7.2 时序分析与变化检测

7.2 时序分析与变化检测

本节摘要：把同一像元的历次观测按时间排开，影像就从"照片"变成"心电图"：谐波拟合抓物候周期，滤波去云雾噪声，轨迹突变检测把两期对比的变化检测升级为"何时变、变多深、恢复没有"的过程监测。本节给出时序构建、去噪、突变检测的完整演算与工程要点。

时间维度里的地物

第 5 章的两期对比只回答"变没变"，时序分析回答"怎么变的"。多数地物的时间轨迹有明确语法：植被有年内物候周期（绿起、峰值、衰落），农田有耕作轮作节律（播种、生长、收割、休耕），水体与城市相对平稳；扰动事件（火烧、砍伐、涝灾、建设）则在轨迹上留下陡降、清零或跳台阶。时序分析的全部技巧，就是从含噪观测里把这些语法读出来。它相对两期对比的优势有三个：突变的时刻可定位（第几期发生的）；类型可区分（渐变与突变、可逆与不可逆）；恢复可量化（扰动后轨迹爬回历史水平的速度，是生态评估的核心量）。

时序构建的第一道坎是观测不等间隔且带缺口：云让光学时序千疮百孔，重访让间隔忽长忽短。工程处理是"重采样到规则格网加插值补洞"——按八天或十六天合成出规则时序，缺口用相邻观测插值；第二道坎是噪声，双滤波（时域滑动中值加 Savitzky-Golay 类平滑）或谐波拟合都能压噪，谐波法的额外红利是把物候周期参数化：年均值管水平、年振幅管季节强度、相位管物候早晚——三个系数就是一座像元的"绿度名片"。

# 时序构建与谐波拟合演算：物候参数化 + 突变检测
import numpy as np
rng = np.random.RandomState(41)
t = np.arange(0, 3*23)                       # 三年，23 期每年（16 天合成）
ndvi = 0.45 + 0.20*np.cos(2*np.pi*t/23 + 0.8) + rng.normal(0, 0.03, len(t))
ndvi[t >= 40] -= 0.30                         # 第 40 期发生砍伐扰动，此后低水平
ndvi[t >= 40] += 0.18*np.cos(2*np.pi*(t[t>=40]-40)/23 + 0.8)

# 谐波拟合：常数 + 年周期正余弦
X = np.vstack([np.ones_like(t), np.cos(2*np.pi*t/23), np.sin(2*np.pi*t/23)]).T
coef, *_ = np.linalg.lstsq(X, ndvi, rcond=None)
fitted = X @ coef
print(f"年均值 {coef[0]:.2f}  年振幅 {np.hypot(coef[1], coef[2]):.2f}")

# 突变检测：滑动窗口前后均值差的最大跳变点
w = 8
diff = [abs(ndvi[i+w:].mean() - ndvi[max(0,i-w):i].mean()) for i in range(w, len(t)-w)]
break_i = int(np.argmax(diff)) + w
print(f"检测到突变点在第 {break_i} 期（真实为 40），跳变幅度 {max(diff):.2f}")
# 三个谐波系数刻画"绿度名片"，滑窗跳变给出扰动时刻——轨迹语法的最小实现
​

图 7-2：时序轨迹的语法与扰动识别

从轨迹到业务：监测系统的三个设计点

把时序分析装进业务系统时，三个设计决定成败。基线的选择：突变检测的"参照系"是历史基线，用近三年还是近十年、要不要剔除干旱年，直接决定告警灵敏度——基线太短会把气候波动当扰动，太长会把渐进退化漏当正常。告警的代价结构：滑动窗口短则响应快但误报多、长则稳但滞后；业务上常用两级配置——短窗敏感版做初筛告警、人工确认后再进长窗严判版复核。轮作与物候的区别对待：农田轨迹每年"清零"是正常耕作，固定阈值会把收割当砍伐；成熟做法是按地块先分类再套各自的变化规则，或干脆用谐波残差（偏离正常物候的程度）代替原始值做检测。这三点没有任何模型炫技，却决定了同一个算法在不同项目里"灵不灵"的口碑差距。

