基于多源高分遙感影像的土地利用動態監測

于秀娟，龐緒峰

（1.北京市商湯科技開發有限公司，北京 100080；2.中國電建集團國際工程有限公司，北京 100036）

隨著我國經濟發展突飛猛進，土地利用格局也在不斷變化。為了及時、有效地掌握土地資源現狀，自2017年起我國開始進行第三次全國土地調查，并每年進行一次土地變更調查，全天候監測劃定的城市開發邊界、永久基本農田等土地利用狀況。遙感技術已成為土地利用動態監測的重要手段，具有空間信息豐富、覆蓋面廣、快捷方便準確等先天優勢。從2010年高分辨率對地觀測系統重大專項全面啟動之后，我國先后成功發射了高分一號—六號等多個對地觀測衛星，使同一區域高空間、高時間分辨率的遙感影像數據獲取更加高效。

基于多源遙感影像的土地利用遙感動態監測是指借助計算機圖像處理技術，利用廣域性、周期性、經濟性的多源遙感信息數據源，對土地資源狀況進行全面綜合調查，并結合地面輔助資料，全面系統地反映和分析土地資源利用狀況的動態變化，從而實現動態變化監測[1-6]。由于具有真實、直觀、快速覆蓋和信息量豐富等優點，土地利用動態遙感監測對土地利用動態變化及發展趨勢的反映更加及時、準確，為國土資源規劃、利用、調查、保護和服務經濟社會發展等工作提供強有力的技術支撐。

1 數據源

隨著國產衛星的蓬勃發展和高分衛星的陸續發射，可用于土地利用動態監測的高分辨率遙感影像數據越來越多，主要數據源見表1。

表1 多源高分遙感影像列表 m

2 土地利用動態監測內涵

土地利用動態監測通過對比不同時相（至少2個時相）的土地利用數據，分析土地在空間、時間和數量上的動態變化特征以及未來發展趨勢。土地利用遙感動態監測是利用同一區域、不同時相的遙感圖像之間的光譜特征差異分析和識別土地利用狀態或變化，其本質是量化時序遙感圖像的時域效果，即通過量化多源、多時相遙感圖像的空間域、時間域、光譜域等耦合特征，識別土地利用變化的類型、位置及數量[3-6]。

土地利用動態監測需要監測區域內的全部土地資源，分析和掌握各種土地利用種類的動態信息，包括空間分布、數量、質量等。當前土地利用動態監測主要通過定期監測全國土地調查、土地利用/土地覆蓋情況、耕地和建設用地等土地利用變化情況，對土地利用總體規劃及年度用地計劃的執行情況進行客觀、直接、及時的檢查。土地利用動態監測的目的是核查每年全國土地變更調查的匯總成果，對違法或涉嫌違法的地區及其他特定目標進行快速監測，為違法用地查處及突發事件處理提供佐證和依據，為國家宏觀決策提供科學、可靠的依據。

3 土地利用動態監測技術方法

基于多源高分遙感影像的土地利用動態監測包括的技術方法有高分遙感圖像預處理、土地利用信息提取和土地利用變化分析等。

3.1 圖像預處理

圖像預處理是對不同來源的高分遙感數據進行預處理，主要包括輻射校正、區域網平差、正射糾正、影像融合和鑲嵌裁切等內容，目的是確保待進行監測的區域內的所有影像具有統一的地理坐標。

3.1.1 輻射校正

輻射校正包括輻射定標和大氣校正。輻射定標是將影像數據的灰度值轉化為表觀輻亮度、表觀反射率等物理量的過程。基于6S大氣輻射傳輸模型的大氣校正可以實現ZY-3、ZY1-02C、GF系列、HJ 1A/1B等國產衛星數據的大氣校正處理。

