基于BOVW和SVM的城市土地類型遙感變化監(jiān)測(cè)研究

黃靖舒,高心丹,景維鵬

(東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院,林學(xué)院,黑龍江 哈爾濱 150040)

城市土地類型變化監(jiān)測(cè)對(duì)當(dāng)前環(huán)境變化、可持續(xù)發(fā)展等熱點(diǎn)問(wèn)題的研究,以及政府決策規(guī)劃具有重要的意義。使用遙感影像研究城市土地類型變化是一種快速有效的方法。

按照處理信息層次的不同,遙感變化監(jiān)測(cè)可劃分為像素級(jí)、對(duì)象級(jí)、場(chǎng)景級(jí)監(jiān)測(cè)方法。像素級(jí)提出了兩種典型的變化監(jiān)測(cè)方法,其一屬于傳統(tǒng)變化監(jiān)測(cè)法,通過(guò)使用差值或比值法生成變化差異圖來(lái)統(tǒng)計(jì)變化的結(jié)果。在此過(guò)程中會(huì)損失許多影像的信息,精度也嚴(yán)重依賴于變化差異圖的準(zhǔn)確程度。另一種是基于深度學(xué)習(xí)的變化監(jiān)測(cè)方法,利用自身能夠有效、自動(dòng)、多層次地提取復(fù)雜地物抽象特征的優(yōu)勢(shì),用端到端的網(wǎng)絡(luò)結(jié)構(gòu)處理同源或異源多時(shí)相影像數(shù)據(jù),獲取遙感影像變化監(jiān)測(cè)的結(jié)果圖。對(duì)象級(jí)提出了直接對(duì)象、分類后、同步分割對(duì)象等變化監(jiān)測(cè)方法,較像素級(jí)變化方法有更好的監(jiān)測(cè)精度,但其精度嚴(yán)重依賴于影像的分割或分類效果。上述兩種方法都只關(guān)注了地表狀態(tài)是否發(fā)生變化,忽略了土地利用類型語(yǔ)義場(chǎng)景信息的變化情況。場(chǎng)景級(jí)的變化監(jiān)測(cè)是一種應(yīng)用在語(yǔ)義層次變化分析上的方法,對(duì)城市擴(kuò)張及城市規(guī)劃方面的研究提供基礎(chǔ)。視覺(jué)詞袋模型(bag of visual words,BOVW)是一種典型的場(chǎng)景級(jí)變化監(jiān)測(cè)方法,在變化監(jiān)測(cè)方面不僅能確定地表狀態(tài)是否發(fā)生變化,還能表明場(chǎng)景語(yǔ)義信息的變化情況。通過(guò)使用視覺(jué)單詞來(lái)描述圖像,有效加入語(yǔ)義信息提供中層次特征表達(dá)從而跨越了影像低層次特征和人類高層次概念之間的語(yǔ)義鴻溝[1]。Csurka等[2]提出的BOVW模型通過(guò)挖掘未標(biāo)記樣本底層特征上的語(yǔ)義信息,在標(biāo)記樣本和未標(biāo)記樣本之間建立聯(lián)系,能夠有效緩解對(duì)大量標(biāo)記樣本進(jìn)行訓(xùn)練的問(wèn)題,具有一定的泛化能力。在BOVW模型處理目標(biāo)圖像時(shí)提取到的特征點(diǎn)及信息非常多,這其中有部分特征點(diǎn)高度相似。為更好地提高模型性能,將這些高度相似的特征點(diǎn)整合起來(lái),徐培罡等[3]提出融合場(chǎng)景的像素一致性、空間和外觀信息,采用K-means算法聚類相似的特征點(diǎn)、量化并統(tǒng)計(jì)直方圖,進(jìn)而為變化監(jiān)測(cè)提供中層次場(chǎng)景信息的特征表達(dá),實(shí)現(xiàn)高分辨率遙感影像分類。

