基于RapidEye影像的农村居民地遥感监测——以江西省泰和县为例

高孟绪， 王卷乐,3， 柏中强,2， 祝俊祥,2

(1．中国科学院地理科学与资源研究所,资源与环境信息系统国家重点实验室，北京　100101； 2．中国科学院

大学，北京　100049; 3. 江苏省地理信息资源开发与利用协同创新中心, 南京　210023)



基于RapidEye影像的农村居民地遥感监测
——以江西省泰和县为例

高孟绪1， 王卷乐1,3， 柏中强1,2， 祝俊祥1,2

(1．中国科学院地理科学与资源研究所,资源与环境信息系统国家重点实验室，北京100101； 2．中国科学院

大学，北京100049; 3. 江苏省地理信息资源开发与利用协同创新中心, 南京210023)

摘要：农村居民地遥感信息获取对于监测农村居民地时空变化、服务“三农”和国土资源管理具有重要意义。以RapidEye卫星影像数据为数据源，江西省泰和县为研究区，利用最大似然法进行居民地等土地覆盖类别的分类提取与精度评价及分析。结果表明： 分类总体精度达到84.33%，其中农村居民地的制图精度和用户精度分别为76.01%和82.28%，与第二次全国土地调查中的居民地数据对比，其一致性达到71.0%。结合实地验证，对本分类精度的误差原因进行分析。本研究表明利用5 m分辨率的RapidEye影像进行县级农村居民地监测是可行的，可为后续同类研究提供技术参考。

关键词：农村居民地； RapidEye影像； 遥感分类； 遥感解译； 泰和县

0引言

随着中国城市化进程的快速发展，越来越多的农村居民涌入大城市工作和生活，城市建设用地的面积呈现不断增长的趋势。同时，小县城农村地区的居民点用地面积却未因农业人口的减少而下降，反而也呈现不断扩张态势，出现大量的空心村。这种城市与农村居住用地同步增长的现象造成了土地资源的巨大浪费，也加剧了对生态环境的破坏[1]。因此，迫切需要进行农村地区居民用地的时空分布动态监测和特征规律研究。国内外利用遥感技术进行居民地空间分布研究已有诸多成果[2-6]，但多数以城市建成区(built-up area)为研究对象进行遥感监测，专门针对小县城居民地尤其是农村居民地的监测研究相对较少[3-4]。

城市居民地遥感监测研究中，常用的遥感数据源有MODIS影像、Landsat TM/ETM+等中高分辨率影像以及SPOT，IKONOS等高分辨率影像； 主要的遥感解译方法包括最大似然法、构建指数法、BP神经网络、纹理特征法、决策树、面向对象的方法等[5-9]。相对于城市居民地的研究，对小县城农村居民地的遥感监测研究在很长时期内关注不够[10]。客观上，农村居民点具有分布相对分散、地物特征不明显、周边环境复杂等特点，这会对遥感影像中居民地信息提取的精度造成影响。遥感影像的空间分辨率对农村居民点信息的提取也影响较大，过低的空间分辨率会使农村居民地的遥感识别更容易受到周边环境的影响，空间分辨率的提高能够使其信息提取精度增加，但过高的空间分辨率又会加大居民地内部的噪声干扰[11]。已有研究表明，3~5 m是进行城镇建筑区景观比较合适的分辨率[12]。因此本研究选取江西省泰和县作为研究区，基于获取的RapidEye影像(经正射校正后空间分辨率达到5 m)进行农村居民地地物分类与提取研究，并重点对居民地的分类精度进行评价，以期为县城农村居民地的时空变化监测研究提供借鉴。

1研究区概况

泰和县位于N26°27′~26°59′，E114°17′~115°20′之间，是江西省吉安市所辖的1个县(吉安市东南部)，总面积2 667 km2。全县森林覆盖率达到51.6%，是江西省木材重点生产基地。2010年第六次全国人口普查得出泰和县全县人口55.54万人。目前，全县共辖有22个乡镇(16个镇、6个乡)，另有泰和垦殖场、武山垦殖场2个直属县管辖的国有农场。泰和县位置如图1所示。

图1　泰和县及其位置示意图

泰和县所处的吉泰盆地是中国最肥沃的主要农业区和商品粮生产基地之一。随着城市化进程的发展，也由于种田收入远低于进城务工收入，近些年大量农民进城打工，目前泰和县工商业人口大量增加，城市化率迅速提高，部分农村呈现出“空心村”现象。2013年10月笔者在泰和县冠朝镇和塘州镇实地走访调查，发现农村废弃旧房屋较多，但同时新的房屋正在不断建设(图2)。

(a) 村前(b) 废弃房屋

(c) 在建房屋 (d) 房屋与园地混合

图22013年10月泰和县冠朝镇社下村实地调研

Fig.2On site survey of Shexia village in Guanchao

Town of Taihe County,Oct. 2013.

