福建省罗源县石材矿开采区高分遥感十年变化监测

王志华，何国金，张兆明

(1.中国科学院遥感与数字地球研究所，北京 100094；2.中国科学院大学，北京 100039)

1 引 言

矿产资源开发和利用在产生巨大经济和社会效益的同时，也对所在地区的生态环境造成严重破坏和巨大威胁。福建省罗源县石材矿资源丰富，是我国著名的石材产地。近十年来，罗源县石材产业迅猛发展，石材矿过度开发导致矿区的废石乱堆乱放，土地大量占用，植被严重破坏以及水体严重污染，是福建省国土厅的重点整治区域。遥感作为一种可以连续、快速、客观获取地表信息的技术手段，在矿区变化监测方面具有明显优势[1-3]，特别是随着遥感图像空间分辨率的不断提高，高精度提取矿区信息及变化成为可能，使遥感技术成为矿山生态环境监管的重要手段。为此，基于高分辨率遥感图像开展了罗源县石材矿开采区十年变化监测研究。

图1 研究区域位置及预处理后影像图

2 石材矿开采范围信息提取

2.1 研究区概况

罗源县位于福建省东北沿海，26°23′N～26°39′N，119°07′E～119°54′E(图1(a))，处于福建新华夏巨型构造体系第二隆起带的东部沉降带上，中生代晚侏罗世和早白垩世火山岩及燕山晚期侵入岩大片分布境内[4]。该县陆地面积1081.2km2，辖6镇、5乡，属中亚热带海洋性季风气候，多年平均气温19℃，降雨量1650mm。

境内山海资源丰富，花岗岩储量在福建省内位居第一。县境开采花岗石、辉绿岩做建筑材料历史悠久，在唐宋时期，就已使用花岗石建造石祠、石塔及雕刻工艺品。进入20世纪90年代后，罗源县石材业异军突起，逐渐成为全国的石材生产大县，石材业成为解决当地人员就业，增加财政收入来源的重要渠道[5]。

2.2 遥感数据收集

收集了2010年高分辨率遥感图像和2001年中分遥感影像，开展矿山信息提取及变化监测研究。其中2010年的数据为3月18日的ALOS 2.5m全色与10m多光谱影像；2001年的数据为3月2日的SPOT-2 10m全色影像和3月4日的Landsat-7的ETM+30m多光谱影像。此外，还搜集了由中国科学院计算机网络信息中心国际科学数据镜像网站(http：//www.gscloud.cn)共享的30m分辨率GDEM DEM和GDEM SLOPE，以作为分类的辅助数据。

2.3 遥感数据预处理

遥感数据预处理包括几何校正、数据融合、重采样及投影变换、裁剪等步骤，如图1(b)、图1(c)所示，具体过程如下：

①影像几何校正。利用RPC模型对ALOS全色及多光谱影像进行正射校正，以校正后的ALOS作为参考影像，对2001年影像进行校正，精度均小于1个像元。

②影像融合。实验了Brovey变换、IHS变换、小波变换、主成分变换、Pansharp融合方法，通过观察分析光谱扭曲程度、边缘清晰度等方式[6]，最终选择Pansharp融合方法。

③数据重采样及投影变换。为在同一尺度和空间下分析，将两期影像数据和辅助数据转换为UTM投影，并对2001年影像进行三次卷积法重采样到2.5m。

④裁剪。为保证数据范围的一致性与可比性，对两期预处理后的数据在石材矿区集中分布地区进行统一裁剪，裁剪区域位置如图1(a)所示。

2.4 石材矿开采区生态系统分类

对于高分辨率影像来说，由于地物类别内部的光谱响应变异增大，传统的基于像元的遥感影像分类方法已不适合高分遥感图像分类[6]。与基于像元的分类方法相比，面向对象的方法可以有效解决高分辨率影像的分类问题[7-9]。因此，论文用eCognition软件进行面向对象思想进行分类。

两期影像单独分类会出现边界不一致的现象，而且2001年原始影像分辨率较2010年低，还可能出现分类精度相差太大而不能有效进行变化检测分析。为此，论文还采取了回溯的方法，即以2010年影像分类结果约束2001年的分类过程。

