全 文 ：南京城市森林干扰及恢复自动制图
吕莹莹１，２　 庄义琳１，２　 任芯雨１，２　 李明诗１，２∗　 徐网谷３　 王　 智３
（ １南京林业大学， 南京 ２１００３７； ２南方林业协同创新中心， 南京 ２１００３７； ３环保部南京环境科学研究所， 南京 ２１００４２）
摘　 要　 使用 １９８７—２０１１年 Ｌａｎｄｓａｔ ＴＭ ／ ＥＴＭ＋稠密时间序列数据，以南京市老山林场和紫金
山森林为研究对象，通过 Ｌｅｄａｐｓ预处理系统生成地表反射率数据集，采用植被变化追踪模型
（ＶＣＴ）得到南京城市森林的干扰及恢复历史数据库产品，并对产品进行验证．结果表明： 空间
一致性为 ６５．４％～９５．０％，ＶＣＴ产品监测森林干扰具有较高的空间一致性．２ 个研究区的森林
干扰和恢复随着时间变化波动明显，干扰变化规律相似，但森林恢复规律明显不同．紫金山的
森林覆盖率小于老山林场，但总体上，老山林场的森林干扰率和恢复率大于紫金山．
关键词　 Ｌａｎｄｓａｔ时间序列堆栈； 植被变化追踪模型； 城市森林； 干扰与恢复
Ａｕｔｏｍａｔｅｄ ｍａｐｐｉｎｇ ｏｆ ｕｒｂａｎ ｆｏｒｅｓｔｓ’ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｉｎ Ｎａｎｊｉｎｇ， Ｃｈｉｎａ． ＬＹＵ
Ｙｉｎｇ⁃ｙｉｎｇ１，２， ＺＨＵＡＮＧ Ｙｉ⁃ｌｉｎ１，２， ＲＥＮ Ｘｉｎ⁃ｙｕ１，２， ＬＩ Ｍｉｎｇ⁃ｓｈｉ１，２∗， ＸＵ Ｗａｎｇ⁃ｇｕ３， ＷＡＮＧ Ｚｈｉ３
（ １Ｎａｎｊｉｎｇ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ ２１００３７， Ｃｈｉｎａ； ２Ｃｏ⁃Ｉｎｎｏｖａｔｉｏｎ Ｃｅｎｔｅｒ ｆｏｒ Ｓｕｓｔａｉｎａｂｌｅ Ｆｏｒ⁃
ｅｓｔｒｙ ｉｎ Ｓｏｕｔｈｅｒｎ Ｃｈｉｎａ， Ｎａｎｊｉｎｇ ２１００３７， Ｎａｎｊｉｎｇ， Ｃｈｉｎａ； ３Ｎａｎｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉ⁃
ｅｎｃｅｓ， Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｔｅｃｔｉｏｎ， Ｎａｎｊｉｎｇ ２１００４２， Ｃｈｉｎａ） ．
Ａｂｓｔｒａｃｔ： Ｕｓｉｎｇ Ｌａｎｄｓａｔ ＴＭ ／ ＥＴＭ＋ ｄｅｎｓｅ ｔｉｍｅ ｓｅｒｉｅｓ ｏｂｓｅｒｖａｔｉｏｎｓ ｓｐａｎｎｉｎｇ ｆｒｏｍ １９８７ ｔｏ ２０１１，
ｔａｋｉｎｇ Ｌａｏｓｈａｎ ｆｏｒｅｓｔ ｆａｒｍ ａｎｄ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｂｊｅｃｔｓ， ｔｈｅ ｌａｎｄｓａｔ ｅｃｏｓｙｓｔｅｍ ｄｉｓ⁃
ｔｕｒｂａｎｃｅ ａｄａｐｔｉｖｅ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍ （Ｌｅｄａｐｓ） ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ ｇｅｎｅｒａｔｅ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ
ｄａｔａｓｅｔｓ， ｗｈｉｃｈ ｗｅｒｅ ｆｅｄ ｔｏ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｃｈａｎｇｅ ｔｒａｃｋｅｒ ｍｏｄｅｌ （ＶＣＴ） ｍｏｄｅｌ ｔｏ ｄｅｒｉｖｅ ｕｒｂａｎ ｆｏ⁃
ｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｐｒｏｄｕｃｔｓ ｏｖｅｒ Ｎａｎｊｉｎｇ， ｆｏｌｌｏｗｅｄ ｂｙ ａｎ ｉｎｔｅｎｓｉｖｅ ｖａｌｉｄａｔｉｏｎ ｏｆ ｔｈｅ ｐｒｏ⁃
ｄｕｃｔｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅｒｅ ｗａｓ ａ ｒｅｌａｔｉｖｅｌｙ ｈｉｇｈ ｓｐａｔｉａｌ ａｇｒｅｅｍｅｎｔ ｆｏｒ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ
ｐｒｏｄｕｃｔｓ ｍａｐｐｅｄ ｂｙ ＶＣＴ， ｒａｎｇｉｎｇ ｆｒｏｍ ６５．４％ ｔｏ ９５．０％． Ｔｈｅｒｅ ｗａｓ ａｎ ａｐｐａｒｅｎｔ ｆｌｕｃｔｕａｔｉｎｇ ｆｏｒｅｓｔ
ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｒａｔｅ ｏｖｅｒ ｔｉｍｅ， ａｎｄ ｔｈｅ ｃｈａｎｇｅ ｔｒｅｎｄ ｏｆ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｏｃｃｕｒｒｉｎｇ ａｔ ｔｈｅ
ｔｗｏ ｓｉｔｅｓ ｗａｓ ｒｏｕｇｈｌｙ ｓｉｍｉｌａｒ， ｂｕｔ ｆｏｒｅｓｔ ｒｅｃｏｖｅｒｙ ｗａｓ ｏｂｖｉｏｕｓｌｙ ｄｉｆｆｅｒｅｎｔ． Ｆｏｒｅｓｔ ｃｏｖｅｒａｇｅ ｉｎ Ｐｕｒｐｌｅ
Ｍｏｕｎｔａｉｎ ｗａｓ ｌｅｓｓ ｔｈａｎ ｔｈａｔ ｉｎ Ｌａｏｓｈａｎ ｆｏｒｅｓｔ ｆａｒｍ， ｂｕｔ ｔｈｅ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｒａｔｅｓ ｉｎ
Ｌａｏｓｈａｎ ｆｏｒｅｓｔ ｆａｒｍ ｗｅｒｅ ｌａｒｇｅｒ ｔｈａｎ ｔｈｏｓｅ ｉｎ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ．
Ｋｅｙ ｗｏｒｄｓ： Ｌａｎｄｓａｔ ｔｉｍｅ ｓｅｒｉｅｓ ｓｔａｃｋ； ｖｅｇｅｔａｔｉｏｎ ｃｈａｎｇｅ ｔｒａｃｋｅｒ ｍｏｄｅｌ （ＶＣＴ）； ｕｒｂａｎ ｆｏｒｅｓｔ； ｄｉｓ⁃
ｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ．
本文由国家林业局“９４８”项目（２０１４⁃０４⁃２５）、林业公益性行业专项
（２０１３０４２０８）、国家自然科学基金项目（３１２７０５８７）、环境保护部专项
项目（ＳＴＳＮ⁃７）和江苏高校优势学科建设工程项目（ＰＡＰＤ）资助 Ｔｈｉｓ
