面向地理國情監測的植被區域變化發現研究
——以重慶市璧山區為例

潘建平 張定凱 徐正宣 李明明 蒲 藝 徐永杰 向淇文 董 文

1(重慶交通大學土木工程學院 重慶 400074)

2(中鐵二院工程集團有限責任公司地勘院 四川 成都 610031)

0 引 言

變化發現是地理國情監測的基礎性工作，也是地理國情動態數據庫更新的必要性工作[1]。快速、準確地定位植被變化，是變化發現工作的重點。地理國情普查中，植被包括耕地、園地、林地和草地四大類[2]，非植被則由除去植被以外的所有陸、水面組成。傳統的方法通過人工目視判讀獲取變化區域，工作量大，工作效率低。隨著地理國情監測工作的深入，對自動、高效獲取土地利用變化，特別是發現植被區域被違法改占為非植被的情況，提出了新的迫切需求。地理國情監測矢量成果包含了豐富的地理信息，如地物的邊界信息、地物屬性信息和形狀信息等，可直接用于變化檢測的研究和分析[3]。因此，柵矢結合的方法是地理國情變化檢測領域的發展方向。史文中等[4]對地理國情監測的可靠性進行了探討，指出深入研究多源數據特征，以降低不同數據源和大氣等因素的影響，是提高變化檢測可靠性的關鍵。Kennedy等[5]從遙感數據的采集、預處理、分析、評估四個方面，論述了在土地利用變化發現中多源數據的應用潛力。李勝等[6]融合流程優化思維，借助高精度GIS數據并結合地物形狀特征和作業經驗，以自動/半自動化方式得到了土地利用變化圖斑，有效降低了時間和人力成本。王剛武[7]在矢量圖約束分割的基礎上，結合圖斑的直方圖特征，以自適應加權閾值獲取了影像變化區域。張茜等[8]以發現新增建設用地為目標，結合土地利用數據，分析比較了地物的光譜、紋理、梯度、方差等不同的特征組合在檢測結果上的有效性。眭海剛等[9]在提取水體時，考慮水體的宏觀輪廓特征，運用含有大量語義信息的GIS數據用以改善提取結果，較好地抑制了漏檢率和虛檢率。上述研究都有力地證實了在變化檢測中，輔以已有矢量數據能有效提高檢測結果的準確性。但目前基于前期矢量成果與雙時相遙感影像的、針對植被的變化發現問題研究較少，在實際生產中，大多還是依靠人工的方式發現被違法占用的植被區域，工作量大，檢測精度低。本文輔以前期矢量成果，對后期影像進行分割以獲取前、后時期的同質圖斑，再以自動的方式檢測得到植被變化區域，為人機交互解譯違法占地變化提供靶區，提高作業效率。

1 方法設計

在基于前期成果矢量與前、后時期遙感影像的植被變化發現中，矢量數據包含了該時期的土地利用現狀情況，包括圖斑在本時期的位置、邊界、面積、地類名稱及編碼等。遙感影像記錄了地物在各波段的光譜值，代表前、后兩個時間點的地表覆蓋情況。一般來說，已有的遙感數據知識利用越充分，植被變化的判別依據就越多，檢測結果也就越準確。因此，憑借上述優勢，本文的技術流程如圖1所示。

圖1 技術流程圖

首先對遙感影像進行預處理，通過分析璧山區遙感影像和實際的地表覆蓋類型，根據檢測需求，將前期矢量圖斑上原始的多種地物歸類合并為植被、水域、建設用地三大類；然后對實驗區前后兩期遙感影像，進行基于前期矢量圖斑的分割，實現前后期影像同質區域圖斑的精準對應；在此基礎上，提取圖斑的兩種植被指數特征并組合成特征向量的形式，以歐式距離作為向量的相似性度量；最后對圖斑進行變化判別，變化閾值取全部特征向量距離的3倍中誤差。

1.1 影像預處理

為了消除多時相影像間由于獲取影像條件差別造成地物空間分布以及影像光譜間相應差異，需要的預處理過程主要包括影像配準和輻射校正。本文采用ENVI中的Image Registration Workflow自動配準工具對影像進行配準；輻射校正在ERDAS9.2中進行，采用直方圖匹配的相對輻射校正方法。經過預處理的影像較好地減弱了幾何變形及光譜差異的影響，有利于后續變化發現精度的提高。

1.2 矢量成果歸類合并

原始的前期成果矢量包含了若干種地物類型，分類較細。本文目標是確定影像上由植被變化為非植被的區域，為了后續處理的方便，需要根據已有的地理國情分類信息碼(即CC碼)，將土地覆蓋歸類合并為植被、水域、建設用地三大類。其中，植被包括耕地、林地、園地、草地等植物種植區域；水域包括湖泊、河流、溝渠等水體；建設用地包括房屋建筑、道路、拆遷待建工地、人工堆掘地等除去植被和水域的所有陸面。為了排除其他變化類型的干擾，還要根據地理國情分類信息碼將歸類合并后的植被矢量圖斑提取出來，后續實驗過程都是在前期植被區域及與其對應的后期影像區域中進行。

