應用遙感影像的土地利用變化特征分析
——以高平市為例

王 斐 （高平經濟技術開發區管理委員會，山西 高平 048400）

土地是人類進行生產生活的重要組成部分，通過分析土地利用的變化，能夠反映土地利用的廣度、深度，可以展現出人類改變土地的利用和管理方式，可以掌握人類的經濟活動。土地利用的變化也影響著區域氣候和全球氣候。

1 研究區域概況

高平市位于晉城市，在山西省東南部，太行西南邊緣，四面環山，中部平坦，總面積946km2，總人口48.49萬。高平市是溫帶季風氣候，冬寒夏暑，四季分明。高平還是中華民族人文始祖炎帝的故里，歷史上著名長平之戰的發生地。高平礦產資源較豐富，主要有煤、硫鐵礦、鐵礦、鋁土礦等，還是“煤鐵之鄉”、“黃梨之鄉”、生豬之鄉“。

高平是中部百強縣市、山西省園林城市、山西省衛生城市、山西省文明和諧城市、山西省文化強縣市。

2 研究方法

以 4期（2003、2011、2015、2018年）遙感影像和實地調查為基礎，首先對影像輻射定標、大氣校正、波段融合，然后利用Envi軟件對4個時期的遙感影像進行分類，得到地類分類圖，最后對結果進行精度驗證。技術路線見圖1。

2.1 影像獲取和實地調查

Landsat是美國NASA的陸地衛星，于2013年發射。陸地衛星的軌道設計是與太陽同步的圓形軌道。ETM傳感器共8個波段，其中1-5、7波段分辨率為30m，6波段分辨率為60m，8波段為15m。OLI傳感器1-7、9波段分辨率為30m，8波段分辨率為15m。TIRS傳感器的分辨率為100m。

研究利用Landsat衛星數據，選擇云量少的遙感數據。通過地理空間數據云下載了2003年、2011年、2015年、2018年四個時期遙感影像。對實地地類進行了現場調查，便于解譯對地類的判別。

2.2 影像預處理

以Landsat衛星影像為數據源，利用envi對影像進行輻射定標和大氣校正，然后用高平市矢量邊界對影像圖進行切割，得到研究區的影像。見圖2.

圖1

圖2

2.3 影像解譯

此次將地類分為建設用地、城市綠地、林地、耕地、水體五類。建設用地影像顏色主要為灰、灰白和白色，紋理比較粗糙。城市綠地地塊比較規則，顏色主要呈綠色和淺綠色。林地呈紅、鮮紅、粉紅色，紋理比較雜亂。耕地的地塊比較整齊，顏色為紅、暗紅、黑紅和單藍色。水體影像顏色呈現深藍色、藍色或淡藍色，質地比較細膩、紋理清晰、顏色均勻。解譯結果如下圖。

2.3.1 建設用地

建設用地指土地上的構筑物和建筑物，主要包括城鄉的住宅、公共設施用地、工礦用地、交通水利等用地。

此次影像圖有Landsat7和Landsat8兩種影像。對于Landsat7影像，利用321波段合成真彩色。對于Landsat8影像，利用432波段合成自然真彩色。為使影像更接近真彩色，在ENVI中進行Gram-Schimdt算法的圖像融合方法[1]。

建設用地的解譯利用NDBI（歸一化建筑指數）=fix（（float（TM5）-TM4）/（TM5+TM4）×10000）。

2.3.2 城市綠地

城市綠地主要包括兩種用地，一種是城市建設用地范圍內用于綠化的土地，另一種是城市建設用地之外對城生態、景觀和居民休閑生活具有積極作用、綠化環境較好的區域，包括公園綠地、居住區綠地、生產綠地、防護綠地。

城市綠地的提取利用歸一化植被指數監督分類。歸一化植被指數NDVI=（IR-R）/（IR+R），IR是近紅外波段，R為紅外波段[2]。

2.3.3 林地

林地包括郁閉度0.2以上的喬木林、灌木林、火燒跡地和苗圃。

由于所選影像圖都在9月份左右，在分類前首先對影像進行光譜增強處理，對影像的波段進行主成分變換（PCA），然后對 PCA3、PCA2、PCA1進行 RGB 合成，分類時采用監督分類[3]。

