森林在陆地植被类型中分布最为广泛，在区域和全球生态系统过程中扮演重要的角色。森林植被中储存了大量的碳，并与大气进行交换。景观变化(如城市化、气候或灾害变化及森林管理活动等)因引起不同程度的干扰(Kennedy 等，2015)，即自然干扰(雨雪灾害、病虫害等)和人为干扰(采伐、土地利用变化等)以及干扰后更新事件，进而影响森林碳汇(Turner 等，2015)，因此监测森林干扰对于理解景观、区域甚至全球尺度的森林碳核算和气候变化至关重要(Houghton，2005)。

干扰生态已成为当代生态学研究的活跃领域(朱教君和刘足根，2004)。干扰是森林生态系统动态变化的主要驱动力。干扰的历史影响林分的生长状态，不同干扰的类别、强度和大小能改变林分物种组成和林分结构(Pflugmacher 等，2012；Edwards 等，2014；Cohen 等，2016)。生态学意义上的干扰是指环境状态的一种暂时性改变，它能带来生态系统的显著变化，其发生通常快速且影响较大，常会引起大量的生物量损失(朱教君和刘足根，2004)。其中主要干扰是指地震、火山爆发、海啸、大火、气候变化及人类活动并对环境有毁灭性影响的事件，如森林砍伐(皆伐)以及外来物种入侵；次要干扰是指火灾、洪水、暴风雨、病虫害等事件。干扰力度通过改变自然群落的状况，造成生态系统持续长时间的影响。就遥感变化监测而言，干扰是指任何可以导致森林覆盖率和生物量明显下降或者消失的事件，主要包括皆伐、择伐、可燃物清理，以及由火灾、暴雨和病虫害引起的森林破坏(Huang 等，2010)。本文中的干扰指的是后者。准确、及时掌握森林干扰的时空变化特征对于森林管理和碳核算意义深远。中国现有的关于森林干扰的统计资料有限且缺乏明确的空间含义，因而发展高精度、自动化的基于稠密遥感观测时间序列森林干扰监测模型和方法显得极为迫切。

传统的森林变化监测往往采用时间跨度大的两期或者少数几期同一地区图像进行对比分析(Coppin和Bauer，1996；Coppin 等，2004；Lu 等，2004)。过去20年使用遥感影像进行长时间序列分析主要基于MODIS和AVHRR等有高时间分辨率、低空间分辨率和覆盖范围大的影像(Banskota 等，2014；祝善友 等，2014)，对于面积小的森林变化监测能力较差(李天宏 等，2015)。近年来基于30 m分辨率的Landsat卫星遥感技术的发展为森林干扰的监测提供了数据支撑(杨辰 等，2013；李天宏 等，2015)，特别是时间序列的遥感数据被成功用于森林干扰变化监测(Coppin和Bauer，1996)，而且Landsat8的成功发射与运作也为长时间序列监测提供了新的可能性。但是如何能通过快速有效的手段识别出不同持续时间和地域分布的森林干扰现象是当前及未来一段时间值得探讨的问题。

目前，基于像元的变化监测和面向对象的变化监测是遥感变化监测的重要方法(Chen 等，2012；Lu 等，2004；Singh，1989)。基于像元的方法需要考虑影像质量以及地表复杂性的问题，椒盐问题是影响结果精度的主要因素(Desclée 等，2006)。针对高分辨率影像的分析，更是表现出精度低，椒盐效应明显的问题，而基于面向对象的方法能够改善此问题(Chen 等，2012)。当前面向对象监测方法多结合影像分类进行森林资源的变化监测(李世明 等，2011；贾明明 等，2014；董心玉 等，2016)，开展短周期的监测工作。长时间序列面向对象变化监测的概念是充分利用多时相影像的优势，基于每个对象的光谱信息或者与其相关的其他要素的变化，针对每年影像进行单独分割，并生成空间相关的对象(Chen 等，2012)。进行面向对象的长时间序列分析时，即使是在同一个区域，影像分割后的对象仍会有差异(Chen 等，2012)。面向对象最大的限制问题是定义最小制图单位，小于该制图单位的变化将不会被监测(Desclée 等，2006)。纵观当前研究，基于Landsat长时间序列影像使用面向对象方法监测森林干扰的工作开展较少。其他学者总结了森林干扰研究主要针对监测方法和监测指数开展，有分类后比较法、影像差异法、分类及统计分析法、时间序列分析法、综合分析法及监测指数法等(杨辰和沈润平，2015)；主要针对数据选择和制图开展的工作，有全地面覆盖制图方法、抽样制图的方法，以及选择无云影像困难时开展图像复合的方法(祝善友 等，2014)。但都没有针对性的开展稠密时间序列遥感数据用于干扰监测的分析。本研究围绕森林干扰的特征展开论述，总结了长时间序列Landsat数据用于监测森林干扰的数据选择和预处理工作，以及基于长时间序列Landsat的光谱变量、分类和光谱变化轨迹监测方法的森林干扰研究细节，结合前述方法的优劣势，探索与多源遥感数据结合实现森林干扰制图的方法，并给出如何改进和完善现有森林干扰监测方法的一些见解。

使用Landsat时间序列数据监测森林干扰动态时有许多技术问题(传感器、数据可用性、数据预处理等)需要考虑。可用数据的选择、时间序列数据的预处理(几何校正、辐射校正、大气校正、地形校正)是进行森林干扰变化监测前需要重点解决的问题。可用数据选择和处理的好坏直接决定了森林干扰监测的精度。通常情况下，在一个时间序列堆栈中，每个单独的影像都会受到不同程度的几何误差和大气的影响。选取稳健的校正方法处理这些影像是构建时间序列分析的前提条件。