3.1.2 區域網平差

區域網平差是利用同一區域多重覆蓋的多源、多時相衛星遙感影像進行大規模區域網聯合平差[7]，提高衛星幾何定位精度。采用基于RFM傳感器成像幾何模型的多源光學衛星影像、多基線、多重匹配特征的自動匹配技術，實現多時相、多源衛星遙感影像之間連接點的快速、可靠、自動量測；根據衛星遙感影像獲取過程中的衛星位置、傳感器姿態等關鍵信息，構建衛星遙感影像的通用成像幾何模型和嚴格成像幾何模型；結合各傳感器的成像特點，構建多源、多時相衛星遙感影像自檢校光束法區域網聯合平差的數學模型；實現大面積范圍內各衛星遙感影像定向參數和連接點物方空間坐標的可靠、精確求解；利用高精度的野外地面控制點，實現對多源、多時相衛星遙感影像區域網聯合平差結果的精度評定。

3.1.3 正射糾正

正射糾正是根據嚴格成像模型或利用控制點按一定的數學模型解算，同時利用數字高程模型，從原始的非正射投影影像獲取正射影像，消除因地形起伏和像片傾斜所引起的像片變形或像點位移，將像片由傾斜變為水平，并歸化到相應的制圖比例尺。

3.1.4 影像融合

影像融合是按照一定的規則或算法將在時間、空間和波譜上冗余或互補的多源遙感數據進行運算處理，生成具有新的時間、空間和波譜特征的合成影像數據，從而獲得比任何單一數據更豐富和精確的信息。影像融合不是簡單的數據融合，而是通過優化信息、消除或抑制無關信息、突出有用專題信息，從而改善目標識別的影像環境。因此影像融合不僅保留了原始多光譜影像的光譜特性，還提高了多光譜影像的空間分辨率。常用的影像融合方法包括PANSHARP融合、HIS變換融合、BROVERY變換融合、PCA變換融合、小波變換融合和乘法融合等，幾種融合效果對比如圖1所示。從圖1可以看出，PANSHARP融合效果最好，融合后影像空間分辨率和清晰度都比較高，而且色彩失真程度比較低，因此更適用于高分辨率遙感影像。

圖1 融合效果對比

3.1.5 鑲嵌裁切

鑲嵌裁切是將投影一致的多景影像快速拼接成一個大的影像，包括勻光勻色和鑲嵌拼接。勻光勻色是為了消除在影像獲取過程中由光照條件、大氣條件、地物屬性、攝影角度、相機參數、曝光差異和光學透鏡成像的不均勻性等因素影響而導致影像內部和影像之間出現的色彩差異與亮度分布不均勻。智能鑲嵌可以智能生成鑲嵌線，自動尋找高程落差和顏色過渡最平緩的鑲嵌線。

3.2 信息提取

土地利用信息提取是根據土地利用監測內容，采用面向對象分割與深度學習相結合的技術[8-11]對多時相、多源高分遙感影像進行分析處理，提取可能發生變化的位置、大小和范圍，以便可以有效凸顯土地利用的變化特征。

3.2.1 多尺度面向對象分割

多尺度面向對象分割是將遙感影像看作是一張具有拓撲關系的區域組成的鄰接圖，根據相應的尺度進行分割，從單像元大小的區域開始，設定閾值確保生成同質性高的影像分割區域（影像對象），然后相鄰影像區域兩兩合并增長，從而實現最佳分離和地物目標的表示。

3.2.2 高分辨率影像特征提取

基于非下采樣小輪廓變換（NSCT變換）對紋理特征進行多方向、多尺度提取；采用像元形狀指數（PSI）對中心像元局部鄰域的形狀和輪廓信息進行空間幾何特征的描述；針對光譜多波段結構特征的相似性，利用多元圖形特征融合的降維方法，減少信息冗余和計算代價，提高特征提取效率和精度。

3.2.3 基于深度學習的土地利用信息提取

將面向對象的方法與深度學習相結合，利用地形或地表輔助要素數據、專家知識及深度學習算法分析特殊要素遙感影像樣本，選用卷積神經網絡TensorFlow、Pytorch等框架，構建相對復雜的、具有自適應性的深度神經網絡模型，實現樣本數據的主動、自動學習；通過大量樣本數據的訓練、迭代，自動獲取樣本特征，構建深度學習模型，實現土地利用的信息提取。

