“珠海一號”與Landsat影像的土地變化監測與預測

張海東

(錦州市規劃設計研究院有限公司，遼寧 錦州 121000)

土地利用變化已成為全球變化研究的熱點問題之一[1]，土地變化和利用程度不僅關系到經濟和社會的發展，也對整個世界生態環境的可持續發展有很大影響[2]。土地利用是人類以社會發展和經濟狀況為目的而進行的對土地經營的一系列技術手段，而在全球環境變化研究中，土地利用動態變化越來越被認為是一個關鍵而迫切的研究課題[3]。對土地利用情況進行精準預測，可以為國家決策及規劃等部門提供重要參考依據。

隨著近年來我國城市化的飛速發展，城市的不斷擴張，土地的利用也發生著巨大的變化，這將會對鄉村及城市的自然、經濟、人文等方面產生巨大影響。由于城市人口逐漸增多，城市居民對土地的需求量也逐漸增大，但城市的土地有限，達到了“供不應求”的狀態。文獻[4]對1971～2002年土耳其埃德倫特地區的土地利用變化和城市擴張進行了研究，同時研究了SAR圖像對于確定土地覆蓋類型對光學圖像的貢獻，以提高土地利用及覆蓋的準確性。文獻[5]提出了一種土地利用變化預測的新方法，該方法為土地利用-覆蓋現狀圖結合Markov鏈模型預測類型數量和CLUE-S模型預測空間分布的土地利用變化預測方法，預測了研究區2012年和2020年的土地利用空間分布狀況。文獻[6]以長沙市作為研究對象，利用1990～2010年長沙市5期的Landsat TM/ETM遙感影像分析了長沙市1990～2010年的土地利用數量結構特征，并對長沙市土地利用變化趨勢進行了預測。文獻[7]利用2005～2014年兩個階段的IRS-P6衛星影像數據，研究了某地區土地利用變化遙感監測的技術方法和操作步驟。

利用遙感的手段進行土地利用變化監測[8]可以快速有效地獲取地區的土地利用信息。本文的研究采用“珠海一號”高光譜影像和Landsat影像，通過CART決策樹結合歸一化植被指數(Normalized Difference Vegetation Index，NDVI)的方法對鞍山市部分地區的土地利用變化進行分析并預測。

1 研究區概況

鞍山市位于遼寧省中部，東經122°10′～123°41′，北緯40°27′～41°34′，東部和北部與遼陽縣毗鄰，西部與盤山縣和遼中縣交界，南部與大石橋市、莊河市、鳳城縣鄰接。四季分明，屬于溫帶季風性氣候。鞍山市有較多的河流，如遼河、渾河等，水資源豐富。地勢地貌特征為東南高西北低，自東南向西北傾斜[9]。

2 數據來源與研究方法

2.1 數據來源

本文采用的Landsat數據來源于地理空間數據云和USGS，“珠海一號”高光譜影像來源于(https://www.myorbita.net/index.aspx)。

2.2 數據分析

為了使實驗結果具有可比性，采用Landsat數據和“珠海一號”數據。Landsat衛星傳感器較強的光譜分辨率使得該傳感器對土地利用變化信息有了很高的提取能力?！爸楹Ｒ惶枴睌祿哂懈吖庾V分辨率和高空間分辨率的特點，而且其特色的高光譜數據對于土地利用變化信息的提取提供了巨大的幫助。利用Landsat數據與“珠海一號”數據進行土地利用變化監測及預測有一定的研究意義。

2.3 研究流程

本文將2009年、2014年Landsat影像經過融合、校正、裁剪的預處理后，計算NDVI并進行波段合成。2019年的“珠海一號”高光譜影像，經過預處理后，計算NDVI指數進行波段合成，將波段合成后的影像進行CART決策樹分類，得到了三期分類后的影像，對研究區域進行監測與預測，并結合數據分析鞍山市部分地區土地變化情況。研究流程如圖1所示。

圖1 技術路線圖

2.4 研究方法

2.4.1 遙感影像的預處理

(1)遙感影像的輻射定標、大氣校正

本文采用的輻射定標是將傳感器記錄的數字量化值(DN)轉換為絕對輻射亮度值(輻射率)的過程[10]。為了結合NDVI指數對鞍山市部分地區的土地利用變化進行監測，對影像進行大氣校正獲取地物真實的表面反射率。

(2)遙感影像的波段合成

NDVI指數：指遙感影像中，近紅外波段的反射值與紅光波段的反射值之差與兩者之和的比值，是遙感觀測植被覆蓋度的一個重要因子[11]。

NDVI=(BandNIR-BandR)/(BandNIR+BandR)

(1)

式中，BandR是紅光波段；BandNIR是近紅外波段。其中Landsat數據的BandR和BandNIR分別是第1波段和第5波段[12]；“珠海一號”的BandR和BandNIR分別是第12波段和第27波段。

2.4.2 CART決策樹分類

CART模型最早由Breiman等人提出，在統計學和研究應用技術中普遍使用[13]。CART決策樹以二叉樹的形式給出，由CART模型構建的決策樹在大多數情況下更加準確，且對于數據復雜、變量較多的數據處理效果更好。為了提高分類的精度，便于理解和使用，本文構建CART決策樹，首先對目標變量的訓練數據進行循環分析，形成二叉樹形式，然后形成訓練樣本并計算最小基尼信息，從而計算樣本類型的基尼指數。找出樣本類型中最優的特征以及閾值，根據最優的閾值將樣本進行劃分，分為兩類，經過剪枝處理，判斷最優的切分點，并對所有的樣本數據進行計算，從而生成CART決策樹。

