基于BJ－1小衛星遙感數據的礦區土地覆蓋變化檢測

陳 宇，杜培軍，唐偉成，柳思聰

基于BJ－1小衛星遙感數據的礦區土地覆蓋變化檢測

陳 宇，杜培軍，唐偉成，柳思聰

(中國礦業大學國土環境與災害監測國家測繪局重點實驗室，徐州 221116)

為了評價利用北京一號小衛星(BJ－1)遙感數據監測煤礦區土地利用/地表覆蓋變化的效果，針對其數據特點，選擇基于圖像信息運算和圖像信息變換的直接變化檢測法以及分類后比較法，對徐州東礦區2007～2008年土地利用/地表覆蓋變化情況進行檢測，以對比、評價各種方法在土地利用/地表覆蓋變化檢測中的應用效果和BJ－1數據的適用性。結果顯示，變化矢量分析法的檢測精度最高，其后依次為圖像比值法、圖像差值法和多波段主成分分析法。通過變化檢測，確定徐州市東礦區土地利用/地表覆蓋變化較為集中的幾個區域，包括東礦區北部的青山泉礦、韓橋礦、董莊礦和南部的大黃山礦等地區。

北京一號小衛星(BJ－1);土地覆蓋;變化檢測;礦區;變化矢量分析

0 引言

北京一號小衛星(BJ－1)是根據國家“十五”科技攻關計劃和高技術研究發展計劃(863計劃)的安排，在科技部、北京市政府、國家測繪局和21世紀空間技術應用股份有限公司等部門的共同支持下，與英國薩瑞衛星技術有限公司(SSTL)合作，于2005年10月27日在俄羅斯成功發射的［1］。目前，BJ－1遙感數據在國土資源調查監測、環境與災害監測、城市管理建設等方面已開展了一系列的示范應用研究，并取得了可喜的成果［2］。土地利用/地表覆蓋變化檢測是遙感應用的熱點之一，尤其是對環境多變的煤礦區而言，實時監測土地利用/覆蓋動態是進行全面監管和有效治理礦區生態環境的關鍵。利用遙感圖像進行地表動態變化檢測的方法可分為以下兩類:①非監督式的直接變化檢測法;②監督式的基于分類后比較的變化檢測法。由于土地利用/地表覆蓋變化受到空間、時間、地物光譜等多種復雜因素的影響，任何變化檢測方法都有其優勢與不足，還沒有一種方法最優，并適合于所有情況，即使在相同環境下，不同方法得到的檢測結果也各不相同，甚至出現爭議性的結論［3］。

為了探究國產小衛星遙感數據在煤礦區土地利用/地表覆蓋變化監測中的應用效果，本文以BJ－1小衛星多光譜遙感影像為數據源，采用多種變化檢測法對徐州東礦區土地利用/地表覆蓋變化進行了檢測，并分析、對比了各種檢測方法的優缺點和在本研究區的應用效果及BJ－1數據的適用性。

1 研究區及數據源概況

徐州市位于江蘇省西北部，地理坐標為116°22'～118°40'E、33°43'～34°58'N，處于蘇、魯、豫、皖四省交界處，交通便利，鐵路、公路四通八達，是全國重要的水路交通樞紐和東西南北經濟聯系的“十”字路口［4］。徐州市是華東地區典型的礦業城市，區內煤炭資源十分豐富，為江蘇省重要的煤炭生產和供應基地，也是中國重點煤炭基地之一。

本文的研究區域為徐州市東礦區，包括青山泉礦、大黃山礦、韓橋礦、董莊礦、權臺礦、旗山礦和鄭莊礦等煤礦。圖1為研究區2008年BJ－1小衛星遙感數據的近紅外波段、紅光波段和綠光波段的假彩色RGB合成圖像。

圖1 徐州東礦區2008年BJ－1衛星遙感假彩色合成圖像Fig.1 BJ －1 false－color composite image of east coal mining area in Xuzhou in 2008

試驗采用2007年2月2日和2008年2月18日獲取的空間分辨率為32 m的BJ－1多光譜圖像(包括綠光波段、紅光波段和近紅外波段)。由于所選用數據的獲取月份相近，因此地物覆蓋類別信息較一致，便于進行土地利用/地表覆蓋變化檢測。

數據預處理包括幾何精糾正、圖像裁剪和直方圖匹配。預處理時，先以2007年圖像為基準，采用Geographic Lat/lon和WGS－84坐標系，選擇了33個地面控制點，對2008年圖像進行幾何配準，配準后圖像的均方根誤差(RMS)為0.493像元;然后采用二次多項式及最近鄰取值法進行重采樣，得到幾何精糾正圖像;接著再依據研究區范圍將2幅圖像裁剪為同一區域;最后以2007年圖像為基準進行直方圖匹配，即得到預處理后效果最佳的圖像。

