時(shí)間序列Landsat 8 OLI數(shù)據(jù)森林年擾動(dòng)檢測

胡圣元，龐 勇，蒙詩櫟，岳彩榮

(1. 西南林業(yè)大學(xué)林學(xué)院，云南昆明 650224；2. 中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091；3. 國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091)

森林變化包括森林突發(fā)性變化和時(shí)間序列趨勢變化[1]。森林?jǐn)_動(dòng)是森林突發(fā)性變化，是研究者們在森林變化中關(guān)注的重點(diǎn)。隨著大量中高分辨率衛(wèi)星遙感數(shù)據(jù)的免費(fèi)開放，研究者可利用美國Landsat系列、歐洲Sentinel系列和我國高分系列光學(xué)衛(wèi)星數(shù)據(jù)開展時(shí)間序列森林變化分析研究。目前基于時(shí)間序列的森林變化檢測方法大致包括3類：（1）基于多時(shí)期分類圖斑的方法[2]；（2）基于多時(shí)序像元級閾值判定的方法[3]；（3）基于長時(shí)間序列軌跡分析的方法?；诙鄷r(shí)期分類圖斑的變化分析方法是通過對不同時(shí)期衛(wèi)星影像進(jìn)行地物識別和分類，并對分類結(jié)果進(jìn)行比較，從而確定森林變化的發(fā)生情況[2]。因此，時(shí)間序列數(shù)據(jù)質(zhì)量與分類精度都會(huì)對變化檢測的結(jié)果產(chǎn)生較大的影響?；诙鄷r(shí)序像元級閾值判定的變化分析方法是通過構(gòu)建植被指數(shù)，計(jì)算時(shí)間序列中逐個(gè)像元的指數(shù)曲線，在指數(shù)超出閾值時(shí)即可檢測到森林變化。這類森林變化分析方法包括植被變化追蹤算法（Vegetation Change Tracker, VCT）[4]、Hilker等[5]使用的映射反射率變化的時(shí)空自適應(yīng)算法，相比多時(shí)期分類圖斑的變化檢測，該類方法能夠在長時(shí)間范圍內(nèi)連續(xù)觀測同一地區(qū)的森林覆蓋情況，可以得到變化區(qū)內(nèi)更細(xì)致的時(shí)空變化特征，例如森林在某段時(shí)間內(nèi)經(jīng)歷的成熟-砍伐-恢復(fù)-成熟等活動(dòng)。這類方法的不足是閾值的選取本身會(huì)影響變化檢測的結(jié)果，并且構(gòu)建的指數(shù)會(huì)受到輻射差異的影響[1]?；陂L時(shí)間序列軌跡分析的變化分析方法是通過時(shí)間序列光譜軌跡分析來檢測森林變化：Hansen等[6]使用的方法是曲線擬合法，即預(yù)先確定每種類型森林變化曲線的形狀，根據(jù)時(shí)間序列曲線形狀進(jìn)行變化歸類；Land-Trendr方法[7]是分割法，首先將時(shí)間序列光譜軌跡分割成一系列直線段以模擬時(shí)間軌跡重要特征，再根據(jù)分割所得直線段端點(diǎn)提取變化信息；CCDC方法[8]是統(tǒng)計(jì)邊界法，首先將時(shí)間序列曲線分解為趨勢、季節(jié)變化和噪聲，然后對時(shí)間序列的統(tǒng)計(jì)學(xué)邊界進(jìn)行估計(jì)，如果某一年的數(shù)值超過了估計(jì)的邊界值則認(rèn)為有森林變化發(fā)生。軌跡分析法相比閾值法，更好地利用了時(shí)間序列信息。

