利用Landsat 5 TM数据对南京土地覆盖分类的研究

王斌飞，敖 雪，翟晴飞，蒋璐路

(1.盘锦市气象局，辽宁盘锦 124010；2.沈阳区域气候中心，辽宁沈阳 110016；3.辽宁省人工影响天气办公室，辽宁沈阳 110166；4.宁波市气象局，浙江宁波 315012)



利用Landsat 5 TM数据对南京土地覆盖分类的研究

王斌飞，敖 雪2*，翟晴飞3，蒋璐路4

(1.盘锦市气象局，辽宁盘锦 124010；2.沈阳区域气候中心，辽宁沈阳 110016；3.辽宁省人工影响天气办公室，辽宁沈阳 110166；4.宁波市气象局，浙江宁波 315012)

为了更好地研究南京市人类活动与生态环境的相互作用，利用1988年7月5日和2006年5月4日两个时相的Landsat 5 TM遥感数据，基于ENVI软件平台，用相对配准校正方法将1988年的影像校正到2006年的影像水平上，对两期影像分别做最大似然分类，提取土地覆盖变化信息，并辅以地面调查，对其城镇变化进行动态监测并分析其扩展的原因。结果表明：1988～2006年南京市城镇面积增长的速度很快，城镇动态扩展表现为近郊城市化、远郊近郊化和农村郊区化；新增城镇用地主要是对耕地的侵占和对乡村用地的合并，并且挤压山体、林地和水体。与常规的地面测量与调查相比，利用Landsat 5 TM数据进行土地覆盖研究不仅缩短了研究周期，而且提高了精度。

土地覆盖；遥感；变化监测；城镇扩展

自然营造物和人工建筑物所覆盖的地表诸要素的综合体被称为土地覆盖，是随着遥感技术发展而出现的一个新概念，包括土壤、湖泊、湿地、沼泽、地表植被及建筑物和道路等，具有特定的时间和空间属性。土地覆盖常受到气候、土壤、地理地质环境和景观格局的影响，但随着人口的增长和城市化的加快，人类活动变成了影响土地覆盖的主导因子。应用遥感技术可以客观准确地动态监测土地覆盖变化，并能从不同尺度上分析人类活动对土地覆盖的影响，从而研究人与自然的相互作用[1-6]。

利用遥感技术对土地覆盖的监测，实际上就是对不同时间段的遥感影像数据进行信息提取，准确快速地监测得到各时相的土地覆盖情况及变化信息[7]。笔者以覆盖南京地区的30 m分辨率的Landsat 5 TM卫星数据为主要数据源，对南京地区1988～2006年的土地覆盖变化情况进行研究。2幅影像的成像时间都在夏季，此时植被生长旺盛，有利于增加城市与各种不同地物之间在影像上的对比度。研究结果可为人地关系的分析提供依据，并为南京地区的可持续发展提供重要的辅助决策信息。

1 数据来源及处理方法

1.1 研究区概况

研究区域为南京地区，其地理坐标范围为118°22′～ 119°14′ E、31°14′～ 32°37′ N，位于长江三角洲地区，全区总面积6 600 km2，其中市区面积4 844 km2，建成区面积752.83 km2，现辖11个区2个县。南京四周低山盘曲，山环水绕，自然风貌独特，水面占全市面积11.4%，水资源极为丰富，低山丘陵占全市面积64.5%，是华东低山丘陵集中的主要区域之一[8-9]。如图1所示，长江斜穿整幅图像，将南京地区大体分为3大部分：图像下方为南京主城区和江宁区，上方主要为八卦洲和六合区，左侧部分为浦口区。自改革开放以来，南京已成为我国经济发展速度最快、最具发展潜力的城市之一。在经济发展的同时，人类活动对自然环境产生了很大影响，该地区土地覆盖变化显著，尤以城市扩展为主。因此，该研究选择该区域作为研究对象，对南京地区土地覆盖分类和变化进行研究。

1.2 数据和方法说明

该研究主要采用的遥感数据为Landsat 5 TM(Thematic Mapper专题制图仪)卫星遥感数据。Landsat是美国国家航空和航天局发射的用来获取地球表面图像的一种遥感平台，以观察陆地环境和资源为主。Landsat 5于1984年3月1日升空，装载了MSS(Mulri Spectral Scanner多光谱扫描仪)传感器和TM传感器，为太阳同步地球资源卫星，轨道高度705 km，运转倾斜角98.22°，由北向南越过赤道，绕地球一圈周期约98.9 min，每天绕行约14圈，每16天扫描同一地区，全球共有233个轨道。TM传感器包括7個波段，波段1～3为可见光波段，波段4、5、7 为紅外波段，波段6为热红外波段[10-11]。该研究采用了1988年7月5日和2006年5月4日的2组Landsat 5 TM 卫星数据。

