高精度建設用地變化自動提取技術在土地督察中的應用

孫 飛，徐世武，3，吳信才，3，徐世鴻

(1.中國地質大學信息工程學院，武漢 430074;2.國家地理信息系統工程技術研究中心，武漢 430074;3.武漢中地數碼科技有限公司，武漢 430073;4.國家土地督察武漢局，武漢 430077)

0 引言

土地督察工作的重點是監管督察范圍內土地管理、調控和落實情況，對發現的問題責令限期整改，以體現國家對土地整治管理的威懾力［1］。長期以來，建設用地審批項目中未批先用的違法行為十分普遍。在日常審核工作中，要發現所審批的新增建設用地早于審批時間動工的違法用地行為，主要有2種途徑:①通過督察人員將本年度審批的新增建設用地與上一年末人工判讀的結果進行對比［2］;②依靠群眾舉報和網絡信息甄別［3］。前者由于基礎遙感數據的滯后性和對人工的依賴性，發現問題的及時性和效率都較低，不能達到實時監測的要求，且導致違法查處、整改成本大大增加;而后者只能達到局部實時督察的效果，難以實現大范圍督察，不能真正做到“主動出擊”。為了提升督察線索獲取的快捷性和準確性，實現例行、審批、專項和巡回督察中及時、高效、精準的目標，亟待采用先進的技術手段及時準確地發現違法用地的位置信息。

遙感方法為土地督察工作提供了很好的技術支撐［4］，影像數據的高時間分辨率和大范圍成像使多省市實時土地督察成為可能。但傳統的基于遙感分類的變化監測手段難以有效地滿足實時土地督察的要求:①樣本直接決定了目標是否能被成功識別［5］。傳統方式的樣本選取、分類設置及后處理均需人工參與［6］，對于大范圍、高頻次的土地督察工作顯然無法滿足要求。②分類方法需要改進。目前的分類方法在定量化方面顯得不足［6］，對建設用地變化的正確判別必須保證分類的準確性，這對不確定性較高的遙感分類是一大挑戰［7］。

本文提出的高精度建設用地變化自動提取技術是基于遙感影像、土地調查數據等先驗知識進行的。通過引入歷年土地調查數據(多年份衛星遙感和土地利用現狀數據)、審批數據(用地審批、供地備案和土地開發整理)以及土地利用總體規劃數據作為先驗知識，將多年份、多源數據中未發生變化的對象作為目標，建立穩定地物樣本庫［8］;利用樣本庫，結合當前影像分割結果，動態篩選訓練樣本，實現自動化的面向對象分類;對分類結果輔以現狀數據、規劃數據進行自動甄別，以減少人工判讀的工作量和誤差，提高效率和準確性;通過自動對比分析，提取建設用地變化信息，以保證提供及時、準確的督察線索。全自動化處理便于開展不定期、任意區域建設用地的實時督察，及時發現問題，利于對違法用地進行拆除、復墾等處理，真正實現“發現在初始，解決在萌芽”［2］的目標。

1 高精度建設用地變化的自動提取

1.1 技術路線

基于遙感影像、先驗知識的建設用地變化信息自動提取方法的關鍵要求是快速、及時、自動和準確，圖1示出其技術流程。

圖1 技術流程Fig.1 Technical flow chart

1)建立穩定的地物樣本庫。利用歷史土地調查成果、結合本底影像進行穩定地物樣本庫的建立。

2)幾何精糾正/配準。將當前區域的正射影像與歷史土地調查數據進行幾何精糾正，以保證影像與樣本庫數據的精確配準。

3)影像分割。

4)自動篩選訓練樣本。對當前區域的樣本庫進行檢索，同時關聯影像評分，動態、自動地篩選訓練樣本。

5)分類。利用訓練樣本對當前區域前后時相影像分別進行面向對象的分類

6)分類結果甄別。利用現狀調查成果數據、規劃數據對分類結果進行甄別，去除錯誤的分類。

7)變化監測。去除碎小圖斑(面積在3畝①1畝 =0.066 7 hm2以下)，提取與建設用地密切相關的圖層(建設用地圖層以及裸地等);利用變化矢量分析法［9］得到建設用地變化圖斑信息，作為土地例行、審批、專項和巡回督察等外業調查的目標。

