時間信息熵及其在植被覆蓋時空變化遙感檢測中的應用

王超軍,吳 鋒,趙紅蕊,*,陸勝寒

1 清華大學3S中心,清華大學土木工程系地球空間信息研究所,北京 100084 2 中國科學院地理科學與資源研究所,北京 100101 3 中國科學院農業政策研究中心,北京 100101

時間信息熵及其在植被覆蓋時空變化遙感檢測中的應用

王超軍1,吳 鋒2,3,趙紅蕊1,*,陸勝寒1

1 清華大學3S中心,清華大學土木工程系地球空間信息研究所,北京 100084 2 中國科學院地理科學與資源研究所,北京 100101 3 中國科學院農業政策研究中心,北京 100101

基于遙感影像的變化檢測是當前的研究熱點,可為區域生態環境保育、資源管理與發展規劃等提供決策支撐。目前遙感影像的變化檢測多基于兩個時相,不能充分地反映植被在時間維的連續變化特征。通過引入信息論,提出了利用時間信息熵來綜合表征植被長時間序列的變化特征。研究以延河流域為試驗區,基于MODIS/NDVI數據,應用時間信息熵方法來計算了2000—2010年該區域的植被覆蓋變化信息,厘清了時空變化特征。研究結果表明,近10年延河流域的植被覆蓋的變化以增加為主,占流域面積的80.7%；植被覆蓋明顯增加的區域占流域面積13.9%,主要分布在流域的東北部和東南部；植被覆蓋減少的區域占比2.4%,主要分布在流域的西部和西北部；嚴重減少的區域占比1.1%,主要分布在流域的中部和西南部,是需要重點的生態恢復與治理區域。時間信息熵方法與回歸分析法相比,能夠更為客觀地表征長時間序列植被覆蓋的連續變化強度和變化趨勢,可為區域生態環境的保護和管理提供更為科學的理論依據。

遙感；變化檢測；時序數據；時間信息熵；植被覆蓋

基于遙感的地物目標檢測是評價流域生態環境可持續發展的重要方法,其檢測方法多樣,檢測精度仍有提高空間。土地利用變化、城市發展與生態環境變化等關系到人民生活和人類社會可持續發展的一系列問題,集中起來可歸結為地物目標的變化檢測問題[1- 2]。遙感技術因具有時效性強、覆蓋范圍廣、可重復觀測等特點,可以定量監測地表發生變化的位置、過程和幅度[3],而成為變化檢測最主要的技術手段。變化檢測也是目前遙感應用研究中的熱點[4- 5]。遙感影像變化檢測是從不同時期的遙感數據中,定量地分析和確定地表變化的特征與過程[6]。近些年來,相關學者相繼提出了許多基于遙感影像的變化檢測方法,并從不同的角度總結和歸類。Singh等[7]根據是否對遙感影像分類將變化檢測方法分為直接比較法和分類后比較法；Rensink等[8]根據研究對象層次的不同將變化檢測方法分為基于像素級、基于特征級、基于決策級3個層次；Lu等[9]按照采用數學方法的不同將變化檢測技術分為算術運算法、變化法、分類比較法、高級模型法、GIS集成法、視覺分析法和其他方法等七類。然而,從檢測變化的本質策略上可將變化檢測方法分為雙時相變化檢測和時間序列變化檢測兩大類[1,10]。前者是對兩個時相遙感影像的變化檢測,常用的方法有影像代數法、主成分分析法、變化矢量分析法、紋理特征分析法、馬爾科夫隨機場模型法、數據融合法等。如：鄧小煉等[11]利用變化矢量分析法檢測了華北平原的土地利用覆蓋變化,取得了較好的效果；Tsarouchi等[12]人利用主成分分析法對TM影像進行了變化檢測處理和檢測結果分析；Brozzone 等[13]將馬爾可夫隨機場模型法引入到變化檢測中,提取了兩時相影像中的空間鄰域信息,結果顯示對噪聲起到了很好的抑制作用,優化了檢測效果；Camps-Valls等[14]將數據融合法應用到多時相遙感影像的變化檢測中,并客觀評價了檢測結果。

