI、MNDWI和NDSI经过极值处理获得松嫩平原的两个标准年（2006年和2018年）的分类数据集。最终，两年的有监分类结果经过四个实验区的矢量数据进行剪裁，得到2006年和2018年的连环泡—龙虎泡、月亮泡、南引水库和查干湖等8个分类结果（ 图5 图5 ）。 1,2,3,4;5,6,7,8;9; 松嫩平原地区主要土地覆被类型的分类精度如下 表4 表4 所示。 2 类别 2 松嫩平原 OA/% Kappa系数 2006 84.12 0.818 2018 87.26 0.854 1688个样点用于研究区地表类型混淆矩阵的计算，占总样本数的30.00%。2006年、2018年标准年分类结果的混淆矩阵如下 表5 表5 所示。 注： F，林地；W，水体；M，沼泽；G，草地；FA，旱田；P，水田；BL，裸露土地；SW，季节性河漫滩地；UA，用户精度；PA，生产精度。 11 2006年分类结果的混淆矩阵 11 2018年分类结果的混淆矩阵 Class F W M G FA P BL SW UA PA Class F W M G FA P BL SW UA PA F 150 0 5 0 0 0 0 0 96.77 78.13 F 169 0 0 0 0 0 3 0 98.26 88.02 W 0 183 0 0 0 0 7 9 91.96 85.92 W 0 165 5 0 0 0 0 18 87.77 77.46 M 0 2 225 12 0 38 0 14 77.32 86.21 M 0 2 217 1 0 0 2 0 97.75 83.14 G 37 0 0 157 20 0 24 0 65.97 77.72 G 9 0 0 171 8 0 10 1 85.93 84.65 FA 5 0 0 0 161 0 0 0 96.99 87.50 FA 7 0 39 25 165 9 0 0 67.35 89.67 P 0 0 1 33 0 197 0 0 85.28 83.83 P 7 31 0 0 11 226 0 7 80.14 96.17 BL 0 0 0 0 3 0 163 0 98.19 84.02 BL 0 15 0 5 0 0 178 0 89.9 91.75 SW 0 28 30 0 0 0 0 184 76.03 88.89 SW 0 0 0 0 0 0 1 181 99.45 87.44 使用 ENVI5.1中的混淆矩阵评估分类结果的准确性，最终结果表明（ 表 4 表 4 、 表 5 表 5 ）：所有实验区土地覆被类型分类结果的整体分类精度和 Kappa 系数分别达到 85.69%和0.836，分类结果可以代表研究区土地覆盖类型的实际分布。松嫩平原是中国北方主要农业区。湖泊成为当地农业用水主要来源，所以旱田、水田等人工设施多围绕分布在湖泊周围。 （3）年际变化类型。基于NDVI、MNDWI和NDSI等3个陆地生态指标，多维特征数据集合被构建用于研究区2006年、2018年土地覆被类型的遥感分类。结合研究区的陆表生态因子的年际极显著变化级别，最终确定年际变化范围内发生变化了的土地覆被类型。统计结果表明（ 图6 图6 ）： 1,2;3,4;5; 2006年—2018年，月亮泡周边区域内土地覆被类型变化面积为698 km 2 。其中，由农田开垦引起的土地覆被类型变化面积占总变化面积的46.28%，主要变换类型为湿地开垦为旱田和水田；南引水库区域内地表类型变化面积为1195 km 2 。其中，水体面积的减退引起的土地覆被类型变化面积占总变化面积的67.70%，主要变换类型为库区内旱田与水田的开垦。连环泡、大龙虎泡周边土地覆被类型的变化总面积为844 km 2 。其中，水文波动及其湖区地表的沼泽化引起的土地覆被类型变化面积占总变化面积的65.79%，主要变换类型为旱田、草地和裸地等土地类型的沼泽化；查干湖区域内土地覆被类型变化总面积为1640 km 2 。其中，由于水体面积变化和沼泽化引起的土地类型的变化面积占总变化面积的32.00%，水田的开垦面积占总变化面积的24.30%。 4.3　年际变化检测的对比分析 2 4.3.1　不同检测方法 3 不同方法计算得到土地覆被类型变化检测的结果表明（ 表6 表6 ）：DIFF方法具有较高的漏检率（17.50%）和较低的误检率（2.10%），实际上，基于单一波段差异，DIFF方法可以检测并提取的陆表变化信息检测相对较少，所以造成了相对较低的误检率和较高的漏检率。基于光谱角函数差异SPAD实现对陆表变化信息的检测，这一特性要求陆表发生变化的信息与周围环境具有明显不同的光谱特征。DRM方法检测精度最高（93.80%）。 2 研究区 2 类型 3 方法 DRM ENVI_SPAD ENVI_DIFF 6 松嫩平原 正检率 91 85 78 漏检率 2 8 17 误检率 4 4 2 Kappa 0.876 0.753 0.607 OA 93.80 87.60 80.40 总计 97 97 97 4.3.2　土地覆被类型与变化检测精度的相关性 3 分类统计实验区的误检像素与漏检像素数量。依据2006年和2018年实验区土地覆被类型，统计分析实验区误检与漏检像素和土地覆被类型的相关关系。最终，松嫩平原实验区共统计3573799个像素点（ 图 7 图 7 ）。 1;2;3; 在DRM、SPAD和DIFF等变化检测方法的计算结果中，漏检像素点在总统计像素点数中的占比分别为26.39%，27.21%，34.38%。DRM、SPAD和DIFF等变化检测方法的误检像素点分别占统计像素点数的2.34%，2.31%和0.28%。 误检的像素点多为沼泽与水体等湿地类型；裸露土地与水田等也表现出较高的误检率。漏检的像素点主要集中在草地、旱田等中低植被覆盖类型，其他类型变化检测结果中，DRM方法的漏检率要低于直接差分与波谱角分析。 5　结论 1 本研究基于多时相的遥感影像数据，利用最大差值计算研究区地表生态因子的年内变化，并结合主成分分析方法定量衡量年内变化级别，实现年内动态检测；同时，利用动态比率计算研究区地表生态因子的年际变化，并结合主成分分析定量衡量年际变化方向，确定变化范围及其变换类型，实现年际动态检测。