构建数据完备的时间序列影像数据堆栈很具挑战，因为一些区域不能获取到时空连续的Landsat数据。此外，受云和ETM+数据条带的影响也使得获取高质量的影像数据较为困难。若使用这些质量较差的数据构建足够时间密度的Landsat数据堆栈，对于像元尺度的分析结果影响较大。为了减轻无云影像选取时的困难，假设时间序列中每幅影像每个像元独立于其邻近像元，每年选取多幅影像，进而选取每个像元位置质量最好的像元作为当前像元值(Griffiths 等，2012)，即影像的合成技术。合成影像需要遵照一定规则，选取的多幅影像必须日期接近，避免大气的干扰，或者优先选择来源于相同传感器的影像。特别地，一些自动化云检测方法，以及影像融合技术提供了获取无云影像的手段(Gao 等，2006；Goodwin 等，2013；Hansen 等，2008；Zhu 等，2012)。影像选择时除了考虑云覆盖的影响，影像选取的日期也一样重要，如应用植被物候时要求选取覆盖所有季节的影像。另外，就特定的应用而言，如只选取植被生长季的影像，那么每年影像的日期应尽量一致，避免因物候和太阳角度差异引起年内差异，进而导致光谱的差异。

当前，USGS提供云、阴影、雪和冰覆盖影像的处理和免费下载，处理该数据的算法即CFmask算法。CFMask是云覆盖评价算法，由美国波士顿大学首创，在USGS EROS进一步开发，该算法使用决策树标记像元，检测云区域，并评价云高度将其投影到地表创建云阴影掩膜。与其他云检测算法一样，CFMask在识别明亮地物方面有困难，如建筑顶部、海滩、雪/冰、沙丘和盐湖。在识别过程中薄云也很可能被算法忽略。此外，算法验证时仅验证了云检测结果、少量云阴影检测结果，其余对象并没有执行严格的验证(Foga 等，2017)。另外，在执行Landsat 8云覆盖检测的时候，改进版本的CFMask，不需要热红外波段参与处理，使用卷云波段和变异算法可处理近似Landsat的影像。

Landsat时间序列数据的几何校正目的是为了维持影像几何的一致性，包括精确的配准和地形相关的误差校正。USGS归档的Landsat L1T产品是一种用于美国(几何精度30 m)和全球(50 m)的正射校正产品，依赖于可用的地面控制点数据和数字高程模型DEM (Loveland和Dwyer，2012)。但是在USGS归档的产品中，并不是所有影像都是L1T产品，因为一些影像区域(景)没有充足的地面控制点和高程数据，不能实现精校正或者地形校正，数据处理的结果为Level 1系统校正产品(Potapov 等，2011)。这些影像以及其他非USGS来源的影像需要手动去核实其几何精度。如国内地面站获取的数据，为了确保像元尺度的几何精度，需要选择无云的影像作为基础，配准其他影像，精确的影像配准才能够构建时间序列(沈文娟和李明诗，2014)。美国宇航局NASA提供的免费软件自动化配准和校正包(AROP)能够实现影像间的自动化配准和几何保真(Gao 等，2009)。

辐射校正主要处理影像的辐射扭曲，包括辐射定标、生成卫星反射率、大气校正或者归一化，也使用双向反射分布，通过不同的视角进行影像归一化，以及地形校正(Wulder 等，2012)。在进行时间序列分析时，大多数方法要求由大气引起的影像间辐射差异最小，因而经过大气校正的影像才能参与处理(Helmer 等，2009，2010)。

Landsat影像像元DN值不能真实反映地表物体的反射特性。大气的时间变化特性影响不同日期获取到的影像，最终影响时间序列影像的内部比较。时间序列的大气校正分为绝对校正和相对归一化方法(Schroeder 等，2006)。绝对校正如黑体目标提取(DOS)、太阳光谱的卫星信号二次模拟(6S)、中分辨率大气传输MODTRAN、大气地形校正ACTOR等；相对归一化如多元变化监测MAD、COST/MAD、6S/MAD (Banskota 等，2014)。

绝对大气校正方法使用经验模型或者基于辐射传输的方法校正时间序列内的每一幅影像。DOS方法对影像内的所有像元进行单个的校正，不考虑大气影响下像元与像元之间的变化，不能校正大气散射的倍增效应(Ju 等，2012)，虽然此方法简单，但只能大致调整大气带来的影响，不适用于构建时间序列持续的结果。其他的绝对校正方法中，6S模型使用最为广泛，该模型通过混合不同的大气和微粒建模真实的无云大气，准确地模拟传感器信号。所有绝对大气校正方法共同的不足在于都需要时空明确的大气数据作为输入，如气溶胶和水汽，而卫星以特定的模式过境，使得一些区域或者时间的大气数据不能获取(Banskota 等，2014)。相对归一化方法使用伪不变特征点(PIF)的关系调整时间序列数据的辐射特性来匹配参照影像。PIF的选择参照假设空间定义的对象随着时间序列变化有稳定的反射特性。有许多不同的方法用于选择PIFs (Canty 等，2004)，从手动选取到使用统计方法自动选取PIFs的MAD方法(Canty和Nielsen，2008；Canty 等，2004)。就时间序列而言，参照影像使用绝对大气校正方法进行校正，其他影像使用PIFs归一化到参照影像。

当前存在的大气校正方法并不能完全地校正大气带来的影响。时间序列方法本身能够应对大气和其他影响下反射率的微小波动，因而获取校正的精度并不绝对。一些大区域监测，必要进行校正，用户也可选用对大气影响不敏感的影像光谱变量，如缨帽变换的湿度指数(Song 等，2001；Song和Woodcock，2003)。验证不同的大气校正方法所得的表面反射率，得到了许多混合的结果，可见不同的方法各有优略势。最适合Landsat时间序列的校正方法其特点是针对所有影像有最小的用户交互、方法稳健、透明且一致。尽管相对归一化生成的结果一致，但是方法过多依赖于PIF识别的精度和参照影像的校正好坏。此外，在缺乏详尽的大气数据时，该技术更适合于时间序列分析。

