利用Landsat时间序列检测城市植被动态:以中国北京为例

《Remote Sensing Applications: Society and Environment》:Detecting Urban Vegetation Dynamics Using Landsat Time Series: A Case Study of Beijing, China

【字体: 大 中 小 】 时间:2026年07月05日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  肖海明|邢民丰|吕海涛|董泰峰|卢国奇 中国电子科技大学资源与环境学院,四川成都611731 摘要 在城市快速发展的背景下,监测城市植被变化对于理解生态动态及评估绿化工作至关重要。然而,在复杂的城市环境中,植被变化往往发生在混合像素中,这使得原始光谱时间序列难以准确

  肖海明|邢民丰|吕海涛|董泰峰|卢国奇
中国电子科技大学资源与环境学院,四川成都611731

摘要
在城市快速发展的背景下,监测城市植被变化对于理解生态动态及评估绿化工作至关重要。然而,在复杂的城市环境中,植被变化往往发生在混合像素中,这使得原始光谱时间序列难以准确捕捉植被动态。为解决这一问题,本研究将光谱混合分析方法融入连续变化检测与分类框架中,从而构建并评估了适用于城市植被监测的CCDC-SMA框架。该框架利用2014年至2023年的Landsat数据应用于北京,用于识别植被的种植、清除以及长期动态变化。研究结果表明,CCDC-SMA框架的整体变化检测准确率为75.4%,优于原有的CCDC方法(68.0%)。在各类输入参数中,基于SMA计算的绿色植被丰度、NDVI和NDBI在检测城市植被变化方面比传统光谱波段更有效。通过时间序列分析,进一步生成了30米分辨率的无间隙年度FVC地图,以揭示北京的植被动态特征。研究显示,尽管植被清除量大于种植量,但北京的整体植被面积在研究期间仍有所增加,这一增长主要源于现有植被的长期生长。CCDC-SMA框架为城市植被监测提供了一种实用的方法,它将亚像素分析与光谱复杂城市环境中的时间序列变化检测相结合。

引言
城市植被包括城市及其周边地区的树木、灌木、草坪等绿色空间,是城市生态系统的重要组成部分(Konijnendijk等人,2006;McDonnell等人,1997)。它具有重要的生态和社会效益,如缓解城市热岛效应、改善空气质量、固碳以及提升人类福祉(Baró等人,2014;Bowler等人,2010;Tzoulas等人,2007;Zhou等人,2016)。随着全球城市化进程的持续,维护和改善城市植被已成为可持续城市发展的重要课题。

与此同时,快速城市化给城市植被系统带来了日益沉重的压力(Peng等人,2014)。全球城市人口持续增长,预计在未来几十年还将继续上升(Nations,2018)。这一过程通常伴随着土地转换、植被破碎化以及生态退化(Grimm等人,2008;Seto等人,2012)。在许多快速发展城市中,城市扩张导致的植被丧失可能与绿化工程、景观更新和生态修复同时发生。因此,城市植被变化在空间上具有异质性,在时间上则较为复杂。准确监测城市植被变化的地点、时间和方式,对于评估绿化效果、理解城市生态动态以及为基于证据的规划与管理提供依据具有重要意义。

遥感技术已成为大范围、长时间跨度监测城市植被的主要手段。各种卫星数据集被用于城市植被研究,包括高分辨率的商业影像以及Landsat、Sentinel和MODIS等开放获取的观测数据(Cai等人,2020;Guo等人,2021;Ren等人,2015;Zhou等人,2014)。其中,Landsat尤为重要,因为它能够提供连续数十年的观测数据,非常适合用于长期城市环境监测。近期研究还证明了Landsat数据在处理异质城市景观中的土地利用/土地覆盖制图方面的优势,进一步凸显了Landsat数据集在城市环境应用中的价值(Aslam等人,2024a;Aslam等人,2024b;Hao等人,2025;Shahfahad等人,2023)。例如,Shahfahad等人(2023)对比了Landsat 8 OLI和Landsat 9 OLI-2影像在土地利用/土地覆盖制图中的应用效果,发现Landsat 9在区分与植被相关的土地覆盖类型方面具有更好的分类性能。

目前许多关于植被动态的研究仍然依赖通用的多时相变化检测方法,而非专为城市植被设计的分析方法。常见的策略是比较两个日期间的植被相关指数,然后通过预设阈值来判断变化。例如,Aburas等人利用两幅Landsat TM影像计算出的差异NDVI来评估马来西亚斯里曼丹的土地覆盖变化(Aburas等人,2015)。尽管这类方法简单且应用广泛,但存在时间采样间隔较大、难以确定变化发生时间以及过度依赖阈值选择等问题(Zhu,2017)。较新的研究则利用密集的Landsat时间序列以及LandTrendr、BFAST和CCDC等时间分段算法,来更准确地描述地表动态(Carrillo-Niquete等人,2022;Kennedy等人,2010;Li等人,2025;Verbesselt等人,2010;Zhu和Woodcock,2014)。这些方法能更充分地利用现有观测数据,同时减少云层、噪声和短期波动的影响,因此在植被和土地覆盖监测中得到了越来越广泛的应用。