VCT算法是多時(shí)序森林變化檢測方法中的經(jīng)典方法之一，其構(gòu)建的IFZ指數(shù)（Integrated Forest Z-score，IFZ）簡便有效，運(yùn)算速度較快。Huang等[4]使用VCT算法對美國東部7個(gè)州的森林動(dòng)態(tài)變化進(jìn)行了檢測，總體精度達(dá)到80%。張連華等[9]通過纓帽變換構(gòu)建擾動(dòng)指數(shù)（Disturbance Index）以代替IFZ進(jìn)行變化識別，但仍有檢測精度較低的年份。黃春波等[10]在IFZ的基礎(chǔ)上引入了NDVI進(jìn)行加權(quán)計(jì)算，對三峽大壩附近森林進(jìn)行變化檢測，相比Huang等在美國的結(jié)果，漏檢率和過檢率分別降低到了4.7%和5.3%。VCT算法對森林覆蓋變化劇烈的情況較為靈敏，如大規(guī)模砍伐、森林火災(zāi)等導(dǎo)致的森林?jǐn)_動(dòng)等；對森林覆蓋變化輕微的情況如擇伐、少量病蟲害導(dǎo)致的森林?jǐn)_動(dòng)以及森林逐漸恢復(fù)的檢測效果欠佳[4]。同時(shí)，有植被覆蓋的非森林區(qū)（如農(nóng)田、草地等）的變化過識別會(huì)影響森林區(qū)域的變化精度。對于農(nóng)田區(qū)，VCT算法利用擾動(dòng)變化前后數(shù)年的信息以排除季相因素導(dǎo)致的偽變化[3]。

通常森林的變化情況在一段時(shí)間內(nèi)相對穩(wěn)定，較少出現(xiàn)短時(shí)間內(nèi)發(fā)生連續(xù)擾動(dòng)，因此VCT算法能較準(zhǔn)確地檢測出森林發(fā)生擾動(dòng)的年份。然而對于短輪伐期的速生用材林，森林砍伐后的再造林或萌生林相隔時(shí)間較短，僅經(jīng)過兩年甚至一年的恢復(fù)，IFZ指數(shù)便能恢復(fù)到正常的森林水平，則VCT算法易判定為森林沒有發(fā)生擾動(dòng)，容易出現(xiàn)漏檢情況。因此，對IFZ指數(shù)進(jìn)行優(yōu)化以提高其算法對森林?jǐn)_動(dòng)的檢測能力，可以減少偽變化同時(shí)降低漏檢風(fēng)險(xiǎn)。

本研究以高峰林場為研究試驗(yàn)區(qū)，在減弱VCT偽變化判讀機(jī)制的前提下使用了結(jié)合NDVI的IFZ指數(shù)進(jìn)行森林?jǐn)_動(dòng)的檢測，對比使用原始IFZ指數(shù)的森林?jǐn)_動(dòng)檢測結(jié)果，新的IFZ指數(shù)在保證生產(chǎn)者精度不變的前提下提升了用戶精度和總精度。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

以廣西高峰林場銀嶺分場至延河分場為研究區(qū)，高峰林場位于南寧市興寧區(qū)北部，坐標(biāo)范圍22°50′～23°4′ N，108°8′～108°32′ E；屬濕潤的亞熱帶季風(fēng)氣候，陽光充足，雨量充沛，年平均氣溫在21.6 ℃左右，年均降水量達(dá)1 304.2 mm。森林經(jīng)營面積8.7萬hm2，森林蓄積量570萬m3，其中3.3萬hm2林地位于南寧市北部丘陵地帶，森林覆蓋率大于80%。主要樹種包括杉木(Cunninghamia lanceolata (Lamb.) Hook.)、馬尾松(Pinus massoniana Lamb.)、巨尾桉(Eucalyptus grandis×urophylla)、八角(Illicium verum Hook. f.)、毛竹(Phyllostachys edulis (Carr.) H. de Lehaie)、火力楠(Michelia macclurei Dandy)等[11]。高峰林場擁有大量短輪伐期的速生用材林，森林經(jīng)營活動(dòng)頻繁，由砍伐產(chǎn)生的森林減少和恢復(fù)產(chǎn)生的森林增加較多，呈現(xiàn)出較頻繁的森林變化。

1.2 遙感數(shù)據(jù)獲取與數(shù)據(jù)處理

采用的遙感影像為Landsat8 OLI地表反射率產(chǎn)品，該產(chǎn)品已經(jīng)過大氣校正、正射校正、輻射定標(biāo)等處理，可通過美國地質(zhì)調(diào)查局地球資源觀測與科學(xué)中心官方網(wǎng)站下載（http://earthexplorer.usgs.gov）。行列號為125/44的影像完整覆蓋高峰林場研究區(qū)，研究選取了成像時(shí)間為2013年至2019年期間生長季（3—10月）的所有影像數(shù)據(jù)。根據(jù)云的光譜特性及衛(wèi)星影像的像元質(zhì)量評估信息等，使用影像合成法利用多期衛(wèi)星影像的非云像元，生成研究區(qū)2013—2019年逐年度的無云影像[12-13]。