Landsat系列遙感影像是目前遙感領(lǐng)域遙感數(shù)據(jù)的重要來(lái)源之一,其時(shí)間序列長(zhǎng),數(shù)據(jù)連續(xù)性好、質(zhì)量高。但其分辨率不高的缺點(diǎn)增加了影像分類及變化監(jiān)測(cè)研究的難度,采用BOVW與支持向量機(jī)(support vector machine, SVM)結(jié)合對(duì)城區(qū)土地類型進(jìn)行變化監(jiān)測(cè),在加入語(yǔ)義場(chǎng)景等重要信息的基礎(chǔ)上有效解決了因影像分辨率不高產(chǎn)生的問(wèn)題。為了驗(yàn)證模型方法的有效性和準(zhǔn)確性,本研究選用分辨率為15～30 m的標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行分類訓(xùn)練和測(cè)試,達(dá)到較好的精度后,再將哈爾濱市松北區(qū)的Landsat遙感影像應(yīng)用在研究模型上進(jìn)行土地類型變化監(jiān)測(cè),以期應(yīng)用結(jié)果輔助了解哈爾濱市城市化進(jìn)程的情況,對(duì)政府的決策、人類活動(dòng)管理、環(huán)境氣候情況掌握等活動(dòng)提供重要的參考信息。

1 遙感影像變化監(jiān)測(cè)模型及構(gòu)建

分類法[4]、面向?qū)ο蠓╗5-8]、時(shí)間序列分析法[9-10]、圖像融合法[11]等自動(dòng)及半自動(dòng)的變化監(jiān)測(cè)方法已廣泛應(yīng)用于土地利用/覆蓋變化、森林和植被變化、災(zāi)害監(jiān)測(cè)、地理信息更新、目標(biāo)監(jiān)視與跟蹤、生態(tài)環(huán)境監(jiān)測(cè)等領(lǐng)域[12-14]。其中,基于視覺(jué)詞袋模型的場(chǎng)景級(jí)變化監(jiān)測(cè)方法是一種能夠獲取地物統(tǒng)計(jì)特征的有效且穩(wěn)定的特征編碼方式,它可以在語(yǔ)義層次上判別土地類型變化情況并提供中層次的特征表達(dá)。同時(shí)由于SVM是一種效果良好且有堅(jiān)實(shí)理論基礎(chǔ)的適用于小樣本、非線性學(xué)習(xí)的分類方法,因此本研究使用BOVW和SVM結(jié)合的方法對(duì)處理后的遙感數(shù)據(jù)進(jìn)行變化監(jiān)測(cè)的研究與分析。具體方法流程如圖1所示。

圖1 基于BOVW和SVM結(jié)合方法的流程示意圖Fig. 1 Flow diagram based on the combination method based on BOVW and SVM

1.1 BOVW模型

利用BOVW表示遙感影像分為以下幾個(gè)步驟:遙感影像的特征提取;對(duì)提取到的特征點(diǎn)進(jìn)行聚類,并將得到的聚類中心作為視覺(jué)單詞構(gòu)建視覺(jué)詞典;通過(guò)視覺(jué)詞典量化遙感圖像特征從而表示每張遙感影像,便于后續(xù)分類和變化監(jiān)測(cè)工作。

1.1.1 SIFT特征提取

采用尺度不變特征變換算法(scale-invariant feature transform, SIFT)提取Landsat遙感影像局部特征。SIFT算法穩(wěn)定性好、包含信息多,這種描述方法不僅包括關(guān)鍵點(diǎn)的坐標(biāo)、尺度和方向信息,還包括其鄰域內(nèi)具有貢獻(xiàn)的鄰域點(diǎn)[15-16]。有以下3個(gè)步驟。

1)尺度空間的生成。目的是通過(guò)高斯卷積核實(shí)現(xiàn)尺度變換,模擬圖像數(shù)據(jù)的多尺度特征,將一幅二維圖像的尺度空間定義為:

L(x,y,δ)=G(x,y,δ)×I(x,y);

(1)

(2)

其中:L(x,y,δ)是圖像中某一尺度的空間函數(shù),G(x,y,δ)是尺度可變的高斯函數(shù),I(x,y)為原輸入圖像,(x,y)是空間坐標(biāo),δ是尺度坐標(biāo)。為了有效地在尺度空間檢測(cè)到穩(wěn)定的關(guān)鍵點(diǎn),利用不同尺度的高斯差分核與圖像卷積生成,提出了高斯差分尺度空間:

