自然资源遥感, 2022, 34(4): 105-112 doi: 10.6046/zrzyyg.2021351

技术方法

基于时空谱特征的遥感影像时间序列变化检测

秦乐,1, 何鹏2, 马玉忠3, 刘建强4, 杨彬,1

1.湖南大学电气与信息工程学院,长沙 410082

2.南华大学机械工程学院,衡阳 421000

3.山东省国土测绘院,济南 250014

4.国家卫星海洋应用中心,北京 100081

Change detection of satellite time series images based on spatial-temporal-spectral features

QIN Le,1, HE Peng2, MA Yuzhong3, LIU Jianqiang4, YANG Bin,1

1. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China

2. School of Mechanical Engineering, University of South China, Hengyang 421000, China

3. Shandong Provincial Institute of Land Surveying and Mapping, Jinan 250014, China

4. Key Laboratory of Space Ocean Remote Sensing and Application, Ministry of Natural Resources, Beijing 100081, China

通讯作者: 杨 彬(1989-),男,博士,副教授,研究方向为遥感图像处理。Email:binyang@hnu.edu.cn

收稿日期: 2021-10-21   修回日期: 2021-12-2  

基金资助: 国家自然科学基金项目“基于偏振反射与光谱不变量的植被氮含量遥感反演”(41801227)
湖南省自然科学基金项目“基于随机辐射传输理论的农作物叶面积指数和叶绿素含量遥感反演”(2019JJ50047)

Received: 2021-10-21   Revised: 2021-12-2  

作者简介 About authors

秦 乐(1997-),男,硕士研究生,研究方向为遥感影像时间序列的变化检测。Email: hnuqinle@hnu.edu.cn

摘要

相较于常见的双时相遥感影像,时间序列遥感影像包含更丰富的地表信息,能够缓解“异物同谱”、“同物异谱”的影响,因而在变化检测中具有重要作用。但是目前时间序列遥感影像变化检测方法大多基于像素展开,忽略了像素和周围环境的空间关系,导致变化检测结果“噪声”现象明显。基于此,提出了一种基于时空谱特征的时间序列遥感变化检测算法(change detection based on spatial-temporal-spectral features, CDSTS)。首先,利用灰度共生矩阵和局部统计计算方法,从Landsat时间序列遥感影像中提取每个像素点的时间、空间(纹理和统计)和光谱特征; 其次,通过每个像素在不同波段上的时间序列表现规律,自动筛选出时序特征异常点,并与连续变化检测和分类法(continuous change detection and classification, CCDC)检测结果融合获取高精度变化/未变化训练样本点; 最后,利用上述样本点及其对应的时空谱特征训练支持向量机分类器,并基于该分类器对全图进行分类。结果表明,CDSTS算法在变化区域检测精准度方面明显优于常用的时间序列变化检测算法CCDC和土地扰动连续监测方法(continuous monitoring of land disturbance,COLD),总体精度提升了4.8~11.7百分点。

关键词: Landsat; 时间序列; 变化检测; 纹理特征

Abstract

Compared with common dual-temporal satellite images, satellite time series images contain richer surface information and can alleviate the impact of foreign objects with the same spectrum and the same object with different spectra. Therefore, they play an important role in change detection. However, the change detection methods for satellite time series images are mostly based on pixels and ignore the spatial relationship between pixels and their surroundings. This causes noise in the change detection result. Accordingly, this study proposed a method of change detection based on spatial-temporal-spectral features(CDSTS) for satellite time series images. First, the temporal, spatial (textural and statistical), and spectral features of each pixel were extracted from Landsat time series images using a gray-level co-occurrence matrix and local statistical calculation methods. Then, anomalies of time series features were automatically screened according to the time series performance regularity of each pixel in different bands. These anomalies were then fused with the detection results of the continuous change detection and classification method (CCDC) to obtain high-precision changed/unchanged training sample points. Finally, the SVM classifier was trained using the training sample points and their corresponding spatial-temporal-spectral features for full graph classification. The results show that the CDSTS algorithm significantly outperforms the commonly used time series change detection algorithms CCDC and COLD (continuous monitoring of land disturbance) in terms of change detection precision, with the overall precision improved by 4.8 to 11.7 percentage points.

