Page 90 - 《武汉大学学报（信息科学版）》2025年第9期

1818 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

图 4 研究区植被分层分类体系
Fig. 4 Hierarchical Classification System of Vegetation in the Study Area

签样本优化方法的局部聚类优化耗时 386.46 s， 匀。结合相关文献、土地利用数据及实际情况进
全局高斯混合优化耗时 32 656.67 s。同时进行了 一步分析，研究区 2000 年后存在自然植被退化问
手 动 选 择 样 本 的 对 比 试 验 ，与 手 动 选 择 样 本 相 题，但北部的自然植被退化问题自 2015 年有所好
比，局部-全局大标签样本优化方法的工作量更 转；2010 年起，研究区大力发展人工饲草产业，主
小，速度更快，能更好地结合多源特征进行数据 要集中在南部地区，因此南部植被增益像元数明
筛选，具有相对快速的优势。 显增加，多为人工饲草种植。
根据 2000—2022 年 Landsat 每年 6 月 10 日到 根据植被不变区域的结果，构建多时相遥感
8 月 30 日的影像数据进行研究区植被变化检测， 影像与初始影像之间的关系后，将不变区域的样
确定了 2005 年、2010 年、2015 年、2020 年、2022 年 本进行传递，分别得到 2005 年、2010 年、2015 年、
植被增益、损失、不变的区域，空间分辨率为 30 m， 2020 年、2022 年 5 个年份的样本，以植被型标签
变化检测结果如图 5 所示。 为例，经变化检测迁移的样本统计如表 2 所示。
通过设置去除噪声引起的尖峰识别潜在的 针 对 上 述 年 份 ，采 用 经 S-G 滤 波 后 的 MO⁃
断点，返回分段减少与分段增长，同时拟合轨迹 DIS-EVI 时序数据，数据来自 MOD13Q1 数据集，

和最佳分段数，寻找最佳模型，得到相应年份的 时间分辨率为 16 d，因此全年可用数据共计 25 个
变化检测结果。对变化检测结果进一步分析可 时相，EVI 时序曲线如图 6 所示。其中图 6（a）~
得，2000—2022 年研究区的变化区域逐年增加， 6（c）中 的 EVI 和 EVI-S-G 分 别 表 示 S-G 滤 波 前
其中损失区域在 2015 年之前逐年上升，在 2015 和滤波后的曲线，图 6（d）为 3 种植被的 EVI 时序
年呈现峰值，在 2015 年之后有所下降，损失区域 曲线，图 6（e）为以植被型作为分类标签的 EVI 时
在研究区北部分布较多；增益区域在整体上也呈 序曲线。由图 6 可见，3 种植被的时序 EVI 曲线表
现上升趋势，但 2010 年的增益区域在变化检测的 现 出 不 同 的 幅 度 特 征 ，且 森 林 最 大 、草 地 最 小 。
年份中处于最低水平，增益区域在研究区南部分 该现象可归因于各类植被在冠层结构、叶面积及
布较多；不变区域逐年减少，但整体分布较为均 物候强度方面的差异，从而影响 EVI 的振幅。