基于定量化遙感數據的土地利用變化自動監測

劉斌 蔣勵 臧英斐

[摘要]針對當前土地利用變化遙感監測主要依賴于人工交互解譯，存在成本高和耗時久的問題，在多時相遙感數據定量化處理基礎上，設計了一種土地利用變化自動監測方法。試驗區兩景Landsat 8數據處理結果顯示，該方法可自動提取兩景影像間的土地利用變化信息，提取結果的精度較好。

[關鍵詞]Landsat 8;定量遙感;土地利用變化

[中圖分類號]P237;F301 [文獻標識碼]A

1? ? 引言

土地是人類最基本的生產資料，是人們賴以生存和發展的基礎，具有有限性和不可替代性。隨著經濟的不斷發展和人口的持續增長，目前我國每年因經濟建設和環境改變等因素導致大量的土地用途發生改變，人地關系日益緊張，耕地保護任務艱巨。因此，及時獲取土地利用狀況及其變化信息，對于土地資源管理至關重要。目前獲取土地利用變化信息主要通過年度土地變更調查工作。該項工作主要通過內業解譯遙感影像獲取土地利用變化圖斑，然后通過外業核查的方式對內業圖斑進行驗證。其中內業解譯主要依賴于人工目視解譯，存在勞動強度大、耗費時間長等缺點，已逐漸不能滿足國土精細化管理需求。

《國土資源“十三五”科技創新發展規劃》指出：要“以定量遙感技術促進國土資源調查監管模式轉變，著重提升空天觀測技術定量化、工程化、智能化數據處理和專題產品生產能力，開發軟件平臺，提升服務效率……”。定量遙感，又稱為遙感信息定量化，是利用遙感傳感器獲取的地表地物的電磁波信息，在先驗知識和計算機系統支持下，定量獲取觀測目標參量或特性的方法與技術。本文針對當前土地利用變化監測目視解譯方法存在速度慢效率低的問題，嘗試利用定量化的Landsat 8數據對土地利用變化進行自動監測。

2? ? 研究區與數據

本文選擇重慶市主城區作為研究區。重慶市地處我國西南，地形以丘陵和山地為主。重慶市主城區有華鎣山系的縉云山、中梁山、銅鑼山和明月山等支脈;同時嘉陵江與長江在重慶朝天門處交匯，自西向東流出。主城區內山水相映，兩江四山構成了山地城市的空間特色。山地城市是重慶市主城區的特色景觀，但同時也導致了重慶市主城區可供開發利用的土地少，人地關系相較于平原城市更為緊張。此外，近年來重慶市經濟高速發展，在全國主要城市中位居前列，而經濟高速發展必然帶來用地的持續增加，因此重慶主城區的土地利用變化監管與監測尤為重要。

本文選擇的衛星遙感影像為Landsat 8數據，數據級別為L1T，已利用地面控制點和數字高程模型進行了幾何校正和正射校正。Landsat 8是地球資源衛星計劃的第八顆衛星，Landsat 8數據具有波段數較多（包括可見光、近紅外、短波紅外和熱紅外）、輻射定標精度高、中等分辨率的特征，尤其適合開展區域尺度的定量化遙感監測。本文選用了研究區的兩景Landsat 8影像開展土地利用變化自動監測研究，數據的獲取時間分別為2016年7月10日和2017年6月15日。數據的條帶號為WRS-2（Worldwide Reference System，全球參考系統）P128/R39，數據覆蓋范圍主要為重慶市主城區。

3? ? 研究方法

3.1? ? 輻射定標

本文所用的Landsat 8數據來源于美國地質調查局（USGS），該數據已經進行了系統輻射校正，并在元數據中提供了定標系數，根據定標系數和式（1），可以將數據轉換為傳感器入瞳輻亮度（亮溫）數據：

式中為傳感器入瞳處的光譜輻射亮度（W/（m2·sr·μm）），表示L1T數據的像元值，和分別為增益和偏差。

3.2? ? 地形輻射校正

重慶主城區地形起伏較大，研究區范圍內最大高差約為500m。地形的起伏會導致遙感影像的輻射差異，因此需要進行地形輻射校正處理。本文選用普適性較好的C校正模型對研究區Landsat8數據進行地形輻射校正處理。C校正模型可以較好的模擬影像象元值和太陽入射角余弦之間的關系，可避免由于入射角較大引起的過校正現象，具體算法可見相關文獻。

