基于面向对象变化向量分析法的遥感影像森林变化检测

李春干， 梁文海

(1.广西大学林学院,南宁 530004； 2.广西林业勘测设计院,南宁 530011)

基于面向对象变化向量分析法的遥感影像森林变化检测

李春干1， 梁文海2

(1.广西大学林学院,南宁 530004； 2.广西林业勘测设计院,南宁 530011)

为探讨用于森林资源数据库更新的森林变化空间信息采集方法，以林地变化频繁快速、变化图斑多且小的广西上思县局部区域为研究区，以资源三号(ZY-3)和高分一号(GF-1)高空间分辨率卫星遥感图像和小班专题图为数据源，采用面向对象的变化向量分析(change vector analysis,CVA)方法，基于马氏距离、欧氏距离和相对误差距离度量变化强度，通过目标函数确定最佳检测阈值，以小班为单元进行森林变化检测。结果表明，用欧氏距离、马氏距离检测的森林变化结果都不甚理想，漏检率和误检率高，总体精度较低，Kappa系数较小； 用相对误差距离检测的结果较好，漏检率(21.0%)和误检率(32.5%)均最小，总体精度最高(89.6%)，Kappa系数最大(0.664)； 误检测的图斑多为成林地和无林地(建设用地、林区道路等)，各个变化类型都出现了少量漏检图斑。

面向对象； 变化向量分析(CVA)； 目标函数； 变化检测； 小班

0 引言

森林对减缓气候变化影响、维持地球生命系统具有重要作用，正受到前所未有的关注[1]。开展森林资源动态监测，摸清森林资源状态及其变化趋势，对于评估森林经营效果，制定和调整森林经营方针、政策和措施，具有重要意义。然而，由于森林分布的广域性、变化区域的分散性和随机性以及难到达性，过去以地面调查为主的森林变化信息采集方法存在着工作量大、劳动强度高、效率低、成本高[2]和精度低[3]等诸多问题，鲜见大规模应用的成功案例，是我国几十 a来虽然倡导但一直没能实现森林资源“年度出数”目标的主要原因。因此，如何准确、快速、高效地获取森林变化信息，长期以来一直是森林资源监测工作者努力解决的技术难题。

由于地物特征随时间的变化会引起2个时相遥感图像的像元光谱响应发生变化[4-5]，因此，通过遥感图像变化检测，可以确定森林变化的空间位置、变化类型(如森林变成采伐迹地)和数量[6]。近年来，遥感图像变化检测在森林变化信息采集中得到了广泛应用[7-15]。众多学者从不同角度针对不同应用对变化检测方法和理论模型进行了大量深入的研究，提出了很多变化检测方法[4,6,9,16-17]，这些方法大多适用于森林变化检测[6,18]。然而，由于传感器不同、检测目标相异、变化特征表现差异很大，变化检测十分复杂和困难，没有一种方法能够适合于所有的应用问题，不同方法有时会得出不同甚至相互矛盾的结论[4]。因此，需要根据不同数据源和不同森林变化特点进行针对性的试验。本文以国产资源三号(ZY-3)和高分一号(GF-1)高空间分辨率卫星遥感图像和小班专题图为数据源，以变化频繁快速、变化图斑多且小的高度集约经营人工林区为研究区，以更新森林资源数据库为目的，探讨面向对象的变化向量分析法(change vector analysis ,CVA)在森林变化遥感检测中的应用，期望丰富森林变化信息采集案例。

1 研究区概况与数据源

1.1 研究区概况

研究区位于广西南部上思县东北部，为一个10.7 km×11.3 km的矩形区域，面积约12 000 hm2，中心地理位置为E 108°01′50″，N 22°10′17″； 该区位于十万大山山脉(南面)与四方岭山脉(北面)之间，最高海拔750 m，最低90 m，三面环山，山区地形陡峭，一般坡度20°～35°，中部的上思县城及其周边农耕区较平缓； 由于地处北回归线以南的南亚热带季风气候带，全年雨量充沛，年平均降雨量1 217 mm，干湿季区分明显； 该区全年夏长冬短，年平均气温21.7℃，7月平均气温27.7℃，无霜期长达339 d/a。