1.2 關鍵技術

實現快速、及時、自動、準確的建設用地變化提取，有3個關鍵技術:穩定地物樣本庫的建立與更新、訓練樣本的動態自動化篩選和分類結果的自動甄別。

1.2.1 穩定地物樣本庫的建立與更新

1.2.1.1 穩定目標的選取與樣本庫的構建

本文提出利用多時相、多源先驗知識進行穩定地物樣本的選取和建庫:

1)制定耕地、建設用地、河流以及林地等典型地物的穩定目標選取規則。例如，對于基本農田數據，國家規定其應長期穩定存在，故在基本農田數據中選擇耕地數據;將橋梁、主干道路、政府所在地以及建制鎮等中心點作為建設用地候選點;對于水體，則選擇土地利用調查成果中的河流、水庫及湖泊中心;而林地主要選取土地利用調查成果中的有林地。依據上述穩定地物選取規則，由計算機自動抽選區域內面積較大的各類圖斑。

2)基于本底影像(多年份遙感數據)人工對上述自動選取的穩定目標進行補充和校驗。一方面補充計算機自動選取較少的類別(如鄉村區域的房屋等建設用地);另一方面檢查計算機自動抽選目標的正確性(因土地利用調查數據中并非全是嚴格的土地覆蓋情況)。

3)經過1)和2)得到了穩定地物樣本的初步目標，對照空間查詢審批數據作進一步篩選，去除處于用地審批、供地備案、開發整理中的目標，以保證所選目標不會在短期內發生變化。

4)利用當年衛星遙感數據庫中的研究區最新遙感影像(現多為2013年國家下發數據)對所抽選的目標進行區域樣本可分性計算，提取滿足可分性要求的目標圖形中心點。

5)采取人機交互方式，對比目標圖斑在多年份遙感數據中的表觀性質，結合土地利用總體規劃，對目標圖形中心點進行人工輔助再篩選，以保證入庫樣本的正確性。其具體過程如圖2所示。

圖2 穩定地物樣本選取流程Fig.2 Stable object sam p le selection

為提高數據庫的通用性，對所選圖斑取其圖形中心點作為主要記錄信息，按照數據庫設計的字段統一存儲管理。數據庫的屬性結構設計見表1。

表1 樣本庫屬性結構Tab.1 Attribute structure of sam p le database

1.2.1.2 樣本庫的自動更新

地物樣本的穩定性是相對的，庫中樣本并不能保證長期有效，因此在固定更新年限(如3 a)的情況下，需具備自動更新機制。樣本庫以使用頻率(由使用頻數(SYPS)和訪問次數(FWCS)計算得到)字段作為自動更新的依據。鑒于每次分類使用的訓練樣本均需通過樣本可分性檢查，通過檢查的樣本，使用頻數累加，得到該樣本作為訓練樣本用于分類的次數，即使用頻數(SYPS)。同時，訪問次數(FWCS)記錄主程序對該區域樣本庫的訪問次數，亦即當前區域督察次數。由使用頻數和訪問次數得到當前區域每個樣本作為訓練樣本的使用頻率。低頻樣本說明其未被經常使用，可能已經發生變化，這樣的樣本會在樣本庫自動更新中去除。