主要结论如下： （1）年内变化检测结果表明，嫩江作为流经该研究区的主要河流，成为本地农业发展的主要使用水源之一。嫩江的水位波动直接造成两岸年内生态因子的显著性变化（月亮泡和查干湖周边土地类型），而松嫩平原内陆的实验区地表生态因子的年内变化相对稳定（南引水库、大龙虎泡和连环泡周边土地类型）。 （2）年际变化检测结果表明，2006年—2018年，大龙虎泡和连环泡周边生态条件相对稳定，未发生明显的改善或退化特点。月亮泡、查干湖和南引水库周边地表生态因子年际变化表现为显著的负方向变化。农田开垦是主要影响因子。3个年际变化检测方法（DRM/DIFF/SPAD）的对比分析结果表明，DRM方法检测精度最高（93.80%）。 在实现地表生态因子的年际变化检测过程中，动态变化率不涉及分类型设定对应变化检测阈值。其次，利用3个主要生态因子的动态变化率来定量衡量地表年际变化的方向，进而确定变化范围。弥补了单一波段（或者单一指数）进行变化信息提取的不足，能更好的适应各种地物类型变化信息的提取。因此，在大范围土地覆被类型更新工作中，动态变化率检测方法能提供更高的精度和效率。 方法的不足之处也很明显。对于中、低植被覆盖类型的年际变化信息的提取，动态变化率检测方法的检测精度较低。这需要进一步的研究和改进，比如引入空间纹理特征信息增加中低植被覆盖类型的检测精度。 参考文献（References） Asner G P , Keller M , Pereira Jr R and Zweede J C . 2002 . Remote sensing of selective logging in Amazonia: assessing limitations based on detailed field observations, Landsat ETM+, and textural analysis . Remote Sensing of Environment , 80 ( 3 ): 483 - 496 [ DOI: 10.1016/S0034-4257(01)00326-1 http://dx.doi.org/10.1016/S0034-4257(01)00326-1 ] Remote sensing of selective logging in Amazonia: assessing limitations based on detailed field observations, Landsat ETM+, and textural analysis Bovolo F and Bruzzone L . 2009 . An adaptive multiscale random field technique for unsupervised change detection in VHR multitemporal images // Proceedings of 2009 IEEE International Geoscience and Remote Sensing Symposium . Cape Town, South Africa : IEEE [ DOI: 10.1109/IGARSS.2009.5417492 http://dx.doi.org/10.1109/IGARSS.2009.5417492 ] An adaptive multiscale random field technique for unsupervised change detection in VHR multitemporal images Coppin P , Jonckheere I , Nackaerts K and Lambin E . 2004 . Review article digital change detection methods in ecosystem monitoring: a review . International Journal of Remote Sensing , 25 ( 9 ): 1565 - 1596 [ DOI: 10.1080/0143116031000101675 http://dx.doi.org/10.1080/0143116031000101675 ] Review article digital change detection methods in ecosystem monitoring: a review Cui B , Zhang Y H , Yan L and Wei J J . 2020 . Dual-thresholds change detection in GF-3 SAR images . Journal of Remote Sensing(Chinese) , 24 ( 1 ): 1 - 10 Dual-thresholds change detection in GF-3 SAR images 崔斌 , 张永红 , 闫利 , 魏钜杰 . 2020 . 高分三号SAR影像双阈值变化检测 . 遥感学报 , 24 ( 1 ): 1- 10 [ DOI： 10.11834/jrs.20208179 http://dx.doi.org/10.11834/jrs.20208179 ] 高分三号SAR影像双阈值变化检测 Du P J , Wang X , Meng Y P , Lin C , Zhang P and Lu G . 2020 . Effective change detection approaches for geographic national condition monitoring and land cover map updating . Journal of Geo-information Science , 22 ( 4 ): 857 - 866 Effective change detection approaches for geographic national condition monitoring and land cover map updating 杜培军 , 王欣 , 蒙亚平 , 林聪 , 张鹏 , 卢刚 . 