ｗｏｒｋ ｗａｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ ‘９４８’ Ｐｒｏｊｅｃｔ Ｓｐｏｎｓｏｒｅｄ ｂｙ ｔｈｅ Ｓｔａｔｅ Ｆｏｒｅｓｔｒｙ
Ａｄｍｉｎｉｓｔｒａｔｉｏｎ （ＳＦＡ） ｏｆ Ｃｈｉｎａ （２０１４⁃０４⁃２５）， ｔｈｅ Ｆｏｒｅｓｔｒｙ Ｐｕｂｌｉｃ Ｗｅｌ⁃
ｆａｒｅ Ｐｒｏｊｅｃｔ （２０１３０４２０８）， ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ
Ｃｈｉｎａ （ ３１２７０５８７）， ｔｈｅ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｔｅｃｔｉｏｎ Ｐｒｏｊｅｃｔ
（ＳＴＳＮ⁃７） ａｎｄ ｔｈｅ Ｐｒｉｏｒｉｔｙ Ａｃａｄｅｍｉｃ Ｐｒｏｇｒａｍ Ｄｅｖｅｌｏｐｍｅｎｔ （ＰＡＰＤ） ｏｆ
Ｊｉａｎｇｓｕ Ｐｒｏｖｉｎｃｉａｌ Ｕｎｉｖｅｒｓｉｔｉｅｓ．
２０１５⁃０８⁃１０ Ｒｅｃｅｉｖｅｄ， ２０１５⁃１２⁃１３ Ａｃｃｅｐｔｅｄ．
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｎｆｕｌｍｓ＠ ａｌｉｙｕｎ．ｃｏｍ
　 　 森林作为陆地生态系统的主体，是全球气候系
统的重要组成部分［１］，森林生态系统的碳循环与碳
蓄积在全球陆地碳循环和气候变化研究中起重要作
用［２］ ．森林干扰和恢复广泛影响着地表水文、气候、
生物多样性以及生物地球化学循环过程［３－４］，获取
定量且时空意义明确的森林变化历史对研究全球碳
循环具有重要意义［５］ ．随着遥感技术的快速发展，多
时相、多尺度的遥感影像详细记录了地表各种地物
的时空动态变化特征，为景观、区域乃至全球尺度上
的土地覆被变化研究提供了重要数据源．利用遥感
手段进行森林覆被变化研究较早，方法上一般是基
于两期或三期数据变化比较［６－８］，但此法监测间隔
时间较长，会遗漏许多快速变化的森林中间状态信
息，并不能完全表达森林植被扰动的情况． Ｌａｎｄｓａｔ
影像具有较高的空间分辨率（３０ ｍ）和较长的时间
应 用 生 态 学 报　 ２０１６年 ２月　 第 ２７卷　 第 ２期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｊａｅ．ｎｅｔ
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｆｅｂ． ２０１６， ２７（２）： ４２９－４３５　 　 　 　 　 　 　 　 　 　 ＤＯＩ： １０．１３２８７ ／ ｊ．１００１－９３３２．２０１６０２．０３７
周期，随着海量数据源的免费获取，基于稠密长时间
序列的森林干扰信息提取越来越受到学者们的重
视［９－１３］ ．其中，ＬａｎｄＴｒｅｎｄｒ［１３］时间分割算法和植被变
化追踪模型（ＶＣＴ） ［１１］因其高效率、高精度而备受关
注．
本文使用 １９８７—２０１１ 年间的 Ｌａｎｄｓａｔ ＴＭ ／
ＥＴＭ＋数据，采用植被变化追踪算法 ＶＣＴ 建立南京
城市森林的干扰及恢复历史数据库，采用 ＶＣＴ算法
研究南京紫金山、老山林场的森林干扰和恢复历史，
以期为发展城市森林持续经营提供支持．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
本文以南京紫金山、老山林场为研究区（图 １）．
紫 金 山 （ ３２° １′ ５７″—３２° ６′ １５″ Ｎ， １１８° ４８′—
１１８°５３′４″ Ｅ）又称钟山，地处南京城区，周长 ２２５
ｋｍ，总面积 ３００８．８ ｈｍ２，主峰海拔 ４４８．９ ｍ，是江苏
省第二高峰．属亚热带季风气候，区内降水丰富，四
季分明，平均气温 １５． ７ ℃，年平均降水量 １１０６． ５
ｍｍ．其森林覆盖率较高，占南京城市森林面积的
１５􀆰 ６％［１４］，是国家级森林公园． 老山 （ ３２° ０３′—
３２°０９′ Ｎ，１１８°２５′—１１８°４０′ Ｅ）位于南京市浦口区，
最高山峰龙洞山海拔 ４４２ ｍ．老山地处亚热带边缘，
属于季风气候区．年均温 １５．３ ℃，全年无霜期 ２２８
ｄ，年降水量 １０４３．８ ｍｍ．２０ 世纪 ８０ 年代末，老山是
江苏省经营状况较好、综合实力较强、面积最大的国
有林场．１９９１年政府建立老山国家森林公园，从以木
材生产为主的林场转变为城郊森林公园． １９５９—
１９９９年，对老山上多个山体进行石英石露天开采，
采矿区植被遭到严重破坏，山体裸露，植被覆盖率较
低［１５］ ．１９９９ 年老山采矿区逐步被关闭，南京政府进
行矿区植被恢复．目前，老山森林覆盖率超过８０％，
图 １　 研究区位置
Ｆｉｇ．１　 Ｌｏｃａｔｉｏｎ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
其植被有阔叶林［如黄檀（Ｄａｌｂｅｒｇｉａ ｈｕｐｅａｎａ）林、黄
连木（ Ｐｉｓｔａｃｉａ ｃｈｉｎｅｎｓｉｓ）林］和针叶林 ［如马尾松
（Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎａ）林、黑松 （ Ｐｉｎｕｓ ｔｈｕｎｂｅｒｇｉｉ） 林
等［１６］］．老山周边有珠江镇、星甸镇、汤泉街道、永宁
镇、顶山镇、泰山镇、盘城街道和沿江街道 ８ 个行政
区域，林区周边城市和乡镇人口众多，服务面广泛．
１􀆰 ２　 数据来源
采用的数据主要有 １９８７—２０１１ 年 ２３ 期 Ｌａｎｄ⁃
ｓａｔ ＴＭ ／ ＥＴＭ＋时间序列数据，目标地轨道号为 １２０ ／
３８．数据从美国地质调查局（ＵＳＧＳ）地球资源观测和
科学中心（ＥＲＯＳ）以及北京卫星遥感地面站（ＢＪＧＳ）
获得（表 １）．影像获取日期的选择为植物生长旺盛
的 ６—９ 月，在一些低纬度地区顺延至 ５—１０ 月．在
云量选择上，云量尽可能少，在一个时间序列内要保
证一定比例的质量较好的数据．此外，本研究还从
Ｇｏｏｇｌｅ Ｅａｒｔｈ上获取到部分年份的高分数据．
１􀆰 ３　 研究方法
１􀆰 ３􀆰 １陆地卫星图像时间序列堆栈（ＬＴＳＳ）的建立　
ＬＴＳＳ被定义为依照世界参考系统（ＷＲＳ）划分的某
