基于Sentinel－2A影像的礦區(qū)土地利用信息提取方法

邵安冉,李新舉,2*,周晶晶

基于Sentinel－2A影像的礦區(qū)土地利用信息提取方法

邵安冉1,李新舉1,2*,周晶晶1

1. 山東農(nóng)業(yè)大學資源與環(huán)境學院, 山東 泰安 271018 2. 土肥資源高效利用國家工程實驗室, 山東 泰安 271018

為研究中高分辨率遙感影像大范圍精確提取礦區(qū)土地利用信息的技術方法，選取山東省兗州市興隆莊煤礦作為研究區(qū)，針對遙感影像的光譜特征，采用監(jiān)督分類和歸一化指數(shù)計算相結合的方式進行礦區(qū)土地利用信息提取試驗。結果表明，選擇融合后Sentinel－2A衛(wèi)星影像的四個高分辨率波段可應用于土地利用的精確識別；根據(jù)地物光譜特征，最大似然監(jiān)督分類法提取建設用地、裸地效果較好，可作為精確提取兩種地類的方法；結合歸一化植被指數(shù)運算和歸一化水體指數(shù)運算提取植被、水體信息可明顯提高總體分類精度，提取精度可達93.54%，進而可利用該分類結果精確高效地識別和測算礦區(qū)土地利用類型及其分布特征，為礦區(qū)土地整治、村莊搬遷等提供依據(jù)。

Sentinel-2A; 礦區(qū); 土地利用信息; 提取方法

隨著國民經(jīng)濟發(fā)展，我國能源開采量逐年遞增。煤炭是我國主要能源之一，占全國一次能源總量的74%左右，截止到2018年，煤炭的總產(chǎn)量已突破30億t，在國民經(jīng)濟發(fā)展中一直發(fā)揮著重要作用。然而，由于煤炭和土地空間分布的同位性以及采煤技術的限制，煤炭開采不可避免地導致土地塌陷[1]。我國煤炭產(chǎn)量的95%源自井工開采，而井工開采破壞煤炭上覆巖層的應力平衡，引起巖層從下至上的冒落、裂縫和下沉，從而導致地表沉降、地層破裂和形變，地面塌陷成為煤炭開采過程對土地破壞的主要表現(xiàn)形式[2]。隨著礦產(chǎn)資源開采力度不斷加大，礦區(qū)土地資源破壞嚴重，生態(tài)環(huán)境日趨惡化。據(jù)測算，在我國，每開采1萬t煤炭，造成土地塌陷面積0.033~0.533 hm2，平均為0.2 hm2。以建國以來煤炭產(chǎn)量376億t來計算，目前采煤塌陷引起土地破壞面積約75.2萬hm2，并且每年還以4.6萬hm2的速度遞增。我國土地資源相對貧乏，人多地少，煤炭開采破壞了大量的土地和植被，許多礦區(qū)分布在農(nóng)村建設用地附近，煤炭資源的大量開采造成了居民建設用地、農(nóng)用地的塌陷，影響了當?shù)鼐用竦纳a(chǎn)和生活[3]。礦區(qū)土地信息提取能快速反映土地利用特征及變化情況，為塌陷土地研究、補償提供快捷的信息資源。遙感技術的發(fā)展，為土地利用信息的快速提取提供了新的途徑，特別是衛(wèi)星遙感技術，其具有多時段觀測、覆蓋范圍大、成本低的優(yōu)點，從而得到廣泛的應用[4-6]。目前國內(nèi)外學者主要對城市建設用地、水體、裸地等地類進行單獨提取精度研究，且大多采用一種提取或分類方法，對提高土地利用總體分類精度相關研究較少，馬紅等提出利用遙感指數(shù)提取城市建筑用地信息的新方法，但該類方法不適合用于多類地物的綜合提取[7]。王波、雍萬鈴、胡涵等提出采用面像對象的方法在高分辨率遙感影像上對人工地物進行提取，但高分辨率遙感影像覆蓋面積小、費用高，不利于大范圍的地物信息提取[8-10]?；诖?，本研究提出采用多種提取方法相結合的方式對Sentinel-2A遙感影像進行土地利用信息提取，既可提高分類精度，又可對多類地物進行大范圍的精確提取。