在这些方法中,连续变化检测与分类框架因其能够利用所有可用的清晰观测数据来建立时间模型,并持续检测地表变化而备受关注(Deng和Zhu,2020;Zhu和Woodcock,2014)。该方法已被成功应用于大规模土地变化监测和年度土地覆盖制图(Brown等人,2020;Xie等人,2022)。然而,将CCDC直接应用于城市植被监测仍面临挑战。在Landsat这类中分辨率影像中,城市像素通常是混合的,同一个像素内可能同时包含植被、不透水表面、土壤和阴影等元素(Lu等人,2017)。城市植被变化往往并非以完整的土地覆盖替换形式出现在像素级别,而是表现为混合像素中植被比例的变化。在这种条件下,基于原始光谱波段的时间序列可能对植被的增加或减少反应迟缓或模糊,尤其是在光谱复杂的城市环境中。这使得难以直接将检测到的信号解读为植被变化。此外,城市形态日益紧凑以及植被分布碎片化,进一步增加了使用30米分辨率影像进行监测的难度(Clarke等人,2005;Yunxiao等人,2017)。

光谱混合分析方法通过将混合像素分解为不同的土地覆盖组分,并估算亚像素级别的植被丰度,为解决这一问题提供了有效途径(Keshava和Mustard,2002;Small和Lu,2006)。该技术已被广泛用于植被覆盖分数估算和城市植被制图(Lu等人,2017;Manuel Fernandez-Guisuraga等人,2020;Zhang等人,2013)。近期研究还表明,将亚像素信息引入时间序列变化检测中,可以提高对地表扰动的敏感度。Chen等人将基于SMA计算的变量纳入CCDC框架,用于监测森林退化和轮作农业,证明了结合这两种方法的潜力(Chen等人,2023;Chen等人,2021)。不过,这些研究主要在非城市环境中开展。由于城市景观中的不透水表面更具异质性,混合像素状况也更为复杂,因此这类方法在城市植被监测中的适用性尚需进一步研究。其实施方案无法直接移植到城市植被监测中,因为城市中的不透水表面高度异质,混合像素也更为复杂(Shao等人,2022)。因此,有必要针对城市中复杂的混合条件,开发并评估专门用于城市植被监测的Landsat时间序列分析框架。

北京正是开展此类研究的典型案例。作为中国城市化速度最快的都市区之一,北京在过去几十年里面临着巨大的发展压力,同时也开展了大规模的绿化和造林工程(Yao等人,2019;Zhang等人,2024)。这些因素共同导致了北京绿地格局和植被动态的显著变化(Feng等人,2024;Niu等人,2023)。因此,监测北京的植被变化对于理解当地生态动态以及评估城市绿化和开发带来的长期影响具有重要意义。

基于此,本研究基于Landsat时间序列数据,构建并评估了CCDC-SMA框架,用于城市植被监测,并将该框架应用于2014年至2023年间的北京地区。尽管已有研究探讨了将基于SMA计算的变量与时间序列变化检测方法结合在森林及其他非城市环境中的应用,但城市景观中的不透水表面更具异质性,混合像素状况也更复杂,这需要在变量选择和框架设计上加以额外考虑。本研究将基于SMA计算的绿色植被丰度以及与植被和建筑表面相关的光谱指数纳入CCDC流程,进而从得到的时间序列中生成年度FVC地图。本研究的具体目标为:(1)评估所选输入变量是否相比基于原始光谱波段的CCDC方法,能更有效地检测城市植被变化;(2)利用所得的年度植被信息,分析北京植被变化的时空动态特征。

研究区域
研究区域为中国北京市(见图1),位于华北平原北部,地形多样:南部为平坦的平原,北部和西部则为燕山和太行山脉。这种地形多样性孕育了多种植被类型,包括城市观赏绿地、郊区农田以及生态保护区的天然林和山地森林。作为中国的政治、经济和文化中心……

方法
本研究于2014年至2023年在北京实施了基于CCDC-SMA框架的城市植被监测,具体工作流程如图2所示。在对Landsat 8/9时间序列数据进行预处理后,利用光谱混合分析方法从混合像素中估算绿色植被丰度。然后将得到的植被丰度值与NDVI、NDBI一起纳入CCDC流程,以检测突然的植被变化。进一步通过时间序列分析生成年度FVC地图,用以描述长期的植被动态变化。

植被丰度估算的准确性评估
SMA分析结果与参考植被丰度值高度吻合,说明所选的端元库能够可靠地估算研究区域的植被丰度。多时相参考丰度数据集包含了原始光谱样本及其对应的植被丰度参考值。通过SMA对原始光谱进行解混,从而得到植被丰度估算值。随后通过散点回归图比较参考植被丰度值与估算值(见图5),计算得出均方根误差……

结论
本研究基于2014年至2023年的Landsat观测数据,构建、评估并应用了CCDC-SMA框架,用于北京的城市植被监测。研究结果表明,与原有的CCDC方法相比,该框架能更有效地检测城市植被变化,同时还能生成年度FVC地图,便于对北京植被动态的时空特征进行分析。本研究得出的结论如下:1)CCDC-SMA框架在检测城市植被变化方面的整体准确率较高……

作者贡献声明
肖海明:论文撰写——审稿与编辑、论文撰写——初稿、软件应用、方法设计、概念构思。邢民丰:论文撰写——审稿与编辑、论文撰写——初稿、数据收集、项目管理、方法设计、概念构思。吕海涛:论文撰写——审稿与编辑、方法设计、概念构思。董泰峰:论文撰写——审稿与编辑、方法设计、概念构思。卢国奇:论文撰写——审稿与编辑、软件应用。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

数据可用性声明
作者无权分享研究数据。

伦理声明
作者确认本研究为原创成果,尚未在其他期刊发表,也未被其他机构受理。所有合著者均已审阅并同意最终版本。由于本研究未涉及人类受试者或动物实验,因此无需伦理审批。研究中不存在利益冲突需要声明。

资金支持
本研究得到了中国国家自然科学基金的资助,项目编号为41601373。

利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号