张立福等：从光谱到时谱

变化检测是根据不同时间的多次观测来确定地表覆盖状态变化的过程，遥感对地观测作为一种先进、成熟的技术手段，可以快速、宏观、动态地获取地表影像，为解决土地覆盖的变化检测提供了重要数据支撑。可见，遥感变化检测需要使用多个时相的光谱信息，从而使遥感数据的维度从三维提升到了四维。类似于光谱的概念，不同时间的遥感特征序列就构成了时谱。特别是随着2008 年Landsat 数据对公众免费开放下载，历史遥感影像的获取成本大为降低。时谱从时间这一全新的维度上刻画地物特征，为解决变化检测问题提供了更加广阔的思路：

2. 基于时谱的变化检测不受季节和植被物候的限制：通过对时谱曲线的重构或分解来消除不同时相植被物候的影响，从而消除季节因素引起的伪变化；

3. 基于时谱的变化检测能够捕捉到地物长期而缓慢的变化趋势，进而分析地表随时间的变化规律；

4. 时谱因其较高的时间分辨率可以实现对变化时间的精确提取；

5. 时谱使实时变化监测成为可能：通过对时谱序列的拟合和分解，可以实现对诸如森林火灾、偷砍偷伐等突发事件的实时预警。

因此，本文首先回顾了传统的遥感时间序列变化检测方法，并在光谱概念的基础上提出时谱的概念，总结时谱分析中面临的关键问题及挑战。最后从当前趋势和未来前景两个角度对基于时谱分析应用进行展望。

1 传统的遥感时间序列变化检测

1.1

基于分类的时间序列变化检测

较为传统和常用的遥感时间序列变化检测方法是基于分类的变化检测，根据输入到分类器的影像时相的不同有两种策略：

1. 分类后比较法，即先根据单时相影像进行分类，然后比较不同时相的分类结果获取变化检测信息；

2.时间序列直接分类法，即将时间序列数据作为整体输入到分类器获取变化信息。

基于分类的时间序列变化检测框架如图1 所示。

图1 基于分类的时间序列变化检测框架图

分 类 后 比 较 法（ Post Classification Comparison，PCC）是指首先将同一区域不同时相的遥感数据进行独立分类，然后对分类后的结果进行叠加、统计等分析，从而获得变化检测结果。

分类后比较法的思想雏形起始于二十世纪八十年代初期，Howarth 等首次利用这一思想，基于两幅Landsat 数据对土地覆盖类型变化的信息进行了提取。随着计算机技术和遥感技术的发展，该方法在诸多行业得到广泛的应用。在土地利用/覆盖动态变化分析方面，利用多期Landsat数据，通过监督分类或非监督分类的方法对影像数据进行分类，分析土地利用/覆盖的动态变化情况，如Chen 等提出基于分类后验概率空间的分析方法（change vector analysis in posterior probability space ，CVAPS），对后验概率进行变化向量分析避免了误差累积效应；

在环境生态方面，Li 等利用1999-2018 年447 幅河流冰期陆地卫星影像，对八宝流域的河流冰情进行长时间序列的监测；Pickens 等利用Landsat TM/ ETM/ETM+ /OLI 影像生成1999-2018 年全球内陆水资源地图，并对全球内陆水资源状况进行分析。此外，基于分类后比较的变化检测方法在海岸线、城市扩张、植被、农作物等变化检测方面也有广泛的应用。

分类后比较法具有以下优势：

1.通过对每个时相的影像进行分类，能够避免多源传感器带来的辐射归一化问题；

2. 能够提供变化前后的信息，如土地利用发生变化的类型、时间、位置等；

3.理论上，该方法对于时间序列的长度是没有限制的。

然而，该方法也存在一些缺陷：

1.该方法的基础是对每个时相的影像都进行挑选并逐一分类，造成工作量庞大；

2. 该方法的变化检测精度在很大程度上依赖于分类精度，每一个时相的分类误差都会被累积，最终影响变化检测的精度；

3.由于对不同时相的影像的分类是一个相互独立的过程，没有考虑时相间的相关性，忽视了一些植被在生长周期内的变化，造成不合理的变化检测结果。

尽管分类后比较法存在精度和时相方面的缺陷，但由于其方法简单，逻辑清晰，至今为止，仍然是一种常用的时间序列变化检测方法。

为了减小和避免分类后比较法分类精度累积的问题，有学者将时间序列数据输入到分类器，直接进行分类和提取变化信息，即：时间序列直接分类法。

Mas 比较了时间序列直接分类法和主成分分析等不同变化检测方法在墨西哥沿海地区的变化检测精度；Woodcock 等将森林变化信息分为森林发生变化和无变化两种类型，采用人工神经网络方法获取了俄勒冈州的森林变化信息；

