基于衛(wèi)星遙感影像的小區(qū)域土地利用分類監(jiān)測研究

宋 杰

（山西省測繪地理信息院，山西 太原 030001）

0.引言

土地是人們生產(chǎn)生活中不可或缺的重要資源，是經(jīng)濟發(fā)展和社會運行的基礎(chǔ)。我國雖然地大物博，但人口眾多，人均資源尤其是耕地資源相對短缺。隨著城市化進程的不斷推進，人類活動對自然環(huán)境的影響越來越大，土地利用狀況每年都發(fā)生著變化，是我國實現(xiàn)綠色健康發(fā)展的重要影響因素。

土地利用是指各類用地的面積、分布和利用狀況等的情況。土地利用監(jiān)測是利用遙感技術(shù)手段，對一個地區(qū)土地利用狀況的動態(tài)變化進行定期或不定期的監(jiān)視和測定[1]。其目的在于為政府決策部門提供準確的土地利用變化情況，便于及時進行土地利用數(shù)據(jù)更新與對比分析。現(xiàn)階段國家層面有全國性的國土調(diào)查工作，省一級也在開展變化監(jiān)測工作。小區(qū)域土地利用分類監(jiān)測還處在比較初級的階段，一方面，基層土地主管部門十分迫切地需要及時了解本地區(qū)內(nèi)土地利用的變化情況；另一方面，小區(qū)域分類監(jiān)測卻還沒有合適技術(shù)路線。

現(xiàn)階段的衛(wèi)星遙感數(shù)據(jù)具備了高空間分辨率、高時間分辨率、高光譜的特點，土地利用分類提取方法也由傳統(tǒng)的目視解譯發(fā)展到自動解譯分類階段。目視解譯提取土地利用費時費力，但是精度較高，因此目前仍被廣泛應(yīng)用。自動提取土地利用信息的方法很多，速度快、效率高，但是準確率相對較低。在小區(qū)域變化監(jiān)測工作中究竟采用何種方法效果更佳，到目前都還沒有統(tǒng)一的解決方案，不同地區(qū)根據(jù)自身的實際情況選擇適合的辦法開展工作。

本文利用收集獲得的北方某地任務(wù)區(qū)范圍內(nèi)2019年和2020年兩個時期的高分辨率衛(wèi)星遙感影像，研究不同土地利用信息解譯方法對信息提取精度的影響，分析研究最適合本地區(qū)小區(qū)域土地利用分類監(jiān)測方法。

1.研究方案

小區(qū)域土地利用的分類監(jiān)測工作，主要是為了全面掌握一個地區(qū)內(nèi)土地用途類型、位置、范圍等的情況，在當前重點保護耕地的背景下，對耕地的監(jiān)測是此項工作的重中之重。為了嚴守耕地紅線，實現(xiàn)耕地總量的動態(tài)平衡，必須科學地開展土地的開發(fā)、整理、調(diào)整、復墾等工作，其中首要的任務(wù)就是要“摸清家底”，對土地利用的真實情況進行及時準確地調(diào)查監(jiān)測。隨著我國航空航天事業(yè)的飛速發(fā)展，高分辨率國產(chǎn)衛(wèi)星遙感成果大量投入使用，同時大批的生態(tài)學家、測繪遙感專家、經(jīng)濟學者等加入土地管理學科，為土地利用分類監(jiān)測工作的發(fā)展帶來了新的活力。利用衛(wèi)星遙感技術(shù)和人工智能進行土地利用分類監(jiān)測，已經(jīng)成為當前行業(yè)內(nèi)的主流。

本次研究我們選取北方某鄉(xiāng)鎮(zhèn)作為土地利用監(jiān)測的試驗區(qū)域，該地區(qū)屬溫帶大陸性季風氣候。農(nóng)作物主要以小麥、高粱、豆類、馬鈴薯等為主，經(jīng)濟作物主要是種植類中藥。近年來，該區(qū)種植設(shè)施農(nóng)用地逐漸增多，番茄、黃瓜、生菜等大棚農(nóng)作物種植面積不斷擴大。

開展研究之前，我們奔赴當?shù)厥占搅素S富的資料，包括研究中所采用的數(shù)據(jù)資料：（1） 影像資料：SPOT5影像（2019年度）1景，國產(chǎn)衛(wèi)星高分影像（2020年度）1景；（2）該地區(qū)土地權(quán)屬界線協(xié)議書、相關(guān)行政區(qū)劃圖件和文獻資料。