此外，不同类别体系常常会引起面向对象分类的参数设置和分类结果的不同[8]，须在分类前根据需求确认类别设置。论文依据项目需求，设置了七大类：工矿、城镇、耕地、裸地、林地、草地和水域，其中工矿是研究重点。

图2 矿区土地覆盖及变化信息提取流程图

在高分影像中，各个类别中还含有光谱差异性比较大的子类，例如工矿中的挖损区与压占区，城镇中的居民点与石材加工厂等，情况复杂。采用人工观察特征，创建分类规则，不仅工作量大，还易出错。决策树是一种根据系统的匀质程度指标，如信息增益、基尼指数，来生成决策规则简单、高效并且能够处理高维数据的智能分类算法[14]。该算法，可以在不需要人为干预设定参数的情况下，有效处理同一类别中含有多个子类的情况，因此，论文还选择决策树分类器进行生态系统分类。图2为整个信息提取流程图。

2.4.1 2010年高分影像决策树分类

分割是面向对象分类的基础，其好坏直接影响后期分类的精度和斑块边界的准确度。但关于分割质量评价[11]和分割参数选择[12]的问题，在实际应用中是通过选择样本区，并采用目视判断结合统计分析来确定最佳分割参数。以本研究中的工矿为例，在shape-0.1、color-0.9、compactness-0.5、smoothness-0.5下进行多尺度分割，统计样本区域内含有工矿的总斑块数N和部分含有工矿类别的斑块数Npart，并计算工矿类别正确分割的比率Nc=100%×(N-Npart)/N，结果如表1所示。

表1 工矿多尺度分割统计表

从数据中可以看到，当尺度为50时，工矿分割正确率达98%以上，随着尺度的增加，欠分割现象逐渐显露。如果尺度过小，会导致过分割现象，不利于发挥面向对象分类的优势，因此取矿区分割尺度参数为50。依此方法，还确定了耕地、林地、草地为60，城镇、裸地为50，水域为40。因该七类最佳分割尺度参数相差不大，可以统一取分割尺度参数为50，以便在同一分割图层中选取样本和利用决策树算法[13]。

在训练决策树前，尽可能计算并利用多种与类别相关的特征，可以充分发挥决策树算法的优势来自动发现特征中类别区分度较高的特征，生成最优的判别规则。该实验中不仅选取了基于光谱、形状、纹理特征，还利用了辅助数据坡度、DEM的均值、方差，以及与植被、水体敏感的指数NDVI、NDWI[15]，共39个特征。其中，光谱特征包括亮度以及各波段的均值、方差；形状特征包括面积、周长、周长面积比；纹理特征包括基于灰度共生矩阵的匀质度、对比度、熵、ASM能量、自相关度[16]。在按照全面、均匀分布等要求下选择各类样本(表2)，并计算以上特征，然后使用eCognition软件中的CART决策树分类器进行训练和分类。生成的决策树如图3所示，其中Layer 1、 Layer 2、Layer 3、Layer 4、Layer SLOPE分别是斑块在2010年影像1、2、3、4波段中的均值以及SLOPE中的均值，分类结果如图4(b)所示。

表2 样本统计表

2.4.2 基于回溯方法的2001年遥感影像分类

2001年融合后影像分辨率较2010年融合后影像低，为10m。实地考察发现，水域、林地大部分在十年时间里变化幅度不明显。回溯方法正是利用了以上规律，在控制2001年分类精度的同时，发挥高分影像边界清晰的优势，使变化信息提取更加准确。其具体步骤如下：

(1)利用2010年分类结果中斑块的边界约束2001年影像分割。以2010年分类之后的图层作为2001年分割的父类图层，根据2.4.1节中分割参数选择方法确认该分割参数。经尝试和实验，分割尺度参数为30时效果最佳。