穩定地物樣本庫的建立主要是為了提高變化圖斑信息提取的自動化程度，一旦影像數據更新，在沒有人工參與的情況下可自動完成變化分析。

1.2.2 訓練樣本的動態自動化篩選

穩定地物樣本庫提供候選樣本。在分類前，結合當前影像，經過動態自動篩選得到用于分類的訓練樣本。

對訓練樣本一般從3個方面評價其優劣:①數量是否合適;②種類是否完備;③可分性是否良好［10］。薄樹奎等［11］指出，面向對象分類方法的樣本數量在2～3倍于波段數目(N)時，分類精度即能達到較高的水平并進入平穩階段。為保證特征學習的充分性，本文每類選擇9N的訓練樣本進行分類。故構建樣本庫時，要求各個類別樣本數量至少達到15N，以保證訓練樣本自動篩選程序的正常運行。

為了正確發現建設用地的變化信息，本文參照土地利用分類系統，結合研究區具體情況［12－13］，將主要地物類別分為建設用地(包括房屋等人工建筑和道路)、水面(坑塘、河流、水庫等)、林地、耕地和其他(裸地、沙地等未利用地)共5類。

訓練樣本在特征空間的可分性是樣本質量的表征。良好的可分性要求各個類別在特征空間中有比較明顯的界限［14］。一般用Jeffries－Matusita(J－M)距離和轉換分離度(transformed divergence，TD)衡量類間分離度，要求J－M距離大于1.38，轉換分離度大于 1.9［7］。

由于訓練樣本在數量、種類和質量上有上述要求，動態自動訓練樣本篩選首先在數據庫中查詢該區域穩定地物的位置，隨機選每類9N的點，同時套合當前區域分割影像，得到原始訓練樣本;然后關聯影像數據計算樣本可分性，如不滿足要求，則替換部分樣本，直到找到滿足質量要求的訓練樣本為止。而穩定地物樣本庫中存儲對象中心點的位置信息是為了關聯新影像，動態自動選擇訓練樣本;通過中心點位置找到分割影像中對應的對象，避免由于數據原因造成的分割差異導致的訓練樣本與分割影像無法套合及輻射環境不同導致的訓練樣本無法拓展［15］，提高數據庫的通用性。

1.2.3 分類結果的自動甄別

為了達到高精度的建設用地變化圖斑自動化提取的要求，本文提出使用土地利用現狀數據和規劃數據對建設用地變化圖斑進行甄別，以提高發現建設用地變化的準確性和及時性。

遙感分類的結果不可避免地會出現部分錯分，為了保證大范圍的高可靠性自動化精準督察，在不可能人工對全區域結果進行全面解譯和審查的情況下，引入最新土地利用現狀數據和規劃數據實現計算機對錯誤分類結果的有效甄別，以提高建設用地變化信息提取的可靠性。

本文對上述方法的有效性設計了對比實驗，在所有實驗條件(樣本、參數、分類器等)都相同的情況下，分析是否引入先驗知識進行分類結果甄別對于變化信息提取的影響，以驗證輔以土地利用調查成果數據對提高建設用地變化信息提取可靠性或精度的作用。

2 實驗結果與分析

2.1 實驗數據

以2013年8月2日和2014年1月23日獲取的資源三號衛星正視全色TDICCD數據為實驗數據，其空間分辨率為2.1 m，并融合了同時獲取的6 m分辨率的多光譜數據。

2.2 分類參數與分類器

通過對多組分割參數的實驗比較，本文確定影像分割采用的邊界尺度的經驗值為36。圖3示出局部影像的分割效果。

圖3 影像分割Fig.3 Image segmentation

本文以建設用地變化為例，在特征選擇時，除常用的光譜和紋理特征［16］外，還針對建設用地的特征適當增加了形狀信息［17］。所選特征包括光譜均值、光譜標準差、光譜最大值和最小值、紋理范圍、紋理均值、紋理方差和信息熵、緊密性、凹凸性、形狀指數、延伸性以及類矩形性。分類器均使用K近鄰分類器(K－nearest neighbor)，利用以上特征，設置權重為5，進行最近鄰分類。

