基于TM影像对土地利用动态变化的监测——以福州市为例

林耀奔 ，陈炳超 ，2

（1.广西师范学院国土资源与测绘学院，广西南宁530000；2.南宁市绿洲景观园林建设工程有限责任公司，广西南宁530000）

土地是人类的巨大财富，人类依靠土地进行繁衍生活。全球环境变化的主要原因来自人类对土地的开发利用而造成的土地利用类型的改变，这也是当前全球研究的热点话题[1-2]。传统的土地变化监测方法需要消耗大量的物力和人力，并且耗时、浪费资源，难以满足当今社会经济的需求。

大数据时代的到来使得人们对数据的掌握与分析变得更为快捷有效，同时也对人们提出了新的要求，要求采用更新更有效的技术方法来综合运用这些数据。社会经济的快速发展同时也造成了土地利用类型的不断变化，遥感技术作为土地利用动态检测的新技术，因具有人为干扰性小、操作周期短、覆盖面积大等其他方法技术无法比拟的优势，而被广泛地应用与研究[3-4]。

遥感图像可以客观真实地反映影像的各类数据信息，是土地利用动态监测的可靠数据来源，十分有益于定性定量地分析，其多时相的特性极具现实研究意义。

1 研究区概况

福州市是沿海省份福建的省会城市，位于福建省东部闽江下游沿海地区，介于东经118°08′～120°31′，北纬 25°15′～26°39′。福州市地理位置十分重要，北邻宁德市，南接莆田市，西面则是南平市和三明市，东临东海，台湾省与之隔海相望，是福建省的交通枢纽、经济和文化中心。

随着经济的快速发展，福州市作为国内为数不多的最早的对外开放城市，近年来其经济得到了迅猛的增长。城市规模的不断扩张使得福州市的土地利用类型也发生了巨大的变化，因此，利用遥感图像研究其土地利用变化情况对城市未来发展有着重要意义。

2 数据的获取与处理

2.1 数据源

本研究所采用的数据源包括：福州市1989年5月4日和2009年6月6日2个时相的TM影像图；福州市行政区划矢量图。获得的研究区内遥感影像的云层覆盖为零，质量良好。

2.2 数据处理

2.2.1 遥感影像的校正 包括几何校正和辐射校正，以校正和消除几何畸变和辐射失真[5]。

2.2.2 获取图像 在ERDAS中加载1989，2009年的TM遥感影像和福州市行政区划矢量图，并利用AOI裁剪的方法对遥感影像进行裁剪，得到福州市TM遥感影像，为接下来的监督分类做好准备。

2.2.3 合成彩色图像 由于TM单波段影像不利于目视判读，因此，根据彩色图像合成原理，将3个波段图像安放3个通道上，并分别对其设置成红、蓝、绿3种颜色，便可得到彩色的遥感图像。为了便于研究区的信息提取，需选择易于目视解译的波段合成的彩色图像，此次选择波段5、波段4、波段3进行彩色合成。

2.2.4 影像数据的配准 包括遥感影像数据与不同类型其他数据的配准以及不同时相的遥感影像间的配准2个方面，这是遥感动态监测的关键。具体步骤是首先在1989年与另外的其中一个时相（如2009年）的遥感影像上找到6个以上的同名地物，同名地物点一般为具有较高能辨度的点，如清晰的十字路口、标志性建筑物以及规则几何地块的棱角等，选用的样点分布应均匀，尽量铺满整个研究区范围。随后的小波模型则是根据这些样点与相应的二阶多项式生成的，并采用双线性内插法作为重采样方法，为使配准精度小于0.5个像元而对遥感影像进行不断地配准[6]。

2.2.5 建立分类体系 根据研究区的土地利用特征以及影像成像特征，并且参照国家相关行业标准，设定研究区的土地利用分类体系为建设用地、裸地、火烧迹地、耕地、林地、水体等6种土地利用类别[7]。

2.2.6 选取训练样本 监督分类的关键是选择合适的训练场地，此类样本应是光谱特征较为均一的区域，并且要有较多的光谱特征变化较大的地物点，从而能科学可靠地反映该区域的变化情况。此次操作中，每类至少选择10个训练样本。利用AOI工具在1989，2009年的TM影像上选取合适的样本建立训练区。

2.2.7 执行监督分类 根据选取的训练样本，利用ERDAS提供的监督分类模块，导入TM遥感影像和训练样本执行监督分类。

2.2.8 分类结果检查纠正 在同一窗口中添加裁剪后的影像和分类后的影像，使用wipe工具进行分类结果纠正。若发现分类结果与遥感影像有明显出入时，可以利用Raster→Tools菜单中的工具进行手动修改。

