基于贝叶斯在线变点检测的Sentinel-1 SAR时间序列近实时森林损失监测新方法及其在亚马孙与塞拉多地区的评估

本研究针对光学遥感方法受云层覆盖限制及现有合成孔径雷达(SAR)森林损失监测方法对季节性适应能力不足的问题，开发了一种基于贝叶斯在线变点检测(BOCD)算法的无监督近实时(NRT)森林损失监测方法。该方法利用Sentinel-1 SAR数据，通过贝叶斯共轭分析处理单极化后向散射数据，并结合空间上下文信息提升检测精度。在亚马孙和塞拉多两个生物群系的验证表明，该方法对小规模森林损失(0.1-1公顷)的检测性能显著优于GLAD-L、RADD和GFW等现有方法，同时保持较低的误报率。研究成果为热带地区特别是季节性明显的生态系统的森林保护提供了更精准、及时的监测工具，对全球森林保护和碳循环研究具有重要意义。

　　

森林作为地球生态系统的重要组成部分，在调节全球碳循环和维护生物多样性方面发挥着关键作用。然而，过去几十年间，全球约有17%的湿润热带森林已经消失，2001至2019年间，森林因毁林和退化每年平均排放81亿公吨二氧化碳。尽管森林通过光合作用每年吸收160亿公吨二氧化碳，充当着天然碳汇的角色，但森林的丧失不仅减少了碳吸收，还释放了储存的碳，加速全球变暖，同时导致土壤侵蚀、水循环破坏和生物多样性下降。因此，开发及时有效的森林干扰检测工具对于实现快速干预和支持森林保护至关重要。

地球观测(EO)数据为广阔且往往难以进入的森林区域提供了有效的监测手段。近年来，EO卫星和影像的数量、质量和可及性大幅增加，多种高分辨率卫星数据集可用于全球森林损失监测，促进了众多近实时(NRT)干扰检测方法的发展。然而，基于光学的方法主要局限性在于对云层的敏感性，这显著降低了可用图像的数量。与光学影像不同，合成孔径雷达(SAR)数据对云层覆盖不敏感，能够在热带地区实现一致且规律的时间序列采集。

尽管目前已开发出多种基于SAR的监测方法，但这些方法大多依赖于阈值来识别突变，在SAR后向散射因季节性、天气条件和伐后管理活动等因素而显著变化的情况下，可能无法准确检测森林损失。特别是在季节性动态明显的地区，阈值方法的适应性有限，往往导致较高的漏检率和误报率。此外，现有方法通常需要进行预处理（如时空滤波）和后处理技术（如最小制图单元过滤）来管理误报率，这些步骤尤其是空间滤波会显著降低空间分辨率，阻碍小规模森林损失的检测。

为了解决这些问题，研究人员在《Remote Sensing of Environment》上发表了一项研究，提出了一种基于贝叶斯推理的无监督森林损失监测技术，具备近实时能力。该方法基于Adams和MacKay(2007)首次开发的贝叶斯在线变点检测(BOCD)算法，将其适配于未经滤波的Sentinel-1辐射地形校正(RTC)数据，并扩展至在检测森林损失事件时纳入相邻像素的空间上下文。

研究使用了来自巴西两个生物群系的样本数据集：亚马孙雨林和塞拉多稀树草原，分析区域分别约为13,800公顷和13,200公顷。这些区域因MapBiomas Alerta提供的可靠参考数据可用性及其对比鲜明的后向散射模式而被选中，其中塞拉多表现出比茂密雨林更显著的季节性变化。验证使用了两个参考数据集 per biome：一个包含小规模干扰(0.1-1公顷，不包括选择性采伐)，另一个包含通过分层抽样随机选择的较大清理区。结果与GLAD-L、RADD和GFW的森林损失警报进行了比较。

技术方法上，研究主要利用了Sentinel-1 A/B C波段(波长λ≈5.6 cm)干涉宽幅(IW)辐射地形校正(RTC)图像，重点关注交叉极化通道，因为在先前研究中已发现该通道在森林和毁林区域间具有更高对比度。数据预处理包括辐射定标、辐射地形校正和正交校正，不额外应用空间滤波，保持了10米像素间距的原始空间分辨率。贝叶斯在线变点检测算法通过跟踪运行长度(r_t)的后验分布来推断当前段的运行长度，利用共轭先验下的贝叶斯更新原则，计算后验预测分布。此外，通过生存分析形式化建模条件先验，将空间上下文信息纳入决策过程，即时风险率根据邻近像素近期森林损失事件进行建模。