長時序植被覆蓋的連續動態變化檢測是生態學研究的重要領域和全球變化研究的熱點。遙感技術與信息論的發展為時間序列的變化檢測奠定了理論與數據基礎。隨著遙感數據的積累,長時間序列的遙感影像完整地記錄了地表的變化過程。然而,目前的研究多為雙時相變化檢測[15]。通過時間序列變化檢測可以充分地挖掘地物在時間維的變化信息,能夠更好地反映其時空變化規律[16- 17]。時間序列數據在地表覆蓋變化的研究中有廣泛的應用,其中最為直接的是監測地表植被的變化[18- 19]。常用的植被覆蓋變化檢測方法主要有回歸分析法、主成分分析法、傅里葉變換、小波變換等。回歸分析法是考慮變量之間統計聯系的一種重要方法,目前在植被覆蓋的長時序變化趨勢研究中應用最為廣泛[20- 21]。該方法的優點是計算過程簡單、清晰,結果直觀。但是要求研究對象需滿足正態分布,且對遙感影像的噪聲、誤差規避能力較差[22]；此外,該方法也很難客觀地反映出長時序植被覆蓋的變化強度特征。主成分分析法、傅里葉變換及小波變換類似,是通過對時序遙感數據進行影像變換或數學處理來增強變化信息,然后從變換分量中檢測變化信息[23],此類方法可以有效地突出變化信息,能夠較好地表達植被覆蓋的宏觀變化特征,但通過變換處理得到的影像意義不夠明確,且對長時序植被覆蓋在時間維的具體變化特征難以體現出來[24]。鑒于常用分析方法在長時間序列植被覆蓋變化檢測中存在的不足,本文通過引入信息論,提出了時間信息熵的概念及計算方法,希望為該領域的研究提供新思維、新方法。

時間信息熵是檢測植被覆蓋的時序變化特征的有效方法。“熵”最早起源于物理學,用來反映熱力學系統的無序程度。1948年,香濃將這一概念引入通信領域并稱之為信息熵,它反映了信息源的平均不確定性[25]。如今,信息熵已被廣泛應用到生態學、地理學、社會科學等領域[26- 27]。信息熵在遙感影像變化檢測領域中也有較多的應用,但多是對兩個時相變化信息的檢測。如：李亮等[28]提出了利用遙感影像的像斑差熵來檢測兩期地表覆蓋變化情況；任暉等[29]提出了土地利用異動熵來提取兩期影像的土地利用變化信息,取得了較好的效果,且該方法對所用遙感數據源的配準精度、分辨率等要求較低。本文在已有研究成果的基礎上,基于信息論,提出了利用時間信息熵方法來深入挖掘時間序列遙感影像的植被覆蓋變化信息,綜合、定量化地表征其在時間維的變化規律。并以延河流域為試驗區,應用時間信息熵方法來客觀反映延河流域長時間序列植被覆蓋的時空變化特征,以期為該區域生態環境的保育和治理提供決策支撐。

1 試驗區概況與數據來源

1.1 試驗區概況

圖1 延河流域位置示意圖Fig.1 Location of Yanhe watershed

延河流域生態環境問題較為突出,是陜西省生態環境建設的重點區域。延河是黃河的一級支流,發源于榆林市靖邊縣天賜灣鄉,由西北向東南依次流經靖邊縣、志丹縣、安塞區、寶塔區和延長縣,最后在延長縣南河溝鄉涼水岸附近注入黃河,干流總長286.9km。延河流域位于陜北黃土高原腹地,地理位置36°23′—37°17′N,108°45′—110°28′E,流域總面積約7687km2(圖1)。地勢起伏較大,海拔范圍475—1787m,平均海拔1213m。截止2010年底,流域總人口約95萬,其中農業人口占61%,GDP總量為382.7億元[30]。寶塔區是我國著名的紅色旅游勝地。安塞區礦產資源豐富,石油產業是其支柱產業。該流域屬于典型的暖溫帶大陸性半干旱季風氣候,冬季寒冷干燥,夏季高溫多雨。從西北向東南,降水、溫度具有明顯的梯度變化特征。年降水量少且季節分配不均勻,年均降雨量為520mm,年均氣溫約8.8—10.2℃。該區域的植被覆蓋狀況從南向北呈現著較為明顯的變化[31]?？茖W、客觀地反映其長時間范圍植被覆蓋的變化情況,可為該區域生態環境的建設和治理提供決策信息。