1.3 地面數(shù)據(jù)獲取

外業(yè)調(diào)查于2018年5月11—23日進(jìn)行。對選取部分研究區(qū)的擾動(dòng)圖斑樣點(diǎn)進(jìn)行實(shí)地調(diào)查，包括研究區(qū)邊界外部靠近研究區(qū)邊界的樣本在內(nèi)共采集到實(shí)測森林變化情況樣本點(diǎn)190個(gè)。對非森林區(qū)的樣本進(jìn)行系統(tǒng)采樣，在研究區(qū)及附近以橫向30 km、縱向21 km的矩形范圍進(jìn)行了間隔3 km的系統(tǒng)抽樣，選取了88個(gè)樣本點(diǎn)，利用衛(wèi)星影像對樣本點(diǎn)所處或距樣本點(diǎn)較近的擾動(dòng)圖斑進(jìn)行目視判讀，獲取擾動(dòng)信息。共采用278個(gè)樣本點(diǎn)對擾動(dòng)檢測結(jié)果加以驗(yàn)證。實(shí)地調(diào)查樣本點(diǎn)及系統(tǒng)抽樣目視判讀樣本點(diǎn)空間分布如圖1所示。

圖 1 外業(yè)調(diào)查樣本點(diǎn)空間分布圖Fig. 1 Distribution of field plots

2 基于綜合森林指數(shù)檢測森林?jǐn)_動(dòng)

2.1 VCT算法介紹

VCT算法的基本原理是在影像中自動(dòng)提取森林樣本，以此森林樣本作為參照，計(jì)算每個(gè)像元與純凈森林像元的相似性程度，即森林指數(shù)（FZ），再結(jié)合多波段或者多指數(shù)的FZ形成綜合森林指數(shù)（IFZ）。IFZ可作為每個(gè)像元是否為森林像元的判斷依據(jù)，根據(jù)每個(gè)像元IFZ指數(shù)的變化情況來判斷該像元在時(shí)間序列中所處的時(shí)間年份是否發(fā)生了森林?jǐn)_動(dòng)[3]。

由森林像元的光譜曲線特征可以看出，其在紅光波段的反射率較低，當(dāng)森林樣本達(dá)到一定數(shù)量時(shí)，就會(huì)在紅光波段反射率直方圖的低值區(qū)域形成峰值，即森林峰值。通過提取該峰值區(qū)域的像元，同時(shí)對水體和陰影進(jìn)行掩膜處理，即可得到純凈的森林樣本像元[14]。對于整景Landsat影像，不同地區(qū)的森林可能由于物種類型、群落結(jié)構(gòu)、地形等因素導(dǎo)致的光譜差異，呈現(xiàn)略有差別的光學(xué)特征，若對全景影像采用直方圖森林峰值法提取森林樣本，會(huì)導(dǎo)致提取到的森林樣本較為單一[15]，因此可采用一定尺寸窗口將影像劃分為若干區(qū)塊，每個(gè)區(qū)塊單獨(dú)進(jìn)行直方圖森林峰值的提取。設(shè)置窗口時(shí)不宜過小，否則可能會(huì)因窗口未包含森林樣本而將農(nóng)田等其他地物的峰值作為樣本提取，從而導(dǎo)致森林樣本不準(zhǔn)確。在本研究中采用400×400像元窗口大小。

森林指數(shù)是基于像元統(tǒng)計(jì)特征的指數(shù)，它表示了每個(gè)像元與純凈森林像元的相似程度。FZ與IFZ的計(jì)算公式如下：

其中NB為參與運(yùn)算的波段數(shù)目，bp為每一個(gè)像元在某一波段上的值，為i波段上森林樣本像元值的均值，SDi為i波段上森林樣本像元值的標(biāo)準(zhǔn)差。在使用單波段進(jìn)行計(jì)算時(shí)（NB=1），IFZ等同于森林指數(shù)FZ；使用多個(gè)波段時(shí)（NB＞1）即為綜合各波段的FZ值得到整合值IFZ。