小區(qū)域土地利用分類監(jiān)測信息提取方法（如圖1所示）是本研究的重點，通過利用三種方法對影像區(qū)土地利用信息進行提取，并對分類精度進行評價，獲得適用于高分辨率影像提取小區(qū)域土地利用分類監(jiān)測信息的解譯方法。

圖1 小區(qū)域土地利用分類監(jiān)測信息提取方法

2.遙感影像處理

因為前期收集資料獲得的影像為1景SPOT5影像（2019年度）和1景國產(chǎn)衛(wèi)星高分影像（2020年度），均比試驗區(qū)域大很多，且部分區(qū)域色彩有偏差，所以在進行信息提取工作之前，需要先進行遙感影像的預(yù)處理，包括裁剪和影像增強。

2.1 影像裁剪

整景的衛(wèi)星影像范圍較大，小區(qū)域土地利用分類監(jiān)測所需的影像只要在監(jiān)測范圍內(nèi)即可，所以先進行衛(wèi)星影像的裁剪工作。在ArcMap軟件中，用試驗區(qū)的行政區(qū)域范圍疊加在影像上進行裁剪操作（如圖2、圖3所示），獲得試驗區(qū)影像。

圖2 行政區(qū)域范圍疊加在影像上

圖3 影像裁剪結(jié)果

2.2 遙感影像增強處理

土地利用信息提取中，為使影像更易于識別和特征提取，需要對正射影像圖進行影像增強處理。影像增強主要包括空間增強、輻射增強、光譜增強和影像融合處理。空間增強包括空間卷積、傅里葉變換等，低通濾波加強了低頻信息，強調(diào)了大范圍的亮度區(qū)域；高通濾波強化空間細節(jié)，道路等線狀邊界地物等得到增強；傅里葉變換能有效地消除影像噪音。輻射增強包括線性拉伸、直方圖均衡化、直方圖匹配、亮度反轉(zhuǎn)、去霾處理等，線性拉伸后的影像地物差異增大，易于地物判別；直方圖均衡化可以提高影像細節(jié)部分的分辨度，改變亮度值和紋理結(jié)構(gòu)的關(guān)系[2]；直方圖匹配常用于影像拼接前處理；亮度反轉(zhuǎn)能夠增強線性信息；去霾處理增強影像清晰度。光譜增強包括主成分分析、色彩變換、去相關(guān)拉伸、纓帽變換等，主成分分析適宜于沒有先驗信息的地區(qū)，便影像易于解譯；色彩變換使影像顏色與人眼觀察到的更接近；去相關(guān)拉伸能夠增加影像飽和度；纓帽變換廣泛應(yīng)用于農(nóng)作物長勢、植被、土壤等研究。影像融合對多時相、多分辨率、多遙感器的影像進行融合，獲得比單一影像更豐富的信息。

本次研究選擇在ENVI軟件中對影像進行直方圖均衡化處理（如圖4所示）：

圖4 影像增強處理前后對比

3.土地利用遙感分類方法

增強后的正射影像進行信息的分類提取，采用ArcGIS、ENVI、ERDAS等遙感影像分類軟件，通過自動分類、目視解譯、兩種方法相結(jié)合等三類手段進行影像特征信息的提取和分類。目視解譯通過個人經(jīng)驗和影像判讀進行直接分類；自動分類采取監(jiān)督分類和非監(jiān)督分類，通過監(jiān)督分類地類樣本區(qū)的選擇或者類別個數(shù)的設(shè)置進行計算機分類；目視解譯和自動分類的結(jié)合將計算機較難精準分類的直接矢量化，再將剩余易分類的進行計算機分類，最后再將兩者合并得到分類結(jié)果。

試驗區(qū)范圍內(nèi)分別基于像元的自動分類（監(jiān)督分類、非監(jiān)督分類）、運用目視解譯、兩者結(jié)合起來（先目視解譯分類生成矢量再自動分類）方法進行影像信息提取的對比分析，通過研究結(jié)果確定開展此項信息提取工作最適合的方法。