D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))×I(x,y)=L(x,y,kδ)-L(x,y,δ)。

(3)

2)監(jiān)測(cè)尺度空間極值點(diǎn)。目的是為了尋找尺度空間的極值點(diǎn)。

3)精確定位極值點(diǎn)。擬合三維二次函數(shù)以明確關(guān)鍵點(diǎn)的位置和尺度,同時(shí)去除低對(duì)比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn),以增強(qiáng)匹配的穩(wěn)定性并提高抗噪聲能力。

首先,構(gòu)建空間尺度函數(shù):

對(duì)檢測(cè)到的極值點(diǎn)X0(x0,y0,δ0)對(duì)做三元二階泰勒展開(kāi)式得到公式(4),空間中每個(gè)點(diǎn)表示為向量X(x,y,δ),則D(X)表示為為向量X的空間尺度函數(shù)。

(4)

(5)

(6)

主曲率要通過(guò)一個(gè)2×2的Hessian矩陣H求出:

其次,為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù),即通過(guò)關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù),使算子具備旋轉(zhuǎn)不變性。

m(x,y)=

θ(x,y)=atan2{L(x,y+1)-L(x,y-1)/[L(x+1,y)-L(x-1,y)]}。

(7)

其中:(x,y)處梯度的模值和方向見(jiàn)公式(7),L的尺度為各個(gè)關(guān)鍵點(diǎn)各自所在的尺度。

第三,生成關(guān)鍵點(diǎn)描述子,即將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向以確保旋轉(zhuǎn)不變性,然后對(duì)每個(gè)關(guān)鍵點(diǎn)產(chǎn)生128個(gè)數(shù)據(jù),即形成128維的SIFT特征向量。

1.1.2 構(gòu)造視覺(jué)詞典

基于SIFT算法得到的特征點(diǎn)高度相似,所以要對(duì)目標(biāo)圖像的特征點(diǎn)及信息進(jìn)行整合。應(yīng)用K-means聚類算法將這些特征點(diǎn)聚類形成K個(gè)簇,整合這K個(gè)聚類中心即特征向量作為視覺(jué)詞典中的單詞(這里K要根據(jù)具體情況選定)。由此形成了視覺(jué)詞典,在視覺(jué)詞典中的每個(gè)單詞都包含128維的SIFT特征。則視覺(jué)詞典(BOVW,式中表示為B)為:

B=(t1,t2,t3,...,ti,...,tk)。

(8)

式中,ti表示視覺(jué)單詞。使用SIFT算法從每幅圖像中提取的特征點(diǎn)都可以用視覺(jué)詞典中的視覺(jué)單詞近似代替。遍歷整幅圖像并通過(guò)矢量量化(vector quantization)對(duì)底層特征進(jìn)行編碼,對(duì)照特征點(diǎn)與視覺(jué)詞典用視覺(jué)單詞表示圖像的底層特征,統(tǒng)計(jì)每個(gè)單詞在圖像中出現(xiàn)的次數(shù)形成對(duì)應(yīng)的特征直方圖。最終,用頻數(shù)計(jì)數(shù)或標(biāo)記SIFT特征的直方圖來(lái)表示每張圖像。每幅圖像P可表示為公式:

P=(f1,f2,f3,...,fi,...,fk)。

(9)

其中,fi為視覺(jué)單詞ti在圖像P中出現(xiàn)的次數(shù)。

1.2 基于BOVW和SVM的遙感影像變化監(jiān)測(cè)模型

通過(guò)BOVW模型獲取遙感圖像的特征向量后,需要構(gòu)建分類器進(jìn)行遙感圖像的分類。傳統(tǒng)的遙感影像分類方法主要有兩種,一種是基于非監(jiān)督的圖像分類方法,另一種是基于監(jiān)督的圖像分類方法。監(jiān)督分類算法在解決分類問(wèn)題中存在許多不足之處,要么僅僅能解決線性問(wèn)題[17],要么雖能解決非線性問(wèn)題,但是計(jì)算復(fù)雜度高[18], 在效率上無(wú)法滿足要求。為此,近年來(lái)多用SVM解決非線性問(wèn)題[19]。本研究使用的SVM分類器模型是一種有監(jiān)督的分類模型,它在解決小樣本、非線性和高位模式問(wèn)題中存在優(yōu)勢(shì)[20]。SVM解決二分類問(wèn)題是通過(guò)求解最大集合間隔的分離超平面,正確劃分訓(xùn)練樣本,從而將訓(xùn)練樣本點(diǎn)有效分開(kāi)。W×x+b=0為分離超平面,SVM基本原理如圖2所示。