2数据源及预处理

2.1RapidEye卫星影像与特征

RapidEye卫星是德国的商业卫星，于2008年8月29日发射升空，2009年2月开始运营。卫星共包含5个波段，日覆盖范围达400万km2以上，能够在15 d内覆盖整个中国。影像数据地面采样间隔为6.5 m，星下点空间分辨率为5 m，幅宽77 km。RapidEye共有1B和3A这2个不同处理级别的数据产品，其中1B是未做正射校正和精确大气校正的影像产品。本研究区共利用1B级别的RapidEye影像4景，时间跨度为2010年10月—2012年9月，其中覆盖研究区大部分区域的1景影像为2011年11月获取。

2.2影像预处理

为进行遥感影像准确判读及分类结果的精度评价，通常要对影像进行校正及增强等预处理，以减少噪声等不利影响，有效突出有用信息。

利用影像自带的RPC文件，结合90 m分辨率的SRTM DEM数据，利用Erdas 2013软件的Geometric Calibration模块进行正射校正。结合研究区位置，投影选用UTM投影(Zone 50)，椭球体选用WGS84，分别完成4景影像的正射纠正，并对影像进行镶嵌和研究区裁剪等处理。

3研究方法

3.1居民地特征与分类系统设计

居民地是由建筑物、道路、绿地及空地等多种地物相互交错而构成的复杂混合体[11,13]。对于分散式分布的农村居民地，在不同空间分辨率遥感影像中的目标识别受周边环境的影响很大。如图3所示，同一地点在RapidEye影像与GoogleEarth影像中的表现不同。图3(a)中白色的亮点与灰蓝色的簇点状图斑是居民地，对应于图3(b)中棕灰色的人口集聚区。从图中可以发现居民地与周边环境(水体、森林、田地)等相混杂，在影像上显示出不规则的结构特征。

(a) RapidEye影像 (b) GoogleEarth影像

图3同一地点在不同影像中的表现

Fig.3Different display of same site in different images

依据研究区地物类型特征，把研究区的地物类型分为5个大类，即森林、农田、居民地、水体和其他(含裸地、道路等)，并根据植被状况将农田分为存在大面积绿色植被的子类I与没有或仅有稀疏绿色植被的子类II。在进行居民地分类的同时获得研究区其他地物类型的分布，通过对比分析增强对居民地信息提取不确定性的辨识。

对RapidEye影像进行5(R)3(G)2(B)彩色合成，合成后影像中植被区域呈现红色，密集的人口居住地区呈现青灰色，而较为分散的居民地则呈现白色亮点与灰蓝色。

3.2训练样本评价方法

为了更好地选取分类训练样本，针对每一类别分别进行多次感兴趣区(region of interest,ROI)选取实验，并利用J-M距离法(Jeffries- Matusita Distance)进行样本选取质量的评价[14]。假设所有地物类别服从高斯分布，则J-M距离可以表达为

(1)

其中

(2)

式中，μi，μj分别为第i,j类地物的特征均值向量； Ci，Cj分别为第i,j类地物的协方差矩阵； ln表示自然对数； |Ci|为矩阵Ci的行列式的值；k为样本类别数。本研究中，令k=2； J-M距离大小的范围值为0~2.0[14]，当该值大于1.9时，说明训练样本之间可分离性好，属于合格样本； 小于1.8时，需要重新选择样本； 若值小于1.0，则应将2类样本合并成1类进行重新选择。

3.3分类算法原理与后处理

目前的分类算法中，面向对象的方法具有较好的分类效果[15]，但针对研究区居民地较为分散的特点与空间分辨率为5 m的影像特征，分割尺度设计较小则计算耗时较长，对象破碎； 较大又不能很好地进行居民地的识别，采用该方法的分类识别效果并不理想。经多次实验，本研究最终利用最大似然法(maximum likelihood)进行地物分类。其分类原理是假设每1个波段的每1类统计都服从正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的1类当中。该分类方法的分类精度受样本选取和影像质量的影响，基本能够满足应用的需求。分类完成后，将分为2个子类的农田类别重新合并为1个农田类别，并对分类后的结果利用ENVI软件进行Majority分析，Sieve和Clump处理，将分类过程中产生的一些面积很小的图斑归类到相近类别中。

