基于高分二號(hào)衛(wèi)星的土地利用監(jiān)測(cè)應(yīng)用研究

劉斌 任俊儒 韓健 董加旺

（華北地質(zhì)勘查局五一四地質(zhì)大隊(duì)，河北承德 067000）

土地資源是自然資源管理和規(guī)劃的重要組成部分[1]，了解土地資源及利用情況對(duì)人類生產(chǎn)活動(dòng)具有重要意義[2]。隨著生產(chǎn)生活不斷發(fā)展，及時(shí)掌握環(huán)境變化及土地利用分布，利用信息化提升國(guó)家治理體系和治理能力現(xiàn)代化，是踐行自然資源部發(fā)布《自然資源部信息化建設(shè)總體方案》的具體體現(xiàn)[3]。當(dāng)前，隨著經(jīng)濟(jì)建設(shè)及社會(huì)各項(xiàng)事業(yè)的快速發(fā)展，城市化、工業(yè)化的快速發(fā)展，使得土地利用變化加快[4]。及時(shí)掌握土地利用情況，是實(shí)現(xiàn)土地資源規(guī)劃的重要基礎(chǔ)，對(duì)指導(dǎo)自然資源管理與保護(hù)、土地資源的合理利用、可持續(xù)發(fā)展和提高土地資源管理的現(xiàn)代化水平有著重要的現(xiàn)實(shí)意義[5-6]。承德市建設(shè)國(guó)家可持續(xù)發(fā)展議程創(chuàng)新示范區(qū)需要掌握及時(shí)、準(zhǔn)確的土地利用情況，服務(wù)承德創(chuàng)新發(fā)展、綠色發(fā)展、高質(zhì)量發(fā)展。

1 前言

傳統(tǒng)的土地分類信息采取實(shí)地測(cè)量與統(tǒng)計(jì)相結(jié)合的方法，效率低下，數(shù)據(jù)的更新能力較差[7-8]。不同的土地類型、自然背景中的建筑、植被和道路，可以通過它們的反射率來區(qū)分。遙感具備周期性、宏觀性優(yōu)勢(shì)，可用于土地利用分類[9-10]。本研究基于高分辨率陸地衛(wèi)星圖像數(shù)據(jù)，獲取土地利用情況并進(jìn)行進(jìn)度評(píng)價(jià)，可為區(qū)域土地利用變化調(diào)查提供參考。

2 研究區(qū)概況及預(yù)處理

2.1 研究區(qū)概況

研究區(qū)域位于承德市高新區(qū)，地處承德市主城區(qū)南部，1992 年6 月，經(jīng)省政府批準(zhǔn)成立，初始規(guī)劃面積6.2 平方公里。2012 年8 月，經(jīng)國(guó)務(wù)院批準(zhǔn)，升級(jí)為國(guó)家級(jí)高新區(qū)。規(guī)劃建設(shè)用地面積55 平方公里，建成區(qū)面積15 平方公里。承德市高新區(qū)交通便利，連接京承、承唐、承朝、承秦、承赤高速公路，京沈高鐵承德南站位于高新核心區(qū)[11]。本研究基于高分二號(hào)衛(wèi)星影像數(shù)據(jù)對(duì)承德市高新區(qū)土地利用情況進(jìn)行分析、統(tǒng)計(jì)。2014年8月19日，高分二號(hào)影像衛(wèi)星（GF-2）成功發(fā)射，空間分辨率可達(dá)0.8 米，標(biāo)志著我國(guó)遙感衛(wèi)星進(jìn)入了亞米級(jí)“高分時(shí)代”[12]。

2.2 遙感數(shù)據(jù)及預(yù)處理

選用覆蓋研究區(qū)2021年8月29日與2022年4月23 日GF-2 影像共兩景，質(zhì)量良好，無云。GF-2 多光譜影像主要參數(shù)如表1所示。經(jīng)過輻射定標(biāo)、大氣校正、正射融合和裁剪等處理，得到待分類影像。

表1 GF-2傳感器主要參數(shù)

2.3 樣本點(diǎn)選取

在大量實(shí)地調(diào)查基礎(chǔ)上，并參考同時(shí)期Google Earth 影像，利用ArcGIS 10.7 在GF-2 影像上選擇和生成樣本。考慮到樣本均衡性，樣本數(shù)量按照各類型地物所占比例進(jìn)行設(shè)置，由于建筑的混淆程度較大，適當(dāng)增加了其樣本數(shù)。最終2021 年8 月29 日影像共選擇了8870 個(gè)像元作為樣本數(shù)據(jù)（裸地1390個(gè)、建筑3100 個(gè)、植被1505 個(gè)、道路1410 個(gè)、水體1465 個(gè)），2022 年4 月23 日影像共選擇了10958 個(gè)像元作為樣本數(shù)據(jù)（裸地2112 個(gè)、建筑3197 個(gè)、植被1880個(gè)、道路1804個(gè)、水體1965個(gè)）。