2.2.9 监督分类后处理 一般情况下，监督分类之后会产生一些小图斑，这些图斑必须剔除以提高遥感图像数据分析的精准度以及出图的美观可靠性。

首先进行聚类统计。聚类统计（Clump）是为产生一个Clump类组输出图像，而对每个分类图斑的面积进行计算以及记录相邻区域中最大图斑面积的分类值等操作[8]。

然后进行去除分析。去除分析（Eliminate）就是将删除的小图斑合并到相邻的最大的分类当中，适用于删除原始分类图像中聚类图像的小Clump类组或是小图斑。去除分析法的一个便捷之处就是其处理之后的Clump图像，会将小类图斑的相关属性值自动恢复到处理前的原始分类编码。

2.2.10 精度评估 为得到精度评估报告可使用Accuracy Assessment模块对分类后的影像进行精度评估。报告显示，1989年的分类精度结果为81.67%，2009年的分类结果精度为79.44%[9]。

3 土地利用变化动态监测

3.1 动态变化监测

利用Modeler模块进行动态变化监测，其计算公式如下：＄n2_class_fz1989_el*10+＄n12_class_fz 2009_cl_el，并执行土地利用动态监测模型。此外，再执行 Raster→Attribute→Edit→Add area column添加面积属性，其中，Row列数值ij的含义为1989—2009年期间，福州市i类土地转变成j类土地，而Histogram列的数值含义为福州市i类土地转变为j类土地的像元数[10]。

3.2 变化监测及出图

使用ENVI5.1中的Thematic ChangeWorkflow功能，以福州市1989年土地利用类型分布图为初始化底图，以福州市2009年土地利用类型分布图为第2幅图，得到福州市1989—2009年土地利用类型变化图，并通过ArcMap和PhotoShop工具制作成图。分别得到3幅专题地图（图1，2，3）。

3.3 统计分析

利用监测得到的数据对福州市土地利用变化进行统计分析，得到土地利用转移矩阵（表1）。

从表1可以看出，建设用地、林地、裸地三类土地类型的变化相对较大。比较建设用地类型的面积可以发现，1989年有1 424.52 km2的耕地转为建设用地，其次是林地，有537.732 km2转为建设用地。另外，林地还有相当一部分转为耕地，转移面积为885.78 km2，还有一部分林地可能因为发生森林火灾或人为破坏转为火烧迹地。同样，裸地面积也在发生变化，其中有619.02 km2的裸地转为林地，538.308 km2的裸地转为耕地。对于火烧迹地这类土地类型来说，其变化主要表现为有280.152 km2的面积转为林地，转为其他类型的土地面积相对少。同样，水体的变化也不大，主要是转为裸地类型。

表1 1989，2009年福州市土地利用转移矩阵 km2

4 结论

在土地利用类型的变化方面，福州市1989—2009年土地利用发生了较大变化：建设用地增加了1690.85 km2，增幅达76%，平均每年增加84.542 km2；裸地减少 1 084.323 km2；林地增加 4 561.88 km2；水体减少1 904.82 km2；火烧迹地增加536.436 km2；耕地减少了1 408.604 km2。

耕地面积总体来说变化较大，林地面积有所增加，建设用地面积持续较快增长，而裸地面积则大幅度减少，说明福州市的城市化进展不断加快，但土地利用仍不大合理，亟待改进。

运用遥感图像处理的相关技术对多时相影像进行土地利用类型的提取以及土地利用动态变化的监测是科学可行的，可以较为直观清晰地反映当今城市在经济迅猛发展的背景下所带来的土地利用类型变化的动态趋势。但是遥感影像在成像过程中容易受到大气状况、传感器等诸多因素的影响，从而造成土地分类不够精细。若采用高分辨率影像进行土地利用动态监测，一定会达到更好的效果。

［1］黄宝华，孙治军，周利霞，等.基于TM影像的土地利用动态变化分析研究：以烟台市六区为例[J].绿色科技，2001（9）：9-13.

［2］曹雪，柯长青.基于TM影像的南京市土地利用遥感动态监测[J].武汉大学学报：信息科学版，2006，31（11）：958-961.

［3］翁玉坤，刘排英，王鹏生.遥感技术在土地调查与动态监测中的应用综述[J].北京测绘，2009（3）：60-62.

［4］张灿荣，伍素贞.利用遥感影像进行土地利用动态变化监测：以东莞市长安镇为例[J].地矿测绘，2007，23（3）：17-19.

［5］姚薇，李志军，姚珙.Landsat卫星遥感影像的大气校正方法研究[J].大气科学学报，2011，34（2）：251-256.

［6］张锐，姜挺，于瑶瑶.图像重采样对调制传递函数估算的影响[J].遥感学报，2012，16（3）：482-491.

［7］王人潮.试论土地分类[J].浙江大学学报：农业与生命科学版，2002，28（4）：355-361.

［8］么枕生.用于数值分类的聚类分析 [J].海洋湖沼通报，1994，2（1）：1-12.

［9］刘旭拢，何春阳，潘耀忠，等.遥感图像分类精度的点、群样本检验与评估[J].遥感学报，2006，10（3）：366-372.

［10］韩丽蓉.基于ERDAS的掩膜图像生成方法探讨 [J].国土资源遥感，2013，25（2）：81-86.