農(nóng)作物遙感變化檢測識別研究進展*

朱 爽，張錦水

(1．北京工業(yè)職業(yè)技術(shù)學(xué)院，北京 100042;2．北京師范大學(xué)資源學(xué)院/地表過程與資源生態(tài)國家重點實驗室，北京 100875)

1 引言

及時、準確地獲取作物播種面積信息，對于制定國家/區(qū)域農(nóng)業(yè)經(jīng)濟發(fā)展規(guī)劃、指導(dǎo)種植業(yè)結(jié)構(gòu)調(diào)整，提高農(nóng)業(yè)生產(chǎn)管理水平具有重要的意義［1，2］。遙感技術(shù)具有覆蓋范圍廣、探測周期短的特點，為農(nóng)作物準確識別提供重要的技術(shù)手段［3］。

當前，利用遙感技術(shù)進行農(nóng)作物識別的方法包括兩大類:單時相遙感影像識別、多時相遙感變化檢測。單時相遙感影像識別是利用目標物關(guān)鍵期的單期遙感影像，采用不同的分類方法，如硬分類方法(包括神經(jīng)網(wǎng)絡(luò)、決策樹分類、支持向量機等)、軟分類方法 (包括線性模型、概率模型、隨機幾何模型、模糊分析模型等)等，進行分類獲取目標地物的空間分布信息［4］;或通過單期遙感影像提取特定關(guān)鍵指標，如綠度剖面特征［5］、植被指數(shù)［6］、葉面積指數(shù)［7］，設(shè)定閾值進行作物信息的提取。由于同期作物存在光譜相混的問題，即“異物同譜”，作物識別結(jié)果會產(chǎn)生大量的混分現(xiàn)象，難以保證識別精度［8，9］。農(nóng)作物生長具有短時間內(nèi)土地覆蓋強烈變化的特性，這種短時期內(nèi)的跡象變化與自然植被的周期季節(jié)性變化形成了較大的反差［10，11］。因此，利用多期遙感影像進行農(nóng)作物檢測識別，能夠根據(jù)作物短期內(nèi)的光譜變化，定量刻畫出作物的生長物候特征并進行作物識別，消除作物光譜相混的問題，提高農(nóng)作物的遙感識別精度［9，12-14］。根據(jù)作物在不同生長期內(nèi)表現(xiàn)出的光譜差異特性，適合采用多時相土地覆蓋變化檢測方法進行作物的識別［15］。

該文回顧了近幾十年變化檢測研究的成果，針對農(nóng)作物遙感識別，根據(jù)遙感識別結(jié)果總結(jié)劃分為2類［16］:硬變化檢測方法 (Hard Change Detection Method，HCD)和軟檢測方法 (Soft Change Detection Method，SCD)，分別介紹了變化檢測方法用于農(nóng)作物識別的研究進展，指出了目前存在的問題，并提出軟、硬變化檢測相結(jié)合農(nóng)作物變化檢測的框架思路，展望了該技術(shù)未來的發(fā)展趨勢。

2 發(fā)展與概述

目前，從識別結(jié)果來看，變化檢測方法進行作物識別主要分為2類:硬變化檢測方法 (HCD)和軟檢測方法 (SCD)［14，17］。其中，HCD方法的檢測結(jié)果以離散方式的土地覆蓋表達變化和非變化信息，從而提取出作物的空間分布，如代數(shù)運算法、轉(zhuǎn)換法、分類法。Allen和Kupfer［18］、Alcantara等［19］應(yīng)用代數(shù)運算方法對多期遙感圖像進行數(shù)學(xué)運算，設(shè)定閾值對作物分布進行識別。Muchoney和Haack［20］，Collins和Woodcock［21］通過轉(zhuǎn)換模型對兩期遙感影像進行信息綜合，減少數(shù)據(jù)的冗余，對作物的特有變化特征進行提取。Munyati［22］、Bruzzone 和 Prieto［23］、Petit和 Lambin［24］通過不同分類模型對多期遙感影像進行分解，構(gòu)建變化矩陣信息來進行作物的檢測，減少了多期影像之間大氣、環(huán)境等因素的干擾。從當前的研究來看，HCD方法作為常用的遙感變化檢測作物識別方法，其優(yōu)勢在于能夠利用作物的物候生長特征準確進行作物的識別，但該方法由于受到混合像元、光譜不確定性等諸多因素影響，不適合對復(fù)雜地物和微弱變化區(qū)域進行描述［25］。SCD方法是用 ［0，1］之間的連續(xù)變化概率圖進行土地覆蓋變化信息提取，可以檢測出微小的土地覆蓋變化信息，從而得到像元內(nèi)目標的豐度，較HCD方法能夠提供更加豐富的信息。目前SCD的相關(guān)研究已取得一定進展，主要包括:閾值劃分法［26～28］、模糊混合矩陣法［29］、基于對象［30］的劃分法、基于時間的變化檢測方法［31］，時間序列的混合像元分解［4，32］。以上SCD方法多用于土地覆蓋、森林、沙漠、生物交錯帶等方面的研究，且多應(yīng)用于長時間跨度的土地覆蓋研究。SCD方法適合于中、低分辨率影像漸變或者由于混合像元造成的漸變狀態(tài)的識別，能夠反映出土地覆蓋的連續(xù)變化特征，得到作物的豐度信息，但該方法在純凈區(qū)域的識別易受到光譜不穩(wěn)定性因素 (由大氣、土壤等)影響，導(dǎo)致混入一些其他地物組分，造成識別誤差［4，33］。