由公式（1）可知，像元的IFZ值越低，其與純凈森林樣本越相似，越有可能是森林，反之則為非森林。排除水體和陰影對IFZ變化的影響后，每個(gè)像元IFZ值的變化情況可用于檢測發(fā)生森林?jǐn)_動(dòng)的時(shí)間點(diǎn)。若像元點(diǎn)在某年的IFZ值與其前一年相比有顯著的提升，那么它就有可能是一個(gè)由森林向非森林轉(zhuǎn)變的變化（擾動(dòng)），若像元點(diǎn)在某年的IFZ值與其前一年相比有顯著的降低，則可能是從非森林轉(zhuǎn)變到森林。因此設(shè)置衡量IFZ變化量的閾值d1作為判斷森林?jǐn)_動(dòng)的依據(jù)，若前后年份IFZ的差值大于d1，則認(rèn)為極有可能發(fā)生擾動(dòng)。但只有差值并不能確定發(fā)生了森林?jǐn)_動(dòng)，因?yàn)榉巧窒裨腎FZ波動(dòng)同樣可以造成較大的IFZ差值。因此，設(shè)置一個(gè)閾值d2用于界定變化前后地物類型，只有當(dāng)潛在變化點(diǎn)的前一時(shí)刻的IFZ值低于d2時(shí)，這樣的變化才是一個(gè)由森林向非森林轉(zhuǎn)變的變化。

為了提高IFZ對森林與非森林植被的區(qū)分度，以減少檢測到的偽變化、降低過檢測率、提高用戶精度，本研究采用將NDVI與原始波段加權(quán)結(jié)合的方式，從而得到更好的森林?jǐn)_動(dòng)檢測結(jié)果。研究流程如圖2所示。

圖 2 綜合森林指數(shù)檢測森林?jǐn)_動(dòng)流程Fig. 2 Workflow of forest disturbance detection using forest z-scores

2.2 融合NDVI的IFZ森林指數(shù)

在已有的使用VCT算法的森林變化檢測方法中，參與運(yùn)算IFZ指數(shù)的波段并不相同，Huang等人對Landsat 5 TM影像選用了紅波段和兩個(gè)短波紅外波段[3]；Pang等使用Landsat 7 ETM+影像時(shí)選取了藍(lán)、綠、紅、近紅外和兩個(gè)短波紅外共6個(gè)波段[16]。但有研究表明，雖然森林冠層在近紅外光譜區(qū)間的反射率很高，但是非森林的地表根據(jù)其覆蓋情況不同，在近紅外光譜區(qū)間的反射率或高或低，從而導(dǎo)致在這個(gè)波段上發(fā)生的反射率在某一特定方向上的變化并不一定代表森林覆蓋發(fā)生變化，因此不宜使用近紅外波段作為IFZ指數(shù)的計(jì)算因子[4]。此外，藍(lán)、綠、紅波段之間有著顯著的相關(guān)性[17]，因此也不宜同時(shí)使用這3個(gè)波段。植被指數(shù)也可以參與IFZ的計(jì)算。部分農(nóng)田的光譜與森林相近，其IFZ值也相對較低，有時(shí)可以和IFZ值較高的森林相當(dāng)，因此農(nóng)田等非森林植被會(huì)對森林?jǐn)_動(dòng)檢測產(chǎn)生干擾，在高峰林場這樣變化頻繁的區(qū)域，部分森林?jǐn)_動(dòng)產(chǎn)生的IFZ變化與農(nóng)田的IFZ變化更難以區(qū)分；將NDVI作為計(jì)算因子之一參與到IFZ的運(yùn)算中，所得到的新的指數(shù)NIFZ，能較好地減弱農(nóng)田對森林?jǐn)_動(dòng)檢測的影響[10]。

2.3 IFZ的波段加權(quán)

由IFZ的公式可知，像元的IFZ值是參與計(jì)算的每個(gè)波段FZ值的平均。在引入了NDVI作為新波段參與運(yùn)算后，由于植被指數(shù)波段的取值范圍與反射率波段的取值范圍不同，例如可見光波段的反射率實(shí)際取值范圍大部分集中在0.2以下，NDVI值則較少出現(xiàn)低于-0.4的情況，因此不同波段的FZ存在取值范圍不等的問題。為了統(tǒng)一各波段FZ值的取值范圍，需將各波段FZ結(jié)果按比例縮放到同一尺度。將參與計(jì)算的波段乘以同一個(gè)放大系數(shù)，從而將各個(gè)波段FZ換算成具有相同權(quán)重的指數(shù)因子。因此，本研究將參與運(yùn)算的首個(gè)波段作為基準(zhǔn)，以各波段FZ值的均值作為確定縮放比例的參考，即為NIFZ：