然而，基于辐射传输的方法能够承担大范围的影像处理，但是这些方法需要时空明确的大气数据参与(Vermote 等，2002)。其中值得一提的是，使用6S模型的陆地卫星生态系统干扰自适应处理系统LEDPAS算法(Masek 等，2006)，它能够处理Landsat历史存档(自1982年起的Landsat TM/ETM+)。另外，Landsat 8地表反射率处理算法L8SR/LaSRC，该办法与处理Landsat 5和7的LEDAPS算法不同。表面反射率数据仅包含传感器OLI/TIRS的可见光波段1—7。辐射传输模型为内部算法。校正所用数据是MODIS表面反射气候建模格网(MOD09CMA)的水汽、温度数据、气溶胶光学厚度数据。亮温来源于TIRS的波段10和11。起初的地表反射率数据产品处理算法被称为L8SR，自2016年7月1日起，被地表反射率代码(LaSRC)替代，需注意该算法仍是临时的算法，仍存在变化的可能(Vermote 等，2016)。当前，USGS扩展了L1T产品，USGS地球资源观测和科学中心(EROS ESPA)处理并免费提供了标准化的Landsat地面反射率产品，起初该产品是气候数据记录(CDR)的陆地变量，由LEDPAS算法处理，并且LEDAPS代码已被共享。这些产品能够用于监测长时间的森林干扰变化。从2017年4月20日开始，USGS EROS ESPA更改了已有数据产品的生成模式，原有“CDR”产品不再可用，仅有Landsat Collection 1数据被处理，生成新的数据结构，从而保证了Landsat Level-1产品提供更连续的数据来支撑时间序列分析和数据堆栈。

地形通常影响山区的影像，主要是因为太阳和曲面法线间入射角的变化不同，地形照明的差异性引起。除了改变了地表的入射辐射，也改变了观测的几何形状并带来了二向性反射分布函数(BRDF)的影响(Song和Woodcock，2003)。在时间序列变化监测研究中，生长季时，阴影在缝隙和北坡移动导致了错误的变化识别。可见山区地形校正与大气校正一样重要，特别是用于构建时间序列分析。Richter等人(2009)建议基于比值指数的地形校正方法来减少地形影响，假设地形引起的光照影响分散到两个不同的波段上，两个波段的比值就能减少地形影响。然而，地形影响通常在不同波段间进行变化，比值指数的方法不能提供绝对可靠的结果(Liang，2003)。此外，cosine校正、C校正等被广泛用于地形校正，尽管C校正方法在低光照条件下存在过校正问题(Tan 等，2013)，其被证明是进行Landsat地形校正最有效的方法。Tan等人(2010)构建的模型克服了过校正问题，比C校正方法更具优势。通常情况下，在Landsat时间序列分析中地形校正容易被忽视。学者建议在地形变化显著的区域将地形校正包括在时间序列分析中(Vicente-Serrano 等，2008)。

Landsat的长时间序列分析方法有很多，在应用上各有其针对性。一些分析主要集中于干扰的年份、强度以及干扰类型刻画等方面。干扰分析的技术也被证明在其他应用中发挥着作用，如刻画森林结构(Pflugmacher 等，2012)。森林动态变化主要概括为急剧变化(皆伐、大火、大面积虫害)；部分变化(间伐、林下层火、虫害与疾病)；轻微变化(森林退化、树木生长)。不同的森林变化监测算法的目标是区分真实的地表变化或者感兴趣的变化，并避免背景噪音带来的影响(Kennedy 等，2014)。一些成功的长时间序列Landsat算法能够区分在急剧变化影响下森林的整体损失和恢复(Helmer 等，2010；Huang 等，2009；Kennedy 等，2010)。这些急剧变化也能基于长时间序列的Landsat刻画出干扰年份、干扰类型和森林生长或恢复。然而，尽管技术不断改进(Cohen 等，2010)，由林下火、病虫害及间伐干扰引起的冠层部分减少的现象相对难监测。当前Landsat长时间序列变化监测的方法概括为4种主要类型：光谱变量、影像分类、基于光谱轨迹的分析及数据融合的方法。现有比较流行的基于Landsat的时间序列算法主要来源于北美和欧洲区域，包括由美国俄勒冈州立大学和美国林务局(USFS)发展的基于光谱轨迹的Landsat干扰和趋势监测(LandTrendr) (Shen 等，2017；Kennedy 等，2010)和TimeSync算法(Cohen 等，2010)；由美国马里兰大学及美国宇航局NASA戈达德航空中心(GSFC)发展的植被变化追踪(VCT)算法(Huang 等，2010；Shen 等，2016)；由波士顿大学与美国地球资源观测和科学中心(EROS)发展的持续变化监测和分类(CCDC)和陆地变化监测、评价和投影(LCMAP)方法(Zhu和Woodcock，2014；Zhu 等，2012)；加拿大基于STAR-FM(Gao 等，2006)和LandTrendr衍生的方法(Kennedy 等，2010)；德国基于LandTrendr(Kennedy 等，2010)和SVM发展的方法；还有荷兰季节与趋势断点(BFAST)算法结合Landsat时间序列数据的方法(DeVries 等，2015)(表1)。

在森林干扰监测中，Landsat长时间序列生成的光谱变量主要用于刻画森林变化的长时间动态。光谱变量是单一波段反射率和由原始光谱波段及辅助数据衍生出的不同指数。通常使用的光谱变量对森林结构或者绿色植被叶面积有最大的敏感性，被分成4种类型，概括为光谱波段或光谱波段简单运算、比值指数、缨帽变换指数以及基于指数的光谱混合分析(表1)。

表 1(Table 1)

