基于RapidEye影像的農(nóng)村居民地遙感監(jiān)測——以江西省泰和縣為例

高孟緒， 王卷樂,3， 柏中強,2， 祝俊祥,2

(1．中國科學(xué)院地理科學(xué)與資源研究所,資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京　100101； 2．中國科學(xué)院

大學(xué)，北京　100049; 3. 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心, 南京　210023)

?

基于RapidEye影像的農(nóng)村居民地遙感監(jiān)測
——以江西省泰和縣為例

高孟緒1， 王卷樂1,3， 柏中強1,2， ?？∠?,2

(1．中國科學(xué)院地理科學(xué)與資源研究所,資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京100101； 2．中國科學(xué)院

大學(xué)，北京100049; 3. 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心, 南京210023)

摘要：農(nóng)村居民地遙感信息獲取對于監(jiān)測農(nóng)村居民地時空變化、服務(wù)“三農(nóng)”和國土資源管理具有重要意義。以RapidEye衛(wèi)星影像數(shù)據(jù)為數(shù)據(jù)源，江西省泰和縣為研究區(qū)，利用最大似然法進(jìn)行居民地等土地覆蓋類別的分類提取與精度評價及分析。結(jié)果表明： 分類總體精度達(dá)到84.33%，其中農(nóng)村居民地的制圖精度和用戶精度分別為76.01%和82.28%，與第二次全國土地調(diào)查中的居民地數(shù)據(jù)對比，其一致性達(dá)到71.0%。結(jié)合實地驗證，對本分類精度的誤差原因進(jìn)行分析。本研究表明利用5 m分辨率的RapidEye影像進(jìn)行縣級農(nóng)村居民地監(jiān)測是可行的，可為后續(xù)同類研究提供技術(shù)參考。

關(guān)鍵詞：農(nóng)村居民地； RapidEye影像； 遙感分類； 遙感解譯； 泰和縣

0引言

隨著中國城市化進(jìn)程的快速發(fā)展，越來越多的農(nóng)村居民涌入大城市工作和生活，城市建設(shè)用地的面積呈現(xiàn)不斷增長的趨勢。同時，小縣城農(nóng)村地區(qū)的居民點用地面積卻未因農(nóng)業(yè)人口的減少而下降，反而也呈現(xiàn)不斷擴張態(tài)勢，出現(xiàn)大量的空心村。這種城市與農(nóng)村居住用地同步增長的現(xiàn)象造成了土地資源的巨大浪費，也加劇了對生態(tài)環(huán)境的破壞[1]。因此，迫切需要進(jìn)行農(nóng)村地區(qū)居民用地的時空分布動態(tài)監(jiān)測和特征規(guī)律研究。國內(nèi)外利用遙感技術(shù)進(jìn)行居民地空間分布研究已有諸多成果[2-6]，但多數(shù)以城市建成區(qū)(built-up area)為研究對象進(jìn)行遙感監(jiān)測，專門針對小縣城居民地尤其是農(nóng)村居民地的監(jiān)測研究相對較少[3-4]。

城市居民地遙感監(jiān)測研究中，常用的遙感數(shù)據(jù)源有MODIS影像、Landsat TM/ETM+等中高分辨率影像以及SPOT，IKONOS等高分辨率影像； 主要的遙感解譯方法包括最大似然法、構(gòu)建指數(shù)法、BP神經(jīng)網(wǎng)絡(luò)、紋理特征法、決策樹、面向?qū)ο蟮姆椒ǖ萚5-9]。相對于城市居民地的研究，對小縣城農(nóng)村居民地的遙感監(jiān)測研究在很長時期內(nèi)關(guān)注不夠[10]?？陀^上，農(nóng)村居民點具有分布相對分散、地物特征不明顯、周邊環(huán)境復(fù)雜等特點，這會對遙感影像中居民地信息提取的精度造成影響。遙感影像的空間分辨率對農(nóng)村居民點信息的提取也影響較大，過低的空間分辨率會使農(nóng)村居民地的遙感識別更容易受到周邊環(huán)境的影響，空間分辨率的提高能夠使其信息提取精度增加，但過高的空間分辨率又會加大居民地內(nèi)部的噪聲干擾[11]。已有研究表明，3~5 m是進(jìn)行城鎮(zhèn)建筑區(qū)景觀比較合適的分辨率[12]。因此本研究選取江西省泰和縣作為研究區(qū)，基于獲取的RapidEye影像(經(jīng)正射校正后空間分辨率達(dá)到5 m)進(jìn)行農(nóng)村居民地地物分類與提取研究，并重點對居民地的分類精度進(jìn)行評價，以期為縣城農(nóng)村居民地的時空變化監(jiān)測研究提供借鑒。

