基于IR-MAD算法的GF-1影像土地利用變化檢測研究

董艷琴 任金銅 張濤

摘要：變化檢測是遙感應(yīng)用領(lǐng)域的研究熱點之一，為探究高分一號（GF-1）PMS影像在土地利用變化檢測中的適用性和有效性，文章以畢節(jié)市金海湖新區(qū)辦事處為研究區(qū)，選取2017、2019兩期GF-1 PMS影像為數(shù)據(jù)源，對比直接分析比較法中的迭代加權(quán)多元變化檢測（IR-MAD）和基于隨機(jī)森林（Random Forest，RF）分類后比較法的檢測效果。結(jié)果表明：IR-MAD算法檢測效果良好，可以有效地區(qū)分不變區(qū)域與變化區(qū)域，總體精度和Kappa系數(shù)較高，過程不依賴于訓(xùn)練樣本的多少，總體精度達(dá)到90.78%，Kappa系數(shù)為0.86，而隨機(jī)森林分類算法精度相對較低，檢測效果欠佳，總體精度為89.32%，Kappa系數(shù)為0.80。因此，IR-MAD算法更適用于小尺度的土地利用變化檢測。

關(guān)鍵詞：GF-1；IR-MAD；隨機(jī)森林；變化檢測

中圖分類號：K90? 文獻(xiàn)標(biāo)志碼：A

0 引言

遙感變化檢測是利用不同時期遙感影像，分析地表覆蓋的時空變化特征及過程［1］?；谶b感影像的變化檢測方法中，直接分析比較法和分類后比較法應(yīng)用較廣［2］。其中，直接分析比較法依賴于原始影像的圖像質(zhì)量，是對不同時相的影像直接進(jìn)修對比分析；分類后比較法是以相同分類標(biāo)準(zhǔn)對影像先行分類，然后對比分類的結(jié)果［3］。傳統(tǒng)的直接分析比較法有簡單圖像相減法［4］、主分量分析法［5］等，這些方法計算簡單、速度快，但受影像噪聲、波段間相關(guān)性影響較大。為降低噪聲、抑制影像波段間相關(guān)性，Nielsen等［6］提出了多元變化檢測（Multivariate Alteration Detection，MAD）算法。但研究表明，MAD算法對變化部分所占比例相對較小區(qū)域提取效果不佳。為提高變化檢測精度，Nielsen在MAD方法的基礎(chǔ)上引入最大期望值（Expectation Maximization，EM）算法，改進(jìn)得到迭代加權(quán)多元變化檢測（Iterative Re-weighted Multivariate Alteration Detection，IR-MAD）算法，IR-MAD算法已成為較為有效的變化檢測方法之一［7-9］。隨著機(jī)器學(xué)習(xí)等研究的深入，隨機(jī)森林（Random Forest，RF）、支持向量機(jī)（Support Vector Machine，SVM）等算法在土地覆蓋信息提取中越來越受到重視，RF算法在進(jìn)行目標(biāo)檢測中取得了較好的效果［10］；任沖等［11］利用RF和參數(shù)優(yōu)化SVM對研究區(qū)土地類型進(jìn)行分類并對森林資源變化進(jìn)行分析；Tang等［12］利用SVM算法對基于遙感的土地覆蓋及變化進(jìn)行了檢測。

為探究高分一號（GF-1）PMS影像在土地利用變化檢測中的適用性和有效性，本研究利用IR-MAD和基于隨機(jī)森林的分類后比較法進(jìn)行對比，探究IR-MAD算法在GF-1 PMS影像的應(yīng)用效果。

1 研究區(qū)概況

金海湖新區(qū)地處川滇黔三省的結(jié)合部的畢節(jié)市，位于貴州西北部，平均海拔1 458 m，是畢節(jié)“一城三區(qū)”同城化建設(shè)的核心板塊。目前新區(qū)的公路、鐵路、航空等交通布局日趨完善，是貴州第二大交通樞紐和現(xiàn)代物流中心［13］。金海湖辦事處位于畢節(jié)金海湖新區(qū)南部，年均溫度13.2 ℃，國土面積42.5 km2。

