基于多時相遙感影像的耕地利用信息提取研究

李 丹梁 欣孫麗娜劉 洋宋以健

（1.黑龍江工程學(xué)院，黑龍江 哈爾濱150050;2.黑龍江大學(xué)，黑龍江 哈爾濱150080）

0 引 言

耕地空間信息提取是土地變更調(diào)查的基礎(chǔ)工作。及時掌握耕地信息的變化，對于了解耕地的分布現(xiàn)狀和分析變化趨勢及轉(zhuǎn)化原因具有重要意義，將為國家和地方政府制定相應(yīng)農(nóng)業(yè)發(fā)展政策提供科學(xué)依據(jù)[1-3]。由于耕地資源具有極強的動態(tài)性，耕地的空間分布、質(zhì)量和數(shù)量會隨時間推移而不斷發(fā)生變化，對于大面積耕地資源信息，通過常規(guī)野外調(diào)查技術(shù)很難實時現(xiàn)勢地獲取。運用遙感技術(shù)可以有效快速獲取大量的范圍較大的耕地信息，實時更新數(shù)據(jù)。如何利用遙感技術(shù)準(zhǔn)確迅速提取耕地空間信息已成為研究的熱點和難點[4-7]。本文選擇黑龍江省鶴崗市為研究區(qū)域。鶴崗市位于黑龍江省東北部，是小興安嶺向三江平原的過渡地帶，具有豐富的礦產(chǎn)資源，是東北重要的老工業(yè)基地和能源城市之一。以遙感圖像解譯技術(shù)作為支撐，以遙感影像中目標(biāo)地物的各種影像特征（光譜特征，紋理特征、形狀特征等）為標(biāo)志，運用1990年、1999年、2010年、2016年多時相l(xiāng)andsat遙感影像實現(xiàn)對耕地資源空間信息的提取，分析研究區(qū)耕地分布及變化。研究成果可為耕地資源利用保護提供基礎(chǔ)數(shù)據(jù)，對保障國家糧食安全有重要現(xiàn)實意義。

1 研究區(qū)概況

鶴崗市位于我國東北地區(qū)黑龍江省，坐落黑龍江東北部小興安嶺與三江平原的緩沖帶之間，地理坐標(biāo)為129°40'E—132°31'E，47°4'N—48°9'N，東部與富錦市一江之隔、南隔松花江與佳木斯市相望，西鄰伊春，北鄰俄羅斯的猶太自治州?？偯娣e約14 648 km2，其中城市面積為4 550 km2，中俄邊境線長為235 km。氣候類型為溫帶大陸性季風(fēng)氣候。截至2016年底，全市總?cè)丝?03.6萬人。

2 數(shù)據(jù)來源與處理

2.1 數(shù)據(jù)來源

數(shù)據(jù)來源于Landsat系列Level 1T地形矯正影像，UTM-WGS84投影坐標(biāo)系。成像時間主要為1990年、1999年、2010年及2016年，每期數(shù)據(jù)均完全覆蓋整個黑龍江省鶴崗市范圍（表1）。

表1 影像數(shù)據(jù)及傳感器信息

2.2 遙感影像預(yù)處理

對上述4期遙感影像進行波段組合，圖像增強，主要方法有去薄霧處理、對比度/色彩飽和度調(diào)整、勻光處理、銳化處理等，接著對影像鑲嵌、裁剪，最后進行正射影像接邊檢查。市域分幅正射影像接邊兩側(cè)的色調(diào)應(yīng)盡量保持一致。不同分辨率、不同季節(jié)影像之間允許存在一定的色差（圖1）。

圖1 研究區(qū)4期遙感影像

3 耕地空間信息提取

3.1 遙感影像解譯

根據(jù)不同地物在影像上表現(xiàn)出的顏色、紋理等信息，通過目視解譯法用鼠標(biāo)在影像圖上選擇樣本點，建立各類地物的訓(xùn)練區(qū)，并盡可能使訓(xùn)練區(qū)分布均勻。由于樣本數(shù)據(jù)通常由使用者根據(jù)實際地表覆蓋狀況進行手動采集，存在一定隨意性和盲目性，因此大量實驗表明，訓(xùn)練樣本越多，得到的分類器效果越好，影像的分類精度也會隨之提高。利用系統(tǒng)對衛(wèi)星影像進行光譜分析和波段組合，綜合考慮光譜特征、形狀特征、紋理特征等對影像進行分割，得到特征矢量層，結(jié)合樣本數(shù)據(jù)集，采用GLC樹分類和SVM分類方法[8]實現(xiàn)影像分類，提取耕地空間信息，最后將小圖斑剔除、面合并、修線等，利用多種矢量編輯工具，實現(xiàn)對分類后的要素對象進行合并、拆分、類別重構(gòu)等編輯，完成耕地要素信息提取（圖2）。

3.2 分類精度評價

分類精度評定是檢驗分類效果的關(guān)鍵步驟。但由于遙感影像數(shù)據(jù)量通常較大，在進行定量分類精度評定時，通常在影像上選取一個區(qū)域進行估計。通過混淆矩陣對分類進行定量評定（表2）。