Keywords: Landsat; time series; change detection; textural feature

PDF (5751KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

秦乐, 何鹏, 马玉忠, 刘建强, 杨彬. 基于时空谱特征的遥感影像时间序列变化检测[J]. 自然资源遥感, 2022, 34(4): 105-112 doi:10.6046/zrzyyg.2021351

QIN Le, HE Peng, MA Yuzhong, LIU Jianqiang, YANG Bin. Change detection of satellite time series images based on spatial-temporal-spectral features[J]. Remote Sensing for Land & Resources, 2022, 34(4): 105-112 doi:10.6046/zrzyyg.2021351

0 引言

地球表面由于植被物候、土地管理、气候变化、森林砍伐、城市化等诸多因素的影响总是在不断发生变化。变化检测是通过对地物或现象进行多次观测从而识别其状态变化的过程[1]。它可以提供地球表面的变化信息,对于土地覆盖监测、自然灾害损害评估和城市扩张监管等应用至关重要[2-6]

各国学者从不同的角度研究了大量的变化检测算法和理论模型。从检测变化的本质策略上可以将这些算法分为2大类: 双时相影像变化检测和时间序列影像变化检测。双时相变化检测使用2幅影像检测前后2个时刻地面的变化,变化向量分析法、主成分分析法以及深度学习等变化检测算法都采用了双时相影像[7-10]。随着神经网络在遥感领域的不断发展,很多基于深度学习的变化检测方法被用来处理遥感影像数据之间的相关性特征[11-12],但这种方法大多是双时相的变化检测,很难对长时间序列的影像进行处理。在多云或多雨的地区,可能需要数年时间才能收集到理想的2幅影像,所以双时相变化检测的方法具有明显的局限性。而时间序列变化检测通过连续的时间序列影像分析地表随时间的变化规律,即使某些影像中的部分区域被云和云阴影覆盖也可以通过时间序列进行变化检测,而且时间序列遥感影像包含更丰富的地表信息,能够减少“异物同谱”、“同物异谱”的影响。随着遥感卫星历史数据的不断普及,遥感影像时间序列的变化检测受到越来越多的关注[13-17]

针对时间序列变化检测在各领域的应用需求,时间序列变化检测方法正在不断发展[18-19]。比如Kennedy等[20]通过逐个像素提取植被表面变化的多时相光谱轨迹,并假设变化是以不同的速率连续发生的,提出基于Landsat影像的植被表面变化趋势的检测方法; Huang等[21]使用一种植被变化跟踪器方法来检测森林变化,它将每个像素的反射率归一化为概率指数,然后通过确定阈值来检测植被变化; Verbesselt等[22]提出了一种季节趋势的断点检测算法,研究每个像素的变化趋势,并基于这种变化趋势在新收集的影像中检测变化; Zhu等[23]将变化检测从植被扩展到其他地表,并提出了一种使用所有可用的Landsat影像的连续变化探测和分类法(continuous change detection and classification,CCDC),利用同一区域积累的Landsat历史影像为每个像素拟合一条曲线,通过比较模型预测值来检测变化。CCDC成为从遥感卫星时间序列中检测变化的最受欢迎的方法之一,并被选为美国地质勘探局进行变化检测的官方算法。在此基础上Zhu等[24]又提出一种利用不同输入、不同系数个数的时间序列模型对土地扰动进行连续监测的方法(continuous monitoring of land disturbance,COLD),它可以对目标区域的地表变化进行实时监测。

目前现有的基于遥感影像时间序列的变化检测主要存在以下问题: ①大多数变化检测方法是基于像素的方法,其假设像素之间是独立的,却忽略像素和周围环境的空间关系[25-26],导致变化检测结果“噪声”现象明显; ②在变化检测中通常需要“告诉”计算机什么样的特征变化是真正的变化,即训练过程需要标记出变化和未变化的像素,这个标记过程如果可以通过算法自动完成,就可以节省大量准备训练样本的时间。

为了解决上述问题,本文提出了一种基于时空谱特征的时间序列遥感变化检测算法(change detection based on spatial-temporal-spectral features, CDSTS)。首先,从Landsat影像时间序列中提取光谱、纹理和统计特征,并将它们堆叠处理获得高维特征矩阵; 其次,设计一种无监督的方法自动生成训练样本及标签; 利用支持向量机对训练样本点的时空谱特征进行训练并对全图进行预测,进而得到变化检测结果; 最后,在中国5个不同类型的地区进行变化测试并与其他方法对比进行精度评估。