圖2 SVM基本原理示意圖Fig. 2 The basic principle diagram of SVM

在上述過(guò)程中,每幅圖像都已表示為用頻數(shù)計(jì)數(shù)或標(biāo)記SIFT特征的直方圖,接下來(lái)設(shè)計(jì)并訓(xùn)練分類器,利用圖像中視覺(jué)單詞的分布情況和直方圖的統(tǒng)計(jì)結(jié)果完成對(duì)圖像的分類。

2 材料與方法

2.1 研究區(qū)概況

哈爾濱(125°42′～130°10′E,44°04′～46°40′N)主城區(qū)包括松北、道里、道外、南崗、平房、香坊6個(gè)地區(qū),周邊包括10個(gè)縣市,主要的土地類型包括城市建筑、水體、植被以及裸地等[21]。

松北區(qū)位于哈爾濱城區(qū)西部,總面積736.8 km2, 屬中溫帶半濕潤(rùn)大陸性季風(fēng)氣候。該區(qū)是哈爾濱市政府的駐地,是哈爾濱市的政治中心。作為大型政區(qū)型開(kāi)發(fā)區(qū)、國(guó)家級(jí)“哈爾濱新區(qū)”核心承載區(qū),松北區(qū)土地類型變化情況明顯。近十幾年來(lái),由于市政府合理控制二環(huán)內(nèi)建筑及土地類型的變化情況,所以松北區(qū)在哈爾濱城市發(fā)展與擴(kuò)張中占比較大并具有一定代表性。因此為了更好地探索模型精度并利用遙感影像研究哈爾濱市土地變化情況,筆者選擇松北區(qū)的地理區(qū)域作為本研究的代表研究區(qū)域,其DEM數(shù)據(jù)如圖3所示。

圖3 研究區(qū)域DEM數(shù)據(jù)及行政位置示意圖Fig. 3 DEM data and administrative location diagram of the study area

2.2 數(shù)據(jù)集及預(yù)處理

數(shù)據(jù)來(lái)源有兩種:一種選自NWPU-RESISC45 標(biāo)準(zhǔn)數(shù)據(jù)集,用于訓(xùn)練驗(yàn)證本研究模型;另一種是Landsat 8遙感影像數(shù)據(jù),用于研究哈爾濱市城區(qū)土地類型變化情況。NWPU-RESISC45 標(biāo)準(zhǔn)數(shù)據(jù)集包含了45 個(gè)場(chǎng)景類別的31 500張圖像,其像素大小為256×256,分辨率為0.2～30 m/像素。實(shí)驗(yàn)選用了分辨率接近Landsat 8遙感影像的分辨率為15～30 m的1 000張圖像,包含城市建筑及道路、植被、水體、裸地4種土地類型,按7∶3的比例分為訓(xùn)練集和測(cè)試集。為避免獲取時(shí)間季節(jié)與位置不同帶來(lái)的誤差,選用了Landsat 8 的遙感影像,拍攝獲取時(shí)間分別為2013年9月30日與2019年9月15日,條帶號(hào)為118,行編號(hào)為28,寬度和高度為1 292×1 391像素,地物的覆蓋類別光譜信息一致,云層覆蓋小于0.5。