一Ｐａｔｈ ／ Ｒｏｗ（行列）位置上所获取的具有一年或两
表 １　 本文使用的 Ｌａｎｄｓａｔ ＴＭ ／ ＥＴＭ＋影像
Ｔａｂｌｅ １　 Ｌａｎｄｓａｔ ＴＭ ／ ＥＴＭ＋ ｓｃｅｎｅｓ ｕｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ
获取日期
Ａｃｑｕｉｓｉｔｉｏｎ ｄａｔｅ
卫星
Ｓａｔｅｌｌｉｔｅ
传感器
Ｓｅｎｓｏｒ
来源
Ｓｏｕｒｃｅ
云量
Ｃｌｏｕｄ
ｃｏｖｅｒａｇｅ
（％）
１９８７⁃０９⁃２１ Ｌａｎｄｓａｔ ５ ＴＭ ＢＪＧＳ ５
１９８８⁃０７⁃０５ Ｌａｎｄｓａｔ ５ ＴＭ ＢＪＧＳ ０
１９９０⁃０７⁃１１ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
１９９１⁃０８⁃３１ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ２
１９９２⁃１０⁃２０ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ １０
１９９３⁃０６⁃１７ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ８
１９９４⁃０７⁃２２ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
１９９５⁃１０⁃１３ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
１９９７⁃０８⁃３１ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ８
１９９８⁃０６⁃１５ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ７
１９９９⁃０６⁃１８ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ５
２０００⁃０９⁃１６ Ｌａｎｄｓａｔ ５ ＥＴＭ＋ ＥＲＯＳ ３
２００１⁃０７⁃１７ Ｌａｎｄｓａｔ ５ ＥＴＭ＋ ＥＲＯＳ ０
２００２⁃０７⁃１２ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
２００３⁃０７⁃３１ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ４
２００４⁃０８⁃０２ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ７
２００５⁃１０⁃０８ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ７
２００６⁃０５⁃２０ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
２００７⁃０７⁃２６ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
２００８⁃０７⁃１６ Ｌａｎｄｓａｔ ５ ＴＭ ＢＪＧＳ ０
２００９⁃１０⁃０３ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
２０１０⁃０８⁃１９ Ｌａｎｄｓａｔ ５ ＴＭ ＥＲＯＳ ０
２０１１⁃０５⁃１８ Ｌａｎｄｓａｔ ５ ＴＭ ＢＪＧＳ ０
０３４ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
年时间间隔的 Ｌａｎｄｓａｔ 图像时间序列（图像堆栈）．
本研究主要在 Ｌｉｎｕｘ 环境下，运行 ＬＥＤＡＰＳ 模型算
法，完成图像的辐射定标和大气校正［１７］ ．对于 ＴＭ图
像的辐射处理，采用最新发表的参数计算其大气上
界辐亮度和反射率．对于 ＥＴＭ＋图像，利用其头文件
中提供的增益、偏差参数进行计算；为了弥补大气散
射和吸收对于大气上界辐亮度和反射率的影响，采
用“６Ｓ”模型进行地表反射率计算并依据标准的
ＭＯＤＩＳ反射率产品进行验证［１８］ ．利用 Ｌｅｄａｐｓ 程序
最终生成 ＴＯＡ反射率图像、ＴＯＡ 热红外亮温图像、
云掩膜文件，从而获取到地面反射率图像．此外，从
中国地面站（ＢＪＧＳ）获取的数据不能直接运行 ＬＥＤ⁃
ＰＡＳ， 要按照 ＵＳＧＳ标准数据格式进行重新配准，实
现标准化，从而进行 ＬＥＤＡＰＳ处理．
１􀆰 ３􀆰 ２ ＶＣＴ算法　 植被变化追踪模型算法是建立在
森林干扰和恢复光谱特征变化基础上的．主要特征
包括：１）在生长季，在很多光谱波段上森林是最黑
的植被覆盖表面之一；２）未被干扰而自然生长的森
林通常具有稳定的年间光谱信号；３）某一森林干扰
发生通常导致一个急剧的光谱信号变动；４）依据干
扰的本质特征，光谱数据中的变化结果信号可能持
续几年甚至更长．比如，森林采伐后立即进行更新，
几年后该地域上的光谱信号才能恢复成“森林”信
号特征．从森林变化到非森林的土地利用类型（如建
筑物及道路），其非森林光谱信号将一直持续［１１］ ．
ＶＣＴ算法包含 ２个重要的步骤：
１）单一影像分析：单一影像分析是图像掩模和
标准化处理，包括水体掩模剔除、云及阴影的掩模剔
除、基于土地覆盖参考数据的高信度森林像元识别
及多种森林指数计算．本研究主要选取 ＩＦＺ 指数
（ＦＺ ｉ）追踪森林变化［１９］：
ＦＺ ｉ ＝（ｂｐｉ－􀭰ｂｉ） ／ ＳＤｉ （１）
式中：ｂｐｉ为影像上的任一像元；􀭰ｂｉ 和 ＳＤｉ 为森林像元
的波段光谱值的均值和标准差．
对于多光谱的影像，每个像元的 ＩＦＺ 值由光谱
波段上整合 ＦＺ ｉ 得到，公式如下：
ＩＦＺ ＝ １
ＮＢ∑
ＮＢ
ｉ ＝ １
（ＦＺ ｉ） ２ （２）
式中：ＮＢ 为使用波段的数量，对于 Ｌａｎｄｓａｔ ＴＭ 和
ＥＴＭ＋影像，主要使用波段 ３、５、７．像元有较低的 ＩＦＺ
值并接近 ０，则与森林类别的光谱中心很接近，因而
成为森林像元的可能性很高；若 ＩＦＺ值很高，则可能
为非森林像元．对于每个影像，其确定森林类别主要
使用的是黑体目标方法［２０］ ．
２）时间序列分析：一旦堆栈中的每一图像完成
了掩模和标准化处理分析，所生成的掩膜结果和众