3.1 自動分類

遙感影像自動分類主要依據(jù)地物像元的光譜特征和空間結(jié)構(gòu)特征，利用統(tǒng)計模式識別技術(shù)進行分類。從分類前能否獲得訓練樣本類別這一先驗信息角度，可以分成監(jiān)督分類和非監(jiān)督分類兩大類[3]。

監(jiān)督分類又稱為訓練分類法，即用被確認類別的樣本像元作為參考，去分類提取其他未知類別像元的過程[3]。非監(jiān)督分類也稱聚類分析或點群分析[4]，是在遙感影像中按照像元的自然相似光譜群組進行分類的過程。

監(jiān)督分類比非監(jiān)督分類更多地需要用戶來控制，常用于對研究區(qū)域比較了解的情況。在監(jiān)督分類過程中，首先選擇可以識別或者借助其他信息可以斷定其類型的像元建立模板，然后基于該模版使計算機系統(tǒng)自動識別其有相同特性的像元[5]。

自動分類對研究區(qū)土地利用信息進行提?。ㄈ鐖D5所示），只能提取出林地、耕地、居民點和未利用地，未能提取出道路和草地，道路信息被錯誤地分為居民地，草地被認為是耕地，分類精度不高。

圖5 自動分類土地利用分類圖

3.2 目視解譯

目視解譯，是解譯人員根據(jù)自己經(jīng)驗和專業(yè)知識為依據(jù)，在遙感影像上進行分析和判斷，通過影像的色調(diào)、形狀、紋理、位置等特征，實現(xiàn)影像的識別和特征信息的提?。ㄈ鐖D6所示）：

圖6 目視解譯土地利用分類圖

3.3 目視解譯與自動分類相結(jié)合

首先將研究區(qū)內(nèi)易于判別，且容易與其他地類相混合的部分地類進行目視解譯提取矢量數(shù)據(jù)，再對剩下的地類進行自動分類，最后將兩者合并，這樣做既減少了工作量，也適當提高了解譯的精度（如圖7所示）：

圖7 目視解譯與自動分類相結(jié)合效果圖

3.4 方法對比分析

以上三種分類方法都可以獲得基本滿足監(jiān)測工作要求的結(jié)果，但是在工作量、成果精度以及屬性信息的可維護性方面還存在著不小的差異。將自動分類、目視解譯、兩者結(jié)合三種分類方法以工作量的大小排序為：目視解譯工作量最大，兩者結(jié)合的方法工作量適中，自動分類最輕松。按照結(jié)果的精度高低排序為：目視解譯的成果精度最高，兩者結(jié)合稍微差一些，自動分類方法的直接結(jié)果精度最差。按照屬性信息的管理和可維護性的便利程度排序為：兩者結(jié)合的方法最優(yōu)，目視解譯屬性最準但維護工作繁重，自動分類方法維護簡單但屬性信息不夠準確。小區(qū)域土地利用分類監(jiān)測工作的要求是：監(jiān)測效率高，更新速度快，精度有保障，信息維護方便。因此綜合考慮，現(xiàn)階段最適合小區(qū)域土地利用分類監(jiān)測工作的方法是目視解譯和自動分類相結(jié)合進行信息提取。

4.結(jié)束語

本文的研究過程中以一景2019年度的SPOT5影像和一景2020年度國產(chǎn)衛(wèi)星高分影像為遙感影像基礎(chǔ)數(shù)據(jù)資料，利用三種類型的土地利用分類方法進行研究對比。在對研究成果進行分析后得出，在現(xiàn)階段高分辨率衛(wèi)星影像不斷普及的大環(huán)境下，目視解譯和自動分類結(jié)合的方法能夠充分地將專業(yè)技術(shù)人員的知識經(jīng)驗和人工智能快速高效的優(yōu)點進行整合，信息提取精度能夠滿足要求的同時保證了更新效率，是目前最適合小區(qū)域土地利用分類監(jiān)測工作的方法。但是科學技術(shù)是在不斷發(fā)展的，目前大數(shù)據(jù)和人工智能技術(shù)正在飛速地進步，在不久的將來，機器學習參與下的自動分類解譯方法會越來越精確，屆時小區(qū)域土地利用分類監(jiān)測工作將不再需要人工干預(yù)，會以全自動的形式進行，從而實現(xiàn)真正不需要人工干預(yù)的智能解譯。