表2 分類精度評定

圖2 分類后矢量數(shù)據(jù)

表格中的Aij表示第i類地物錯分在第j類地物的百分比。依據(jù)混淆矩陣的組織形式可以看出，對角線上的元素之和為正確分類百分比，其他位置元素之和為錯誤分類百分比。通過以下統(tǒng)計量可以對分類效果進行定量評定。

Kappa系數(shù):Kappa系數(shù)通常用來定量評定遙感影像分類的精度。計算該指標(biāo)之前首先需要計算混淆矩陣，它首先把所有參與分類的對象總數(shù)與混淆矩陣中處于對角線位置的元素相乘再求和。然后減掉某一類地表真實對象數(shù)目與被錯分在該類的對象總數(shù)之積對所有類別求和的結(jié)果，再除以對象總數(shù)的平方差，減掉某一類中地表真實對象總數(shù)與分為該類對象總數(shù)之積對各個類別求和的結(jié)果[9]。其數(shù)學(xué)模型如下:

本次解譯精度統(tǒng)計如下（表3—5）。

由表3、表4和表5可得，總體分類精度達91.10%，kappa系數(shù)為0.87，根據(jù)遙感信息提取精度公認標(biāo)準(zhǔn)，kappa系數(shù)的計算結(jié)果為-1-1，但是大部分kappa系數(shù)位于0—1之間，通常用五個階段范圍值來表示一致性的不同級別:0.0—0.20一致性極低、0.21—0.4一般、0.41—0.60為中等、0.60—0.80為高度一致、精度達68%以上為“良”，kappa系數(shù)在0.81—1幾乎完全一致，因此認為此次的分類結(jié)果基本合理。

表4為誤差矩陣。其中左側(cè)為參考數(shù)據(jù)、右側(cè)為待分類的數(shù)據(jù)，在矩陣中列出地類圖斑的數(shù)量。表中共有450個耕地的圖斑被正確分類，即參考影像中耕地的450個圖斑在待分類數(shù)據(jù)中被正確區(qū)分和識別出來。第一行的其他地類圖斑數(shù)量表示在參考數(shù)據(jù)中的耕地圖斑被錯誤地劃分為其他用地類型;第一列中的其他地類圖斑數(shù)量表示在待分類數(shù)據(jù)中的耕地圖斑被錯誤地劃分為其他用地類型數(shù)量。

表3 誤差矩陣

表4 解譯精度驗證

表5 解譯精度統(tǒng)計表

將表3數(shù)據(jù)代入kappa系數(shù)公式得出K的統(tǒng)計值即:

3.3 耕地利用目視解譯

對上述監(jiān)督分類后的矢量數(shù)據(jù)進行人工目視解譯。耕地的變化圖斑勾繪是在ArcGIS軟件下，基于已糾正的遙感影像通過人機交互全數(shù)字分析的方法來完成的，經(jīng)過拓撲檢驗后，最終生成研究區(qū)不同時期耕地利用數(shù)據(jù)。

4 耕地利用及變化分析

根據(jù)上述過程得到的耕地利用矢量數(shù)據(jù)，得到研究區(qū)各時期耕地利用面積統(tǒng)計（表6）。

表6 各時期耕地利用面積統(tǒng)計

由表6可知，研究區(qū)1990年耕地面積為6 531.449 km2，占研究區(qū)總面積的44.56%，1999年耕地面積為6 489.791 km2，占研究區(qū)總面積的44.27%，2010年耕地面積為6 476.229 km2占研究區(qū)總面積的44.18%，2016年耕地面積為6 432.417 km2，占研究區(qū)總面積的43.88%，平均每一時期耕地面積減少約33.01 km2，1990-2016年間，各時期耕地利用斑塊數(shù)量及斑塊面積均在減少，耕地占總用地的比例也呈現(xiàn)減少趨勢。與各時期影像進行對比，耕地大部分轉(zhuǎn)向了建設(shè)用地，說明經(jīng)濟發(fā)展對耕地利用具有一定影響，在今后的發(fā)展中應(yīng)重視耕地保護。

5 結(jié) 語

本文以多時相遙感影像為數(shù)據(jù)源，提取黑龍江省鶴崗市耕地利用信息，得到:不同地物光譜特征的選取對地物分類、信息提取有直接影響。在本次信息提取研究中，不僅要提取耕地信息，同時也要體現(xiàn)研究區(qū)耕地利用情況及其變化。所以各波段融合尤為重要。進行監(jiān)督分類時選點的疏密離散程度決定其成果精度的高低，對于耕地利用信息提取也有直接影響。監(jiān)督分類（GLC和SVM）方法具有結(jié)構(gòu)簡單、計算效率高的特點，對于大數(shù)據(jù)量的耕地利用遙感影像處理更有優(yōu)勢。研究區(qū)1990-2016年，耕地利用面積呈現(xiàn)減少趨勢，在今后土地利用規(guī)劃中應(yīng)重視耕地保護。由于受時間、數(shù)據(jù)等條件限制，本文未進行模型開發(fā)，在監(jiān)督分類中嵌入計算機模型將是下一步的研究重點。