多指数就被用来确定变化与未变化类别，推导一些
属性以刻画所检测到的变化．例如，使用有云及其阴
影覆盖的数据将导致虚假的变化信息．这样，被标识
为云或阴影的像元将不参加时间序列分析．但是这
样会在变化检测结果图像中形成图像空洞．采用时
间序列内插技术解决这类问题．这一模块主要完成
时间内插、变化及未变化识别及干扰特征刻画，即干
扰发生年份、干扰强度测定、更新特征识别、同一位
置发生多次干扰事件的标定等（如在某一位置上，
经历了森林⁃干扰⁃更新⁃森林⁃再干扰⁃更新⁃森林历
程）．ＶＣＴ模型的主要分析过程见图 ２．
Ｌａｎｄｓａｔ时间序列堆栈通过 ＶＣＴ 算法计算后，
可以得到森林干扰图（包含全部年份）产品和各年
份干扰图产品，前者显示不同年份干扰斑块空间分
布的集合，后者则是各个年份森林和干扰的空间分
图 ２　 ＶＣＴ模型算法流程［１１］
Ｆｉｇ．２　 Ｏｖｅｒａｌｌ ｄａｔａ ｆｌｏｗ ａｎｄ ｐｒｏｃｅｓｓｅｓ ｏｆ ｔｈｅ ＶＣＴ ａｌｇｏｒｉｔｈｍ［１１］ ．
１３４２期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 吕莹莹等： 南京城市森林干扰及恢复自动制图　 　 　 　 　 　
表 ２　 森林干扰产品的属性及聚合
Ｔａｂｌｅ ２ 　 Ｄｅｆｉｎｉｔｉｏｎ ａｎｄ ａｇｇｒｅｇａｔｉｏｎ ｏｆ ｔｈｅ ｆｏｒｅｓｔ ｄｉｓｔｕｒ⁃
ｂａｎｃｅ ｍａｐ
代码
Ｃｏｄｅ
ＶＣＴ产品类别
Ｃｌａｓｓ ｄｅｓｃｒｉｐｔｉｏｎ ｉｎ ＶＣＴ ｍｏｄｅｌ
聚合类
Ａｇｇｒｅｇａｔｅｄ ｃｌａｓｓ
０ 背景 Ｂａｃｋｇｒｏｕｎｄ 放弃值 Ａｂａｎｄｏｎｅｄ
１ 持续非森林 Ｐｅｒｓｉｓｔｉｎｇ ｎｏｎ⁃ｆｏｒｅｓｔ 非森林 Ｎｏｎ⁃ｆｏｒｅｓｔ
２ 持续森林 Ｐｅｒｓｉｓｔｉｎｇ ｆｏｒｅｓｔ 森林 Ｆｏｒｅｓｔ
４ 持续水体 Ｐｅｒｓｉｓｔｉｎｇ ｗａｔｅｒ 缺失值 Ｄｅｆｅｃｔｅｄ
５ 最近被干扰但当前年份为森林
Ｐｒｏｂａｂｌｅ ｆｏｒｅｓｔ ｗｉｔｈ ｒｅｃｅｎｔ ｄｉｓ⁃
ｔｕｒｂａｎｃｅ
森林 Ｆｏｒｅｓｔ
６ 当前年份被干扰的森林
Ｄｉｓｔｕｒｂｅｄ ｉｎ ｔｈｉｓ ｙｅａｒ
非森林 Ｎｏｎ⁃ｆｏｒｅｓｔ
７ 扰动后成为非森林
Ｐｏｓｔ⁃ｄｉｓｔｕｒｂａｎｃｅ ｎｏｎ⁃ｆｏｒｅｓｔ
非森林 Ｎｏｎ⁃ｆｏｒｅｓｔ
布状况．ＶＣＴ输出的干扰图能够识别 ３ 种静态的类
型：持续森林、持续非森林以及水体，此外森林变化
被监测到的所有像元被标识为干扰年份．各年份干
扰分布图中的类别有：背景区域、持续非森林、持续
森林、持续水体，当前年份被干扰的像元、曾被干扰
过但可能已恢复为森林的像元、扰动后成为非森林
的像元．我们将像元值定义类别后，将类别进行聚合
用于后续森林恢复分析，空白区域将其去除，持续森
林、当前年份为森林的都被聚合为森林，持续非森
林、当前年份被干扰、扰动后的成为非森林的都被聚
合为非森林．持续水体不划分为非森林，对其定义尚
不明确属于缺失值［２１－２２］（表 ２）．
１􀆰 ３􀆰 ２ ＶＣＴ产品验证 　 目前，利用遥感监测森林变
化的验证方法主要包括：地面验证和基于像元尺度
的目视验证．其中，地面验证是最为有效的验证方
法，但是，由于地面森林干扰和恢复资料的缺乏，尤
其是 ２０世纪 ８０、９０年代，无法利用此方法对历史变
化进行验证．本文主要对所有时间序列 Ｌａｎｄｓａｔ 反射
率影像进行目视解译，考虑到大多数森林在 Ｌａｎｄｓａｔ
影像上光谱信号明显，通过经验判别影像能够很容
易地从非森林中识别出，此方法具有一定的可靠
性［２３］ ．在目视判读过程中，结合 Ｇｏｏｇｌｅ Ｅａｒｔｈ 高分辨
率历史影像，使得经验判别的结果更加准确．本文通
过计算空间一致性对 ＶＣＴ产品进行验证，即在紫金
山和老山各年份干扰产品中分别选取 ３ ｋｍ×３ ｋｍ
的正方形，得到该区域的 ＶＣＴ干扰斑块 Ａｍｄ，并对当
年和前一年的原始影像的变化区域进行目视解译，
从而得到目视解译斑块 Ａｖｄ ．Ａｍｖ代表 ＶＣＴ 干扰斑块
Ａｍｄ和目视解译 Ａｖｄ的重合区域，Ａｍｖ与 Ａｖｄ的比值表
示空间的一致性．在选择样方时尽量选择各年份都
有干扰发生的区域．本文在紫金山选取一个验证区，
在老山选取 ２个验证区进行 ＶＣＴ产品验证．
２　 结果与分析
２􀆰 １　 森林干扰和恢复专题图
研究基于 ＶＣＴ算法得到地表反射率数据集，得
到 ｐ１２０ｒ０３８的森林干扰产品，通过裁剪得到紫金山
和老山森林各年份干扰图以及含有所有年份的森林
干扰图．由于篇幅有限，每个研究区只列出 ３ 个年份
的干扰图（图 ３和图 ４）．由于 ＶＣＴ 产品中没有直接
刻画森林恢复的专题图，通过聚合后各年份的森林
分布图描述森林的恢复状况（图 ５）．本文中森林干
扰和恢复年份图均展示初次干扰和恢复发生时的状
图 ３　 １９８８、１９９８、２００８年紫金山和老山森林干扰分布格局
Ｆｉｇ．３　 Ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｐａｔｔｅｒｎｓ ｍａｐｐｅｄ ｂｙ ｔｈｅ ＶＣＴ ａｌｇｏｒｉｔｈｍ ｉｎ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ ａｎｄ Ｌａｏｓｈａｎ．
Ａ： 紫金山 Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ； Ｂ：老山 Ｌａｏｓｈａｎ． Ⅰ：持续非森林 Ｐｅｒｓｉｓｔｉｎｇ ｎｏｎ⁃ｆｏｒｅｓｔ； Ⅱ：持续森林 Ｐｅｒｓｉｓｔｉｎｇ ｆｏｒｅｓｔ； Ⅲ：持续水体 Ｐｅｒｓｉｓｔｉｎｇ ｗａｔｅｒ；
Ⅳ： 最近被干扰但当年年份为森林 Ｐｒｏｂａｂｌｅ ｆｏｒｅｓｔ ｗｉｔｈ ｒｅｃｅｎｔ ｄｉｓｔｕｒｂａｎｃｅ； Ⅴ： 当前年份被干扰 Ｄｉｓｔｕｒｂｅｄ ｉｎ ｃｕｒｒｅｎｔ ｙｅａｒ； Ⅵ： 干扰后为非森林
Ｐｏｓｔ⁃ｄｉｓｔｕｒｂａｎｃｅ ｎｏｎ⁃ｆｏｒｅｓｔ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
２３４ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
图 ４　 ＶＣＴ算法检测的紫金山和老山森林干扰格局