首先對(duì)兩個(gè)時(shí)相的Landsat 8影像進(jìn)行前期預(yù)處理,使用GCS_WGS_1984坐標(biāo)投影完成配準(zhǔn),有效避免了由位置、傳感器、分辨率不同以及云層遮擋等因素帶來(lái)的干擾和不必要的誤差。對(duì)融合432波段的多光譜遙感影像進(jìn)行輻射定標(biāo),然后做FLASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大氣校正處理,消除了輻射誤差反演地物真實(shí)的表面反射率。同時(shí),對(duì)原始影像的全色波段進(jìn)行輻射定標(biāo)處理,統(tǒng)一轉(zhuǎn)換為絕對(duì)的輻射亮度。最后融合處理后的全色波段與多光譜影像完成前期處理,得到分辨率為15～30 m的多光譜遙感影像。主要流程如圖4所示。

圖4 Landsat遙感影像預(yù)處理主要流程Fig. 4 The main process of Landsat remote sensing image preprocessing

裁剪預(yù)處理后的遙感影像,得到以哈爾濱市松北區(qū)為主的兩時(shí)相遙感影像,如圖5所示,其中紅色封閉區(qū)域部分為實(shí)驗(yàn)研究區(qū)域。

圖5 哈爾濱市松北區(qū)Landsat遙感影像Fig. 5 Landsat remote sensing images of Songbei District,Harbin City

實(shí)驗(yàn)環(huán)境為Windows 10操作系統(tǒng),CPU為Inter Core i7-6700U,RAM為4 GB。應(yīng)用Anaconda 3,Tensorflow框架下的Pycharm集成環(huán)境,開(kāi)發(fā)語(yǔ)言為Python。

3 結(jié)果與分析

應(yīng)用分類后變化監(jiān)測(cè),將經(jīng)過(guò)配準(zhǔn)的兩時(shí)相遙感影像進(jìn)行分類,然后比較分類結(jié)果得到變化情況,獲取研究區(qū)域變化前后的土地覆蓋類型、界限以及變化趨勢(shì)等空間分布情況及其變化的定性、定量信息。

3.1 土地利用分類結(jié)果

遙感影像的光譜波段少,類間差異低。在遙感影像中加入紋理特征信息能夠有效增加分類依據(jù),提高分類效果[22]。紋理特征信息較為豐富,在灰度模式下可以反映出不同的空間分布特征信息,根據(jù)紋理特征對(duì)高分影像進(jìn)行地物分類能夠顯著提高分類精度[23]。本研究在遙感影像中加入了紋理特征信息,利用彩色的灰度共生矩陣(color gray level cooccurrence matrix, CGLCM)提取圖像的紋理信息,將其與原圖像結(jié)合生成高分辨率多光譜圖像作為本研究模型的輸入圖像。

3.1.1 SIFT特征點(diǎn)提取結(jié)果

首先結(jié)合紋理信息提取訓(xùn)練和測(cè)試集影像的SIFT特征點(diǎn),即每張圖像都用適當(dāng)?shù)奶卣鞅硎?構(gòu)造一個(gè)返回N×d維特征的函數(shù),其中N是傳遞給函數(shù)的路徑數(shù),d是每個(gè)圖像表示的維度。加入紋理信息,提取預(yù)處理后圖像的SIFT特征,監(jiān)測(cè)到包含位置、自身尺度和方向3個(gè)信息的所有關(guān)鍵點(diǎn),對(duì)每個(gè)關(guān)鍵點(diǎn)產(chǎn)生128個(gè)數(shù)據(jù)信息,形成了128維的SIFT特征向量(圖6)。

圖6 SIFT特征點(diǎn)提取遙感影像的效果圖Fig. 6 SIFT feature points extraction of remote sensing images

3.1.2 模型分類結(jié)果及精度比較

1)通過(guò)提取訓(xùn)練集數(shù)據(jù)的SIFT特征,構(gòu)建合適的視覺(jué)詞典,然后經(jīng)過(guò)SVM分類器對(duì)每個(gè)測(cè)試圖像進(jìn)行分類,返回一個(gè)M×1的字符串?dāng)?shù)組,其中M是測(cè)試用例的數(shù)量,每個(gè)條目表示1個(gè)測(cè)試圖像的預(yù)測(cè)類別。視覺(jué)詞典構(gòu)建完成后將測(cè)試圖像輸入BOVW進(jìn)行測(cè)試訓(xùn)練,分別選用不同尺寸的視覺(jué)詞典。最后得到BOVW模型可以進(jìn)行快速、有效的分類,視覺(jué)詞典尺寸為550個(gè)詞匯時(shí),精確度最優(yōu),準(zhǔn)確率達(dá)到79.40%。