1.2 數據來源

歸一化植被指數(NDVI)是本研究的重要數據源,其能夠很好地反映地表的植被覆蓋情況。NDVI是遙感衛星監測植被應用最為廣泛的參數[32]。研究中所采用的NDVI數據來源于美國NASA(https://ladsweb.nascom.nasa.gov/data)的MODIS植被指數產品MOD13Q1,空間分辨率為250m,時間分辨率為16d。該數據產品統一采用SIN投影并已進行去云、輻射校正等預處理。研究所選用的時間范圍為2000年2月到2010年12月。利用MODLAND提供的MRT(MODIS Reprojection Tools)軟件對該數據產品進行格式轉換和投影轉換,將HDF格式轉換為Tiff格式,并將SIN投影轉換為WGS84/Albers Equal Area Conic投影,重采樣方法為最鄰近法,重采樣分辨率為250m。然后利用MVC(Maximum Value Composites)法對各年23期數據進行最大值合成,來進一步消除云、大氣和太陽高度角等因素對遙感影像產生的影響[33],得到試驗區2000—2010年逐年的NDVI年最大值數據。

2 研究方法

2.1 信息熵

信息熵(也稱狹義信息熵)的計算方法基于離散型隨機變量,其計算公式見式(1)。

(1)

式中,xi表示隨機變量X的狀態或取值；p(xi)為相應的概率。

連續型隨機變量的信息熵不是對上式簡單地取極限值,而是以微分熵的形式定義的[34],見式(2)。

(2)

式中,f(x)為概率分布函數。

由上面的計算公式可知,求信息熵最關鍵的是確定概率密度或者具體的概率分布函數。Vasicek等[35]提出了直接基于觀測數據,而無需求概率密度函數或概率分布函數來計算信息熵的估計值,并證明了該估計值依概率收斂到理論值。將式(2)表示為式(3)的形式：

(3)

式中,F-1(p)的微分可由樣本點xi處的斜率值來近似表達,見式(4)：

(4)

(5)

Ebrahimi等[36]對上式進行了改進,并提出了新的計算方式,見式(6)：

(6)

同時,證明了該方法依概率收斂到理論值H(X),并且與式(5)相比有較小的偏差和均方根誤差[37]。

2.2 時間信息熵

在借鑒信息熵概念的基礎上,并結合遙感數據源的特點,本文提出了新的概念和方法,即時間信息熵、時間序列信息熵來充分挖掘植被覆蓋在時間維的變化特征,表征其在某一時期的變化強度和變化趨勢信息。

時間信息熵(temporal information entropy)以公式(6)為基礎,用來反映植被覆蓋在時間維的變化強度特征。應用時應考慮不同數據源的特點,以本研究中使用的NDVI為例,其具體計算如式(7)：

(7)

式中,y1≤y2≤…≤yn,是樣本點x1,…,xn按照從小到大的順序排列得到后得到的(xi即表示像元第i年的NDVI值)。

下面對計算公式中的參數進行說明：

m是“時間頻率”因子,通過選取不同的m值(m為不超過n/2的正整數)可以反映研究對象在不同時間尺度上的變化特征。以本研究為例,由于試驗區的植被覆蓋情況是用每年NDVI數據的最大值來反映的,故研究對象變化的時間尺度為年,計算時取m=1；