2 變化檢測方法

選擇直接變化檢測法和分類后比較法來檢測徐州市東礦區2007～2008年土地利用/地表覆蓋的變化情況。

2.1 直接變化檢測法

目前，常用的直接變化檢測方法包括基于圖像信息運算的方法、基于圖像信息變換的方法和基于模型分析的方法。本文采用前2種方法進行實驗［5］。

2.1.1 基于圖像信息運算的方法

(1)圖像差值法。該法是應用最為廣泛的變化檢測方法。它先通過將配準后不同時相圖像的對應像元的灰度值進行相減來生成一幅新的代表不同時相光譜變化的差值圖像;然后用差值圖像的灰度值來表示2幅圖像間的變化程度［6］;最后通過選取合適的閾值對差值圖像灰度進行分割來確定變化區域與不變區域。此方法既可應用于單波段圖像，也可用于多波段圖像。

(2)圖像比值法。該法是通過將經配準的不同時相遙感圖像的對應波段圖像進行逐像元相除，所得到的比值圖像就增強了變化信息［7］。如果像元的亮度值較為接近，則比值為1或近似為1，表明無變化;若像元比值明顯高于或低于1，則認為發生變化，比值的大小取決于發生變化的性質。通常可通過經驗法判斷比值圖像直方圖上下尾端的閾值來確定變化信息。

(3)植被指數法。該法是先分別對2個時相圖像求取植被指數，然后對植被指數進行差值處理，進而通過選擇合適的閾值來提取出變化信息［6］。

在眾多植被指數中，歸一化差值植被指數(NDVI)常被用于土地利用/地表覆蓋變化檢測，利用植被對近紅外波段與紅光波段光譜明顯的響應差，可很好地反映地面植被的覆蓋情況。

(4)變化矢量分析法。變化矢量是描述從時相1到時相2光譜向量變化的方向和大小的矢量，每個像元可生成一個具有變化方向和變化強度(大小)2個特征的變化向量［3］。當某一像元的變化強度值超出一定范圍時，則認為該像元發生變化;否則，認為該像元未發生變化。

2.1.2 基于圖像信息變換的方法

(1)主成分分析法。主成分分析(PCA)變換檢測法［7］可分為主成分差異法、差異主成分分析法和多波段主成分分析法。

主成分差異法是將2個時相的多光譜圖像先分別進行PCA變換，然后將變換后得到的2個第一主成分進行差值處理，再對得到的差值圖像通過設定閾值來提取變化信息。

差異主成分分析法是先將2個時相多光譜圖像的各個波段對應圖像分別進行相減，然后對差值圖像進行PCA變換，變化信息主要集中于第一主成分。

多波段主成分分析法是將2個時相圖像的波段先合成形成一個2倍于原圖像波段數的新圖像，然后對該圖像進行PCA變換。變換結果的前幾個主成分集中了2個圖像的不變化信息，而后面的幾個主成分則反映2個圖像的變化信息，因此可以通過提取后幾個主成分進行合成來得到變化信息。

(2)對應成分分析法。對應分析(CV)是采用V2統計量來表示波段內各個像素與波段間的相關關系［8］。設遙感圖像數據有n個波段，每個波段有r個像素，則可構造一個矩陣Xrxn。矩陣X中的每一個元素都除以矩陣元素數值的總和，即構造出新矩陣Z，新矩陣元素為

再構造一個r×1大小的向量p，使它的每個元素代表矩陣Z的每行元素之和，同時構造一個n×1大小的向量q，使它的每個元素代表矩陣Z的每列元素之和。

V2統計量可以描述矩陣Z中行列變量之間的獨立性，V2統計量為

矩陣U為

若計算出U的特征值和特征向量，則對應的分析變換系數矩陣即為由U的特征向量組成的矩陣。

對應分析法的處理過程與主成分分析法類似，即首先分別對2個時相的多光譜圖像進行CA變換，然后將變換后得到的2個第一分量進行差值處理，再提取變化信息。研究中采用IDL語言編程實現對應成分變換。

2.2 分類后比較法

分類后比較法也是目前應用較廣泛的一種遙感變化檢測方法，其原理是對2個不同時相的圖像先采用相同的算法分別進行單獨分類，然后通過對分類結果進行對比來檢測變化信息［9］。