2)對(duì)研究區(qū)影像進(jìn)行分類。將1 392×1 292的研究區(qū)影像裁剪為64×64的380張小圖像并記錄其坐標(biāo)位置信息,批處理輸入BOVW模型進(jìn)行分類訓(xùn)練。為驗(yàn)證視覺(jué)詞典尺寸對(duì)圖像分類性能的影響,采用交叉驗(yàn)證的方法考察詞典尺寸對(duì)2 m、15 m兩種不同尺度遙感影像分類準(zhǔn)確率的影響。結(jié)果表明,分辨率較高的影像分類效果相對(duì)更好,詞典的尺寸并不是越大越好。不同的數(shù)據(jù)集適合的詞典尺寸不同,合適的詞典尺寸可以簡(jiǎn)化系統(tǒng)及更好地保存圖像重要信息,而不合適的詞典尺寸往往會(huì)降低分類準(zhǔn)確度。本次實(shí)驗(yàn)結(jié)果表明,分辨率為2、15 m的遙感影像分類精確度最高時(shí)的詞典尺寸分別為450和550個(gè)視覺(jué)詞匯(圖7)。

圖7 視覺(jué)詞典的尺寸規(guī)模對(duì)圖像分類性能的影響Fig. 7 Influences of the size of visual dictionary on image classification performances

3)為驗(yàn)證模型性能,進(jìn)行了兩組不同遙感分類模型的對(duì)比實(shí)驗(yàn)。第1組,采用KNN(K-nearest neighbor classification)、支持向量機(jī)(SVM)、樸素貝葉斯、隨機(jī)森林和邏輯回歸分類等單一分類算法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類。第2組,采用“特征提取+分類器”算法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類,特征提取方法有能夠在最小尺度空間表示原始圖像的微型圖像(tiny images)[24]特征和SIFT特征提取法,分類算法有最近鄰(nearest neighbor)和支持向量機(jī)(SVM)分類法。使用單一分類算法和“特征提取+分類器”算法的實(shí)驗(yàn)結(jié)果分別如表1所示。

表1 不同單一分類算法和遙感影像分類準(zhǔn)確率比較

采用混淆矩陣表現(xiàn)微型圖像和SIFT特征提取方法與最近鄰和支持向量機(jī)(SVM)分類器組合的分類效果,結(jié)果見(jiàn)圖8。其橫縱軸分別表示4種土地類型的真實(shí)類別和預(yù)測(cè)類別,明亮色塊越靠近對(duì)角線所在位置的表明分類效果越好。由圖8可看出“BOVW+SVM分類”即本研究模型分類準(zhǔn)確率相對(duì)較高,效果較好。

圖8 對(duì)比實(shí)驗(yàn)混淆矩陣Fig. 8 Confusion matrixes of contrast experiment

3.2 土地利用分類后變化監(jiān)測(cè)結(jié)果

利用差值法對(duì)影像進(jìn)行變化監(jiān)測(cè),結(jié)果如圖9所示。紅色部分為正值變化,藍(lán)色部分為負(fù)值變化,白色部分為偽變化區(qū)域。由圖9可以看出,差值法處理圖像存在噪聲點(diǎn)多、變化區(qū)域分布細(xì)碎、變化類別不清晰以及變化區(qū)域面積不明確等問(wèn)題。

圖9 研究區(qū)遙感影像差值法變化監(jiān)測(cè)效果與遙感影像分類結(jié)果及變化監(jiān)測(cè)結(jié)果圖Fig. 9 Change monitoring effects of remote sensing image difference method, remote sensing image classification results and change monitoring results in the study area

針對(duì)上述情況,對(duì)利用BOVW模型分類后的遙感影像進(jìn)行過(guò)濾、平滑類邊界、移除小孤立區(qū)域等處理后,結(jié)果如圖9B所示。其中各個(gè)土地覆蓋類型中,城市區(qū)包括建筑物和道路,植被包括森林、綠地、耕地和樹(shù)木,水體包括河流、湖泊和濕地,裸地包括裸土和未利用地。

