遥感影像以其覆盖范围广，获取周期短等优势成为变化检测的重要数据源，利用遥感数据进行土地覆盖变化检测成为土地资源调查的重要途径^[1-2]。高分辨率遥感影像的应用更加提高了变化检测的精细化水平。对于需要严格保护的城市森林及风景林区，米级尺度的植被精细变化检测能够反映出森林的管理现状，为及时采取资源保护措施提供可靠的依据。运用高分辨率影像进行植被变化检测给我们带来新的机遇和挑战的同时，对检测方法的精度也提出了更高的要求^[3]。

相对于传统先分类后比较的方法，基于像元的直接检测法利用变化前后两期影像对应像元的直接比较来提取变化信息，不存在分类精度对检测结果的影响，在高分辨率遥感影像检测中得到了广泛的应用^[4-6]。Jin等^[7]提出的多指标综合变化分析（Multi-index Integrated Change Analysis，MIICA）可以指示植被变化的位置及方向（植被的增多和减少），已被用于美国土地覆盖变化产品NLCD2016（National Land Cover Database）的生产，是一种较为直接、方便的基于像元的植被变化检测方法。但是MIICA原本基于Landsat影像而发展，与其他基于像元的直接变化检测方法一样，没有考虑到像元间的空间关系，变化检测结果中容易引入椒盐噪声。

空间分辨率越高，变化检测结果中的椒盐噪声就越严重^[8]。为了减少椒盐噪声的影响，根据高分辨率遥感影像的特点，Baatz等^[9]首次提出了面向对象分析方法，并利用空间相邻、光谱相似的像元集成的对象作为变化的基本单元^[10]。基于该方法，面向对象分类在变化检测中得到了发展^[11-12]，但检测结果仍旧受到分类精度的影响。为了解决上述问题，不少学者尝试将基于像元的直接检测法与面向对象分析结合来进行变化检测。Desclée等^[13]提出了利用面向对象的反射率检测法，并将其与基于像元的检测法进行比较；韩飞^[8]将光谱梯度差分与面向对象结合进行了试验；李亮等^[14]将面向对象的变化向量分析法应用于高分辨率影像的变化检测中，并将该方法与基于像元的变化向量法进行比较。以上研究均表明，面向对象的变化检测方法可以有效减少椒盐噪声，提高变化检测的精度。

为了更好地进行植被变化分析，结合原有的MIICA，本研究提出了面向对象的MIICA。利用WorldView2和高分二号（GF-2）影像进行统一的影像分割得到对象，以此作为基本单元进行南京紫金山风景区植被变化的检测分析，包括植被与其他地类之间的转化以及树木株数减少或增多所造成的树冠覆盖区域的变化。本研究将该方法结果与基于像元的MIICA及面向对象分类法的结果相比较来探讨该方法在高空间分辨率影像植被变化检测中的表现。

1.   研究区概况与数据来源

研究区域为南京市紫金山地区。紫金山地区属于我国北亚热带地带性落叶常绿阔叶林地带，是具有科学研究价值的基地之一，也是我国北亚热带长江下游地区的重要风景林区。植物种类丰富，植被覆盖量大，在净化空气、水土保持、旅游观赏以及科学研究上都有巨大的价值^[15-16]。本文中的研究区面积为2 933 hm²，其中森林面积占2 000 hm²左右。地理坐标为118°48′ ~ 118°52′E，32°02′ ~ 32°06′N（图1）。

图  1  研究区位置

右图为Worldview2波段4、3、2的假彩色合成图像。The right figure is a false color composite using Worldview 2 band 4, 3 and 2.