表 1 基于Landsat长时间序列森林干扰监测主要算法归纳 Table 1 Summary of algorithms for monitoring forest disturbance based on Landsat time series 算法 干扰识别目标 波段/指数 原理介绍 应用范围 VCT (Huang 等，2010) 连续事件，一些低密度干扰难以识别；识别有限的干扰强度；采伐（皆伐）、火存在的森林 IFZ 在前一年基础上构建时间序列连年分析；像元为单位；处理12幅图像平均2—3 h 最早在美国使用，能监测出大部分的皆伐，美西择伐和间伐也能识别。总体精度80%。现用范围自然保护区、国家森林、森林公园、市级尺度及其以上(Huang 等，2015；Li 等，2016；Schroeder 等，2014, 2017；Shen 等，2016；Zhao 等，2015) LandTrendr (Kennedy 等，2010) 连续和缓慢变化的干扰事件；识别宽泛的干扰强度；采伐、火、病虫害存在的森林 NBR 时间序列分割；像元为单位；处理30幅图像平均40 h 最早用于美国西北针叶林。能监测山松甲虫、云杉卷蛾。TimeSync用于验证(Cohen 等，2010)。现用范围自然保护区、国家森林、森林公园、市级尺度及其以上(Cohen 等，2017；Liu 等，2017；沈文娟和李明诗，2017；Shen 等，2017) CCDC (Zhu和Woodcock，2014) 连续事件；识别有限的干扰强度；所有土地覆盖类型 绿光，红光，近红外，中红外1，中红外2 在前一年基础上构建所有年份清晰观测值的物候模型；像元为单位；数据质量、存储和处理要求较高 最早用于新英格兰的土地覆盖监测和分类。总体精度90% Vogelmann2012 (Vogelmann 等，2012) 缓慢变化的干扰事件；识别变化强度；森林、牧场等植被区域 NDVI，短波红外/近红外 长时间的趋势分析；像元为单位 最早用于美国的4个区域，西南森林和牧场区域，怀俄明州牧场，西北内布拉斯加邻近牧场的森林，新罕布什尔怀特山森林区域 Brooks 2014 (Brooks 等，2014) 毁林、森林退化、间伐；适用于土地利用、土地管理变化的区域 残差的谐波回归和统计质量控制表；像元为单位 最早针对美国阿拉巴马的火炬松使用。总体精度85% BFAST+Landsat (DeVries 等，2015) 毁林、农业扩张 NDVI 逻辑回归OLR方法应用下的NDVI变化强度作为预测变量；像元为单位 最早用于南埃塞俄比亚热带山区。用于小尺度的干扰，是热带国家REDD+监测系统的关键组成。总体精度78% 共同之处 像元尺寸为28.5 m的影像能够识别出绝大多数的干扰类别(Wulder 等，2008)。若要精确识别具体的类别需要结合实地数据和高分辨率的图像

表 1 基于Landsat长时间序列森林干扰监测主要算法归纳 Table 1 Summary of algorithms for monitoring forest disturbance based on Landsat time series

光谱波段时间序列能够反映变化的植被结构，已被广泛应用于构建Landsat长时间观测序列(杨辰和沈润平，2015)。这类波段的选择主要取决于其对于植被特性变化时的敏感度。Kennedy等人(2007)使用Landsat短波红外监测美国俄勒冈州针叶林的干扰。Schroeder等人(2011)的研究表明，短波红外在加拿大萨斯喀彻温省北方针叶林火干扰和皆伐干扰制图中获得最高的精度。短波红外用途与意义明显，因为它很少受大气噪音的影响，通常在波段森林光谱显示为低值，而土壤以及非光合作用的植被部位(树皮或者树枝)显示为高值。Lehman等人(2013)发现，使用红光波段和短波红外相加生成的指数与植被密度呈负相关关系并以此实现了澳大利亚森林覆盖变化动态的制图。Huang等人(2010)发展了基于Landsat的植被变化追踪模型(VCT)监测森林干扰，而VCT模型中核心的综合森林指数(IFZ)是根据高置信度森林像元的归一化红光波段和两个短波红外波段进行计算所得。可见，短波红外已凸显其在生态遥感应用方面的科学价值(Cohen和Goward，2004)。

比值指数即使用波段的比值组合来增强植被绿量和背景光谱组分的对比度。常用的光谱指数如归一化植被指数(NDVI)，NDVI对于绿色植被和叶面积敏感，同时也受土壤和大气噪音的强烈影响(Schroeder 等，2011)。归一化水汽指数(NDMI)和归一化燃烧指数(NBR)作为其他常用指数，通过对比近红外和短波红外的光谱差异实现。NDMI已被用在监测森林采伐强度(Jin和Sader，2005)和刻画虫害动态(Goodwin 等，2008)。Kennedy等人(2010)，Cohen等人(2010)和Hais等人(2009)发现与NDVI相比NBR能够识别不同的干扰类型(皆伐、火、甲虫爆发)。黄春波等人(2015)融合NDVI构建改进的IFZ，识别2001年—2012年三峡及其周围区域森林干扰的变化，不足之处是研究发现采伐的年份通常比生长季节影像年份晚一年，IFZ遥感监测的成林时间与现实成林存在时间误差。Hermosilla等人(2015)基于NBR的断点监测获取变化监测机制并识别森林变化。DeVries等人(2015)基于NDVI的时间序列断点跟踪森林干扰，不足在于只能监测小尺度范围的森林退化且可获取的NDVI时间序列数据有限，很难描述森林退化的过程。