3 研究過程

3.1 分類特征構(gòu)建

對(duì)影像完成各項(xiàng)預(yù)處理后，首先構(gòu)建分類特征，包括歸一化水體指數(shù)技術(shù)、歸一化差異植被指數(shù)計(jì)算，灰度共生矩陣計(jì)算等，得到分類所用的各類特征集；然后分別利用最大似然法（Maximum likelihood classification，MLC）、支持向量機(jī)（Support Vector Machine，SVM）和隨機(jī)森林（Random Forest）方法進(jìn)行分類，比較不同方法對(duì)不同時(shí)期影像的分類效果；最后利用實(shí)測(cè)數(shù)據(jù)、原始影像和分類后影像比較研究區(qū)土地覆蓋類型變化情況。圖1 為研究思路的具體技術(shù)流程。

圖1 技術(shù)流程

3.2 分類特征構(gòu)建

本文選取了光譜信息、遙感指數(shù)和紋理特征等共14 個(gè)變量。光譜特征為GF-2 影像輸出的4 個(gè)波段，基于波段運(yùn)算得到歸一化水體指數(shù)和歸一化差異植被指數(shù)。

研究表明紋理信息可以在一定程度上提高分類精度。在ENVI5.3 中，選用3×3 窗口，利用灰度共生矩陣（Grey Level Co-occurrence Matrix，GLCM）計(jì)算影像的8 種紋理特征（均值、方差、對(duì)比度、熵、相關(guān)性、差異性、同質(zhì)性和二階矩），得到4 個(gè)波段的32 個(gè)紋理特征變量。由于這些紋理特征變量間存在較高的相關(guān)性，利用主成分（PCA）分析進(jìn)行降維，最終選擇前8個(gè)主成分（PCA1-PCA8）作為紋理特征變量。

城市自然系統(tǒng)是以建筑為主體，同時(shí)兼具植被、水體和土壤特征的復(fù)雜環(huán)境。本文依據(jù)城市地區(qū)的土地覆蓋類型分布特點(diǎn)，構(gòu)建了光譜、遙感指數(shù)和紋理特征共3種類型的分類特征。各特征變量的名稱、計(jì)算方式和描述如表2所示。

表2 分類特征變量

3.3 分類方法

1）最大似然法分類。最大似然法是一種監(jiān)督分類算法，在分類過程中，用統(tǒng)計(jì)方法根據(jù)最大似然比貝葉斯判決準(zhǔn)則法建立非線性判別函數(shù)集，假定各類分布函數(shù)為正態(tài)分布，并選擇訓(xùn)練區(qū)，計(jì)算各待分類樣區(qū)的歸屬概率，而進(jìn)行分類的一種遙感圖像分類方法[13]。

2）支持向量機(jī)分類。支持向量機(jī)是一種二分類模型，它的基本模型是利用定義在特征空間上的間隔最大的線性分類器，其實(shí)現(xiàn)的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且最大間隔的超平面[14]。

3）隨機(jī)森林分類。隨機(jī)森林算法是利用多顆分類與回歸樹（Classification and regression tree，CART）構(gòu)成的非參數(shù)機(jī)器學(xué)習(xí)算法。該算法具有優(yōu)良的抗過擬合特性，并能夠高效計(jì)算大量數(shù)據(jù)集，處理數(shù)千個(gè)變量。具有較高的準(zhǔn)確率，可評(píng)估各個(gè)特征在分類問題上的重要性[15]。

4 結(jié)果與分析

4.1 土地利用類型特征分析

4.1.1 光譜特征

通過對(duì)研究區(qū)內(nèi)獲取的樣本進(jìn)行藍(lán)、綠、紅和近紅外4 個(gè)波段進(jìn)行均值和方差分析得到其光譜曲線（圖2和圖3，左縱坐標(biāo)軸為2022年4月23號(hào)影像，右縱坐標(biāo)軸為2021年8月29日影像）。

圖2 光譜均值

圖3 光譜均值

由圖2 和圖3 可知建筑和植被、水體在紅、綠、藍(lán)三個(gè)波段的光譜均值和方差差異性較大，植被在近紅外波段有明顯的紅邊現(xiàn)象，為分離出植被與其余4類提供了強(qiáng)有力的特征。建筑的方差明顯高于其余類，裸地與建筑、道路之間光譜趨勢(shì)區(qū)域一致，通過對(duì)光譜差異性的分析，利用方差可將地物分為建筑類和非建筑類。