Ｆｉｇ．４　 Ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｐａｔｔｅｒｎ ｂｙ ＶＣＴ ａｌｇｏｒｉｔｈｍ ｏｖｅｒ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ ａｎｄ Ｌａｏｓｈａｎ．
Ⅶ： 验证区 Ｖａｌｉｄａｔｉｏｎ ａｒｅａ； ｐ１９８７： １９８７年之前发生的干扰 Ｄｉｓｔｕｒｂａｎｃｅ ｂｅｆｏｒｅ １９８７．
图 ５　 ＶＣＴ算法检测的紫金山和老山森林恢复格局
Ｆｉｇ．５　 Ｆｏｒｅｓｔ ｒｅｃｏｖｅｒｙ ｐａｔｔｅｒｎ ｂｙ ＶＣＴ ａｌｇｏｒｉｔｈｍ ｏｖｅｒ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ ａｎｄ Ｌａｏｓｈａｎ．
Ⅷ： 干扰 Ｄｉｓｔｕｒｂａｎｃｅ．
况，但 ＶＣＴ模型本身可以监测到多次干扰．
２􀆰 ２　 验证结果
由表 ３ 可以看出，紫金山和老山的空间一致性
为 ６５．４％～９５．０％，表中缺失的年份是由于验证区内
该年份没有干扰或者影像质量差无法进行目视解
译．其中，１９９０和 １９９１ 年紫金山的空间一致性仅为
６９．０％和 ６６．５％，这主要是受到原始影像验证区云
或阴影的影响．１９９４ 年老山验证区 ２ 空间的一致性
为 ６５．９％，通过原始影像发现，一些低密度的干扰未
被 ＶＣＴ识别，说明 ＶＣＴ 对低密度干扰的识别能力
较差．２０１１年 ３个验证区空间一致性都较低，由于此
景影像在配准过程中存在误差，且影像获取日期为
５月 １８日，森林未完全达到生长期，致使影像出现
伪变化．
２􀆰 ３　 森林干扰和恢复分析
本文用森林年干扰 ／恢复率分析紫金山和老山
的森林干扰和恢复情况．森林年干扰 ／恢复率利用当
年干扰 ／恢复面积与当年森林面积的百分比表示．由
图 ６ 可知，紫金山森林的干扰率浮动比较剧烈，
１９８８、１９９７、２０００和２０１１年干扰率较高，分别为１．３％、
表 ３　 研究区域干扰年份的空间一致性
Ｔａｂｌｅ ３ 　 Ｓｐａｔｉａｌ ａｇｒｅｅｍｅｎｔ ｍｅａｓｕｒｅｓ ｏｆ ｄｉｓｔｕｒｂａｎｃｅ ｙｅａｒ
ｏｎ ｔｈｅ ｒｅｓｅａｒｃｈ ａｒｅａ （％）
干扰年
Ｄｉｓｔｕｒｂａｎｃｅ
ｙｅａｒ
紫金山
Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ
验证区 １
Ｖａｌｉｄａｔｉｏｎ ａｒｅａ １
老山
Ｌａｏｓｈａｎ
验证区 ２
Ｖａｌｉｄａｔｉｏｎ ａｒｅａ ２
验证区 ３
Ｖａｌｉｄａｔｉｏｎ ａｒｅａ ３
１９８８ － － ８０．５
１９９０ ６９．０ ７５．４ －
１９９１ ６６．５ ７６．６ ７５．０
１９９２ ８６．８ ８０．１ －
１９９３ － － ９５．０
１９９４ ８０．８ ６５．９ ７３．６
１９９５ ９２．０ ８１．８ ７６．９
１９９７ ８０．６ － －
２０００ ７２．０ ７０．２ ７３．５
２００１ － － ７４．５
２００２ ７４．５ ８３．９ ８５．６
２００３ － － ６９．５
２００５ ８３．０ － －
２００６ ８６．１ ７８．２ －
２００７ － － ７０．３
２００９ － － ７７．９
２０１０ ８１．５ ８０．４ ７４．１
２０１１ ６７．５ ６５．４ ６８．５
－ 不存在干扰或影像有云覆盖 Ｎｏ ｄｉｓｔｕｒｂａｎｃｅｓ ｏｒ ｉｍａｇｅｓ ｗｉｔｈ ｃｌｏｕｄ
ｃｏｖｅｒ ．
３３４２期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 吕莹莹等： 南京城市森林干扰及恢复自动制图　 　 　 　 　 　
图 ６　 紫金山和老山森林变化率和森林覆盖率的时间变化
Ｆｉｇ．６　 Ｔｅｍｐｏｒａｌ ｖａｒｉａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃｈａｎｇｅ ｒａｔｅ ａｎｄ ｆｏｒｅｓｔ ｃｏｖｅｒ
ｉｎ Ｐｕｒｐｌｅ Ｍｏｕｎｔａｉｎ ａｎｄ Ｌａｏｓｈａｎ．
Ⅰ： 森林干扰率 Ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｒａｔｅ； Ⅱ： 森林恢复率 Ｆｏｒｅｓｔ ｒｅｃｏ⁃
ｖｅｒｙ ｒａｔｅ； Ⅲ： 森林覆盖率 Ｆｏｒｅｓｔ ｃｏｖｅｒａｇｅ．
１．９％、１．６％和 １．７％．其中，２０１１ 年的干扰值异常，主
要是由于配准和季节性产生的累积误差致使干扰值
偏高．１９８８—１９９８年紫金山森林恢复比较缓慢，而后
恢复时间明显增长，１９９９、２００５、２００７、２００９ 年恢复
率都＞１％．老山森林的干扰面积范围比较大，尤其在
１９８８和 １９９２年，干扰面积范围都达到＞１００ ｈｍ２，干
扰率分别为 ２．５％和 １．９％．１９８８—１９９３ 年老山森林
恢复比较缓慢，１９９４—１９９９ 年恢复面积呈上涨趋
势，１９９５ 年恢复面积达到最大，为 １０５􀆰 ３４ ｈｍ２ ．２０００
年之后，老山森林恢复率略有下降，２０１０ 年最低，只
有 ０．３％．与森林干扰率相比，紫金山和老山的森林
恢复率随着时间的变化相对稳定．
紫金山和老山森林的干扰率变化趋势一致，
１９８８—２０００年干扰率总体大于 ２００１—２０１０ 年．总体
上，老山森林受干扰程度大于紫金山，但 １９９７、
２０００、２００７年紫金山森林干扰率稍大于老山．紫金山
和老山森林恢复率的变化规律明显不同，１９８８—
２０００年紫金山的恢复率总体小于 ２００１—２０１０ 年，
而老山相反．从干扰发生的位置上看，２ 个研究区的
规律相似，即研究区周边的干扰面积远大于研究区
中心位置．ＶＣＴ详细追踪了老山和紫金山的森林覆
盖率变化情况，两者在研究期间都呈下降⁃上升⁃下
降⁃上升的波动趋势，但是老山的森林覆盖率总体高
于紫金山．老山森林覆盖率最高值出现在 １９９９ 年，
覆盖率为 ９０．５％，１９９３ 年最低，为 ８７．５％；而紫金山
的森林面积覆盖率最高为 １９９１年的 ８２􀆰 ３％，最低为
１９９７年的 ７９．６％．综上，紫金山森林覆盖率小于老
山，老山森林干扰率和恢复率大于紫金山．
３　 讨　 　 论
传统的 ２期或 ３期图像分析技术探测森林变化
