基于遙感技術(shù)的土地利用變化監(jiān)測與分析

編者按：隨著遙感技術(shù)的不斷發(fā)展，其監(jiān)測范圍大、可覆蓋全球;瞬時成像、實時傳輸、快速處理、迅速獲取信息和實施動態(tài)監(jiān)測、受地面影響小等優(yōu)勢不斷被大眾了解，本文主要對江油市2006年以及2018年的Landsat-8以及Landsat-5遙感影像進行預處理，基于ENVI，利用決策樹分析江油市12年的土地利用變化。

引言

由于遙感技術(shù)能夠宏觀地對地表物體進行觀測，對于土地利用方面的應用也在不斷地進步，再加上一些分析技術(shù)的應用，遙感技術(shù)已經(jīng)成為監(jiān)測與分析土地利用變化的一種方便有效的技術(shù)手段。

通過遙感技術(shù)量化LUCC、演繹變化過程，建立模型，對于土地利用進行定量和定性分析。相關(guān)研究已經(jīng)證明，政策、經(jīng)濟發(fā)展和人口增長及自然災害等因素是城市景觀格局變化的主要影響因子。

研究概況

研究區(qū)自然概況

江油地理位置處于北緯31°32′26″～32°19′18″、東經(jīng)104°31′35″～105°17′30″之間。市境輪廓呈東北-西南走向的條形狀，東西寬約48.4千米，南北長約86.6千米，面積2719平方千米。按地貌主要類型分，平壩面積占22.2%，丘陵面積占26.5%，山地面積占51.2%，臺地面積占0.1%。

數(shù)據(jù)處理

研究數(shù)據(jù)來源

本文所采用的遙感的數(shù)據(jù)源是2006年6月30號Landsat5 TM影像和2018年4月9號Landsat 8 OLI 的影像。兩種遙感傳感器的波譜信息如表1所示。

除此之外還用到研究區(qū)DEM（數(shù)據(jù)高程模型）數(shù)據(jù)用以計算坡度。

研究數(shù)據(jù)預處理

為了在遙感影像上提取的信息能夠準確對影像進行預處理，主要包括輻射定標、大氣校正、影像鑲嵌、影像裁剪，以此得到研究區(qū)的遙感影像（見圖1）。

遙感土地利用分類

數(shù)據(jù)處理

計算2006年以及2018年的遙感影像植被指數(shù)以及建筑指數(shù)。

（1）歸一化植被指數(shù)

歸一化植被指數(shù)（NDVI）由ROSE等于1973年提出，是植被指數(shù)中應用最廣泛的一種指數(shù)。

NDVI計算公式為：

（1）

式中：ρNIR為和ρred為近紅外波段和紅光波段的反射率。

（2）建筑指數(shù)

歸一化建筑指數(shù)（NDBI）是經(jīng)過歸一化植被指數(shù)演變而來，建筑用地中紅外波段以及近紅外波段的反射率差異較為明顯，所以選擇這兩個波段來計算建筑指數(shù)較為科學。

NDBI計算公式為：

（2）

式中：ρMIR為中波段的地表反射率。

決策樹分類

遙感圖像分類技術(shù)分為監(jiān)督分類與非監(jiān)督分類兩種，前者需要訓練樣本，而后者不需要。

對四種常見遙感的監(jiān)督分類方法進行比較分析，發(fā)現(xiàn)決策樹分類中的土地利用分類最接近實際情況，分類精度最高。BP神經(jīng)網(wǎng)絡(luò)法次之，最大似然法第三，支持向量機的精度。

根據(jù)表2中現(xiàn)有的對于遙感影像數(shù)據(jù)分類方法精度進行研究精度對比，本文將采取最佳分類方法，即決策樹方法對江油市的遙感影像進行土地分類。

決策樹分類是在遙感影像以及空間數(shù)據(jù)的基礎(chǔ)上，采用具有專家經(jīng)驗的總結(jié)、數(shù)學統(tǒng)計分析和歸納等方法，獲得分類的規(guī)則，通過此分類規(guī)則分類的方法。決策樹分類大致可分為4步：規(guī)則定義、規(guī)則輸入、決策樹運行和分類后處理。難點是規(guī)則的獲取，本文采用統(tǒng)計數(shù)值以及多次試驗的方法從樣本中獲取規(guī)則。