1 研究區(qū)概況

興隆莊煤礦位于山東省兗州市城南偏南，距兗州市約8 km，是兗州市煤礦區(qū)的重要組成部分，地理坐標為35°27′22″~35°34′32″N，116°47′54″~116°54′39″E，總面積約57.69 km2。該區(qū)為溫帶半濕潤季風區(qū)，屬大陸與海洋間過渡性氣候，四季分明，年平均降雨量712.7 mm。區(qū)域內(nèi)作物種類豐富，地形以平原為主，土地利用方式以耕地、建設用地為主，有少量的林地和草地。該區(qū)西北側有新兗鐵路及日東高速通過，由兗州市向東有兗石鐵路，其東臨京福高速公路，區(qū)內(nèi)交通四通八達，便于煤炭運輸。該煤礦于1981年投入生產(chǎn)，長期的采煤活動已經(jīng)造成了嚴重的地面塌陷問題。

圖 1 興隆莊煤礦

2 材料與方法

2.1 數(shù)據(jù)來源

本次研究所使用的遙感影像為光學遙感數(shù)據(jù)，影像獲取時間為2018-04-20:02:55:51.026Z。之所以選擇春季影像，是因為此時地面植被覆蓋較多，能夠在一定程度上避免與周圍地物的“異物同譜”現(xiàn)象；且春季降水較少，此時提取的地表水較汛期更能反映研究區(qū)水資源分布的實際情況，影像云覆蓋為0，地物能清晰反射到影像上。Sentinel-2A衛(wèi)星攜帶的光學傳感器與Sentinel -1A相結合，可覆蓋13個光譜波段，按照空間分辨率可將波段劃分為10 m、20 m和60 m，幅寬度達290 km，可以獲取大范圍、高重訪周期的數(shù)據(jù)，提供高分辨率的環(huán)境監(jiān)測能力[11,12]。Sentinel-2A衛(wèi)星有效綜合了其他各衛(wèi)星的優(yōu)勢，其中，多光譜通道、較高重訪頻率及較寬刈幅是Sentinel-2A衛(wèi)星的亮點，該衛(wèi)星在運行期間可提供有關農(nóng)業(yè)、林業(yè)種植方面的監(jiān)測信息，對觀測地球土地覆蓋變化及森林，監(jiān)測湖水和近海水域污染情況、預測糧食產(chǎn)量、保證糧食安全等多個領域起到重要作用[12]。

2.2 數(shù)據(jù)預處理

利用Sen2cor（專門生產(chǎn)L2A級數(shù)據(jù)的插件）首先對下載后的Sentinel-2A影像數(shù)據(jù)進行輻射定標和大氣校正[13]，進一步利用SNAP Desktop（遙感圖像處理軟件）將校正完成后的影像轉換成可用利用完整的遙感圖像處理平臺（The Environment for Visualizing Images，ENVI）打開的格式，選擇融合該衛(wèi)星影像的紅、綠、藍及近紅外4個影像波段，生成較高分辨率（10 m）的多光譜遙感影像。將波段融合后的遙感影像與已有的土地利用現(xiàn)狀矢量圖進行數(shù)據(jù)配準，并根據(jù)選取的試驗區(qū)范圍對遙感影像數(shù)據(jù)進行裁剪。

2.3 土地利用信息直接提取

本研究主要目標是對土地利用類型的精確提取，因此選擇監(jiān)督分類和非監(jiān)督分類相結合的方式提取地物。先建立需要確定的土地利用類別，對研究區(qū)遙感影像地物進行劃分，通過目視解譯確定該區(qū)域地物特征，由于農(nóng)村道路和農(nóng)村居民點多為水泥構造，在遙感影像上光譜特征相似，故將兩類地物歸一為建設用地，研究區(qū)內(nèi)地勢平坦，村莊密布，耕地分布廣闊，林地、草地分布極少，因此本研究共建立植被、水體、建設用地、裸地4類地物樣。在傳統(tǒng)的土地利用分類研究中，為高效、快速提取大范圍土地利用信息，多采用監(jiān)督分類方法對遙感影像進行分類[14]。

