基于Landsat影像的土地覆蓋變化信息提取方法研究--以貴陽市為例

李尚潔，廖意美，李世波

1.貴州林業勘察設計有限公司，貴州貴陽550003；

2.貴州省林業學校，貴州修文550200

土地覆蓋動態變化情況與森林資源動態變化關系密切，是森林資源動態監測的重要內容[1]，及時、精準地掌握土地利用現狀及其動態變化情況，對切實加快推進生態文明建設、提高森林資源管理水平、為各級政府制定生態文明發展宏觀決策提供參考依據都具有重要的指導意義[2]。以往的土地覆蓋類型信息提取方法存在效率低、成本高等問題[3-4]，不能很好滿足當下對土地利用現狀及其變化情況的提取需求。而遙感影像由于波普特性不同導致不同土地類型在影像上亮度值不同這一特征，可以直觀地反映地表覆蓋信息，通過遙感影像處理技術獲取地表覆蓋變化信息成為可能[5]。近年來，利用遙感技術高效率、高精度提取土地覆蓋的變化信息，已經成為獲取和評價土地利用現狀及其動態變化情況最常用方法之一[6]。

研究以貴陽市中部地區為研究區，基于2017年和2019年Landsat8 OIL地表反射率數據利用3種變化檢測方法提取變化信息，并比較不同方法的提取精度，分析其各自優缺點，探究其中更適合研究區的土地覆蓋變化信息提取方法。

1 研究區概況及數據源

1.1 研究區概況

研究區為貴陽市中部地區，地處黔中山原丘陵中部，長江與珠江分水嶺地帶，地勢呈現西南高、東北低特征。研究區氣候溫暖、濕潤，年平均氣溫為15.3℃，年平均相對濕度為77%，年平均總降水量為1129.5mm。

1.2 數據源及預處理

研究使用數據為從美國地質勘探局（USGS）官方網站獲取的2017年4月1日和2019年8月13日兩期Landsat8 OLI地表反射率數據，下載數據采用UTM投影，均已進行過大氣校正預處理。考慮研究需要，選用兩期Landsat8 OLI數據的2至7波段進行探討。

表1 遙感影像數據詳細信息Tab.1 Detailed Information of Remote Sensing Data

由于地物的反射率受不同氣候季節和生物生長周期變化影響，為了有效減少遙感影像獲取時間差異對變化信息提取結果精度的影響，使用ENVI5.3軟件對原始影像分別進行相對輻射校正，使得同一地物在不同影像中具有相同的輻射尺度。

2 研究方法

利用遙感技術進行變化信息提取是一種利用遙感影像的波普特性，獲取不同時相影像間的特征差異，對其進行定量分析并確定不同時相間變化情況的變化檢測方法[8]。研究選擇歸一化植被指數差值法、主成分分析差值法、圖像差值法3種變化檢測方法進行研究區2017年至2019年間土地覆蓋變化信息的提取，并對提取結果分別進行精度評價，對精度最高的提取結果進行土地覆蓋變化圖斑專題圖制作。

2.1 圖像差值法

圖像差值法[9]是將經過預處理的遙感影像對中對應像素的灰度值相減，得到的差值影像可以表示不同時相影像間隨時間產生的變化，體現不同時相間地物屬性的變化。

2.2 歸一化植被指數差值法

歸一化植被指數（NDVI）[10]對地表植被覆蓋較為敏感，受地形和輻射影響較小，可以反映植物的生長狀況，當值大于0時表示地表有植被覆蓋，其值越大表示地表植被覆蓋度越大。歸一化植被指數反映植被情況穩定性高、敏感度高[11]，利用其差值圖像能較完整的反應兩期間植被的變化情況。

2.3 主成分分析差值法

主成分分析是對遙感影像進行線性K-L變換處理，將多波段遙感數據信息映射到主成分空間，其幾何意義是把原始特征空間的特征軸旋轉到平行于混合集群結構軸的方向上，獲得對原始數據壓縮增強有效信息的作用的新特征軸[12]。主成分分析法采用客觀賦權法，有效避免主觀賦權的隨意性，因而權重系數更客觀合理[13-14]。

2.4 精度評價

為定量評價變化檢測方法的精度，在研究區內利用漁網格點選取精度評價的樣本點，對多時相影像的樣本點位置進行目視解譯，確定2017年～2019年間研究區土地覆蓋的變化情況，目視解譯結果作為實際土地覆蓋變化情況的初始依據，通過比較樣本點實際變化情況與變化檢測結果是否一致進行精度評價。檢測精度基于正檢率、錯檢率、漏檢率3個定量指標[15]，其中正檢率為檢測變化類型與實際相符的樣本數在樣本總數中所占比例，反映檢測正確的概率；錯檢率為檢測土地覆蓋增減情況與實際不符的樣本數占樣本總數的比例，反映檢測錯誤的概率；而漏檢率為真實變化卻未檢測到變化的樣本數在樣本總數中的占比，反映檢測遺漏的概率。