2020 . 面向地理国情监测的变化检测与地表覆盖信息更新方法 . 地球信息科学学报 , 22 ( 4 ): 857- 866 [ DOI: 10.12082/dqxxkx.2020.190747 http://dx.doi.org/10.12082/dqxxkx.2020.190747 ] 面向地理国情监测的变化检测与地表覆盖信息更新方法 Duan Y N , Zhang L F , Yan L , Wu T X , Liu Y S and Tong Q X . 2014 . Relative radiometric correction methods for remote sensing images and their applicability analysis . Journal of Remote Sensing , 18 ( 3 ): 597 - 617 Relative radiometric correction methods for remote sensing images and their applicability analysis 段依妮 , 张立福 , 晏磊 , 吴太夏 , 刘跃生 , 童庆禧 . 2014 . 遥感影像相对辐射校正方法及适用性研究 . 遥感学报 , 18 ( 3 ): 597- 617 [ DOI: 10.11834/jrs.20143204 http://dx.doi.org/10.11834/jrs.20143204 ] 遥感影像相对辐射校正方法及适用性研究 Farrag A F , Mostafa Y G and Mohamed N A . 2020 . Detecting land cover changes using VHR satellite images: a comparative study . Journal of Engineering Sciences Assiut University Faculty of Engineering , 48 ( 2 ): 200 - 211 [ DOI: 10.13140/RG.2.2.13322.62403 http://dx.doi.org/10.13140/RG.2.2.13322.62403 ] Detecting land cover changes using VHR satellite images: a comparative study Huang C Q , Goward S N , Schleeweis K , Thomas N , Masek J G and Zhu Z L . 2009 . Dynamics of national forests assessed using the Landsat record: case studies in eastern United States . Remote Sensing of Environment , 113 ( 7 ): 1430 - 1442 [ DOI: 10.1016/j.rse.2008.06.016 http://dx.doi.org/10.1016/j.rse.2008.06.016 ] Dynamics of national forests assessed using the Landsat record: case studies in eastern United States Hussain M , Chen D M , Cheng A , Wei H and Stanley D . 2013 . Change detection from remotely sensed images: From pixel-based to object-based approaches . ISPRS Journal of Photogrammetry and Remote Sensing , 80 : 91 - 106 [ DOI: 10.1016/j.isprsjprs.2013.03.006 http://dx.doi.org/10.1016/j.isprsjprs.2013.03.006 ] Change detection from remotely sensed images: From pixel-based to object-based approaches Li Q and Zhou X S . 2011 . Multivariate time series anomaly detection method based on KPCA . Computer Measurement and Control , 19 ( 4 ): 822 - 825 Multivariate time series anomaly detection method based on KPCA 李权 , 周兴社 . 2011 . 基于KPCA的多变量时间序列数据异常检测方法研究 . 计算机测量与控制 , 19 ( 4 ): 822- 825 [ DOI: 10.16526/j.cnki.11-4762/tp.2011.04.071 http://dx.doi.org/10.16526/j.cnki.11-4762/tp.2011.04.071 ] 基于KPCA的多变量时间序列数据异常检测方法研究 Liu F , Yang G , Han X Y , Jia G P and Wang N . 2020 . Dynamic monitoring of eco-environmental quality in Horqin sandy land by remote sensing—a case study of Naiman banner . Research of Soil and Water Conservation , 27 ( 5 ): 244 - 249, 258 Dynamic monitoring of eco-environmental quality in Horqin sandy land by remote sensing—a case study of Naiman banner 刘峰 , 杨光 , 韩雪莹 , 贾光普 , 王宁 . 