地带性森林为北热带常绿季雨林和季节性雨林，残留于十万大山沟谷地段。常见植被为天然马尾松次生林和速生桉(尾叶桉、巨尾桉等)人工林。据2013年林地变更调查结果，研究区内林地面积占总面积的比重为58.7%。马尾松次生林、桉树人工林和一般阔叶次生林面积分别占森林总面积的52.1%,40.0%和4.3%。

1.2 森林(地)变化特点

上思县为广西桉树人工林主要栽植区，从遥感图像变化检测的角度分析，其森林(地)变化具有如下特点： ①林地变化频繁快速。桉树人工林为高度集约经营，轮伐期为4～6 a，林木生长迅速，人工造林6个月时，林木平均高达3.8 m[19]； 2.3～2.7 a平均树高为13.1～17.3 m[20]； 3 a生年均蓄积生长量为49.8 m3/(hm2·a)[21]。研究区主要采伐林木为桉树林和马尾松林。桉树林被采伐后，通过萌芽方式进行更新。马尾松林被采伐后，当年春夏或次年春天通过植苗造林方式更新为桉树林。据调查，2013年上思县森林采伐面积8 952.3 hm2，至当年底，除24.7%仍保留为采伐迹地外，其余采伐迹地经造林更新后均转化为桉树幼林地。采伐迹地—幼林的转化极为迅速； ②变化图斑多且面积小。2013年上思县变化图斑4 142个，其中： 造林更新图斑2 255个，采伐(含毁林开垦)图斑1 758个。变化图斑平均面积为3.9 hm2，面积小于1.0 hm2,2.0 hm2和3.0 hm2的图斑分别占全部图斑数量的46%,65%和75%。

1.3 数据源及其预处理

遥感数据为2013年12月7日获取的ZY-3图像和2015年1月15日获取的GF-1图像。2景图像分别采用1∶1万正射航空图像和1∶1万 DEM完成几何精纠正(正射纠正)，总误差不大于1个像元； 并将2景图像重采样至空间分辨率为2 m。以GF-1图像为参考，对ZY-3图像进行了直方图匹配。

小班专题图(一种林业专题图)为2013年森林资源变更调查成果图(ArcGIS shp格式)。该图为2014年对2013年ZY-3等图像变化检测提取的变化图斑边界进行实地逐一核对和边界修正后，对2011年森林资源数据库更新而得。小班专题图和遥感图像均具有相同的投影系统。

2 面向小班的遥感图像森林变化检测

2.1 小班边界变化分析

小班是森林资源规划设计调查的最小单元，是根据林(土)地类型、林种、优势树种、龄组、郁闭度、林木平均高等的一致性或相近性，在实地进行划分的(图1(a))。由于小班不是经营单元，森林采伐和造林更新等经营活动不受其边界限制，故随着时间的推移，常常出现小班中一些地段采伐、一些地段保留，从而变成2个或多个小班的现象(图1(b))。

(a) 2013年小班专题图与ZY-3图像叠合 (b) 根据2015年GF-1图像重新划分的小班

图1部分地段森林被采伐致使1个小班变成2个小班

Fig.1Onesub-compartmentdividedintotwosub-compartmentscausedbyforestcut

小班也是森林资源数据管理的最小单元，是森林资源数据库构成的基本单元。为更新森林资源数据库，需要对小班属性信息(林地类型、林种、优势树种、龄组、平均高、单位面积蓄积量等)和空间信息(边界和面积)进行更新。当小班中部分地段林地类型发生变化(如采伐后森林地变为采伐迹地)时，必须对小班进行重新区划，将原小班划分为2个或多个小班(图1(b))。

2.2 变化类型确定

本文研究森林(地)的变化检测，故检测目标不包含耕地。从遥感图像变化检测的角度来看，研究区内的森林(地)包括3个类型： ①成林地。在ZY-3和GF-1图像中，树龄较大的森林纹理较为粗糙，树龄小的森林纹理较为光滑； ②无林地。包括采伐后未更新或更新后林木未郁闭、完全或部分裸露的林地和已经被占用征收的林地，在彩色图像中表现色调基本一致，几乎无纹理，可见林区道路，与周围的成林地区别明显； ③幼林地，指采伐后造林更新6个月～1 a，林木尚未完全郁闭的林地，在彩色图像中色调与成林地相近，但纹理不明显，运材林道清晰可见(图2)。