3.3? ? 大氣校正

遙感影像大氣校正是采用一定的算法，消除由于大氣效應所引起的遙感影像灰度值偏差。目前，遙感影像的大氣校正算法主要包括基于圖像特征的模型、地面線性回歸經驗模型、大氣輻射傳輸模型等。大氣輻射傳輸模型是利用輻射傳輸方程來描述電磁輻射在散射、吸收介質中的傳輸，然后對方程進行求解，消除大氣的影響。大氣輻射傳輸模型能較合理地處理大氣散射、大氣吸收等過程，是應用最廣泛的大氣校正方法。利用大氣輻射傳輸模型對遙感圖像進行大氣校正主要分為兩步，一是有關大氣參數的獲取，二是選擇適用的輻射傳輸模型進行計算，得到大氣校正參數。大氣參數可以通過地面測量、圖像估計、模型數據等方式獲取。本文中大氣校正方法采用6S輻射傳輸模型方法，大氣參數來源于美國宇航局（NASA）網站。

3.4? ? 水體檢測

因水體在不同時期的影像中可能呈現不同的顏色，因此在土地利用變化監測之前需將其識別出來。水體識別規則為：根據反射率數據計算歸一化差異水體指數MNDWI（modified normalized difference water index），然后提取MNDWI大于0.2且波段7反射率值小于0.1的像元為水體。MNDWI計算公式如下：

式中和分別為綠波段和中紅外波段的反射率。

3.5? ? 云檢測

由于光學遙感受到天氣狀況的強烈影響，云對地物信息的遮擋會導致無法正確提取地物的信息。因此直接利用有云的影像進行土地利用變化監測將導致錯誤的結果。本文的研究區地處丘陵山區，具有多云霧的特點，要獲取完全無云的光學衛星遙感影像較為困難。本文所選擇的數據中部分區域有少量云，因此需要對遙感影像進行云檢測。

云檢測的方法按參與檢測的影像數量可以分為多時相法和單時相法。多時相法主要是利用兩景或多景影像進行對比檢測。而單時相法則利用單景影像和波段反射率、云頂溫度等，并設置閾值對云進行檢測。

本文選擇單時相法進行云檢測，基于云頂溫度和反射率數據，設計了一個簡單的云檢測模型：

（1）基于反射率數據計算歸一化植被指數NDVI;

（2）利用Landsat熱紅外波段和單窗算法，反演地表溫度，然后對溫度圖像進行重采樣，使其分辨率和反射率波段保持一致;

（3）統計NDVI直方圖，以直方圖中95%對應的值作為閾值，提取大于閾值的像元作為高植被覆蓋區域，并統計高植被覆蓋區域的地表溫度（℃）;

（4）提取云覆蓋區域的像元：同時滿足溫度圖像中小于-15且中紅外波段的反射率值大于0.15的像元。

3.6? ? 變化檢測

遙感影像變化檢測是指利用同一區域不同時期的遙感影像及相關數據，通過圖像處理及數理模型等技術對其進行比較，分析和判斷其影像間的變化。遙感影像變化檢測按檢測的基本單元可分為基于象元的變化檢測方法和面向對象的檢測方法。基于象元的變化檢測方法是根據單個象元的特征進行處理，具有簡單快速的特點，但沒有臨近象元的特征，主要用于中低分辨率的變化檢測。面向對象的檢測方法是先對影像進行分割，然后對分割后的對象進行變化檢測，這種方法綜合了影像的光譜特征和空間特征，但變化檢測結果受分割算法的影響較大，主要應用于高分辨率遙感影像。

本文所用的數據為Landsat8數據，其空間分辨率較低但光譜信息豐富，因此本文選擇基于象元的變化檢測方法——光譜角填圖（Spectral Angle Mapping—SAM）算法。SAM的原理是將光譜作為矢量投影到N維空間上，N為參與計算的波段數。在N維空間里，光譜曲線是有方向且有長度的矢量，光譜之間的夾角叫做光譜角。利用SAM進行變化檢測時，逐象元計算兩個時相影像之間的光譜夾角，夾角越小，表明兩者越相似，表示沒有變化或變化較小。光譜角的計算公式為