Δ是“縮放系數”,表示對不同數據源進行標準化處理,使得時間信息熵的計算結果具有可比性(一般Δ值可以取為基礎變化單位；以本文采用的NDVI數據為例,Δ即由時序NDVI數據統計得到的基礎變化單位Δ=0.02)。

通過時間信息熵可以反映某一時段內植被覆蓋在時間維的變化強度情況：H值越大反映出這一段時間內其變化強度越大,反之則表示變化強度越小。分析時間信息熵的計算方法,由于計算時對遙感觀測數據進行了排序處理,結果只能反映出植被覆蓋的變化強度信息,而無法體現出其在時間維的變化趨勢信息?；诖?本文提出了時間序列信息熵(time-series information entropy)來反映植被覆蓋在某一時間范圍內的變化趨勢信息。以研究中所用的NDVI數據為例,具體的計算見式(8)：

(8)

H′值為正表示在某一時段內植被覆蓋的變化呈增加趨勢；反之則表示植被覆蓋呈減少趨勢。H′絕對值越大,表明增加(或減少)的趨勢越明顯。

利用上述時間信息熵、時間序列信息熵可以挖掘植被覆蓋在時間維的變化特征,定量、客觀地反映出長時序植被覆蓋的變化強度和變化趨勢信息。同時,在計算得到上述熵值的基礎上,對其直方圖進行分割,進而得到植被覆蓋的變化等級分布圖,可為區域生態環境的保育和治理提供更為方便、宏觀的參考。

2.3 線性回歸分析法

目前的研究中多采用線性回歸分析法來反映區域長時間序列植被覆蓋的變化情況[21-22],本研究將新建立的時間信息熵及時間序列信息熵的結果與線性回歸分析方法對比,以分析新方法的優勢。

線性回歸分析法以線性擬合得到的斜率值(slope)表達植被覆蓋的變化強度和變化趨勢。具體而言,斜率的絕對值越大,表示植被的變化強度越大,反之則變化強度越??；斜率值為正,表示植被覆蓋呈增加趨勢,反之則呈減少趨勢。其計算方法見式(9)：

(9)

式中,n為監測年數；NDVIi為任意像元第i年的NDVI值。

2.4 時間信息熵方法的驗證比較

為驗證本研究所提新方法的科學性和有效性,本文選取延河流域為試驗區,將此方法與目前長時序植被覆蓋變化檢測中最常用的線性回歸分析法進行比較。長時間序列植被覆蓋的變化情況與區域的生態環境等密切相關。隨著人類活動、氣候變化等綜合因素的影響,區域植被覆蓋的變化情況越來越復雜：不僅有變化趨勢比較明顯的區域,還有變化趨勢雖然不顯著但在時間維的變化波動性較大的區域。對于長時間序列植被覆蓋的變化檢測而言,其重點內容是客觀、科學地反映出研究區某段時間內的變化強度和變化趨勢特征,進而為區域的生態環境建設和管理提供輔助決策信息。基于此,本文將以長時間序列植被覆蓋的變化強度和變化趨勢檢測為標準,選取代表性樣本點(表1、圖6),來綜合對比回歸分析法與本文提出算法的計算結果,驗證和說明時間信息熵方法的客觀性和科學性(詳細的內容見3.3節)。

表1 代表性樣本點的實際數據

3 研究結果與討論

3.1 線性回歸分析法的結果

利用線性回歸分析法計算得到2000—2010年延河流域植被覆蓋的變化情況。結果發現,此時間范圍內研究區的植被覆蓋總體呈上升趨勢(圖2)。流域北部和東南部植被覆蓋的上升趨勢較大,西南部的上升趨勢較小。植被覆蓋呈下降趨勢的區域主要分布在流域的中部、西北部,且中部植被的下降趨勢較大。

