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(diǎn)實(shí)驗(yàn)室，北京 100875)

1 引言

及時(shí)、準(zhǔn)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(jì)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(diǎn)，為農(nóng)作物準(zhǔn)確識(shí)別提供重要的技術(shù)手段［3］。

當(dāng)前，利用遙感技術(shù)進(jìn)行農(nóng)作物識(shí)別的方法包括兩大類:單時(shí)相遙感影像識(shí)別、多時(shí)相遙感變化檢測。單時(shí)相遙感影像識(shí)別是利用目標(biāo)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(jī)等)、軟分類方法 (包括線性模型、概率模型、隨機(jī)幾何模型、模糊分析模型等)等，進(jìn)行分類獲取目標(biāo)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(biāo)，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(jìn)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(shí)別結(jié)果會(huì)產(chǎn)生大量的混分現(xiàn)象，難以保證識(shí)別精度［8，9］。農(nóng)作物生長具有短時(shí)間內(nèi)土地覆蓋強(qiáng)烈變化的特性，這種短時(shí)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(jìn)行農(nóng)作物檢測識(shí)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(jìn)行作物識(shí)別，消除作物光譜相混的問題，提高農(nóng)作物的遙感識(shí)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(shí)相土地覆蓋變化檢測方法進(jìn)行作物的識(shí)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(shí)別，根據(jù)遙感識(shí)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(shí)別的研究進(jìn)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(shí)別結(jié)果來看，變化檢測方法進(jìn)行作物識(shí)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(dá)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(yùn)算法、轉(zhuǎn)換法、分類法。Allen和Kupfer［18］、Alcantara等［19］應(yīng)用代數(shù)運(yùn)算方法對多期遙感圖像進(jìn)行數(shù)學(xué)運(yùn)算，設(shè)定閾值對作物分布進(jìn)行識(shí)別。Muchoney和Haack［20］，Collins和Woodcock［21］通過轉(zhuǎn)換模型對兩期遙感影像進(jìn)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(jìn)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(jìn)行分解，構(gòu)建變化矩陣信息來進(jìn)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(dāng)前的研究來看，HCD方法作為常用的遙感變化檢測作物識(shí)別方法，其優(yōu)勢在于能夠利用作物的物候生長特征準(zhǔn)確進(jìn)行作物的識(shí)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(jìn)行描述［25］。SCD方法是用 ［0，1］之間的連續(xù)變化概率圖進(jìn)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(biāo)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(jìn)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(shí)間的變化檢測方法［31］，時(shí)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(cuò)帶等方面的研究，且多應(yīng)用于長時(shí)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(shí)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(shí)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(shí)別誤差［4，33］。

3 硬變化檢測農(nóng)作物識(shí)別方法

硬變化檢測是農(nóng)作物識(shí)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(yùn)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(shí)別［36］。

3.1 代數(shù)運(yùn)算法

代數(shù)運(yùn)算法是通過不同的代數(shù)運(yùn)算方法將圖像進(jìn)行計(jì)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(jìn)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(diǎn)是應(yīng)用直接、簡單，識(shí)別結(jié)果容易解釋，但是不能夠提供詳細(xì)的變化矩陣，且需要進(jìn)行閾值劃定確定變化分布。

比值圖像是將兩期配準(zhǔn)好的遙感影像進(jìn)行逐波段的比值運(yùn)算。Angelici等將比值圖像用于區(qū)域變化識(shí)別［39］。Prakash和Gupta應(yīng)用比值圖像進(jìn)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(jì)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(shí)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(diǎn)是強(qiáng)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(jī)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(kuò)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(gè)像元計(jì)算總變化強(qiáng)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(píng)估［52］以及針葉樹森林變化［18］和冬小麥、玉米的檢測識(shí)別［36，53］，其特點(diǎn)是能夠?qū)θ我獾牟ǘ芜M(jìn)行處理，得到詳細(xì)的變化檢測信息，但難以識(shí)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(jìn)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(zhǔn)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(jìn)行低通濾波來估計(jì)影像變化的背景影像［56］，最后由原始影像減去估計(jì)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(yùn)算法的共同特點(diǎn)是，都需要選擇閾值來劃定變化區(qū)域，除CVA之外，實(shí)現(xiàn)方法相對簡單、直接，識(shí)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(shí)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(shí)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(shí)現(xiàn)變化信息提取:一種是將兩幅或多幅影像合并為一個(gè)文件，然后進(jìn)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(jìn)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(diǎn)是減少數(shù)據(jù)冗余，強(qiáng)調(diào)轉(zhuǎn)換后的不同信息;但基于不同時(shí)期數(shù)據(jù)的PCA結(jié)果很難進(jìn)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(dú)立于影像)，是基于亮度、綠色度以及濕度3個(gè)組分來進(jìn)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(diǎn)是獨(dú)立于影像，減少波段間的數(shù)據(jù)冗余，強(qiáng)調(diào)變化成分信息，但這種變化信息難以進(jìn)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(zhǔn)度有很高的要求。