2020 . 科尔沁沙地生态环境质量遥感动态监测——以奈曼旗为例 . 水土保持研究 , 27 ( 5 ): 244 - 249 , 258 [ DOI: 10.13869/j.cnki.rswc.20200518.001 http://dx.doi.org/10.13869/j.cnki.rswc.20200518.001 ] 科尔沁沙地生态环境质量遥感动态监测——以奈曼旗为例 Liu H C and Zhang L . 2020 . Adaptive threshold change detection based on type feature for remote sensing image . Journal of Remote Sensing（Chinese） ， 24 ( 6 )： 728 - 738 Adaptive threshold change detection based on type feature for remote sensing image 刘红超 ， 张磊 . 2020 . 面向类型特征的自适应阈值遥感影像变化检测 . 遥感学报 ， 24 ( 6 )： 728- 738 [ DOI： 10.11834/jrs.20208328 http://dx.doi.org/10.11834/jrs.20208328 ] 面向类型特征的自适应阈值遥感影像变化检测 Liu X H , Zhang Y , Dong G H , Hou G L and Jiang M . 2019 . Landscape pattern changes in the Xingkai Lake Area, Northeast China . International Journal of Environmental Research and Public Health , 16 ( 20 ): 3820 [ DOI: 10.3390/ijerph16203820 http://dx.doi.org/10.3390/ijerph16203820 ] Landscape pattern changes in the Xingkai Lake Area, Northeast China Lu D , Mausel P , Brondízio E and Moran E . 2004 . Change detection techniques . International Journal of Remote Sensing , 25 ( 12 ): 2365 - 2401 [ DOI: 10.1080/0143116031000139863 http://dx.doi.org/10.1080/0143116031000139863 ] Change detection techniques Man W D , Liu M Y , Wang Z M , Hao Y F , Xiang H X , Wei S Y , Mao D H , Jia M M and Ren C Y . 2020 . Remote sensing investigation of grassland change in Northeast China during 1990 ~ 2015 . China Environmental Science , 40 ( 5 ): 2246 - 2253 Remote sensing investigation of grassland change in Northeast China during 满卫东 , 刘明月 , 王宗明 , 郝玉峰 , 相恒星 , 魏思怡 , 毛德华 , 贾明明 , 任春颖 . 2020 . 1990~2015年东北地区草地变化遥感监测研究 . 中国环境科学 , 40 ( 5 ): 2246- 2253 [ DOI: 10.19674/j.cnki.issn1000-6923.2020.0257 http://dx.doi.org/10.19674/j.cnki.issn1000-6923.2020.0257 ] 1990~2015年东北地区草地变化遥感监测研究 Naidu M S R , Kumar P R and Chiranjeevi K . 2018 . Shannon and fuzzy entropy based evolutionary image thresholding for image segmentation . Alexandria Engineering Journal , 57 ( 3 ): 1643 - 1655 [ DOI: 10.1016/j.aej.2017.05.024 http://dx.doi.org/10.1016/j.aej.2017.05.024 ] Shannon and fuzzy entropy based evolutionary image thresholding for image segmentation Rouse Jr J W , Haas R H , Schell J A and Deering D W . 1974 . Monitoring Vegetation Systems in the Great Plains with ERTS // Proceedings of the 3rd Earth Resources Technology Satellite . Washington, DC : NASA : 309 - 317 Monitoring Vegetation Systems in the Great Plains with ERTS Sui H G , Feng W Q , Li W Z , Sun K M and Xu C . 