2.4 計(jì)算流程與驗(yàn)證方法

使用合成影像的藍(lán)、紅、近紅外和兩個(gè)短波紅外波段進(jìn)行計(jì)算和分析。首先使用NDVI與近紅外（845～885 nm）、藍(lán)波段（450～515 nm）對水體和陰影進(jìn)行閾值法掩膜；接下來對影像的紅波段（630～680 nm）以400×400像元大小為窗口遍歷影像，利用直方圖的森林峰值提取森林樣本，得到每一影像的森林樣本，并以此樣本計(jì)算NIFZ，以及由此衍生的NIFZ2和NIFZ3。最后，計(jì)算紅、短波紅外1（1 560～1 660 nm）和短波紅外2（2 100～2 300 nm）3波段的IFZ指數(shù)進(jìn)行對照。

為了對比各指數(shù)在區(qū)分森林像元和非森林植被像元的表現(xiàn)，分別選取了不同年份、不同位置的若干森林區(qū)和非森林（農(nóng)田為主）像元的4種指數(shù)值進(jìn)行了對比。從圖3可以看出森林像元的NIFZ2與NIFZ3值的分布比IFZ和NIFZ更為集中，而就逐年取值分布來看，NIFZ與NIFZ2的森林與非森林像元的區(qū)分度更大。4種指數(shù)在森林與非森林之間都存在著重疊區(qū)間，相比之下NIFZ2的重疊區(qū)間更小。從曲線形態(tài)來看（圖4），4種指數(shù)的曲線形狀是相近的，都能夠反映森林?jǐn)_動(dòng)變化特征。此外，根據(jù)4種指數(shù)逐年取值分布情況可以選定森林像元與非森林像元指數(shù)值的區(qū)分閾值d2，進(jìn)行后續(xù)的森林?jǐn)_動(dòng)檢測的運(yùn)算。在此，對IFZ、NIFZ、NIFZ2和NIFZ3，d2的值分別取4.5、3.5、2.5和2.3。

在分別利用各指數(shù)得到對應(yīng)的森林?jǐn)_動(dòng)檢測結(jié)果后，利用驗(yàn)證點(diǎn)擾動(dòng)信息與對應(yīng)位置的檢測信息進(jìn)行對比，逐年記錄檢測情況與實(shí)際情況，統(tǒng)計(jì)各指數(shù)檢測結(jié)果的漏檢測率、過檢測率和總精度，以進(jìn)行各指數(shù)的精度評價(jià)。

圖 3 4種綜合森林指數(shù)在森林和農(nóng)田的取值區(qū)間對比，末尾的f與n分別表示森林和農(nóng)作物Fig. 3 Comparison of value ranges of 4 z-scores in forest(-f) and crop(-n) areas

3 結(jié)果與討論

采用IFZ、NIFZ、NIFZ2和NIFZ3作為反映森林?jǐn)_動(dòng)指數(shù)應(yīng)用于VCT算法中，在不使用前后年份進(jìn)行驗(yàn)證的情況下得出森林?jǐn)_動(dòng)檢測的結(jié)果，并使用外業(yè)調(diào)查數(shù)據(jù)結(jié)合衛(wèi)星影像來進(jìn)行二者的精度檢驗(yàn)。其中NIFZ2得到的結(jié)果如圖5所示。由不同指數(shù)擾動(dòng)檢測結(jié)果對比圖（圖6）來看，4個(gè)指數(shù)的表現(xiàn)較為相似，但NIFZ與NIFZ2的檢測結(jié)果相比IFZ的結(jié)果減少了很多細(xì)碎的圖斑?？傮w而言，NIFZ2的檢測結(jié)果減少了大量主要類型為2015年森林?jǐn)_動(dòng)的孤立像元，從檢測結(jié)果圖上看是效果最好的指數(shù)。

