遥感技术在滨海新区土地利用研究中的应用

张博文，李秀梅，刘宪斌，李月洋

（天津科技大学 天津市 300457）

土地资源是人们赖以生存和发展的基础。随着天津滨海新区被国家“十一五”规划纳入全国总体发展战略布局，众多政府机构、研究部门、社会团体及学者都不断加强对该区土地利用的研究工作。

遥感以其速度快、精度高、范围广等特点在土地利用监测中具有无可比拟的优越性。国外学者早有研究[1，2]，自20世纪90年代后期开始，我国学者史培军[3]、朱会义[4]等借助遥感技术进行土地应用调查。近年来，针对滨海新区的研究也逐步展开[5，6]，但多集中在未划分行政区域之前，研究范围缺少针对性。本研究借助滨海新区地图规范滨海新区研究范围，对近10年来该地区的土地利用变化进行统计和分析，为滨海新区的规划提供科学依据。

1 研究范围、方法及数据来源

1.1 研究区概况

天津滨海新区位于华北平原北部、海河流域下游，天津市中心城区东侧，濒临渤海。北与河北省丰南县为邻，南与河北省黄骅市为界。地理坐标为 38°40′N～39°00′N，117°20′E～118°00′E，包括塘沽区、汉沽区、大港区3个行政区和天津经济技术开发区、天津港保税区、天津港区以及东丽区、津南区的部分区域。地貌属于滨海冲积平原，西北高，东南低，海拔1～3 m，地面坡度小于1/10 000。近年来凭借其区位、交通、资源、工业、体制优势成为继深圳特区和上海浦东之后的第3个国家重点发展的经济特区。

1.2 数据来源

本研究采用2000年、2005年、2010年的Landsat卫星（TM/ETM） 影像作为主要数据源。影像包含7个波段，空间分辨率为30 m，除此以外，研究中使用滨海新区1∶10万地形图、Google Earth影像及滨海行政区划图和收集到的其他相关的文字图像等资料作为辅助数据，并根据现场勘测数据和1∶5万地形图进行精度分析。

1.3 研究方法

在ENVI和ArcGIS软件环境下完成影像处理及分类工作。首先对原始数据进行影像处理操作，进行了几何校正、数据增强、边界裁剪和波段组合等预处理工作。根据传统的监督分类方法进行初步划分，然后根据领域知识和规则，建立基于知识的决策树，对有明显特征的地物进行信息提取，最后通过人工目视解译进一步完善结果，得出最终分类数据。在此基础上，统计分析了3期影像各土地类型的面积及变化情况。

2 数据处理

2.1 数据预处理

影像的增强处理有利于提高影像质量和突出特征信息。研究中使用的Landsat TM影像总体质量较高，但局部区域由于云雾影像对比度较差，因此进行了直方图均衡化、影像融合和去薄云等处理工作。

研究使用1∶5万地形图作为基准地图，分别对3期的遥感影像进行几何校正。借助ArcGIS软件将配准完成的1∶10万地形图进行矢量化，得到滨海新区边界矢量图，并利用ENVI软件对原始遥感影像进行裁剪（图1）。

图1 滨海新区裁剪范围

不同地物在各个波段上有光谱差异，因此影像波段的组合对于地物的区分尤为重要，主要依据被解译地物的光谱特征及影像信息量大小进行。TM/ETM影像的中红外波段（TM7） 处于水的强吸收带，水体呈黑色，可明显区别于其他地物；近红外波段（TM4） 对绿色植物最敏感，可突出潮滩植被，利于水域判别，同时可用于陆地植被提取。依据相关性最小信息量最大的原则，本研究选取742波段进行组合，并配合标准假彩色合成方案432波段进行植被解译。

2.2 土地利用分类系统

土地利用的分类体系是对其进行研究的首要前提，既影响研究结果的表达，也决定研究数据的应用领域。为适用于特定研究目的与尺度，各国学者从不同角度构建了众多的土地分类系统，但迄今仍没有一个为国际社会广泛认可和具有普适性的“万能”土地分类系统[7]。鉴于此，本研究综合比较分析以上分类系统，本着实用、简洁的原则，在国土资源部2001年颁布的《全国土地分类（试行）》标准的基础上，根据滨海新区的土地利用和植被物候特点，制定出适合天津滨海新区的土地利用分类系统（表1），包括建筑用地、沼泽、海洋、淡水域、滩涂、盐田、植被以及未利用地8个大类。

表1 天津滨海新区土地利用分类系统

2.3 基于知识的决策二叉树信息提取

传统的监督分类方法只是利用像元的光谱特征作为样本类别的特征来识别非样本像元的归属类别，而影像中普遍存在“同物异谱，同谱异物”的现象。因此，应针对地物类型其他方面的特征（如空间特征、纹理特征等）展开进一步研究，并有效利用。

基于知识的决策二叉树信息提取方法具有简单、明确、直观的分类结构，把复杂问题划分为一个个相对简单的问题，避免一次提取多类的困难[8]。近几年，一些学者将此方法应用于提高全球土地分类精度[9]。

由于滨海新区包括较大面积的海洋、湖泊、河流等水体部分，首先使用修正的归一化差异水体指数（MNDWI）[10]作为第一步决策条件，将影像分为水体和非水体区域，在非水体区域内利用归一化植被指数（NDVI）[11]提取植被，以明显区分其他地物。公式如下：