式中為象元光譜間的夾角，為時相1像元光譜矢量，為時相2光譜矢量。在實際處理中，為了簡化計算，上式一般用的值表示，其值的范圍為0～1，值越小變化越大。

通過光譜角填圖的方法可以獲得兩影像之間的變化信息影像。要獲得變化的具體區域，還需對變化影像進行閾值分割。本文采用力矩保持法確定分割的閾值，該方法的基本思想是最佳的閾值應該使分割前后圖像的矩量保持不變，由此可以得到一組矩量保持方程，求解該方程組就可以得到最佳閾值，具體算法見相關文獻。

3.7? ? 后處理

由于土地利用變化信息是基于象元的變化檢測方法提取，因此提取的結果中存在一些小斑塊及椒鹽噪聲。通過計算斑塊面積并設定最小斑塊閾值可以將這部分信息剔除，本文設置最小斑塊面積為50個Landsat象元，最后對變化區域轉換為矢量圖斑。

綜上所述，本文建立的數據處理流程如圖1所示。

4? ? 結果

利用圖1所示的流程對研究區的兩景影像進行處理，分別得到地表反射率數據、云和水體掩膜數據、土地利用變化圖斑信息，如圖2所示。

圖2中的反射率影像和云、水體提取結果表明，本文建立的云及水體提取方法較為準確的識別出了研究區遙感影像中的云和水體，有效的減小了云和水體對土地利用變化信息提取的干擾。圖2中的土地利用變化信息主要分布在城市邊緣地區，尤其是北部地區，這與重慶市主城區當前的土地開發趨勢也是一致的。為了進一步驗證土地利用變化圖斑的準確性，選取圖斑較為密集的三個區域進行放大顯示，如圖3所示。

圖3結果顯示，本文建立的土地利用變化信息自動監測較為準確的提取了土地利用變化信息，提取的圖斑邊界與影像中的實際變化邊界基本一致。

5? ? 結論與討論

本文利用重慶市主城區的兩景不同時相的Landsat 8遙感影像數據，在數據定量化處理基礎上，設計了土地利用變化信息自動監測流程。實驗結果顯示，該方法可有效識別出兩期影像間的土地利用變化信息，提取的變化圖斑精度較高。該方法人工干預較少，可以快速發現監測區域的土地利用變化信息，可為土地資源精細化管理提供數據支撐。

[參考文獻]

[1] 張兆明，何國金.Landsat5TM數據輻射定標[J].科技導報，2008，26（7）：54-58.

[2] 王少楠，李愛農.地形輻射校正模型研究進展[J].國土資源遙感，2012，24（2）：1-6.

[3] 亓雪勇，田慶久.光學遙感大氣校正研究進展[J].國土資源遙感，2005，16（4）：1-6.

[4] Vermote E， El Saleous N， Justice C， et al. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces： Background， operational algorithm and validation [J]. Journal of Geophysical Research： Atmospheres ，1997， 102（D14）： 17131-17141.

[5] 胡勇，劉良云，張九星，等.基于MODIS大氣產品的天宮一號高光譜成像儀數據大氣校正研究[J].遙感技術與應用，2014，29（6）：1060-1066.

[6] Hagolle O， Huc M， Pascual DV， et al. A multi-temporal method for cloud detection， applied to FORMOSAT-2， VEN?S， LANDSAT and SENTINEL-2 images [J]. Remote sensing of environment， 2010， 114（8）： 1747-1755.

[7] Helmer E， Ruefenacht B. Cloud-free satellite image mosaics with regression trees and histogram matching [J]. Photogrammetric engineering and remote sensing， 2005， 71（9）： 1079.

[8] Zhu Z， Woodcock CE， Olofsson P. Continuous monitoring of forest disturbance using all available Landsat imagery [J]. Remote sensing of environment， 2012（122）：75-91.

[9] 譚凱，張永軍，童心，等.國產高分辨率遙感衛星影像自動云檢測[J].測繪學報，2016，45（5）：581-591.

[10] 郭秋，李大成，劉賀春.高分辨率遙感圖像厚云檢測算法[J].地域研究與開發，2016，35（4）：172-176.