1 研究区和数据源

为了验证CDSTS在不同场景区域中的应用效果,在常德(CD)、岳阳(YY)、福清(FQ)、雄安(XA)和防城港(FCG)这5个中国城市中各选择120 km2左右的区域作为研究对象。选择这些场景进行研究主要有2个原因: 第一,这些区域包含城郊、湿地、海岸线、植被和城市等场景,有助于验证CDSTS算法对不同土地类型变化检测的适用性; 第二,由于城市化的快速发展和大规模基础设施建设,这些研究区域在2013—2020年间发生了明显的土地类型变化。

本文使用的多时相遥感影像来自Landsat卫星影像Level-2级Collection 1数据,其中Collection 1由Tier 1,Tier 2以及Real-Time这3层组成。Tier 1由最高质量的Landsat数据组成,所以最适合用于时间序列的变化检测。文章收集使用了2013—2020年间Landsat7和Landsat8卫星所有可用的遥感影像作为研究对象,每幅遥感影像包含7个光谱波段: 蓝光波段、绿光波段、红光波段、近红外波段(near infrared, NIR)、短波红外波段1和波段2(short wave infrared, SWIR)和热红外波段(thermal infrared, TIR)。

图1是2013—2020年各个研究区域使用的影像数量,CD,YY,FQ,XA和FCG这5个场景使用的影像总数分别是87,109,141,151和83。

图1

图1   各研究区域每年使用的影像数量

Fig.1   Number of used images for each study area in each year


2 研究方法

本文提出的CDSTS算法主要包括以下3个步骤: ①特征提取; ②获取训练样本和变化检测; ③精度评估。其流程如图2所示。

图2

图2   CDSTS算法流程

Fig.2   Workflow of the CDSTS


2.1 特征提取

特征提取的目的是构建一个高维的叠加特征矩阵,该矩阵由Landsat影像的时空谱特征组成。提取的特征主要包括光谱特征、纹理特征、统计特征和时间特征。纹理特征和统计特征考虑了像素和周围环境的空间关系,可以有效提高变化检测结果的准确性。如图3所示,虽然图3(a)中红点位置像素的光谱信息在2017年12月8日(图3(b)中红色竖线位置)没有发生明显变化,但是地表的空间纹理却在2017年12月8日(图3(c)和图3(d)中红色竖线位置)发生变化,这种变化可以在空间特征中清楚显示。

图3

图3   样本像素的归一化光谱、纹理和统计特征

Fig.3   Normalized spectral, textural and statistical features for a sample pixel


1)光谱特征。地表的光谱反射率会随土地类型的改变而出现变化,这是判断地表是否发生变化的重要依据。在本研究中,Landsat影像的光谱特征Sp公式为:

Sp={ρb,ρg,ρr,ρn,ρs1,ρs2,tT}

式中: ρb,ρg,ρr,ρn,ρs1,ρs2分别为蓝光波段、绿光波段、红光波段、近红外波段NIR、短波红外波段SWIR 1和SWIR 2的地表反射率; tT为热红外波段的地表温度。值得注意的是,大部分的时序变化检测方法(如CCDC和COLD)仅使用影像中的光谱特征Sp进行变化检测。

2)纹理特征。纹理特征可以用来区分不同的土地覆盖类型,目前它已被广泛用于检测土地覆盖类型的算法中。灰度共生矩阵(gray-level co-occurrence matrix,GLCM)作为一种能有效从遥感影像中提取纹理特征的方法而被广泛使用。纹理特征Te的公式为:

Te={G1,G2,G3,G4,G5,G6,G7,G8}

式中G1G8分别为灰度共生矩阵GLCM的8种特征,即均值、方差、对比度、相异度、熵、二阶矩、同质性和集群阴影。在4个方向上(0°,45°,90°和135°)分别计算GLCM的特征值并求取平均值。

3)统计特征。土地类型的变化检测通常包括局部区域的变化细节。在本研究中,利用滑动窗口的方式计算统计特征(即均值和方差),来描述遥感影像局部区域的变化细节。统计特征St的公式为:

St={Mean,Variance}
Mean=i=1,j=1nV(i,j)n2
Variance=i=1,j=1n[V(i,j)-Mean]2n2

式中: n为窗口的大小,本文中n设置为3; V(i,j)为移动窗口第i行和第j列所对应的光谱值。需要注意的是,纹理特征值中的均值和方差是使用GLCM的特征值计算得到的,而统计特征中的均值和方差是直接使用地表反射率或温度计算得到的。