3 硬變化檢測農(nóng)作物識別方法

硬變化檢測是農(nóng)作物識別的最常用方法，該方法將檢測結(jié)果以離散的方式表示變化和非變化兩種狀態(tài)［34-35］，主要包括3種方法:代數(shù)運算法、轉(zhuǎn)換法、分類法。目前，各種常用的硬變化檢測方法均可以應(yīng)用到農(nóng)作物的識別［36］。

3.1 代數(shù)運算法

代數(shù)運算法是通過不同的代數(shù)運算方法將圖像進行計算，以提取出土地覆蓋變化的信息，主要包括差值圖像、比值圖像、植被指數(shù)差值、變化向量、圖像回歸和背景值去除［1］。

差值圖像是將兩幅影像進行逐像元間的光譜信息相減而得到的。該方法被用于落葉森林［20］、土地覆蓋變化［37］、灌溉農(nóng)業(yè)的檢測［38］，其特點是應(yīng)用直接、簡單，識別結(jié)果容易解釋，但是不能夠提供詳細的變化矩陣，且需要進行閾值劃定確定變化分布。

比值圖像是將兩期配準好的遙感影像進行逐波段的比值運算。Angelici等將比值圖像用于區(qū)域變化識別［39］。Prakash和Gupta應(yīng)用比值圖像進行土地制圖和變化檢測［40-41］，該方法能夠減小太陽高度角、陰影、地形的影響，但檢測結(jié)果分布異常，效果并不理想。

植被指數(shù)差值是分別計算兩期影像的植被指數(shù)，然后再相減得到。該方法被廣泛用于植被變化［42-43］、森林冠層變化［44］、廢棄農(nóng)業(yè)檢測［19］、作物面積監(jiān)測［45-46］，時序植被指數(shù)特征差異和序列特征提取秋糧作物［47-48］，主要特點是強調(diào)了不同特征光譜反應(yīng)的差異［49］，減少了地形和亮度影響，但增加了隨機噪聲和一致性噪聲。

變化向量分析法，是一種應(yīng)用廣泛的變化檢測方法，是圖像差值的擴展，一方面通過光譜變化向量來描述從第一期到第二期的變化方向，另一方面根據(jù)每個像元計算總變化強度的歐氏距離，設(shè)定閾值確定變化［1］。該方法被用于景觀變量的變化檢測［50］、土地覆蓋變化［51］、災(zāi)害評估［52］以及針葉樹森林變化［18］和冬小麥、玉米的檢測識別［36，53］，其特點是能夠?qū)θ我獾牟ǘ芜M行處理，得到詳細的變化檢測信息，但難以識別土地覆蓋變化軌跡。

圖像回歸，是通過建立兩幅影像的回歸方程，然后用預(yù)測值跟第二期影像進行差值來得到變化信息［54］，被應(yīng)用于熱帶雨林變化、森林的轉(zhuǎn)化［55］等方面的研究中。該方法能夠減少大氣，傳感器、環(huán)境差異等因素對兩期影像的影響，但需要提供準確的回歸方程。

背景去除法，是在非變化區(qū)域的背景值變化很慢的前提下，對原始影像進行低通濾波來估計影像變化的背景影像［56］，最后由原始影像減去估計的背景影像得到變化信息，曾被用于熱帶雨林［57］的變化研究。該方法易于操作，但精度較低。

