基于多源遙感數據的農村居民點用地提取技術

董國棟

(諸城市國土資源局，山東 諸城　262200)

基于多源遙感數據的農村居民點用地提取技術

董國棟

(諸城市國土資源局，山東 諸城262200)

在分析和改進傳統的建設用地、不透水面遙感分類方法的基礎上，針對農村居民點用地的特點，提出了一種結合面向對象分類技術、多源、多時相遙感數據數據綜合分析技術，借助先驗知識，通過遙感手段與GIS技術相結合進行農村居民點用地分類提取的新方法。使用北京市遙感數據進行了實驗，自動分類結果準確率高。另外，通過對圖像分割后得到的圖像對象進行多邊形編輯，可以進一步提高準確率，從而滿足高精度研究和監測的需要。

農村居民點；遙感影像；監測技術

引文格式：董國棟.基于多源遙感數據的農村居民點用地提取技術[J].山東國土資源，2015,31(3):63-66.DONG Guodong.Extraction Technique of Rural Residential Land Based on Multi-source Remote Sensing Data[J].Shandong Land and Resources,2015，31(3):63-66.

近年來，隨著我國經濟高速發展, 建設用地擴張速度驚人，人地矛盾進一步突出[1]，具體表現為一方面，城市化進程加快，城市建設用地面積快速增長；另一方面，雖然農村人口大量遷往城鎮居住，但是農村居民點用地卻仍然不斷擴張，并且農村居民點土地利用粗放，空置超占多[2]。對農村居民點用地進行大范圍快速有效的監測漸成為政府和學者關注的熱點，同時準確掌握我國農村居民點用地的空間數量信息，也是分析研究農村與農業相關問題的重要基礎數據，因此，迫切需要探索適合大范圍快速有效的農村居民點用地分類提取方法。

1　研究背景

目前，利用遙感影像分類技術提取建設用地和不透水面的研究，如傳統的監督、非監督分類方法以及近年來出現的指數模型法、線性光譜分析法和利用數據挖掘算法都取得了較好的效果。但是，如果采用這些方法進行專門針對農村居民點用地的分類提取則存在明顯不足，具體分析有以下原因：

(1)農村居民點用地比較松散，一般房前屋后會存在菜園、零星樹木或者小塊水塘等[3]，土地覆蓋類型多樣，而根據現行的《土地利用現狀分類標準》，這些土地雖然覆蓋類型不同，但都屬于農村居民點用地，這與“不透水面”的概念有所不同，因此，采用基于像元或者亞像元的不透水面提取方法進行農村居民點分類，會在很大程度上低估農村居民點用地面積。

(2)農村居民點與裸土地、裸巖石礫地存在比較嚴重的“同譜異物”現象，采用通常的多光譜遙感數據進行分類，容易出現混分、錯分的現象，嚴重影響農村居民點用地分類提取精度。

(3)傳統的建設用地或者不透水面的提取方法，對建設用地內部不同地類判別研究較少，無法更加細致、有效地區分建設用地內部的城市建設用地、農村居民點用地和公路交通用地等二級類。

針對上述問題，該研究采用2010年北京市多期LANDSAT TM，ETM數據和2010年DMSP/OLS夜間燈光平均強度數據產品，在Definiens7.0軟件平臺下，利用影像單元的光譜信息進行初始分類，得到初步的建設用地類別，然后進一步利用多期TM數據植被指數最大值、夜間燈光和影像單元形狀、面積等信息區別農村居民點、裸土地、裸巖石礫地、城市建設用地等地類，針對農村居民點用地進行精細分類，利用GIS技術將分類結果與google earth進行疊加，比較直觀地分析和驗證了該方法的可行性。

2　研究方法

2.1數據預處理

研究使用的遙感數據為2010年3期LANDSAT TM，ETM數據，其中1期數據為LANDSAT-7 ETM影像，已通過多影像自適應局部回歸方法進行去條帶處理，另外2期數據為LANDSAT-5 TM影像，每景數據可以覆蓋北京市(包括所轄縣區)的絕大部分區域；美國NGDC(National Geophysical Data Center)提供的2010年DMSP/OLS夜間燈光平均強度數據產品，該產品已經經過除云去噪處理，具體數據情況見表1。