GS變換，將光譜向量正交化，產(chǎn)生3個(gè)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(gè)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(diǎn)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(gè)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(shí)進(jìn)行考慮，并生成一幅單一的變化圖像，但該方法假設(shè)當(dāng)影像大部分發(fā)生變化時(shí)，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(jì)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(jì)算模塊，該方法實(shí)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(xì)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(biāo)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(shí)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(jìn)行分類，然后對每個(gè)像元進(jìn)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(kuò)張［70］、高光譜變化檢測［71］方面的研究，其特點(diǎn)是能夠?qū)⒉煌瑫r(shí)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(shí)較大，檢測的精度依賴于每個(gè)影像的分類精度。

光譜-時(shí)相綜合分析，是將多期影像疊加在一幅圖像中，然后進(jìn)行分類，識(shí)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(diǎn)是在分類的過程中簡單、省時(shí)，但難以識(shí)別變化類型，不能提供變化矩陣信息，且需要估計(jì)先驗(yàn)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(jì)先驗(yàn)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(diǎn)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(jì)聯(lián)合類的先驗(yàn)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(jìn)行標(biāo)記，最后進(jìn)行變化的檢測［74］。該方法目前用于森林變化［75］、城市擴(kuò)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(diǎn)是可以利用非監(jiān)督的特點(diǎn)自動(dòng)進(jìn)行變化過程分析，但難以進(jìn)行變化軌跡的標(biāo)定。

混合變化檢測，用圖像疊加增強(qiáng)法來提取出變化像元，然后用監(jiān)督分類方法進(jìn)行分類［78］，從分類結(jié)果中構(gòu)建一個(gè)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(diǎn)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(shí)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(jì)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(shí)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(xì)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(shí)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(jìn)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(shí)期參量的變化程度，定量表達(dá)土地覆蓋變化強(qiáng)度信息［85］。如，Adams和Roberts利用光譜混合分解模型提取出不同時(shí)期的土地覆蓋豐度，用于植被覆蓋變化的信息提?。?6-27］。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(dá)沙漠化程度，用于研究沙漠的波動(dòng)情況［86］。Fisher將模糊混合矩陣用于界限劃分，并在生物交錯(cuò)帶的變化檢測中較布爾運(yùn)算獲得了更加準(zhǔn)確的變化信息［29］。Hill用最大似然法計(jì)算后驗(yàn)概率反映生物交錯(cuò)帶混合變化像元中土地覆蓋類型的組成，并將高山交錯(cuò)群落樹木劃分為5個(gè)過渡類，較傳統(tǒng)硬變化檢測更能夠準(zhǔn)確地表達(dá)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(jìn)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(zhǔn)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(dú)特的發(fā)展?fàn)顟B(tài)［31］，并且這些發(fā)展時(shí)態(tài)能夠更好地代表光譜空間時(shí)間序列特征。由于應(yīng)用了時(shí)間軌跡的光譜信息，因此在進(jìn)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(shí)對非連續(xù)現(xiàn)象和連續(xù)現(xiàn)象兩種情況進(jìn)行判斷，提供森林波動(dòng)年份、強(qiáng)度以及恢復(fù)速率信息的估計(jì)［29］。其實(shí)，在農(nóng)作物遙感識(shí)別中，利用MODIS時(shí)間序列數(shù)據(jù)進(jìn)行作物的識(shí)別就是一種軟變化檢測作物識(shí)別方法，該方法主要是利用MODIS時(shí)序指標(biāo)指數(shù)表達(dá)作物的物候特征，識(shí)別作物。如，Lobell［32］、許文波等［48］利用MODIS時(shí)序數(shù)據(jù)采用線性分解模型識(shí)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(jìn)行作物的識(shí)別核心方法就是進(jìn)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(shí)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(diǎn)和熱點(diǎn)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(jìn)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(biāo)作物為M，A表示M在t1時(shí)刻表現(xiàn)為A類地物狀態(tài)，B表示M在t1時(shí)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(gè)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(huì)造成混合像元現(xiàn)象，進(jìn)而在時(shí)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(biāo)作物M而言，整個(gè)區(qū)域可以劃分為3個(gè)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(jìn)行檢測識(shí)別而言，在時(shí)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(shí)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(jìn)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(biāo)物識(shí)別的誤差，對于提高作物多時(shí)相遙感識(shí)別精度將是一個(gè)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(shí)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(gè)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(gè)像元分配一個(gè)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(zhǔn)確識(shí)別，造成作物識(shí)別誤差。