這種方法可以避免直接變化檢測法對2個不同時相圖像的成像條件要基本一致的條件，以及2個圖像間的輻射校正、匹配等問題，對用多源遙感數據進行變化檢測也具有較好的效果［7］;同時，通過選擇合適的分類方法還可以克服地形因素引起的偽變化［3］;另外，此方法還可以直接提供變化前后的地物類別信息和變化信息。但是此方法也有一定的局限，它要求2次地物影像分類必須遵循統一的分類標準，而變化分析的精度又依賴于地物影像分類的精度，這就會受到利用2個圖像分別進行地物影像分類所帶來的誤差影響，從而不可避免地夸大了地表變化的程度［7］。

3 實驗和分析

以BJ－1遙感數據為基礎，采用上述各種變化檢測方法分別進行土地利用/地表覆蓋變化檢測實驗，得到的徐州市東礦區土地利用/地表覆蓋變化結果如圖2所示。

圖2 9種變化檢測方法的檢測結果Fig.2 Results of nine change detection methods

圖2 (i)為分類后比較法的檢測結果，圖中僅選擇變化較明顯且相對重要的區域顯示。

其中，差值法和比值法均先對各單波段分別進行變化檢測，然后將3個波段的檢測結果進行疊加，故最終所得結果為彩色圖像，它反映了3個波段的綜合變化信息。分類后比較法是先根據研究區土地覆蓋的實際情況，對2個時相的圖像分別選擇訓練樣本;然后采用基于CART的決策樹分類方法，將徐州東礦區的土地覆蓋類型分為農田、建筑用地、水體和林地4類;最后選擇測試樣本進行分類精度評價，得到的2007年的總分類精度和Kappa系數分別為84.2%和0.821;2008年的總分類精度和Kappa系數分別為85.9%和0.837。

對不同變化檢測方法得到的結果進行精度評價，通常采用類似于分類精度評價的方法，即先將變化檢測結果作為分類圖像，包括“變化”和“不變化”2個類別;然后在原圖像上通過選擇“變化”類別和“不變化”類別的測試樣本，即可構造混淆矩陣，并得到總體檢測精度、Kappa系數 、虛檢率及漏檢率等精度指標(見表1)。

表1 不同變化檢測方法檢測結果精度對比Tab.1 Precision comparison between different change detection methods

通過對各種變化檢測方法的檢測結果進行統計分析，得到的變化區域面積(單位為km2)以及占地區總面積的百分比如圖3所示。

圖3 不同變化檢測方法檢測到的變化區域面積百分比Fig.3 Area percentage of the changed area detected by different methods

由表1和圖3可以看出:

(1)變化矢量分析法的變化檢測精度最高，虛檢率最低，但漏檢率相對偏高，這使得用該方法檢測到的變化區域面積百分比最低。

(2)圖像差值法和圖像比值法也具有較好的檢測精度，但二者檢測到的變化區域面積明顯高于其他方法，其原因有二:首先，此2種方法均先利用單波段數據分別進行差值和比值運算，然后再對3個波段圖像的檢測結果進行合成，由于其包括了3個波段圖像的變化信息，因而能充分反映每個波段圖像的地表信息變化，但因綠光波段圖像的質量不佳，會對檢測結果產生影響;其次，這2種方法的漏檢率相對偏低而虛檢率則相對偏高，從而使得檢測到的變化區域的面積偏大。

(3)在主成分分析的3種方法中，多波段主成分分析法的精度最高，虛檢率和漏檢率也最低，但在所有方法中漏檢率偏高。另2種主成分分析方法的檢測精度十分接近，檢測到的變化區域面積比例也都在5.9%附近，說明它們在一定程度上檢測效果相當，可選擇使用;但是與其他方法相比，這2種方法的變化檢測效果并不理想，檢測精度較低，漏檢率和虛檢率都偏高。

(4)對應成分分析法的檢測精度相對較低，虛檢率和漏檢率較高。雖然對應分析是將多光譜圖像的波譜空間轉換為成分空間，前幾個成分集中了大部分信息，且能排除噪聲干擾，但同樣會使部分變化信息被遺漏。此方法對于徐州市東礦區土地利用/地表覆蓋變化檢測的適用性相對較差。

(5)分類后比較法雖然可以檢測出土地利用/地表覆蓋變化的性質和位置(這是其他檢測方法不具有的特點)，但在本實驗中，其變化檢測的精度最低。這主要是受2個時相圖像分類精度的影響，導致其土地利用/地表覆蓋變化檢測精度最低，虛檢率最高，檢測出的變化區域面積百分比最大。在檢測結果圖(圖2(i))上可以看出，有很多虛檢部分為道路或建筑物輪廓線。此方法對于徐州市東礦區的土地利用/地表覆蓋變化檢測的適用性較差。