2018 . Review of change detection methods for multi-temporal remote sensing imagery . Geomatics and information Science of Wuhan University , 43 ( 12 ): 1885 - 1898 Review of change detection methods for multi-temporal remote sensing imagery 眭海刚 , 冯文卿 , 李文卓 , 孙开敏 , 徐川 . 2018 . 多时相遥感影像变化检测方法综述 . 武汉大学学报(信息科学版) , 43 ( 12 ): 1885- 1898 [ DOI: 10.13203/j.whugis20180251 http://dx.doi.org/10.13203/j.whugis20180251 ] 多时相遥感影像变化检测方法综述 Wang Y J , Shen X J and Lü X G . 2020 . Change characteristics of landscape pattern and climate in marsh areas of northeast China during 1980 - 2015 . Earth and Environment , 48 ( 3 ): 348 - 357 Change characteristics of landscape pattern and climate in marsh areas of northeast China during 王延吉 , 神祥金 , 吕宪国 . 2020 . 1980~2015年东北沼泽湿地景观格局及气候变化特征 . 地球与环境 , 48 ( 3 ): 348- 357 [ DOI: 10.14050/j.cnki.1672-9250.2020.48.050 http://dx.doi.org/10.14050/j.cnki.1672-9250.2020.48.050 ] 1980~2015年东北沼泽湿地景观格局及气候变化特征 Wang Z H , Liu Y L , Ren Y H and Ma H J . 2019 . Object-level double constrained method for land cover change detection . Sensors , 19 ( 1 ): 79 [ DOI: 10.3390/s19010079 http://dx.doi.org/10.3390/s19010079 ] Object-level double constrained method for land cover change detection Wang Z Y , Li H , Liu Z Z , Wu J M and Shi Z X . 2020 . Satellite image change monitoring based on deep learning algorithm . Computer Systems and Applications , 29 ( 1 ): 40 - 48 Satellite image change monitoring based on deep learning algorithm 王志有 , 李欢 , 刘自增 , 吴加敏 , 施祖贤 . 2020 . 基于深度学习算法的卫星影像变化监测 . 计算机系统应用 , 29 ( 1 ): 40- 48 [ DOI: 10.15888/j.cnki.csa.007233 http://dx.doi.org/10.15888/j.cnki.csa.007233 ] 基于深度学习算法的卫星影像变化监测 Wu B F ， Zeng Y ， Yan N N ， Zeng H W ， Zhao D and Zhang M . 2020 . Remote sensing for ecosystem：Definition and prospects . Journal of Remote Sensing(Chinese) ， 24 ( 6 )： 609 - 617 Remote sensing for ecosystem：Definition and prospects 吴炳方 ， 曾源 ， 闫娜娜 ， 曾红伟 ， 赵旦 ， 张淼 . 2020 . 生态系统遥感：内涵与挑战 . 遥感学报 ， 24 ( 6 )： 609- 617 [ DOI： 10.11834/jrs.20209247 http://dx.doi.org/10.11834/jrs.20209247 ] 生态系统遥感：内涵与挑战 Xiao P F , Zhang X L , Wang D G , Yuan M , Feng X Z and Kelly M . 2016 . Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition . ISPRS Journal of Photogrammetry and Remote Sensing , 119 : 402 - 414 [ DOI: 10.1016/j.isprsjprs.2016.07.003 http://dx.doi.org/10.1016/j.isprsjprs.2016.07.003 ] Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition Xing H Q , Chen J , Wu H , Zhang J , Li S N and Liu B Y . 2017 . A service relation model for web-based land cover change detection . ISPRS Journal of Photogrammetry and Remote Sensing , 132 : 20 - 32 [ DOI: 10.1016/j.isprsjprs.2017.08.007 http://dx.doi.org/10.1016/j.isprsjprs.2017.08.007 ] A service relation model for web-based land cover change detection Xu H Q . 