1.3 約束分割

影像分割是進行面向對象的變化檢測必不可少的一個環節。在矢量圖中，圖斑的變化分為全局變化和局部變化[10]，而研究的難點就在于確定局部變化。僅通過原始矢量圖確定圖斑的局部變化區域尚不可行，還需要在前期矢量成果的約束下對后期影像進行分割。分割結果既保留了原矢量圖的邊界，又能根據改變的灰度信息，在影像中生成新的邊緣，可以有效抑制欠分割，提高檢測精度。圖2為顧及矢量成果的影像分割示意圖：(a) 前期矢量中的某塊面狀要素；(b) 后期遙感影像中與A矢量所對應的區域；(c) 遙感影像在矢量A約束下的分割結果，新增了B和C兩個矢量要素。

圖2 顧及矢量成果的影像分割示意圖

常用的分割算法包括多尺度分割[11]、基于閾值的分割[12]、基于邊緣檢測的分割[13]、基于聚類的分割[14]和當前的研究熱點語義分割[15]。本文采用多尺度分割算法，它是根據異質性最小的區域合并原則，由各波段的形狀異質性和光譜異質性構成。經過迭代計算這兩個參數的特征值，并從已知的波段信息中自適應確定權重，當影像對象的異質性參數綜合加權值超過設定的閾值時，停止迭代，完成多尺度分割。分割尺度、形狀因子、緊致度三個參數直接影響多尺度分割結果，針對高分辨率遙感影像，分割參數按如下標準選擇：形狀因子介于[0.1，0.5]之間，緊致度介于[0.5，0.97]之間，分割尺度則依據變化檢測要求的最小檢測面積來確定[16]。為獲取局部變化區域，本文以前期矢量成果中的植被區域矢量為約束，對后期影像進行多尺度分割。分割過程在eCognition軟件中進行，具體參數設置為：分割尺度150，形狀因子0.3，緊致度0.7。將該多尺度分割結果作為兩時相影像的最終分割結果，從目視效果來看，絕大多數圖斑對的同質性較強，有利于后續的變化發現分析。

1.4 特征提取

在遙感圖像處理中，根據植被的光譜特性，將衛星的可見光和近紅外波段進行組合，形成了各種植被指數[17]。經研究證實，不同類型的植被具有相似的光譜反射特性，但對于不同波長的波譜，吸收反射特性則不相同：植被在近紅外波段具有較高的反射率，而在紅波段具有較強的吸收性，這是植被明顯區別于其他地物的重要標志。根據這一差異，紅波段和近紅外波段之間的不同幾何運算形式構成了植被指數的核心。植被指數簡單有效地反映了地表植被覆蓋狀況，目前已被廣泛應用于土壤監測、植被分類和作物估產等眾多領域。

本文針對地表植被的變化，提取圖斑的兩種植被指數特征進行變化發現實驗。歸一化植被指數(Normalized Difference Vegetation Index，NDVI)是應用最廣泛的植被指數，可以在一定程度上消除與傳感器、太陽高度角等有關的輻射和光照強度變化所帶來的影響，增強對植被的響應能力。土壤調節植被指數(Soil Adjusted Vegetation Index，SAVI)含有土壤調節系數L，可根據實際情況，調節土壤影響程度，以便更好地獲取植被信息，土壤調節系數L一般取0.5。NDVI和SAVI的計算公式如下：

(1)

(2)

式中：NIR為近紅外波段的反射值；Red為紅光波段的反射值。

1.5 相似性度量計算

歐氏距離(又稱歐幾里得度量)是一種距離定義，衡量的是多維空間中各點之間的絕對距離，在圖像處理中應用廣泛，常作為相似性度量來評判兩幅圖像的相似程度，距離越遠代表個體間差異越大。二維平面上兩點a(x1,y1)和b(x2,y2)間的歐式距離為：

(3)

推廣到n維空間，兩個n維向量a(x11,x12,…,x1n)與b(x21,x22,…,x2n)間的歐式距離為：

(4)

將兩種植被指數特征組合成向量的形式，用歐式距離作為特征向量間的相似性度量。歐式距離在本文中的計算公式如下：

(5)

1.6 變化判別

變化閾值的選取有固定閾值和自適應閾值兩種方法。本文以特征向量距離的3倍中誤差作為自適應閾值，對圖斑進行變化判別。若前、后時期影像的圖斑對的歐式距離大于變化閾值，則視為發生變化；反之，則未發生變化。