图2 成林地、幼林地和无林地影像特征(GF-1 B3(R),B4(G),B1(B)假彩色合成图像)

将没有变化作为一个特殊的变化类型，则3种林地类型共有9种林地变化类型： ①成林地—成林地； ②成林地—无林地； ③成林地—幼林地； ④无林地—无林地； ⑤无林地—成林地； ⑥无林地—幼林地； ⑦幼林地—幼林地； ⑧幼林地—成林地； ⑨幼林地—无林地。从变化检测的角度来看，①④⑦这3种类型为不变类型，其余类型均属变化类型。

2.3 图像分割

表1 图像分割参数

第1层分割的对象为全部像元，小班专题图参与了分割，目的是将2013年的林地类型属性赋予图像对象，用作后续分割的掩模； 第2层分割仅对林地范围进行分割。采用目视评价方法，确定第2层分割的边界与2期图像的影像特征达到最吻合程度。后续图像分析和检测均以该层为基础进行。第2层数据中，共有林地对象5 218个，平均每个对象包含3 512个像元(最少包含38个像元，最多包含28 922个像元)。

2.4 对象特征提取

在数据集中，ZY-3图像和GF-1图像各有4个波段的数据，分别用ZY-3_B1,…,ZY-3_B4和GF-1_B1,…,GF-1_B4表示。由于分割后每个图斑包含一定数量的像元，因此可计算第i个图斑在第j个波段的灰度平均值，即

(1)

式中：DNijk为第i个图斑在第j个波段中第k个像元的灰度值；n为该图斑包含的像元个数。

将由t1时相(ZY-3图像)和t2时相(GF-1图像)提取的特征向量分别记为Xt1和Xt2，则第i个图斑的特征向量可表示为

Xit1=(mt11i，…,mt14i)T，

(2)

Xit2=(mt21i，…,mt24i)T，

(3)

式中mt11i，…，mt14i和mt21i，…，mt24i分别为t1和t2时相第i个图斑在第1—4波段的灰度平均值。

在变化信息提取过程中，主要关注的是2个时相图像的差异情况。由于2个时相图像对应波段具有相同的光谱范围，故可直接计算各个图斑4个波段灰度平均值的差值。于是，第i个图斑2个时相特征向量的变化向量为

△Xi=(△m1i,…,△m4i)T=(mt21i-mt11i,…,mt24i-mt14i)T,

(4)

式中△m1i,…,△m4i分别为4个波段2个时相间灰度平均值的差值。△Xi包含了2个时相图像光谱变化的信息，可用于变化检测。对第2层分割结果计算△Xi后，导出ArcGIS shp格式文件，用于图像分析与变化检测。

2.5 变化强度度量与最佳检测阈值确定

对于某区域(图像对象，或称图斑)，若林地类型发生了变化，如森林采伐后变成了采伐迹地(无林地)，则2个时相图像的光谱会出现较大的差异； 而没有发生变化的区域，光谱差异较小。因此，可通过对象特征计算各个图斑2个时相图像的变化强度，根据该强度确定某个图斑是否发生变化。变化强度的计算有马氏距离和欧氏距离等。

马氏距离计算式为

(5)

欧氏距离计算式为

(6)

张宇等[22]综合了Camberra距离和欧氏距离的思路，提出了一种新的距离计算方法——相对误差距离，以GF-1图像为基准数据，其计算式为

(7)

△Ci越大，表明第i图斑(对象)的2个时相图像的光谱差异越大，该图斑属于变化图斑的概率就越大。对第2层分割结果分别随机抽取变化和不变化图斑各200个作为训练样本，计算上述3个距离后得到变化与不变图斑的变化强度散点图(图3)。