綜上，代數(shù)運算法的共同特點是，都需要選擇閾值來劃定變化區(qū)域，除CVA之外，實現(xiàn)方法相對簡單、直接，識別結(jié)果易于應(yīng)用和解釋，但不能夠提供完整的變化矩陣信息，且在識別過程中閾值的正確定義存在困難［58］。

3.2 轉(zhuǎn)換法

轉(zhuǎn)換法包括主成分分析法 (Principle Component Analysis，PCA)、纓帽變換 (Kasselled Cap，KT)、Gramm-Schmidt(GS)變換和卡方變換［1，54］。

PCA轉(zhuǎn)換假設(shè)多時相數(shù)據(jù)是高度相關(guān)的，變化信息在新組分中能夠很容易發(fā)現(xiàn)［59］。通過2種方法來實現(xiàn)變化信息提取:一種是將兩幅或多幅影像合并為一個文件，然后進行PCA變換，分析較小組分的變化信息［60］;另一種是對兩期影像分別進行PCA變換，然后將第二期影像的PCA轉(zhuǎn)換結(jié)果減去第一期影像相對應(yīng)的 PCA轉(zhuǎn)換結(jié)果［20］。該方法目前常被應(yīng)用于土地覆蓋變化［59，61］，城市拓展［62］，熱帶森林轉(zhuǎn)換［52］，森林死亡率以及森林砍伐［20］等方面的研究，其特點是減少數(shù)據(jù)冗余，強調(diào)轉(zhuǎn)換后的不同信息;但基于不同時期數(shù)據(jù)的PCA結(jié)果很難進行比較，不能提供變化矩陣以及變化類型信息，且需要閾值劃定。

纓帽變換 (KT)，原則與PCA變換一致 (差別在于PCA是跟影像相關(guān)的，而KT變換獨立于影像)，是基于亮度、綠色度以及濕度3個組分來進行的變化檢測［63］。該方法目前應(yīng)用于森林死亡率檢測［60］、綠色生物量的變化檢測［64］和土地利用變化檢測［65］等方面的研究，其特點是獨立于影像，減少波段間的數(shù)據(jù)冗余，強調(diào)變化成分信息，但這種變化信息難以進行解譯，不能提供變化矩陣，且閾值設(shè)定比較難，還對大氣糾正的精準度有很高的要求。

GS變換，將光譜向量正交化，產(chǎn)生3個穩(wěn)定的組分 (與KT變化后的亮度、綠度、濕度相對應(yīng))以及一個變化組分［21］。該方法目前應(yīng)用于森林死亡率研究［60］，其特點是變化組分和影像特征之間的聯(lián)系可以提取到其他方法可能探測不到的變化信息，但對于給定的變化類型難以提取超過1個組分，且GS變換過程依賴于光譜向量的選取以及變化類型。

卡方變換法，能夠?qū)⒍嗖ǘ瓮瑫r進行考慮，并生成一幅單一的變化圖像，但該方法假設(shè)當影像大部分發(fā)生變化時，圖像變化值為0并不代表沒有發(fā)生變化，且不能定義光譜變化方向［66］。該方法層被用于城市環(huán)境變化檢測［66］，但目前，由于計算方法相對復(fù)雜，且多數(shù)圖像處理軟件未提供相應(yīng)計算模塊，該方法實際應(yīng)用較少。整體來看，圖像轉(zhuǎn)換方法能夠減少波段間的數(shù)據(jù)冗余，在新生成的組分中突出了不同信息;但該類方法不能提供詳細的變化矩陣，并需要提供閾值來判定是否發(fā)生變化，且難以在變換后的波段上解譯和標記變化信息。

3.3 分類比較法

分類比較法主要包括分類后對比、光譜-時相綜合分析、期望最大值變化檢測 (Expectation-Maximization Algorithm，EM)、混合變化檢測法、人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks，ANN)［1］。

分類后對比法，是分別對多期影像進行分類，然后對每個像元進行對比判別變化信息的方法［67］。該方法目前用于土地覆蓋變化［68］，城市建筑物檢測［69］，濕地變化［22］以及城市擴張［70］、高光譜變化檢測［71］方面的研究，其特點是能夠?qū)⒉煌瑫r期影像之間的大氣、傳感器、環(huán)境產(chǎn)生的誤差最小化，并能夠提供完整的變化矩陣信息;但分類工作耗時較大，檢測的精度依賴于每個影像的分類精度。