Figure  1.  Location of the study area

下载: 全尺寸图片 幻灯片

研究所用数据为2015年7月的WorldView2影像（包括0.5 m分辨率全色影像和2.0 m分辨率多光谱影像）及2018年4月的GF-2影像（包括1 m分辨率全色影像和4 m分辨率多光谱影像）。其中WorldView2影像为商业购买所得；GF-2数据由中国林业科学研究院资源信息研究所高分辨率对地观测系统林业数据与应用中心提供。

2.   研究方法

2.1   数据预处理

首先，将各影像利用最新参数进行辐射定标操作^[17-18]，将像元DN（Digital Number）值转化为辐射亮度值，然后利用ENVI的FLAASH进行大气校正获得地表反射率。然后，以2015年WorldView2影像作为基准，对GF-2影像进行几何精校正及重采样，使所有影像的分辨率为0.5 m。由于所使用影像跨传感器，同一地物像元值存在差异，并且不同大气状态、太阳照度以及时相差异对影像像元值也有一定影响。因此，本文还利用伪不变特征法，以WorldView2影像为基准，对GF-2影像进行辐射归一化操作。选取5 000个像元点，包含低、中、高亮度像元，建立线性回归方程从而实现辐射归一化操作^[19]。

由于所用高分辨率影像包含全色和多光谱波段，为了实现低空间分辨率的光谱信息和高空间分辨率的空间信息的结合^[20]，首先要进行影像融合。本文采用的融合方法为小波融合，通过主观定性评价和标准差、平均梯度、信息熵、均方根误差等客观定量参数的综合分析选择最佳小波基及分解层数^[21-22]。通过比较，我们分别使用coif1和db2作为WorldView2和GF-2影像融合的小波基，分解层数均为3层。

2.2   面向对象的MIICA

本研究方法是在影像分割的基础上进行MIICA。主要包括以下3个步骤：（1） 通过对两期影像统一分割得到变化检测的对象，形成两幅基于对象的影像；（2） 将得到的对象影像作为输入计算MIICA中指示变化强度和变化方向的特征参数；（3） 对每个特征参数影像设定阈值并进行整合得出植被变化的区域及方向。

2.2.1   分割参数的确定

影像分割在ENVI的FX模块中进行。分割的原理是结合像元光谱和空间上下文信息对影像的地物边界进行识别，分割出不同对象，同时计算对象内像元亮度的均值作为对象内每个像元的值。因此，对象内所有像元值相同，而又与相邻对象相异。首先，对预处理后的两期高分辨率遥感影像进行一次波段堆栈，将融合后的两幅影像及影像融合前得到的两幅NDVI图像堆栈成一幅10波段影像（包含8个多光谱波段及2个NDVI特征波段）。然后，再对合成后的影像进行统一分割。统一分割既同时考虑了两期影像的光谱特性，又能使分割后两期影像中对象一一对应，即分割后两幅影像生成的对象数量及每个对象的空间位置、大小、形状都完全相同，并且统一分割还能使两期影像的分割参数一致，避免单独分割因尺度差异对变化检测造成影响。影像分割包括分割和合并两个过程，随着分割尺度和合并尺度的升高，分割形成的对象数均呈现减少的趋势。为了减少分割参数设定过程中主观因素对分割结果造成的影响，本文采用准确率（Precision，P）及查全率（Recall，R）来评价分割精度并最终确定分割参数。P和R是一对信息处理领域的经典评价指标^[23]，其计算公式如下：

式中：p和r分别是样本内每个分割对象的准确率和查全率；s_i是分割对象，${s_{(i,j)}}$是其匹配对象；I为样本内所有对象的面积和；P和R分别是样本区域中所有对象的p和r的加权平均值。

P能够指示欠分割程度，P越小，欠分割程度越大，反之越小；R能够指示过分割程度，R越小，则过分割程度越高，反之越小。因此，随着分割尺度和合并尺度的升高，P值均呈现下降的趋势，R值则均呈现上升的趋势。对于植被精细变化检测，应该尽可能地分割出面积较小的林间空地及狭窄的道路，因此我们以具有植被和狭小空地的区域作为试验区域，在保证影像的欠分割程度尽可能小的基础上减小过分割程度^[24]。由于合并是在分割的基础上进行的，过大的分割尺度会直接导致欠分割，因此首先将分割尺度设置为0，将阈值的确定分为以下两步：（1） 首先在分割尺度为0的情况下从0到100不断增大合并尺度，直至准确率P开始下降时停止。既保证了最大的P值，又保证了在P值不变的情况下使R值最大，以此确定合并尺度；（2） 接着保持该合并尺度不变，从0到100不断增大分割尺度，直至P值开始下降时停止，即在最大P值不变的情况下进一步使R值达到最大，以此确定分割尺度。