(2)参考2010年决策树规则，提取变化部分。以提取在2010年变化为工矿的地物类别为例，当在2001年影像图层中的某一对象，其父对象为工矿时，其属性满足决策树中林地的判别条件，即NDVI>0.017且Layer 3<51.55，或者NDVI>0.31，Layer 3<51.55且SLOPE>6.58的条件时，可以判断该对象从2001年的林地变化为2010年的工矿。其他变化信息依次类推，直至得出所有生态系统变化类别。

图3 样本训练后的决策树

图4 遥感影像分类图与矿区变化图

表3分类精度验证混淆矩阵

实际类别参考类别工矿/个城镇/个裸地/个耕地/个水域/个草地/个林地/个工矿57130100城镇25501002裸地01472112耕地11084085水域00036000草地012411236林地010407276

(3)合并相邻同类斑块，生成2001年生态系统分类结果图和矿区变化图，如图4(a)和图4(c)所示。

表4 各类别总体精度表

2.5 精度验证

以上分类精度及变化监测精度主要依赖于2010年影像分类精度，因此，可以从分析2010年分类精度验证来探索分类结果的可靠程度。根据各类别面积所占比例，采用了Erdas软件随机生成763个验证点，其中为了保证面积较少的类别能够有足够的精度验证点，设置其点数下限为50。通过野外考察资料验证其实际类别。结果显示：2010年影像分类总体精度达92.01%，总体Kappa系数为0.8978。详细混淆矩阵如表3所示，各类别总体精度如表4所示。

3 结果与分析

从分类结果统计图5以及变化统计表5可以看出，一方面工矿面积从2001年的2.09km2增加到2010年的7.89km2，面积扩大到10年前的近四倍，而从表5可以看出，矿区扩张占用的土地类型几乎全为林地，达6.43km2；另一方面，矿区复垦为林地的面积很有限，只有0.27km2。林地在生态系统稳定性方面发挥着重要的作用，而矿山开采对林地的大量破坏，可能会导致当地生态系统稳定性的下降。

从斑块数量上看(表6)，2001年工矿斑块数为191，而2010年斑块数量为158，呈减少趋势，但平均斑块面积增大到近5倍，表明矿山有规模化开采的趋势，实地考察也印证了这一点。“十五”期间，罗源县政府完成了首轮矿产资源总体规划，调整矿业结构，提升矿山开采规模等级，强调规模化开采，提高大中型矿山比例，研究结果也在一定程度上证明了政府规划起到了一定的成效。

图5 分类结果统计图

表5矿区变化信息统计表

转化类型转化面积/km2裸地-矿区0.00耕地-矿区0.00湿地-矿区0.00草地-矿区0.00林地-矿区6.43矿区-林地0.27矿区-草地0.33矿区-耕地0.02

表6 各类斑块数与平均斑块面积

此外，从信息提取过程来看，还可分析如下：

(1)面向对象分类可以较好地解决高分影像分类，但有关分割方面的研究需要进一步深入。从分类结果和变化监测结果来看，面向对象分类结果中几乎没有“椒盐”现象，与地物类别实际的变化规律相吻合，例如林地到工矿、耕地到城镇的转变几乎都是区域性的出现，可以有效地发挥高分影像的优势，提升解译精度。但是面向对象分类过程中一个关键的因素——分割的方法与参数选择，却没有实用的解决方案，实际中多数情况下仍使用目视判断和统计分析，效率较低，因此还需做进一步地深入研究。

(2)决策树的使用，可以很好地探索、发现地物类别关键区分特征，但算法本身有一定的适用性。一方面，研究区域地物类别复杂，直接、间接特征很多，通过分析图3中的决策树主枝和一些重要的辅枝后，可以发现NDVI可以将林地、草地、耕地与水体、工矿、裸地、城镇区分开来，SLOPE数据可以很好地将城镇与工矿区分开来，而纹理特征在本区域的高分影像分类中则没有体现出来；另一方面，决策树本身对样本的依赖性比较强，如果样本选择的数量较少，或者选择样本时各类别的子类覆盖不全，则可能会出现一些不合理的决策规则，例如选择工矿样本时，过多选择矿山挖损区而忽视压占区，将会导致决策时裸地与工矿的压占区误分。因此，有系统地选择足够数量的样本是成功使用决策树分类的关键。此外，训练生成的决策树除了主枝之外，还有许多辅枝，实际使用中，还需根据实际精度需求，做一定的剪枝处理。