3.4精度评价方法

利用Google Earth中泰和县的部分高分辨率图像以及野外实地调查获取的GPS点，通过目视解译获取各个分类的地表真实感兴趣区ROI文件。并计算分类结果的总体分类精度、Kappa系数、制图精度和用户精度等。其中用户精度是指正确分到某类的像元总数与分类算法将整个图像的像元分到该类的像元总数的比值。

此外，2010年完成的第二次全国土地调查(以下简称“二调”)数据查清了全国农村各类土地的利用状况，具有较高的分类精度，建立了比例尺为1∶1万的土地利用数据库[16]。本研究以泰和县的二调数据为真值，在分类完成的居民地类别中随机选取100个样点进行了对比与评价。

4结果与分析

4.1样本可分离性与评价

经多次实验，最终选择训练样本的可分离性值如表1所示，所有样本的J-M距离值均大于1.9，表明分类训练样本之间的可分离性好，所选样本合格，满足进一步监督分类的需要。

表1　训练样本可分离性

4.2泰和县农村居民地的空间分布

在满足样本可分离性的基础上，基于多次实验，选择27处训练样本，共12 802个像元，利用ENVI软件的最大似然法分类工具进行分类运算，得到泰和县的土地覆盖分类结果和居民地分布图，分别如图4和图5所示。

图4　泰和县土地覆盖分类结果

图5　泰和县居民地空间分布

经统计计算可知，森林、农田、居民地、水体和其他类型占泰和县土地利用类型总面积的比例分别为47.39%，46.90%，2.05%，2.79%和0.87%，其中居民地的面积为54.84 km2。从图4中可以发现，居民地的总体分布较为分散，与农田土地利用类型相间分布的特点十分明显。从图5可以发现，县城处于2条国道的交界处，交通方便，人口也相对聚集。赣江由南向北穿城而过，两侧也聚集了大量居民地。从不同公路等级上看，县道两侧聚集了更多的居民地，一方面是交通上的方便造成了人口的聚集，此外，县道的修筑本身也考虑了农村居民出行的方便，所以大多修筑在人口相对密集的区域。但从图5中也可以看到，很多农村地区县级以上道路仍显不足。

4.3分类结果精度评价与分析

针对各个不同类(含农田类别的2个子类别)共选取5 749个像元进行分类结果精度验证，其中被正确归类的有4 848个，总体分类精度为84.33%，Kappa系数为0.81。按百分比显示的各类别分类精度如表2所示。

表2　分类结果混淆矩阵

从表中可以看出，居民地的制图精度和用户精度分别为76.01%和82.28%，分别表示整个图像被正确分为居民地的像元数与居民地真实参考总数的比值和与整个图像中分为居民地的像元总数的比值。真实的居民地类别分别有13.61%和10.37%被误分到农田类别的2个子类中，表明居民地和农田的分类较为接近。对比原始影像分析发现，误分的区域集中于居民地和农田的交界处，由于混合像元的存在导致了误分。另有4.41%的森林类别被错分到居民地类别中，对比原始影像分析发现，主要是由于在影像光谱值上部分森林阴影与居民地较接近，被错误分类。

为进一步分析居民地的分类结果，结合泰和县的二调数据进行验证。将本研究的2个农田子类合并为一类，将泰和县二调数据中的26种地物类别汇总得到5个一级类，使其与本分类具有可比性。同时在居民地类别中随机选取100个样点与二调数据进行比较分类，结果如表3所示。

表3　100个居民地随机点分类结果

从表3可见，有71个样点的居民地分类与二调中的结果相一致，但分别有14和12个样点在二调中划分为森林和农田。由于二调数据的完成时间比本研究所用遥感数据稍早2~3 a，这些出现差异或误分的类别，一方面可能是这期间居民地的不断扩展而侵占森林和农田所致； 另一方面这些类别主要是存在混合像元的部分(比如森林沟壑中的居住地，以及农田与居民地交界处)，后续工作中仍需进一步提高其分类精度。