最終，使用采集和抽樣的驗(yàn)證點(diǎn)對4種指數(shù)的檢測結(jié)果進(jìn)行驗(yàn)證，各指數(shù)的檢測精度如表1所示?？傮w情況顯示，NIFZ2的精度最優(yōu)，總精度達(dá)79.2%，NIFZ其次，為77.4%；而從年度情況來看，2014年4個(gè)指數(shù)的用戶精度都比較低，而2015年NIFZ2的用戶精度獲得了較大提升，其余3個(gè)指數(shù)的用戶精度雖比2014年有所提升但仍然不理想。精度較低主要是由于2013年和2014年的影像中殘存的云像元對檢測結(jié)果有一定影響；3種指數(shù)中NIFZ3的精度最低，說明對不同年份的森林指數(shù)結(jié)果進(jìn)行加權(quán)比較并不能消除不同年份之間的差異，同時(shí)可能還會(huì)對森林?jǐn)_動(dòng)的識別帶來負(fù)面的影響，這可能是由于盡管不同年份之間森林像元指數(shù)值存在差異，但利用森林峰值提取森林樣本時(shí)，不同年份的影像提取到的森林峰值的反射率值較為接近，所以被選為森林樣本的像元的指數(shù)值的差異在不同年份之間并不大，因此對不同年份加權(quán)并沒有令NIFZ3在相同地物上不同年份間的表現(xiàn)趨近相同。

圖 4 4種綜合森林指數(shù)在擾動(dòng)區(qū)的時(shí)間序列特征Fig. 4 Curves of the four z-scores in a forest disturbance area

圖 5 應(yīng)用NIFZ2的VCT森林?jǐn)_動(dòng)檢測Fig. 5 VCT forest disturbance detection using NIFZ2

圖 6 應(yīng)用4種綜合森林指數(shù)的VCT森林?jǐn)_動(dòng)檢測局部對比，對應(yīng)圖5白框Fig. 6 Comparison of VCT forest disturbance detection results of four z-scores, located in the white box of Fig. 5

表 1 4種綜合森林指數(shù)變化檢測的精度對比Table 1 Comparisons of change detection accuracy using four different z-scores

高峰林場的驗(yàn)證結(jié)果表明，采用NDVI的3個(gè)指數(shù)所得到的森林?jǐn)_動(dòng)變化檢測結(jié)果的精度均好于采用原始影像光學(xué)波段的IFZ的擾動(dòng)檢測結(jié)果。相比IFZ的結(jié)果，3種使用NDVI并加權(quán)的指數(shù)的用戶精度得到了顯著提升，而生產(chǎn)者精度則有小幅度的降低。由于Landsat8地表反射率產(chǎn)品未經(jīng)過地形校正，處于向陽坡面的森林，其指數(shù)取值會(huì)比背陽面更高，更加接近農(nóng)作物等非森林植被的指數(shù)；此外，不同質(zhì)的森林由于樹種、密度、郁閉度等差異，也會(huì)影響森林指數(shù)值。這些都是利用閾值判斷的森林變化檢測方法的不確定因素，加權(quán)融合NDVI與IFZ的方法增加了森林與非森林在森林指數(shù)上的區(qū)分度，間接降低了這些不確定因素的影響，從而提高了森林?jǐn)_動(dòng)檢測的精度。其他遙感衍生的植被指數(shù)例如增強(qiáng)型植被指數(shù)（EVI）和差值植被指數(shù)（DVI）也能夠反映森林覆蓋變化相關(guān)的信息，但對于上述指數(shù)是否適用于提高IFZ的檢測精度有待進(jìn)一步驗(yàn)證；此外，經(jīng)過穗帽變換所得到的波段，同樣含有森林變化的信息[18]，也有著與IFZ相結(jié)合的可能性。

4 結(jié)論

通過將植被指數(shù)引入時(shí)間序列的綜合森林指數(shù)，提供了植被變化追蹤算法在森林?jǐn)_動(dòng)頻繁區(qū)域的適應(yīng)性，主要結(jié)論如下：（1）在NDVI與IFZ的結(jié)合方式中，采用森林樣本FZ均值加權(quán)的NIFZ2指數(shù)的檢測精度最優(yōu)，其精度比IFZ提升了12%；（2）使用年度森林樣本FZ均值對不同年份指數(shù)進(jìn)行加權(quán)并不能有效提高擾動(dòng)檢測的精度；（3）通過在IFZ中加入NDVI因子，使算法的誤檢率大大降低，平衡了快速變化區(qū)域內(nèi)的漏檢與誤檢的問題。