光譜-時相綜合分析，是將多期影像疊加在一幅圖像中，然后進行分類，識別變化信息［72］。該方法目前用于沿海區(qū)域環(huán)境的變化［39］和森林變化研究［73］中，其特點是在分類的過程中簡單、省時，但難以識別變化類型，不能提供變化矩陣信息，且需要估計先驗的聯(lián)合類概率。

EM檢測，是基于分類的方法，利用EM算法來估計先驗類聯(lián)合概率。這些概率直接從影像中分析中獲得［73］。該方法目前用于土地覆蓋變化研究［73］，其特點是相比于其他的變化檢測方法可以提供更高的變化檢測精度，但需要估計聯(lián)合類的先驗概率。

非監(jiān)督變化檢測，是選擇一期影像中光譜類似的像元和像元簇作為初始類簇，然后對二期影像光譜相似的像元簇進行標記，最后進行變化的檢測［74］。該方法目前用于森林變化［75］、城市擴展［76］、廣義高斯模型假設(shè)下KI雙閾值法的SAR圖像變化檢測算法［77］等方面的研究。其特點是可以利用非監(jiān)督的特點自動進行變化過程分析，但難以進行變化軌跡的標定。

混合變化檢測，用圖像疊加增強法來提取出變化像元，然后用監(jiān)督分類方法進行分類［78］，從分類結(jié)果中構(gòu)建一個二元變化掩膜，用變化掩膜將土地覆蓋變化圖中的變化像元部分剪切出來。該方法用于土地覆蓋變化［79］、植被變化［80］、．鰻草檢測［81］等方面的研究，其特點是能夠?qū)⒉话l(fā)生變化的像元排除在外，可以減少分類誤差;但需要為分類方法選擇合適的閾值，并且變化軌跡的識別較為復(fù)雜。

人工神經(jīng)網(wǎng)絡(luò)檢測法，是非參數(shù)監(jiān)督算法［82］，目前用于湖泊退化檢測［81］、土地覆蓋變化［83］以及森林檢測［84］等研究。該方法能夠根據(jù)樣本估計數(shù)據(jù)的特性，但目前研究對隱藏層的特性了解較少，需要長時間的樣本選擇，且對樣本數(shù)量很敏感［1］?？傮w來看，分類變化檢測都是基于遙感影像分類，能夠給出詳細的變化矩陣且降低多期影像中來自大氣、環(huán)境方面的影響，但多期影像間高質(zhì)量訓(xùn)練樣本的選擇是比較困難的，這將對分類結(jié)果產(chǎn)生很大的影響，從而影響變化檢測的結(jié)果。