2.4.3 神經網絡預測

神經網絡進行映射辨識方法絕大部分是通過訓練大量的樣本，為了達到計算目的，經過神經網絡內部的算法不斷計算樣本的權值。神經網絡的學習過程是由正向和反向兩種傳播方式組成。在正向傳播過程中，輸入的信息從輸入層經過隱含層單元每一層的處理后傳向輸出層，每一層的神經元狀態只會對下一層神經元產生影響。而反向傳播的條件則是輸出層達不到期望的輸出，從而將誤差信號退回到原來的路徑，隨后修改每一層神經元的權值，從而使得誤差信號最小[14]。

本文采用Train訓練函數，該函數是一個兩層的網絡函數，可設定最大訓練次數。設定的訓練次數為300，訓練次數達到300時訓練停止；設定兩個閾值，分別為均方誤差和梯度，樣本數據超過任何一個閾值時，訓練結束。采用神經網絡對鞍山市部分地區進行土地利用變化情況的擬合模擬，分類時結合CART決策樹可得到較高的分類精度，所以擬合預測的效果較為理想。

3 結果與分析

3.1 分類規則及結果

圖2所示為本文CART決策樹的分類規則，2009年和2014年的影像均為Landsat影像，本文以2014年分類規則為例，根據Landsat影像的波段特性，可用于區分陸地地物類別、海洋、植物和化學的研究；根據“珠海一號”高光譜影像的波段特性，可以對植被、水體、土壤等地物進行區分，利用各個波段的DN值及其地物的閾值范圍進行CART決策樹規則的構建。

圖2 決策樹分類規則

根據分類規則，得到2009年、2014年和2019年鞍山市部分地區的分類結果，如圖3所示。

圖3 2009年、2014年、2019年CART決策樹分類圖像

本文的分類方法采用CART決策樹算法，可以簡化決策樹的分支，提高生成決策樹的效率和分類的精度，分類結果的混淆矩陣如表1～表3所示。

表1 2009年混淆矩陣/個

表2 2014年混淆矩陣/個

表3 2019年混淆矩陣/個

3.2 變化監測結果及分析

根據分類結果通過分類后比較法得到兩個時間段的土地利用變化情況[15]，如表4和表5所示，并根據變化結果分析鞍山市的發展情況。

表4 2009～2014年變化監測矩陣/ha

表5 2014～2019年變化監測矩陣/ha

本文設定鞍山市的土地利用類型主要為耕地、林地、草地、建設用地、水體和未利用地六大類。由變化監測結果得出：在近10年的時間內，該區域耕地面積在逐年減少，這些耕地包括了水邊的裸露土地、植被極其稀少的土地以及未利用的空地。其他各類土地利用類型都有不同程度的微增，這也意味著鞍山市在接下來的時間里可利用的空地越來越少。10年間，該區域建設用地的面積由162.28 ha變為352.46 ha，說明人居生活質量得以提高，經濟發展迅速，建設用地增多；而由林地、草地和水體組成的“藍綠空間”的面積也都有所增加，說明該地區由于城市建設用地造成的熱島效應可以由“藍綠空間”成分的增多得以部分抵消；耕地的面積有所減少，說明該地區一部分的耕地轉變為“藍綠空間”及建設用地，當地有較好的綠色生態性用地布局。

3.3 預測結果及精度檢驗

根據2009年和2014年的變化結果，通過神經網絡方法對下一時間段的數據進行擬合及預測，得到的預測結果如圖4所示。

圖4 預測結果

采用2009年和2014年的Landsat分類數據對2019年的“珠海一號”數據進行預測，預測誤差計算公式為：

(2)

式中，Φ為預測的誤差；Ai為2019年分類的面積；Aj為2019年預測的面積。經過計算，總體精度為95.93%，如表6所示，滿足預測的精度要求。

表6 2019年預測誤差

4 結 論

本文通過對鞍山市2009年、2014年和2019年三期遙感影像的校正、融合和裁剪預處理以及CART決策樹分類，對分類結果進行分類后比較獲取了鞍山市土地利用的變化信息，并對鞍山市土地利用變化情況進行預測。結論如下：

(1)以兩期Landsat影像和“珠海一號”影像為主要數據源，對鞍山市近幾年的土地利用情況進行監測。結果表明：鞍山市沿海地區建設用地、草地、林地以及水體面積逐漸增大，耕地面積逐漸減小，但總體上各類土地覆蓋面積變化不大。

(2)本文采用的神經網絡模型對于土地利用分類的預測具有一定的可靠性。由預測結果得知：鞍山市部分地區建設用地以及水體面積將會繼續增大，而草地和耕地將會減少，符合近年來鞍山經濟不斷上升的實際情況。

(3)“珠海一號”高光譜衛星在入軌前預選了32個波段，波段數量眾多，植被在近紅外波段以及紅光波段高吸收，經過處理，該數據可以得到更高精度的土地利用變化監測結果，“珠海一號”高光譜影像對于土地進行變化監測及預測有很好的作用。