分割后产生的对象影像，虽然像元间还是彼此独立，而且参数计算过程与原始图像一样，但是对象内的像元由于亮度值相同，各像元参数计算所得值及变化提取的结果不会产生差异，因此后续的变化分析实质上是以对象为单位进行的。

2.2.2   变化特征参数的提取

MIICA是根据陆地卫星发展出来的变化检测方法，在变化向量（the Change Vector，CV）的基础上补充了差异归一化燃烧指数（the Differenced Normalized Burn Ratio，dNBR）、差异归一化植被指数（the Differenced Normalized Difference Vegetation Index，dNDVI）、相对变化向量最大值（the Relative Change Vector Maximum，RCVMAX）来提取两期图像的变化^[7]。dNBR一般用于火干扰的检测，而对于高分辨率影像由于缺少短波红外波段无法计算dNBR；紫金山区域相对较小且管理较严格，可以忽略火干扰的检测^[25]；4个参数在计算时相互独立。因此，这里只利用3个参数进行植被变化检测。CV表示两期影像总的光谱变化绝对值，一般CV值越高像元发生变化的可能性越大；RCVMAX可量化相对变化的程度，表现出一般的变化模式。但二者都容易受到地形、大气、物候等的影响产生伪变化，且无法提供变化的趋势（植被的增多和减少）。dNDVI反映了生物量的相对变化，可以减少太阳照度、云和阴影等干扰因素的影响^[7]。但是NDVI对高植被覆盖区域有过饱和现象，且对树冠背景较敏感，仅仅利用dNDVI进行植被变化检测也难达到理想效果，因此利用3个参数相互补充可以获得植被变化的区域及变化趋势，且与单一参数相比可提高检测的精度。各参数的表达式如下：

式中：i = 1，2，3，4，表示影像各波段；ρ_（B1i）和ρ_（B2i）是B_1i和B_2i的反射率值，NIR₁、R₁为前期影像的近红外和红光波段，$\; \rho_{ ({\rm{NI}}{{\rm{R}}_1})}$、$\; \rho_ {({R_1})}$为对应的反射率值；NIR₂、 R ₂为后期影像的近红外和红光波段，$\; \rho_{ ({\rm{NI}}{{\rm{R}}_2})}$、$\; \rho _{({R_2})}$为对应的反射率值。

dNDVI使用未融合的多光谱影像进行计算，然后重采样到全色影像相同分辨率进行后续计算。本文中面向对象的MIICA是利用分割过后得到的对象影像代替原始影像进行多指标综合变化分析，具体检测流程如图2所示。

图  2  面向对象的MIICA流程图

dNDVI. 差异归一化植被指数；CV. 变化向量；RCVMAX. 相对变化向量最大值。 dNDVI, differenced normalized difference vegetation index; CV, change vector; RCVMAX, relative change vector maximum.

Figure  2.  Flowchart of the object-oriented MIICA

下载: 全尺寸图片 幻灯片

2.2.3   变化阈值的确定

在本文方法中涉及dNDVI、CV和RCVMAX 3个指标阈值的设定。其中，CV代表变化强度，只需设定一个阈值，而dNDVI包含两个变化方向（植被增多和减少）的划分，RCVMAX也分为正值和负值两个部分，传统二值化的方法在这里并不适用。因此，本研究首先分别提取dNDVI和RCVMAX图像的正值和负值部分，转化成二值化问题，并采用ROC（Receiver Operating Characteristic）曲线法^[26]进行阈值的设定。

