结合高分辨遥感影像和GIS数据的土地利用变化监测

黄 俊，申邵洪

(长江科学院空间信息技术应用研究所，武汉410010)

1 研究背景

高分辨率遥感技术已成为当前遥感领域的热点问题，已经在城市规划、资源调查、生态环境监测、自然灾害监测和灾情评估等领域得到了广泛应用，同时高分辨率遥感影像也成为了基础空间数据更新的一个重要数据源，对快速、及时更新GIS空间数据库具有十分重要的意义。

影像分割和基于GIS专题数据的分析方法，是基于对象的土地利用变化监测中的重要研究内容［1］。采用影像分割为基础的分析方法，大体是通过影像分割算法获得不同尺度的图斑，再以图斑为基本分析对象，进行土地利用变化监测分析［2，3］，研究结果表明此类型方法取得的成果相对于基于像元的方法而言，通常能够取得更高的精度和解译成果。

结合GIS和高分辨率遥感影像的土地利用变化监测方法，是结合特定历史时期土地利用GIS专题数据和当前高分辨率遥感影像，利用GIS矢量数据，直接切割影像，然后对遥感影像进行分析，研究当前时期土地利用现状，并自动完成对GIS专题数据的更新［4－6］。

本文利用高分辨率遥感影像和历史土地利用专题矢量数据，研究了一种全自动土地利用动态监测方法。方法的总体思想为:首先以GIS专题数据中的单个图斑多边形为基本分析对象，自动获取遥感分类的样本信息;然后对高分辨率遥感影像进行多尺度分割，以分割图斑为分析对象进行面向对象多分类器模糊决策融合分类;再对遥感分类结果和GIS专题数据进行对比分析，自动判定GIS数据中单个图斑是否存在土地覆盖类型的变化，最终实现土地利用信息的自动更新。

2 研究方法

本文研究的结合高分辨率遥感影像和GIS专题数据的土地利用监测方法是一种基于高分辨率遥感影像数据面向对象分类的土地利用动态监测方法，具体实现过程包括样本自动选取、多尺度影像分割、遥感影像模糊分类、多分类器组合分类、变化百分比计算、变化区域判定、变化图斑自动检测等，流程图如图1所示。

3 多分类器模糊决策融合

多分类器分类结果模糊决策融合的原理是以各分类器的模糊分类结果为输入，分别计算各分类器得到分类结果的模糊度，然后根据模糊度大小，进行加权处理得到新的类别隶属度，再根据各分类器的置性度，对各类别隶属度赋予全局权重，最后采用最大隶属度原则获得所属类别。

多模糊分类器决策分析的思想就是采用加权相对偏差距离最小法进行m种模糊分类结果的决策分析，实现待识别模式的类别判定。当公式 (2)中各隶属度为确定值时，令

由上述m×c个相对偏差值δij作为元素构成一个模糊矩阵

利用Delphi法，评定出个影响因素的权重系数wi，即确定出因素重要程度模糊集:

计算uj与u0的加权相对偏差距离，

时，分类器i为最优分类器。确定分类器i为最优分类器后，根据最大隶属度原则，进行模式x的类别判定。

4 实验与分析

实验数据为2005年广东省珠海市某一区域的QuickBird影像，空间分辨率为0.61 m，包含红、绿、蓝3个波段，区域大小为1 981×1 665像素，图2(a)为红、绿、蓝波段合成的真彩色影像。实验影像区域内地类复杂，主要包含坑塘、河流、农田、建筑物、道路、裸地等多类地物。

图2 实验区域遥感影像和历史专题数据Fig.2 Remotely sensed image and GISdata of the experiment area

多尺度分割实验参数设置为，光谱信息权重0.6，形状信息权重0.4。QuickBird为高分辨率遥感影像，目视分析可以发现，地类复杂度高，选择合适尺度的分割结果，是进行面向对象分类研究的一项关键性步骤。采用分割尺度为50，100，300，对实验数据进行分割，局部区域分割结果如图3所示。通过对不同尺度的分割结果对比分析可以发现，分割尺度为50时，产生的图斑面积较小，同一块农田容易被分割为多个不同区域。分割尺度为100时，农田基本上被分割成独立区域，同时居民地区域的每一栋房屋也能够被分割到一个独立单元内。分割尺度为300时，多块农田被分割到一个区域，同时也出现相邻的几栋房屋被分割到一个单元的现象。本文采用面向对象的分析方法，要求每个不同的地物独立成一个分析单元，因此本实验中采用尺度为100时的分割结果。

