Landsat时序变化检测综述
作者简介：汤冬梅（1991）,女,湖北襄阳人,硕士生,主要从事山地环境遥感研究。Email: Tangdongmeii@126.com
收稿日期: 20170203
要求修回日期: 20170531
网络出版日期: 20170820
基金资助
国家自然科学基金项目(41461017)
国家重点研发计划课题(2016YFA0601601)
云南省中青年学术技术带头人后备人才培育计划(2014HB005)
云南大学青年英才培育计划
Review on Landsat Time Series Change Detection Methods
Received date: 20170203
Request revised date: 20170531
Online published: 20170820
Copyright
时序变化检测已成为当前Landsat数据主流的变化检测方法。本文从检测算法对比、时序数据构建和精度评价等方面对Landsat时序变化检测进行回顾和评述,进而提出Landsat时序变化检测当前所存在的问题,及其所面临的挑战。Landsat时序变化检测算法可大致归纳为轨迹拟合法、光谱时间轨迹法、基于模型的方法3大类,这些算法大多基于森林扰动提出;变化检测常用指标有波段型、植被指数型、线性变换型、组合型4大类,每类指标的优势不同,可综合多类指标以更全面地检测不同扰动类型。尽管Landsat时序变化检测已取得长足发展,但仍然面临诸多挑战,其中最大挑战是缺少一致性的参考数据集进行变化检测精度评价。
汤冬梅 , 樊辉 , 张瑶 . Landsat时序变化检测综述[J]. 地球信息科学学报, 2017 , 19(8) : 1069 1079 . DOI: 10.3724/SP.J.1047.2017.01069
Change detection based on Landsat time series has become one of the most popular methods of remote sensing change detection. This paper reviews the status of Landsat time series change detection, including comparison of change detection algorithms, Landsat time series construction and accuracy assessment of change detection results. Major problems and challenges of performing Landsat time series change detection are presented. Landsat time series change detection algorithms can roughly be classified into three categories, i.e., trajectory fitting methods, spectraltemporal trajectory methods, and modelbased methods. These algorithms are mostly developed based on forest disturbance. Only few of them were used to detect changes in other land use/land cover types (e.g. urban expansion). Their applications in other fields need further verification. In particular, the comparative study of those different algorithms should be strengthened, which would provide better guidance for users to select optimal detection methods in specific fields. These indices commonly used for Landsat time series change detection can be divided into four groups, including spectral band, vegetation index, linear transformation and their combinations. It is often suggested to combine the advantages of various indices to detect different disturbance types. Although change detection methods based on Landsat time series have developed rapidly, many challenges remain. Upon now, the lack of consistent reference data set for accuracy assessment of Landsat time series change detection is the most serious challenge. Confronted with new challenges, new approaches are needed to calibrate the time series change detection algorithms.
Key words： Landsat images; time series data; change detection; detection indices
Tab.1 The advantages and limitations of major Landsat time series change detection methods表1 主要Landsat时序变化检测方法的优势与局限性 
变化检测技术  方法  适用范围  优势  局限性  例子 