遥感图像计算机分类分为监督分类和非监督分类2种，该研究采用监督分类和最大似然分类法对图像进行分类[12-13]。

1.3 工作流程

该研究配准校正2个时相的数据影像，进行最大似然分类，得到土地覆盖分类图，再利用分类图提取城镇信息，进行变化检测，土地覆盖变化信息提取流程见图2。其中，图像处理是在遥感图像专业软件ENVI(The Environment for Visualizing Images)中进行的。

1.4 数据预处理

进行多时相动态变化监测时，需要各时相数据在空间上的良好匹配。因此，在进行土地覆盖分类之前，先对数据进行配准精校正。

该研究以2006年的Landsat 5 TM数据为基准图像，对1988年的Landsat 5 TM数据进行几何配准校正。试验中选取了30个控制点，控制点选取的是易分辨且较精细的特征点，均匀地分布在整幅图像上，这使得目视辨别比较容易。在道路交叉点、湖泊边缘、海岸线弯曲处、河流弯曲或分叉处、城廓边缘等特征变化较大的地区多选一些控制点[14]。为了防止外推，在图像边缘部分也进行了控制点的选取。配准误差RMS为0.482 137，控制在0.5个像元之内，满足研究的要求。

控制点选取之后要选择重采样的方法。试验中分别对最近邻法、双向线性内插法和三次卷积内插法进行尝试。最近邻法处理后的图像亮度具有不连续性，精确度不高；三次卷积内插法计算量大，速度慢，对控制点的选取要求很高[15]；而双线性内插法计算量和精度适中，因此最终选取该方法作为重采样的方法。选定重采样方法之后，通过软件实现对图像的配准，由于2幅图像的区域范围大小不同，利用ENVI将它们裁切到同样的大小(2 000×2 000)，包含的区域范围也相同，以便分类。对比作为基准图像的2006年TM图像(图3a)和经过相对配准的1988年TM图像(图3b)可以看出，较亮的区域为城镇，城镇沿着长江分布，2006年较1988年明显增多，水体分布也清晰可见。

2 结果与分析

2.1 土地覆盖分类2.1.1

分类体系。土地覆盖分类体系应综合考虑调查比例尺的大小、精度、遥感资料可辨性、区域特点、实用性和系统性[16]。基于对研究区概况的了解，针对研究区域的自然地理特性，根据所选遥感数据的判读分析以及试验研究的目的，对2个时相的遥感影像进行目视判读，确定南京地区内大致可以分为5类地物，分别是水体、林地、城镇、农田和裸土。

2.1.2 训练区的选择。监督分类的关键在于训练区的选取，训练区的选择是否准确对分类精度有着较大的影响[17]。训练区中包括研究范围内所有要区分的类别，通过它可获得需要分类的地物类型的特征光谱数据，由此可建立判别函数，作为计算机自动分类的依据。训练区的选择具有典型性和代表性，要求所含的类型与研究区域所要区分的类别一致。要选取均质样本，就应在各类地物面积较大的中心部分选择，而不在各类地物混交地区和类别的边缘选取，以保证数据具有典型性；使用的图件要求时间和空间的一致性，从而能进行准确的分类。在实际的样区选取操作中，经过多次选取和分类，发现尽可能多选类别，同时各类别地物训练区选得越多，效果越好，可以减少分类误差。如在选取水体的感兴趣区时，不仅要在长江上选取，还要在玄武湖等湖水中选取。

由于缺乏相应区域的地面实际样本，为最大程度地保持样本的代表性，以遥感影像目视解译为主，将已配准校正的卫星图像显示在系统监视器上，用光标在显示图像上勾出相应训练区的范围，然后由系统自动地分别确定每类训练样本的正态分布统计量。经过上面的步骤得到最终的样区及样点数见表1和表2。

2.1.3 分类过程。选取训练区后，利用最大似然分类法进行监督分类，然后对分类结果进行初步分析，发现总体上而言比较理想，集中类别的地物类型特征比较明显。

表1 2006年各类别样区及样点数

表2 1988年各类别样区及样点数

遥感监督分类的同时会产生一些面积很小的图斑，Muchoney等[8]在对中美洲地区进行植被与土地覆盖类制图研究中提到利用低通滤波来去除孤立像元，可使其分类精度提高2%。该研究利用3×3窗口对分类结果进行低通滤波处理，合并非常破碎的细小地块。在分类结果图的基础上添加图名、图例和比例尺等要素，制作成专题图(图4)。

2.1.4 精度评价。对遥感影像进行专题分类后需要进行分类精度评价，该研究利用混淆矩阵进行精度评价，混淆矩阵定义参见文献[19]。由于土地覆盖范围广，实地调查成本高，并且低像元分辨率使得混合像元现象比较突出，给点样本到粗分辨率像元的尺度转换带来较大的不确定性，而使得宏观土地覆盖分类的精度验证变成一个棘手的问题[20]。基于以上考虑，利用ENVI软件得到一组用来做精度评价的数据，通过这组数据统计得到混淆矩阵(表3、4)。