Huang 等提出将土地利用发生变化和未变化的样本作为不同的样本类型，进行交叉组合，形成“from-to”类型，直接对两期遥感影像进行分类获取变化信息；

Wang 等通过分割的分类方法获取变化信息，并在高分辨率机载和SPOT5 遥感图像上取得较高精度；

类似地，也可以将统计特征和光谱特征输入到分类器中直接提取变化信息：如Jose 等通过提取半方差、交叉半方差等特征和光谱特征，采用决策树分类的方法分析了西班牙东南部穆尔西亚的农作物变化信息。

时间序列直接分类法的显著优点是可以避免分类后比较法中多次分类带来的误差累积，但是带来了样本选择的问题，该方法需要获取大量准确的“from-to”样本信息，才能获取精度较高的变化信息，造成人为干预较多。 对长时序遥感数据来说，获取变化类型的样本是一项工作量庞大且较为复杂的工作，需要耗费大量的时间。

1.2

阈值法

对单一地物类型的变化检测而言，通常采用阈值法，即针对特定的检测目标，如森林、水、城镇等，通过设置光谱特征、具有一定物理意义的特征作指标或者最大值、最小值、均值等统计指标为检测指标，根据检测目标的检测指标在时间上表现出的规律，设置一定的阈值来进行分类或变化信息的提取，该方法常用于提取植被、城镇、水体和农田等变化信息。

图2 基于阈值的时间序列变化检测框架图

在植被变化检测方面，通常计算归一化植被指数（Normalized Difference Vegetation Index ，NDVI），增强型植被指数（Enhanced Vegetation Index，EVI），通用归一化植被指数（Universal Normalized Vegetation Index，UNVI）等，根据研究区特征，结合地物特征，设置阈值进行变化信息的提取，如Huang 等通过计算北京市1985-2015 年每年所有可获取的Landsat 数据，合成年最大及最小NDVI 值，构建年度最大、最小NDVI 时间序列，设置阈值，获取植被增加和减少的空间分布；

在城镇建筑物变化检测方面，周小成等和樊勇等基于阈值法和多种分类器的方法研究了城镇扩张问题；Liu 等通过提出一种新的指数：归一化城镇综合指数（Normalized Urban Areas Composite Index，NUACI），用于提取和分析全球典型城市建筑区扩张情况，例如纽约、东京等；Gong等基于长时序NDVI、改进的归一化差异水体指数（Modified Normalized Difference Water Index, MNDWI）、短波红外波段，实现对全球不透水面的绘制；

在水资源变化检测方面，Wang等和Feng等通过计算NDVI、EVI、MNDWI、浮藻指数（Floating Algae Index, FAI），利用时间序列Landsat和MODIS数据对鄱阳湖水体的时空动态变化进行了分析；Wang等通过计算NDVI、EVI等指数，分析了我国沿海滩涂的年际时空变化；在农田变化检测方面，Dong等和Xiao等通过Landsat 8 数据、MODIS数据构建NDVI、EVI等指数序列，分析了水稻种植情况。

阈值法的另一个分支是基于时间序列遥感光谱数据或者具有一定物理意义的特征信息数据，对其同一位置进行差值或者比值比较，当差值或者比值超过阈值或者通过统计检验，则认为发生了变化。常用于植被变化信息提取，如Vorovencii 通过NDVI 等植被指数做差值和比值，分析了罗马尼亚西比乌县的土地覆盖变化情况，该方法在林地火点信息提取、森林砍伐等方面也有广泛的应用。