3.3 變化分析

土地利用變化分析是利用CA-Markov模型分析多時相土地利用數據狀態及其變化。目前，馬爾科夫（Markov）模型主要應用在土地利用/土地覆蓋變化建模中，但該模型難以預測土地覆蓋的空間格局變化。元胞自動機（CA）模型具有強大的空間運算能力，可以有效地模擬系統的空間變化，但該模型主要著眼于元胞的局部相互作用。CA-Markov模型綜合了Markov模型和CA模型的優勢[12-13]，不僅可以長期預測，而且可以模擬復雜系統空間變化，從而實現有效地模擬土地利用格局的空間變化。CA-Markov模型的基本方法是利用前后2個事件景觀格局之間的轉移概率矩陣模擬土地利用發生的狀態及其變化。

4 土地利用動態監測應用

4.1 全國土地調查

傳統的土地利用調查方法工作量大、成本高而且效率低、更新周期長，而面向對象分割或深度學習的遙感影像土地利用分類技術可以快速、準確地獲取土地利用數據，監測真實的土地利用情況，在土地利用調查中具有廣泛的應用前景。以2010年的IKONOS高分辨率遙感影像作為數據源，將面向對象分類方法引入到土地調查中，在分割過程中加入邊緣檢測層和紋理濾波，確定每類地物的最佳尺度；提取描述地物類別的最佳特征或構建最佳特征組合，以此建立土地利用分類規則樹，采用面向對象分割方法進行土地利用分類；基于土地利用分類結果定義變化檢測規則，提取土地利用類別的變化圖斑，并統計分析每種類別的變化圖斑面積[14]。

4.2 土地利用/土地覆蓋監測

利用遙感技術可以揭示全球、區域和局地不同空間尺度上的土地利用和土地覆蓋變化，以及不同驅動力之間的聯系，因此，可以利用同一地區、不同來源、不同時相的遙感影像間存在的光譜特征識別土地利用狀態或現象的變化。利用江陰市2003年的IKONOS影像和2010年的WorldView2影像，采用面向對象多尺度分割方法，基于高分辨率影像特征提取城市的土地覆蓋信息，從而實現城區土地利用/土地覆蓋變化分析[15]。

4.3 耕地變化監測

18億畝（1畝約等于667 m2）是耕地數量的一條紅線，要實現耕地總量動態平衡，需要及時、準確、全面地掌握全國耕地的動態變化情況。基于知識遙感影像分類的知識獲取、表達、推理和積累等過程，利用SPOT5高分辨率影像數據，以城市郊區的耕地提取為主線，采樣面向對象的影像分類技術，以分類規則集的形式實現耕地的自動提取和變化監測[16]。

4.4 城市建設用地監測

隨著我國經濟的快速發展，城市建設用地擴張日新月異，因此，城市建設用地的變化是土地利用動態監測的重點監測對象。利用浙江桐鄉市2016年高分二號多光譜數據，在面向對象的多尺度分割的基礎上，采用深度學習技術，分析建設用地信息提取的深度卷積神經網絡及最佳分割尺度在建設用地信息自動提取中的效果和優勢[17]。

5 結束語

本文分析了利用多源高分遙感影像進行土地利用動態監測的內涵、技術方法和應用情況；介紹了利用多源高分遙感影像進行土地利用動態監測的技術流程，包括輻射校正、多源高分影像區域網聯合平差、正射糾正、影像融合、基于面向對象與深度學習的土地利用信息提取、基于CA-Markov模型的土地利用變化分析；從全國土地調查、土地利用/土地覆蓋監測、耕地變化監測和城市建設用地監測等方面介紹了我國在土地利用動態監測方面的應用情況，以期形成成熟的技術路線，構建基于多源高分遙感影像的土地利用動態監測體系，為國土綜合管理、土地利用總體規劃、農田保護、執法檢查和土地綜合整治等提供技術支撐。