表3 2006年分类混淆矩阵

注：总体精度为(72 671+137 184+184 907+92 263+1 143)/509 485= 95.615 8%；Kappa系数= 0.939 2。

表4 1988年分类混淆矩阵

注：总体精度为(2 922+4 078+3 519+3 207+1 335)/15 970= 94.3081%；Kappa系数= 0.927 0。

该研究通过混淆矩阵分析得到样本区2006年总体分类精度为95.615 8%，Kappa系数为0.939 2，1988年总体分类精度为94.308 1%，Kappa系数为0.927 0。其中被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类的像元数，和总像元数进行对比得到各类别精度。显然，对于分辨率30 m的TM影像来说，这一分类精度已达到使用要求。从混淆矩阵中可以看出，分类误差主要集中在林地、农田和裸地之间，由于林地和农田特征比较接近，而农田和裸地分布混杂，故区分精度不高，由于错分代价比较低，对于土地覆盖产品的用途而言影响不是很大。

2.2 南京城镇扩展分析

基于2006、1988年2个时相的土地覆盖分类图提取2个时相南京的城镇信息，结果见图5。

根据图5中2个时相的城镇覆盖信息做城镇变化检测，得到1988～2006年南京地区城镇覆盖变化(图6)。

对图4中南京地区土地覆盖分类进行统计，得到该地区各类土地覆盖类型的面积和比重。从统计结果来看，1988年研究区农田的比重最大，为68.9%，其次是城镇建筑，为9.3%，城镇主要集中分布在下关区、鼓楼区、玄武区、建邺区等主城区，在八卦洲上方六合区和左侧的浦口区有零星分布，这与南京1988年城镇规划记载相符。水体占7.92%，林地占7.26%，裸地占6.62%，对比2006年数据可以发现，1988～2006年南京水体和林地变化不大，裸地和农田明显减少，城镇增加显著达到31.82%，1988年原有城镇面积216.05 km2，到2006年城镇面积增长了489.10 km2，达到705.15 km2，平均每年增加25.74 km2，扩展面积已超过原有城镇面积的2倍。从图6可以看出，从1988年开始，城镇由主城区逐步向浦口区、六合区、江宁区、栖霞区拓展，拓展速度和规模都较大，近年来大部分学校迁往郊区，如今江宁、仙林、浦口已成为3座大学城，江北大厂工业区的新建，如扬子石化、南京化工园、南化公司、南钢集团、华能电厂、南京热电厂等一大批大型石油化工、钢铁、电力等基础和加工工业企业拔地而起，导致南京土地紧张。从城市发展空间考虑，南京的城镇动态扩展将表现为近郊城市化、远郊近郊化和农村郊区化。

城镇面积增长的速度很快，快速发展的工业化与城市化推动城镇用地加速增长。新增城镇用地主要是对耕地的侵占和对乡村用地的合并，并且挤压山体、林地和水体。长江北岸一带发展迅速，建成了许多新的城区，长江南岸，由于沿江地区经济贸易、工业等比较发达，故主城区沿长江向东西方向扩展，在主城的南边也建立了新城区，主城的东边由于大学城的影响，也有新城建成。

3 结论与讨论

该研究以1988和2006年2个时相的30 m分辨率的Landsat 5 TM 遥感影像为主要数据，运用ENVI 软件进行南京地区土地覆盖分类和城镇动态拓展变化的研究，与常规的地面测量与调查相比，不仅缩短了研究周期，而且提高了精度。

在研究中，采用相对配准校正的方法将2个时相的图像配准并裁切到同样大小范围，然后根据TM遥感影像，确定了5种地物构成的分类系统，既能够较好地反映研究区的地表信息，又具有较强的分类可行性。在图像上对各种土地覆盖类型的训练区进行选取，运用最大似然法对数据进行初步分类后，对图像进行平滑修正，得到最终的1988和2006年2个年份的分类专题图，采用混淆矩阵进行了精度评价，分类精度较高。再以城镇为例分析南京城镇覆盖的变化情况，得出城镇的变化主要是由于人类活动的影响造成的，并且城镇的实际发展也跟1988～2006年土地覆盖变化一致，随着城市的发展，不断地向郊区和农村扩张。

分类结果表明，基于Landsat 5 TM遥感影像的土地覆盖分类方法和技术在实践中是切实可行的，使用30 m分辨率的TM数据结合ENVI软件，能够实现较小尺度的土地覆盖分类，在类别识别精度、空间精度方面都具有明显的优越性，能够更好地描述南京地区的土地覆盖信息，使得城镇的宏观动态监测变成可能，可以为城市发展与规划提供决策信息，具有一定的应用价值。

[1] 赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003：337-345.

