基于多時相Landsat8影像的土地利用遙感監(jiān)測研究

林偉 姜鵬 朱健

（江蘇省地質(zhì)測繪院，江蘇 南京 211100）

1 引言

土地利用是對一個地區(qū)的社會與經(jīng)濟描述，通過對土地利用情況進行摸底排查，可為當?shù)赝恋乩靡?guī)劃、國家重大項目開展等提供重要的基礎(chǔ)數(shù)據(jù)保障與支撐。土地利用分析中，建筑用地、耕地、山地作為監(jiān)測的重中之重，在各地均作為主要監(jiān)測對象開展工作。目前，針對建筑用地、耕地、山地的變化監(jiān)測工作也有大量研究，董麗萍等采用國產(chǎn)高分辨率衛(wèi)星影像作為數(shù)據(jù)源，通過融合多特征信息進行建筑用地變化檢測，以此提升建筑用地變化檢測的時效性[1]。李悅等采用監(jiān)督分類方法對舊時期建筑用地情況與當前時期建筑用地變化情況進行對比分析，所提出的方法在復雜的數(shù)據(jù)庫中得到了較高的識別精度[2]。盧麗琛等以武漢市為例，采用目前應用較廣的面向?qū)ο蠓诸愃惴ㄟM行建筑識別，從而提升建筑物的識別精度，為后期的相關(guān)研究提出了一種新的方法與思路[3]。趙庚星等利用Landsat TM 衛(wèi)星影像對黃河三角洲進行遙感解譯與人機交互提取，分析黃河三角洲的耕地變化情況與趨勢，并分析了變化驅(qū)動因素[4]。李智宇等利用多年的Landsat8 影像，采用監(jiān)督分類中的支持向量機算法進行耕地變化信息提取，結(jié)果顯示耕地的減少多為道路、建筑的新建與擴張[5]。鄭超等采用1995 年至2015年四個節(jié)點的Landsat影像進行人機交互解譯，研究提取遼寧東部的土地利用信息，并分析耕地變化趨勢及因素，通過長時間序列的數(shù)據(jù)分析，準確掌握了耕地變化的驅(qū)動力，以及耕地變化在當?shù)亟?jīng)濟發(fā)展中起到的至關(guān)重要的作用[6]。隨著遙感分類算法日益成熟，遙感影像的分類算法也越來越多，其中，平均光譜角分類方法因直接計算樣本的平均光譜，只針對某一類型地物進行識別提取，提取過程中可人工干預確定提取閾值，已大量應用于特定地物的遙感提取[7]。

本研究以Landsat8 OLI 多光譜衛(wèi)星影像作為數(shù)據(jù)源，選用2015、2018、2020 三個年份作為時間節(jié)點，采用監(jiān)督分類算法中的平均光譜角分類方法，按照建筑、山地、耕地進行地表信息遙感提取，以此研究遙感技術(shù)在土地利用監(jiān)測中的適用性。

2 數(shù)據(jù)及處理

2.1 數(shù)據(jù)介紹

Landsat 8 是NASA 與美國地質(zhì)調(diào)查局（USGS）合作開發(fā)并由軌道科學公司（Orbital Science Corporation）建造的。Landsat 8 的OLI 陸地成像儀包括9 個波段，空間分辨率為30 米，其中包括一個15 米的全色波段，成像寬幅為185km×185km。OLI 包括了ETM+傳感器所有的波段，為了避免大氣吸收特征，OLI 對波段進行了重新調(diào)整，比較大的調(diào)整是OLI Band5(0.845-0.885 μm)，排除了0.825μm 處水汽吸收特征；OLI 全色波段Band8 波段范圍較窄，這種方式可以在全色圖像上更好區(qū)分植被的光譜特征。

2.2 數(shù)據(jù)預處理

本研究的數(shù)據(jù)源來自國內(nèi)免費衛(wèi)星影像數(shù)據(jù)下載網(wǎng)站“地理空間數(shù)據(jù)云”，用戶可根據(jù)研究區(qū)位置、手動采集圖斑等方法進行研究區(qū)確定，并可選擇設(shè)置時段跟云量，用以篩選合適的影像。

輻射定標是確定各波段對輻射量的響應能力，即建立成像光譜儀輸入的光譜輻射亮度（L）與成像光譜儀輸出的數(shù)字量化值（DN）之間的定量關(guān)系，確定成像光譜儀各光譜通道的響應，求得定標系數(shù)，對實際圖像進行輻射校正。大氣校正是指傳感器最終測得的地面目標的總輻射亮度并不是地表真實反射率的反映，其中包含了由大氣吸收，尤其是散射作用造成的輻射量誤差。大氣校正就是消除這些大氣影響導致的輻射誤差，反映地物真實的表面反射率過程。遙感影像融合是將在空間、時間、波譜上冗余或互補的多源遙感數(shù)據(jù)按照一定規(guī)則進行運算處理，獲得比任何單一數(shù)據(jù)更精確、更豐富的信息，生成具有新的空間、波譜、時間特征的合成影像數(shù)據(jù)。針對多時期的Landsat8 衛(wèi)星影像，本研究采用批量預處理的方式進行輻射定標、大氣校正、影像融合。快速預處理的成果如圖1 所示。