1研究區(qū)概況

泰和縣位于N26°27′~26°59′，E114°17′~115°20′之間，是江西省吉安市所轄的1個縣(吉安市東南部)，總面積2 667 km2。全縣森林覆蓋率達(dá)到51.6%，是江西省木材重點生產(chǎn)基地。2010年第六次全國人口普查得出泰和縣全縣人口55.54萬人。目前，全縣共轄有22個鄉(xiāng)鎮(zhèn)(16個鎮(zhèn)、6個鄉(xiāng))，另有泰和墾殖場、武山墾殖場2個直屬縣管轄的國有農(nóng)場。泰和縣位置如圖1所示。

圖1　泰和縣及其位置示意圖

泰和縣所處的吉泰盆地是中國最肥沃的主要農(nóng)業(yè)區(qū)和商品糧生產(chǎn)基地之一。隨著城市化進(jìn)程的發(fā)展，也由于種田收入遠(yuǎn)低于進(jìn)城務(wù)工收入，近些年大量農(nóng)民進(jìn)城打工，目前泰和縣工商業(yè)人口大量增加，城市化率迅速提高，部分農(nóng)村呈現(xiàn)出“空心村”現(xiàn)象。2013年10月筆者在泰和縣冠朝鎮(zhèn)和塘州鎮(zhèn)實地走訪調(diào)查，發(fā)現(xiàn)農(nóng)村廢棄舊房屋較多，但同時新的房屋正在不斷建設(shè)(圖2)。

(a) 村前(b) 廢棄房屋

(c) 在建房屋 (d) 房屋與園地混合

圖22013年10月泰和縣冠朝鎮(zhèn)社下村實地調(diào)研

Fig.2On site survey of Shexia village in Guanchao

Town of Taihe County,Oct. 2013.

2數(shù)據(jù)源及預(yù)處理

2.1RapidEye衛(wèi)星影像與特征

RapidEye衛(wèi)星是德國的商業(yè)衛(wèi)星，于2008年8月29日發(fā)射升空，2009年2月開始運營。衛(wèi)星共包含5個波段，日覆蓋范圍達(dá)400萬km2以上，能夠在15 d內(nèi)覆蓋整個中國。影像數(shù)據(jù)地面采樣間隔為6.5 m，星下點空間分辨率為5 m，幅寬77 km。RapidEye共有1B和3A這2個不同處理級別的數(shù)據(jù)產(chǎn)品，其中1B是未做正射校正和精確大氣校正的影像產(chǎn)品。本研究區(qū)共利用1B級別的RapidEye影像4景，時間跨度為2010年10月—2012年9月，其中覆蓋研究區(qū)大部分區(qū)域的1景影像為2011年11月獲取。

2.2影像預(yù)處理

為進(jìn)行遙感影像準(zhǔn)確判讀及分類結(jié)果的精度評價，通常要對影像進(jìn)行校正及增強等預(yù)處理，以減少噪聲等不利影響，有效突出有用信息。