2 研究方法

本研究利用2017和2019年兩期GF-1 PMS影像數(shù)據(jù)，利用ENVI 5.3軟件對GF-1 PMS影像進(jìn)行預(yù)處理之后，利用IR-MAD直接比較分析法和RF分類后比較法進(jìn)行對比實驗，最后通過轉(zhuǎn)移矩陣進(jìn)行土地覆蓋變化檢測。

2.1 IR-MAD直接比較分析法

2.1.1 IR-MAD 算法

IR-MAD算法是Morton Canty和Allan Nielsen［14］加入EM算法改進(jìn)MAD 算法 ［18］得出。該算法假設(shè)遙感影像像元的初始權(quán)重都為1，每次迭代賦予像元新的權(quán)重。設(shè)MAD算法求后的各分量MADi中的每一個像元值為Z（a，b），則該像元值為：

Z（a，b）=∑i=1DNiσMADi2a=1，2，3…mb=1，2，3…n（1）

其中：DNi代表第i個MAD分量上第a行、第b列的像元灰度值，σMADi代表各個MAD分量的方差［15］。

2.1.2 最大類間方差法閾值選取

OTSU方法假設(shè)影像變化與未發(fā)生變化分割閾值為t，發(fā)生變化像元個數(shù)占影像總像元的比例為v1，平均灰度值為u1；未發(fā)生變化像元占影像總像元的比例為v2，平均灰度值為u2 ［16］；則整幅影像的平均灰度值為：

u=v1×v2+v2×u2（2）

發(fā)生變化和未發(fā)生變化方差為：

w=v1×（u1-u）2+v2×（u2-u）2（3）

當(dāng)方差w最大時，分割閾值t為最佳閾值。

2.2 隨機(jī)森林

隨機(jī)森林算法利用boot-strap重抽樣方法從訓(xùn)練樣本中抽取樣本，對每個樣boot-strap樣本生成決策樹［17］，采用基尼系數(shù)（GiniIndex）選擇最佳預(yù)測變量，GiniIndex定義為：

GiniIndex=1-∑Kj=1p2（j/h）（4）

其中：p（j/h）是從訓(xùn)練樣本中隨機(jī)選取一個樣本變量值h屬于樣本類別j的概率，K為所分類的類別個數(shù)。

3 結(jié)果與分析

3.1 IR-MAD直接比較分析法變化檢測結(jié)果

遵循IR-MAD算法的迭代原理，并結(jié)合研究區(qū)實際情況進(jìn)行多次實驗，設(shè)定迭代次數(shù)為15，30，50次，收斂閾值設(shè)置為0.001。統(tǒng)計不同迭代次數(shù)的差異影像圖的最小值、最大值、均值、標(biāo)準(zhǔn)差，統(tǒng)計結(jié)果如表1所示。

通過統(tǒng)計不同迭代次數(shù)差異像元值可知，迭代15次時其變化收斂閾值還未到達(dá)預(yù)先設(shè)定的閾值，而迭代30次和迭代50次的效果一致。本研究對迭代30次的差異影像，采用OTSU算法對其進(jìn)行閾值分割來提取變化區(qū)域。最終得到研究區(qū)土地利用變化檢測結(jié)果如圖1所示。

3.2 隨機(jī)森林分類后比較法變化檢測結(jié)果

本研究根據(jù)遙感影像特征，并結(jié)合研究區(qū)實際，將研究區(qū)地類分為耕地、林地、草地、水域、建設(shè)用地、水域、裸地6類。使用EnMAP-Box中的RF分類方法對兩期遙感影像進(jìn)行分類，得出兩期土地利用分類結(jié)果（見圖2）。

3.3 變化檢測精度評價

為驗證變化檢測結(jié)果，利用Google Earth歷史高分影像，通過目視解譯獲取驗證樣本，構(gòu)建混淆矩陣進(jìn)行精度驗證（見表2）。由表2可知，IR-MAD變化檢測法效果較好，總體精度為90.78%，Kappa系數(shù)為0.86，而RF分類后比較法相對較差一些，總體精度是89.32%，Kappa系數(shù)為0.80。