基于阈值法的时间序列变化检测方法计算非常方便，充分利用了时间信息，能够弥补分类法造成的误差累积问题，但是要求时间序列数据具有一致性，经过严格的辐射和大气纠正以排除多源传感器对原始数据或者特征信息的影响；同时对于阈值的确定依赖于经验和不同地区的特性，而且无法直接反应具体的地物类型变化信息。

1.3

基于图像变换

从时间序列影像中提取出的特征信息能够突出变化地物信息，获取或增强影像的光谱特征和纹理特征，提高变化检测精度，这类方法统称为图像变换法，较为常用的图像变换方法有：小波变换、灰度共生矩阵、主成分分析方法（Principal Component Analysis，PCA）和缨帽变换方法（Kauth-Thomas Transformation，K-T 变换）等。

使用此类方法的前提一般是在原始时间序列数据的基础上提取特征指数，例如NDVI、EVI 等，然后将具有N 个时相的时间序列特征指数看作是具有N 个波段的多维影像数据，最后再进行图像变换。

PCA 变换起源于文献，它的核心思想是将原来众多的特征，通过计算协方差矩阵和特征值分解，从而将原始的数据变换成一组各维度无关的特征，常用于提取主要特征分量，以此来突出变化信息。

PCA 方法在时间序列变化分析中广泛应用于 植被变化分析，土地利用/覆盖变化信息提取等方面，如Deng 等提出了一种基于PCA 增强和混合分类的方法，综合利用多时相、多传感器的遥感数据，检测土地利用/覆盖变化信息，取得了较高的变化检测精度；Gong 则通过对差分影像而不是原始影像做主成分分析，以此来提取变换信息；Parmentier 通过PCA 方法分析了2001-2009 年间阿拉斯加烧毁和未烧毁地区NDVI、地表温度和反照率的变化趋势；Almeida 等利用PCA 方法分析了潘塔纳尔湿地的时空变化特征；Li 等利用PCA 方法对加拿大2003-2013 年的陆地储水进行了时空变化分析；Zhang 等提出一种结合PCA 和年际趋势分析的方法对中国西南喀斯特石漠化进行了分析评估。

通过以上分析可见PCA 方法一般通过突出变化信息提高检测的精度，但该方法没有考虑各个成分之间的物理含义。在主成分分析中仅考虑了在特征空间中的特性，忽略了空间特征和地物的生长信息。

缨帽变换方法，又称为K-T 变换，是1976年Kauth 和Thomas 在研究植被的生长过程时提出的，它的核心思想是，将N 波段的影像看作N维空间，每一个像元都是这个N 维空间中的一个点，各波段的数值决定了像元的位置。

经过K-T变换的前三个分量为反映土壤亮度的亮度分量、绿度分量和湿度分量。K-T 变换常用于植被变化信息的提取，如Kassawmar 等基于该方法绘制了埃塞俄比亚的Abaya 和Chamo 湖区从1986 年到2000 年间湿地时空分布，并分析了湿地在时间和空间上的变化情况；Gómez 等使用Landsat 时间序列影像，基于K-T 变换的方法分析了西班牙中部松林从1984-2009 年的分布变化情况；Mostafiz 等利用K-T 变换分析了美国“鲍勃”飓风登陆后，植被覆盖和景观的时空动态变化；Allen 等提出一种基于K-T 变换和变化向量分析的方法，突出植被增加和损失的区域，对葡萄牙南部的蒙塔多(森林牧场)25 年间的土地利用/覆盖变化进行了分析。由于K-T 变换突出了植被信息，因此在其他变化信息分析中具有局限性，一般不常使用。

1.4

基于模型的方法

为了得到更精确的变化检测结果，一般需要考虑数据图像序列集在时间上的关系，因此专家学者们提出了多种基于模型的方法。

基于模型的方法一般以统计假设为前提，通过构建时空变化模型来实现变化检测，其优点是可以有效克服噪声和光照影响，简化问题。缺点是建模困难，同时模型的正确与否、模型的精度直接决定变化检测的结果。

LandTrendr 模型是由Kennedy 等提出的，该方法以年为时间间隔，收集每年相似时间的Landsat 时间序列数据进行时间分割获取植被扰动信息。LandTrendr 的核心算法是时间分割算法，其操作流程主要包括轨迹提取、潜在分割点确定、时间序列轨迹拟合以及模型优化四个步骤。

