基于波譜角分類的土地利用動態監測

于 龍，周宇峰，丁麗霞，鄒紅玉

（1.浙江農林大學 浙江省森林生態系統碳循環與固碳減排重點實驗室，浙江 臨安 311300；2.浙江農林大學 天目學院，浙江 諸暨 311800）

土地是社會經濟活動的載體。國民經濟各部門的活動都要落實到土地上，土地利用的廣度、深度及合理程度客觀地反映了經濟各部門的合理程度[1]。20世紀以來，隨著人口激增及可利用土地資源的減少，人地矛盾日益突出。土地利用動態監測有利于確定土地利用是否合理。利用遙感手段進行土地利用動態監測具有快速、及時、準確等優點而被廣泛的運用[2]。遙感圖像的分類是土地利用動態監測分類后比較法的基礎[3]，主要是對遙感圖像上的地物進行屬性上的判讀，提取地物相關信息。遙感圖像分類的準確性直接影響土地利用動態監測的準確性。然而，在實際的分類過程中，由于實際情況的復雜性，光照、地形、氣候氣象等因素所導致的混合像元狀況的存在，及同譜異物、同物異譜現象存在，從而導致錯分、漏分現象的出現，大大降低了監督分類的分類精度[4]。1993年Kruse等[5]提出了光譜角填圖算法（spectral angle mapping），該方法通過將像元值及參考光譜投影到N維向量空間中，通過計算影像波譜與參考光譜間的夾角 （光譜角）來對影像像元進行分類。光譜角越小，兩者的地物特性就越相似，從而是同種地物的可能性就越高。Kruse等認為，光照度的改變只會影響地物像元在向量空間中的 “長度”，而不會影響其 “方向”，所以該方法對未知的增益系數不敏感，可以剔除光照和地形的影響，從而提高地物識別能力。波譜角分類方法在實際應用中，對波譜比較接近的農田和林區，分類結果較好[5－7]。本研究利用波譜角填圖方法對3期遙感影像處理，獲取浙江省臨安市市區土地利用的時空變化信息，為評價臨安市市區土地利用的變化動態提供依據。本研究的區域處于山地地區，受地形影響較大，林地及耕地面積較大且交錯分布，光譜角填圖方法能較好地解決這些因素在分類過程造成的精度低問題。

1 研究區概況

浙江省臨安市市區位于 29°56′～30°23′N，118°51′～119°52′E 。境內地勢自西北向東南傾斜，地貌以中低山丘陵為主，其下轄5個街道（錦南街道、錦北街道、玲瓏街道、錦城街道、青山湖街道），是臨安市經濟發展的熱點地區，也是土地利用變化較快的區域，具有代表意義。

2 數據及預處理

2.1 數據來源

本研究采用的數據來自于國際科學數據服務平臺（http∶//datamirror.csdb.cn/admin/dataLandsatMain.jsp）（表 1）。

2.2 遙感影像輻射校正

利用光譜角分類方法需要利用準確的地物波譜，因此對上述3期遙感數據分別采用ENVI軟件的FLAASH大氣校正模型進行絕對輻射校正，獲得表觀反射率數據。圖1是1994年大氣校正前后遙感影像水體、建筑及植被的同一像素點波譜曲線對比。由圖像可以看出校正后的遙感影像光譜曲線得到明顯的改善。

表1 數據說明Table1 Data declaration

圖1 大氣校正前后對比Figure 1 Comparison of spectrum before and after FLAASH

2.3 遙感影像幾何配準

利用ENVI 4.8軟件對3期圖像數據幾何配準，將2002年的增強型專題繪圖儀（ETM+）影像作為基準影像，分別對1994年及2010年的影像進行坐標匹配（表2）。校正模型采用二次多項式模型，選取30個控制點，重采樣方式采用雙線性內插法。控制點殘差值均在0.2個像元內，符合土地利用動態監測的要求[8]。