3.4 研究區(qū)土地利用變化分析

基于2017、2019年研究區(qū)土地利用信息提取結(jié)果，得到土地利用轉(zhuǎn)移矩陣（見表3）。經(jīng)分析：

（1）2017—2019年，草地轉(zhuǎn)出面積1.25 hm2，依次轉(zhuǎn)給建設(shè)用地、林地、裸地、耕地，相應(yīng)的面積占比依次為55.20%，21.60%，12.80%和9.60%，而草地轉(zhuǎn)入面積為0.98 hm2，主要是耕地轉(zhuǎn)入0.32 hm2和建設(shè)用地轉(zhuǎn)入0.21 hm2。耕地轉(zhuǎn)出面積3.43 hm2，其中40.81%轉(zhuǎn)給建設(shè)用地，38.78%轉(zhuǎn)給林地，9.32%轉(zhuǎn)給草地，2.04%轉(zhuǎn)給裸地；耕地轉(zhuǎn)入面積為3.22 hm2，大部分是由建設(shè)用地和林地轉(zhuǎn)化而來。

（2）草地、耕地的轉(zhuǎn)入面積小于轉(zhuǎn)出面積，說明在2007—2019年，草地和耕地的面積呈現(xiàn)縮減的趨勢；林地的轉(zhuǎn)出面積為6.75 hm2，主要轉(zhuǎn)化成建設(shè)用地，占轉(zhuǎn)出總面積的60%；而建設(shè)用地轉(zhuǎn)入面積遠(yuǎn)大

于轉(zhuǎn)出面積，達(dá)到10.28 hm2，主要來自裸地和林地，少部分來自水域和草地；裸地面積轉(zhuǎn)出6.75 hm2，主要轉(zhuǎn)化為建設(shè)用地；相反，水域轉(zhuǎn)化面積遠(yuǎn)小于其他土地利用類型，說明在該研究時段，水域面積變化不大。

4 結(jié)語

本研究基于GF-1 PMS影像數(shù)據(jù)，利用IR-MAD變化檢測算法，引入OTSU迭代閾值法對其進(jìn)行閾值分割提取研究區(qū)變化與未變化區(qū)域，有效地從未變化的樣本中識別異常值，明顯改善以往研究中出現(xiàn)的“偽變化”現(xiàn)象。

研究結(jié)果表明：（1）采用IR-MAD變化檢測方法可以有效地區(qū)分不變區(qū)域與變化區(qū)域，對降低漏檢率效果較好；而基于隨機(jī)森林分類的分類后比較法對訓(xùn)練樣本的選擇和分類的精度要求較高，需要采集大量的訓(xùn)練樣本，加上缺少地面調(diào)查數(shù)據(jù)，影響了前期影像分類的精度，在實際應(yīng)用中存在一定難度。（2）2017—2019年，研究區(qū)土地利用轉(zhuǎn)變面積變化各不相同，人為活動的需求導(dǎo)致草地、耕地、林地和其他土地利用類型面積減少，建設(shè)用地面積增加。

參考文獻(xiàn)

［1］聶倩，趙艷福.結(jié)合IR-MAD與均值漂移算法的密集城區(qū)遙感影像變化檢測［J］.測繪通報，2020（6）：57-62.

［2］眭海剛，馮文卿，李文卓，等.多時相遙感影像變化檢測方法綜述［J］.武漢大學(xué)學(xué)報（信息科學(xué)版），2018（12）：1885-1898.

［3］陳鑫鏢.遙感影像變化檢測技術(shù)發(fā)展綜述［J］.測繪與空間地理信息，2012（9）：38-41.

［4］范海生，馬藹乃，李京.采用圖像差值法提取土地利用變化信息方法——以攀枝花仁和區(qū)為例［J］.遙感學(xué)報，2001（1）：75-80.

［5］KWARTENG A Y， JR P.Multitemporal and change detection study of Kuwait City and environs using Landsat Thematic Mapper data［EB/OL］.（1996-03-01）［2023-03-21］.chrome-extension：//ibllepbpahcoppkjjllbabhnig cbffpi/https：//www.researchgate.net/profile/Andy-Kw arteng/publication/274715373_Multitemporal_and_change_detection_study_of_Kuwait_City_and_environs_using_Landsat_Thematic_Mapper_data/links/55854ed608aeb0cdaddbf024/Multitemporal-and-chan ge-detection-study-of-Kuwait-City-and-environs-using-Landsat-Thematic-Mapper-data.pdf.