以此根據(jù)本文所用到的數(shù)據(jù)對遙感影像建立決策樹規(guī)則，以下為2006年的規(guī)則參數(shù)：

對于植被的提取：根據(jù)統(tǒng)計得NDVI值大于0.28時，分類結(jié)果為植被。

對于草地的提?。焊鶕?jù)常識得，當?shù)乇淼钠露刃∮?（slope<5）時，地物為草地。

對于耕地的提?。寒?shù)乇淼钠露却笥?小于20（5<slope<20）時，地物為耕地。

對于林地的提取：當坡度大于20（slope>20）時，地物為林地。

對建筑用地的提?。簱?jù)統(tǒng)計得，當NDBI值在（-0.12，0）范圍內(nèi)時，為建筑用地。

對于水體的提?。寒斏鲜鲇玫乇环诸惓鰜頃r，剩下的部分即為水體。

在獲取規(guī)則后新建決策樹并輸入規(guī)則，本文建立的決策樹如圖3所示。

對于決策樹規(guī)則建立，就是不斷通過對地物確定指數(shù)范圍后一層一層劃分出地物的類別。得到如下土地利用分類結(jié)果圖。

在ENVI中對2006到2018年的土地利用分類結(jié)果進行分類結(jié)果對比，得到土地利用類型轉(zhuǎn)移矩陣。橫字段表示2006年（initial state）的土地利用類別，縱字段為2018年（final state）的土地利用類別，橫縱字段交叉處表示變化值。

結(jié)論

通過對遙感影像的數(shù)據(jù)進行預處理，基于決策樹對江油市2006年到2018年的土地利用信息進行分類。從整體變化趨勢上來看，江油市在這12年發(fā)展過程中，建設(shè)用地面積持續(xù)增加，而耕地、草地、林地總體呈現(xiàn)減少的趨勢，并向建筑用地轉(zhuǎn)化。耕地面積在向建筑用地轉(zhuǎn)移的同時，有一部分轉(zhuǎn)化為水體。

參考文獻：

[1]陳佑啟，楊鵬.國際上土地利用/土地覆蓋變化研究的新進展[J].經(jīng)濟地理，2001（01）：95-100.

[2]王曉峰，傅伯杰，蘇常紅，等.西安縣城鄉(xiāng)建設(shè)用地時空擴展及驅(qū)動因素[J].生態(tài)學報，35（21）：7139-7149.

[3]張敏， 宮兆寧， 江瀏光艷. 2000-2010年成都市土地利用空間格局變化分析[J]. 四川師范大學學報（自然科學版）， 2014（05）：735-743.

[4]劉萌，楊武年，邵懷勇，等.青川縣LUCC遙感動態(tài)監(jiān)測及驅(qū)動力分析[J].國土資源遙感，2014，26（03）：160-165.

[5]黃云鳳， 崔勝輝， 石龍宇. 半城市化地區(qū)土地利用變化及驅(qū)動力分析——以廈門市集美區(qū)為例[J]. 環(huán)境科學與技術(shù)， 35（06）：199-205.

[6]俞龍生， 符以福， 喻懷義，等. 快速城市化地區(qū)景觀格局梯度動態(tài)及其城鄉(xiāng)融合區(qū)特征——以廣州市番禺區(qū)為例[J]. 應用生態(tài)學報， 2011（01）：171-180.

[7]陳學兄， 常慶瑞， 畢如田，等. 基于山地植被指數(shù)估算臨縣植被覆蓋度[J]. 應用基礎(chǔ)與工程科學學報， 2020， 28（02）：69-79.

[8]楊陽光， 陳建波. 基于Landsat OLI影像的城市建筑面積提取[J]. 內(nèi)蒙古科技與經(jīng)濟， 2017（16）：86-87.

[9]童威.基于ENVI的遙感影像監(jiān)督分類方法的研究[J].科學創(chuàng)新與應用，2019（23）：6.

[10]楊帆，王博.基于決策樹的遙感圖像分類方法研究[J].測繪與空間地理信息，2019，42（07）：1-4.

[11]楊凱.遙感圖像處理原理和方法[M].北京：測繪出版社，1998.

本文受云南省教育廳科學研究基金項目“以傳統(tǒng)工藝振興鞏固脫貧攻堅成果——大理巍山地區(qū)扎染實踐”（2021J0787）的資助。

作者簡介：劉學（19980824），女，漢，四川綿陽。碩士學位，地質(zhì)資源與地質(zhì)工程（資源環(huán)境遙感），成都理工大學，四川身成都市，610059。