缨帽变换(TCT)是一种正交变换，将Landsat波段转化成亮度(Brightness)、绿度(Greenness)和湿度(Wetness)3种不同的组分。TCT能够表现植被的物理特性，并被广泛应用于森林变化的研究(Cohen 等，2002；Healey 等，2005；Jin和Sader，2005；Kayastha 等，2012；Wulder 等，2004)。从构建Landsat长时间堆栈而言，亮度和绿度提供了连接MSS和TM、ETM+数据之间的纽带(Powell 等，2008)。湿度与其他两个组分相比受地形和大气校正的影响较小，有更高的信噪比，常被作为构建长时间序列的指数(Griffiths 等，2012；Jin和Sader，2005；Kennedy 等，2010)。将其与可见光和近红外波段与短波红外波段对比，能预测高郁闭度森林的生长和结构(Cohen 等，1995)，在反映针叶林和阔叶林不同干扰类型方面效果相近(Griffiths 等，2012；Hais 等，2009)。Cohen等人(2010)的研究认为，湿度指数在监测恢复或者持续森林方面表现较好。其他由TCT衍生出来的指数包括干扰指数(DI)(Healey 等，2005；吕莹莹 等，2014；杨辰 等，2013；郁达威 等，2013；张连华 等，2013)、缨帽变换角(TCA)(Gómez 等，2015, 2012；Powell 等，2010；Schroeder 等，2011)。依据树木被采伐后TCB和TCG有相反的光谱反应发展了这些指数，有助于识别干扰类型和强度。

光谱混合分析(SMA)假设每个像元的光谱是多个纯净光谱(即为端元)的线性组合。光谱混合分析估测的郁闭度比值，能够有效地监测半干旱或者干旱区的森林干扰(Röder 等，2008；Yang 等，2012)，在监测火引起的冠层受损(Morton 等，2011)以及热带森林退化方面(Alencar 等，2011)也有出众表现。但是使用SMA的最大困难在于难以找到纯净的端元，因为纯净端元的大小通常小于Landsat像元的尺寸，端元的变化会随着研究区域大小的不断变化而变化(Röder 等，2008)。Asner等人(2009)参照大量野外测量和高光谱卫星影像生成光谱端元，发展了热带毁林和森林退化的自动化监测方法。Souza等人(2013)在巴西亚马逊毁林和森林退化的分类研究，运用从Landsat多维光谱空间中获取端元的影像分析方法。

Sonnenschein等人(2011)的研究发现NVDI、SAVI、Greenness和SMA在分析干旱生态系统的缓慢变化趋势时各自的敏感性区分不大，但在面对急剧干扰事件，如火，区分比较明显。多种光谱变量可以用于构建Landsat长时间序列的森林变化监测，然而并没有一个准则明确指出何为最优变量，通常经验性的选择居多。这些光谱变量不仅在植被结构上表现敏感，还受多种因素的影响，如光照、大气、地形以及土壤背景(Cohen 等，2010；Kennedy 等，2010；Rogan 等，2002；Roy 等，2006；Song 等，2002)。若能创建一个可靠的长时间序列的森林动态监测方法，并能在不同区域推广，需要解决所有变量在不同区域与不同气候状况下，植被动态具有不同敏感性的问题。另外，由于Landsat传感器的不同，在光谱反应上也会表现出较大差异性(Li 等，2014；Teillet 等，2001)。总体上光谱变量在单一波段上的误差比植被指数大(Vogelmann 等，2001)。当前未能统一MSS、TM、ETM+和OLI传感器的辐射一致性，限制了更长时间序列分析的可能性。

基于影像分类的变化监测算法主要将每个感兴趣的时间间隔末年产生的结果进行分类后比较，紧接着把监测到的变化和干扰类型进行比较。对每幅影像进行单独的分类，避免了因日期不同带来的辐射定标问题(Coppin 等，2004)。同时选取严格的方法用于影像大气校正对于分类后的比较并不存在绝对必要。分类后比较的精度主要取决于原始影像分类的结果，因为原始影像错分以及校正误差会影响变化检测的精度值。

前述的分类方法多用于监测两期时间间隔的变化(Coppin 等，2004；Lu 等，2004)。Helmer等人(2010)基于1984年—2002年8期的Landsat影像，构建决策树算法分类每年的Landsat影像，生成土地覆盖类型和森林干扰类型。Potapov等人(2012)基于2000年—2010年的Landsat影像，利用决策树分类器进行刚果民主共和国地区森林变化的制图，监测结果与Hansen等人(2008)1990年—2000年的变化结果进行了比较，并分析了森林覆盖损失的动态。以上分类方法的优势在于有完整的信息作为输入变量，包括Landsat波段、波段的衍生数据以及其他数据源。值得一提的是，分类结果为分析区域多时相干扰提供了可能性，避免了轨迹分析时缺乏连续时间的问题。Souza等人(2013)使用基于光谱混合分析的影像组分作为决策树分类的输入变量。该方法能够很好地实现择伐和林火导致的毁林和森林退化的空间制图。不同于两期影像分类的变化监测，Schroeder等人(2011)基于Landsat时间序列堆栈中所有的影像用最短距离分类实现北方森林林火和采伐的制图。Zhao等人(2015)利用1984年—2010年的Landsat连续时间影像，使用支持向量机算法分类美国黄石国家公园森林干扰类型(火和采伐)。Helmer等人(2010)通过对无云影像生成的74个波段进行决策树分类，进行土地覆盖类别、森林干扰类型和年龄制图，RGB湿度指数组合被当做森林干扰类型和年龄识别的参照数据。Franklin等人(2015)基于随机森林模型进行土地覆盖分类，将森林干扰和恢复的变化监测结果、光谱波段及其指数和地形数据作为输入数据。Cohen等人(2016)借助TimeSync、Google Earth高空间分辨率的图像以及与干扰类型相关的辅助数据解译干扰发生的时间、过程和类型。

基于光谱轨迹的方法使用时间模式的光谱变量监测干扰类型和强度。与分类不同的是，轨迹方法分析光谱变量的时间序列关系，主要概括为4种方法(Banskota 等，2014)：基于阈值的变化监测、单一曲线拟合、假定的曲线拟合以及轨迹分割。基于阈值的变化监测需要有一个预先的阈值才能判定森林干扰；曲线拟合和轨迹分割的方法从时间序列信息中获取趋势和干扰事件，不需要阈值评价；基于轨迹的方法利用多年影像实现细微趋势的变化监测。基于影像对的变化监测所得结果仅得到单一的变化，而基于轨迹的变化方法通过变化的比率或者强度呈现变化，不需要额外的分析步骤来生成分类数据集。但是轨迹方法为了减少因物候、双向反射分布BRDF和大气影响带来的错误变化监测，要求输入的影像经过有效的辐射校正且数据连续。因此，需要基于有效的影像密度构成连续时间序列来捕捉干扰。

