基于遙感影像的保定市土地利用分類研究

祝文華，張啟明，張 培

（1保定理工學院資源與工程技術學院 河北 保定 071000）

（2華北地質勘查局五一九大隊 河北 保定 071000）

0 引言

土地資源是人類賴以生存的重要資源，人類生產活動正在快速改變土地利用類型的分布和屬性。隨著環境變化和城鎮變遷，土地資源就顯得更加珍貴。國家進行的土地調查是為了實現基礎數據成果信息化管理與共享，滿足生態文明建設、空間規劃編制、國土空間用途管制等各項工作的需要。近年來，3S技術的發展日益成熟，給土地管理部門提供了土地利用動態監測新的思路與方法。及時有效地獲取土地利用信息對指導社會，經濟、土地資源的合理利用和環境發展及科學管理土地資源有著重要的現實意義。傳統的分類提取調查采取實地測量與統計相結合的方法，效率低下，數據的更新能力較差。遙感能夠進行空間連續覆蓋和長時間持續觀測，因而成為土地覆蓋數據獲取的重要手段。

2015年，保定市城區范圍進行了調整，市區面積擴大了近7倍；2017年，國家設立雄安新區，保定迎來歷史大變革，城中村征地提上議程，全區土地利用類型發生明顯變化。因此，科學合理地進行土地利用分類，不僅有助于政府摸清自己的土地情況，建立城市的土地規劃體系，滿足區域規劃的需求，也有利于進行城市的土地利用動態監測，以便持續合理地開發和使用現有的土地資源。為了對保定市區的土地利用狀況進行統計，分別采用非監督分類、監督分類和多源決策樹3種方法的多種算法進行分類，并對該研究區分類方法和分類精度進行了對比分析，取精度較高的方法進行各種土地分類數據的變化分析。

1 研究區概況及使用的遙感數據

研究區域位于河北省保定市。作為毗鄰新區的保定市，2015年5月13日，國務院對保定行政區劃進行了調整：保定市轄區由3個變成5個，原來的3個市轄區中的新市區更名為競秀區，原來的北市區、南市區合并設立為蓮池區，增加設立滿城區、清苑區和徐水區。城市的擴張必定帶來植被減少、土地退化和環境破壞等問題，本著建設生態城市的宗旨，土地利用變化很長一段時間內仍是關注的重點。本文使用遙感數據從影像層面上對保定市區的土地利用情況進行分類統計，對城鄉土地利用情況進行了統計分析。本文采用的數據源為Landsat 8多光譜遙感影像，軌道編號為124/033，參照天氣情況和溫度以及云量情況選取研究區2018年和2013年同時期的數據，這個時間是北方夏季，農作物生長旺盛，天氣干燥，氣溫高，且較長時間未降雨，分類干擾因素較少。Landsat 8影像的多光譜波段空間分辨率為30 m，全色波段分辨率為15 m，已完成輻射校正和幾何粗校正處理。

2 分類方法

遙感圖像分類就是將圖像中每個像元根據其在不同波段的光譜亮度、空間結構特征或者其他信息，按照某種規則或算法劃分為不同的類別[1]。

非監督分類是在沒有訓練樣本獲得先驗知識的情況下，根據像元在各波段值的相似性進行歸類，并保證各類別的距離盡可能地大。在ENVI軟件中可以人為設置類別個數，一般是多于最終分類數，再經過分類后處理進行類別的刪除和合并得到分類結果。

監督分類，又稱訓練分類法，即利用足夠的具有代表性的訓練樣本建立判別函數進行待分像元的類別的判定，需要人工建立每一種分類類別的樣本數據，并對樣本數據的分離性進行計算。常用方法包括最小距離法、多級切割分類法、特征曲線窗口法和最大似然比分類法。

決策樹分類是基于遙感圖像數據及其他空間數據，通過專家經驗總結、簡單的數學統計和歸納方法等，獲得分類規則并進行遙感分類[2]。決策樹分類與傳統的分類方式相比，可參與分類的數據源不局限于某種衛星遙感影像，像非監督分類的結果，DEM數據，波段比值運算的結果都可以作為數據源來使用。常用的監督分類和非監督分類太過依賴目視解譯和光譜特征分離性，精度很大程度上在于確定的分類數目和樣本選擇的全面性，對于同物異譜和同譜異物的問題很難解決。實際分類過程中，通過研究各種地物類別的各個波段的光譜特征結合專家經驗總結進行數理統計，獲得分類規則，也可引入非監督分類結果或DEM等數據源通過設置閾值建立一種樹狀結構的框架，來進行遙感分類。

3 研究過程

3.1 影像預處理

監督分類主要使用目視解譯，對影像進行波段疊合和幾何校正，接著進行主成分分析提取，波段融合和標準假彩色合成就可以通過實地采集的樣本數據進行建立各類土地類型的感興趣區域來進行監督分類。根據Landsat 8數據特性及本研究區土地覆蓋特征的特點，一開始確定的分類結果為居民地、道路、林地、耕地、裸地和水體，通過分析，只有居民地和道路樣本數據的分離度小于1.9，由于分類效果不是很好，最終分類的結果為建設用地、林地、耕地、裸地和水體，其中建設用地包括居民地、廠礦單位和道路設施。學校位于蓮池區和清苑區的交接處，在學校建立GPS控制網后，利用GPS接收機到周邊城區和農村進行野外調查獲取采樣數據（調查區域為近些年沒有發生土地利用變化情況的區域），對于其他區的采樣數據使用奧維地圖來進行室內目視判讀驗證來提高解譯精度（圖1～2）。