LandTrendr 算法基于光谱或者提取的指数时间序列轨迹进行分割从而检测到变化信息，但是该算法基于逐像元计算，没有考虑像元之间的空间关系，只能给出变化的年份，不能明确“from-to”信息。LandTrendr 算法也集成在了Google Earth Engine 平台，能够快速访问应用；常用于检测林地的干扰和恢复、湿地土地覆盖类型等信息变化检测。

该模型的核心思想是：将原始NDVI 时间序列数据分解为季节成分、趋势成分和残差三部分，季节成分和趋势成分分别通过谐波模型和分段线性模型进行拟合，基于最小二乘的移动加和（the ordinary least squares (OLS) residuals-based Moving SUM, OLS-MOSUM）方法对季节序列和趋势序列测试是否存在变化点，变化点的个数由贝叶斯信息准则（Bayesian Information Criterion，BIC）确定，位置由最小二乘法估算。

该方法具有较好的理论基础，检测到的变化是基于统计意义上的变化，常用于MODIS、Landsat等遥感影像的NDVI和EVI数据检测植被等变化信息。虽然BFAST方法能够确定发生变化的时间和空间位置，但是无法给出确切的变化信息，即“from-to”信息，同时该方法是基于逐像元进行检测，没有考虑空间信息。

Zhu等提出CMFDA算法，用于萨凡河流域的森林扰动检测，将研究区所有可用的Landsat影像逐像元进行拟合反射率，通过对比反射率的观测值和拟合值之间的差异来进行变化检测。该方法没有考虑空间特征，同时在建立预测模型时，需要大量稠密的数据。

在CMFDA模型的基础上，Zhu和Woodcock 等提出了CCDC模型，该模型将变化检测目标从森林扰动扩展到多种土地覆盖变化类型，并且根据变化检测结果进行土地覆盖分类。该方法的变化衡量标准为预测值相对于观测值的偏离程度，模型以3倍均方根误差作为判断地物类型变化的依据。

目前CCDC模型已经在遥感影像时间序列变化检测领域得到广泛应用，例如 USGS 的土地变化监测、评估和预测、城市扩张变化信息提取、森林扰动信息提取等。CCDC模型是基于所有可用的Landsat时间序列进行分析，没有分类误差累积问题，但是它是逐像元计算，没有考虑空间特征，会造成很多噪声。

1.5

深度学习

随着深度学习（Deep learning）的兴起，基于深度学习的遥感时间序列变化检测研究引起研究者的兴趣。深度学习是基于端到端的机制进行自动化的学习，它不依赖于人类的先验经验，在农作物分类和变化检测方面具有广泛的应用，但是目前自动挖掘和获取影像的时空特征仍有一定的难度。

Lyu 等首次将长短期记忆模型应用到土地利用/覆盖变化检测中；Zhong等设计了两种深度学习模型：基于长短期记忆模型和基于一维卷积层，开发了基于深度学习的遥感时间序列分类框架，并与支持向量机、随机森林和极端梯度提升算法进行了对比；Zhang 等提出了结合多层感知器和卷积神经网络的联合深度学习模型，挖掘时间序列数据的光谱和空间特征，从而获取土地利用/覆盖和变化信息；Ienco 等针对哨兵1 号和哨兵2 号影像数据提出了一种双神经网络模型，增加空间和时间依赖之间的作用，用于提高土地利用/覆盖和变化检测的效率。

深度学习模型还应用于火灾区域检测、城市水体提取及变化分析、玉米产量估产和牧场管理监控等方面。

2 时谱的理论方法

传统的遥感时间序列变化检测存在以下问题：

1.在光谱维上，诸如LandTrendr、BFAST等算法利用某一个波段或某一种植被指数，舍弃大量可能有用的其他波段的信息，同时针对不同的变化检测目标，还存在光谱特征选取的问题；

2. 在时间维上，限于可显式表达的、具有物理意义的物候特征（如生长季开始时间、生长期长度等），对时序特征的挖掘较浅，同时对各个时间点的一系列离散图像数据分别进行处理，输出多个不同时间点的离散光谱立方体数据，仅针对单一像元的时间序列数据进行分析，忽略了像元邻域的空间信息；