表2 遙感影像幾何配準Table2 Geometric correction of remote sensing image

2.4 研究區域裁切

利用ENVI軟件將臨安市市區矢量邊界文件轉換成感興趣區域，對原始圖像裁切后，得到3期市區遙感圖像（圖2）。

圖2 研究區3期TM543圖像Figure2 TM543 image in study area

3 圖像分類

3.1 分類系統確立

結合全國土地分類標準及對遙感圖像本身特征目視解譯判讀，將研究區定義為3個大類5個小類[9]。由于研究區內園地極少，沒有牧草地，故農用地的二級類僅保留耕地及林地。建設用地的二級類中的各類地物在專題繪圖儀（TM）光譜上相似性較高，區分困難，故此類不作細分（表3）。

表3 土地利用分類系統Table3 System of land use classfication

3.2 波譜角填圖法分類

首先對預處理后的數據進行最小噪聲分離變換，對數據去噪去相關處理，在此基礎上利用像元純凈指數及二維散點圖在數據的光譜特征空間中尋找端元，將尋找到的端元作為參考光譜對原始圖像波譜角填圖分類。

3.2.1 最小噪聲分離變換（minimum noise fraction，MNF） 最小噪聲分離變換（MNF）是由Boardman和Kruse等在1994年運用于確定影像內在維數，去除噪聲[10]。其本質上是2次的主成分變換，第1次變換基于估計噪聲的協方差矩陣，分離數據中的噪聲，第2次對白化的噪聲進行標準主成分變換。利用ENVI軟件的MNF變換功能，對3期遙感影像MNF變換，變換后的MNF數據各波段之間的相關性及內部噪聲都得到去除，大部分信息集中在前幾個波段。

3.2.2 端元獲取及地物參考光譜曲線獲取 目前，端元獲取的途徑主要有2種；一種是從野外實測光譜建立光譜庫獲取，另外一種是從遙感影像中直接獲取[11]。第1種方法理論上較精確，但是由于受大氣、地形及傳感器等多種因素影響，遙感影像的光譜即使經過各種的處理，仍和實測光譜有較大區別，從而導致影像解譯的精度不高。第2種方法較簡單、工作量小，精度也符合要求。本研究的端元獲取途徑為從圖像上直接獲取。一般比較常見的圖上端元獲取方法有2種：一種是在MNF變換圖像上計算像元純凈指數（PPI）后，在N維特征空間中獲取端元；另一種通過MNF變換后的散點圖在光譜特征空間尋找端元。①PPI端元選擇。以2010年TM數據端元選擇為例簡述PPI選擇過程。2010年MNF數據87.02%的信息都集中在前4個波段，因此，以前4個波段進行像元純凈指數（PPI）計算。在ENVI軟件PPI選擇工具中設置迭代次數為1.5萬次，閾值為2.5。PPI迭代計算后，純凈像元的個數基本處于穩定狀態，基本選擇出全部的潛在端元。把PPI值大于30的像元輸出到MNF變換后的圖像光譜特征空間中，利用ENVI的N維可視化工具選擇端元并輸出端元波譜曲線。利用端元波譜曲線及目視解譯相結合的方法可以確定端元類別。運用獲得的端元對原始影像進行分類，得到分類結果。在分類后處理過程中發現，本研究區運用PPI方法選擇的端元在分類過程中精度不高，尤其是耕地，其與林地及建設用地錯分嚴重。這主要是由于地物光譜的變異性所造成的。同物異譜及同譜異物現象嚴重影響了分類精度。另外，在實際的端元選擇過程中，建筑（圖3，圖4）所對應的純凈像元數目較少，在ENVI可視化工具中難于選擇，端元要盡量選擇在那些在可視化工具中凸面幾何體的幾何頂點處聚在一起的像元。有些在第一、二、三主成分光譜特征值相近的地物會在顯示上聚在一起。這樣地物就難于區分，選擇時主觀性較大，從而造成端元波譜的輸出不準確。單純的用PPI方法選擇端元，難于選擇出正確的端元，所以本研究通過散點圖方法來補充選擇端元。②子區域散點圖端元選擇。為解決端元變異性問題，通過目視解譯將圖像劃分為若干小的子區域，子區域范圍的標準是盡量使每個子區域內存在的地物類型不大于3種，這樣便能較容易在光譜特征空間像元形成的三角形角點上選取端元。這樣同一種地物也會有較多種端元，然后利用這些端元對原始圖像進行分類，再將相同地物的小類進行合并，最終得到最后的分類結果。MNF影像的前3個波段任意2個波段進行組合并在二維散點圖上顯示后提取端元，圖5為原始影像MNF變換后不同區域同一種上的二維散點圖，近似呈現三角形，三角形的頂點為地物端元，4幅圖對應圖像的不同區域。圖6為圖5所獲各種端元的平均光譜曲線，從圖中可以看出即使同一種地物的光譜曲線在同一圖像的不同區域也有一定的差異，表現出地物光譜的空間變異性。