ROC曲线又称受试者工作特征曲线，最初是应用于雷达信号接收能力的评价^[27]，之后广泛应用于各种诊断试验性能的评价。ROC曲线法通过改变阈值，可得到多对真（假）正类率值，以获得尽可能高的真正类率和尽可能低的假正类率为原则进行阈值的选取。在本文中，利用特征图像生成ROC曲线分为以下3步：（1） 通过目视解译勾画样本内植被增多、减少和不变区域作为测试样本；（2） 设定不同阈值，将植被变化（增多或减少）的像元记为正类（Positive），不变像元记为负类（Negative）；（3） 以样本为依据统计不同阈值所对应的真正类（阈值分割为正类而实际也为正类True Positive，TP）、假正类（阈值分割为正类而实际为负类False Positive，FP）、真负类（阈值分割为负类而实际也为负类True Negative，TN）和假负类（阈值分割为负类而实际为正类False Negative，FN），并计算真正类率（True Positive Rate，TPR）和假正类率（False Positive Rate，FPR）。

统计不同阈值下的FPR和TPR，分别以FPR和TPR作为横、纵坐标，生成ROC曲线，从而确定最佳阈值。相较于其他自适应门限法，该方法以实际变化样本为参考，提高了检测结果的可靠性。

2.3   精度验证

本研究中，通过将提取的变化结果与参考数据进行比较来计算植被变化检测的准确度。由于缺乏相应年份更高空间分辨率的土地覆盖变化数据或地面调查数据，同时也为了减少时相对检测结果精度的影响，因而将通过前后两期影像的比较、目视判别植被变化状况作为参考数据。采用随机点抽样可以提高精度验证的客观性，但是考虑到变化区域占研究区面积较少，绝大部分随机点会落在未变化区域而使总体精度虚高。因此，这里采用分层抽样的方法^[28]，将研究区分为植被增多、植被减少和植被不变3层进行抽样。由于涉及3种方法的不同检测结果，分层规则如下：一个对象或像元只要被其中一种方法检测为植被增多（或减少），则将其归为植被增多（或减少）层，其余区域为不变层。为了保证总体样本数量，在每个分层中生成75个随机点^[29]。统计每个随机点所在像元实际的植被变化状况（植被增多、减少或不变）以及试验所得结果中的变化状况（植被增多、减少或不变），并计算总体精度、Kappa系数、生产者精度和用户精度。为了保证精度比较的客观性，使用同一套随机点对3种方法进行精度计算。

3.   结果与分析

3.1   影像分割结果

由于准确率P和查全率R呈负相关关系，并且分割基于在保证最大P值的基础上得到最大R值的原则，因此本文主要统计了不同分割尺度和合并尺度下的P值（图3）。由图3a可知在分割尺度为0的情况下，当合并尺度高于75时P值开始下降，因此将合并尺度确定为75；由图3b可以看出，在合并尺度为75的情况下，当分割尺度高于20时P值开始下降，因此将分割尺度确定为20。在该阈值下进行分割得到两期基于对象的影像，分割效果见图4。对于两期影像，分割结果都可以较好地将面积较小的空地从林地中分割出来，并且很好地刻画出了道路等狭窄的地物。由分割后得到的对象影像进行特征参数dNDVI、CV和RCVMAX的提取，得到的结果见图5。

图  3  P值随合并尺度和分割尺度的变化

a. 当分割尺度为0时P值随合并尺度的变化；b. 当合并尺度为75时P值随分割尺度的变化。 a, trends of P with the change of merging scale when the segmentation scale was 0; b, trends of P with the change of segmentation scale when the merging scale was 75.

Figure  3.  Trends of P with the change of merging scale and segmentation scale

下载: 全尺寸图片 幻灯片

图  4  影像分割结果

a. 2015年WorldView2影像；b. WorldView2影像分割结果；c. 2018年GF-2影像；d. GF-2影像分割结果。 a, WorldView2 image; b, WorldView2 image segmentation result; c, 2018 GF-2 image; d, GF-2 image segmentation result.

Figure  4.  Segmentation results of images

下载: 全尺寸图片 幻灯片

图  5  面向对象的特征参数影像

a. 面向对象的dNDVI影像；b. 面向对象的CV影像；c. 面向对象的RCVMAX影像。a, object-oriented dNDVI image; b, object-oriented CV image; c, object-oriented RCVMAX image.

