融合多特征土地覆蓋變化監測
——以武漢市為例

劉立之

（中國地質大學（武漢）地理與信息工程學院，湖北 武漢 420078）

1.引言

近年來，遙感技術發展迅速，在農業、地質災害、城市建設、環境保護等領域得到了廣泛應用。原始的土地覆蓋分類方法主要依靠人工完成，消耗大量人力物力，更新速度慢，應用較困難。而遙感具有獲取數據快、覆蓋范圍廣、重復周期短、數據精確等特點，已經成為土地覆蓋分類中高效的技術手段之一。

隨著遙感技術的不斷發展，遙感向著多源數據、多特征方向發展。李根軍等結合多源數據對可可西里湖展開動態監測，能夠準確地提取出可可西里湖湖泊的面積和位置，并分析湖水外溢情況及驅動力特征,為青藏高原地區湖泊的監測提供參考；沈吉寶提出一種多特征融合的遙感影像河流提取方法，能夠減弱城市建筑陰影信息的干擾，快速準確獲得城市中的水體信息；鐘嫣然等通過影像多特征對建成區進行提取，通過考慮多特征能夠提高建成區的提取精度。

本文以湖北省武漢市作為研究區域，探究了融合NDVI、NDWI、NDBI和DEM數據的多光譜影像及原始多光譜影像，分別采用最大似然法、支持向量機和隨機森林方法對土地覆蓋分類精度的影響。

通過比較不同影像、不同分類方法之間的差異，最后選取分類精度最高的一種組合進行武漢市土地覆蓋變化監測，研究近年來武漢市土地覆蓋類型的變化情況，得出研究結論。

2.研究區域及研究方法

2.1 研究區介紹

武漢市位于江漢平原的東部、長江中游地區，長江和其最大的支流漢江交匯于城中，據此形成了武昌（武昌區、青山區、洪山區 ）、漢口（江漢區、江岸區、硚口區）和漢陽（漢陽區）武漢三鎮的格局。其地理空間范圍為占地面積約8569.15平方千米，人口數量1232.65萬，海拔范圍19.2-873.7m。

武漢市地處亞熱帶季風氣候區，具有夏季高溫多雨、冬季溫和少雨，太陽照射時間充足，四季分明等特點。武漢市土地覆蓋類型主要有建筑、水體、農田、裸地和林地，由于武漢市農田和林地面積較大，因此在不同季節會出現地物類別轉換的情況，例如在夏季農田中為水稻等作物，林地更加茂密，而到了冬季，一些農田若沒有種植作物，會轉換為裸地，同時林地會變得稀疏。

2.2 數據獲取

本研究所用數據有武漢市Landsat-8 OLI遙感圖像和ASTER GDEM v3數據，Landsat影像數據從美國地質調查局（USGS）獲取，ASTER GDEM從歐空局網站獲取。

光學遙感數據只選用分辨率為30m的紅、綠、藍、近紅外波段和短波紅外1（1560nm-1660nm）波段參與土地分類，地形高程數據的空間分辨率為1弧度秒（約為30m）。

為了確保土地覆蓋變化監測在季節上的一致性，所選用的Landsat影像均在6月-9月，大部分影像集中在8月和9月兩個月份。總結性數據集如表1所示。

表1 研究數據

獲取數據后，需要對數據進行預處理，以便進行后續實驗。Landsat-8數據預處理流程：獲取遙感影像、輻射定標、大氣校正、影像鑲嵌、裁剪出武漢市影像范圍。ASTER GDEM從歐空局網站獲取。數據預處理流程：獲取DEM數據、鑲嵌DEM影像、裁剪出武漢市影像范圍。

2.3 研究方法

以Landsat-8和ASTER GDEM數據為數據源，利用ENVI5.3軟件對數據進行處理。計算遙感影像的NDVI（歸一化植被指數）、NDBI（歸一化建筑物指數）和NDWI（歸一化水體指數）作為特征，此外還有ASTER的DEM數據添加到波段中參與分類，以2021年影像為例，對比多特征分類和僅使用光學信息分類的差異。

分類方法選用最大似然法（MaximumLikelihood classification，MLC）、 支 持 向 量 機（Support Vector Machines，SVM）和隨機森林（Random Forest，RF）方法，選取其中分類精度最高的方法用于土地覆蓋變化監測分類，土地覆蓋變化監測選用2015、2018和2021年三年的影像進行分析。最后對變化監測的結果進行可視化展示，得出本研究的結論。