圖3 N維可視化工具選取端元Figure3 N-dimensional visualization tool to select endmember

圖4 PPI方法所獲端元波譜曲線Figure4 Curve of endmeber with PPI

圖5 2010年TM子區域二維散點圖選取端元Figure5 Endmember selection with 2-D scatter

圖6 散點圖補充端元波譜曲線Figure6 Supplementary endmember specture with scatter chart

3.3 分類結果評價

利用ERDAS軟件的精度評價功能，隨機生成256個樣點，結合目視判讀對分類結果開展精度評價，結果見表4。各土地利用類型的分類精度普遍較高，但未利用土地的分類精度較低，主要是因為其光譜特征與建設用地及裸地相似，導致錯分漏分現象。

圖7 波譜角方法示意圖Figure7 Sketch map of SAM

圖8 3期臨安市市區土地利用分類圖Figure8 Landuse classificatin of Jincheng in Lin’an City

4 結果分析

4.1 土地利用結構分析

土地利用結構的定義為在一定區域內，各種土地利用類型和（或）土地覆被之間在數量上的比例關系，以各種土地利用類型和（或）土地覆被占該區域土地總面積的比重表示。土地利用結構能夠在很大程度上反映出一個區域的經濟狀況。合理的調整土地利用結構，布局用地，能夠為經濟和社會的發展提供良好的用地條件。

表4 分類精度驗證Table4 classification accuracy

由表5可知：1994至2010年的16 a間，臨安市市區各土地利用類型面積雖有變化，但土地結構中林地一直占主要地位，耕地次之，再次是建設用地。

4.2 土地利用動態變化特征

利用ARCGIS 9.3的柵格計算器得到臨安市市區的土地利用轉移矩陣，行表示土地利用的起始狀態，列表示土地利用的終止狀態。面積轉換及面積轉換率表示初始類別轉換為該列類別的面積及占該列初始類別的百分比。面積差表示2個時相該用地類別的面積差，變化面積與初始時相面積的百分比。

從表5及表6可知，臨安市市區林地面積占整個用地類型的比例最大，均達到了70%以上，且變化的面積總量也最大，在1994－2002年主要轉化為耕地及建設用地，在2002－2010年間，主要轉化為建設用地，而有一部分耕地重新轉為林地，從而使林地面積有所提升。耕地面積占各用地類型的面積比例變化較大，數量變化幅度也較大。在1994－2002年耕地面積大量增加，主要來源為林地。但它也有一部分轉為建設用地。在2002－2010年間，耕地面積迅速減少，轉為林地及建設用地。建設用地面積一直處于增加狀態，且占總用地的面積的比例上升較快。在1994－2010年這16 a間，由于林地及耕地的轉入，面積增加了3倍多。未利用土地及其他土地面積占整個地區的面積比例較小。

表5 1994-2002臨安市市區土地利用轉移矩陣Table5 Matrix of Jincheng landuse transformation （1994－2002） of Lin’an City