4 軟變化檢測農(nóng)作物識別方法

針對過渡型土地覆蓋變化和遙感混合變化像元存在的區(qū)域，軟土地覆蓋變化檢測方法 (SCD)用［0，1］之間的連續(xù)變化概率圖進行土地覆蓋變化信息提取，可以檢測到微小的土地變化信息［16］。目前已經(jīng)開展了一些相關(guān)軟變化檢測方面的研究［85］，該類方法首先定義連續(xù)型地物參量，然后對比不同時期參量的變化程度，定量表達土地覆蓋變化強度信息［85］。如，Adams和Roberts利用光譜混合分解模型提取出不同時期的土地覆蓋豐度，用于植被覆蓋變化的信息提取［26-27］。Souza將線性光譜混合模型得到的土壤變化程度，成功檢測了森林伐木情況［28］。Foody將年際間的NDVI用簡化的S型曲線方程轉(zhuǎn)化為豐度圖表達沙漠化程度，用于研究沙漠的波動情況［86］。Fisher將模糊混合矩陣用于界限劃分，并在生物交錯帶的變化檢測中較布爾運算獲得了更加準確的變化信息［29］。Hill用最大似然法計算后驗概率反映生物交錯帶混合變化像元中土地覆蓋類型的組成，并將高山交錯群落樹木劃分為5個過渡類，較傳統(tǒng)硬變化檢測更能夠準確地表達出地物的變化信息［87］。Ardila利用迭代高斯方程分類器對高分辨率圖像進行分類得到樹冠隸屬度信息，然后通過綜合區(qū)域增長法和曲面擬合法用于冠層信息提取，最后通過對比前后兩期影像得到突變區(qū)和漸變區(qū)，準確反映出城市林業(yè)的變化信息，尤其是對高分辨率存在的混合變化像元區(qū)，能夠反映出林地的微弱變化［30，88］。Kennedy提出了一種基于軌跡的變化檢測方法，假設(shè)與土地覆蓋變化相關(guān)的現(xiàn)象在土地覆蓋發(fā)生變化前和變化后都具有獨特的發(fā)展狀態(tài)［31］，并且這些發(fā)展時態(tài)能夠更好地代表光譜空間時間序列特征。由于應(yīng)用了時間軌跡的光譜信息，因此在進行檢測的過程中不需要屏蔽非森林區(qū)和特定閾值的設(shè)定，能夠同時對非連續(xù)現(xiàn)象和連續(xù)現(xiàn)象兩種情況進行判斷，提供森林波動年份、強度以及恢復(fù)速率信息的估計［29］。其實，在農(nóng)作物遙感識別中，利用MODIS時間序列數(shù)據(jù)進行作物的識別就是一種軟變化檢測作物識別方法，該方法主要是利用MODIS時序指標指數(shù)表達作物的物候特征，識別作物。如，Lobell［32］、許文波等［48］利用MODIS時序數(shù)據(jù)采用線性分解模型識別冬小麥;Pan等構(gòu)建MODIS冬小麥物候指數(shù)模型與TM建立回歸關(guān)系，估算250m尺度上冬小麥的豐度［4］;顧曉鶴等分析了MODIS冬小麥分解結(jié)果與TM的異質(zhì)性［89］。軟變化檢測進行作物的識別核心方法就是進行分解，獲取作物的豐度信息。由于物候、大氣條件和土壤水分等差值導(dǎo)致的“干擾噪聲”，尤其對于MODIS數(shù)據(jù)常為8天、16天合成數(shù)據(jù)，像元上是16天的合成結(jié)果，造成光譜的不確定［90］。Somer等分析遙感光譜的不確定性，受到“類內(nèi)”、“類間”光譜不穩(wěn)定性的影響，對識別結(jié)果造成很大的偏差［33］。光譜不穩(wěn)定對軟分類的影響一直是混合光譜分解模型中待解決的難點和熱點問題。

5 農(nóng)作物軟硬變化檢測框架

由于瞬間視場 (Instantaneous Field of-View，IFOV)效應(yīng)，遙感衛(wèi)星進行地面拍攝造成像元內(nèi)多種地物的存在。如圖1所示，設(shè)目標作物為M，A表示M在t1時刻表現(xiàn)為A類地物狀態(tài)，B表示M在t1時刻表現(xiàn)表現(xiàn)為B類地物狀態(tài)。由于像元分辨率影響，M不可能剛好落在一個像元內(nèi) (見陰影區(qū)域)，導(dǎo)致與其它地物類型相混，這種現(xiàn)象就會造成混合像元現(xiàn)象，進而在時間尺度上產(chǎn)生軟變化區(qū)域。從形態(tài)來看，這一現(xiàn)象一般發(fā)生在硬變化像元的周邊，以線狀地物形式表現(xiàn)出來。對目標作物M而言，整個區(qū)域可以劃分為3個部分:硬變化區(qū)域 (Hard Change Region，HCR)、軟變化區(qū)域 (Soft Change Region，SCR)和未變化區(qū)域 (Non Change Region，NCR)。

圖1 軟硬變化區(qū)

因此，對于利用遙感技術(shù)進行檢測識別而言，在時空尺度上土地覆蓋變化存在硬變化、軟變化、未變化等3種類型［16］。那么，對于農(nóng)作物遙感識別，結(jié)合軟、硬作物變化檢測方法各自的優(yōu)勢，將兩種檢測方法的優(yōu)勢進行綜合，即軟硬變化檢測方法 (Soft and Hard Change Detection Method，SHCD)［85］，克服因像元尺度導(dǎo)致的軟變化 (由混合變化像元)以及光譜不穩(wěn)定導(dǎo)致在硬變化區(qū)域造成目標物識別的誤差，對于提高作物多時相遙感識別精度將是一個可行的解決方案。

6 結(jié)語

綜上所述，軟、硬變化檢測方法在農(nóng)作物識別中應(yīng)用較為廣泛。但受到農(nóng)作物種植景觀特征和遙感影像空間分辨率等因素的影響，軟、硬變化檢測方法對農(nóng)作物變化類型存在各自的不足。