历史存在 ３ 个弱点：１）图像采样时间间隔长，会遗
漏许多快速变化的森林中间状态信息；２）图像解译
结果的客观性不强，效率低，分析过程需要大量的人
为输入或干预；３）未能充分利用超过 ３０ 年的 Ｌａｎｄ⁃
ｓａｔ卫星数据的时间序列信息．基于稠密时间序列的
ＶＣＴ算法具有自动化、高效、精度高、时间信息被充
分利用等优势，此模型能在 ２ ｈ 左右自动分析完含
有 ２１景图像的图像堆栈．在美国国家森林的 ５ 个典
型样区的试验表明，ＶＣＴ 自动采集到的森林干扰和
恢复的精度为 ８０％ ～ ９２％；且该算法能依据图像堆
栈中所有时间序列图像中任意位置的光谱信号时间
谱，综合评判森林干扰及恢复状态，避免传统的 ２ 期
或 ３期图像造成的信息丢失［２４］ ．本文基于 １９８７—
２０１１年的 Ｌａｎｄｓａｔ 稠密时间序列数据，通过 ＶＣＴ 自
动化算法成功构建了南京紫金山和老山的森林干扰
和恢复历史，具有较高的空间一致性，并获取了两区
域的森林覆盖率变化情况，再一次成功证明了 ＶＣＴ
模型的这些优势．
ＶＣＴ产品的应用前景较为广阔，不少学者基于
稠密时间序列数据获取的森林干扰和恢复信息与
Ｌｉｄａｒ等结合，计算森林结构参数（树高、林龄、生物
量） ［２６］ ．也有学者提出，利用 ＶＣＴ模型可以进行森林
的碳估算研究，且通过改变 ＶＣＴ算法监测指数等参
数进行其他土地类型的变化监测．但是，ＶＣＴ也有一
定的局限性．例如，Ｌａｎｄｓａｔ 时间序列目前只能处理
１９８４—２０１１年的数据，２０１１ 年之后的 Ｌａｎｄｓａｔ ８ 影
像处理技术还未实现，在获取到的年份中，也无法完
全满足获取影像日期在植物生长季中的要求，而获
取的不在生长季节高峰期的影像由于季节性导致植
物落叶或没有完全生长，使得对于森林追踪变化的
精度下降，如本文中的 ２０１１ 年；且国内地面站的数
据需要重新配准并进行标准化处理后才能进行模型
运算，配准产生的误差会影响监测精度．ＶＣＴ只能识
别急剧性干扰，如砍伐、火灾等造成的森林缺失，对
于病虫害等缓慢变化的干扰识别能力不足；而且
ＶＣＴ只能识别出急剧干扰的位置和面积，无法具体
４３４ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
辨别干扰的类型（砍伐、火灾、飓风等）．
本文选取 ２ 个研究区，分别位于南京城中和城
郊，所受人为干扰和恢复状况不同，驱动因子也不
同，本文获取的详细森林变化历史有助于之后的干
扰因子分析．为了更好地实现森林经营管理，提供更
有效的森林生态系统碳预测的评估，干扰类型和驱
动机制的研究应该在以后的研究方向中得到重视．
希望今后能够得到更多相关数据去进行森林资源变
化的追踪和分析，为城市森林的可持续经营和发展
提供历史数据，为未来发展提供建议．
致谢　 感谢南京林业大学林学院范家辉、霍柯迪同学完成了
基础数据准备和初步分析工作．
参考文献
［１］　 Ｌｉｎ Ｑ⁃Ｓ （林清山）， Ｈｏｎｇ Ｗ （洪 　 伟）． Ｓｕｍｍａｒｙ ｏｆ
ｒｅｓｅａｒｃｈ ｏｎ ｆｏｒｅｓｔ ｃａｒｂｏｎ ｓｔｏｒａｇｅ ｉｎ Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ａｇｒｉ⁃
ｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ （中国农学通报）， ２００９， ２５
（６）： ２２０－２２４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｗａｎｇ Ｓ⁃Ｑ （王绍强）， Ｘｕ Ｊ （许　 珺）， Ｚｈｏｕ Ｃ⁃Ｈ （周
成虎）． Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｌａｎｄ ｃｏｖｅｒ ｃｈａｎｇｅ ｏｎ ｃａｒｂｏｎ ｃｙｃｌｅ：
Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ ｔｈｅ ｅｓｔｕａｒｙ ｏｆ Ｙｅｌｌｏｗ Ｒｉｖｅｒ Ｄｅｌｔａ． Ｊｏｕｒ⁃
ｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２００１， ５ （ ２）：
１４２－１４８ （ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｂａｎｄ ＬＥ． Ｅｆｆｅｃｔ ｏｆ ｌａｎｄ ｓｕｒｆａｃｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｎ ｆｏｒｅｓｔ
ｗａｔｅｒ ａｎｄ ｃａｒｂｏｎ ｂｕｄｇｅｔｓ． Ｊｏｕｒｎａｌ ｏｆ Ｈｙｄｒｏｌｏｇｙ， １９９３，
１５０： ７４９－７７２
［４］　 Ｃｏｈｅｎ ＷＢ， Ｆｉｏｒｅｌｌａ Ｍ， Ｇｒａｙ Ｊ， ｅｔ ａｌ． Ａｎ ｅｆｆｉｃｉｅｎｔ ａｎｄ
ａｃｃｕｒａｔｅ ｍｅｔｈｏｄ ｆｏｒ ｍａｐｐｉｎｇ ｆｏｒｅｓｔ ｃｌｅａｒ ｃｕｔｓ ｉｎ ｔｈｅ Ｐａ⁃
ｃｉｆｉｃ Ｎｏｒｔｈｗｅｓｔ ｕｓｉｎｇ Ｌａｎｄｓａｔ ｉｍａｇｅｒｙ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ
Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９８， ６４： ２９３－３００
［５］　 Ｈｉｒｓｃｈ ＡＩ， Ｌｉｔｔｌｅ ＷＳ， Ｈｏｕｇｈｔｏｎ ＲＡ， ｅｔ ａｌ． Ｔｈｅ ｎｅｔ ｃａｒ⁃
ｂｏｎ ｆｌｕｘ ｄｕｅ ｔｏ ｄｅｆｏｒｅｓｔａｔｉｏｎ ａｎｄ ｆｏｒｅｓｔ ｒｅ⁃ｇｒｏｗｔｈ ｉｎ ｔｈｅ
Ｂｒａｚｉｌｉａｎ Ａｍａｚｏｎ： Ａｎａｌｙｓｉｓ ｕｓｉｎｇ ａ ｐｒｏｃｅｓｓ⁃ｂａｓｅｄ ｍｏ⁃
ｄｅｌ． Ｇｌｏｂａｌ Ｃｈａｎｇｅ Ｂｉｏｌｏｇｙ， ２００４， １０： ９０８－９２４
［６］　 Ｓｉｎｇｈ Ａ． Ｄｉｇｉｔａｌ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ｕｓｉｎｇ ｒｅ⁃