最小距離是通過訓練樣本數(shù)據(jù)去計算每種類別的均值向量和標準差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離，將像元歸入到距離中心最小的類別中[16]；馬氏距離法是通過計算輸入像元到各訓練樣本的馬氏距離(計算2個未知樣本集的相似度的方法)，統(tǒng)計馬氏距離最小的即為此類別[15]，此方法既考慮離散度，也考慮到各軸間總體分布的相關(協(xié)方差)，能夠考慮到分類類別的內(nèi)在變化[16,17]；最大似然法是計算像元屬于某一訓練樣本的似然度，然后將像元歸為似然度最大的一類中[16]；支持向量機是一種基于統(tǒng)計學習理論的機器學習方法，可自動尋找對分類有較大區(qū)分功能的支持向量并構造分類器，最大化類別之間的間隔[11]。本研究分別對四種監(jiān)督分類方法進行分類比較，選擇最佳分類方法，如表1所示，經(jīng)驗證最大似然方法整體分類效果較好。

圖 2 監(jiān)督分類結果

表 1 監(jiān)督分類精度驗證表

2.4 土地利用信息間接提取

通過目視解譯和混淆矩陣兩種方法對分類結果進行精度驗證，發(fā)現(xiàn)建設用地中的道路容易被誤分成植被，且建設用地內(nèi)部植被信息在分類過程中并未區(qū)分出來。為了分析建設用地與其背景地物在光譜特征上的差別，分別對興隆莊礦區(qū)內(nèi)地物按植被、水體、建設用地、裸地4種地類在圖像上進行采樣統(tǒng)計，并做出各類地物的光譜曲線圖，如圖3所示。

圖 3 研究區(qū)典型地物光譜曲線

從以上分析可知：建設用地與裸地的灰度值從band2到band3有重合，但從band3到band8波段灰度值差異明顯且變化趨勢一致，兩者在近紅外波段灰度值較高，說明其在近紅外波段反射率較好；植被灰度值總體低于其他地類，且灰度值在band2到band4波段與水體產(chǎn)生重合，可能與礦區(qū)耕地塌陷并產(chǎn)生地面積水有關；水體的灰度值從band2到band8逐漸下降，表明水體在各波段反射率較低，說明該區(qū)域水體懸浮物濃度較高，可能與區(qū)域氣候降水有關或者受部分浮游植物的干擾。

2.4.1 植被信息提取結合目視解譯驗證與光譜曲線結果分析，在直接利用監(jiān)督分類方法進行分類的基礎上，需進一步提高植被、水體分類精度，以便快速精確提取出礦區(qū)各類土地利用地信息。植被信息可利用歸一化植被指數(shù)（Normalized difference vegetation index, NDVI）來提取[18]，具體運算公式如式（1）所示：

計算NDVI后結果如圖4所示，分別對NDVI計算后不同范圍內(nèi)的密度分割閾值與遙感影像進行觀察對比，通過目視解譯，在遙感影像上參照實地調(diào)查結果隨機選出40個植被樣點，統(tǒng)計選取樣點的NDVI值范圍，通過反復對比試驗，選擇出最符合實際地物分布的NDVI分割閾值范圍，為驗證閾值范圍選取的有效性，選擇樣本點以外的區(qū)域對植被NDVI值對確定的閾值范圍進行驗證。統(tǒng)計結果顯示該礦區(qū)NDVI密度分割閾值在0.5625-1時，植被信息可有效提取出來。如圖5所示，利用ArcGIS平臺將植被信息提取出為一單獨圖層并進行分析，發(fā)現(xiàn)通過計算歸一化植被指數(shù)研究區(qū)內(nèi)植被信息提取精度顯著提高，建設用地內(nèi)部植被信息可準確提取出來，并且有效避免植被與道路信息混淆現(xiàn)象。

圖 4 植被密度閾值分割圖像

圖 5 NDVI計算后植被分布圖

2.4.2 水體信息提取利用歸一化水體指數(shù)[19]提取水體信息，歸一化水指數(shù)（Normalized water index,NDWI）是利用遙感影像的特定波段進行歸一化差值處理，以凸顯影像中的水體信息，計算公式如式（2）所示：