總體而言，9種檢測方法對于利用BJ－1小衛星遙感數據來對徐州市東礦區土地利用/地表覆蓋變化進行檢測都有一定的適用性，其中變化矢量分析法、圖像差值法、比值法及多波段主成分分析法的檢測效果相對較好;從檢測到的變化區域面積比例來看，圖像差值和比值法檢測到的變化區域面積較大，但虛檢率較高;變化矢量分析法和多波段主成分分析法的虛檢率雖然較低，但漏檢率較高。所以，對檢測方法的選擇還要依據具體情況而定。

4 結論

(1)本文基于徐州市東礦區BJ－1小衛星遙感數據，采用9種變化檢測方法進行了土地利用/地表覆蓋變化檢測實驗，并評價了各種方法對該地區土地利用/地表覆蓋變化檢測的適用性。結果表明，變化矢量分析法的檢測精度最高，其次為圖像比值法、圖像差值法和多波段主成分分析法。其他方法的適用性相對較差，植被指數法主要對植被的變化較為敏感，而對其他地物的敏感度較低;分類后比較法不僅受分類精度影響較大，并且存在較嚴重的虛檢現象。

(2)通過對各種方法檢測結果的分析比較，并參照其他資料，最終確定了徐州市東礦區2007～2008年土地利用/地表覆蓋變化主要集中的幾個區域，主要包括東礦區北部的青山泉礦、韓橋礦、董莊礦和南部的大黃山礦等區域。

(3)隨著新的土地利用/地表覆蓋變化檢測方法的不斷涌現，集成多種變化檢測方法的優勢和特點，以提高整體檢測精度，將是下一步研究的主要方向。

［1］ 童慶禧，衛 征.北京一號小衛星及其數據應用［J］.航天器工程，2007，16(2):1 －5.

［2］ 魏 軍，張萍萍，紀中奎.“北京一號”小衛星數據在北京森林生態系統資源動態分析中的應用［J］.生態學報，2008，28(7):3465－3469.

［3］ 李月臣，楊 華，劉春霞，等.土地覆蓋變化遙感監測方法［J］.水土保持研究，2006，13(1):209 －216.

［4］ 周興東，于勝文，趙長勝.徐州市土地利用/覆蓋動態變化分析［J］.測繪通報，2008(1):33 －36.

［5］ 杜培軍，胡召玲，郭達志，等.工礦區陸面演變監測分析與調控治理研究［M］.北京:地質出版社，2005.

［6］ 張振龍，曾志遠，李 碩，等.遙感變化檢測方法研究綜述［J］.遙感信息，2005(5):64－66.

［7］ 李向軍.遙感土地利用變化檢測方法探討［D］.北京:中國科學院遙感應用研究所，2006.

［8］ 龔 潔，張景雄，申邵洪.基于對象的對應分析在高分辨率遙感影像變化檢測中的應用［J］.武漢大學學報，2009，34(5):544－547.

［9］ Coppin P，Jonckheere I，Nackaerts K，et al.Digital Change Detection Methods in Ecosystem Monitoring:a Review［J］.International Journal of Remote Sensing，2004，25(9):1565 －1569.

Land Cover Change Detection in Coal Mining Area Using BJ－1 Small Satellite Remote Sensing Data

CHEN Yu，DU Pei－jun，TANG Wei－cheng，LIU Si－cong
(Key Laboratory for Land Environment and Disaster Monitoring of SBSM，China University of Mining and Technology，Xuzhou 221116，China)

In order to evaluate the performance of monitoring land cover change in mining areas by BJ－1 small satellite remote sensing data，the authors made an experimental and comparative study of several change detection methods，with the east coal mining district of Xuzhou City in Jiangsu Province as the study area.Direct change detection methods based on image information operation and image information transformation as well as the postclassification comparison method were adopted in the experiment.The results show that the change vector analysis can attain the highest accuracy，followed by the method of image ratio method，image differencing and multi－ band principal component analysis.Through the change detection process，several areas with great land cover change were detected，such as Qingshanquan，Hanqiao and Dongzhuang mining areas in northern east mining district and Dahuangshan mining area in southern east mining district.

BJ－1 micro－satellite(BJ－1);Land use/cover;Change detection;Mining area;Change vector analysis

TP 79:X 835

A

1001－070X(2011)03－0146－05

2010－11－02;

2011－03－22

國家自然科學基金項目(編號:40871195)、中國地質調查局地質調查工作項目(編號:1212011088034)、江蘇省“333工程高層次人才培養計劃”科研項目(編號:2009－32)、江蘇省自然科學基金項目(編號:BK2010182)及江蘇省大學生實踐創新訓練計劃項目(編號:S200913)共同資助。

陳 宇(1988－)，女，中國礦業大學碩士研究生，主要從事資源環境遙感方面的研究。

杜培軍，Email:dupjrs@gmail.com;dupjrs@126.com。

(責任編輯:丁 群)