Figure  5.  Object-oriented feature parameter images

下载: 全尺寸图片 幻灯片

3.2   变化检测结果

分别对dNDVI、CV和RCVMAX 3幅特征参数图像设置阈值，通过检验样本统计不同阈值下的TPR和FPR，可得到相应的ROC曲线图。随着阈值的增大（或减小）TPR会不断升高，而FPR不断下降，二者为反相关关系。理想状态下当TPR = 1、FPR = 0即（0，1）点的效果最好。研究中取y = 1 − x与ROC曲线的交点，即曲线中离（0，1）最近的点所对应的阈值作为划分变化和未变化的特征参数阈值进行变化区域提取。例如计算CV影像在不同阈值下的FPR和TPR得到如下表格（表1）及ROC曲线图（图6）。图6中曲线与y = 1 − x的交点坐标大致为（0.19，0.82），通过表1可知CV的最佳阈值为350，即将CV > 350的对象分为变化类。利用上述步骤分别得到dNDVI和RCVMAX在不同阈值下的FPR、TPR（表2 ~ 5）以及ROC曲线（图7），最终整理得到3个参数的变化阈值（表6）。

表  1  不同CV阈值下的FPR和TPR

Table  1.  FPR and TPR at different CV thresholds

正类率 Positive rate	CV 阈值 CV threshold
	0	100	200	300	350	400	500	600	700	800	900	1 000
FPR	1.00	0.64	0.38	0.21	0.19	0.13	0.08	0.06	0.03	0.02	0.01	0.00
TPR	1.00	0.94	0.89	0.84	0.82	0.77	0.69	0.65	0.51	0.44	0.37	0.00
注：FPR为假正类率，TPR为真正类率。Notes: FPR is false positive rate,TPR is true positive rate.

下载: 导出CSV 

| 显示表格

表  2  不同dNDVI阈值下的FPR和TPR（植被减少）

Table  2.  FPR and TPR at different dNDVI thresholds (vegetation loss)

正类率 Positive rate	dNDVI 阈值（植被减少） dNDVI threshold (vegetation loss)
	0.00	0.11	0.12	0.13	0.14	0.15	0.16	0.20	0.50	1.00
FPR	1.00	0.69	0.56	0.42	0.22	0.18	0.17	0.08	0.00	0.00
TPR	1.00	0.98	0.97	0.95	0.87	0.84	0.83	0.65	0.13	0.00

下载: 导出CSV 

| 显示表格

图  6  CV在不同阈值下的ROC曲线

Figure  6.  ROC curves of CV at different thresholds

下载: 全尺寸图片 幻灯片

表  6  本研究提取植被变化所用的参数阈值

Table  6.  Parametric thresholds used to extract vegetation change in this study

项目 Item	植被减少 Vegetation loss	植被增多 Vegetation gain
dNDVI	> 0.16	< − 0.21
CV	> 350	> 350
RCVMAX	< − 0.006或 > 0.006	< − 0.006或 > 0.006

下载: 导出CSV 

| 显示表格

图  7  特征参数在不同变化阈值下FPR和TPR的ROC曲线

a. dNDVI植被减少阈值；b. dNDVI植被增多阈值；c. RCVMAX正值部分阈值；d. RCVMAX负值部分阈值。 a, dNDVI thresholds of vegetation loss; b, dNDVI thresholds of vegetation gain; c, RCVMAX thresholds of positive part; d, RCVMAX thresholds of negative part.

Figure  7.  ROC curves of FPR and TPR for characteristic parameters at different change thresholds

下载: 全尺寸图片 幻灯片

表  3  不同dNDVI阈值下的FPR和TPR（植被增多）

Table  3.  FPR and TPR at different dNDVI thresholds (vegetation gain)

正类率 Positive rate	dNDVI 阈值（植被增多） dNDVI threshold (vegetation gain)
	0.00	− 0.10	− 0.15	− 0.20	− 0.21	− 0.22	− 0.25	− 0.30	− 0.40	− 0.50
FPR	1.00	0.56	0.31	0.26	0.13	0.08	0.06	0.04	0.01	0.00
TPR	1.00	0.99	0.96	0.95	0.87	0.82	0.78	0.71	0.31	0.00