3.在空间维上，前述的算法大多是以单个像元作为研究对象，仅对单个像元的时间序列曲线进行分析，没有考虑像元之间的空间相关性，部分融合空间特征的算法对空间信息的利用依然很少；同时通过深度学习自动获取影像的时-空特征仍有一定的难度。

究其原因，主要是遥感时序数据包含了时、空、谱等四个维度的信息，然而对其存储和处理的方式仍然是将其分解为多个三维数据来进行操作，仍是一系列不同时相离散的三维立方体数据，没有对遥感时序数据的四维信息进行统一的管理和分析。因此，我们提出时谱的理论并总结了相关关键技术，以期能够推动时序遥感数据方面的研究。

2.1

时谱的概念

将复色光，如太阳光等，经过棱镜、光栅等分光后，将被色散开的单色光按照波长或频率大小排列，形成的图案称为光谱。在遥感中，将不同地物的反射辐射参量随波长的变化而形成的曲线称为反射光谱曲线。典型植被（草地）的反射光谱曲线如图3(a)所示。

同理，我们将遥感光谱参量(光谱反射率和光谱指数等)类，按照时间顺序排列形成的图案称为时谱，如图3(b)所示；将不同时刻同一位置（像元）的光谱参量，按照时间顺序排序构成的曲线，将这种曲线称为时谱曲线，如图3(c)所示为草地的NDVI和MODIS MOD09A1波段1,2,3和4的时谱曲线图。

(a)草地的反射率光谱曲线图

(b) NDVI时谱图像

(c) 草地的时谱曲线图

图3 草地的反射率光谱曲线、NDVI时谱图像与时谱曲线图

基于上述概念，我们归纳了时谱分析的一般流程，如图4 所示。

在数据层中，对多时相的原始遥感数据进行处理，包括数据几何纠正、拼接裁剪等，应注意在使用多源数据构成时谱时，要着重考虑数据同化的问题；

在存储层，将时谱数据存储为时-空-谱一体化的数据格式（见2.2.1节），根据不同的应用需求，5 种时空谱一体化存储格式可以相互转换；

最后在应用层，根据变化检测和分类等应用目标，进行特征参量的时谱提取和增强处理。

图4 基于时谱分析的基本流程

2.2

时谱分析关键技术

时谱数据的组织和存储是进行时谱分析的基础。针对时谱数据的组织和存储问题，张立福等根据时间序列遥感影像具有多时相、多光谱、多空间的特点，提出一种多维数据格式（multi-dimensional dataset，MDD），将数据的空间、时间和光谱构建成一个四维数据集，以此来实现对遥感信息的统一管理。

MDD数据集记录的信息不仅包括时间-空间-光谱信息，还包括属性信息：影像时间、数据大小和投影信息，能够在数据集的基础上对时间维进行扩展。MDD可根据多维数据存储顺序的不同分为五种基本的数据存储格式：TSB (temporal sequential in band)、TSP(temporal sequential in pixel)、TIB (temporal interleaved by band)、TIP (temporal interleaved by pixel)和TIS (temporal interleaved by spectrum)。

多维数据组织方式及5种新的多维数据存储格式如图5所示，图中：T 1 、T 2 、T 3 表示时间1、时间2和时间3；B1、B2、B3表示波段1、波段2和波段3；（R 1 ，C 1 ）、（R 2 ，C 2 ）、（R 3 ，C 3 ）、（R 4 ，C 4 ）表示像元1、像元2、像元3和像元4；Row表示行；Column表示列。5种多维数据存储结构可以相互转换，它们在不同应用中各具优势：TSB格式易于进行光谱运算，可以提取一个或多个时间所有波段组成的光谱立方体数据；TSP格式易于进行光谱导数、积分等运算；TIB格式易于提取单个波段是时间序列数据；TIP格式易于对像元的时谱数据进行处理；TIS格式易于提取像元光谱曲线的时间序列数据。

同时，张立福团队配套研发了多维分析软件模块（Multi-dimensional Data Analysis，MDA），集成于多维遥感分析软件（Multi-dimensional Analysis of Remote Sensing，MARS）中，实现了MDD数据构建、打开、转换，时谱、光谱和光谱特征参量立方体提取，以及不同维度的分析与显示功能。