利用影像自帶的RPC文件，結(jié)合90 m分辨率的SRTM DEM數(shù)據(jù)，利用Erdas 2013軟件的Geometric Calibration模塊進(jìn)行正射校正。結(jié)合研究區(qū)位置，投影選用UTM投影(Zone 50)，橢球體選用WGS84，分別完成4景影像的正射糾正，并對影像進(jìn)行鑲嵌和研究區(qū)裁剪等處理。

3研究方法

3.1居民地特征與分類系統(tǒng)設(shè)計

居民地是由建筑物、道路、綠地及空地等多種地物相互交錯而構(gòu)成的復(fù)雜混合體[11,13]。對于分散式分布的農(nóng)村居民地，在不同空間分辨率遙感影像中的目標(biāo)識別受周邊環(huán)境的影響很大。如圖3所示，同一地點在RapidEye影像與GoogleEarth影像中的表現(xiàn)不同。圖3(a)中白色的亮點與灰藍(lán)色的簇點狀圖斑是居民地，對應(yīng)于圖3(b)中棕灰色的人口集聚區(qū)。從圖中可以發(fā)現(xiàn)居民地與周邊環(huán)境(水體、森林、田地)等相混雜，在影像上顯示出不規(guī)則的結(jié)構(gòu)特征。

(a) RapidEye影像 (b) GoogleEarth影像

圖3同一地點在不同影像中的表現(xiàn)

Fig.3Different display of same site in different images

依據(jù)研究區(qū)地物類型特征，把研究區(qū)的地物類型分為5個大類，即森林、農(nóng)田、居民地、水體和其他(含裸地、道路等)，并根據(jù)植被狀況將農(nóng)田分為存在大面積綠色植被的子類I與沒有或僅有稀疏綠色植被的子類II。在進(jìn)行居民地分類的同時獲得研究區(qū)其他地物類型的分布，通過對比分析增強對居民地信息提取不確定性的辨識。

對RapidEye影像進(jìn)行5(R)3(G)2(B)彩色合成，合成后影像中植被區(qū)域呈現(xiàn)紅色，密集的人口居住地區(qū)呈現(xiàn)青灰色，而較為分散的居民地則呈現(xiàn)白色亮點與灰藍(lán)色。

3.2訓(xùn)練樣本評價方法

為了更好地選取分類訓(xùn)練樣本，針對每一類別分別進(jìn)行多次感興趣區(qū)(region of interest,ROI)選取實驗，并利用J-M距離法(Jeffries- Matusita Distance)進(jìn)行樣本選取質(zhì)量的評價[14]。假設(shè)所有地物類別服從高斯分布，則J-M距離可以表達(dá)為

(1)

其中

(2)

式中，μi，μj分別為第i,j類地物的特征均值向量； Ci，Cj分別為第i,j類地物的協(xié)方差矩陣； ln表示自然對數(shù)； |Ci|為矩陣Ci的行列式的值；k為樣本類別數(shù)。本研究中，令k=2； J-M距離大小的范圍值為0~2.0[14]，當(dāng)該值大于1.9時，說明訓(xùn)練樣本之間可分離性好，屬于合格樣本； 小于1.8時，需要重新選擇樣本； 若值小于1.0，則應(yīng)將2類樣本合并成1類進(jìn)行重新選擇。

3.3分類算法原理與后處理

目前的分類算法中，面向?qū)ο蟮姆椒ň哂休^好的分類效果[15]，但針對研究區(qū)居民地較為分散的特點與空間分辨率為5 m的影像特征，分割尺度設(shè)計較小則計算耗時較長，對象破碎； 較大又不能很好地進(jìn)行居民地的識別，采用該方法的分類識別效果并不理想。經(jīng)多次實驗，本研究最終利用最大似然法(maximum likelihood)進(jìn)行地物分類。其分類原理是假設(shè)每1個波段的每1類統(tǒng)計都服從正態(tài)分布，計算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的1類當(dāng)中。該分類方法的分類精度受樣本選取和影像質(zhì)量的影響，基本能夠滿足應(yīng)用的需求。分類完成后，將分為2個子類的農(nóng)田類別重新合并為1個農(nóng)田類別，并對分類后的結(jié)果利用ENVI軟件進(jìn)行Majority分析，Sieve和Clump處理，將分類過程中產(chǎn)生的一些面積很小的圖斑歸類到相近類別中。