利用線性回歸分析法的判定系數R2來檢驗所得斜率值的可信程度。計算結果發現,判定系數較大的區域主要分布在延河流域的北部、東南部,表明這些區域NDVI回歸分析斜率值有較高的可信度(圖3)。判定系數較小的區域主要分布在流域的中部、西南部、西北部,表明這些區域的計算結果可信度較低,并不能客觀地反映植被覆蓋的變化情況。

圖2 延河流域NDVI回歸分析斜率值分布圖Fig.2 Distribution of slope values in Yanhe watershed

圖3 延河流域NDVI回歸分析判定系數分布圖Fig.3 Distribution of determination coefficient in Yanhe watershed

3.2 時間信息熵方法的結果

利用時間信息熵方法,計算得到2000—2010年延河流域植被覆蓋的時間信息熵、時間序列信息熵的分布情況,分別見圖4、圖5。

結果表明,此時間范圍內流域的植被覆蓋總體變化強度較大(圖4)。延河流域的土地利用類型多為耕地、草地[30],近十年來由于“退耕還林、還草”等政策的實施,該區域的植被覆蓋整體變化較大。而流域的南部和西南部為林地,此時間范圍內植被變化強度較弱,故其時間信息熵值也較小。本文研究結果與延河流域的實際情況相符合。

圖4 延河流域植被覆蓋的時間信息熵分布圖 Fig.4 Distribution of temporal information entropy in Yanhe watershed

圖5 延河流域植被覆蓋的時間序列信息熵分布圖 Fig.5 Distribution of time-series information entropy in Yanhe watershed

研究表明,2000—2010年間植被覆蓋呈增加趨勢的區域主要分布在流域的北部、東北部和東南部,反映出這些區域的植被覆蓋情況變好(圖5)。而流域的中部、西北部和西南部的植被覆蓋主要呈減少趨勢,需要重視此類區域植被覆蓋的保育工作,避免進一步惡化。

3.3 算法對比

圖6 代表性觀測點位置示意圖Fig.6 Location of typical observation points

以長時間序列植被覆蓋的變化強度和變化趨勢檢測為標準,來綜合對比回歸分析法與本文提出算法的計算結果,驗證和說明時間信息熵方法的客觀性和科學性。研究依據延河流域植被覆蓋的斜率值和判定系數的分布情況,分別從變化趨勢平緩、上升和下降區域中,選取4個代表性樣本點的NDVI數據(圖6)。

對于上述樣本點的實際數據(表1),分別利用線性回歸分析法和本文提出的時間信息熵方法計算,所得結果如表2所示。

對于前3個樣本點的實際數據,可以容易地看出,2000—2010年間樣本點1的NDVI數據變化非常平穩,樣本點2增加的趨勢明顯,樣本點3減少的趨勢顯著。相應的,從表2中,我們可以得到：由回歸分析法得到的斜率值其判定系數較大。故利用線性回歸分析法得到的斜率值有較高的可信度,能夠反映出這段時間內的植被覆蓋變化特征。同樣的,本文提出的時間序列信息熵也反映出這些變化趨勢：時間序列信息熵的絕對值越大,表示變化趨勢越明顯,且時間序列信息熵為正,表示植被覆蓋呈增加趨勢；反之,表示呈減少趨勢。

對于樣本點1、4,由回歸分析法得到的斜率值相同,但其變化的波動性卻有著很大的差別。對于植被覆蓋的此種變化情況,線性回歸分析法難以客觀地反映出時間維的變化特征。以樣本點4數據為例,利用該方法得到的斜率值的判定系數非常小(0.106),也說明其可信度極小,不能客觀地表征植被的變化特征。隨著人類活動的加劇、氣候變化等綜合因素的影響,導致區域植被覆蓋的變化波動較大、變化日趨復雜。以延河流域為例,統計圖3中所示的判定系數分布情況,可知其中46.9%的區域由回歸分析法得到的斜率值其判定系數較小(小于0.65),故利用回歸分析法得到的斜率值難以客觀地反映出此類區域的植被覆蓋的變化規律。利用本文提出的時間信息熵方法能夠很好地表征出此類變化特點：樣本點4的時間信息熵值大,反映出這段時間內NDVI變化的波動性較大；而樣本點1的時間信息熵值只有0.3557,表明其變化的波動性非常小。綜上,我們能夠得到：本文提出的時間信息熵能夠客觀表征植被覆蓋變化的波動性特征。