表1　研究使用的遙感數據

將LANDSAT TM,ETM數據中紅、綠、藍、近紅外、中紅外波段共6個波段數據重新打包，便于后續的圖像分類處理。由于LANDSAT TM,ETM數據與年DMSP/OLS夜間燈光平均強度數據地理參考不一致，所以需要對數據進行重投影處理，統一為Albers等面積割圓錐投影。

2.2提取最大植被指數

在前人進行的建設用地分類提取研究中，已經證明了利用植被指數區別綠地與建設用地非常有效，由于農村居民點周圍大量的耕地種植時間并不相同，耕地中尚未種植作物的裸土地與農村居民點用地光譜特征比較相似，容易出現混分現象[4]。如圖1所示，兩幅圖像分別為獲取時間為6月和8月的TM數據，可以明顯發現，由于作物種植時間不同而出現的裸土地與農村居民點用地光譜特征非常相似。

圖1　作物生長階段不同產生的裸土地

因此，研究對2010年3期不同成像時間的TM,ETM數據進行處理，根據公式(1)計算每期數據的歸一化植被指數，得到NDVI1，NDVI2，NDVI3，然后根據公式(2)得到每個像元在3個成像時間時最大植被指數，通過設置合適的NDVImax閾值對裸土地進行剔除，可以有效解決因為耕地作物種植時間差異而產生的裸土地與農村居民點混分的問題。

(1)

式中：Nir為近紅外波段數據;Red為紅光波段數據;在TM,ETM數據中分別為第4和第3波段數據。

NDVImax=[NDVI1,NDVI2,NDVI3]

(2)

2.3圖像分割

圖像分割是圖像面向對象分類處理的前提和基礎，通過對影像數據進行圖像分割得到影像對象，影像對象是面向對象分類的最基本單元，是影像的各種綜合信息的載體[5]。圖像分割的質量直接影響后續處理的精度[6]，但是難以通過統一可靠的標準衡量圖像分割質量，目前主要通過目視判讀評價圖像分割質量，影像對象過小，實際類別相同卻分為大量不必要的對象，增加了分類難度，降低分類效率。影像對象過小，導致影像對象中包含不唯一的類別，導致錯分、混分。

研究首先在Definiens7.0中，利用3期TM數據的18個波段影像、計算得到的NDVImax圖像和DMSP/OLS夜間燈光平均強度數據，共19個圖層建立分類工程；然后采用軟件提供的多尺度分割算法進行影像分割和信息提取。通過對比分割效果，確定選擇使用LANDSAT-5 TM 兩期數據共12個波段設置相同的影像圖層權重進行圖像分割，由于農村居民點用地土地覆蓋類型多樣，混合像元多，因此分割時應設置較低形狀(shape)參數，中等緊質度(Compactness)參數。TM是中等分辨率遙感數據，經目視對比分割效果，分割尺度設置為20，得到的影像對象比較適合進行分類提取(圖2)。

圖2　不同分割尺度圖像分割效果

2.4建設用地提取

目前，利用遙感影像分類技術提取建設用地的方法已經比較成熟，在Definiens7.0 軟件中可以首先定義圖像分類特征空間，該研究主要利用影像單元的光譜特征作為分類特征，因此選擇了影像對象內所有像元在TM數據各波段的均值和標準差，共有36個統計值作為分類特征，然后通過與google earth圖像進行對比，確定用于分類的圖像對象樣本，根據北京市郊區的土地覆蓋情況，確定了5種樣本，分別是建設用地、蔬菜大棚、綠地、水域、云，每種類別選擇30～50個圖像對象作為樣本，采用標準最臨近分類算法，對所有圖像對象進行分類，提取建設用地。

2.5農村居民點用地提取

(1)農村居民點與裸土地的判別。使用最臨近分類算法分類后，可以發現大量的裸土地被錯分到建設用地中。由于這些裸土地雖然種植作物的時間不一樣，但是通過不同時相TM數據的植被指數最大值可以有效判別裸土地與農村居民點用地，經過對比分析，確定設置影像單元NDVImax平均值小于0.22的閾值條件，剔除混分進建設用地的裸土地。