3.4精度評價方法

利用Google Earth中泰和縣的部分高分辨率圖像以及野外實地調(diào)查獲取的GPS點，通過目視解譯獲取各個分類的地表真實感興趣區(qū)ROI文件。并計算分類結(jié)果的總體分類精度、Kappa系數(shù)、制圖精度和用戶精度等。其中用戶精度是指正確分到某類的像元總數(shù)與分類算法將整個圖像的像元分到該類的像元總數(shù)的比值。

此外，2010年完成的第二次全國土地調(diào)查(以下簡稱“二調(diào)”)數(shù)據(jù)查清了全國農(nóng)村各類土地的利用狀況，具有較高的分類精度，建立了比例尺為1∶1萬的土地利用數(shù)據(jù)庫[16]。本研究以泰和縣的二調(diào)數(shù)據(jù)為真值，在分類完成的居民地類別中隨機選取100個樣點進(jìn)行了對比與評價。

4結(jié)果與分析

4.1樣本可分離性與評價

經(jīng)多次實驗，最終選擇訓(xùn)練樣本的可分離性值如表1所示，所有樣本的J-M距離值均大于1.9，表明分類訓(xùn)練樣本之間的可分離性好，所選樣本合格，滿足進(jìn)一步監(jiān)督分類的需要。

表1　訓(xùn)練樣本可分離性

4.2泰和縣農(nóng)村居民地的空間分布

在滿足樣本可分離性的基礎(chǔ)上，基于多次實驗，選擇27處訓(xùn)練樣本，共12 802個像元，利用ENVI軟件的最大似然法分類工具進(jìn)行分類運算，得到泰和縣的土地覆蓋分類結(jié)果和居民地分布圖，分別如圖4和圖5所示。

圖4　泰和縣土地覆蓋分類結(jié)果

圖5　泰和縣居民地空間分布

經(jīng)統(tǒng)計計算可知，森林、農(nóng)田、居民地、水體和其他類型占泰和縣土地利用類型總面積的比例分別為47.39%，46.90%，2.05%，2.79%和0.87%，其中居民地的面積為54.84 km2。從圖4中可以發(fā)現(xiàn)，居民地的總體分布較為分散，與農(nóng)田土地利用類型相間分布的特點十分明顯。從圖5可以發(fā)現(xiàn)，縣城處于2條國道的交界處，交通方便，人口也相對聚集。贛江由南向北穿城而過，兩側(cè)也聚集了大量居民地。從不同公路等級上看，縣道兩側(cè)聚集了更多的居民地，一方面是交通上的方便造成了人口的聚集，此外，縣道的修筑本身也考慮了農(nóng)村居民出行的方便，所以大多修筑在人口相對密集的區(qū)域。但從圖5中也可以看到，很多農(nóng)村地區(qū)縣級以上道路仍顯不足。

4.3分類結(jié)果精度評價與分析

針對各個不同類(含農(nóng)田類別的2個子類別)共選取5 749個像元進(jìn)行分類結(jié)果精度驗證，其中被正確歸類的有4 848個，總體分類精度為84.33%，Kappa系數(shù)為0.81。按百分比顯示的各類別分類精度如表2所示。

表2　分類結(jié)果混淆矩陣

從表中可以看出，居民地的制圖精度和用戶精度分別為76.01%和82.28%，分別表示整個圖像被正確分為居民地的像元數(shù)與居民地真實參考總數(shù)的比值和與整個圖像中分為居民地的像元總數(shù)的比值。真實的居民地類別分別有13.61%和10.37%被誤分到農(nóng)田類別的2個子類中，表明居民地和農(nóng)田的分類較為接近。對比原始影像分析發(fā)現(xiàn)，誤分的區(qū)域集中于居民地和農(nóng)田的交界處，由于混合像元的存在導(dǎo)致了誤分。另有4.41%的森林類別被錯分到居民地類別中，對比原始影像分析發(fā)現(xiàn)，主要是由于在影像光譜值上部分森林陰影與居民地較接近，被錯誤分類。