4)时间特征。通过光谱、纹理和统计特征的堆叠可获得第k幅Landsat影像的时间特征,即

Fk={Sp,Te,St}

将所有遥感影像的时间特征Fk按照时间顺序堆叠到一起,最终就能得到时空谱特征,即

F={F1,F2,,FM}

式中M为Landsat影像的数量。为了减少特征值大小不同导致的影响,将特征值进行归一化处理,即

PV'=PV-PVminPVmax-PVmin

式中: PVPV'分别为归一化前后每个特征的值; PVmaxPVmin分别为归一化前每个特征值对应的最大值和最小值。

2.2 获取训练样本和变化预测

研究使用的CDSTS算法中设计了一种无监督的方法自动生成支持向量机训练所必需的训练样本及标签。无监督获取训练样本的方式如下:

1)CCDC先验知识获取。尽管CCDC没有利用像素间的空间信息,但其变化检测结果可以作为选择训练样本时的先验知识。CCDC算法为每个像素拟合一条曲线,通过比较模型预测值来检测变化,最终将像素分为变化像素和未变化像素,CCDC模型的公式为:

ρ(i,x)=a0,i+a1,icos(2πx365)+b1,isin(2πx365)+c1,i

式中: ρ(i,x)为波段值; x为儒略日; a0,i为第i个 Landsat波段的总体值的系数; a1,ib1,i为第i个波段的年内变化系数; c1,i为第i个波段的年际变化系数。如果预测值和实际观测值之间的差异连续3次超过阈值时,会被认为是发生了地表变化。

2)变化训练样本提取。变化训练样本的提取是将每个像素的所有观测值全部用于拟合式(9),如果没有发生变化,那么通过拟合得到的预测值将接近测量值。此时,观测值与预测值之间的均方根误差(root mean square error,RMSE)很小。相反,如果发生变化,二者之间的RMSE会很高。因此,RMSE可以被用作区分变化的和未变化像素的指标。训练样本中变化样本的获得方式具体如下: 对每个像素在不同波段上的时间序列进行拟合并分别计算RMSE,利用大津阈值算法分别对不同波段得到的RMSE结果进行阈值分割得到各波段的预检测结果图C,如果某个像素在7个波段中有N次被检测为变化点,则它被认定为发生了变化的像素,通过这种投票机制获得变化图Prc。最后选取的变化样本Pc是通CCDC得到的结果图Pcc和RMSE阈值法处理得到的Prc取交集得到的,即

Pc=PccPrc

3)未变化的训练样本提取。未变化训练样本的获得方式是从各个波段得到的预检测结果图C中找出未变化的像素。如果某个像素在7个波段中全部被检测为未变化点,则被认定为未发生变化的像素。通过这种投票机制获得未变化图Pru。最终选取的不变样本Pu~是通过CCDC算法得到的未变化点Pcu和RMSE阈值处理法得到的不变点Pru取交集得到的,即

Pu~=PcuPru

由于CCDC算法是根据像素的时间序列分别得到每个像素的变化结果,因此像素之间相互独立,这就会导致结果中出现很多零散的点。比如,在大片的变化区域内存在一些零散的不变点,从像素之间的空间关系上看这些零散的不变点大概率是检测错误的点,实际上这些像素点发生了地表变化只是由于算法的原因没有被检测出来。为了抑制这些零散错误点的影响,在Pu~中除去少于7个像素的未变化区域,以获得准确率更高的未变化样本Pu

从上述预检测方法中生成训练样本点及标签,变化样本点的标签为1,未变化样本点的标签为0。本文使用包含radial basis kernel函数的LIBSVM库,通过十折交叉验证的方式调整自由变量。训练样本的数据格式为二维矩阵,其中第一个维度为训练样本的数量,第二个维度是叠加后的时空谱特征数量,即光谱、纹理和统计特征之和与时间序列长度的乘积。通过支持向量机对这些训练样本数据进行训练,并利用生成的模型对全图进行预测,进而得到变化检测结果。