(a) 马氏距离 (b) 欧氏距离 (c) 相对误差距离

图3变化与不变图斑的变化强度散点图

Fig.3Scatterdiagramoflengthofchangevectorofchangedandunchangedobjects

在应用式(4)―(6)进行变化检测时，需要确定变化强度的检测阈值(△C)，当△Ci≥△C时，判定第i图斑为变化图斑； 反之，当△Ci<△C时，判定该图斑为不变图斑。检测阈值的大小对检测精度影响极大，若△C过大，将会导致很多变化图斑被检测为不变化图斑(即漏检率高)； 若△C过小，则会造成很多不变图斑被检测为变化图斑(即误检率高)。为此，需要确定最佳的检测阈值，进而有效降低漏检率和误检率，提高检测精度。最佳检测阈值的确定方法很多，常用的有信息增益法、最大类间方差法、目标函数法和最小误差法等。本文中采用目标函数法。

最佳检测阈值确定步骤如下：首先，对训练样本集计算各个样本的△Ci，根据其散点图，可以大概确定其最佳阈值的分布范围(如图3(b)，最佳分割阈值位于△C=10附近)； 其次，给定其分布范围为△C∈[△C1，△C2]，在[△C1，△C2]范围内以一定的步长(△)作检测(逐一取检测阈值为△C1，△C1+△，△C1+2△，…，△C2，根据△Ci的大小，将全部图斑判定为“变化图斑”或“不变图斑”)； 然后，统计①检测为变化且实际为变化图斑的个数CC； ②检测为变化但实际为不变图斑的个数CU； ③检测为不变实际为变化图斑的个数UC； ④检测为不变实际为不变图斑的个数UU；最后，可计算出漏检率(po)、误检率(pc)和总体精度(pt)[23]，即

po=UC/(CC+UC)，

(8)

pc=CU/(CC+CU)，

(9)

pt=(CC+UU)/(CC+CU+UC+UU) 。

(10)

显然，最佳检测阈值是使po和pc最小且pt最大的值。于是，定义目标函数[24]为

(11)

O(S)越大，说明检测的整体质量越好。最佳检测阈值S0为对应于O(S)最大时阈值S的值，即

(12)

由图3大致确定马氏距离、欧氏距离和相对误差距离S0的区间后，采用图3的原始数据分别以0.1(马氏距离和欧氏距离)和0.01(相对误差距离)为间隔，逐一计算样本的po,pc,pt和O(S)，得到图4的变化曲线。

(a) 马氏距离 (b) 欧氏距离 (c) 相对误差距离

图4漏检率、误检率和总体精度随目标函数的变化曲线

Fig.4Omissionrate,commissionrateandoverallaccuracychangeinresponsetochangeofobjectfunction

从图4可以看出，对于马氏距离，max(O(S))=0.445 6，对应的S值为3.8(即S0=3.8)，此时的漏检率为45.74%，误检率为35.94%，总体精度为81.0%； 对于欧氏距离，max(O(S))=0.484 1，S0=14.4，此时的漏检率为36.9%，误检率为37.3%，总体精度为83.3%； 对于相对相差距离，max(O(S))=0.527 9，S0=0.27，此时的漏检率为36.3%，误检率为25.8%，总体精度为85.6%。

3 结果与分析

3.1 检测结果

根据以上确定的最佳检测阈值，对全部图斑分别进行了马氏距离、欧氏距离和相对误差距离检测，得到2013年12月―2015年1月间以小班为单元的林地变化检测结果。图5为基于CVA的欧氏距离变化检测的局部结果。

(a) ZY-3图像(2013-12-07)(b) GF-1图像(2015-01-15) (c) 欧氏距离变化检测结果

图5基于CVA的欧氏距离变化检测结果

Fig.5DetectionresultwithEuclidiandistancebasedonCVA

3.2 检测精度评价

在ArcGIS软件平台支持下，通过随机设置验证样点进行检测精度定量评价。具体方法为： ①采用create random points工具在研究区域内随机生成了1 000个验证样点，得到一个精度检验样点文件； ②将精度检验样点文件与2个时相的遥感图像及2013年小班专题图叠置，通过目视解译方法，逐一确定各个样点所属的真实变化类型； ③将精度检验样点文件分别与欧氏距离、马氏距离和相对误差距离的分类结果进行空间叠置分析，得到3种距离检测中各个样点所属的分类结果类型； ④采用混淆矩阵计算各个相关精度指标。采用欧氏距离、马氏距离和相对误差距离进行CVA检测的混淆矩阵如表2所示。