(2)農村居民點與裸巖石礫地的判別。分析分類結果發現，山區裸露的巖石是另一種嚴重干擾分類精度的地貌類型，由于裸巖石礫地基本不生長植被，因此影像單元的NDVImax平均值較小，通過植被指數無法進行區分。DMSP/OLS平均燈光強度數據產品能夠探測夜間低強度燈光，同時夜間燈光與區域經濟活動狀況密切相關，雖然數據分辨率較低，但由于裸巖石礫地主要分布在遠離城市的偏僻山區，因此，利用DMSP/OLS夜間燈光影像區別裸巖石礫地與農村居民點用地非常有效，DMSP/OLS夜間燈光影像的值域分布是從0～63，經過對比分析，確定設置將影像單元的DMSP/OLS夜間燈光影像平均值小于0.5的圖像對象從建設用地分類中剔除，去除分類中的裸巖石礫地(圖3)。

圖3　同一區域的TM影像(743彩色合成)與DMSP/OLS夜間燈光影像

(3)農村居民點與交通道路用地的判別。由于TM影像是中分辨率影像，大部分交通道路用地與周圍綠地形成混合像元，在影像上并不明顯，所以大部分交通道路用地被分入綠地，只有少量寬度較大的路段被分入建設用地，對于這部分分入建設用地的交通道路，可以通過影像對象的形狀特征(length/width)對道路進行區分，length/width即經過圖像對象中心的最長軸與最短軸的比值，如圖4所示由于道路多呈條狀，而農村居民點用地主要為團塊狀，經過對比分析，確定將圖像對象length/width值大于7的圖像對象從建設用地中剔除，去除建設用地分類中的交通道路用地。

圖4　農村居民點與交通道路用地判別示意圖

(4)農村居民點與城市的判別。將建設用地類別中的裸土地、裸巖石礫地、交通道路用地剔除后，建設用地類別中主要為城市建設用地和農村居民點用地，由于圖像分割時，同一塊建設用地內部會根據微小差別分為多個圖像對象，因此需要將同種類別相鄰的圖像對象進行合并。圖像對象合并后，城市建設用地的圖像對象面積遠大于一般的農村居民點用地圖像對象面積，可以通過設置面積閾值進一步區分城市建設用地與農村居民點用地，同時也可以參考DMSP/OLS夜間燈光影像，一般城市用地燈光強度也明顯比農村居民點用地高。由于圖像對象合并后的城市區域面積較大，非常明顯，且數量較少，在大范圍農村居民點監測中也可以通過目視解譯，手動剔除的方式進行判別。該研究中，通過設置圖像對象面積閾值條件，將建設用地分類中的城市建設用地單獨分為一類，由于有些城市建設用地分布在城市周圍，并未與城區圖像對象相連接，因此，在Definiens7.0 軟件中定義與城市建設用地距離小于500m的建設用地劃入城市建設用地，最終得到的建設用地圖層即為農村居民點用地。

2.6分類后處理

Definiens 7.0可以直接將分類后的結果導出為shape file 多邊形格式文件，如圖5所示，將文件轉換為kml格式，可以直接與google earth疊加，從而比較直觀地顯示農村居民點用地提取效果。圖像分割后的所有圖像對象也可以直接輸出shape file 多邊形格式文件，每個圖像對象都是一個多邊形，因此，可以非常方便的在Definiens或GIS軟件中進行多邊形編輯，將漏分或者錯分的圖像對象加入或剔除出分類結果，從而明顯提高分類精度。在實際應用中可根據需求，選擇是否進行分類后的人工修正，如果需要滿足高精度的研究和監測要求，可以花費很少的時間和人力，對分類提取的結果進行進一步的手動修正，從而提高準確率。

圖5　農村居民點用地分類結果與google earth疊加效果

3　結論與討論

3.1結論

將分類結果與google earth疊加后，可以借助google earth的高分辨率數據與地名、行政界線等信息，進一步檢驗農村居民點用地提取的精度。從視覺效果來看，實驗提取的農村居民點用地邊界比較符合實際情況，有效避免了基于像元或亞像元分類方法容易出現的“椒鹽效果”。