為進(jìn)一步分析居民地的分類結(jié)果，結(jié)合泰和縣的二調(diào)數(shù)據(jù)進(jìn)行驗證。將本研究的2個農(nóng)田子類合并為一類，將泰和縣二調(diào)數(shù)據(jù)中的26種地物類別匯總得到5個一級類，使其與本分類具有可比性。同時在居民地類別中隨機選取100個樣點與二調(diào)數(shù)據(jù)進(jìn)行比較分類，結(jié)果如表3所示。

表3　100個居民地隨機點分類結(jié)果

從表3可見，有71個樣點的居民地分類與二調(diào)中的結(jié)果相一致，但分別有14和12個樣點在二調(diào)中劃分為森林和農(nóng)田。由于二調(diào)數(shù)據(jù)的完成時間比本研究所用遙感數(shù)據(jù)稍早2~3 a，這些出現(xiàn)差異或誤分的類別，一方面可能是這期間居民地的不斷擴展而侵占森林和農(nóng)田所致； 另一方面這些類別主要是存在混合像元的部分(比如森林溝壑中的居住地，以及農(nóng)田與居民地交界處)，后續(xù)工作中仍需進(jìn)一步提高其分類精度。

5結(jié)論

1)本研究針對目前利用遙感進(jìn)行農(nóng)村居民地研究相對較少的現(xiàn)狀，選取江西省秦和縣作為研究區(qū)，利用RapidEye衛(wèi)星影像進(jìn)行居民地分類研究，經(jīng)統(tǒng)計計算，居民地的面積為54.84 km2，約占泰和縣土地利用類型總面積的2.05%，總體上，河流和道路兩旁聚集了較多居民地，但居民地分布分散的特點十分明顯。

2)研究表明，經(jīng)正射校正后空間分辨率達(dá)到5 m的多光譜RapidEye衛(wèi)星影像對于居民地具有較好的識別度，通過反復(fù)進(jìn)行樣本點的選取，以經(jīng)典的最大似然法監(jiān)督分類方法實現(xiàn)了泰和縣的居民地分類，居民地的制圖精度和用戶精度分別為76.01%和82.28%，其中居民地和農(nóng)田的交界處由于混合像元的存在導(dǎo)致了較多的誤分。為了更好地驗證分類結(jié)果，將居民地類別中的100個隨機點結(jié)果與二調(diào)數(shù)據(jù)進(jìn)行對比，發(fā)現(xiàn)正確率達(dá)71.0%。

3)由于居民地尤其是南方山區(qū)農(nóng)村居民地的分布相對分散，居民地周邊地物類別多樣，造成了影像上呈現(xiàn)嚴(yán)重的椒鹽現(xiàn)象，對于小區(qū)域的居民地邊緣區(qū)域的識別存在較大誤差。本研究利用目前經(jīng)典的分類方法針對正射校正后5 m空間分辨率的RapidEye影像進(jìn)行居民地的分類嘗試，研究結(jié)果可為后續(xù)同類研究提供參考。

今后的研究中將綜合考慮面向?qū)ο笈c像元分類相結(jié)合的方法，綜合考慮DEM信息的影響，進(jìn)一步提高目前仍存在誤差類別的分類精度，并進(jìn)行多期影像的居民地遙感動態(tài)對比分析研究。

致謝： 感謝地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺提供的RapidEye數(shù)據(jù)支持。

參考文獻(xiàn)(References)：

[1]Liu Y S,Lu S S,Chen Y F.Spatio-temporal change of urban-rural equalized development patterns in China and its driving factors[J].Journal of Rural Studies,2013,32:320-330.