2.3 實驗結果分析

為了驗證樣本庫樣本的可重復使用性及輔以土地利用調查數據對提高變化信息提取的可靠性，本文按照圖1所示的技術流程和傳統分類后變化監測(無土地利用調查數據輔助的監測)分別實驗，研究建設用地變化圖斑的提取效果。在無人工后處理的情況下，分別得到如下實驗結果(圖4)。

圖4 實驗數據與結果Fig.4 Experiment data and results

從圖4可以看出，2景影像在數據質量和成像效果上均有很大差別，但對于利用穩定地物樣本庫自動篩選出的訓練樣本，不論是從可分性還是分類效果上，訓練樣本均有效，說明自動選取訓練樣本的模式可行。事實上，筆者在多個時相、多個研究區的實驗中發現，這種訓練樣本自動選取機制均有效，大大提高了監督分類的自動化程度。因植被與耕地在影像上有相似之處，兩者之間的可分離度偏低，因此，對于具有相似特征地物的分離標準有待進一步研究。2個時相的訓練樣本可分性如表2所示。

表2 樣本可分性Tab.2 Sam p le separability

為了評估分類結果，本文將土地利用現狀圖(圖4(c))分別與2個時相的分類結果(圖4(d)和(e))疊置，結合目視解譯，選擇了5 920個檢查點(圖4(f)，其中，建設用地1 678個，耕地1 115個，水體537個，植被2 553個，其他類型地物37個)，建立混淆矩陣，評估分類精度(表3)。

表3 分類精度Tab.3 Classification accuracy

利用樣本庫動態自動篩選訓練樣本直接對2014年遙感數據進行分類，仍然能保證80%以上的總體分類精度以及0.7以上的內部一致性(Kappa系數)，說明訓練樣本的自動化選取可行。筆者在多個實驗區實驗均得到了相同結論。需要說明的是，2013年建設用地的生產者精度偏低的主要原因是由于圖像上有云層覆蓋所致。

輔以土地利用現狀和規劃數據對2個時相影像的分類結果進行甄別，去除碎小圖斑，得到變化圖斑493個。對變化圖斑進行人工判斷，其中真實變化的有225個(占45.64%)，疑似變化的(如耕地種植變化導致的土壤裸露、冬季加蓋大棚等不屬于建設用地的變化)134個(占27.18%)。即建設用地變化圖斑的正確率達72.82%，新增建設用地變化圖斑的正確率達45.64%(表4和圖5)。

表4 輔以土地利用現狀數據的建設用地變化提取正確率Tab.4 Accuracy of construction land change detection aided with land－use data

圖5 輔以土地利用現狀數據的建設用地變化提取Fig.5 Construction land truly changed area extraction aided with land－use data

從采用傳統方法提取的建設用地變化結果中取出900個變化圖斑進行人工判釋發現，其中真實變化圖斑148個(占16.44%)，而77%的變化圖斑均為偽變化;變化監測提取的正確率僅為33%，不足新方法的一半，且新增建設用地的檢測正確率不足新方法的1/3(表5和圖6)。

表5 傳統建設用地變化提取正確率Tab.5 Accuracy of construction land change detection using traditionalmethod

圖6 傳統方法提取的建設用地真實變化區域Fig.6 Construction land truly changed area extraction using traditionalmethod

通過對比分析可知，本文方法對建設用地變化信息提取的可靠性有了大幅度提高。另外，利用本文方法得到的靶區，在其他研究區開展了外業調查，違法用地的正確查出率達95%以上(3處外業調查中，正確建設用地變化圖斑數目與外業調查目標總數之比分別為40∶42，8∶9 和 5∶5)。

特別要指出的是，在具備穩定地物樣本庫的情況下，由于減少了對新時相影像樣本選取的時間，對單個縣市的自動化建設用地變化提取平均耗時僅需2 h左右。因此，保證影像數據的更新頻率，可大大提高土地督察的實時性。