基于阈值的方法要求设定阈值来决定时间序列的森林像元，与之前年份相比阈值偏差大的这一年份被当做干扰年份。并从其他年份偏差中获取到的信息来识别干扰和恢复的强度。Huang等人(2010)发展的VCT算法是一种基于阈值的自动化森林变化制图方法，使用森林指数IFZ作为光谱变量进行时间序列分析。Liu等人(2013)通过归一化不同时间的物候，修改了IFZ模型，修改后模型能够弥补区域缺乏植被生长期影像的问题。Kayastha等人(2012)使用了缨帽变换指数发展了森林指数。阈值方法最大的限制在于阈值选择的经验性，不能直接推广到其他具有不同植被类型和植被密度的区域。Thomas等人(2011)使用VCT发展美国6个区域的森林干扰图，发现该方法在高郁闭度森林和高烈度干扰区域表现出色，但是在一些稀疏的植被覆盖区域和间伐以及因自然干扰引起的部分受灾区域表现一般。Zhu等人(2014)发展了持续变化监测和分类(CCDC)算法监测急剧的变化，由于不同的土地覆盖类型的光谱反射不同，来源于Landsat影像的3倍均方根误差的阈值和3个连续时间的观测被使用来定义变化，该方法能够监测土地覆盖的变化，但是经常在火烧区域、虫害感染的森林监测时丢失细小的变化(Zhu 等，2015)。为了捕捉到细微的变化，两倍于均方根误差的阈值被使用于变化监测以及6个连续时间观测被用于移除误差(Zhu 等，2012)。Vogelmann等人(2016)的研究证明了新的CCDC算法在植被趋势分析方面具有积极的作用，能够监测到急剧、物候和缓慢变化3种不同的变化。

单变量时间序列数据作为轨迹变化监测方法的一种，它是长时间趋势、季节变动和随机误差多因素综合的结果(De Beurs和Henebry，2005)。为了减少Landsat长时间序列分析的季节影响，绝大多数研究通常选取植被生长旺盛时期的连续影像。基于像元尺度的趋势分析函数主要是在光谱变量和时间之间构建最小二乘回归(LSR)拟合。函数的斜率预示着基于光谱变量所得的植被覆盖或者密度的增加或者减少。斜率与零值的显著差异决定了变化趋势存在与否(Vogelmann 等，2012)。斜率随着时间的变化而改变，Landsat时间序列初始到结束的拟合值之间的差异被用于刻画时间序列的变化强度(Sonnenschein 等，2011)。许多研究使用单一曲线拟合分析森林动态变化。Röder等人(2008)使用1984年—2000年间15期Landsat影像的线性趋势分析刻画植被覆盖的时空发展模式。Olsson(2009)利用线性最小二乘回归评价森林变量和多光谱波段之间的预测关系。Lehmann等人(2013)基于Landsat使用线性和二次拟合分析澳大利亚森林覆盖趋势，斜率总结了线性趋势的变化，二次曲率系数是重要的监测干扰和恢复的变量。McManus等人(2012)基于1986年—2010年共24年的Landsat影像分析了加拿大魁北克北方森林和冻土植被应对气候变化的情况，NDVI线性趋势表现出正相关的区域预示着生长季叶面积的增加。Vogelman等人(2012)使用趋势分析评价4种不同自然生态系统的缓慢变化，其中趋势分析的总准则是回归模型具有高的正相关或者负相关的斜率值，在统计上具有显著性，所以在0.01和0.05置信水平的像元位置能有效描述空间变化趋势。

然而，趋势分析方法的缺点是最小二乘回归所得的标准统计假设存在问题，如数据的正态和等方差很难达到(De Beurs和Henebry，2005)。违反假设会导致拟合函数所得数据分布不合理(Chandler和Scott，2011)。同样地，数据自相关会给一些小样本值带来错误的标准差估计，使得标准假设检验和置信区间无效。另外，统计的异常值给趋势估计带来挑战，因为回归估计对异常观测敏感，最终影响了趋势的拟合(Muhlbauer 等，2009)。总之，趋势的误差会导致数据的错误辨别。统计的异常值既会影响显著性水平也极大影响置信区间和假设检验的敏感性。

许多森林变化在干扰前后有明显的时间变化过程，会显示出一些特定的光谱和时间的信号(Hayes和Cohen，2007；Kennedy 等，2007)。森林的缓慢变化可能是线性的趋势，而当森林处于稳定状态，不会有斜率变化存在。同样地，急剧干扰会导致光谱轨迹的急剧变化，并会紧接着存在稳定不变、增加或者减少的趋势，这些完全由森林的恢复过程决定。森林像元变化的趋势分析最好是能分离出一些特定森林干扰类型的拟合曲线，而不仅是利用单一的线性关系或者多项式函数关系来刻画像元总的趋势。该方法要求用识别不同干扰类型的光谱变量进行解释，根据其变化进行估计。基于轨迹的变化监测被解释成有监的变化监测方法，即用假设的不同轨迹来表示不同干扰类型的训练信号(Verbesselt 等，2010)。该方法的限制在于需要预先设定轨迹的形状，并且方法若要发挥最大效用需要观测到的轨迹与假设的轨迹保持一致。Kennedy等人(2007)使用了一个较为完善的轨迹拟合方法监测和标记了美国俄勒冈针叶林的干扰。Gillanders等人(2008)就加拿大阿尔伯塔矿区发展和北方森林恢复比较了每个像元与4个预先设定的干扰曲线的轨迹。