3 結果分析

3.1 變化檢測結果

圖像差值法是將2019年遙感影像減去2017年遙感影像，得到各波段的差值圖像（圖1），像元值越大地表植被覆蓋度增加的可能性越大，反之，植被覆蓋度減少的可能性越大。通過對比各波段提取結果與研究區兩期影像可知，近紅外波段差值圖像對變化信息提取效果較好，雖不能避免云層等對變化檢測結果的影響，但能提取出大部分變化信息，且提取結果中偽變化較少，因此選定近紅外波段差值影像進行下一步研究。

圖1 圖像差值法變化檢測結果Fig.1 Results of The Differenced of Images

對比歸一化植被指數差值圖像和研究區兩期影像顯示的變化情況可知，該方法能夠提取出大部分植被覆蓋變化信息且受云層影響較小，但由于歸一化植被指數對植被敏感度較高，因此存在較多地表生物量變化而實際土地覆蓋未發生變化的偽變化。該方法提取變化信息的精度受影像獲取時間影響較大，偽變化可能是因為2017年影像的獲取時間為4月份，而2019年的獲取時間為8月份，季節差異導致地表植被覆蓋度不同，從而導致NDVI值的季節性差異，這種偽變化不能真正體現地表植被覆蓋的變化。

圖2 歸一化植被指數差值法變化檢測結果Fig.2 Results of The Differenced Normalized Difference Vegetation Index

分別對前后兩期遙感影像做主成分分析，選取包含主要信息的主成分第一分量作差值處理，以提取主要變化信息，主成分分析結果見表3。觀察第一主成分兩期的差值圖像，對比兩期影像可知，該方法對變化信息的提取效果較好，存在細微變化信息丟失，受云層影像較大。

表3 主成分分析結果Tab.3 Results of The Differenced Principal Component Analysis

圖3 主成分分析差值法變化檢測結果Fig.3 Results of The Differenced Principal Component Analysis

3.2 精度評價

利用ArcGIS中的Fishnet工具，根據研究區邊界創建漁網矩陣，將漁網格點作為驗證變化信息真偽的樣點，篩選落在研究區范圍內的樣點共計146個，通過比對樣點位置變化情況與變化檢測結果是否一致得到各檢測方法的正檢率、錯檢率及漏檢率（表4）。

表4 變化信息提取精度評價結果Tab.4 Accuracy Assessment Results of Change Information

由表4可知，主成分分析差值法正檢率為85.62%，錯檢率為6.16%，漏檢率為8.22%，整體精度優于其他2種方法，故利用主成分分析的差值圖像進行變化圖斑的專題圖制作。利用ArcGIS軟件區域統計工具計算差值圖像均值，按照2倍標準差準則獲取異常值[16]以獲得地表覆蓋變化圖斑，從而獲得研究區2017年至2019年間的變化圖斑。

圖4 2017年～2019年間變化圖斑分布Fig.4 Change Objects from 2017 to 2019

4 結論與討論

4.1 結論

在利用Landsat8 OLI遙感影像提取貴陽市中部地區2017年至2019年間變化信息過程中得到以下結論：

（1）圖像差值法能正確提取較多變化信息，錯誤信息相對較少，受云層影響較大，存在較高的漏檢率；

（2）歸一化植被指數差值法受云層影響相對較小，但由于對植被敏感度較高，因此受影像獲取季節影響較大，影像時間差異導致實際土地覆蓋未發生變化的偽變化較多，因此存在較高的錯檢率；

（3）主成分分析差值法的提取效果整體最好，其正檢率和錯檢率均優于其他2種方法，雖然漏檢率高于歸一化植被指數差值法，但考慮到后者提取偽變化太多，故主成分分析差值法整體上提取效果最佳。

4.2 討論

研究從3種變化檢測方法中得到了最適合研究區變化信息提取的方法，但還存在局限性：（1）遙感影像數據質量不高，分辨率較低，云量較多；（2）數據不夠充分。雖然預處理減少了季節性輻射差異對變化檢測結果的影響，但缺少不同季節影像對數據的補充；（3）提取結果局限于像元圖斑，未與森林資源調查實際應用相結合，檢測結果缺乏實用性；（4）選用的變化檢測方法均為基于像元的方法，忽略了空間信息，提取結果較為零散且漏分錯分現象較為普遍。為提高變化檢測結果的可信度，可從以下4方面進行進一步研究：（1）使用分辨率更高，云量更少的遙感影像數據；（2）使用不同季節的影像對相互結合，降低季節對土壤覆蓋信息提取的影響，減少實際土壤覆蓋類型未發生變化的偽變化；（3）結合森林資源調查小班數據，將變化檢測得到的基于像元的變化信息轉換為基于矢量小班的變化信息，提高變化檢測提取結果的實用性；（4）結合面向對象的變化檢測方法，綜合地形、亮度等相關因子以獲得完整度較高的變化圖斑，進一步提高檢測精度。