2006 . Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery . International Journal of Remote Sensing , 27 ( 14 ): 3025 - 3033 [ DOI: 10.1080/01431160600589179 http://dx.doi.org/10.1080/01431160600589179 ] Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery Xu H Q . 2013a . A remote sensing index for assessment of regional ecological changes . China Environmental Science , 33 ( 5 ): 889 - 897 A remote sensing index for assessment of regional ecological changes 徐涵秋 . 2013a . 区域生态环境变化的遥感评价指数 . 中国环境科学 , 33 ( 5 ): 889- 897 [ DOI: 10.3969/j.issn.1000-6923.2013.05.019 http://dx.doi.org/10.3969/j.issn.1000-6923.2013.05.019 ] 区域生态环境变化的遥感评价指数 Xu H Q . 2013b . Spatiotemporal dynamics of the bare soil cover in the Hetian basinal area of county Changting , China , during the past 35 years . Acta Ecologica Sinica, 33 ( 10 ): 2945 - 2953 years 徐涵秋 . 2013b . 福建省长汀县河田盆地区近35年来地表裸土变化的遥感时空分析 . 生态学报 , 33 ( 10 ): 2945-2953 [ DOI: 10.5846/stxb201204210575 http://dx.doi.org/10.5846/stxb201204210575 ] 福建省长汀县河田盆地区近35年来地表裸土变化的遥感时空分析 Zanetti M and Bruzzone L . 2008 . A theoretical framework for change detection based on a compound multiclass statistical model of the difference image . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 2 ): 1129 - 1143 [ DOI: 10.1109/TGRS.2017.2759663 http://dx.doi.org/10.1109/TGRS.2017.2759663 ] A theoretical framework for change detection based on a compound multiclass statistical model of the difference image Zhan Z , Shi W Z and Zhang M . 2020 . A land cover change detection and updating method for geographic national conditions monitoring . Journal of Geomatics , 45 ( 3 ): 24 - 28 A land cover change detection and updating method for geographic national conditions monitoring 占昭 , 史文中 , 张敏 . 2020 . 一种面向地理国情监测的地表覆盖变化检测与更新方法 . 测绘地理信息 , 45 ( 3 ): 24- 28 [ DOI: 10.14188/j.2095-6045.2018173 http://dx.doi.org/10.14188/j.2095-6045.2018173 ] 一种面向地理国情监测的地表覆盖变化检测与更新方法 Zhang Y , Zang S Y , Sun L , Yan B H , Yang T P , Yan W J , Meadows M E , Wang C Z and Qi J G . 2019 . Characterizing the changing environment of cropland in the Songnen Plain, Northeast China, from 1990 to 2015 . Journal of Geographical Sciences , 29 ( 5 ): 658 - 674 [ DOI: 10.1007/s11442-019-1620-3 http://dx.doi.org/10.1007/s11442-019-1620-3 ] Characterizing the changing environment of cropland in the Songnen Plain, Northeast China, from 1990 to 2015 Zhao Z , Xia W and Yan L . 2018 . Land use change detection based on multi-source data . Remote Sensing for Land and Resources , 30 ( 4 ): 148 - 155 Land use change detection based on multi-source data 赵展 , 夏旺 , 闫利 . 