4.1.2 遙感指數(shù)與紋理特征

歸一化差異植被指數(shù)（NDVI）能夠最大程度突出植被信息，抑制其他信息，可以區(qū)分植被與水體、建筑、裸地和道路。歸一化水體指數(shù)（NDWI）能夠抑制植被，凸顯水體，可以用于區(qū)分水體與植被的邊界區(qū)域。

對(duì)樣本的紋理特征進(jìn)行分析，將獲取的前8個(gè)主成分進(jìn)行均值和方差分析得到主成分曲線（圖4，圖5）。由圖4、圖5 可知PCA1～PCA8 能夠?yàn)榉诸愄峁┎煌潭鹊牟町愋裕判蚩壳暗募y理特征的差異性較大，排序靠后的紋理特征差異性較小，原因可能是經(jīng)過主成分分析之后，排序靠后的紋理特征分量包含較少的原始信息。

圖4 PCA均值

圖5 PCA方差

4.2 不同分類結(jié)果評(píng)價(jià)

利用4.1 中分析的變量特征建立分類特征庫(kù)，利用最大似然法（MLC）、SVM 和RF 三種方法分別對(duì)2022 年4 月23 日和2021 年8 月29 日兩景影像進(jìn)行分類，利用生產(chǎn)者精度（PA）、用戶精度（UA）、總體精度和kappa系數(shù)進(jìn)行精度評(píng)價(jià)，結(jié)果見表3。

由表3 可知，相同特征下的3 類分類方法中，RF分類結(jié)果精度最高，2022年4月23日影像OA和Kappa 系數(shù)分別為93%和0.911，比MLC 和SVM 方法分別高出1.87、3.22 個(gè)百分點(diǎn)和0.0243、0.0406；2021 年8 月29 日影像OA 和Kappa 分別為87.76%和0.8429，比MLC 和SVM 方法分別高出1.88、6.02 個(gè)百分點(diǎn)和0.0201、0.0757。說明RF 方法比MLC 和SVM 方法更能有效的提取城市土地覆蓋類型信息，具有很好的適用性。

通過直觀的目視解譯并對(duì)比原始影像可發(fā)現(xiàn)，RF方法分類制圖結(jié)果整體效果較好（圖6）。圖6中，a、c 分別為2022 年4 月23 日和2021 年8 月29 日原始遙感影像，b、d 分別為RF 分類結(jié)果。由圖6 可知研究區(qū)內(nèi)河流湖泊、道路和城市建筑分布連續(xù)；裸地、植被的提取較為完整。

4.3 重點(diǎn)變化區(qū)域比較

利用4.2 中不同時(shí)期RF 分類結(jié)果同時(shí)結(jié)合原始影像目視解譯，比較城市發(fā)展過程中土地利用變化情況，主要是新增建筑、拆毀建筑和水體面積變化較大的區(qū)域（圖7）。

圖7

由圖7 可知，水體面積變寬、新增方艙醫(yī)院和拆毀重新規(guī)劃建筑能夠利用不同時(shí)期的分類圖像很好的識(shí)別出來，地面土地覆蓋類型發(fā)生變化區(qū)域的提取相對(duì)完整，分布連續(xù)。

5 結(jié)論

通過研究主要有以下結(jié)論：

（1）針對(duì)城市地區(qū)土地覆蓋類型分類問題，使用建立的分類特征比較了MLC、SVM 和RF 等分類方法的性能，結(jié)果表明：RF方法優(yōu)于MLC和SVM方法，是適合城市地區(qū)比較合適的分類方法。

（2）建立一種結(jié)合GF-2 影像光譜信息、紋理特征和遙感指數(shù)的RF 分類方法，實(shí)現(xiàn)了對(duì)城市地區(qū)土地覆蓋信息的分類，OA 達(dá)到了91.13%，Kappa 系數(shù)為0.8867。

（3）比較了不同時(shí)期分類結(jié)果對(duì)城市水體、新增建筑和拆毀建筑的提取能力，RF 方法能夠有效提取城市用地的變化情況，提取結(jié)果相對(duì)完整。

利用高分二號(hào)衛(wèi)星進(jìn)行承德市土地利用監(jiān)測(cè)應(yīng)用研究表明，高分二號(hào)衛(wèi)星對(duì)于監(jiān)測(cè)城市發(fā)展、城市用地變更等方面具有良好作用，可為城市監(jiān)測(cè)提供數(shù)據(jù)支撐、技術(shù)支持。