3 結論

本文通過利用土地利用調查成果建立穩定地物樣本庫，動態自動篩選訓練樣本，有效甄別分類結果，實現了多時相建設用地變化信息的高效、自動提取。

1)利用多源土地調查成果，制定規則，由計算機抽選、結合人工輔助的方式可方便地建立穩定地物樣本庫。

2)通過樣本庫定位，關聯當前影像的訓練樣本動態自動篩選機制，能夠滿足高精度、自動化監督分類對樣本的要求。

3)輔以土地利用現狀數據對分類結果的甄別，可有效降低因錯誤分類結果引起的建設用地變化的誤判率。

4)部分地物由于光譜的相似性，導致其類別間可分離性不高，若采取統一的可分離性標準，可能直接影響訓練樣本篩選的自動化程度。如何界定相似地物類別間的可分離性有待進一步研究。

5)本文采用相隔4個月(2013年8月和2014年1月)的資源3號衛星影像，但未就數據時相的不一致性、植被生長周期對訓練樣本自動篩選和建設用地變化自動提取的影響等問題做深入研究，這也是本文后續的研究方向。

［1］ 國家土地督察局.國家土地督察督察職責［EB/OL］.［2006－07－13］.http://gjtddc.mlr.gov.cn/zzjg/.Supervisor of State Land.Inspector duties of state land supervisor［EB/OL］.［2006－07－13］.http://gjtddc.mlr.gov.cn/zzjg/.

［2］ 國家土地督察局武漢局.武漢督察局利用在線土地督察系統三期建設成果提高審核督察效用［EB/OL］.［2014－05－19］.Wuhan Bureau of State Land Supervision.Wuhan Burean of state land supervision improved the effectiveness of land audit inspector by using the achievement of online land supervision system III［EB/OL］.［2014－05－19］.http://whdc.mlr.gov.cn/dcyw/dckx/201405/t20140519_1317387.htm.

［3］ 國家土地督察局武漢局.“科技之眼”助推土地督察發現機制創新［EB/OL］.［2013－01－21］.http://www.whdc.mlr.gov.cn/dcyw/dckx/201301/t20130121_1176883.htm.Wuhan Bureau of State Land Supervision“ Eye of Technology”impels the innovation of clues discovering mechanism for state land supervision［EB/OL］.［2013－01－21］.http://www.whdc.mlr.gov.cn/dcyw/dckx/201301/t20130121_1176883.htm.

［4］ 雒燕飛，徐泮林，李英成，等.3S技術在土地督察中的應用［J］.國土資源遙感，2010，22(3):12－15.doi:10.6046/gtzyyg.2010.03.03.Luo Y F，Xu PL，Li Y C，etal.The application of3S technology to land supervision［J］.Remote Sensing for Land and Resources，2010，22(3):12－15.doi:10.6046/gtzyyg.2010.03.03.

［5］ 朱秀芳，潘耀忠，張錦水，等.訓練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅰ)——訓練樣本與分類方法間分類精度響應關系研究［J］.遙感學報，2007，11(6):826－837.Zhu X F，Pan Y Z，Zhang JS，etal.The effects of training samples on the wheat planting area measure accuracy in TM scale(Ⅰ):The accuracy response of different classifiers to training samples［J］.Journal of Remote Sensing，2007，11(6):826－837.

［6］ 李石華，王金亮，畢 艷，等.遙感圖像分類方法研究綜述［J］.國土資源遙感，2005，17(2):1－6.doi:10.6046/gtzyyg.2005.02.01.Li SH，Wang JL，Bi Y，etal.A review ofmethods for classification of remote sensing images［J］.Remote Sensing for Land and Resources，2005，17(2):1－6.doi:10.6046/gtzyyg.2005.02.01.

［7］ 張 華.遙感數據可靠性分類方法研究［D］.徐州:中國礦業大學，2012.Zhang H.Study on Reliable Classification Methods Based on Re-motely Sensed Image［D］.Xuzhou:China University of Mining and Technology，2012.