圖1 預處理成果

圖2 建筑樣本

圖3 耕地樣本

圖4 山地樣本

3 結(jié)果與分析

3.1 樣本光譜計算

樣本制作主要是基于Landsat8 衛(wèi)星影像進行人工識別采集，結(jié)合三年的衛(wèi)星影像，使用ArcGIS 采集建筑、耕地、山地等區(qū)域作為樣本。樣本需在三年影像中均為同一類型地物，以此保證同一套樣本可以應用到三年的衛(wèi)星影像解譯中。建筑樣本主要為大片連續(xù)的城鎮(zhèn)與農(nóng)村居民地，并且建筑范圍內(nèi)，無明顯的樹木遮擋，樣本信息全為屋頂像元；耕地樣本主要以大片種植作物的地塊為主，以規(guī)則圖形按照耕地田壟進行采集，考慮到輪作特性，將裸地田塊也進行采集，以此達到耕地全部提取的目的；山地樣本則以大塊圖斑為主，挑選與人類互動地區(qū)較遠的無人區(qū)進行采集，從而保證樣本的純凈度。如圖2、圖3 和圖4 所示。

針對樣本選用平均光譜角分類算法計算光譜信息，光譜角樣本計算主要是通過樣本范圍選擇樣本內(nèi)的Landsat8 影像各個波段的像元信息，并進行均值計算，往往在計算光譜信息的同時進行濾波、平滑、異常值剔除等，以此提升樣本光譜信息準確度，最終得到具有廣泛應用性的光譜曲線，如圖5、圖6 和圖7 所示。

圖5 建筑光譜

圖6 耕地光譜

圖7 山地光譜

3.2 遙感解譯

采用平均光譜角分類方法對2015 年、2018 年、2020 年三個年份的Landsat8 衛(wèi)星影像進行土地利用分類，結(jié)果如圖8、圖9 和圖10 所示。由圖可知，三個年份的分類成果整體上保持不變，其中建筑用地解譯結(jié)果始終以城鎮(zhèn)、農(nóng)村為主，均勻分布在平原地區(qū)，山地解譯結(jié)果則主要分布在東部，與居民地、耕地相對應，這與研究區(qū)實際情況完全吻合。通過遙感解譯發(fā)現(xiàn)，研究區(qū)整體地物類型相對集中，尤其是耕地，集中分布在西部，為遙感提取提供了便利；其次，山地多為裸露巖石，巖石在光譜上的特征與其他地物區(qū)分較大，對遙感識別也有較好的優(yōu)勢。

圖8 2015年分類成果

圖9 2018年分類成果

圖10 2020年分類成果

3.3 統(tǒng)計分析

表1 土地利用變化面積統(tǒng)計 （單位：畝）

采用ENVI 軟件對遙感解譯的地物類型建筑、耕地、山地成果進行矢量化，并將矢量化后的分類成果帶入ArcGIS 軟件進行面積統(tǒng)計與變化分析，如表1 所示。由表可知：研究區(qū)的建筑用地2015 年為92 畝，2018 年增加至108 畝，2020 年增加至160 畝；耕地面積2015 年為1034 畝，2018 年1027 畝，2020 年1120 畝；山地面積2015 年為3020 畝，2018 年3030 畝，2020年2990 畝。

分析可知：建筑耕地呈持續(xù)增加趨勢，尤其是2018 年至2020 年，建筑面積增加52 畝；而耕地面積也呈現(xiàn)增加趨勢，耕地面積自2015 年至2020 年增加了86 畝；山地面積則呈現(xiàn)減少趨勢，尤其是2018 年至2020 年，山地面積減少了40 畝。

4 結(jié)語

本研究以Landsat8 OLI 多光譜衛(wèi)星影像作為數(shù)據(jù)源，選用2015、2018、2020 年三個年份作為時間節(jié)點，首先對Landsat8 OLI 進行影像預處理，最終得到像元分辨率為15 米的Landsat8 OLI 多光譜影像。采用平均光譜角分類方法對預處理后的Landsat8 OLI 多光譜影像，按照建筑、耕地、山地進行地表信息提取，并進行對比分析，研究土地利用變化規(guī)律。

通過研究得到以下結(jié)論：（1）Landsat8 OLI 多光譜影像對地物信息具有較好的表達，通過預處理，地表的建筑、水體、山地、耕地等地物信息均直觀地區(qū)分開來；（2）采用平均光譜角分類算法進行地物信息提取，提取的建筑、耕地、山地信息與影像中的地物紋理表達高度一致，提取效果較理想；（3）通過對比三年的土地利用分類成果可知：平均光譜角分類算法準確識別出了三年的建筑、耕地、山地信息，提取成果與實際情況高度吻合。