結合高分辨遙感影像和GIS數據的土地利用變化監測

黃 俊，申邵洪

(長江科學院空間信息技術應用研究所，武漢410010)

1 研究背景

高分辨率遙感技術已成為當前遙感領域的熱點問題，已經在城市規劃、資源調查、生態環境監測、自然災害監測和災情評估等領域得到了廣泛應用，同時高分辨率遙感影像也成為了基礎空間數據更新的一個重要數據源，對快速、及時更新GIS空間數據庫具有十分重要的意義。

影像分割和基于GIS專題數據的分析方法，是基于對象的土地利用變化監測中的重要研究內容［1］。采用影像分割為基礎的分析方法，大體是通過影像分割算法獲得不同尺度的圖斑，再以圖斑為基本分析對象，進行土地利用變化監測分析［2，3］，研究結果表明此類型方法取得的成果相對于基于像元的方法而言，通常能夠取得更高的精度和解譯成果。

結合GIS和高分辨率遙感影像的土地利用變化監測方法，是結合特定歷史時期土地利用GIS專題數據和當前高分辨率遙感影像，利用GIS矢量數據，直接切割影像，然后對遙感影像進行分析，研究當前時期土地利用現狀，并自動完成對GIS專題數據的更新［4－6］。

本文利用高分辨率遙感影像和歷史土地利用專題矢量數據，研究了一種全自動土地利用動態監測方法。方法的總體思想為:首先以GIS專題數據中的單個圖斑多邊形為基本分析對象，自動獲取遙感分類的樣本信息;然后對高分辨率遙感影像進行多尺度分割，以分割圖斑為分析對象進行面向對象多分類器模糊決策融合分類;再對遙感分類結果和GIS專題數據進行對比分析，自動判定GIS數據中單個圖斑是否存在土地覆蓋類型的變化，最終實現土地利用信息的自動更新。

2 研究方法

本文研究的結合高分辨率遙感影像和GIS專題數據的土地利用監測方法是一種基于高分辨率遙感影像數據面向對象分類的土地利用動態監測方法，具體實現過程包括樣本自動選取、多尺度影像分割、遙感影像模糊分類、多分類器組合分類、變化百分比計算、變化區域判定、變化圖斑自動檢測等，流程圖如圖1所示。

3 多分類器模糊決策融合

多分類器分類結果模糊決策融合的原理是以各分類器的模糊分類結果為輸入，分別計算各分類器得到分類結果的模糊度，然后根據模糊度大小，進行加權處理得到新的類別隸屬度，再根據各分類器的置性度，對各類別隸屬度賦予全局權重，最后采用最大隸屬度原則獲得所屬類別。

多模糊分類器決策分析的思想就是采用加權相對偏差距離最小法進行m種模糊分類結果的決策分析，實現待識別模式的類別判定。當公式 (2)中各隸屬度為確定值時，令

由上述m×c個相對偏差值δij作為元素構成一個模糊矩陣

利用Delphi法，評定出個影響因素的權重系數wi，即確定出因素重要程度模糊集:

計算uj與u0的加權相對偏差距離，

時，分類器i為最優分類器。確定分類器i為最優分類器后，根據最大隸屬度原則，進行模式x的類別判定。

4 實驗與分析

實驗數據為2005年廣東省珠海市某一區域的QuickBird影像，空間分辨率為0.61 m，包含紅、綠、藍3個波段，區域大小為1 981×1 665像素，圖2(a)為紅、綠、藍波段合成的真彩色影像。實驗影像區域內地類復雜，主要包含坑塘、河流、農田、建筑物、道路、裸地等多類地物。

圖2 實驗區域遙感影像和歷史專題數據Fig.2 Remotely sensed image and GISdata of the experiment area

多尺度分割實驗參數設置為，光譜信息權重0.6，形狀信息權重0.4。QuickBird為高分辨率遙感影像，目視分析可以發現，地類復雜度高，選擇合適尺度的分割結果，是進行面向對象分類研究的一項關鍵性步驟。采用分割尺度為50，100，300，對實驗數據進行分割，局部區域分割結果如圖3所示。通過對不同尺度的分割結果對比分析可以發現，分割尺度為50時，產生的圖斑面積較小，同一塊農田容易被分割為多個不同區域。分割尺度為100時，農田基本上被分割成獨立區域，同時居民地區域的每一棟房屋也能夠被分割到一個獨立單元內。分割尺度為300時，多塊農田被分割到一個區域，同時也出現相鄰的幾棟房屋被分割到一個單元的現象。本文采用面向對象的分析方法，要求每個不同的地物獨立成一個分析單元，因此本實驗中采用尺度為100時的分割結果。