表2 計算結果比較

綜合以上分析,雖然線性回歸分析法可以簡單、直觀地反映2000—2010年延河流域植被覆蓋的變化情況。然而,由于該方法的前提假設是植被在一段時間范圍內呈線性變化特點,對于植被變化波動較大的區域,線性回歸分析法卻很難客觀、科學地表征這段時間內植被覆蓋的變化特征。而本文提出的時間信息熵方法表征長時間序列植被覆蓋變化信息有著獨特的優勢,能夠客觀地反映出研究區植被覆蓋的變化強度和變化趨勢特征。

更進一步的,通過對熵值分布的直方圖進行分割,得到植被覆蓋變化等級分布圖,可為區域生態環境的保護和治理提供更為方便、宏觀的參考。以延河流域為例,對反映植被覆蓋變化強度信息的時間信息熵值分布圖進行圖像分割得到閾值A=1.68(來確定基本不變的區域)；對反映植被覆蓋變化趨勢信息的時間序列信息熵進行分割得到閾值B=1.96(判定增加的程度是否明顯)、C=-0.73(判定減少的程度是否嚴重)來進一步反映研究區植被覆蓋的變化等級。綜合以上的內容,2000—2010年延河流域植被覆蓋變化情況可分為以下五種等級。

時間序列的遙感檢測信息反映近10年流域生態環境偏好(圖7)。統計結果表明,可以得到2000—2010年延河流域植被覆蓋的變化等級以增加為主,占流域面積的80.7%；明顯增加的區域占流域面積13.9%,主要分布在流域的東北部和東南部；植被覆蓋減少的區域占比2.4%,主要分布在流域的西部和西北部；嚴重減少的區域占比1.1%,主要分布在流域的中部和西南部,是需要重點的生態恢復與治理區域；基本不變的區域占流域面積的1.9%。

4 結論

本文利用時間信息熵方法計算了2000—2010年延河流域的植被覆蓋變化信息,厘清了其時空變化特征。研究表明,延河流域的植被覆蓋情況總體得到改善,反映出該區域的“退耕還林、還草”政策得到了有效實施,與延河流域的實際情況相符合。然而,流域的中部、西部的植被覆蓋呈現惡化趨勢,應重視此類區域植被覆蓋的保育工作,加強生態環境的修復和治理力度。

本文提出的時間信息熵方法與回歸分析法相比,能夠更加客觀地表征長時間序列植被覆蓋的變化強度和變化趨勢信息,可為區域生態環境的保護和管理提供更為科學的決策參考。研究成果可為長時間序列遙感影像的植被覆蓋變化檢測提供新方法、新思路。研究旨在揭示某一時間范圍內區域植被覆蓋的整體變化特征,尚未涉及其中的“突變”問題,未來研究需要利用時間信息熵方法,以期揭示植被覆蓋時空變化的影響機制。

[1] 周啟鳴. 多時相遙感影像變化檢測綜述. 地理信息世界, 2011, 9(2): 28-33.

[2] Kennedy R E, Townsend P A, Gross J E, Cohen W B, Bolstad P, Wang Y Q, Adams P. Remote sensing change detection tools for natural resource managers: understanding concepts and tradeoffs in the design of landscape monitoring projects. Remote Sensing of Environment, 2009, 113(7): 1382-1396.

[3] 陳鑫鏢. 遙感影像變化檢測技術發展綜述. 測繪與空間地理信息, 2012, 35(9): 38-41.

[4] 馮文卿, 張永軍. 利用多尺度融合進行面向對象的遙感影像變化檢測. 測繪學報, 2015, 44(10): 1142-1151.