再补一个常被忽略的工程细节：时序产品必须带着观测质量层一起交付。每个时相的云掩膜、观测角度、合成影像数都应随轨迹存档——轨迹上的可疑跳变，第一排查动作就是回到质量层看那期是不是坏观测。没有质量层的时序产品，等于心电图没贴电极片编号。

常见问答

问：时序用原始 NDVI 还是谐波残差做检测？ 常规做法分场景：自然植被的扰动检测（砍伐、火烧）在原始轨迹上做滑窗跳变即可；农田区轮作频繁，谐波残差（偏离正常物候的幅度）更稳，免得把正常收割记成砍伐。两者都建时序、按地块类型选用，是监测系统的成熟配置。

问：云洞太多插不动怎么办？ 三招按序使用：时间插值用相邻期补（短线洞）；合成加宽——从十六天合成放宽到月合成换连续性（牺牲时效）；换观测源——云洞区引入雷达或合成孔径时序补线。云洞的分布要统计进产品说明，洞连成季的区域宁可标注缺测，别硬插出假的连续性。

问：时序产品的"精度"怎么表述？ 与两期检测不同，时序产品报三类能力：突变时刻的定位误差（几期内）、幅度估计的偏差、恢复趋势的判定一致率。表述时要带上观测密度前提——同一算法在十六天合成与月合成上的表现不同，前提不同结论不可比。

要点回顾：时序分析把变化检测升级为过程监测，能回答何时变、变多深、恢复没有；构建时序先解决不等间隔与缺口，谐波拟合把物候参数化成年均值、振幅、相位三系数；滑动窗口跳变是最小可用的突变检测器，基线选择与窗口长度直接决定误报与滞后的平衡；农田区用谐波残差、自然植被用原始轨迹，按地块类型选检测量；时序产品必须携带观测质量层，查轨迹异常先查那期观测坏没坏。下一节解决时序背后的规模问题——数据多到本地放不下怎么办。

附：时序工程速记卡

速记四条。一、先建质量层：时序分析之前先把每期的云量、观测数、掩膜状态建成质量序列，分析结论全部带着质量背景解读。二、基线写进配置：近多年、剔不剔异常年、用哪个季节窗口——基线是配置不是默认值。三、检测量按地块选：农田用谐波残差，自然植被用原始轨迹加滑窗，规则跟随地块类型库。四、告警分级出：敏感版初筛加严判版复核，两级配置平衡误报与滞后。补一个复盘习惯：每季度把告警的实发率、误报案例、漏报案例复盘一次，反哺基线与阈值——时序系统的价值不在算法多新，而在"告警有人信"，而信任是靠复盘复盘出来的。

延伸：从告警到台账的业务闭环

时序监测系统的终点不是告警，而是台账。一条完整的业务闭环长这样：算法产出变化告警（机器）；外业或人工复核确认（人与机器对账）；确认的变化进入业务台账（地块、面积、类型、时间、证据链）；台账按周期汇总成报表与考核数据；台账里的确认样本回流，成为算法迭代的训练与验证素材。把闭环跑起来后你会发现，算法精度不再是唯一的命门——复核流程的成本、台账字段的规范、证据链的可追溯，同样决定系统成败。给项目负责人一句忠告：设计时序监测系统时，先画这张闭环图、把每个环节的责任人定出来，再回头选算法；顺序反了的项目，算法再漂亮也会死在"告警没人管"上。

附：基线配置速查

时序基线的配置速查表：自然生态系统——近五年历史、剔除极端气候年、全年窗口；农业区——近三年、同作物轮作序列对齐、按物候季分窗；城市与设施——近十年、不剔除、全年窗口（城市变化稳定，长基线更稳）；新开发区——短基线加高频告警（历史不代表性、变化是常态）。基线配置表要作为产品配置随版本管理，基线一变，历史结论的口径就变——这条纪律与定标版本管理同等重要。

补一个关于节假日与农事日历的细节：时序上的周期不一定只是自然物候，还叠着人类节律——春节前后的用工波动、收获季的集中机械作业、雨季的道路中断，都会在地物轨迹与业务数据上留下痕迹。把目标区域的"人文日历"纳入时序解读，能避免把节律性波动当异常告警；做法简单：在质量层之外再配一层"日历注释层"，标注已知的人类活动窗口，分析时对号入座。