2 實驗與分析

2.1 研究區及數據源介紹

璧山區隸屬于重慶市，位于長江上游地區、重慶市西部，自然資源豐富。選定璧山城區的部分區域作為研究區，區內主要地物類型包括耕地、林地、草地、水體、道路、建筑物等，主要變化類型為植被變化。實驗數據源為璧山區2016年和2017年的WorldView-2遙感影像，以及同一地區2016年的地理國情監測矢量成果。實驗區影像大小為3 269×1 576像素，影像的空間分辨率為0.5 m，包括藍、綠、紅、近紅外四個波段；2016年矢量成果數據的圖斑數為320個，其中包含水田、旱地、闊葉林、水面、道路、高密度房屋建筑等18類地物。

2.2 實驗過程及結果分析

首先對前后時期影像進行配準；然后采用直方圖匹配法，以2017年影像為參考影像，對2016年影像進行相對輻射校正，減弱大氣、光照、太陽高度角等條件的影響。將原始的前期成果矢量經過歸類合并為植被、水域、建設用地3類地物之后，圖斑個數減少至135個。圖3、圖4為預處理過后的影像，圖5為歸類合并后的前期成果矢量疊加到前期影像上的結果，圖6、圖7為前、后時期影像在植被區域矢量圖約束下的分割結果。再以約束分割的圖斑為基本單元，計算兩期影像上各圖斑的NDVI、SAVI兩種植被指數并組合成特征向量，以歐式距離作為圖斑對之間特征向量的度量方式，自適應變化閾值取全部特征向量距離的3倍中誤差，對各圖斑進行變化判別。

圖3 2016年遙感影像

圖4 2017年遙感影像

圖5 歸類合并后的矢量成果與前期影像疊加

圖6 2016年影像及分割結果

圖7 2017年影像及分割結果

變化發現結果評價指標由總體正確率、漏檢率和虛檢率組成，通常以圖斑面積或者圖斑個數來對檢測結果進行描述，本文采用統計圖斑個數的方式。正確率越高，漏檢率和虛檢率越低，說明檢測結果越好，可靠性越高。圖8是基于分割圖斑的人工目視判讀結果。將檢測結果與目視判讀結果進行比較，統計漏檢圖斑和虛檢圖斑，如圖9-圖11所示。通過構造如表1所示的變化發現誤差矩陣對檢測結果進行評價。

圖8 目視判讀變化發現結果

圖9 本文檢測結果

圖10 漏檢圖斑

圖11 虛檢圖斑

表1 變化發現誤差矩陣 個

本次實驗是針對生產中快速發現植被變化區域、減少人工干預以提高工作效率的要求，主要從檢測的正確率及漏檢率兩個指標對結果進行評價。由表1可以看出，本文方法的正確率超過90%，漏檢率為10.5%，精度優于傳統方法，技術方案可應用于實際生產。

在實驗區影像上，耕地主要以兩種形式呈現。一類是與林地、草地顏色相近，呈現綠色；另一類是與建設用地顏色相近，呈現土黃色。通過對漏檢和虛檢圖斑進行分析，漏檢主要是部分顏色相近的耕地與建設用地圖斑之間的變化，而虛檢主要發生在部分不同顏色的耕地圖斑之間。究其原因，對于真彩色顯示的影像，光譜特征是地物顏色的直接反映，而植被指數是基于影像的光譜值計算得到的。對于顏色相同或相近的不同地物變化，其光譜值相近，以差異不大的植被指數作為特征導致了漏檢；對于不同顏色的同類地物，由于遙感影像在不同時期的光照條件、太陽高度角、季節等因素的不同，導致它們在影像上具有不同的灰度值，如果其前、后時期影像光譜值相差較大，在以植被指數作為特征衡量兩者間的相似性時，就會減弱同類地物的相似程度，增大它們之間的差異，從而容易被虛檢為變化圖斑。植被指數特征本質上就是光譜特征，也就是普遍的“同物異譜”、“同譜異物”現象造成了虛檢和漏檢。

3 結 語

本文針對植被區域的變化，提出了一種基于矢量圖與雙時相遙感影像的變化發現方法，結論如下：

(1) 技術方案思路簡潔清晰。在前期成果矢量的約束下對影像進行多尺度分割，提取圖斑的兩種植被指數特征，以歐式距離作為衡量特征的相似性度量，自適應變化閾值為特征向量距離的3倍中誤差，再將變化判別結果與人工目視判讀結果進行了對比分析。

(2) 實驗結果精度高。針對植被的變化，檢測正確率達到了90.8%，漏檢率10.5%，表明本技術方案可滿足實際生產需要。

(3) 本文以植被指數特征的形式，僅考慮了圖斑的光譜值，而未考慮其空間結構信息，因此后續將主要針對造成漏檢和虛檢的耕地的變化，增加其空間特征和結構特征的研究，如邊緣特征、LBP紋理特征等，并在多特征綜合的基礎上，研究更適合的相似性度量方式及閾值自動確定方法，以提高變化發現精度。