(3)在该研究中，回溯方法较好地将中高分辨率影像结合使用。罗源区域2000年左右的高分影像原本就很少有，而且还需与2010年高分影像时相一致，若要同时使用两期高分影像进行矿区变化信息提取，不仅可行性低，成本也高。回溯方法的使用策略在扩大可使用影像范围的同时，还可以充分发挥高质量数据的优势，提升变化监测精度。

(4)精度验证方法，有待深入研究。由于罗源县2001年可用的高分影像非常有限，本文采用10m 分辨率的SPOT-2融合影像，为了两期影像的匹配，将2001年影像重采样到2.5m，这样会对分类产生一定的影响，然而考虑到两者分辨率差别并不太大，对最终分类结果的影响比较小。但面向对象分类是基于分割的区域分类，其精度验证中应该含有与基于像元分类思想不同的新特征，例如边界的准确性。以上研究采用基于混淆矩阵、Kappa系数为指标的基于像元的验证分析方法，其可靠性还需做进一步研究。此外，关于变化部分的分类精度验证也缺乏相应的合理方法。

4 结束语

卫星遥感技术，尤其是高分辨率卫星遥感技术，在高精度提取矿区地表覆盖信息以及矿区变化监测方面具有独特的优势。研究结果表明：结合决策树的面向对象方法可以高精度提取高分影像中矿区地表覆盖信息；从2001年到2010年间罗源县工矿面积几乎翻两番；矿区的快速扩张侵占了大量的林地，而同时矿区的复垦面积有限，对当地生态系统的稳定性造成了一定的威胁。

参考文献：

[1] 况顺达，赵震海.SPOT5在矿山监测中的应用[J].地质与勘探，2005，41 (3)：79-82.

[2] 王晓红，聂洪峰，杨清华，等.高分辨率卫星数据在矿山开发状况及环境监测中的应用效果比较[J].国土资源遥感，2004，(1)：15-18.

[3] 尚红英，陈建平，李成尊，等.RS在矿山动态监测中的应用-以新疆稀有金属矿集区为例[J].遥感技术与应用，2008，23(2)：189-194.

[4] 张涵韬.罗源县林地采坛口存在的主要问题及应对措施[J].林业勘查设计，2009，(1)：203-206.

[5] 徐彤飚，颜益群，彭鼎铿，等.对金融支持罗源石材业发展的调查与思考[J].福建金融，2010，(7)：40-42.

[6] 王海晖，彭嘉雄，吴巍，等.多源遥感图像融合效果评价方法研究[J].计算机工程与应用，2003，(25)：33-37.

[7] 侯伟，鲁学军，张春晓，等.面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例[J].地球信息科学学报，2010，12(1)：119-125.

[8] SOE W M，ANTHONY B，SUSANNE G C，et al.Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico[J].Remote Sensing of Environment，2004，93 (1)：198-210.

[9] BLASCHKE T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing，2010，65 (1)：2-16.

[10] HAN J W，MICHELINE K，PEI J.Data mining concepts and techniques，third edition[M].USA：Morgan Kaufmann Publisher，330-349.

[11] 章毓晋.图像分割评价技术分类和比较[J].中国图象图形学报，1996，(2)：151-158.

[12] 薄树奎，韩新超，丁琳.面向对象影像分类中分割参数的选择[J].武汉大学学报(信息科学版)，2009，34(5)：514-517.

[13] LALIBERTE A S，ED L F，ALBERT R.Combining decision trees with hierarchical object-oriented image analysis for mapping arid rangelands[J].Photogrammetric Engineering and Remote Sensing，2007，73 (2)：197-207.

[14] MCFEETERS S K.The use of the normalized difference water index (NDWI) in the delineation of open water features[J].International Journal of Remote Sensing，1996，17 (7)：1425-1432.

[15] TRIMLE.ECognition developer 8.7 reference book[Z].Germany：Trimble Germany GmbH，2011：319-328.