軟變化檢測方法 (Soft Change Detection，SCD)，利用作物在整個(gè)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(dá)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(shí)別造成誤差;另外，現(xiàn)有研究雖然將硬變化和軟變化進(jìn)行了劃分，但并未對軟變化，尤其在作物豐度，進(jìn)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(dú)采用軟、硬變化檢測均會(huì)給作物識(shí)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(shí)別方法 (Soft and Hard Change Detection Method，SHCD)，以達(dá)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(jìn)行準(zhǔn)確識(shí)別，將成為今后農(nóng)作物遙感變化檢測識(shí)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(shí)現(xiàn)的具體方法并不固定，研究重點(diǎn)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(qiáng)度的計(jì)算和轉(zhuǎn)換。SHCD識(shí)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(jìn)行驗(yàn)證，以及驗(yàn)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(qiáng)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(jìn)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(bào)，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(bào)，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(qiáng)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(shí)序數(shù)據(jù)分析的作物識(shí)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(shí)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(bào)，2004，20(1):155～159

［12］ 李穎，陳秀萬，段紅偉，等．多源多時(shí)相遙感數(shù)據(jù)在冬小麥識(shí)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(shí)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(bào)，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(shí)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(shí)驗(yàn)研究．遙感學(xué)報(bào)，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(yuǎn)，楊邦杰．多時(shí)相歸一化植被指數(shù)NDVI的時(shí)空特征提取與作物長勢模型設(shè)計(jì)．農(nóng)業(yè)工程學(xué)報(bào)，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(shí)相遙感影像農(nóng)作物識(shí)別方法的分析．測繪通報(bào)，2012，380～383

［35］ 殷守敬，吳傳慶，王橋，等．多時(shí)相遙感影像變化檢測方法研究進(jìn)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(jī)與分類后驗(yàn)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(bào)，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(bào)，2007，23(11):195～200

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

［47］ 彭光雄，宮阿都，崔偉宏，等．多時(shí)相影像的典型區(qū)農(nóng)作物識(shí)別分類方法對比研究．地球信息科學(xué)學(xué)報(bào)，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(bào)，2007，23(12):144～149

［49］ 李亮，舒寧，龔龑．考慮時(shí)空關(guān)系的遙感影像變化檢測和變化類型識(shí)別．武漢大學(xué)學(xué)報(bào) (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(bào)，2011，27(2):180～186

［54］ 趙英時(shí)．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(qiáng)，王潤生．基于線特征的多時(shí)相遙感圖像變化檢測．國防科技大學(xué)學(xué)報(bào)，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(dú)立成分分析的高光譜變化檢測．遙感學(xué)報(bào)，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(bào)，2013，42(1):116～122

［78］ 趙喜為．多光譜與全色圖像的配準(zhǔn)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(shí)別冬小麥．遙感學(xué)報(bào)，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(bào)，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?yàn)研究．遙感學(xué)報(bào)，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(dòng)態(tài)監(jiān)測 (Ⅰ)——變化閾值的確定方法．遙感學(xué)報(bào)，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