构建整个时间段总体的趋势是长时间趋势常有的分析。Kennedy等人(2010)发展了LandTrendr算法刻画时间分割的轨迹趋势。该方法使用内在数据驱动的方法将轨迹分解成一系列的直线分段，获取光谱轨迹特性和分段特性。分割的结果是光谱轨迹的简化，分割点的位置和光谱值提供了用于生成变化图或者用一些预测变量来解释森林结构的有效信息(Pflugmacher 等，2012)。本方法的优势在于直线分割可以监测到急剧的干扰事件，以及持续缓慢变化事件如森林生长。另外，该方法不需要预先设定变化模型，因为数据本身就能决定轨迹的形状。Cohen等人(2010)发现LandTrendr方法能捕捉到急剧的干扰，如皆伐，而且该方法比两期间隔的变化监测算法更具优势，还能监测细微或者低密度的变化，如虫害引起的干扰和干扰后恢复。

LandTrendr算法在不同区域及不同干扰机制下都有应用(Griffiths 等，2012；Kennedy 等；2010；Meigs 等，2011；Ohmann 等，2012)。除了用于监测一些急剧事件和趋势变化，LandTrendr的优势还在于计算一些度量指标来反映干扰强度和森林更新的信息。另外，分割的过程将时间序列中的噪音分割成简化的序列，避免了大量错误识别的存在(Kennedy 等，2010)，而且在整合多期影像选取无云像元方面表现灵活。其不足之处在于依赖于F统计的p值决定最后的分段数量，因为可靠的p值会减少不同噪音和自相关的存在，特别是对于一些小尺度的数据。Hermosilla等人(2015)沿袭了LandTrendr的轨迹分割思想，发展了一系列刻画变化机制的要素如趋势、分割和断点，最大分割数和最大合并权重需要预先计算，存在的一个问题是只有主要的事件能被捕捉到，监测一些小的干扰会受影响，在数据不足时创建的替换值不可能准确的表达真实的光谱值。

基于轨迹的变化监测方法(Huang 等，2010；Kennedy 等，2010；Vogelman 等，2012)需要建立在每年的影像在生长季且质量较好的基础之上才能获取到高精度的监测结果，并形成可以同层次比较的物候状态。然而，云的污染以及气候状况的内部差异性，形成每年相近日期的影像序列通常较为困难。间隔年份的时间序列轨迹会影响变化监测的结果。Zhu等人(2012)的方法基于像元尺度所有清晰的观测数据构建长时间的变化监测CCDC算法，而不是仅仅依赖于无云的影像。该方法能够更好地刻画不同年份每个像元的时间轨迹(Zhu 等，2012；Zhu和Woodcock，2014)，识别出急剧变化和一些缓慢变化事件，并建模实现物候变化和年际变化。

单独使用Landsat时间序列数据监测森林干扰的成功案例如前所述。然而森林变化动态的异质性需要Landsat数据与高时空分辨率的其他遥感数据结合来更好地监测变化，以期提供更多关于森林经营和森林保护方面的信息。现存的任何传感器均不能既满足高时间分辨率又满足高空间分辨率的需求。此外，若要在美国之外的区域形成稠密时间序列的Landsat影像堆栈通常具有挑战性。因此，多源数据的联合使用将在森林监测的尺度、空间、时间、持续性方面发挥不可替代的作用。

粗分辨率(>250 m)的数据如MODIS、VIIRS、欧空局2016年2月发射的Sentinel-3具备每日观测的高时间分辨率优势。Xin等人(2013)将MODIS与Landsat融合，使用影像区分的方法(Singh，1989)监测森林干扰，即基于NDVI变化的经验阈值识别森林变化。优点在于预测近实时；缺点为阈值是针对小区域的经验值，在大区域使用会产生问题。Zhu等人(2016)发展了灵活的时空数据融合方法(FSDAF)，方法基于光谱非混合分析和样条插值，将粗空间分辨率的MODIS数据和Landsat数据整合。优势在于输入的数据少，能够满足景观的异质性并且能预测缓慢变化和不同类型变化。Schmidt等人(2015)为了监测森林干扰和损失，基于时空自适应反射率融合模型(STARFM)将Landsat数据与MODIS数据模拟成8 d间隔的30 m空间分辨率数据，时间跨度为2000年—2011年共12年数据，结果表明时间序列模拟数据与实际数据相比的精度很高，可决系数值均高于0.8，并能够解释开放森林发生的干扰事件，数据的整合更好地描述了物候变化。Dutrieux等人(2015)基于断点监测算法(BFAST)(Verbesselt 等，2012)，结合Landsat和MODIS(NDVI)以及降雨量数据进行森林变化监测，结果MODIS NDVI的总体监测精度达到87%。李洛晞等人(2016)利用2001年—2013年的MODIS数据以及5种森林干扰指数NDVI、NBRI、NDMI、IFZ和DI，并结合植被变化追踪算法VCT的原理，以Landsat影像的目视解译作为精度验证参照，分析不同指数和方法在森林干扰提取时的精度，结果表明DI对森林干扰的响应能力较强。另外，2011年10月VIIRS数据发射与MODIS数据构成连续的观测时间，两种数据的空间和时间连续性适合监测长时间的森林动态(Sulla-Menashe 等，2014)。

低于1 m高空间分辨率的IKONOS、Quickbird、Wordview、OrbView，能够覆盖全球。Neigh等人(2013)介绍美国政府已免费提供不到1 m分辨率的商业影像给政府相关的研究工作。Neigh等人(2016)使用VCT数据评估干扰引起的森林全部更替，并将其用于IKONOS冠层高模型。虽然lidar数据精度高，但是不适合大区域连续时间的使用。Li等人(2011)介绍了Landsat和地球科学激光测高系统(GLAS)搭载的冰、云和地面高度卫星(ICESat)lidar数据融合的方法，进行密西西比州幼林树高建模，Landsat时间序列数据和VCT算法主要用于获取森林干扰和干扰后的更新，最终构建树高与干扰及其更新的关系。Wang等人(2016)整合2009年的机载雷达和Landsat时间序列影像(1986年—2002年)获取森林覆盖的变化信息。