硬變化檢測方法 (Hard Change Detection，HCD)，從空間角度來看，由于遙感圖像是由柵格像元構(gòu)成，對于中、低分辨率影像，尤其是在作物破碎種植區(qū)，一個像元內(nèi)反映出的土地覆蓋變化往往不只是一種作物，而是多種變化類型共存的現(xiàn)象，這是由混合像元造成的。其次，硬作物變化檢測結(jié)果僅給每個像元分配一個排他性的二值結(jié)果 (0，1)即作物和非作物［29，91］，側(cè)重于硬變化區(qū)域的信息提取，但對于軟變化區(qū)域內(nèi)像元內(nèi)難以準確識別，造成作物識別誤差。

軟變化檢測方法 (Soft Change Detection，SCD)，利用作物在整個生長期的物候特征，采用分解方式獲取作物連續(xù)的豐度值，在混合變化像元區(qū)和過渡變化像元區(qū)表達出更加豐富的信息，但由于光譜的不穩(wěn)定性因素 (由大氣、土壤等因素造成)導(dǎo)致混入一些其他地物組分，給變化方向和其特征的確定帶來困難，帶來類內(nèi)光譜不穩(wěn)定性，導(dǎo)致硬變化區(qū)域 (完全發(fā)生變化的區(qū)域)的識別造成誤差;另外，現(xiàn)有研究雖然將硬變化和軟變化進行了劃分，但并未對軟變化，尤其在作物豐度，進行深入的分析研究。

多期遙感影像上硬變化 (離散變化，像元內(nèi)完全發(fā)生變化)、軟變化 (連續(xù)變化，像元內(nèi)部分發(fā)生變化)是共存的，單獨采用軟、硬變化檢測均會給作物識別結(jié)果帶來誤差［16］。因此，綜合軟、硬變化檢測方法各自優(yōu)勢，發(fā)展遙感軟硬變化檢測作物識別方法 (Soft and Hard Change Detection Method，SHCD)，以達到對硬變化區(qū) (即純凈像元區(qū)，包括完全轉(zhuǎn)換成作物的突變區(qū)域和非作物區(qū)域)和軟變化區(qū) (即過渡區(qū)，混合像元區(qū)，是部分轉(zhuǎn)化為作物的區(qū)域)作物進行準確識別，將成為今后農(nóng)作物遙感變化檢測識別的一種發(fā)展趨勢。目前軟硬變化檢測方法概念模型已被提出，但是實現(xiàn)的具體方法并不固定，研究重點集中于軟變化區(qū) (SCR)和硬變化區(qū) (HCR)的劃分以及土地覆蓋變化強度的計算和轉(zhuǎn)換。SHCD識別結(jié)果受多種因素的影像，將該方法應(yīng)用到用到更大的、種植結(jié)構(gòu)更為復(fù)雜的區(qū)域，采用多尺度數(shù)據(jù)，采取多種具體劃分方法進行驗證，以及驗證變化概率與地物豐度之間的定量關(guān)系等是今后研究工作中需要考慮的方向。

［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．國內(nèi)外農(nóng)情遙感現(xiàn)狀與發(fā)展趨勢．中國農(nóng)業(yè)資源與區(qū)劃，2004，25(5):9～14

［3］ 吳炳方，蒙繼華，李強子．國外農(nóng)情遙感監(jiān)測系統(tǒng)現(xiàn)狀與啟示．地球科學(xué)進展，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］ 王長耀，林文鵬．基于MODISEVI的冬小麥產(chǎn)量遙感預(yù)測研究．農(nóng)業(yè)工程學(xué)報，2005，21(10):90～94

［7］ 李開麗，蔣建軍，茅榮正，等．植被葉面積指數(shù)遙感監(jiān)測模型．生態(tài)學(xué)報，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］ 徐新剛，李強子，周萬村，等．應(yīng)用高分辨率遙感影像提取作物種植面積．遙感技術(shù)與應(yīng)用，2008，23(1):17～23

［10］ 張明偉，周清波，陳仲新，等．基于MODIS時序數(shù)據(jù)分析的作物識別方法．中國農(nóng)業(yè)資源與區(qū)劃，2008，29(1):31～35

［11］ 張峰，吳炳方，劉成林，等．利用時序植被指數(shù)監(jiān)測作物物候的方法研究．農(nóng)業(yè)工程學(xué)報，2004，20(1):155～159

