C5 · 出版卷 15

Change Detection and Time Series

Registration、seasonality、disturbance、monitoring

学习目标

本章把变化定义为关于带时间标记测量过程的假设。学习者应能定义变化对象与基线，统一几何、光谱响应与处理，筛查云、阴影与缺失观测，区分趋势、季节与突变，估计变化不确定度，防止多重比较和训练泄漏，并报告持续性、置信度与归因限制。

差值影像不自动代表变化。它包含真实地表变化，也包含照明、大气、观测角、传感器、校准、配准、重采样与掩膜差异。成因归属需要因果模型与独立证据。

明确目标是光谱幅值、类别、边界、高程、形态、温度、扰动范围还是其他物性，并声明最小尺寸、持续时间和后果。瞬时观测与持久状态变化需要不同规则。

基线应代表预期变异，而不只是方便的一天。季节性和噪声明显时，应使用多次观测。历史中位数、季节模型或事件前分布通常比单一参考景稳健。记录数据缺口和产品生成方法变化。

预先定义分析单元和日期规则。像元、对象和景观级变化具有不同不确定度与多重检验负担。若目标日期是在查看最大差值后才选定，验证必须考虑这一选择过程。

所有观测应具有兼容物理量、响应函数、空间网格、基准和处理。跨传感器时间序列可能需要波段响应调整、共同大气校正、双向归一和共配准；这些操作只能减少而不能消除差异。

逐日期建立云、阴影、雪、饱和、气溶胶、低照度等有效性掩膜。云边缘和云影污染常需保守膨胀。时间合成必须保留每个像元的贡献日期，否则表观边界可能只是采集接缝。

不得静默填补长缺口。插值产生的是模型值，并会平滑突发事件。观测、模型和缺失状态应分别保存，并报告有效观测密度及其空间格局。

当物理量与支持域兼容时，直接差值 \Delta x=x_{t_2}-x_{t_1} 易于解释；相对变化在接近零时不稳定；归一化指数可减少共同亮度，却继承比值限制；变化向量联合多波段，需要协方差和缩放。

分类后比较可汇总类别转换，却叠加两个分类图的错误。罕见表观转换可能主要来自类别混淆，应传播混淆或直接验证转换。面向对象方法可强制最小尺寸和形状，但分割参数也成为变化定义的一部分。

阈值应来自预期误差和错误后果。连续变化幅度与不确定度应和决策类别一同制图。用稳定控制与注入的合成变化估计灵敏度。

时间序列可写为 y_t=T_t+S_t+\epsilon_t，其中 T_t 是趋势，S_t 是季节分量，\epsilon_t 是残差；突变模型再加入一个或多个断点。采样稀疏或记录较短时，各分量并非唯一。谐波模型假设周期结构会重复，而该结构本身也可能变化。

植被、水分、雪和太阳几何的季节性可模拟地质相关变化。应比较相同季节，或用足够年份和观测建模季节。持续性规则能减少单日假警，却会延迟检测并漏掉短暂真实事件。

自相关会减少独立信息。验证必须尊重时间，不能把同一事件相邻日期随机分入训练和测试。应在合成事件之前、期间、之后以及平静期分别检验性能。

对独立日期，差值方差为 \sigma_{\Delta}^2=\sigma_1^2+\sigma_2^2；共享校准或大气时需加入协方差。配准误差引起的数值不确定度与局部梯度成比例。变化显著性应采用这些空间变化项，而不是一个通用阈值。

测试数百万像元时，极端值必然偶然出现。应控制错误发现、要求空间或时间一致性，或在检验前定义对象。不能调好阈值后，再用同一异常报告验证成绩。

检测回答测量状态是否变化，归因回答为何变化。火烧、降雨、植被管理、开挖、传感器处理与自然地貌过程可有共同表达。应使用外部记录、多传感器证据与野外检查，报告相容成因及能够区分它们的观测。

一个合成五年月度反射率序列具有稳定季节周期、不规则云缺口，并从第四年起在小区域持续下降 8%。用一个湿季日期作参考的两期比较会夸大整个场景的下降；季节谐波模型削弱区域效应，但配准误差沿道路产生假边缘。

加入局部共配准不确定度并排除道路边缘后，小区域在八次有效观测中持续显示残差，变化可以检出。但成因仍可能是地表扰动或植被损失，因为二者都预测当前波段行为。地形变化测量与野外观测才是下一步区分性检验。

解释与决策。 报告幅度、开始区间、持续时间、有效观测、基线、不确定度和排除支持域。在没有证据时使用“持续光谱变化”，不能直接命名成因。决策规则必须说明未来什么观测会确认、推翻或关闭警报。

生成包含云、传感器转换、亚像元偏移、短暂水分脉冲与持续扰动的合成季节序列，比较两期、季节模型和面向对象检测。采用稳定控制和时间分块验证，生成变化幅度、不确定度、持续性、成因备选与后续检验地图。

审计问题：基线是否有代表性？产品是否统一？逐日有效性是否保留？缺失值是否与填补值分开？配准不确定度是否考虑梯度？季节模型是否有足够支持？阈值与验证是否独立？检测是否与归因分开？