［6］NIELSEN A A，CONRADSEN K，SIMPSON J J.Multivariate alteration detection （MAD） and MAF postprocessing in multispectral， bitemporal image data：new approaches to change detection studies［J］.Remote Sensing of Environment， 1998（1）：1-19.

［7］李莎，倪維平，嚴(yán)衛(wèi)東，等.基于選權(quán)迭代估計與非監(jiān)督分類的多光譜圖像變化檢測［J］.國土資源遙感，2014（4）：34-40.

［8］MARPU P R，GAMBA P，CANTY M J.Improving change detection results of IR-MAD by eliminating strong changes［J］.IEEE Geoscience & Remote Sensing Letters，2011（4）：799-803.

［9］張續(xù)，江濤，胡世明，等.迭代加權(quán)多元變化檢測算法在高分辨率遙感影像變化檢測中應(yīng)用［J］.計算機(jī)應(yīng)用，2019（S1）：177-181.

［10］向濤，李濤，趙雪專，等.基于隨機(jī)森林的精確目標(biāo)檢測方法［J］.計算機(jī)應(yīng)用研究，2016（9）：2837-2840.

［11］任沖，鞠洪波，張懷清，等.天水市近30年林地動態(tài)變化遙感監(jiān)測研究［J］.林業(yè)科學(xué)研究，2017（1）：25-33.

［12］TANG J，HU Y，CHEN X，et al.A method of land use/land cover change detection from remote sensing image based on support vector machines［EB/OL］.（2007-11-10）［2023-03-21］.https：//www.spiedi gitallibrary.org/conference-proceedings-of-spie/6795/1/A-method-of-land-use-land-cover-change-detection-from/10.1117/12.774864.short？SSO=1.

［13］楊金騰，李文勇.畢節(jié)金海湖新區(qū)：推進(jìn)區(qū)域經(jīng)濟(jì)社會均衡發(fā)展［J］.當(dāng)代貴州，2018（38）：46-47.

［14］CANTY M J，NIELSEN A A.Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation［J］. Remote Sensing of Environment，2008（3）：1025-1036.

［15］DEMPSTER A P，LAIRD N M，RUBIN D B.Maximum likelihood from incomplete data via the EM algorithm［J］.Journal of the Royal Statistical Society：Series B （Methodological），1977（1）：1-22.

［16］OTSU N.A threshold selection method from gray-level histograms［J］.IEEE Transactions on Systems Man & Cybernetics，2007（1）：62-66.

［17］BREIMAN L.Random forests［J］.Machlearn，2001（1）：25-32.

（編輯? 王雪芬）

Study on land use change detection of GF-1 image based on IR-MAD algorithm

Dong? Yanqin1， Ren? Jintong1，2*， Zhang? Tao1

（1.Guizhou University of Engineering Science， Bijie? 551700， China;

2.Guizhou Province Key Laboratory of Ecological Protection and Restoration of Typical Plateau Wetlands， Bijie? 551700， China）

Abstract： Transform detection is one of the research hotspots in the field of remote sensing applications. In order to explore the applicability and effectiveness of GF-1 PMS image in land use change detection. Taking the Jinhaihu New Area Office of Bijie City as the research area， and selecting the GF-1 PMS images of 2017 and 2019 as the data source， the test results of the iterative weighted multiple change detection （IR-MAD） in the direct analysis and comparison method and the post-classification comparison method based on the random forest （RF） were compared. The results show that the IR-MAD algorithm has a good detection effect and can effectively distinguish the constant region from the changing region. The overall accuracy and Kappa coefficient are high， and the process does not depend on the number of training samples. The overall accuracy reaches 90.78%， and the Kappa coefficient is 0.86， while the accuracy of the random forest classification algorithm is relatively low， and the detection effect is poor. The overall accuracy is 89.32%， and the Kappa coefficient is 0.80. Therefore， IR-MAD algorithm is more suitable for small-scale land use change detection.

Key words： GF-1; IR-MAD; random forest; change detection