由于該研究僅對農村居民點用地進行了提取分類，因此沒有采用傳統的混淆矩陣進行精度分析。而是在google earth上隨機選擇了100個農村居民點用地進行精度分析，經統計實際被分類提取出來的農村居民點用地為91個，漏分誤差9%；然后在分類結果中隨機選擇了100個農村居民點用地，經統計實際確定為農村居民點用地88個，錯分誤差12%。經過分類后處理，對直接輸出的分類結果手動修正后，除極少量的農村居民點邊界處有不夠準確的情況，基本所有農村居民點用地都可以準確提取。

3.2討論

該研究提出了一套高效、高精度，適合進行大規模農村居民點用地提取監測方法，其中結合了面向對象分類技術，多源、多時相遙感數據數據綜合分析技術，借助先進知識通過遙感手段與GIS技術相結合，綜合了數據預處理、分類判別、分類后處理、分類結果驗證等一系列技術處理過程，在保證花費較少時間和人力的前提下，得到滿足高精度農村與農業問題研究和監測需要的農村居民點用地數據。由于該研究專門針對干擾農村居民點用地提取的裸土地、裸巖石礫地等地類的判別進行了深入分析，并提出了解決思路與方法，因此在我國的大部分地區都可以通過這個思路，在該研究方法的基礎上探索適合當地的判別閾值，進一步推廣和使用這種農村居民點用地的提取方法。另外該研究使用的遙感影像數據，可以在相關網站免費獲取，以較低成本，進行大范圍的農村居民點用地的監測與研究工作。

雖然研究提出的農村居民點用地提取方法具有很多優點，但是在數據的實驗處理過程中也發現了一些局限性，例如，研究選擇的DMSP/OLS平均燈光強度數據空間分辨率較低，因此判別分布比較集中，大面積的裸巖石礫地時效果較好，而對于農村居民點與裸巖石礫地交錯混雜分布時，判別效果不夠理想，隨著美國“夜間衛星計劃(nightsat mission)”的實施，今后可以考慮用較高分辨率的夜間燈光影像數據進行替代。

[1]符太成．建設用地集約利用評價研究——以柳州市為例[D]．華中農業大學，2009.

[2]劉喜廣，劉朝暉．農村居民點用地存在的問題與整理措施[J]．國土資源情報，2006,(11):45-48．

[3]鐘燕林．農村居民點用地節約集約利用研究——以重慶市為例[D]．西南大學，2009．

[4]邸向紅，王周龍，張明明，張淑萍．基于決策樹的蓬萊市土地覆蓋信息提取[J]．山東國土資源，2009,25(11): 58-62.

[5]鄧媛媛，巫兆聰，易俐娜，胡忠文，龔正娟．面向對象的高分辨率影像農用地分類[J]．國土資源遙感，2010,(4):117-121．

[6]張國權，李戰明，李向偉，魏偉．HSV空間中彩色圖像分割研究[J]．計算機工程與應用，2010,46(26): 179-181.

Extraction Technique of Rural Residential Land Based on Multi-source Remote Sensing Data

DONG Guodong

(Zhucheng Bureau of Land and Resources，Shandong Zhucheng 262200，China)

In this article，based on the analysis and improvement of traditional method of remote sensing classification for construction land and impervious surface, according to the characteristics of rural residential land, combining with comprehensive analysis technique of object-oriented classification，multi-source and multi-temporal remote sensing data，by using prior knowledge，through a combination of remote sensing and GIS technology，a new method has put forward to the extraction of rural residential land classification. An experiment has been carried out by using remote sensing data in Beijing，it is showed that the result has high accuracy on automatic classification. In addition, it can improve accuracy and satisfy the demand of high-precision studying and monitoring by editing polygon obtained after partitioning images.

Rural residential; object-oriented; monitoring technology

2014-04-13；

2014-05-05；編輯：陶衛衛

董國棟(1979—)，男，山東諸城人，工程師，主要從事國土資源管理工作；E-mail：7312316@qq.com

P209

B