图5 多维数据组织方式及5种新的多维数据存储格式示意图

在构建时谱数据时，由于原始遥感数据不可避免的会受到天气、云及阴影等的影响，因此时谱数据总会受到来自云覆盖、大气等随机因素的干扰，造成一些随机噪声。同时，受到卫星重访周期的影响，会造成时谱数据间隔较长。为了准确提取时谱特征，首先需要对时谱数据进行插值和滤波重构。

常用的插值方法有：二次样本插值、三次样条插值、等间距样条插值等，常用的滤波方法有：Savitzky-Golay滤波、小波变换、惠克特滤波、时间序列谐波分析法（harmonic analysis of time series，HANTS）、基于傅里叶谐波分析的改进算法等。目前的插值和滤波方法都是基于单个像元考虑的，没有考虑地理空间相关性，因此需要发展基于空间的时谱数据重构方法。

目前针对光谱特征的利用已有诸多研究和成果，包括诸如NDVI、NDWI、NDBI、UNVI 等适用于不同地物的光谱指数，以及深度学习算法在高光谱图像分类中的应用，这些对光谱信息的深度挖掘和充分利用极大地提升了遥感技术应用的广度和效果。

然而，对于时谱特征的利用，目前多限于可显式表达的或具有物理意义的物候特征，如时谱曲线的最大值、植被生长季开始时间、生长期长度等，对时谱特征利用的深度远不如光谱。

因此，构建简洁高效的时谱指数、利用深度神经网络深度挖掘时谱特征，以实现对时谱信息的充分利用，是当前时谱分析的关键技术之一。

获取时谱数据需要长期对同一区域进行循环往复地观测，使用机载或地面观测平台固然可以获取更高分辨率的影像，但难以覆盖到大范围甚至全球区域，且经济成本也会数十倍甚至数百倍地增加。因此，提高时谱数据的数量和质量是时谱应用的关键之一。

3 基于时谱变化检测的方法与应用

3.1

基于时谱特征的典型农作物分类方法

基于时谱特征分类的方法，首先组织时间序列遥感影像数据，构建MDD数据集，然后按照一定原则提取光谱、时谱特征和空间特征，最后根据提取的光谱、时谱特征和空间特征进行时间序列变化检测。

图6 四种作物的不同指数时谱曲线

翟涌光等基于多维遥感数据提出基于光谱-时相空间特征（Spectral-Temporal-Spatial，STS）的分类方法，如图7 所示。

该方法首先将时间序列数据按照TIS 格式进行存储，然后基于拉普拉斯映射提取了光谱-时相特征向量，其中近邻图直接根据动态时间规整（Dynamic Time Warping，DTW）的相似性矩阵来构建，根据最小生成树算法进行空间分割，其中最小生成树由基于DTW 相似性矩阵的权重图来创建；最后基于分割图的多数投票方法用来对基于像元的分类图进行后处理，生成最终的分类图结果。该方法在美国的伊利诺伊州、南科他州和德克萨斯州及我国东北均取得了较好的成果。

图7 基于时谱信息的时间序列分析方法

3.2

基于时空谱特征的变化检测方法

林昱坤等基于时谱信息的理论提出了融合时空谱信息的时间序列变化检测方法。该方法通过在时间维、光谱维和空间维上同时进行检测获取地表覆盖的变化信息，如图7 所示。下面对该方法进行详细介绍如下：

1）首先根据Landsat影像序列构建MDD时谱数据，将时谱数据分解为季节成分、趋势成分和残差。同时在时间维获取的季节组分上基于OLS-MOSUM初始化断点并检验断点是否存在，采用贝叶斯信息准则确定断点的最佳位置。

2）在光谱维上，由于每个波段的断点位置可能不完全匹配，因此通过设定一个置信区间，将每个波段之间跨度小于等于三幅图像的断点设置为匹配的断点。其次，当三个或三个以上的波段具有相同的断点位置，则该像素被判定为变化像元。