在決策樹分類中，除了對研究區影像進行了影像-影像模式的幾何校正外，由于NDVI參數需要使用反射率，在ENVI軟件中使用Radiometric Correction/Radiometric 進行輻射校正，獲得反射率reflectance，接下來使用Layer Stacking和Gram-Schmidt Pan Sharpening對1-7多光譜和全色波段進行波段疊加和波段融合，接著使用全色波段進行圖像融合將分辨率提高到15 m。

3.2 行政區劃數據

研究中使用的行政區劃的shp數據是從國家基礎數據庫下載的1:25萬的矢量數據，該矢量數據是線文件wl格式的，可在MapGIS軟件中轉換為ArcGIS中的線shp文件，然后把行線數據轉換為polygon數據，作為后續裁剪遙感影像和高程數據的面shp文件，為了與遙感影像的投影一致，需要在ArcGIS中添加原有投影信息，需要將面shp文件的投影轉換為UTM投影。

3.3 DEM數據

DEM使用的是ASTER GDEM 30M分辨率數字高程數據，ASTER GDEM數據是免費向公眾分發的，可以從中科院地理空間數據云下載，是目前唯一覆蓋全球陸地表面的高分辨率高程影像數據[3]。下載選擇ASTER GDEM V2全球數字高程數據，該數據進行了修正，下載的影像編號為N39E114、N39E115、N38E114和 N38E115，在ENVI中進行投影轉換為UTM投影坐標系，然后對投影后的影像再進行mosaic拼接，接著將DEM的分辨率由30 m轉變成15 m，便于與遙感數據進行疊加分析來建立決策樹（圖3、圖4）。

3.4 決策樹的建立

由于單純通過單一波段設置閾值的方法來進行類別的區分比較困難，引入NDVI、NDBI和DEM數據來參與土地分類模型，對Landsat 8多光譜遙感影像計算NDVI（歸一化植被指數），來進行植被的提取是一種非常有效的方式。NDVI的計算方法有近紅外波段/紅波段或（近紅外波段-紅波段）/（近紅外波段+紅波段），ETM的紅波段和近紅外波段是3和4波段，Landsat 8的紅波段和近紅外波段是4和5波段的反射率。NDBI（歸一化建筑指數）是Landsat 8影像的6波段和5波段的差與和的比值[4]。

接著對監督分類中的訓練區樣本數據進行各波段數據的最大值、最小值、均值和方差統計分析，結合單波段的統計分析情況，采用遙感影像單波段統計特征值，DEM數據和NDVI相結合的方式建立分類決策樹[5]。先利用NDVI值區分出植被和非植被，用2波段和NDBI分出水域和建設用地，對于植被區的分類，加入DEM數據進行輔助分類，分出林地和耕地（圖5）。

使用同一套外業的采樣數據來進行各種分類方法的精度對比發現：以2013年的數據為例，決策樹分類結果的精度為93.458%，比普通監督分類方法高2.024%，Kappa系數為0.952，比監督分類高0.093。使用決策樹方法對2013年和2018年的各類土地使用面積進行了統計（圖6、圖7）。通過調查研究發現，水體、林地、建設用地和裸地面積都有所增加，耕地的面積減少，主要原因有：農村勞動力短缺造成人為撂荒，國家征地進行城市建設，有的地區村民因年齡過大在耕地上種植樹木進行買賣。另外，保定城市化進程加快，毫無疑問帶來了建筑面積增加，近些年也進行了盛大的綠化造林工作，使的林地面積增加。徐水的瀑河水庫在2018年，得益于南水北調流經瀑河水庫給白洋淀進行補水，另外，保定政府也進行了市區護城河的治理，使得水體面積增加。

4 結語

對保定市區進行監督分類，由于GPS信號的覆蓋距離和高樓的遮擋，我們只在蓮池區和清苑區進行了樣本數據點的采集，建立訓練樣本也是選用南部區域的點。在進行決策樹分類規則的設定時，需要全區具有代表性地物點作為實驗數據，除了GPS采樣點作為一部分實驗數據，又根據奧維地圖上的地類清楚區域對應找到的影像點作為另一部分實驗數據，這兩部分大量樣本數據基礎上共同進行地物的光譜特征分析，來找到分類波段和閾值，進行決策樹分類。

通過研究發現，使用監督分類的精度不如決策樹分類精度高，主要有以下兩個原因：（1）因為使用GPS進行采樣點的區域主要在學校周邊，根據樣本的顏色和紋理特征對周邊區域的分類較好，但是對于西北部區域的分類效果較差，造成總體精度低；（2）決策樹分類采用面向對象方式，從地物的反射率出發，利用各種地物的反射率閾值特征結合地形數據進行綜合分析，比監督分類的目視解譯效果更好，從而分類結果精度較高，但也需要進行各種地物的波段分析和決策樹的分類結果的反復驗證。