［8］ 李 雪，舒 寧，劉小利，等.基于特征映射模式分析的對象級變化檢測方法［J］.國土資源遙感，2013，25(3):51－55.doi:10.6046/gtzyyg.2013.03.09.Li X，Shu N，Liu X L，etal.The change detectionmethod based on object－oriented characteristic mapping pattern analysis［J］.Remote Sensing for Land and Resources，2013，25(3):51－55.doi:10.6046/gtzyyg.2013.03.09.

［9］ 陳 宇，杜培軍，唐偉成，等.基于BJ－1小衛星遙感數據的礦區土地覆蓋變化檢測［J］.國土資源遙感，2011，22(3):146－150.doi:10.6046/gtzyyg.2011.03.26.Chen Y，Du P J，Tang W C，et al.Land cover change detection in coalmining area using BJ－1 small satellite remote sensing data［J］.Remote Sensing for Land and Resources，2011，22(3):146－150.doi:10.6046/gtzyyg.2011.03.26.

［10］ Richards JA，Jia X.Remote Sensing Digital Image Analysis:An Introduction(4th Edition)［M］.Berlin Heidelberg:Springer，1999.

［11］ 薄樹奎，丁 琳.訓練樣本數目選擇對面向對象影像分類方法精度的影響［J］.中國圖象圖形學報，2010，15(7):1106－1111.Bo SK，Ding L.The effectof the size of training sample on classification accuracy in object－oriented image analysis［J］.Journal of Image and Graphics，2010，15(7):1106－1111.

［12］ 張景華，封志明，姜魯光.土地利用/土地覆被分類系統研究進展［J］.資源科學，2011，33(6):1195－1203.Zhang JH，Feng ZM，Jiang L G.Progress on studies of land use/land cover classification systems［J］.Resources Science，2011，33(6):1195－1203.

［13］ 張 磊，吳炳方.關于土地覆被遙感監測的幾點思考［J］.國土資源遙感，2011，23(1):15－20.doi:10.6046/gtzyyg.2011.01.03.Zhang L，Wu B F.A discussion on land covermapping［J］.Remote Sensing for Land and Resources，2011，23(1):15－20.doi:10.6046/gtzyyg.2011.01.03.

［14］ Guo QH，LiW K，Liu D S，etal.A framework for supervised image classification with incomplete training samples［J］.Photogrammetric Engineering and Remote Sensing，2012，78(6):595－604.

［15］ 任廣波，張 杰，馬 毅，等.基于半監督學習的遙感影像分類訓練樣本時空拓展方法［J］.國土資源遙感，2013，25(2):87－94.doi:10.6046/gtzyyg.2013.02.16.Ren GB，Zhang J，Ma Y，etal.Extendingmethod of remote sensing image training sample based on semi－supervised learning in both time and spatial domain［J］.Remote Sensing for Land and Resources，2013，25(2):87－94.doi:10.6046/gtzyyg.2013.02.16.

［16］ 王東廣，肖鵬峰，宋曉群，等.結合紋理信息的高分辨率遙感圖像變化檢測方法［J］.國土資源遙感，2012，24(4):76－81.doi:10.6046/gtzyyg.2012.04.13.Wang DG，Xiao P F，Song X Q，etal.Change detectionmethod for high resolution remote sensing image in association with textural and spectral information［J］.Remote Sensing for Land and Resources，2012，24(4):76－81.doi:10.6046/gtzyyg.2012.04.13.

［17］ 張 茜，劉順喜，陳 戈，等.面向新增建設用地發現的地塊特征構建［J］.國土資源遙感，2013，25(4):98－103.doi:10.6046/gtzyyg.2013.04.16.Zhang X，Liu SX，Chen G，et al.Block feature usage in new construction land change detection supplemented by land use data［J］.Remote Sensing for Land and Resources，2013，25(4):98－103.doi:10.6046/gtzyyg.2013.04.16.