[2]Tian G J,Qiao Z,Zhang Y Q.The investigation of relationship between rural settlement density,size,spatial distribution and its geophysical parameters of China using Landsat TM images[J].Ecological Modelling,2012,231:25-36.

[3]Vaudour E,Carey V A,Gilliot J.Digital zoning of South African viticultural terroirs using bootstrapped decision trees on morphometric data and multitemporal SPOT images[J].Remote Sensing of Environment,2010,114(12):2940-2950.

[4]Gong P,Wang J,Yu L,et al.Finer resolution observation and monitoring of global land cover:First mapping results with Landsat TM and ETM+data[J].International Journal of Remote Sensing,2013,34(7):2607-2654.

[5]楊存建,周成虎.基于知識發(fā)現(xiàn)的TM圖像居民地自動提取研究[J].遙感技術(shù)與應(yīng)用,2001,16(1):1-6.

Yang C J,Zhou C H.Extracting residential area from TM image on the basis of knowledge discovered[J].Remote Sensing Technology and Application,2001,16(1):1-6.

[6]趙萍,馮學(xué)智,林廣發(fā).SPOT衛(wèi)星影像居民地信息自動提取的決策樹方法研究[J].遙感學(xué)報,2003,7(4):309-315.

Zhao P,Feng X Z,Lin G F.The Decision tree algorithm of automatically extracting residential information from SPOT images[J].Journal of Remote Sensing,2003,7(4):309-315.

[7]Wang L,Sousa W,Gong P.Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery[J].International Journal of Remote Sensing,2004,25(24):5655-5668.

[8]Tso Brandt T,Mather P.Classification Methods for Remotely Sensed Data(2nd edition)[M].2nd ed.New York:CRC Press,20097.

[9]金飛,張占睦,芮杰.紋理主方向的遙感影像居民地提取[J].測繪科學(xué),2010,35(4):139-141.

Jin F,Zhang Z M,Rui J.Residential area extraction frorm remote sensing image based on texture principal directions[J].Science of Surveying and Mapping,2010,35(4):139-141.

[10]Zhou G H,He Y H,Tang C L,et al.Dynamic mechanism and present situation of rural settlement evolution in China[J].Journal of Geographical Sciences,2013,23(3):513-524.

[11]汪權(quán)方,許紀(jì)承,陳媛媛,等.遙感影像空間分辨率對居民地信息提取的影響[J].資源科學(xué),2012,34(1):159-165.

Wang Q F,Xu J C,Chen Y Y,et al.Influence of the varied spatial resolution of remote sensing images on urban and rural residential information extraction[J].Resources Science,2012,34(1):159-165.

[12]明冬萍,王群,楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學(xué)報,2008,12(4):529-537.

Ming D P,Wang Q,Yang J Y.Spatial scale of remote sensing image and selection of optimal spatial resolution[J].Journal of Remote Sensing,2008,12(4):529-537.

[13]劉芳,張增祥,汪瀟,等.北京市農(nóng)村居民點用地的遙感動態(tài)監(jiān)測及驅(qū)動力分析[J].國土資源遙感,2009,21(3):88-93.doi:10.6046/gtzyyg.2009.03.18.

Liu F,Zhang Z X,Wang X,et al.The dynamic monitoring of rural residential land in Beijing and driving force analysis based on multi-source remote sensing data[J].Remote Sensing for Land and Resources,2009,21(3):88-93.doi:10.6046/gtzyyg.2009.03.18.

[14]鄧書斌.ENVI遙感圖像處理方法[M].北京:科學(xué)出版社,2010.

Deng S B.ENVI Rremote Sensing Image Process Methods[M].Beijing:Science Press,2010.

[15]徐京萍,趙建華,張豐收,等.面向?qū)ο蟮某靥琉B(yǎng)殖用海信息提取[J].國土資源遙感,2013,25(1):82-85.doi:10.6046/gtzyyg.2013.01.15.