表2 采用3种距离的CVA检测混淆矩阵

显然，欧氏距离和马氏距离的CVA检测精度都不够理想，均表现为漏检率和误检率较高、总体精度较低且Kappa系数较小。相对误差距离的检测结果最好，漏检率和误检率均最小，总体精度最高，Kappa系数最大。

对检测结果进行全面观察，发现误检测的图斑主要为成林地或无林地(建设用地、林区道路)图斑，漏检错误主要出现于与幼林地相关的变化类型，包括成林地—幼林地、无林地—幼林地和幼林地—成林地。由于这3种类型虽属变化类型，但其中一些图斑的地表特征变化不够明显，2个时相图像的光谱差异较小，因此容易造成漏检。

4 结论与建议

1)本文以ZY-3和GF-1高空间分辨率卫星图像及小班专题图为数据源，以林地变化频繁快速、变化图斑多而小的广西上思县为例，利用面向对象的变化向量分析(CVA)法，通过目标函数确定最佳检测阈值，以小班为单元提取变化区域。实验结果表明，该方法具有较高的检测精度，并且变化区域不超出小班边界，利用GIS软件对检测结果中错误进行全面、快速修正后，可用于森林资源数据库更新。

2)在基于CVA的变化检测中，最佳检测阈值的确定是最为关键的步骤。本文通过训练样本，以目标函数最大原则确定最佳检测阈值，使漏检率和误检率最小且总体精度最大，从而确保了检测结果最优。研究结果表明，由训练样本得到的检测精度与最终验证结果有一定的差异，因此，训练样本的选取十分关键，不但需要足够数量的训练样本，而且需要确保其具有典型性和代表性。另一方面，由于在训练样本选取过程中存在着人为主观影响，并且造成检测过程难以实现自动化，因此需要进一步深入研究最佳检测阈值的自动化、智能化确定方法，如基于贝叶斯理论的最小错误率法[25]、直方图拟合法[26]、局部最小错分概率法[27]等，以减少人为主观影响、提高检测效率。

3)为更新森林资源数据库，需要以小班为单元提取变化区域，因此小班专题图须参与图像分割。在图像分割过程中，需要针对所用的数据源，以保证分割后图斑边界与图像表征准确吻合为原则，进行反复试验，从而确定最优的分割参数组合。

4)基于相对误差距离的变化向量检测结果优于欧氏距离和马氏距离的检测结果。与欧氏距离相比，马氏距离虽然不受各个波段灰度差相对大小的影响，但其可能会夸大变化微小的变量的作用，因此检测精度亦不高。

[1] Food and Agriculture Organization of the United Nations(FAO).Global Forest Resources Assessment 2010:Main Report[R].FAO Forestry Paper 163.Rome:FAO,2010.

[2] 赵宪文,李崇贵,斯林,等.基于信息技术的森林资源调查新体系[J].北京林业大学学报,2002,24(5/6):147-155. Zhao X W,Li C G,Si L,et al.Building a new system of forest resources inventory by information technology[J].Journal of Beijing Forestry University,2002,24(5/6):147-155.

[3] 李春干,代华兵,李崇贵.基于高分辨率卫星图像的小班勾绘精度检验[J].福建林学院学报,2006,26(2):127-130. Li C G,Dai H B,Li C G.Accuracy inspection of subcompartment division based on hi-resolution remote sensing imagery[J].Journal of Fujian College of Forestry,2006,26(2):127-130.

[4] 周启鸣.多时相遥感影像变化检测综述[J].地理信息世界,2011(2):28-33. Zhou Q M.Review on change detection using multi-temporal remotely sensed imagery[J].Geomatics World,2011(2):28-33.

[5] 陈鑫镖.遥感影像变化检测技术发展综述[J].测绘与空间地理信息,2012,35(9):38-41. Chen X B.A summary of change detection techniques of remote sensing imagery[J].Geomatics and Spatial Information Technology,2012,35(9):38-41.

