轨迹拟
合法 | TBCD | 捕捉变化趋势和事件;检测森林扰动的时间和地点,扰动强度和恢复速率;主要检测以年为步长的变化 | 自动化;不需要选取非森林样本;不需要特定的阈值;可以评估不连续的（森林扰动时间和强度）和连续的现象（扰动后的森林恢复）;充分利用已有数据来设定假设轨迹和统计阈值,避免手工解译和人为干预 | 主要误差来源为时序数据中的配准误差;依赖Landsat影像的时间长度;效率低;只有当观测的曲线符合假设曲线时才起作用 | 自动分析森林扰动轨迹,检测总体精度为84%,Kappa系数为0.77。其中,皆伐检测总体精度为91%,Kappa系数为0.87;择伐检测总体精度为74%,Kappa系数为0.60[24]
森林扰动时间检测的总体精度为83%[25-26];城市扩张检测的总体精度为83%,Kappa系数为0.80[27] |
| 光谱-时间轨迹法 | VCT | 检测大多数突变的森林扰动事件（火灾和城市扩张）、非突变的森林扰动事件（择伐） | 高度自动化;除非不同森林系统并存,很少或不需要微调;部分质量差的观测点对检测结果影响很小或没有影响;检测结果对相对大气纠正不甚敏感;效率高,分析12幅或更多影像的时序数据只需2-3小时 | 太多质量差的观测点连续出现会导致伪变化;不能检测出所有的森林扰动类型;现有参考数据集无法满足变化检测评价要求;应用于高异质化景观区域会出现问题 | 重建森林干扰的历史轨迹,扰动时间检测总体精度为77%-86%,Kappa为0.67-0.76[14, 48]
森林变化历史（植树造林、砍伐）,检测结果总体精度为89%,Kappa系数为0.86[31, 49]
评估人工林生物量[32]、绘制森林扰动图,估计标准误差为0.8%时,整个研究区检测总体精度为91%[30] |
| LandTrendr | 捕获森林扰动和恢复过程中的渐变和突变事件,主要检测以年为步长的变化 | 可以同时捕获变化趋势、渐变和突变事件;通过一系列的控制参数可减少时间分割过程中的过拟合问题 | 需要设计一系列的控制参数和滤波过程来降低时间分割过程中的过拟合现象,且捕捉理想的轨迹特征过程很复杂 | 检测森林扰动和恢复趋势,可以捕捉到大范围的扰动和恢复现象[33, 39]、检测虫害的影响[35]、原始森林的变化[40]、预测地上生物量的动态趋势[41],突变扰动检测总体精度为80%[34];森林扰动检测总体精度为86%[38] |
基于模型
的方法 | BFAST | 可以检测季节变化;可以处理不同的遥感时序数据;可以应用于其它季节性或非季节性变化检测 | 不受噪声和季节性趋势的影响 | 不能检测扰动后的恢复和重复扰动过程 | 检测热带森林砍伐和退化,其总体精度为87%[43] |
| CMFDA | 检测年内和年际间的森林变化;检测自然扰动和人为扰动 | 全自动化;只要有新的观测数据就可连续检测森林扰动;当连续有3个清晰的观测点时,该算法很稳健;该方法可以降低坏条带带来的问题;不仅可以检测人为的森林扰动,也可以检测自然因素导致的森林扰动;可以在30 m的空间分辨率和几周的时间分辨率上提供扰动发生的时间和位置图 | 该算法的效果取决于足够的观测数据,其效率与建立预测模型有关;该算法是基于检测时段只发生一次变化的假设,当检测时段发生多次变化时,该方法就不成立;检测变化的耗时比传统方法少 | 连续检测由人类干扰引起的森林扰动,其总体精度可达99%[16] |
| CCDC | 可模拟趋势、季节性变化、突变等,可检测多种土地覆被变化类型（物候变化、缓慢的年际变化、突变）;可在任何给定的时间绘制出土地利用图 | 完全自动;可以检测多种类型的土地覆被变化;不需要经验性或全局性的阈值;该算法的运算速度取决于可用观测点的频率;不需要对每幅影像进行标准化处理;不受噪声的影响;不仅可以诊断出年内的趋势也可以诊断出年际趋势;可以应用于高异质化景观区域 | 该算法需要大量储存数据;计算成本高;需要很多高时间分辨率的清晰数据;该算法可能不适用于农业地区;不适合应用于年际变化较大的区域;无法检测到模型初始化期间的变化 | 连续检测土地覆被变化和分类[19],其总体精度为90%
分析绿度变化的趋势,其总体精度为87%[44]
连续检测缓慢变化包括年际和年内的变化[20] |