Xu J P,Zhaon J H,Zhang F S,et al.Object-oriented information extraction of pond aquaclulture[J].Remote Sensing for Land and Resources,2013,25(1):82-85.doi:10.6046/gtzyyg.2013.01.15.

[16]楊寶堯,杜震洪,劉仁義,等.基于第二次全國土地調(diào)查數(shù)據(jù)的土地利用現(xiàn)狀圖制圖綜合技術(shù)研究[J].國土資源遙感,2012,24(4):107-111.doi:10.6046/gtzyyg.2012.04.18.

Yang B Y,Du Z H,Liu R Y,et al.Researches on generalization technology for land use mapping based on 2nd national land survey data[J].Remote Sensing for Land and Resources,2012,24(4):107-111.doi:10.6046/gtzyyg.2012.04.18.

(責(zé)任編輯： 李瑜)

Remote sensing monitoring of rural residential land based on RapidEye satellite images： A case study of Taihe County, Jiangxi Province

GAO Mengxu1, WANG Juanle1,3, BAI Zhongqiang1,2, ZHU Junxiang1,2

(1.StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicSciencesandNaturalResourcesResearch,CAS,Beijing100101,China; 2.UniversityofChineseAcademyofSciences,Beijing100049,China; 3.JiangsuCenterforCollaborativeInnovationinGeographicalInformationResourceDevelopmentandApplication,Nanjing210023,China)

Abstract:The monitoring of the spatial and temporal changes of rural residents is of great significance in serving "three rural issues", land and resources management based on rural remote sensing information. In order to monitor the residential area especially the rural area by using remote sensing technology, the authors chose Taihe County in Jiangxi Province as the study area. On the basis of the RapidEye satellite images after ortho-rectification with spatial resolution of 5 meters, the residential land classification extraction and accuracy evaluation were carried out using the maximum likelihood method. The results showed that the overall classification accuracy reached 84.33%. The producer’s accuracy and user’s accuracy of the residential land were 76.01% and 82.28% respectively, and the consistency reached 71.0% in comparison with the residential land data of Taihe County in the second national land survey, and the possible causes of errors were also analyzed. The research results show that the resident land monitoring of rural counties using RapidEye images of 5 meters resolution is feasible in that it can provide reference for future similar studies.

Keywords:rural residential land; RapidEye image; RS classification; RS interpretation; Taihe County

通信作者：王卷樂(1976-)，男，副研究員，主要從事遙感應(yīng)用與GIS開發(fā)、數(shù)據(jù)集成與共享研究。Email: wangjl@igsnrr.ac.cn。

作者簡介：第一 高孟緒(1982-)，男，博士后，主要從事資源環(huán)境遙感與GIS應(yīng)用、環(huán)境健康研究。Email: gaomx@igsnrr.ac.cn。

中圖法分類號：TP 79

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-070X(2016)01-0130-06

基金項目：國家科技基礎(chǔ)性工作專項重點項目“格網(wǎng)化資源環(huán)境綜合科學(xué)調(diào)查規(guī)范”(編號： 2011FY110400)，國家自然科學(xué)基金青年基金項目“基于地理環(huán)境遙感監(jiān)測的喜馬拉雅旱獺鼠疫疫源地空間分布與預(yù)測研究”(編號： 41301474)及中國博士后科學(xué)基金資助項目(編號： 2013M530708,2014T70114)共同資助。

收稿日期：2014-07-23；

修訂日期：2014-11-18

doi:10.6046/gtzyyg.2016.01.19

引用格式： 高孟緒，王卷樂，柏中強,等.基于RapidEye影像的農(nóng)村居民地遙感監(jiān)測——以江西省泰和縣為例[J].國土資源遙感,2016,28(1):130-135.(Gao M X,Wang J L,Bai Z Q,et al.Remote sensing monitoring of rural residential land based on RapidEye satellite images：A case study of Taihe County,Jiangxi Province[J].Remote Sensing for Land and Resources,2016,28(1):130-135.)