由于不同地表覆盖类别的显著特征因波段而异，例如，在近红外波段和红波段，植被特征明显；而裸地特征则表现在可见光波段，因此各波段的断点位置不尽相同。当匹配的断点位置出现在三个或三个以上的波段时，则认为该像元为变化像元。如图8所示，所使用的时间序列为2001-2007年共138景Landsat影像，时间分辨率为16天，按照影像获取时间排序为时序1,2,…,138。每个波段都检测到了不同位置的断点：在2004-2005年，蓝波段检查到了断点位置70，如图8（a）所示，绿、红波段都检测到了断点位置73，如图8（b）、8（c）所示，同时短波红外波段2检测到了断点位置69，如图8（f）所示，断点70、73和69的时间跨度小于等于3，因此判断时序位置70发生了变化；

(a)在蓝波段产生的断点时刻位置

(c)在红波段产生的断点时刻位置

(e)在短波红外波段1产生的断点时刻位置

(b)在绿波段产生的断点时刻位置

(d)在近红外波段产生的断点时刻位置

(f)在短波红外波段2产生的断点时刻位置

注：图中，横坐标为2001-2007年所有Landsat影像共138景（Landsat影像时间分辨率为16天，一年共有23景数据），按照影像获取时间顺序排列，图中显示的是实际获取时间。为方便描述，以时序位置1表示2001年获取的第1景Landsat 影像，时序位置2表示Landsat获取的第2景影像，时序位置24表示2002年获取的第1景数据，以此类推。

图8 光谱维变化检测原理图

3）由于在时间和光谱维度上，忽略了空间相关性，而地表覆盖变化在空间上是显著且空间相关的，如果变化的像素在其空间性质上是独立的，则该像素可能是伪变化。因此在空间维度上采用滑动窗口的方法来抑制噪声伪变化。

假设空间窗口有n 个像素，如果有n/2 个像素是变化像素，则认为中心像素是变化像素，否则，认为中心像素没有发生变化。空间维度上的变化检测原理如图9 所示。

图9 空间维变化检测原理图

4 结语

本文首先分别 从 光谱、时间、空间角度出发，总结了传统遥感时间序列变化检测方法存在时空谱信息挖掘不足的问题，并针对上述问题提出了 时谱的概念，时谱即由光谱反射率或光谱指数按照时间先后顺序排列而成的特征曲线。

基于上述概念，本文介绍了 时谱在数据组织与存储、数据重构、特征深度挖掘和数据源四个方面的关键技术，并给出了基于时谱数据在农作物分类和变化检测上的应 用，以期能够为时谱分析的研究和应用提供参考。最后，本文从当前趋势和未来前景两个部分对时谱分析应用进行展望：

1）当前多源遥感影像时谱分析亟待发展

当前时谱分析大多基于同源遥感影像的分析，然而同源数据由于观测周期、空间分辨率、数据缺失等因素，无法提供合适的实验数据。随着传感器技术的发展，多源遥感数据的综合利用提供了全方位多角度的数据信息，然而多源数据间的差异性为时谱构建及后续的分类、变化检测等应用带来极大的困难。因此，如何充分发挥多源遥感数据的优势，发展有效的时谱分析方法，是当前的发展趋势。

2）当前深度学习时谱分析方法仍需探索

随着“地球大数据”的不断增加以及计算机的快速发展，大量基于深度学习的方法涌现出来。在时谱分析中，深度学习仍具有以下三方面问题：

1.为了更充分利用影像的时谱、空间等多层次信息，需要探索更为深层鲁棒的网络结构；

2. 深度学习模型的泛化迁移能力仍需进一步研究探索；

3.深度学习对训练样本的数量要求较高，而地物类型较为复杂，构建不同地物类型的时谱库具有一定的难度。尽管深度学习时谱分析存在上述问题，基于深度学习的时谱分析仍具有巨大的发展空间与潜力

3）未来量子计算机的发展为实时时谱分析提供可能

当前遥感卫星影像、无人机影像、地表辅助数据呈现井喷的态势，而如何构建星空地一体化的时谱分析数据，并对其进行深度挖掘，为用户实时提供个性化的产品是备受关注的发展方向。近日，国内量子计算机的问世为实时时谱分析插上了腾飞的翅膀，期待量子计算机在遥感时谱分析方向提供更广阔的应用领域。

内容转载、商务活动、投稿 等合作请联系

《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后才正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！

编辑：杜金钊审核：马冉冉返回搜狐，查看更多