2.3 精度评估

精度评估需要准备可用于参考的地表真值图与得到的变化检测结果。本研究基于Landsat影像和谷歌地球的高分辨率历史影像手动标记变化和未变化的像素。每个研究区域均选择了520个像素作为参考点,其中260个像素发生了土地变化,260个像素在整个2013—2020年期间未发生变化。CCDC和COLD算法被认为是时序变化检测的算法中最先进的2种算法,将CDSTS算法与这2种算法进行了精度对比。本文使用精确率(precision)、召回率(recall)、F1分数和总体精度(overall accuracy, OA)等精度评估指标。4种评估指标计算公式分别为:

precision=TPTP+FP×100%
recall=TPTP+FN×100%
F1==2precision recllprecision+recall×100%
OA=TP+TNTP+TN+FP+FN×100%

式中: TP为被判定为正样本的正样本数量; TN为被判定为负样本的负样本数量; FP为被判定为正样本的负样本数量; FN为被判定为负样本的正样本数量。

3 结果分析

3.1 定性分析

表1为5个研究区域的变化检测结果的对比结果。通常情况下,如果变化区域较大(例如城市化),那么CCDC或COLD算法容易出现许多类似“噪声”的错误检测结果,因为它忽略了变化像素与周围环境之间的空间关系。相比之下,CDSTS算法的检测结果具有明显的纹理特征,更加符合真实情况。表2表1中红色方框区域的细节对比。通过对比表2中3种算法的变化检测细节,可以明显看出CDSTS算法结果优于CCDC和COLD算法。

表1   不同方法的变化检测结果

Tab.1  Change detection results for different approaches

区域2013年影像2020年影像CCDC结果COLD结果CDSTS结果
CD
YY
FQ
XA
FCG

新窗口打开| 下载CSV


表2   不同方法的变化检测结果细节对比

Tab.2  Comparison of the change detection results of different methods in details

区域2013年影像2020年影像CCDC结果COLD结果CDSTS结果
CD
YY
FQ
XA
FCG

新窗口打开| 下载CSV


3.2 定量比较

利用CCDC,COLD和CDSTS算法分别在5个研究区域(CD,YY,FQ,XA和FCG)得到变化检测结果,通过precision,recall,OA和F1分数等4种评价指标对不同算法进行精度评估。如表3所示,在5个研究区域中本文的CDSTS算法在各种评价指标中表现最好。以OA为例,与CCDC算法相比,CDSTS算法在5个研究区域的OA分别提高了7.6,11.1,5.0,8.8和11.5百分点; 与COLD算法相比,CDSTS算法在5个研究区域的OA分别提高了8.8,11.7,4.8,9.6和4.8百分点。

表3   不同方法的精度评估

Tab.3  Accuracy assessment using different methods(%)

场景评价指标CCDCCOLDCDSTS
未变化变化未变化变化未变化变化
CDprecision84.7392.4482.4693.0297.1294.55
recall93.2083.2094.0080.0094.4097.20
F188.7687.5887.8586.0295.7495.86
OA88.2087.0095.80
YYprecision80.9584.2177.3088.4392.5194.86
recall85.0080.0090.3873.4695.0092.31
F182.9382.0583.3380.2593.7493.57
OA82.5081.9293.65
FQprecision94.6679.3090.3981.7992.6888.32
recall75.0095.7779.6291.5487.6993.08
F183.6986.7684.6686.3990.1290.64
OA85.3885.5890.38
XAprecision82.4578.9176.2784.4484.2896.38
recall77.6983.4686.5473.0896.9281.92
F180.0081.1281.0878.3590.1688.57
OA80.5879.8189.42
FCGprecision88.6578.4694.9485.1597.6191.35
recall75.1990.3783.3395.5690.7497.78
F181.3683.9988.7690.0594.0594.45
OA82.7889.4494.26

新窗口打开| 下载CSV


3.3 不同参数的影响

本研究中投票机制的阈值N和计算纹理与统计特征所用的窗口尺寸会对实验结果产生重要影响。在自动选择训练样本时,如果采取的投票机制的阈值N(1<N<7)被设置为3,则表示一个像素在7个波段中至少有3次被检测为变化点才被认为是变化像素。因此,N值越大,样本的选择就越严格,训练样本的数量就越少,这会影响最终的变化检测精度。图4是5个研究区域的OAN值变化的曲线图,从图4中可以看出OA随着N值的增大而逐渐减小。因此,在本文中N被设置为1; 此外,为了确定计算纹理特征和统计特征的最佳窗口大小,在所有研究区域的Landsat影像上测试了5个窗口大小(3,5,7,9和11)。结果表明,不同窗口大小下检测结果的准确性没有显著差异。但由于Landsat影像的空间分辨率为30 m,窗口过大会使得纹理和统计特征难以区分,因此本文将窗口尺寸设置为3。