5结论

1)本研究针对目前利用遥感进行农村居民地研究相对较少的现状，选取江西省秦和县作为研究区，利用RapidEye卫星影像进行居民地分类研究，经统计计算，居民地的面积为54.84 km2，约占泰和县土地利用类型总面积的2.05%，总体上，河流和道路两旁聚集了较多居民地，但居民地分布分散的特点十分明显。

2)研究表明，经正射校正后空间分辨率达到5 m的多光谱RapidEye卫星影像对于居民地具有较好的识别度，通过反复进行样本点的选取，以经典的最大似然法监督分类方法实现了泰和县的居民地分类，居民地的制图精度和用户精度分别为76.01%和82.28%，其中居民地和农田的交界处由于混合像元的存在导致了较多的误分。为了更好地验证分类结果，将居民地类别中的100个随机点结果与二调数据进行对比，发现正确率达71.0%。

3)由于居民地尤其是南方山区农村居民地的分布相对分散，居民地周边地物类别多样，造成了影像上呈现严重的椒盐现象，对于小区域的居民地边缘区域的识别存在较大误差。本研究利用目前经典的分类方法针对正射校正后5 m空间分辨率的RapidEye影像进行居民地的分类尝试，研究结果可为后续同类研究提供参考。

今后的研究中将综合考虑面向对象与像元分类相结合的方法，综合考虑DEM信息的影响，进一步提高目前仍存在误差类别的分类精度，并进行多期影像的居民地遥感动态对比分析研究。

致谢： 感谢地球系统科学数据共享平台提供的RapidEye数据支持。

参考文献(References)：

[1]Liu Y S,Lu S S,Chen Y F.Spatio-temporal change of urban-rural equalized development patterns in China and its driving factors[J].Journal of Rural Studies,2013,32:320-330.

[2]Tian G J,Qiao Z,Zhang Y Q.The investigation of relationship between rural settlement density,size,spatial distribution and its geophysical parameters of China using Landsat TM images[J].Ecological Modelling,2012,231:25-36.

[3]Vaudour E,Carey V A,Gilliot J.Digital zoning of South African viticultural terroirs using bootstrapped decision trees on morphometric data and multitemporal SPOT images[J].Remote Sensing of Environment,2010,114(12):2940-2950.

[4]Gong P,Wang J,Yu L,et al.Finer resolution observation and monitoring of global land cover:First mapping results with Landsat TM and ETM+data[J].International Journal of Remote Sensing,2013,34(7):2607-2654.

[5]杨存建,周成虎.基于知识发现的TM图像居民地自动提取研究[J].遥感技术与应用,2001,16(1):1-6.

Yang C J,Zhou C H.Extracting residential area from TM image on the basis of knowledge discovered[J].Remote Sensing Technology and Application,2001,16(1):1-6.

[6]赵萍,冯学智,林广发.SPOT卫星影像居民地信息自动提取的决策树方法研究[J].遥感学报,2003,7(4):309-315.

Zhao P,Feng X Z,Lin G F.The Decision tree algorithm of automatically extracting residential information from SPOT images[J].Journal of Remote Sensing,2003,7(4):309-315.

[7]Wang L,Sousa W,Gong P.Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery[J].International Journal of Remote Sensing,2004,25(24):5655-5668.

[8]Tso Brandt T,Mather P.Classification Methods for Remotely Sensed Data(2nd edition)[M].2nd ed.New York:CRC Press,20097.

[9]金飞,张占睦,芮杰.纹理主方向的遥感影像居民地提取[J].测绘科学,2010,35(4):139-141.

Jin F,Zhang Z M,Rui J.Residential area extraction frorm remote sensing image based on texture principal directions[J].Science of Surveying and Mapping,2010,35(4):139-141.

[10]Zhou G H,He Y H,Tang C L,et al.Dynamic mechanism and present situation of rural settlement evolution in China[J].Journal of Geographical Sciences,2013,23(3):513-524.

[11]汪权方,许纪承,陈媛媛,等.遥感影像空间分辨率对居民地信息提取的影响[J].资源科学,2012,34(1):159-165.

Wang Q F,Xu J C,Chen Y Y,et al.Influence of the varied spatial resolution of remote sensing images on urban and rural residential information extraction[J].Resources Science,2012,34(1):159-165.

[12]明冬萍,王群,杨建宇.遥感影像空间尺度特性与最佳空间分辨率选择[J].遥感学报,2008,12(4):529-537.

Ming D P,Wang Q,Yang J Y.Spatial scale of remote sensing image and selection of optimal spatial resolution[J].Journal of Remote Sensing,2008,12(4):529-537.