[5] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測. 遙感學報, 2016, 20(1): 129-137.

[6] Willis K S. Remote sensing change detection for ecological monitoring in United States protected areas. Biological Conservation, 2015, 182: 233-242.

[7] Singh A. Review article digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 1989, 10(6): 989-1003.

[8] Rensink R A. Change detection. Annual Review of Psychology, 2002, 53: 245-277.

[9] Author D L C, Mausel P, Brondízio E, Moran E. Change detection techniques. International Journal of Remote Sensing, 2004, 25(12): 2365-2401.

[10] 殷守敬, 吳傳慶, 王橋, 馬萬棟, 朱利, 姚延娟, 王雪蕾, 吳迪. 多時相遙感影像變化檢測方法研究進展綜述. 光譜學與光譜分析, 2013, 33(12): 3339-3342.

[11] 鄧小煉. 基于變化矢量分析的土地利用變化檢測方法研究[D]. 北京: 中國科學院研究生院(遙感應用研究所), 2006.

[12] Tsarouchi G M, Buytaert W. Monitoring land use changes in the Upper Ganga Basin, India by using Remote Sensing and GIS techniques on Landsat 5 TM data//EGU General Assembly Conference Abstracts. Vienna, Austria: EGU, 2013.

[13] Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervised change detection. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1171-1182.

[14] Camps-Valls G, Gómez-Chova L, Muoz-Marí J, Rojo-lvarez J L, Martínez-Ramón M. Kernel-based framework for multitemporal and multisource remote sensing data classification and change detection. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(6): 1822-1835.

[15] 馬云飛, 李宏. 遙感變化檢測技術方法綜述. 測繪與空間地理信息, 2014, 37(1): 132-134.

[16] de Jong R, Verbesselt J, Schaepman M E, de Bruin S. Trend changes in global greening and browning: contribution of short-term trends to longer-term change. Global Change Biology, 2012, 18(2): 642-655.

[17] Jamali S, J?nsson P, Eklundh L, Ard? J, Seaquist J. Detecting changes in vegetation trends using time series segmentation. Remote Sensing of Environment, 2015, 156: 182-195.

[18] 張墨謙. 遙感時間序列數據的特征挖掘: 在生態學中的應用[D]. 上海: 復旦大學, 2014: 1-108.

[19] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method. Remote Sensing of Environment, 2006, 102(1/2): 1-11.

[20] 宋富強, 邢開雄, 劉陽, 劉志超, 康慕誼. 基于MODIS/NDVI的陜北地區植被動態監測與評價. 生態學報, 2011, 31(2): 354-363.

[21] Pu R L, Gong P, Tian Y, Miao X, Carruthers R I, Anderson G L. Using classification and NDVI differencing methods for monitoring sparse vegetation coverage: a case study of saltcedar in Nevada, USA. International Journal of Remote Sensing, 2008, 29(14): 3987-4011.

[22] 蔡博峰, 于嶸. 基于遙感的植被長時序趨勢特征研究進展及評價. 遙感學報, 2009, 13(6): 1170-1186.

[23] 張家琦. 遙感影像變化檢測方法及應用研究[D]. 北京: 中國地質大學(北京), 2015.

[24] Evans J P, Geerken R. Classifying rangeland vegetation type and coverage using a Fourier component based similarity measure. Remote Sensing of Environment, 2006, 105(1): 1-8.

[25] Shannon C E. A mathematical theory of communication. Bell System Technical Journal, 1948, 27(3): 379-423.

[26] Zhang Y, Yang Z F, Li W. Analyses of urban ecosystem based on information entropy. Ecological Modelling, 2006, 197(1/2): 1-12.

[27] Brustein R, Medved A J M. How black holes burn: entanglement entropy evolution for an evaporating black hole. Physical Review D, 2015, 91(8):084062.

[28] 李亮, 舒寧, 李雪. 基于像斑差熵的遙感影像變化檢測. 遙感信息, 2011, 26(4): 38-41.