[6] 李世明,王志慧,韩学文,等.森林资源变化遥感监测技术研究进展[J].北京林业大学学报,2011,33(3):132-138. Li S M,Wang Z H,Han X W,et al.Overview of forest resources change detection methods using remote sensing techniques[J].Journal of Beijing Forestry University,2011,33(3):132-138.

[7] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3/4):225-238.

[8] Desclée B,Bogaert P,Defourny P.Forest change detection by statistical object-based method[J].Remote Sensing of Environment,2006,102(1/2):1-11.

[9] Lu D S,Batistella M,Moran E.Integration of Landsat TM and SPOT HRG images for vegetation change detection in the Brazilian Amazon[J].Photogrammetric Engineering and Remote Sensing,2008,74(4):421-430.

[10]石军南,李和顺,刘晓农,等.面向对象分类方法在森林采伐遥感监测中的应用[J].中南林业科技大学学报,2010,30(11):6-10. Shi J N,Li H S,Liu X N,et al.Application of classification object-oriented to forest cutting monitoring based on remote sensing[J].Journal of Central South University of Forestry and Technology,2010,30(11):6-10.

[11]邢元军,旦增.基于面向对象的高分辨率影像的森林植被变化信息提取研究[J].中南林业调查规划,2010,29(4):34-37. Xing Y J,Dan Z.Study on extraction techniques for forest vegetation change information based on high spatial resolution remote sensing image[J].Central South Forest Inventory and Planning,2010,29(4):34-37.

[12]魏安世,杨志刚.森林资源年度监测小班数据自动更新技术[J].南京林业大学学报(自然科学版),2010,34(4):123-128. Wei A S,Yang Z G.Automatic updating technique of subcompartment data for annual monitoring of forest resource[J].Journal of Nanjing Forestry University(Natural Science Edition),2010,34(4):123-128.

[13]王志慧,李世明,张艺伟.基于C5.0算法的森林资源变化检测方法研究——以山东省徂徕山林区为例[J].西北林学院学报,2011,26(5):185-191. Wang Z H,Li S M,Zhang Y W.Methodsological study on the detection of the variations of forest resources based on C5.0 algorithm:A case of Culai Forest in Shandong[J].Journal of Northwest Forestry University,2011,26(5):185-191.

[14]Potapov P V,Turubanova S A,Hansen M C,et al.Quantifying forest cover loss in Democratic Republic of the Congo,2000—2010,with Landsat ETM+ data[J].Remote Sensing of Environment,2012,122:106-116.

[15]Hansen M C,Loveland T R.A review of large area monitoring of land cover change using Landsat data[J].Remote Sensing of Environment,2012,122:66-74.

[16]李德仁.利用遥感影像进行变化检测[J].武汉大学学报(信息科学版),2003,28(S):7-12. Li D R.Change detection from remote sensing images[J].Geomatics and Information Science of Wuhan University,2003,28(S):7-12.

[17]马建文,田国良,王长耀,等.遥感变化检测技术发展综述[J].地球科学进展,2004,19(2):192-196. Ma J W,Tian G L,Wang C Y,et al.Review of the development of remote sensing change detection technology[J].Advance in Earth Sciences,2004,19(2):192-196.

[18]Lu D,Mausel P,Brondízio E,et al.Change detection techniques[J].International Journal of Remote Sensing,2004,25(12):2365-2407.

[19]黄荣林.桉树速生丰产林营造技术及效益分析[J].广西林业科学,2006,35(S):27-29,36. Huang R L.Superior eucalyptus fast-growing and high yield plantation establishment technique and benefits analysis in Luchuan County,Guangxi[J].Guangxi Forestry Science,2006,35(S):27-29,36.

[20]陈健波,刘健.丘陵地桉树无性系人工林生长调查[J].林业科技开发,2011,25(4):67-70. Chen J B,Liu J.Growth investigation on plantations of Eucalyptus in hill lands in Guangxi[J].China Forestry Science and Technology,2011,25(4):67-70.

[21]张健军,韦晓娟,傅锋,等.广西桉树速生丰产林调查与经济效益评价[J].林业经济,2012(9):34-37. Zhang J J,Wei X J,Fu F,et al.Survey and economic benefit evaluation on fast-growing and high-yielding Eucalyptus SPP plantation in Guangxi[J].Forestry Economics,2012(9):34-37.