[2] 杨立民，朱智良.全球及区域尺度土地覆盖土地利用遥感研究的现状和展望[J].自然资源学报，1999，14(4)：340-344.

[3] 汪权方，李家永，陈百明.基于地表覆盖物光谱特征的土地覆被分类系统：以鄱阳湖流域为例[J].地理学报，2006，61(4)：359-368.

[4] 何春阳，史培军，陈晋，等.北京地区土地利用/覆盖变化研究[J].地理研究，2001，20(6)：679-688.

[5] SELLERS P J，DICKINSON R E，RANDALL D A，et al.Modeling the exchanges of energy，water，and carbon between thecontinents and the atmosphere[J].Science，1997，275(5299)：502-509.

[6] 柳海鹰，高吉喜，李政海.土地覆盖及土地利用遥感研究进展[J].国土资源遥感，2006，22(5)：7-12.

[7] DEFRIES R S，TOWNSHED J G R.NDVI derived land cover classification at a globe scale[J].International journal of remote sensing，1994，15(17)：3567-3586.

[8] 王卷乐，贾文臣.基于ISO元数据扩展模型的土地覆盖遥感分类体系框架研究[J].地球信息科学，2008，10(6)：781-786.

[9] 马红云，宋洁，郭品文，等.基于MODIS数据的土地覆盖资料对长三角城市群区域夏季高温模拟的影响评估[J].气象科学，2011，31(4)：460-465.

[10] 吕建树，吴泉源，张祖陆，等.基于RS和GIS的济宁市土地利用变化及生态安全研究[J].地理科学，2012，32(8)：928-935.

[11] 黄娟琴.杭州市区湿地资源遥感调查与监测研究[D].杭州：浙江大学，2005：25-27.

[12] 刘勇洪.基于MODIS数据的中国区域土地覆盖分类研究[D].北京：中国科学院遥感应用研究所，2005：212-217.

[13] 汤国安，张友顺，刘咏梅，等.遥感数字图像处理[M].北京：科学出版社，2004：193-198.

[14] 席武俊.基于RS与GIS技术的县域土地利用/土地覆盖变化研究方法与实践[D].昆明：云南师范大学，2005：21-22.

[15] MATTHEWS E.Global vegetation and land use：New high resolution data bases for limited studies[J].Journal of climatologyand applied meteorology，1983，22(3)：474-487.

[16] 刘勇洪，牛铮，徐永明，等.基于MODIS数据设计的中国土地覆盖分类系统与应用研究[J].农业工程学报，2006，22(5)：99-104.

[17] 赵梓健.基于MODIS数据的信息提取及主要土地覆盖变化研究：以川西地区为例[D].成都：电子科技大学，2010：1-2.

[18] MUCHONEY D，BORAK J，CHI H，et al.Application of the MODIS global supervised classification model to vegetation and land cover mapping of Central America[J].International journal of remote sensing，2000，21(6/7)：1115-1138.

[19] 边疆.绵阳市景观格局动态变化与预测分析[D].南京：南京林业大学，2012：36-37.

[20] 徐永明，刘勇洪，魏鸣，等.基于MODIS数据的长江三角洲地区土地覆盖分类[J].地理学报，2007，62(6)：640-647.

Research on the Use of Landsat 5 TM Data to Classify Land Cover in Nanjing

WANG Bin-fei1，Ao Xue2*，ZHAI Qing-fei3et al

(1.Panjin Meteorological Bureau，Panjin，Liaoning 124000；2.Shenyang Regional Climate Center of Liaoning, Shenyang, Liaoning 110016；3.Liaoning Weather Modification Office, Shenyang, Liaoning 110016)

In order to better study the interaction of human activities and ecological environment in Nanjing, we used two remote sensing data on July 5th,1988 and May 4th,2006. We calibrate the image 1988 with respect to the image 2006 by the ENVI, do Maximum Likelihood Classification to both images and extracte land cover change information.supplemented by ground surveys. Its dynamic monitoring of urban change and analysis of the reasons for its expansion. The results showed that the urban area of nanjing increased fast from 1988 to 2006, urban dynamic extension of suburban urbanization and suburbanization and rural remote exurbs suburbanization.The new urban area was mainly the cultivated land occupation and the rural land consolidation, and extrusion mountain, forest land and water.Compared with the conventional ground survey and investigation, the use of Landsat 5 TM data for land cover study is not only shorten the cycle, but also improved the precision.

Land cover；Remote sensing；Change detection；Urban expansio

王斌飞(1982- )，男，辽宁盘锦人，工程师，从事雷电防御研究。*通讯作者，助理工程师，从事气候变化和遥感研究。

2015-11-25

S 127

A

0517-6611(2015)35-353-04