遥感变化归因要区分观测异常、地表变化与驱动机制

变化检测回答“哪里发生了变化”，变化归因则进一步回答“变化可能由什么过程造成”。两者不能混为一谈。影像差异可能来自真实地表变化，也可能来自季节、观测几何、大气、传感器、配准或处理版本。即使真实变化已经确认，仅凭遥感影像通常也难以把原因唯一归结为火灾、采伐、城市扩张、耕作调整或气候异常。

先定义变化对象

变化研究应先明确对象、时间尺度和最小制图单元。土地覆盖类别转换、植被指数趋势、物候日期变化和扰动发生时间是不同问题，需要不同观测频率和验证资料。年度土地覆盖产品适合描述年际类别变化，却未必能确定某次短时事件的准确日期；高频指数序列可以发现突变，但不能自动说明地物类别。

时间窗口应与过程相匹配。洪水和火灾可能在数日内发生，森林恢复需要多年观察，农作物轮作则受季节约束。如果只比较两个日期，任何短期异常都可能被当成长久变化。建立包含变化前基线、事件期和变化后稳定期的序列，通常比单纯的前后差分更可靠。

归因前首先要检查影像是否可比。数据应具有一致的辐射或地表反射率定义、几何网格、云雪筛选和处理版本。太阳高度角、观测角度和地形阴影会改变亮度；薄云、烟尘和气溶胶会改变光谱；边界处的轻微错位会形成成对的增减条带。这些现象往往具有特定空间形态，可以通过质量层、邻域检查和稳定地物对照识别。

季节差异是最常见的混淆因素之一。落叶林、草地、农田和季节性水体本来就会周期变化。跨年比较应尽量选择相同物候阶段，或使用完整时间序列估计季节基线。长期趋势中还需关注传感器更替、轨道变化和产品算法更新，它们可能在时间轴上形成类似政策或灾害事件的断点。

变化归因应组合多类证据。光谱变化可以描述燃烧、水分下降、植被移除或不透水面增加等表征；空间形态可以显示道路扩展、规则采伐块、河道漫溢或火场边界；时间轨迹可以区分突发扰动、渐进退化和周期管理。土地管理记录、灾害边界、气象资料、统计年鉴和现场调查则用于检验原因。

原因可能并不唯一。一次植被下降既可能来自干旱，也可能来自病虫害、采伐或火灾后的复合影响。合理输出应区分已观测事实、支持某个原因的证据、相互竞争的解释以及仍缺失的资料。没有独立证据时，使用“与某过程一致”比直接宣称因果更准确。

对于气候和人类活动的定量归因，需要明确反事实：如果没有目标因素，变化会怎样。简单相关不能提供这一反事实。可以使用匹配对照区、事件研究、过程模型或具有先验假设的统计模型，但每种方法都依赖可检验的条件。遥感提供重要观测约束，却不能自动消除混杂因素。

验证首先要有独立参考。高分辨率影像、现场样点、权威事件记录和经过人工判读的时间序列都可以作为参考，但它们也有时间、位置和解释误差。参考日期应接近目标变化时间，空间分辨率应足以识别最小制图单元。把同一数据源派生的产品互相比较，只能说明一致性，不能构成完全独立的精度验证。

抽样应覆盖变化与未变化区域以及主要变化类型。由于真实变化通常占比较小，简单随机抽样可能几乎抽不到变化样本。分层随机抽样可以提高稀有变化类型的样本量，但计算总体精度和面积时必须使用与抽样概率相符的权重。便利样本和容易到达的现场点不能代表整个研究区。

训练样本与验证样本必须分离。时间序列相邻像元具有明显空间相关性，随机逐像元拆分会让验证样本与训练样本过于相似。按空间块、行政区或事件单元分组，能更真实地测试方法在新区域和新事件上的表现。

二分类变化结果至少应报告混淆矩阵、变化类别的用户精度和生产者精度。总体精度可能被大量未变化像元主导，即使变化检测很差仍显得很高。对多类转换，还应分别报告主要转换类型，并说明无法区分或合并的类别。

制图面积不应直接等同于真实变化面积。分类误差会使小比例变化产生明显相对偏差。基于概率抽样的误差校正面积估计，可以利用参考样本调整地图类别面积，并给出置信区间。若抽样采用分层设计，估计公式必须反映各层权重。

时间精度也需要验证。对于扰动发生日期，可报告日期误差分布、允许窗口内命中率和漏检事件。年度产品最多支持年度尺度结论，不应给出月或日级的虚假精度。

交付成果应包含输入产品与版本、时间范围、质量掩膜、变化阈值或模型、最小制图单元、参考数据、抽样设计、混淆矩阵、面积校正和不确定度。对每一种归因类型，还应列出证据规则和置信等级。

变化归因的质量不取决于结论是否简洁，而取决于证据链是否可复核。可靠成果允许使用者区分确定变化、可能原因和未知部分，也允许在获得新资料后重新评估原有解释。