其中G、MIR、NIR、R分别表示TM/ETM的2波段、5波段、4波段、3波段。

图2 水体及植被的提取结果（黑色部分）

依据灰度共生矩阵[12]计算出非水体区域内建筑用地与未利用地的纹理特征输出值，并进行提取。而滩涂、河流等线性地物具有明显的条带状空间特征，可根据计算斑块的长宽比[13]突出该特征。按照此分类思想，根据现有的专家知识系统将分类区域层层细化（图3），实现各种地物的分类。

图3 基于知识的决策树提取流程

2.4 分类后处理及目视解译

依据决策二叉树进行的信息提取，结果中会产生一些面积很小的图斑。研究出于专题制图及实际应用的角度考虑，使用聚类统计、过滤分析等方法对这些图斑进行剔除。

由于影像分辨率及计算机识别能力等多方面因素的限制，自动分类存在一定的局限性。因此还需对影像通过目视解译的方法进行修正，解译者的经验和对该区域的了解程度对最终解译出影像的准确性起关键作用。因此，应研究借鉴地形图、Google Earth影像及相应时期的区域土地类型资料，保证影像解译的准确性。

2000—2010年影像分类结果如图4。

2.5 精度评价

遥感影像分类精度的高低是决定分类结果是否可信的一种度量，也是进行土地利用/土地覆被分析的基础。分类精度评价是土地利用/土地覆被分类图像中的像元与已知分类的参考图像进行比较，以确定分类过程的准确程度。

研究采用分层随机抽样的方法[14]，随机选取了50个采样点，以验证分类数据的精度。结果表明：检验所得的平均精度在90%以上，符合研究要求。

图4 滨海新区2000年、2005年、2010年3期的土地利用分类数据

3 结果与分析

通过分析研究区各土地利用类型不同时期的面积及其变化情况，可了解土地利用结构的变化及变化总态势。利用上述数据，对滨海新区的土地利用分类数据进行统计分析，得出表2及图5的结果。

结果表明：

（1）10年间，该地区土地的大力开发利用使植被面积减少了238.86 km2。

表2 滨海新区10年间各类型土地利用/土地覆盖面积变化（单位：km2）

（2） 建筑用地面积的总增加量高达335.11km2，其中2005—2010年为282.98 km2，幅度明显高于前5年。从图中明显看出此类型增长多见于城镇的扩张，并推测主要由“十一五”规划的落实及“十大战役”发展战略的推广所致。

（3） 未利用地面积增长量202.42 km2，主要集中在沿海地区、围海新生陆地和西北部，而海洋面积的消减量达139.55 km2，该研究结果充分体现填海造陆工程的实施。

（4）盐田、淡水域与沼泽都有不同程度的减小，分别达86.26 km2、5.335 km2与24.09 km2。

（5）滩涂的减少量为42.26 km2，但其面积基数较小，为69.85 km2，减少比例达60.50%。反映出临港、南港工业区的填海工程对天然地物类型的严重破坏。

4 结论与展望

通过遥感影像提取土地利用类型的方法较多，传统的监督分类等方法普遍受“同物异谱，同谱异物”现象的制约，本研究以基于知识的决策树信息提取方法进行计算机分类，再通过目视解译得出分类结果。

天津滨海新区的土地利用情况在10年间有较为明显的变化。较有代表性的类型有：建筑用地、未利用地面积增长量分别为335.11 km2和202.42 km2，植被与海洋的面积消减分别达238.86 km2和139.54 km2，滩涂的面积减少比例达60.50%。随多项政策和工程实施，2005—2010年间的面积变化幅度明显大于2000—2005年。

在获得较高精度的分类结果基础上，可建立数学模型对该结果展开进一步的分析讨论，并结合相关学科研究土地利用变化的驱动因子与作用效果，提出合理化建议。

[1]Anderson J R.Toward more effective method of obtaining land uses data in geographic research[J].The Professional Geographer，1961（13）：15-18.

[2]Belcher D J.A photo-analysis key for the determination of ground conditions[J].Cornell University Acta，1951（6）：94-97.

[3]史培军，陈晋，潘耀忠.深圳市土地利用变化机制分析[J].地理学报，2000，55（2）：151-160.

[4]朱会义，李秀彬，何书金，等.环渤海地区土地利用的时空变化分析[J].地理学报，2001，56（3）：253-260.

[5]孟伟庆，李洪远，郝翠，等.近30年天津滨海新区湿地景观格局遥感监测分析[J].地球信息科学学报，2010，12（3）：436-443.

[6]徐大勇，张涛，孙贻超，等.基于NDVI的天津市滨海新区植被覆盖度变化及预测研究[J].生态经济，2010，12：45-50.

[7]张景华，封志明，姜鲁光.土地利用/土地覆被分类系统研究进展[J].资源科学，2011，33（6）：1195-1203.

[8]王建，董光荣，李文君，等.利用遥感信息决策树方法分层提取荒漠化土地类型的研究探讨[J].中国沙漠，2000，20（3）：243-247.

[9]Hansen M C，De fries R S，Townsend J R G，et al.Global Land Cover Classification at 1 km Spatial Resolution Using a Classification Tree Approach[J].International Journal of Remote Sensing，2000，21（6）：1331-1364.

[10]徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005，9（5）：589-595.

[11]李晓兵，史培军.基于NOAA/AVHRR数据的中国主要植被类型 NDVI变化规律研究[J].植物学报，1999，41（3）：314-324.

[12]冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007，3：19-22.

[13]陈云浩，冯通，史培军，等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报，2006，31（4）：316-320.

[14]梁进社，张 华.土地利用变化遥感监测精度评价系统——以随机抽样为基础的方法[J].地理研究，2004，23（1）：29-37.