計算結果如圖6所示，通過目視解譯對NDWI計算后不同閾值分割范圍進行對比分析，選擇與NDVI閾值范圍同樣的統(tǒng)計、驗證方法，即隨機選取研究區(qū)40個水體樣點，統(tǒng)計出最佳水體提取閾值，并選擇樣本點以外的水體信息進行驗證。最后確定該礦區(qū)NDWI密度分割閾值在0-1時，水體信息可有效提取出來。如圖7所示，同樣利用ArcGIS平臺將水體信息提取出為一單獨圖層并進行分析，結果表明計算歸一化水體指數(shù)后研究區(qū)內(nèi)植被信息提取精度顯著提高。

圖 7 NDWI計算后水體分布圖

為實現(xiàn)對研究區(qū)土地利用的綜合提取與分析，將所有地類合并為一個圖層，將監(jiān)督分類中建設用地和裸地兩個圖層提取出來(圖8)，并與指數(shù)計算后的水體、植被圖層合并，進而得到植被、水體、裸地、建設用地合成后的高精度分類圖像(圖9)，提供各類用地的空間分布、規(guī)模、面積等信息。

圖 8 監(jiān)督分類提取地類圖

圖 9 綜合提取分類圖

3 結果與分析

3.1 精度驗證

經(jīng)統(tǒng)計，研究區(qū)像元總數(shù)為1348137個，用目視解譯和混淆矩陣兩種方法對提取結果進行精度驗證。在圖像中隨機抽取7834個像元點，運用選擇的感興趣區(qū)（驗證樣本區(qū)）作為混淆矩陣的參考源，計算出總體分類精度為93.54%，KAPPA系數(shù)為0.91，分類精度明顯高于直接監(jiān)督分類結果。

表 2 綜合分類精度評價

從表2可以看出，歸一化植被指數(shù)計算后植被用戶精度提高到96.23%，建設用地用戶精度提高至99.20%，利用監(jiān)督分類和NDVI計算相結合的方法可有效提高水體、植被等地物分類精度，是提高總體分類精度的必要條件。

3.2 結論

在利用Sentinel-2A衛(wèi)星遙感影像進行礦區(qū)土地利用信息提取中，基于監(jiān)督分類的直接提取法可以對壓煤村莊等區(qū)域的遙感影像做出多種地類提取，但精度受到分類樣本選取的影響，影像中部分道路信息容易被誤分成植被，需要通過目視解譯進行修正；基于歸一化植被指數(shù)和歸一化水體指數(shù)能明顯提高植被、水體提取精度，采用指數(shù)計算與監(jiān)督分類相結合的綜合提取法能充分利用多種適合各類地物分類的方法，減小地類錯分誤差，提高總體分類精度，總體分類精度可達到93.54%，較直接監(jiān)督分類法提高6.61%，且此類方法簡單快捷，適合礦區(qū)內(nèi)各類用地面積、分布的快速統(tǒng)計分析，進而為今后礦區(qū)土地塌陷變化、壓煤村莊統(tǒng)計搬遷等提供數(shù)據(jù)支持。

[1] 方創(chuàng)琳.采煤塌陷地的綜合開發(fā)與協(xié)調(diào)發(fā)展──以淮北礦區(qū)為例[J].中國人口·資源與環(huán)境,1997(2):66-71

[2] 芮素生,成玉琪,葉顯彬.中國煤炭開發(fā)利用現(xiàn)狀與發(fā)展?jié)崈裘杭夹g[J].煤炭學報,1994(4):333-342

[3] 李俊穎.濟寧市煤礦區(qū)土地復墾方式對土壤養(yǎng)分狀況的影響[D].泰安:山東農(nóng)業(yè)大學,2017:1-2

[4] 梁書維,王建國,溫馨燃,等.基于高分二號遙感影像的東北地區(qū)村莊建設用地提取[J].湖北農(nóng)業(yè)科學,2018,57(20):132-137