[22]张宇,刘雨东,计钊.向量相似度测度方法[J].声学技术,2009,28(4):532-536. Zhang Y,Liu Y D,Ji Z.Vector similarity measurement method[J].Technical Acoustics,2009,28(4):532-536.

[23]Bontemps S,Langner A,Defourny P.Monitoring forest changes in Borneo on a yearly basis by an object-based change detection algorithm using SPOT-VEGETATION time series[J].International Journal of Remote Sensing,2012,33(15):4673-4699.

[24]李亮,舒宁,李雪.基于像斑差熵的遥感影像变化检测[J].遥感信息,2011(4):38-41. Li L,Shu N,Li X.Remote sensing image change detection based on the entropy difference of image segment[J].Remote Sensing Information,2011(4):38-41.

[25]盛辉,廖明生,张路.基于典型相关分析的变化检测中变化阈值的确定[J].遥感学报,2004,8(5):451-457. Sheng H,Liao M S,Zhang L.Determination of threshold in change detection based on canonical correlation analysis[J].Journal of Remote Sensing,2004,8(5):451-457.

[26]李亚平,杨华,陈霞.基于EM和BIC的直方图拟合方法应用于遥感变化检测阈值确定[J].遥感学报,2008,12(1):85-91. Li Y P,Yang H,Chen X.Determination of threshold in change detection based on histogram approximation using expectation maximization algorithm and Bayes information criterion[J].Journal of Remote Sensing,2008,12(1):85-91.

[27]黄维,黄进良,王立辉,等.基于PCA的变化向量分析法遥感影像变化检测[J].国土资源遥感,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04. Huang W,Huang J L,Wang L H,et al.Remote sensing image change detection based on change vector analysis of PCA component[J].Remote Sensing for Land and Resources,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

(责任编辑：刘心季)

Forestchangedetectionusingremotesensingimagebasedonobject-orientedchangevectoranalysis

LI Chungan1， Liang Wenhai2

(1.CollegeofForestry,GuangxiUniversity，Nanning530004，China； 2.GuangxiForestInventoryandPlanningInstitute，Nanning530011，China)

To develop a method for collecting spatial information of forest change to update forest resources database, the authors tested a forest change detection in an area in Shangsi County of Guangxi where the forest cover changed frequently and rapidly and had a lot of change parcels most of which were small patches. ZY-3 and GF-1 satellite remote sensing images and the thematic map of forest distribution composed of sub-compartments were used as the data sources, the length of change vector was measured by Mahalanobis distance, Euclidean distance and relative error distance, and the optimal threshold was determined by the objective function. In addition, the object-based change vector analysis (CVA)was used to detect the forest change based on the sub-compartment. The results show that the detection results based on the Mahalanobis distance and Euclidean distance are not ideal, for they have high omission rate and commission rate but low total accuracy and small kappa coefficient. The detection result based on the relative error distance is the best among the three detections, for its omission accuracy (21.0%) and the commission accuracy (32.5%) are the lowest in the three detection, and its total accuracy (89.6%) and its Kappa coefficient (0.664) are higher than the two other detections. False detections are usually found in the old forest land, construction area, road and some other places, and the commission objects are found in various land types.

object-oriented； change vector analysis(CVA)； object function； change detection； sub-compartmenet

10.6046/gtzyyg.2017.03.11

李春干,梁文海.基于面向对象变化向量分析法的遥感影像森林变化检测[J].国土资源遥感,2017,29(3)：77-84.(Li C G,Liang W H.Forest change detection using remote sensing image based on object-oriented change vector analysis[J].Remote Sensing for Land and Resources,2017,29(3)：77-84.)

2016-03-07；

2016-04-16

广西林业科学研究项目“森林变化遥感信息自动检测与提取”(编号： 201423)资助。

李春干(1962-),男,博士,研究员,主要从事林业遥感、森林资源监测与管理等方面研究。Email： gxali@126.com。

TP 751.1; S 771.8

： A

： 1001-070X(2017)03-0077-08