［12］ 李穎，陳秀萬，段紅偉，等．多源多時相遙感數(shù)據(jù)在冬小麥識別中的應(yīng)用研究．地理與地理信息科學(xué)，2010，26(4):47～49

［13］ 俞軍，Ranneby B．基于多時相影像的農(nóng)業(yè)作物非參數(shù)與概率分類 (英文)．遙感學(xué)報，2007，(5):748～75

［14］ 潘耀忠，李樂，張錦水，等．基于典型物候特征的MODIS-EVI時間序列數(shù)據(jù)農(nóng)作物種植面積提取方法——小區(qū)域冬小麥實驗研究．遙感學(xué)報，2011，15(3):578～594

［15］ 李正國，唐華俊，楊鵬，等．植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述．中國農(nóng)業(yè)資源與區(qū)劃，2012，33(5):20～28

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

［17］ 裴志遠，楊邦杰．多時相歸一化植被指數(shù)NDVI的時空特征提取與作物長勢模型設(shè)計．農(nóng)業(yè)工程學(xué)報，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，趙冬玲．多時相遙感影像農(nóng)作物識別方法的分析．測繪通報，2012，380～383

［35］ 殷守敬，吳傳慶，王橋，等．多時相遙感影像變化檢測方法研究進展綜述．光譜學(xué)與光譜分析，2013，33(12):339～3342

［36］ 李苓苓，潘耀忠，張錦水，等．支持向量機與分類后驗概率空間變化向量分析法相結(jié)合的冬小麥種植面積測量方法．農(nóng)業(yè)工程學(xué)報，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］ 鄒金秋，陳佑啟，Uchida S，等．利用Terra/MODIS數(shù)據(jù)提取冬小麥面積及精度分析．農(nóng)業(yè)工程學(xué)報，2007，23(11):195～200

［46］ 張健康，程彥培，張發(fā)旺，等．基于多時相遙感影像的作物種植信息提取．農(nóng)業(yè)工程學(xué)報，2012，28(02):134～141

［47］ 彭光雄，宮阿都，崔偉宏，等．多時相影像的典型區(qū)農(nóng)作物識別分類方法對比研究．地球信息科學(xué)學(xué)報，2009，11(02):225～230

［48］ 許文波，張國平，范錦龍，等．利用MODIS遙感數(shù)據(jù)監(jiān)測冬小麥種植面積．農(nóng)業(yè)工程學(xué)報，2007，23(12):144～149

［49］ 李亮，舒寧，龔龑．考慮時空關(guān)系的遙感影像變化檢測和變化類型識別．武漢大學(xué)學(xué)報 (信息科學(xué)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，顧曉鶴，程耀東，等．基于變化向量分析的玉米收獲期遙感監(jiān)測．農(nóng)業(yè)工程學(xué)報，2011，27(2):180～186

［54］ 趙英時．遙感應(yīng)用分析原理與方法．北京:科學(xué)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］ 鐘家強，王潤生．基于線特征的多時相遙感圖像變化檢測．國防科技大學(xué)學(xué)報，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］ 陳宇，杜培軍，唐偉成，等．基于BJ-1小衛(wèi)星遙感數(shù)據(jù)的礦區(qū)土地覆蓋變化檢測．國土資源遙感，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，張良培．基于獨立成分分析的高光譜變化檢測．遙感學(xué)報，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．廣義高斯模型及KI雙閾值法的SAR圖像非監(jiān)督變化檢測．測繪學(xué)報，2013，42(1):116～122

［78］ 趙喜為．多光譜與全色圖像的配準及變化檢測技術(shù)研究．北京:北方工業(yè)大學(xué)，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，張錦水，帥冠元，等．通過軟硬變化檢測識別冬小麥．遙感學(xué)報，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，龔龑，李雪，等．像斑直方圖相似性測度的高分辨率遙感影像變化檢測簡．遙感學(xué)報，2014，18(1):139～153

［89］ 顧曉鶴，潘耀忠，朱秀芳，等．MODIS與TM冬小麥種植面積遙感測量一致性研究——小區(qū)域?qū)嶒炑芯浚b感學(xué)報，2007，11(3):350～358

［90］ 陳晉，何春陽，史培軍，等．基于變化向量分析的土地利用/覆蓋變化動態(tài)監(jiān)測 (Ⅰ)——變化閾值的確定方法．遙感學(xué)報，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