ｍｏｔｅｌｙ⁃ｓｅｎｓｅｄ ｄａｔａ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， １９８９， １０： ９８９－１００３
［７］　 Ｍａｓ ＪＦ． Ｍｏｎｉｔｏｒｉｎｇ ｌａｎｄ⁃ｃｏｖｅｒ ｃｈａｎｇｅｓ： Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ
ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅ⁃
ｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９９， ２０： １３９－１５２
［８］　 Ｌｕ Ｄ， Ｍａｕｓｅｌ Ｐ， Ｂｒｏｎｄｉｚｉｏ Ｅ， ｅｔ ａｌ． Ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ
ｔｅｃｈｎｉｑｕｅｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２００４， ２５： ２３６５－２４０７
［９］　 Ｍｅｉｇｓ ＧＷ， Ｋｅｎｎｅｄｙ ＲＥ， Ｃｏｈｅｎ ＷＢ． Ａ Ｌａｎｄｓａｔ ｔｉｍｅ
ｓｅｒｉｅｓ ａｐｐｒｏａｃｈ ｔｏ ｃｈａｒａｃｔｅｒｉｚｅ ｂａｒｋ ｂｅｅｔｌｅ ａｎｄ ｄｅｆｏｌｉａｔｏｒ
ｉｍｐａｃｔｓ ｏｎ ｔｒｅｅ ｍｏｒｔａｌｉｔｙ ａｎｄ ｓｕｒｆａｃｅ ｆｕｅｌｓ ｉｎ ｃｏｎｉｆｅｒ
ｆｏｒｅｓｔｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， １１５：
３７０７－３７１８
［１０］　 Ｒöｄｅｒ Ａ， Ｈｉｌｌ Ｊ， Ｄｕｇｕｙ Ｂ， ｅｔ ａｌ． Ｕｓｉｎｇ ｌｏｎｇ ｔｉｍｅ ｓｅｒｉｅｓ
ｏｆ Ｌａｎｄｓａｔ ｄａｔａ ｔｏ ｍｏｎｉｔｏｒ ｆｉｒｅ ｅｖｅｎｔｓ ａｎｄ ｐｏｓｔ⁃ｆｉｒｅ ｄｙ⁃
ｎａｍｉｃｓ ａｎｄ ｉｄｅｎｔｉｆｙ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ ｔｈｅ
Ａｙｏｒａ （ｅａｓｔｅｒｎ Ｓｐａｉｎ）． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００８， １１２： ２５９－２７３
［１１］　 Ｈｕａｎｇ ＣＱ， Ｇｏｗａｒｄ ＳＮ， Ｍａｓｅｋ ＪＧ， ｅｔ ａｌ． Ａｎ ａｕｔｏｍａｔｅｄ
ａｐｐｒｏａｃｈ ｆｏｒ ｒｅｃｏｎｓｔｒｕｃｔｉｎｇ ｒｅｃｅｎｔ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｈｉｓ⁃
ｔｏｒｙ ｕｓｉｎｇ ｄｅｎｓｅ Ｌａｎｄｓａｔ ｔｉｍｅ ｓｅｒｉｅｓ ｓｔａｃｋｓ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１０， １１４： １８３－１９８
［１２］　 Ｙａｎｇ Ｃ （杨　 辰）， Ｓｈｅｎ Ｒ⁃Ｐ （沈润平）， Ｙｕ Ｄ⁃Ｗ （郁
达威）， ｅｔ ａｌ． Ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｍｏｎｉｔｏｒｉｎｇ ｂａｓｅｄ ｏｎ
ｔｉｍｅ⁃ｓｅｒｉｅｓ ｔｒａｊｅｃｔｏｒｙ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎｄｅｘ． Ｊｏｕｒｎａｌ ｏｆ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２０１３， １７（５）： １２４６ －
１２６３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１３］　 Ｋｅｎｎｅｄｙ ＲＥ， Ｙａｎｇ Ｚ， Ｃｏｈｅｎ ＷＢ． Ｄｅｔｅｃｔｉｎｇ ｔｒｅｎｄｓ ｉｎ
ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｕｓｉｎｇ ｙｅａｒｌｙ Ｌａｎｄｓａｔ ｔｉｍｅ
ｓｅｒｉｅｓ． Ⅰ． Ｌａｎｄ Ｔｒｅｎｄｒ － Ｔｅｍｐｏｒａｌ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏ⁃
ｒｉｔｈｍｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１０， １１４：
２８９７－２９１０
［１４］　 Ｌｉ Ｍ⁃Ｙ （李明阳）， Ｘｉｏｎｇ Ｘ⁃Ｑ （熊显权）， Ｙａｎｇ Ｊ⁃Ｓ
（杨劲松）， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｄｙｎａｍｉｃ ｏｆ ｌａｎｄｓｃａｐｅ
ｐａｔｔｅｒｎ ｏｆ ｓｃｅｎｉｃ ｆｏｒｅｓｔ ｉｎ Ｐｕｒｐｌｅ Ｇｏｌｄｅｎ Ｍｏｕｎｔａｉｎ． Ｃｅｎ⁃
ｔｒａｌ Ｓｏｕｔｈ Ｆｏｒｅｓｔ Ｉｎｖｅｎｔｏｒｙ ａｎｄ Ｐｌａｎｎｉｎｇ （中南林业调
查规划）， ２００５， ２４（４）： ２３－２６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｚｈｕ Ｚ⁃Ｌ （祝遵凌）， Ｈｅ Ｗ （何　 伟）． Ｆｏｒｅｓｔ ｌａｎｄｓｃａｐｅ
ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｍｉｎｉｎｇ ａｒｅａ ｉｎ Ｌａｏｓｈａｎ ｏｆ Ｎａｎｊｉｎｇ．
Ｆｏｒｅｓｔ Ｒｅｓｏｕｒｃｅｓ Ｍａｎａｇｅｍｅｎｔ （林业资源管理）， ２０１１，
２９（２）： ９７－１００ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｌｉｎｇ Ｙ （凌　 云）， Ｚｈａｎｇ Ｇ⁃Ｆ （张光富）， Ｇｏｎｇ Ｂ （龚
滨）． Ｆｌｏｒａ ｏｆ Ｌａｏｓｈａｎ Ｎａｔｉｏｎａｌ Ｆｏｒｅｓｔ Ｐａｒｋ ｉｎ Ｎａｎｊｉｎｇ
ａｎｄ ｉｔｓ ｒｅｌａｔｉｏｎｓｈｉｐ ｗｉｔｈ ｎｅａｒ ｒｅｇｉｏｎｓ． Ｊｏｕｒｎａｌ ｏｆ Ａｎｈｕｉ
Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ （安徽农业科学 ）， ２０１０， ３８