轨迹拟 合法  TBCD  捕捉变化趋势和事件;检测森林扰动的时间和地点,扰动强度和恢复速率;主要检测以年为步长的变化  自动化;不需要选取非森林样本;不需要特定的阈值;可以评估不连续的（森林扰动时间和强度）和连续的现象（扰动后的森林恢复）;充分利用已有数据来设定假设轨迹和统计阈值,避免手工解译和人为干预  主要误差来源为时序数据中的配准误差;依赖Landsat影像的时间长度;效率低;只有当观测的曲线符合假设曲线时才起作用  自动分析森林扰动轨迹,检测总体精度为84%,Kappa系数为0.77。其中,皆伐检测总体精度为91%,Kappa系数为0.87;择伐检测总体精度为74%,Kappa系数为0.60^{[24]} 森林扰动时间检测的总体精度为83%^{[2526]};城市扩张检测的总体精度为83%,Kappa系数为0.80^{[27]} 
光谱时间轨迹法  VCT  检测大多数突变的森林扰动事件（火灾和城市扩张）、非突变的森林扰动事件（择伐）  高度自动化;除非不同森林系统并存,很少或不需要微调;部分质量差的观测点对检测结果影响很小或没有影响;检测结果对相对大气纠正不甚敏感;效率高,分析12幅或更多影像的时序数据只需23小时  太多质量差的观测点连续出现会导致伪变化;不能检测出所有的森林扰动类型;现有参考数据集无法满足变化检测评价要求;应用于高异质化景观区域会出现问题  重建森林干扰的历史轨迹,扰动时间检测总体精度为77%86%,Kappa为0.670.76^{[14, 48]} 森林变化历史（植树造林、砍伐）,检测结果总体精度为89%,Kappa系数为0.86^{[31, 49]} 评估人工林生物量^{[32]}、绘制森林扰动图,估计标准误差为0.8%时,整个研究区检测总体精度为91%^{[30]} 
LandTrendr  捕获森林扰动和恢复过程中的渐变和突变事件,主要检测以年为步长的变化  可以同时捕获变化趋势、渐变和突变事件;通过一系列的控制参数可减少时间分割过程中的过拟合问题  需要设计一系列的控制参数和滤波过程来降低时间分割过程中的过拟合现象,且捕捉理想的轨迹特征过程很复杂  检测森林扰动和恢复趋势,可以捕捉到大范围的扰动和恢复现象^{[33, 39]}、检测虫害的影响^{[35]}、原始森林的变化^{[40]}、预测地上生物量的动态趋势^{[41]},突变扰动检测总体精度为80%^{[34]};森林扰动检测总体精度为86%^{[38]}  
基于模型 的方法  BFAST  可以检测季节变化;可以处理不同的遥感时序数据;可以应用于其它季节性或非季节性变化检测  不受噪声和季节性趋势的影响  不能检测扰动后的恢复和重复扰动过程  检测热带森林砍伐和退化,其总体精度为87%^{[43]} 
CMFDA  检测年内和年际间的森林变化;检测自然扰动和人为扰动  全自动化;只要有新的观测数据就可连续检测森林扰动;当连续有3个清晰的观测点时,该算法很稳健;该方法可以降低坏条带带来的问题;不仅可以检测人为的森林扰动,也可以检测自然因素导致的森林扰动;可以在30 m的空间分辨率和几周的时间分辨率上提供扰动发生的时间和位置图  该算法的效果取决于足够的观测数据,其效率与建立预测模型有关;该算法是基于检测时段只发生一次变化的假设,当检测时段发生多次变化时,该方法就不成立;检测变化的耗时比传统方法少  连续检测由人类干扰引起的森林扰动,其总体精度可达99%^{[16]}  
CCDC  可模拟趋势、季节性变化、突变等,可检测多种土地覆被变化类型（物候变化、缓慢的年际变化、突变）;可在任何给定的时间绘制出土地利用图  完全自动;可以检测多种类型的土地覆被变化;不需要经验性或全局性的阈值;该算法的运算速度取决于可用观测点的频率;不需要对每幅影像进行标准化处理;不受噪声的影响;不仅可以诊断出年内的趋势也可以诊断出年际趋势;可以应用于高异质化景观区域  该算法需要大量储存数据;计算成本高;需要很多高时间分辨率的清晰数据;该算法可能不适用于农业地区;不适合应用于年际变化较大的区域;无法检测到模型初始化期间的变化  连续检测土地覆被变化和分类^{[19]},其总体精度为90% 分析绿度变化的趋势,其总体精度为87%^{[44]} 连续检测缓慢变化包括年际和年内的变化^{[20]} 
Fig.1 Statistics on cloud cover in Landsat images (129/044)图1 Landsat 影像（129/044）云盖量统计 
Tab.2 Major indices used in Landsat time series change detection表2 Landsat时序变化检测的主要指标 
类别  指标  公式  例子 