[5] 陳震,張耘實,章遠鈺,等.高標準農(nóng)田建后遙感監(jiān)測方法[J].國土資源遙感,2019,31(2):125-130

[6] 胡官兵,劉舫,黨偉,等.遙感技術在滇西南植被覆蓋區(qū)地質(zhì)填圖中的應用[J].國土資源遙感,2019,31(2):224-230

[7] 馬紅.一種基于遙感指數(shù)的城市建筑用地信息提取新方法[J].城市勘測,2014,9(3):20-22

[8] 雍萬鈴.基于面向對象多尺度分割的目標信息提取研究田[J].蘭州交通大學,2016.3(3):16-18

[9] 胡涵.基于最大類間方差的醫(yī)學顯微圖像分割研究田[J].江西理工大學,2015,7(2):42-44

[10] 王波.基于面向對象的高分辨率遙感影像人工地物信息提取田[J].江西理工大學,2011,11(5):12-14

[11] Spoto F, Sy O, Laberinti P,. Overview of Sentinel-2 [C]. Geoscience and Remote Sensing Symposium (IGARSS),Japan,IEEE, 2012:1707

[12] 岳楨干.歐洲Sentinel-2A衛(wèi)星即將大顯身手:“哥白尼”對地觀測計劃簡介[J].紅外,2015,36(10):32

[13] 蘇偉,張明政,蔣坤萍,等.Sentinel-2衛(wèi)星影像的大氣校正方法[J]光學學報,2018,38(1):0128001-10

[14] Gao J, Skillcorn D. Capability of SPOTXS Data in ProducingDetailed Land Cover Maps at the Urban-rural Periphery [J]. International Journal of Remote Sensing, 1998,19(15):2877-2891

[15] 鄧書斌,陳秋錦,杜會建,等.ENVI遙感圖像處理方法[M].北京:高等教育出版社,2014

[16] 楊文波.遙感數(shù)據(jù)在拒馬河自然保護區(qū)科學考察中的應用研究[D].上海:上海水產(chǎn)大學,2005

[17] 孫坤,魯鐵定.監(jiān)督分類方法在遙感影像分類處理中的比較[J].江西科學,2017,35(3):367-371

[18] Jr. Rouse JW, Haas RH, Schell JA,. Monitoring vegetation systems in the great plains with ERTS [C]. Freden SC, Mercanti EP, Becker MA. Third Earth Resources Technology Satellite-1 Symposium Volume I: Technical Presentations. NASA SP-351. Washington DC:NASA,1974:309-317

[19] Mc Feeters SK. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features [J]. International Journal of Remote Sensing, 1996,17(7):1425-1432

Extraction Method of Mining Land Use Information Based on Sentinel-2A Image

SHAO An-ran1, LI Xin-ju1,2*, ZHOU Jing-jing1

1.271018,2.271018,

In order to study the technical method of accurate extraction of land use information in mining area in a wide range of high-resolution remote sensing images, Xinglongzhuang Coal Mine, Yanzhou City, Shandong Province, was selected as the study area. According to the spectral characteristics of remote sensing images, the experiment of mining area land use information extraction was carried out by combining supervised classification and normalized index calculation. The results show that four high resolution bands of the combined sentinel-2a satellite images can be used for accurate identification of land. According to the spectral characteristics of ground objects, the maximum likelihood supervised classification method is effective in extracting construction land and bare land, which can be used as an accurate method for extracting two types of land. Combined with normalized vegetation index operation and normalized water body index operation, the extraction of vegetation and water body information can obviously improve the overall classification accuracy, and the extraction accuracy can reach 93.54%. Then, the classification results can be used to accurately and efficiently identify and calculate the land use types and their distribution characteristics, and provide the basis for land renovation and village relocation in mining areas.

Sentinel-2A;mining area;land use information;extraction method

P237

A

1000-2324(2020)03-0441-06

10.3969/j.issn.1000-2324.2020.03.010

2019-08-12

2019-09-27

山東省重點研發(fā)計劃項目資助(2016ZDJS11A02);國家自然科學基金項目資助(41771324)

邵安冉(1996-),女,碩士研究生,主要從事土地利用信息遙感解譯研究. E-mail:1129364429@qq.com

Author for correspondence. E-mail:lxj0911@126.com