下载: 导出CSV 

| 显示表格

表  4  不同RCVMAX阈值下的FPR和TPR（正值部分）

Table  4.  FPR and TPR at different RCVMAX thresholds (positive part)

正类率 Positive rate	RCVMAX（阈值正值部分） RCVMAX threshold (positive part)
	0.00	0.001	0.002	0.004	0.006	0.008	0.01	0.02	0.04	0.06
FPR	1.00	0.45	0.28	0.23	0.16	0.08	0.06	0.04	0.02	0.00
TPR	1.00	0.94	0.91	0.89	0.84	0.72	0.67	0.59	0.41	0.00

下载: 导出CSV 

| 显示表格

表  5  不同RCVMAX阈值下的FPR和TPR（负值部分）

Table  5.  FPR and TPR at different RCVMAX thresholds (negative part)

正类率 Positive rate	RCVMAX阈值（负值部分） RCVMAX thresholds (negative part)
	0.00	− 0.001	− 0.002	− 0.003	− 0.004	− 0.005	− 0.006	− 0.01	− 0.02	− 0.03
FPR	1.00	0.83	0.63	0.55	0.38	0.31	0.24	0.07	0.00	0.00
TPR	1.00	0.97	0.93	0.91	0.83	0.79	0.74	0.47	0.02	0.00

下载: 导出CSV 

| 显示表格

对得到的各参数阈值通过“and”的原则进行整合，即同时满足3个特征参数变化阈值的像元或对象才认为其发生变化（植被增多或植被减少）。最终得到紫金山2015—2018年植被变化情况图（图8），并计算植被变化面积及所占研究区面积的比例（表7）。紫金山植被的减少和增加比例分别为1.21%和0.92%，植被减少面积略高于增多面积。

表  7  紫金山2015—2018年植被变化面积及比例

Table  7.  Vegetation change area and rate in the Purple Mountains during 2015−2018

植被变化状况 Vegetation change	面积 Area/m2	比例 Rate/%
植被减少 Vegetation loss	356 102	1.21
植被增多 Vegetation gain	268 901	0.92

下载: 导出CSV 

| 显示表格

图  8  紫金山2015—2018年植被变化专题图

Figure  8.  The matic map of vegetation change in the Purple Mountains from 2015−2018

下载: 全尺寸图片 幻灯片

3.3   不同检测方法结果的比较

利用分层随机抽样生成随机点进行精度验证，得到基于像元的MIICA、面向对象的MIICA以及面向对象分类法的各项精度指标（表8）。比较面向对象的MIICA和基于像元的MIICA发现，两者的用户精度相差不大，但在面向对象的MIICA中，植被增多和减少的生产者精度均明显高于基于像元的MIICA，即对变化检测的漏检率较小；而面向对象分类法虽然生产者精度较高，能够更多地检测出变化区域，但其植被减少和增加的用户精度较小，误检率较大，因此检测效果不佳。通过总体精度和Kappa系数也可以看出，3种方法中面向对象的MIICA总体检测性能最好，而面向对象分类法较差。

表  8  不同检测方法精度的对比

Table  8.  Comparison of accuracies from different change detection methods

精度相关参数 Parameters of precision	基于像元的MIICA Pixel-based MIICA			面向对象的MIICA Object-oriented MIICA			面向对象分类法 Object-oriented classification
	植被减少Vegetation loss	植被增多 Vegetation gain		植被减少 Vegetation loss	植被增多 Vegetation gain		植被减少 Vegetation loss	植被增多 Vegetation gain
用户精度 User’s accuracy	0.927	0.957		0.896	0.944		0.712	0.780
生产者精度 Producer’s accuracy	0.717	0.750		0.811	0.850		0.887	0.883
总体精度 Overall accuracy	0.844			0.880			0.791
Kappa 系数 Kappa coefficient	0.739			0.805			0.678