2018 . 基于多源数据的土地利用变化检测 . 国土资源遥感 , 30 ( 4 ): 148- 155 [ DOI: 10.6046/gtzyyg.2018.04.22 http://dx.doi.org/10.6046/gtzyyg.2018.04.22 ] 基于多源数据的土地利用变化检测 Zhou H H , Du J , Nan Y , Song K S , Zhao B Y and Xiang X Y . 2019 . Landscape patterns of coastal wetlands in pearl river delta and their changes for 5 periods since 1980 . Wetland Science , 17 ( 5 ): 559 - 566 Landscape patterns of coastal wetlands in pearl river delta and their changes for 5 periods since 1980 周昊昊 , 杜嘉 , 南颖 , 宋开山 , 赵博宇 , 项小云 . 2019 . 1980年以来5个时期珠江三角洲滨海湿地景观格局及其变化特征 . 湿地科学 , 17 ( 5 ): 559- 566 [ DOI: 10.13248/j.cnki.wetlandsci.2019.05.009 http://dx.doi.org/10.13248/j.cnki.wetlandsci.2019.05.009 ] 1980年以来5个时期珠江三角洲滨海湿地景观格局及其变化特征 Zhou T , Ma J J and Xu S J . 2020 . Spatial patterns and spatial autocorrelations of wetland changes in China during 2003 - 2013 . Environmental Science , 41 ( 5 ): 2496 - 2504 Spatial patterns and spatial autocorrelations of wetland changes in China during 周婷 , 马姣娇 , 徐颂军 . 2020 . 2003~2013年中国湿地变化的空间格局与关联性 . 环境科学 , 41 ( 5 ): 2496- 2504 [ DOI: 10.13227/j.hjkx.202001005 http://dx.doi.org/10.13227/j.hjkx.202001005 ] 2003~2013年中国湿地变化的空间格局与关联性 Zhu L , La Y X , Shi R M and Peng S . 2019 . Land cover spurious change detection using a geo-eco zoning rule base // Proceeding of 2019 IEEE International Geoscience and Remote Sensing Symposium . Yokohama, Japan : IEEE : 6507 - 6510 [ DOI: 10.1109/IGARSS.2019.8898124 http://dx.doi.org/10.1109/IGARSS.2019.8898124 ] Land cover spurious change detection using a geo-eco zoning rule base Zhuang H F , Fan H D , Deng K Z and Yao G B . 2018 . A spatial-temporal adaptive neighborhood-based ratio approach for change detection in SAR images . Remote Sensing , 10 ( 8 ): 1295 [ DOI: 10.3390/rs10081295 http://dx.doi.org/10.3390/rs10081295 ] A spatial-temporal adaptive neighborhood-based ratio approach for change detection in SAR images 10.11834/jrs.20210129 1007-4619（2021）06-1338-13 李晓东，宋开山.2021.动态变化率与最大差值相结合的陆表生态变化检测.遥感学报，25（6）： 1338-1350 李晓东，宋开山.2021.动态变化率与最大差值相结合的陆表生态变化检测.遥感学报，25（6）： 1338-1350 Li X D and Song K S. 2021. Terrestrial change detection integrating the Dynamic Ratio and the Max-difference Algorithm. National Remote Sensing Bulletin， 25（6）：1338-1350 Li X D and Song K S. 2021. Terrestrial change detection integrating the Dynamic Ratio and the Max-difference Algorithm. National Remote Sensing Bulletin， 25（6）：1338-1350 国家重点研发计划（编号：2016YFB0501502）；吉林省教育厅“十三五”科学技术研究项目（编号：JJKH20170005KJ）；博士科研启动基金（编号：801002020107） Supported by National Key Research and Development Program of China (No. 2016YFB0501502) 2020-06-30 2021-06-07 2021-09-18 2020-10-12 遥感学报 6 25