图3 影像局部区域多尺度分割结果Fig.3 Segmentation results of the experiment image by different scales

将实验区域地类分为4类，包括:①渠道及水体;②裸地;③建筑用地;④植被。分别采用马氏距离、支持向量机、神经网络分类方法进行面向对象高分辨率遥感影像分类。

分析以上3种不同类型分类器所取得的分类结果，不同分类器获得的总体分类结果大致相同，但是对于易混分区域，所产生的分类结果存在明显的差异。因此，以3种分类器进行模糊分类为基础，形成一种组合分类方法，即采用实验数据的马氏距离、支持向量机和神经网络模糊分类获得的隶属度图像为输入，采用本文研究的多分类器决策融合方法，进行模糊分类结果的融合，最终分类结果如图4所示。

实验数据模糊决策融合实验结果表明，马氏距离、支持向量机、神经网络的融合分类，能够改善总体分类效果，对于部分模式不明显区域，能够实现有效的判定。组合分类器将建筑物和阴影判定为水体的现象得到了改善，同时实现了建筑物和裸地的有效判定。

在取得组合分类结果的基础上，以历史土地利用专题矢量数据中的图斑为分析单元，分析每个图斑内各类别所占有的成分，如果出现大比例与历史属性不一致的图斑，则判定其为变化图斑。通过实验分析发现，对于历史属性为人工建筑物的区域，其用地类型不容易发生变化。而对于农业用地区域，则容易变化为其他类型的区域。对于如图5所标识绿框区域，其历史属性为植被覆盖区域，而经面向对象分类处理后，所包含的像元类别80%以上与历史类别不同，因此所标示绿色区域被自动判定为变化区域。图中标识的区域中，有历史属性为农业用地，通过对区域内类别组成分析，包含像元的主要成份为建筑和裸地，因此可以判定此区域已经发生了变化，自动将其判定为变化区域。

图4 影像分类结果Fig.4 Image classification results

图5 检测矢量叠加实验原始影像Fig.5 Overlying of change detection results on the original image

5 结论

本文研究了一种结合遥感影像和专题矢量数据的变化检测方法。通过各种分类器模糊分类方法，获取模式对各类别的隶属度，然后采用多分类器模糊决策融合。实验结果表明，组合分类方法能够有效综合马氏距离、支持向量机、神经网络分类方法的优点，提高分类精度。

采用组合分类方法获得高分辨率遥感影像分类结果，结合历史土地利用专题矢量数据，进行土地利用变化检测研究。实验结果表明:对于区域内地物类别发生明显变化的区域，能够有效自动判定其变化现象;对于区域内只有少许比例发生变化的区域，难以有效判定其变化。

专题矢量数据的尺度问题是影响变化检测结果的一个关键性因素，对于矢量图斑内类别成分较为单一的区域，结合新时期遥感影像，能够准确监测其变化现象。如果矢量专题数据尺度太大，则在一个图斑内包含的地物类别太多，即使区域一定数量的地物发生变化，也难以判定此区域是否发生变化。

［1］VOLKER WALTER.Object-Based Classification of Remote Sensing Data for Change Detection［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2004，58(3－4):225－238.

［2］YUAN F，SAWAYA K，LOEFFELHOLZ B，et al.Land Cover Classification and Change Analysis of the Twin Cities(Minnesota)Metropolitan Area by Multitemporal Landsat Remote Sensing［J］.Remote Sensing of Environment，2005，98(2－3):317－328.

［3］IM J，JENSEN J R，TULLISJ A.Object-Based Change Detection Using Correlation Image Analysis and Image Segmentation［J］.International Journal of Remote Sensing，2008，29(2):399－423.

［4］URSULA C BENZ，PETER HOFMANN，GREGOR WILLHAUCK，et al.Multi-resolution，Object-Oriented Fuzzy Analysis of Remote Sensing Data for GIS-Ready Information［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2004，58(3－4):239－258.

［5］BAUDOUIN DESCLEE，PATRICK BOGAERT，PIERRE DEFOURNY.Forest Change Detection by Statistical Object-Based Method［J］.Remote Sensing of Environment，2006，102(1－2):1－11.

［6］GUILHERME L A MOTA，RAUL Q FEOTOSA，HEITOR L CCOUTINHO，et al.Multitemporal Fuzzy Classification Model Based on Class Transition Possibilities［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2007，62(3):186－200.