圖3 影像局部區域多尺度分割結果Fig.3 Segmentation results of the experiment image by different scales

將實驗區域地類分為4類，包括:①渠道及水體;②裸地;③建筑用地;④植被。分別采用馬氏距離、支持向量機、神經網絡分類方法進行面向對象高分辨率遙感影像分類。

分析以上3種不同類型分類器所取得的分類結果，不同分類器獲得的總體分類結果大致相同，但是對于易混分區域，所產生的分類結果存在明顯的差異。因此，以3種分類器進行模糊分類為基礎，形成一種組合分類方法，即采用實驗數據的馬氏距離、支持向量機和神經網絡模糊分類獲得的隸屬度圖像為輸入，采用本文研究的多分類器決策融合方法，進行模糊分類結果的融合，最終分類結果如圖4所示。

實驗數據模糊決策融合實驗結果表明，馬氏距離、支持向量機、神經網絡的融合分類，能夠改善總體分類效果，對于部分模式不明顯區域，能夠實現有效的判定。組合分類器將建筑物和陰影判定為水體的現象得到了改善，同時實現了建筑物和裸地的有效判定。

在取得組合分類結果的基礎上，以歷史土地利用專題矢量數據中的圖斑為分析單元，分析每個圖斑內各類別所占有的成分，如果出現大比例與歷史屬性不一致的圖斑，則判定其為變化圖斑。通過實驗分析發現，對于歷史屬性為人工建筑物的區域，其用地類型不容易發生變化。而對于農業用地區域，則容易變化為其他類型的區域。對于如圖5所標識綠框區域，其歷史屬性為植被覆蓋區域，而經面向對象分類處理后，所包含的像元類別80%以上與歷史類別不同，因此所標示綠色區域被自動判定為變化區域。圖中標識的區域中，有歷史屬性為農業用地，通過對區域內類別組成分析，包含像元的主要成份為建筑和裸地，因此可以判定此區域已經發生了變化，自動將其判定為變化區域。

圖4 影像分類結果Fig.4 Image classification results

圖5 檢測矢量疊加實驗原始影像Fig.5 Overlying of change detection results on the original image

5 結論

本文研究了一種結合遙感影像和專題矢量數據的變化檢測方法。通過各種分類器模糊分類方法，獲取模式對各類別的隸屬度，然后采用多分類器模糊決策融合。實驗結果表明，組合分類方法能夠有效綜合馬氏距離、支持向量機、神經網絡分類方法的優點，提高分類精度。

采用組合分類方法獲得高分辨率遙感影像分類結果，結合歷史土地利用專題矢量數據，進行土地利用變化檢測研究。實驗結果表明:對于區域內地物類別發生明顯變化的區域，能夠有效自動判定其變化現象;對于區域內只有少許比例發生變化的區域，難以有效判定其變化。

專題矢量數據的尺度問題是影響變化檢測結果的一個關鍵性因素，對于矢量圖斑內類別成分較為單一的區域，結合新時期遙感影像，能夠準確監測其變化現象。如果矢量專題數據尺度太大，則在一個圖斑內包含的地物類別太多，即使區域一定數量的地物發生變化，也難以判定此區域是否發生變化。

［1］VOLKER WALTER.Object-Based Classification of Remote Sensing Data for Change Detection［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2004，58(3－4):225－238.

［2］YUAN F，SAWAYA K，LOEFFELHOLZ B，et al.Land Cover Classification and Change Analysis of the Twin Cities(Minnesota)Metropolitan Area by Multitemporal Landsat Remote Sensing［J］.Remote Sensing of Environment，2005，98(2－3):317－328.

［3］IM J，JENSEN J R，TULLISJ A.Object-Based Change Detection Using Correlation Image Analysis and Image Segmentation［J］.International Journal of Remote Sensing，2008，29(2):399－423.

［4］URSULA C BENZ，PETER HOFMANN，GREGOR WILLHAUCK，et al.Multi-resolution，Object-Oriented Fuzzy Analysis of Remote Sensing Data for GIS-Ready Information［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2004，58(3－4):239－258.

［5］BAUDOUIN DESCLEE，PATRICK BOGAERT，PIERRE DEFOURNY.Forest Change Detection by Statistical Object-Based Method［J］.Remote Sensing of Environment，2006，102(1－2):1－11.

［6］GUILHERME L A MOTA，RAUL Q FEOTOSA，HEITOR L CCOUTINHO，et al.Multitemporal Fuzzy Classification Model Based on Class Transition Possibilities［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2007，62(3):186－200.