5 討論與結論

臨安是山地城市，適合耕種及居住的平原面積較少。1994－2002年間，臨安市市區雖然未充分發展，但已具備了發展的潛力。隨著人口的增長，對居住及耕種的需求逐漸加大，這時平原上林地的砍伐開墾就成為了解決人地沖突的辦法之一，所以這段時間表現為林地的減少、耕地及建設用地的增加。另一方面，未利用土地也逐漸被充分利用，進行耕種及作為建設用地使用。隨著人口的增長，經濟的發展，無論是居住還是工業等都需要足夠的建設用地。但受自然條件的影響，臨安市市區內的平原地區面積有限，人地矛盾逐漸凸顯，可利用的平原用地不足，所以在2002－2010年，耕地迅速轉化為建設用地，城市的擴展必然要取代周邊的農田。由于臨安市國家森林城市建設項目的全面啟動，林地面積在2002－2010年不但沒有減少，反而還有所增加。

本研究利用波譜角制圖方法對1994年、2002年、2010年等3個時相的遙感數據進行土地利用分類，得到了臨安市市區16 a的土地利用變化信息。臨安市市區土地利用方式以林地用地為主，林地的面積比例分別為1994年86.45%，2002年71.2%，2010年79.88%。建設用地面積不斷增加，1994－2002年增加1635.84 hm2，2002－2010年增加2554.65 hm2，增長率分別為92.97%及75.24%。臨安市市區范圍內林業用地處于主導地位，奠定了臨安建設生態市的基礎。臨安市市區受自然條件尤其是地形的限制，土地利用潛力不大，而隨著人口的增長和經濟的快速發展，臨安市正處于人地矛盾的凸顯時期，如何有效地利用土地，解決有限的可利用土地與社會、經濟發展和人口增長間的矛盾，成為臨安市進一步發展的首要問題。

[1]汪衛民，趙大暉.論土地資源的永續利用[J].資源開發與市場，1998，14（1）∶26－29.WANG Weimin，ZHAO Dahui.On the sustainnable utilization of land resources [J].Resour Devel&Market，1998，14（1）∶26 － 29.

[2]彭望碌，余先川，周濤.遙感數字圖像處理[M].北京∶電子工業出版社，2003.

[3]沙志剛.數字遙感技術在土地利用動態監測中的應用概述[J].國土資源遙感，1999（2）∶7－11.SHA Zhigang.The digital remote sensing techniques applied to land use change monitoring [J].Rem Fens Land&Resour，1999（2）∶7 － 11.

[4]承繼成，郭華東，史文中.遙感數據的不確定性問題[M].北京：科學出版社，2004.

[5]KRUSE F A，LEFKOFF A B，BOARDMAN J W，et al.The spectral image processing system （SIPS）：interactive visualization and analysis of imaging spectrometer data [J].Remote Sens Environ，1993，44（2）∶145 － 163.

[6]浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等敎育出版社，2000.

[7]梁繼，王建，王建華，等.基于光譜角分類器遙感影像的自動分類和精度分析研究[J].遙感技術與應用，2002，17（6）∶299 － 303.LIANG Ji，WANG Jian，WANG Jianhua，et al.Study on automatic classification and accuracy analysis of remote sensing image based on SAM [J].Rem Sens Technol Appl，2002，17（6）∶299 － 303.

[8]DAI X，KHORRAM S.The effects of image misregistration on the accuracy of remotely sensed change detection[J].Geosci Rem Sens，1998，36（5）∶1566 － 1577.

[9]中華人民共和國國家質量監督檢驗檢疫總局，中國國家標準化管理委員會.GB/T 21010－2007土地利用現狀分類標準[S].北京：中國標準出版社，2007.

[10]LI L，USTIN S L，LAY M.Application of multiple endmember spectral mixture analysis（MESMA）to AVIRIS imageryforcoastalsaltmarshmapping∶acasestudyinChinaCamp，CA，USA [J].IntJ RemoteSens，2005，26 （23）：5193 －5207.

[11]李素，李文正，周建軍，等.遙感影像混合像元分解中的端元選擇方法綜述[J].地理與地理信息科學，2007，23（5）：35 － 42.LI Su，LI Wenzheng，ZHOU Jianjun，et al.A review on endmember selection methods in the course of mixed pixel decomposition of remote sensing images [J].Geogr Geo-Inf Sci，2007，23（5）∶35 － 42.