[29] 任暉. 生態環境健康評價及關鍵參數定量遙感反演方法研究[D]. 北京: 清華大學, 2013: 1-69.

[30] 婁和震, 楊勝天, 周秋文, 羅婭, 侯立鵬. 延河流域2000-2010年土地利用/覆蓋變化及驅動力分析. 干旱區資源與環境, 2014, 28(4): 15-21.

[31] 王志杰. 延河流域植被與侵蝕產沙特征研究[D]. 北京: 中國科學院研究生院(教育部水土保持與生態環境研究中心), 2014: 1-141.

[32] Jiang Z Y, Huete A R, Didan K, Miura T. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 2008, 112(10): 3833-3845.

[33] Funk C C, Brown M E. Intra-seasonal NDVI change projections in semi-arid Africa. Remote Sensing of Environment, 2006, 101(2): 249-256.

[34] 曲煒, 朱詩兵. 信息論基礎及應用. 北京: 清華大學出版社, 2005.

[35] Vasicek O. A test for normality based on sample entropy. Journal of the Royal Statistical Society. Series B, 1976, 38(1): 54-59.

[36] Ebrahimi N, Pflughoeft K, Soofi E S. Two measures of sample entropy. Statistics & Probability Letters, 1994, 20(3): 225-234.

[37] 張繼國. 降水時空分布的信息熵研究[D]. 南京: 河海大學, 2004: 1-126.

Temporalinformationentropyanditsapplicationinthedetectionofspatio-temporalchangesinvegetationcoveragebasedonremotesensingimages

WANG Chaojun1, WU Feng2,3, ZHAO Hongrui1,*, LU Shenghan1

13SCenter,TsinghuaUniversity;InstituteofGeomatics,DepartmentofCivilEngineering,TsinghuaUniversity,Beijing100084,China2InstituteofGeographicandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China3CenterforChineseAgriculturalPolicy,ChineseAcademyofSciences,Beijing100101,China

Change detection based on remote sensing images is a hot research topic, which can provide decision support for regional ecological conservation, resource management and development planning, etc. However, the current studies mostly focus on bio-temporal change detection, which cannot adequately reflect the continuous change characteristics in time dimension. In this paper, through the introduction of information theory, we propose a novel method of temporal information entropy to characterize the long time change features of vegetation comprehensively. Taking Yanhe watershed as the study area and based on Normalized Difference Vegetation Index (NDVI) data, we used this method to calculate the change information of vegetation coverage in Yanhe watershed from 2000 to 2010 and identified its spatio-temporal change characteristics. The results showed that the change level of vegetation coverage in Yanhe watershed was mostly increased in this period, accounted for 80.7% of the total area. Obviously increased area accounted for 13.9% and mainly distributed in northeast and southeast of the watershed. Vegetation coverage decreased area accounted for 2.4%, mainly distributed in the western and northwestern; Severely decreased area accounted for 1.1%, mainly distributed in the central and southwest of the study area, where needs strict environmental management. Comparing with the regression analysis method, temporal information entropy can be more objectively in reflecting the continuous change intensity and trend of vegetation coverage in long time series, which can provide scientific theoretical references for the protection and management of regional ecological environment.

remote sensing; change detection; time series data; temporal information entropy; vegetation coverage

國家自然科學基金項目(41571414)

2016- 08- 12; < class="emphasis_bold">網絡出版日期

日期:2017- 07- 11

*通訊作者Corresponding author.E-mail: zhr@tsinghua.edu.cn

10.5846/stxb201608121653

王超軍,吳鋒,趙紅蕊,陸勝寒.時間信息熵及其在植被覆蓋時空變化遙感檢測中的應用.生態學報,2017,37(21):7359- 7367.

Wang C J, Wu F, Zhao H R, Lu S H.Temporal information entropy and its application in the detection of spatio-temporal changes in vegetation coverage based on remote sensing images.Acta Ecologica Sinica,2017,37(21):7359- 7367.