黃土高原的林場主要包括油松類、落葉松和柏屬、硬闊類、軟闊類、荒地、農田、灌林地、采伐跡地、疏林地。油松類顏色呈深紅色，落葉松和柏屬顏色是深紅色，硬闊類顏色從紅色到淺紅色，軟闊類主要是淺紅色，荒地呈白色區域，農田和荒地相間分布，顏色略帶品紅色，灌木林植被稀疏，色調呈淡紅色，間有白色、黃色、淺褐色的斑塊，采伐地是藍色，片狀分布，疏林地與灌木林相似。

2.3.4 耕地

耕地是指種植農作物的土地，包括水田、旱地、水澆地、無水澆地。

在耕地的提取中利用了波段合成、反差增強、圖像融合等方法，利用監督分類法提取。波段合成中利用適用于農業的652波段。反差增強時對遙感影像進行了2%的線性拉伸，更易于識別耕地。圖像融合時將空間分辨率30m的影像重采樣成15m的影像，然后與全色波段進行融合[4]。

2.3.5 水體

水體包括江、河、湖、海、溪流等。

水體的提取中使用模型（KT3+TM2＞TM4+TM3），其中KT3是纓帽變換。此方法可以快速提取水體信息[5]。

2.4 精度評價

分類精度的大小影響著結果的可信度，Kappa系數超過0.5，可信度就高。各期的精度和Kappa系數都能滿足實驗的需求，具體精度如下文。

2018年整體分類精度96.2897%，Kappa系數為0.9467。其中建設用地精度94.35%，城市綠地精度77.39%，林地精度98%，耕地精度97.10%，水體精度70.59%。

2015年整體分類精度91.3305%，Kappa系數為0.8817。其中建設用地精度83.07%，城市綠地75.82%，林地精度95.72%，耕地精度90.97%，水體精度70.54%。

2011年整體分類精度97.4447%，Kappa系數為0.9626。其中建設用地精度94.29%，城市綠地精度97.37%，林地精度99.63%，耕地精度99.60%，水體精度100%。

2003年整體分類精度73.6702%，Kappa系數為0.5888。其中建設用地精度65.60%，城市綠地精度0，林地精度80.94%，耕地精度100%，水體精度100%。

3 結果與討論

從精度評價角度看，分類基本能滿足對土地利用特征評價的需要。各年的分類結果如下表。

建設用地 城市綠地 林地 耕地 水體2018 27.71% 9.20% 17.47% 11.11% 2.30%2015 5.4% 1.3% 21.53% 39.31% 0.02%2011 22% 6.3% 31.23% 7.58% 0.25%2003 26.61% 1.05% 39.16% 0.77% 0.04%

從組成部分來看，建設用地與裸地沒有很好的區分，2015年與其它年份相比有較大出入，但可以看出建設用地的比例增速不大，用地規模都保持在20%左右，從2003年的26%到2018年的27%。從空間布局看，建設用地基本都是沿著道路用地的走向而布局，隨著年份的增加，建設用地的破碎化也在增大。

城市綠地也是隨著年份的增加而不斷增加，從2003年的1.05%到2018年的9.20%。從空間布局看破碎化也在增大，明顯可以看到廊道的出現。

林地組分隨著年份的增長不斷減小，從2003年的39.16%到2018年的17.47%。從空間布局上可以看到，隨著其它用地的變化，林地逐漸縮小。

耕地組分隨著年份的增加在逐漸增加，從2003年的0.77%到2018年的11.11%，從空間布局上看，破碎化也在加大。水體在近三年出現了增加的趨勢，從2003年的0.04%到2018年的2.30%。

在具體分類中，2015年出現了異常，這可能與影像圖有關，但依然可以看出土地利用的趨勢。但隨著國家退耕還林的政策，林地應該逐漸增加，耕地應該逐漸減小，這與研究結果不相符，可能是由于林地的等級不夠，錯誤分為耕地，還有待進一步研究。

從結果中可以看出，近幾年高平的建設用地增長的比重慢于其它用地，城市綠地的布局還不很均勻，林地的面積一直在減少。在建設用地分類提取中還有和其它用地分類不清的狀況。在未來對地被的分類中，還是有必要利用高清影像圖對各地類的變化進行分析。