图4

图4   使用不同阈值的变化检测的总体精度

Fig.4   Overall accuracy of change detection using different thresholds


4 结论与讨论

本文提出了一种基于遥感影像时间序列的新变化检测算法(CDSTS)。其主要贡献在于: 在变化检测中考虑了空间信息(纹理和统计特征),并且可以自动生成用于训练的变化和未变化的样本。利用支持向量机对包含时空谱特征的训练样本进行预测得到变化检测结果。在中国的5个研究区域与广泛使用的CCDC和COLD时间序列变化检测算法进行精度对比,结果显示CDSTS算法在各项评价指标上均有着良好表现。

虽然准确度评估显示了CDSTS算法的良好性能,但它也存在局限性。首先,CDSTS算法在预检测部分以CCDC算法的结果作为先验知识,因此CDSTS算法的计算量很大并且需要存储大量Landsat影像时间序列; 其次,与CCDC和COLD不同,CDSTS算法只能识别变化,不能识别土地变化类型和发生变化的时间,解决这些问题需要对算法进行更加深入的研究。

参考文献

Singh A.

Review article digital change detection techniques using remotely-sensed data

[J]. International Journal of Remote Sensing, 1989, 10(6):989-1003.

DOI:10.1080/01431168908903939      URL     [本文引用: 1]

Silveira E M O, Bueno I T, Acerbi-Junior F W, et al.

Using spatial features to reduce the impact of seasonality for detecting tropical forest changes from Landsat time series

[J]. Remote Sensing, 2018, 10(6):808.

DOI:10.3390/rs10060808      URL     [本文引用: 1]

Gómez C, White J C, Wulder M A.

Optical remotely sensed time series data for land cover classification:A review

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116:55-72.

DOI:10.1016/j.isprsjprs.2016.03.008      URL     [本文引用: 1]

Hussain M, Chen D, Cheng A, et al.

Change detection from remotely sensed images:From pixel-based to object-based approaches

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80:91-106.

DOI:10.1016/j.isprsjprs.2013.03.006      URL     [本文引用: 1]

Roy D P, Wulder M A, Loveland T R, et al.

Landsat8:Science and product vision for terrestrial global change research

[J]. Remote Sensing of Environment, 2014, 145:154-172.

DOI:10.1016/j.rse.2014.02.001      URL     [本文引用: 1]

Zhu Z, Woodcock C E, Holden C, et al.

Generating synthetic Landsat images based on all available Landsat data:Predicting Landsat surface reflectance at any given time

[J]. Remote Sensing of Environment, 2015, 162:67-83.

DOI:10.1016/j.rse.2015.02.009      URL     [本文引用: 1]

张良培, 武辰.

多时相遥感影像变化检测的现状与展望

[J]. 测绘学报, 2017, 46(10):1447-1459.

[本文引用: 1]

Zhang L P, Wu C.

The status quo and prospects of multi-temporal remote sensing image change detection

[J]. Journal of Surveying and Mapping, 2017, 46(10):1447-1459.

[本文引用: 1]

王志有, 李欢, 刘自增, .

基于深度学习算法的卫星影像变化监测

[J]. 计算机系统应用, 2020, 29(1):40-48.

[本文引用: 1]

Wang Z Y, Li H, Liu Z Z, et al.

Satellite image change monitoring based on deep learning algorithm

[J]. Computer System Applications, 2020, 29(1):40-48.

[本文引用: 1]

Celik T.

Unsupervised change detection in satellite images using principal component analysis and K-means clustering

[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4):772-776.

DOI:10.1109/LGRS.2009.2025059      URL     [本文引用: 1]

Tewkesbury A P, Comber A J, Tate N J, et al.

A critical synthesis of remotely sensed optical image change detection techniques

[J]. Remote Sensing of Environment, 2015, 160:1-14.

DOI:10.1016/j.rse.2015.01.006      URL     [本文引用: 1]

Gong M G, Zhan T, Zhang P Z, et al.