波段型  短波红外波段  $\begin{array}{c}{\rho}_{\mathit{SWIR}1}\u3001{\rho}_{\mathit{SWIR}2}\end{array}$  森林扰动及恢复轨迹检测^{[24]}、野火及伐木引起的森林扰动检测^{[50]} 
所有波段  $\begin{array}{c}{\rho}_{B}\u3001{\rho}_{G}\u3001{\rho}_{R}\u3001{\rho}_{\mathit{NIR}}\u3001{\rho}_{\mathit{SWIR}1}\u3001{\rho}_{\mathit{SWIR}2}\u3001\mathit{TIR}\end{array}$  多种土地覆被变化检测和分类^{[19]}、土地覆被变化检测及土地覆被分类^{[44]}  
植被指数型  归一化差异植被指 数（NDVI）  $\begin{array}{c}\mathit{NDVI}=\frac{{\rho}_{\mathit{NIR}}{\rho}_{R}}{{\rho}_{\mathit{NIR}}+{\rho}_{R}}\end{array}$  连续森林扰动检测^{[16]}、植被缓慢变化（植被恢复、病虫害）检测^{[20]}、森林扰动和恢复趋势检测^{[33]}、量化干旱导致的森林扰动^{[37]}、沿边地区森林扰动检测^{[38]}、热带森林扰动检测^{[43]}、绿度变化趋势 检测^{[44]} 
增强型植被指数 （EVI）  $\begin{array}{c}\mathit{EVI}=G\frac{{\rho}_{\mathit{NIR}}{\rho}_{R}}{{\rho}_{\mathit{NIR}}+{C}_{1}{\rho}_{R}{C}_{2}{\rho}_{B}+L}\end{array}$ 其中G为调节因子一般取G=2.5;C_{1}和C_{2}为抗大气调节系数,C_{1}=6和C_{2}=7.5;L为土壤调节因子,取值一般为L=1  绿度变化趋势检测^{[44]}  
归一化差异湿度指 数（NDMI）  $\begin{array}{c}\mathit{NDMI}=\frac{{\rho}_{\mathit{NIR}}{\rho}_{\mathit{SWIR}1}}{{\rho}_{\mathit{NIR}}+{\rho}_{\mathit{SWIR}1}}\end{array}$  记录热带雨林扰动恢复动态^{[79]}  
归一化燃烧率 （NBR）  $\begin{array}{c}\mathit{NBR}=\frac{{\rho}_{\mathit{NIR}}{\rho}_{\mathit{SWIR}2}}{{\rho}_{\mathit{NIR}}+{\rho}_{\mathit{SWIR}2}}\end{array}$  连续森林扰动检测^{[16]}、森林扰动和恢复趋势检测^{[33]}、突变扰动（城市化、森林管理、大火灾）检测^{[34]}、沿边地区森林扰动检测^{[38]}  
线性变换型  穗帽变换湿度指数（TCW)）  Landsat45中： $\begin{array}{c}\mathit{TCW}=0.0315\times {\rho}_{B}+0.2021\times {\rho}_{G}+0.3102\times {\rho}_{R}+\\ 0.1594\times {\rho}_{\mathit{NIR}}0.6806\times {\rho}_{\mathit{SWIR}1}0.6109\times {\rho}_{\mathit{SWIR}2}\end{array}$ Landsat7中： $\begin{array}{c}\mathit{TCW}=0.2626\times {\rho}_{\mathit{TOA},B}+0.2141\times {\rho}_{\mathit{TOA},G}+0.0926\times {\rho}_{\mathit{TOA},R}+\\ 0.0656\times {\rho}_{\mathit{TOA},\mathit{NIR}}0.7629\times {\rho}_{\mathit{TOA},\mathit{SWIR}1}0.5388\times {\rho}_{\mathit{TOA},\mathit{SWIR}2}\end{array}$ Landsat8中： $\begin{array}{c}\mathit{TCW}=0.1511\times {\rho}_{\mathit{TOA},B}+0.1973\times {\rho}_{\mathit{TOA},G}+0.3283\times {\rho}_{\mathit{TOA},R}+\\ 0.3407\times {\rho}_{\mathit{TOA},\mathit{NIR}}0.7117\times {\rho}_{\mathit{TOA},\mathit{SWIR}1}\times 0.4559{\rho}_{\mathit{TOA},\mathit{SWIR}2}\end{array}$  连续森林扰动检测^{[16]}、森林扰动和恢复趋势检测^{[33]}、不同阶段森林扰动检测^{[52]},森林扰动检测^{[80]} 
组合型  穗帽变换角（TCA）  $\begin{array}{c}\mathit{TCA}=\mathit{arctan}\left(\frac{\mathit{TCG}}{\mathit{TCB}}\right)\end{array}$  森林扰动检测（主要检测采伐）^{[25]}、森林扰动历史重建^{[26]}、森林扰动和恢复历史检测^{[41]}、野火及伐木引起的森林扰动检测^{[50]}、量化景观变化（土地利用替换扰动速度）^{[51]} 
穗帽变换距离（TCD）  $\begin{array}{c}\mathit{TCD}=\sqrt[]{\mathit{TC}{G}^{2}+\mathit{TC}{B}^{2}}\end{array}$  森林扰动历史重建^{[26]}、森林扰动和恢复历史检测^{[41]}  
扰动指数（DI）  $\begin{array}{c}\mathit{DI}=\mathit{TCB}\left(\mathit{TCG}+\mathit{TCW}\right)\end{array}$  森林扰动检测^{[12]}、连续森林扰动检测^{[16]}  
森林综合得分（IFZ）  $\begin{array}{c}\mathit{IFZ}=\sqrt[]{\frac{1}{\mathit{NB}}\stackrel{\mathit{NB}}{\sum _{i=1}}{\left(\frac{{b}_{\mathit{pi}}\overline{\mathit{bi}}}{S{D}_{i}}\right)}^{2}}\end{array}$ 其中NB代表使用的波段数量;b_{pi}代表某像元在第i波段的光谱值;$\begin{array}{c}\overline{{b}_{i}}\end{array}$和$\begin{array}{c}S{D}_{i}\end{array}$分别代表第i波段森林训练样本的平均值和标准差。最常用的波段是近红外（$\begin{array}{c}{\rho}_{\mathit{NIR}}\end{array}$）和短波红外波段（$\begin{array}{c}{\rho}_{\mathit{SWIR}1}\u3001{\rho}_{\mathit{SWIR}2}\end{array}$）  森林扰动历史重建^{[14]}、野火及伐木引起的森林扰动检测^{[50]} 
注：$\begin{array}{c}{\rho}_{B}\end{array}$、$\begin{array}{c}{\rho}_{G}\end{array}$、$\begin{array}{c}{\rho}_{R}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{NIR}}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{SWIR}1}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{SWIR}2}\end{array}$分别为TM15、7波段和OLI 27波段的地表反射率;$\begin{array}{c}{\rho}_{\mathit{TOA},B}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{TOA},G}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{TOA},R}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{TOA},\mathit{NIR}}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{TOA},\mathit{SWIR}1}\end{array}$、$\begin{array}{c}{\rho}_{\mathit{TOA},\mathit{SWIR}2}\end{array}$分别为TM 15、7波段和OLI27波段的大气顶部反射率;$\begin{array}{c}\mathit{TIR}\end{array}$为热红外波段;$\begin{array}{c}\mathit{TCB}\u3001\mathit{TCG}\u3001\mathit{TCW}\end{array}$分别为穗帽变换的亮度、绿度、湿度分量 
Tab.3 Evaluation methods and indices of detection accuracy of Landsat time series change表3 Landsat时序变化检测精度评价方法和指标 
精度评价方法  采用数据  评价策略  评价指标  例子 