（３６）： ２０９３８－ ２０９４２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｍａｓｅｋ ＪＧ， Ｖｅｒｍｏｔｅ ＥＦ， Ｓａｌｅｏｕｓ ＮＥ， ｅｔ ａｌ． Ａ Ｌａｎｄｓａｔ
ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｄａｔａｓｅｔ ｆｏｒ Ｎｏｒｔｈ Ａｍｅｒｉｃａ， １９９０ －
２０００． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，
２００６， ３： ５６８－５７２
［１８］　 Ｊｕｓｔｉｃｅ ＣＯ， Ｔｏｗｎｓｈｅｎｄ ＪＲ， Ｖｅｒｍｏｔｅ ＥＦ， ｅｔ ａｌ． Ａｎ
ｏｖｅｒｖｉｅｗ ｏｆ ＭＯＤＩＳ ｌａｎｄ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｐｒｏｄｕｃｔ ｓｔａ⁃
ｔｕｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８３： ３－１５
［１９］　 Ｈｕａｎｇ Ｃ， Ｇｏｗａｒｄ ＳＮ， Ｓｃｈｌｅｅｗｅｉｓ Ｋ， ｅｔ ａｌ． Ｄｙｎａｍｉｃｓ ｏｆ
ｎａｔｉｏｎａｌ ｆｏｒｅｓｔｓ ａｓｓｅｓｓｅｄ ｕｓｉｎｇ ｔｈｅ Ｌａｎｄｓａｔ ｒｅｃｏｒｄ： Ｃａｓｅ
ｓｔｕｄｉｅｓ ｉｎ ｅａｓｔｅｒｎ Ｕ．Ｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００９， １１３： １４３０－１４４２
［２０］　 Ｈｕａｎｇ ＣＱ， Ｓｏｎｇ Ｋ， Ｋｉｍ Ｓ， ｅｔ ａｌ． Ｕｓｅ ｏｆ ａ ｄａｒｋ ｏｂｊｅｃｔ
ｃｏｎｃｅｐｔ ａｎｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｔｏ ａｕｔｏｍａｔｅ ｆｏｒｅｓｔ
ｃｏｖｅｒ ｃｈａｎｇｅ ａｎａｌｙｓｉｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００８， １１２： ９７０－９８５
［２１］　 Ｌｉ Ｍ⁃Ｓ （李明诗）， Ｌｉｕ Ｔ⁃Ｑ （刘图强）， Ｐａｎ Ｊ （潘　
洁）． Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｓｏｃｉｏ⁃ｅｃｏｎｏｍｉｃ ｄｒｉｖｅｒｓ ｃｏｎｔｒｉｂｕｔｉｎｇ
ｔｏ ｆｏｒｅｓｔ ｆｒａｇｍｅｎｔａｔｉｏｎ： Ａ ｃａｓｅ ｓｔｕｄｙ ｆｒｏｍ Ａｌａｂａｍａ，
ＵＳＡ． Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ （东北林
业大学学报）， ２０１０， ３８（６）： ５７－５９ （ｉｎ Ｃｈｉｎｅｓｅ）
［２２］　 Ｌｉ ＭＳ， Ｈｕａｎｇ Ｃ， Ｚｈｕ Ｚ， ｅｔ ａｌ． Ａｓｓｅｓｓｉｎｇ ｒａｔｅｓ ｏｆ ｆｏｒｅｓｔ
ｃｈａｎｇｅ ａｎｄ ｆｒａｇｍｅｎｔａｔｉｏｎ ｉｎ Ａｌａｂａｍａ， ＵＳＡ， ｕｓｉｎｇ ｔｈｅ
ｖｅｇｅｔａｔｉｏｎ ｃｈａｎｇｅ ｔｒａｃｋｅｒ ｍｏｄｅｌ． Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ
Ｍａｎａｇｅｍｅｎｔ， ２００９， ２５７： １４８０－１４８８
［２３］　 Ｔｈｏｍａｓ ＮＥ， Ｈｕａｎｇ ＣＱ， Ｇｏｗａｒｄ ＳＮ， ｅｔ ａｌ． Ｖａｌｉｄａｔｉｏｎ
ｏｆ Ｎｏｒｔｈ Ａｍｅｒｉｃａｎ ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｄｙｎａｍｉｃｓ ｄｅｒｉｖｅｄ
ｆｒｏｍ Ｌａｎｄｓａｔ ｔｉｍｅ ｓｅｒｉｅｓ ｓｔａｃｋｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉ⁃
ｒｏｎｍｅｎｔ， ２０１１， １１５： １９－３２
［２４］　 Ｍａｓｅｋ ＪＧ， Ｈｕａｎｇ ＣＱ， Ｗｏｌｆｅ Ｒ， ｅｔ ａｌ． Ｎｏｒｔｈ Ａｍｅｒｉｃａｎ
ｆｏｒｅｓｔ ｄｉｓｔｕｒｂａｎｃｅ ｍａｐｐｅｄ ｆｒｏｍ ａ ｄｅｃａｄａｌ Ｌａｎｄｓａｔ ｒｅ⁃
ｃｏｒｄ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００８， １１２：
２９１４－２９２６
［２５］　 Ｐｆｌｕｇｍａｃｈｅｒ Ｄ， Ｃｏｈｅｎ ＷＢ， Ｋｅｎｎｅｄｙ ＲＥ， ｅｔ ａｌ． Ｕｓｉｎｇ
Ｌａｎｄｓａｔ⁃ｄｅｒｉｖｅｄ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｈｉｓｔｏｒｙ ａｎｄ ｌｉ⁃
ｄａｒ ｔｏ ｍａｐ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｄｙｎａｍｉｃｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１４， １５１： １２４－１３７
作者简介　 吕莹莹，女，１９９０年生，硕士研究生． 主要从事遥
感、ＧＩＳ 及其生态应用研究． Ｅ⁃ｍａｉｌ： ５３９９１３９００＠ ｑｑ．ｃｏｍ
责任编辑　 孙　 菊
吕莹莹， 庄义琳， 任芯雨， 等． 南京城市森林干扰及恢复自动制图． 应用生态学报， ２０１６， ２７（２）： ４２９－４３５
Ｌｙｕ Ｙ⁃Ｙ， Ｚｈｕａｎｇ Ｙ⁃Ｌ， Ｒｅｎ Ｘ⁃Ｙ， ｅｔ ａｌ． Ａｕｔｏｍａｔｅｄ ｍａｐｐｉｎｇ ｏｆ ｕｒｂａｎ ｆｏｒｅｓｔｓ’ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｒｅｃｏｖｅｒｙ ｉｎ Ｎａｎｊｉｎｇ， Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２０１６， ２７（２）： ４２９－４３５ （ｉｎ Ｃｈｉｎｅｓｅ）
５３４２期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 吕莹莹等： 南京城市森林干扰及恢复自动制图