2.4 技術路線

本研究流程主要包括：Landsat和ASTER數據獲取；Landsat和ASTER數據預處理；影像特征的計算；影像特征波段的融合；對比僅使用光學影像和融合多特征影像在最大似然法、支持向量機和隨機森林方法的分類精度；選用精度最高的方法進行土地覆蓋變化監測；最后分析結論。

3.土地分類結果及變化分析

3.1 分類類別選取

武漢市地處江漢平原東部，長江中游地區，有豐富的水資源，總水域面積約2217.6平方千米，占全市土地面積的26.1%。此外，農田、林地、城市用地、裸地也是武漢市土地覆蓋的重要組成部分。

綜合考慮武漢市土地實際覆蓋情況和Landsat-8 OLI傳感器的特點，將研究區域土地分為水體、裸地、農田、林地和城市用地五個類別。

3.2 分類結果

采用最大似然法、支持向量機和隨機森林方法分別對原始的多光譜影像（五個光學波段）和融合特征后的影像（五個光學波段、三個特征波段和研究區DEM數據）進行土地覆蓋分類，分類結果如圖1所示。

從圖1分類結果種可以看出，使用三種分類方法對兩種影像進行分類都能夠得到武漢市五種土地覆蓋的結果，其中城市用地、水體、林地和農田面積較大，裸地部分占比較少。水稻是武漢市夏季的主要農作物之一，生長于水稻田，在遙感圖像中體現為既有水體體征又有植被特征，因此不同分類結果之間的差異主要體現在農田和林地、農田和水體上。此外，對比原始影像分類和融合影像分類的結果，可以發現融合后的影像分類結果的整體性較好，原始影像分類結果中存在更多小斑塊。

3.3 精度評價

為了定量評價不同影像和方法下的分類精度，選取一定數量的樣本用于精度評價。精度評價采用混淆矩陣，包括計算分類的總體精度（正確分類像元數量除以像元總數）和Kappa系數（該結果越大，分類精度越高）。利用ENVI5.3軟件計算得到六種分類結果的精度評價結果，如表2所示。

表2 分類結果精度評價總體精度/Kappa系數

從表2中可以看出，對于三種分類方法而言，相同的訓練樣本下，使用融合特征后的影像分類總體精度和Kappa系數都要高于原始多光譜影像。對于兩種影像而言，支持向量機方法的分類精度最高，其次是最大似然法，隨機森林的分類精度要低于前兩種方法。綜合比較六種分類結果，可以確定使用SVM方法分類在融合影像上分類精度最佳，因此選用2015、2018和2021三年融合影像的SVM分類結果進行土地覆蓋變化監測。

3.4 土地變化監測

對不同年份的影像計算其NDVI、NDBI和NDWI，加入DEM進行波段合并，并單獨選取一定數量的訓練樣本使用SVM方法分類。分類后，統計不同年份中不同地物類別占比，繪制折線圖，如圖2所示。

圖2 土地覆蓋變化情況

結合分類后的影像以及繪制的折線圖可以看出，在2015到2021年間，武漢市城市用地面積在逐步增加，兩次增幅程度相近，呈現穩定增長的趨勢；裸地面積維持在較低水平，且出現占地面積下降的趨勢；林地面積增加，較明顯的增加區間為2015-2018年間，2018-2021年間林地面積變化不大，維持在較高水平。此外，農田和水體的占比呈現出“此消彼長”的現象，說明武漢市農田和水體在遙感圖像上存在一定程度的相似性，融合多特征數據只能提高二者的區分度，但無法完全對其進行分離，要對二者進行區分，需要考慮其他的特征或者使用其他分類方法。

4.研究結論

本文將原始多光譜影像及其NDVI、NDBI、NDWI的特征和DEM數據融合得到融合影像，并與原始多光譜影像采用最大似然法、支持向量機和隨機森林方法在土地覆蓋分類上進行精度比較。六種組合中，融合影像和SVM組合的總體精度最高、Kappa系數最大，因此選用這種組合作為武漢市土地覆蓋變化監測方法，從變化監測結果中可以看出武漢市城市用地面積在逐步增加，裸地面積維持在較低水平，林地面積增加，但仍然存在水體和農田無法準確區分的問題，在今后的研究中有待解決。

此外，今后的研究中可以考慮添加更多特征進行分類，例如光譜特征，包括亮度值、平均值、標準差等；形狀特征，包括面積、邊界長度、長寬比、形狀指數、密度等；紋理特征，包括亮度、色度、陡度、大小等；空間關系特征和對象間的相關特征。除了考慮更豐富的特征外，還可以嘗試不同的分類方法，例如可以將各類特征與近年來興起的深度學習方法相結合，利用計算機的計算性能從豐富的遙感信息中提取出不同地物的特征，從而得到更加精確的分類結果。