Superpixel-based difference representation learning for change detection in multispectral remote sensing images

[J]. IEEE Transactions on Geoscience and Remote sensing, 2017, 55(5):2658-2673.

DOI:10.1109/TGRS.2017.2650198      URL     [本文引用: 1]

Zhang P Z, Gong M G, Su L Z, et al.

Change detection based on deep feature representation and mapping transformation for multi-spatial-resolution remote sensing images

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116:24-41.

DOI:10.1016/j.isprsjprs.2016.02.013      URL     [本文引用: 1]

Woodcock C E, Loveland T R, Herold M, et al.

Transitioning from change detection to monitoring with remote sensing:A paradigm shift

[J]. Remote Sensing of Environment, 2020, 238:111558.

DOI:10.1016/j.rse.2019.111558      URL     [本文引用: 1]

Hamunyela E, Brandt P, Shirima D, et al.

Space-time detection of deforestation,forest degradation and regeneration in montane forests of eastern Tanzania

[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 88:102063.

DOI:10.1016/j.jag.2020.102063      URL     [本文引用: 1]

Liu C, Zhang Q, Luo H, et al.

An efficient approach to capture continuous impervious surface dynamics using spatial-temporal rules and dense Landsat time series stacks

[J]. Remote Sensing of Environment, 2019, 229:114-132.

DOI:10.1016/j.rse.2019.04.025      URL     [本文引用: 1]

Wang Z H, Yao W Y, Tang Q H, et al.

Continuous change detection of forest/grassland and cropland in the Loess Plateau of China using all available Landsat data

[J]. Remote Sensing, 2018, 10(11):1775.

DOI:10.3390/rs10111775      URL     [本文引用: 1]

Xiao P F, Zhang X L, Wang D G, et al.

Change detection of built-up land:A framework of combining pixel-based detection and object-based recognition

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119:402-414.

DOI:10.1016/j.isprsjprs.2016.07.003      URL     [本文引用: 1]

杜培军, 柳思聪.

融合多特征的遥感影像变化检测

[J]. 遥感学报, 2012, 16(4):663-677.

[本文引用: 1]

Du P J, Liu S C.

Remote sensing image change detection based on multi-feature fusion

[J]. Journal of Remote Sensing, 2012, 16(4):663-677.

[本文引用: 1]

Zhu Z.

Change detection using landsat time series:A review offrequencies,preprocessing,algorithms,and applications

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:370-384.

DOI:10.1016/j.isprsjprs.2017.06.013      URL     [本文引用: 1]

Kennedy R E, Yang Z, Cohen W B.

Detecting trends in forest disturbance and recovery using yearly Landsat time series:1.LandTrendr-Temporal segmentation algorithms

[J]. Remote Sensing of Environment, 2010, 114(12):2897-2910.

DOI:10.1016/j.rse.2010.07.008      URL     [本文引用: 1]

Huang C, Goward S N, Masek J G, et al.

An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks

[J]. Remote Sensing of Environment, 2010, 114(1):183-198.

DOI:10.1016/j.rse.2009.08.017      URL     [本文引用: 1]

Verbesselt J, Zeileis A, Herold M.

Near real-time disturbance detection using satellite image time series

[J]. Remote Sensing of Environment, 2012, 123:98-108.

DOI:10.1016/j.rse.2012.02.022      URL     [本文引用: 1]

Zhu Z, Woodcock C E.

Continuous change detection and classification of land cover using all available Landsat data

[J]. Remote Sensing of Environment, 2013, 144(1):152-171.

DOI:10.1016/j.rse.2014.01.011      URL     [本文引用: 1]

Zhu Z, Zhang J, Yang Z, et al.

Continuous monitoring of land disturbance based on Landsat time series

[J]. Remote Sensing of Environment, 2020, 238:111116.

DOI:10.1016/j.rse.2019.03.009      URL     [本文引用: 1]

Zhang H, Gong M G, Zhang P Z, et al.

Feature-level change detection using deep representation and feature change analysis for multispectral imagery

[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(11):1666-1670.

DOI:10.1109/LGRS.2016.2601930      URL     [本文引用: 1]

Chen G, Hay G J, Carvalho L M T, et al.

Object-based change detection

[J]. International Journal of Remote Sensing, 2012, 33(14):4434-4457.

DOI:10.1080/01431161.2011.648285      URL     [本文引用: 1]

/

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发