將經(jīng)過(guò)配準(zhǔn)的兩時(shí)相遙感影像進(jìn)行分類,比較分類結(jié)果得到變化信息,采用隨機(jī)分層抽樣方法評(píng)價(jià)變化監(jiān)測(cè)結(jié)果。除去位于類別邊緣無(wú)法準(zhǔn)確判別其所屬類別的采樣點(diǎn),選取了1 000個(gè)檢驗(yàn)樣點(diǎn),最終得到研究區(qū)分類結(jié)果總體精度為79.29%。對(duì)照2013年與2019年哈爾濱市松北區(qū)分類后的遙感影像,選取對(duì)應(yīng)位置類別有變化的區(qū)域,按其位置信息進(jìn)行重新組合,最后確定研究區(qū)域兩時(shí)相影像的土地類型變化情況,得出2013年9月至2019年9月研究區(qū)土地類型的變化結(jié)果(圖9C)。

根據(jù)分類結(jié)果可得研究區(qū)定量面積變化情況如表2所示,其中有下劃線數(shù)據(jù)表示土地類型未發(fā)生變化的面積。分析發(fā)現(xiàn),位于哈爾濱市西北部的松北區(qū)及其城市周邊區(qū)域,2013—2019年各種土地類型變化較明顯,城市建筑及道路與水體覆蓋區(qū)域變化最大。對(duì)照近年來(lái)哈爾濱市政府推出環(huán)境保護(hù)多個(gè)五年規(guī)劃,以及在總體規(guī)劃中指出要合理控制城市規(guī)模的相關(guān)政策[25],本研究結(jié)果顯示,松北城區(qū)范圍內(nèi)城市建筑及道路與植被類型的覆蓋面積減少,水體與裸地類型的覆蓋面積增加,其中城市建筑及道路和植被的變化率約為52.02%、10.28%,水體與裸地的變化率約為85.33%、37.27%。這主要是由于松北區(qū)為“哈爾濱新區(qū)”的核心承載區(qū),大力開(kāi)展了城區(qū)各類建設(shè)發(fā)展,區(qū)域開(kāi)發(fā)力度大。

表2 哈爾濱市松北區(qū)2013—2019年土地覆蓋類型面積變化結(jié)果

由《哈爾濱統(tǒng)計(jì)年鑒》[26]可知,哈爾濱市2013—2019年城市建筑及道路與植被類型的覆蓋面積有所減少,分別減少了21 728、1 933 700 hm2,水體體積與裸地覆蓋面積有所增加,分別增加了127.76 m3、194.37 hm2,其中城市建筑及道路和植被的變化率約為48.83%、19.06%,水體與裸地的變化率約為97.82%、38.39%,與本研究4種土地類型變化趨勢(shì)相同、變化率相近。

4 結(jié) 語(yǔ)

隨著土地類型變更對(duì)城市發(fā)展、人類生活以及生態(tài)環(huán)境的諸多影響,土地類型變化監(jiān)測(cè)技術(shù)成為了解城市化進(jìn)程的重要手段。本研究以哈爾濱市松北區(qū)作為研究區(qū)域,從建筑、植被、水體和裸地4種土地類型入手研究城區(qū)土地類型變化情況。研究發(fā)現(xiàn),松北區(qū)城市建筑及道路和植被面積減少、水體與裸地面積(體積)增加,其中建筑及道路和水體變化幅度最大、最明顯,這與官方統(tǒng)計(jì)數(shù)據(jù)中的變化趨勢(shì)基本吻合,可為未來(lái)城市建設(shè)、發(fā)展和政府規(guī)劃決策提供依據(jù)。應(yīng)用BOVW和SVM的變化監(jiān)測(cè)方法進(jìn)行哈爾濱城區(qū)土地類型變化監(jiān)測(cè)結(jié)果表明,在處理分辨率不高、時(shí)間跨度長(zhǎng)的Landsat遙感影像時(shí),本研究模型能夠考慮場(chǎng)景語(yǔ)義信息并有效辨別土地類型的變化情況,且效果良好。