2. 研究区域和数据输入

研究聚焦巴西两个区域：巴西亚马孙和塞拉多林地-稀树草原。巴西亚马孙覆盖该国约40%的陆地面积，拥有世界上最大的连续热带雨林，是现有 operational NRT 方法重点监测的毁林热点地区。塞拉多则是世界上生物多样性最丰富的林地-稀树草原，也是南美最大的此类生态系统，占地超过巴西领土的20%，作为碳汇起着至关重要的作用。选择这些研究区域还因为MapBiomas Alerta提供的可靠参考数据覆盖这两个生物群系，且巴西对全球毁林有显著贡献。

3. 方法论

贝叶斯在线变点检测(BOCD)算法将时间序列划分为由变点分割的段，每段内的样本独立同分布。算法通过消息传递方式处理运行长度，将其视为隐马尔可夫模型的隐藏状态。在共轭贝叶斯框架下，后验预测分布被建模为t分布，参数通过贝叶斯更新。算法设计包括观察新后向散射值、评估后验预测分布、应用消息传递原理计算增长概率和变点概率，最终得到运行长度后验概率向量。森林损失检测通过跟踪最 probable 运行长度位置实现，当满足特定条件时判定为变化。空间上下文的纳入通过生存分析形式化实现，即时风险率根据邻近像素的森林损失事件进行调整。

4. 结果

4.1. NRT森林损失监测方法的验证

对小规模清理区的验证显示，在亚马孙地区，BOCD在C2至C4配置下表现出优于其他方法的检测性能，仅在最具保守性的配置(C1)下与GFW相比略逊，但GFW的误报率最高。BOCD C4在T_poly=75%时比GFW多检测出近19%的真实毁林区域。在塞拉多地区，BOCD相比GLAD-L表现出显著改进的检测性能，特别是在低T_poly值时。对较大规模清理区的验证表明，BOCD在亚马孙与RADD表现相当，但检测率低于GFW；在塞拉多则显著优于GLAD-L。

4.2. 森林损失监测方法的时间准确性比较

在数据集层面，BOCD C3配置的模态检测延迟在两个生物群系和两种多边形大小下均为3次采集。与现有方法相比，BOCD平均比RADD和GLAD-L早两个月检测到干扰，与GFW的检测日期中位数差异约为三天。在大多数情况下，BOCD能在MapBiomas Alerta正式记录之前识别出毁林区域。

4.3. 跨生物群系的空间和时间检测模式

检测示例显示，现有方法（尤其是GLAD-L和GFW）生成的检测结果远超出参考多边形边界，而BOCD表现出更精细的检测能力。空间上下文的纳入提高了亚马孙地区的真实检测率，在塞拉多也有适度改进。BOCD在塞拉多表现出对季节性影响的韧性，能够准确检测出 despite 强烈季节性变化的干扰。

5. 讨论

研究表明，BOCD方法在检测小规模森林损失方面优于现有方法，且误报率较低。参数先验的选择显著影响检测率，调整t后验预测分布的自由度是提高变化响应性的最有效方法。在塞拉多，BOCD表现出比基于光学的监测更好的检测能力。方法避免了数据堆栈滤波，保持了空间分辨率，使其能够检测小规模干扰。贝叶斯框架的适应性使其能够考虑数据中的变化和趋势，显示出监测季节性明显地区的潜力。时空准确性分析表明，BOCD与GFW表现相当，显著优于GLAD-L和RADD。

研究的潜在漏检主要源于后向散射信号不足显示变化迹象，如暴雨后湿度饱和C波段后向散射或残留生物量掩盖砍伐效果。误报则主要由季节性、短期洪水或水位变化以及森林退化等因素引起。

结论部分指出，BOCD方法作为一种无监督、基于SAR的森林干扰检测方法，显示出作为森林损失监测 advancement 的强大潜力，为不同生态系统的NRT检测提供了多功能且稳健的方法，支持更精确和及时的森林保护努力。未来研究方向包括评估方法在检测选择性采伐方面的有效性，扩展到季节性明显地区的 operational 监测，以及探索多源框架（如整合Sentinel-1和Sentinel-2数据）以增强方法的多功能性和应对多样化景观中的森林损失。