与Landsat空间分辨率相似的印度遥感影像(IRS)、欧空局合成孔径雷达Sentinel-1和Sentinel-2影像、日本ALOS PALSAR、HJ星、高分(GF)和中巴资源卫星以及EO-1先进陆地成像仪(ALI)，这些影像的分辨率约30 m，Landsat具备16 d的重访周期，Sentinel-2具有5 d的重访周期，Sentinel-1具有6 d的重访周期。以上数据接近每日的重访有助于连续变化的监测，在Landsat数据不足的情况下，可以作为补充数据。Helmer等人(2010)发展了Landsat和ALI影像时间序列，并发现树高与干扰类型和树龄之间较强的关系，快鸟数据也被作为分类的参照数据。来源于ALI的影像有12位的多光谱波段，与Landsat8 OLI相似。另外，与Landsat数据相比，雷达不受云和阴影的影响，数据质量有保证。Sentinel-2自2015年被使用以来，提供了与Landsat结合的可能性，也为光谱值的空间和光谱完整性提供了机会。但是需要进一步探索并解决不同光谱波段带宽或者不同空间分辨率影像整合的问题(Hermosilla 等，2015)。Reiche等人(2015)将2004年—2012年的Landsat数据与2007年—2010年的ALOS PALSAR数据结合，基于像元尺度的多传感器融合方法监测森林毁林。印度遥感卫星(IRS)和中巴资源卫星(CBERS-2 HRCCD)有必要的光谱、空间和时间特性，能够提供覆盖全球的观测数据(Chen 等，2013)。由于IRS的AWiFS传感器的光谱波段与Landsat的绿光、红光、近红外波段和短波红外波段相似，Chen等人(2013)将2007年IRS-P6 AWiFS影像与1984年—2010年的Landsat时间序列堆栈整合，并结合VCT方法监测森林干扰，干扰图的Kappa系数高达0.97。

本文对Landsat长时间序列遥感数据准备与预处理以及监测指数与算法监测用于森林干扰进行了总结，并列出了Landsat与多源数据融合的不同表现，综合分析比较了这些方法的优缺点及其应用。文中提及根据不同森林干扰的识别需求选取不同光谱变量，并发挥其作用，构建时间序列分析。缨帽变换的各组分在许多干扰识别的应用中表现出优势并被作为首要的选择，特别是它能将MSS和其他Landsat传感器(TM、ETM+、OLI)的数据结合。因而，基于Landsat的森林干扰长时间序列分析方法可以建立在超过40年的连续数据基础之上。分类变化监测技术扩展了基于传统两幅影像实现变化监测的方法；基于轨迹的方法通过识别了干扰、恢复事件的趋势和断点，从而区分不同的干扰事件。总之，需要根据特定的干扰识别和监测需求选取不同方法进行尝试使用，并建立在了解该方法优劣势的前提下。可以看出，尽管近年来长时间序列的森林干扰监测技术与方法得到了较好的应用，然而随着新的数据不断出现，新的方法与技术将被继续探索。仍需要做好以下几个方面的研究工作：

(1)因为在交叉定标美国地质调查局USGS Level 1产品时，并没有详尽地开展关于光谱反射不一致问题的影响研究(Banskota 等，2014)。在使用缨帽变换的组分和其他指数构建时间序列分析时(Landsat 4-8)，需要量化由于不同传感器的不同光谱反射所带来的不确定性。同时，需要重点考虑物候、湿度和大气状况的年内与年际变化对于光谱信号的影响。

(2)开展基于Landsat和国产卫星影像数据的森林干扰监测方法研究。如与本土的环境星、高分卫星和中巴资源卫星等结合，都是值得深入探讨的研究方向，也是未来森林变化监测发展的一个新走向。不同传感器获取的遥感影像在波段设置、空间分辨率和幅宽等方面均可能存在差异，如何协调影像的预处理误差和数据格式的差异，实现不同来源影像数据的融合，是多源多时相遥感影像应用的前提。事实上，不同数据源之间的贡献差异也不容忽视。另外，近年来，随着大量卫星传感器开始获取数据，以及遥感影像开放获取政策的逐步推动，加之美国宇航局NASA地球交换(NEX)大数据处理的平台，Google Earth Engine(GEE)云平台，商业云的广泛提及，为科学数据的处理与共享提供契机，如何实现大数据的共享服务值得探讨。

(3)一直以来精度评价的工作是个挑战。长时间序列的变化监测验证和精度的评价需要很多土地覆盖类型和地表参照数据作为支撑，时间序列变化图的验证需要收集时间序列中不同观测年份的参照数据，图的精度评价通常基于变化类别是否被正确的识别，如干扰、变化年份。历史参照数据的缺乏，使得干扰制图的精度验证在研究中通常被省略，因而也使得变化图的可信度受到影响。Cohen等人(2010)的研究尝试了一些创新性的识别和验证的方法(TimeSync)来评估Landsat长时间序列的变化产品，若缺乏高分辨率的Google Earth图像也会影响结果。通常干扰面积小块分布，时间分布上也较为分散，验证时合理的采样设计尤为重要，对于时空特性的不一致都要表现出敏感性。分层随机抽样通过可视化解译影像解决以上问题，提供了合理的精度(Thomas 等，2011)。另外，可以考虑结合历史的实地调查数据、高分辨率卫片和影像。

当前国内外关于森林干扰监测的方法较多，就国外长时间序列的自动化变化监测方法而言，对于中国目前森林干扰的监测工作具备很好的借鉴意义。森林的干扰与碳储量和碳汇关系密切，建立和完善适用于中国森林的干扰监测方法具有重要的理论意义和应用价值。