下载: 导出CSV 

| 显示表格

图9为3种方法的检测结果对比图，可以看出基于像元的MIICA存在很多细碎的斑块，地物内部也不完整，且存在较多漏检的地方（如位置②）。这是由于基于像元的方法忽视了像元间上下文的关系，容易引起椒盐噪声^[14]。另一方面，尽管阈值设定过程中我们采用了较为客观的二值化方法，但也不可避免地受到样本选择过程的影响。对于基于像元的方法，灰度值处于阈值范围边缘的像元，会受到阈值的微小变化影响，得出不同的检测结果；而面向对象分析将对象中的像元联合成一个整体，灰度值处于边缘的像元取值向着对象均值靠近，受阈值变化的影响也会减小，检测结果更可靠。从图9中也可以看出，面向对象的MIICA能够较好地刻画出变化地物的边界和形状，且检测出的变化区域较为完整。

图  9  不同方法检测结果图

a. 2015年影像；b. 2018年影像；c. 基于像元的MIICA结果；d. 面向对象的MIICA结果；e. 面向对象分类法结果。①、②分别指示不同图像的相同位置。 a, image in 2015; b, image in 2018; c, pixel-based MIICA result; d, object-oriented MIICA result; e, object-oriented classification result. ① and ② indicate the same positions in different images, respectively.

Figure  9.  Change detection results of different methods

下载: 全尺寸图片 幻灯片

通过图9d、e比较可以看出，面向对象分类法存在较多的误检现象（如位置①，方框中间2015年存在植被，对应变化类型应该是未变化，而面向对象分类法则识别成植被增多）。由于传感器、太阳照度、阴影等因素的差异，在分类过程中相同地物被分成不同的种类从而导致了这种误检现象。面向对象的MIICA中CV、RCVMAX和dNDVI能够相互补充，在一定程度上减少因大气、地形等影响造成的误差，因此其误检率较低。另一方面，尽管试验过程中两种方法的分割参数是一致的，前期地物分割效果相同，但是在分类过程中一些面积较小或独立的树冠不能被很好地从周围地物中分离出来（如位置②，图9a、d、e 3个图中箭头所指处为树冠，而面向对象分类未将此处与不透水层区分，因此检测结果为植被增多），这也导致了面向对象分类法的检测误差；而在面向对象的MIICA中，这些变化能够被反映出来。以上分析说明，相对于其他两种方法，面向对象的MIICA能够较好地检测出植被变化的区域位置及形状，并且能够检测出一些面积较小（如树冠等）的细微变化。

4.   结论与讨论

本研究以南京市紫金山作为研究区域，将原有的MIICA应用于高分辨率遥感影像的植被变化检测中，并将其与面向对象分析相结合，提出了面向对象的MIICA。本文将这种方法与基于像元的MIICA及面向对象分类法进行了比较，得出以下结论：直接检测法可以减少分类带来的误差，并且本文方法利用3个参数CV、RCVMAX和dNDVI相互补充，减少了错分误差；面向对象分析以对象为检测单元，能明显改善基于像元检测法椒盐噪声严重的问题，更适用于高分辨率影像的变化检测。因此，本文提出的面向对象的MIICA检测精度较高，并能较好地反映出一些微小的变化，在风景林区的植被变化检测中具有应用价值和研究意义。

本研究中特征参数阈值设定的方法是先将所有阈值设定转化成二值化问题，然后用变化区域样本作为依据利用ROC曲线法进行二值化。与原有MIICA中的经验阈值方法^[7]相比，本文方法更具有广泛适应性和客观性，受地域、土地覆盖类型、传感器类型的影响更小。但本研究仍然存在一些不足：研究中变化阈值的设定需要依赖目视判别勾画变化区域作为样本，虽然结果较为可靠，但过程繁琐，自动化程度较低；为了将MIICA应用到高分辨率影像的变化检测中，我们去除了特征参数dNBR，但对于一些可能存在火干扰的林区，检测结果可能会受到影响；虽然本文方法在变化检测过程中以对象作为检测单元，但参数提取时对象内像元还是单独计算的，没有充分利用对象内的相关信息。在今后的研究中，我们会进一步提取并利用对象的纹理等信息，对现有方法进行更深入的试验和改进，以期获得自动化程度更高、检测结果更可靠的植被变化检测方法。