TimeSync  Landsat影像、Google Earth上的高空间分辨率影像  TimeSync解译703个样本点  总体精度、Kappa系数、制图精度、用户精度  文献[33]、[39] 
Landsat影像、Google Earth上的高空间分辨率影像  TimeSync解译1016个栅格块  制图精度、用户精度  文献[34]  
以高空间分辨率影像辅助目视解译原始Landsat影像获取验证样本  Landsat影像、Google Earth上的高空间分辨率影像  目视解译  制图精度、用户精度和时间精度  文献[16] 
Landsat时序数据、Google Earth上的高空间分辨率影像  随机分层采样,每类（变化和未变化）250个像元样本  总体精度、制图精度、用户精度  文献[19]  
Landsat时序数据、Google Earth上的高空间分辨率影像  等分随机采样,每类（变化和未变化）50个3×3样本单元  总体精度  文献[82]  
Landsat影像、Google Earth上的高空间分辨率影像  分层随机采样,每层（扰动和未扰动）各500个3×3样本单元  总体精度、制图精度、用户精度  文献[38]  
Landsat影像  分层随机采样,目视解译  总体精度、用户精度  文献[28]  
Landsa影像、高空间分辨率影像、Digtal Ortho Quarter Quad（DOQQ）  实地验证、视觉验证、目视解译  总体精度、制图精度、用户精度、Kappa系数  文献[14]  
Landsat时序数据,SPOT5（20072011年）、QuickBird影像（20122013年）  只评价2009年森林扰动和未扰动两类精度,随机分层采样,112个变化像元样本,109个未变化像元样本,类似TimeSync评价方法  总体精度、制图精度、用户精度  文献[43]  
其它方法（从地真数据或历史存档数据获取验证样本）  国家高空计划（NHAP）、国家航空摄影计划（NAPP）、国家农业影像计划（NAIP）解译的影像集  目视解译  总体精度  文献[30] 
地真数据和Landsat影像  目视解译和地真数据  制图精度、用户精度  文献[49] 
The authors have declared that no competing interests exist.
[1] 
Committee on Strategic Directions for the Geographical Sciences in the Next Decade,

[2] 

[3] 

[4] 

[5] 

[6] 
[

[7] 
[

[8] 

[9] 

[10] 

[11] 

[12] 

[13] 

[14] 

[15] 

[16] 

[17] 

[18] 

[19] 

[20] 

[21] 

[22] 

[23] 

[24] 

[25] 

[26] 

[27] 

[28] 

[29] 

[30] 

[31] 

[32] 

[33] 

[34] 

[35] 

[36] 

[37] 

[38] 

[39] 

[40] 

[41] 

[42] 

[43] 

[44] 

[45] 

[46] 

[47] 

[48] 

[49] 

[50] 

[51] 

[52] 

[53] 

[54] 

[55] 

[56] 
USGS. Product Guide:Landsat 47 Climate Data Record(CDR).Surface Reflectance [DB/OL]. 2016.

[57] 
USGS. Product Guide:Landsat 8 Surface Reflectance Code(LaSRC) Product [DB/OL]. 2016.

[58] 
USGS. [DB/OL]. 2017.

[59] 

[60] 

[61] 
[

[62] 
[

[63] 

[64] 
[

[65] 

[66] 

[67] 

[68] 

[69] 

[70] 

[71] 

[72] 

[73] 

[74] 

[75] 

[76] 

[77] 

[78] 

[79] 

[80] 

[81] 

[82] 

[83] 

/
〈  〉 