[13]刘芳,张增祥,汪潇,等.北京市农村居民点用地的遥感动态监测及驱动力分析[J].国土资源遥感,2009,21(3):88-93.doi:10.6046/gtzyyg.2009.03.18.

Liu F,Zhang Z X,Wang X,et al.The dynamic monitoring of rural residential land in Beijing and driving force analysis based on multi-source remote sensing data[J].Remote Sensing for Land and Resources,2009,21(3):88-93.doi:10.6046/gtzyyg.2009.03.18.

[14]邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社,2010.

Deng S B.ENVI Rremote Sensing Image Process Methods[M].Beijing:Science Press,2010.

[15]徐京萍,赵建华,张丰收,等.面向对象的池塘养殖用海信息提取[J].国土资源遥感,2013,25(1):82-85.doi:10.6046/gtzyyg.2013.01.15.

Xu J P,Zhaon J H,Zhang F S,et al.Object-oriented information extraction of pond aquaclulture[J].Remote Sensing for Land and Resources,2013,25(1):82-85.doi:10.6046/gtzyyg.2013.01.15.

[16]杨宝尧,杜震洪,刘仁义,等.基于第二次全国土地调查数据的土地利用现状图制图综合技术研究[J].国土资源遥感,2012,24(4):107-111.doi:10.6046/gtzyyg.2012.04.18.

Yang B Y,Du Z H,Liu R Y,et al.Researches on generalization technology for land use mapping based on 2nd national land survey data[J].Remote Sensing for Land and Resources,2012,24(4):107-111.doi:10.6046/gtzyyg.2012.04.18.

(责任编辑： 李瑜)

Remote sensing monitoring of rural residential land based on RapidEye satellite images： A case study of Taihe County, Jiangxi Province

GAO Mengxu1, WANG Juanle1,3, BAI Zhongqiang1,2, ZHU Junxiang1,2

(1.StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicSciencesandNaturalResourcesResearch,CAS,Beijing100101,China; 2.UniversityofChineseAcademyofSciences,Beijing100049,China; 3.JiangsuCenterforCollaborativeInnovationinGeographicalInformationResourceDevelopmentandApplication,Nanjing210023,China)

Abstract:The monitoring of the spatial and temporal changes of rural residents is of great significance in serving "three rural issues", land and resources management based on rural remote sensing information. In order to monitor the residential area especially the rural area by using remote sensing technology, the authors chose Taihe County in Jiangxi Province as the study area. On the basis of the RapidEye satellite images after ortho-rectification with spatial resolution of 5 meters, the residential land classification extraction and accuracy evaluation were carried out using the maximum likelihood method. The results showed that the overall classification accuracy reached 84.33%. The producer’s accuracy and user’s accuracy of the residential land were 76.01% and 82.28% respectively, and the consistency reached 71.0% in comparison with the residential land data of Taihe County in the second national land survey, and the possible causes of errors were also analyzed. The research results show that the resident land monitoring of rural counties using RapidEye images of 5 meters resolution is feasible in that it can provide reference for future similar studies.

Keywords:rural residential land; RapidEye image; RS classification; RS interpretation; Taihe County

通信作者：王卷乐(1976-)，男，副研究员，主要从事遥感应用与GIS开发、数据集成与共享研究。Email: wangjl@igsnrr.ac.cn。

作者简介：第一 高孟绪(1982-)，男，博士后，主要从事资源环境遥感与GIS应用、环境健康研究。Email: gaomx@igsnrr.ac.cn。

中图法分类号：TP 79

文献标志码：A

文章编号：1001-070X(2016)01-0130-06

基金项目：国家科技基础性工作专项重点项目“格网化资源环境综合科学调查规范”(编号： 2011FY110400)，国家自然科学基金青年基金项目“基于地理环境遥感监测的喜马拉雅旱獭鼠疫疫源地空间分布与预测研究”(编号： 41301474)及中国博士后科学基金资助项目(编号： 2013M530708,2014T70114)共同资助。

收稿日期：2014-07-23；

修订日期：2014-11-18

doi:10.6046/gtzyyg.2016.01.19

引用格式： 高孟绪，王卷乐，柏中强,等.基于RapidEye影像的农村居民地遥感监测——以江西省泰和县为例[J].国土资源遥感,2016,28(1):130-135.(Gao M X,Wang J L,Bai Z Q,et al.Remote sensing monitoring of rural residential land based on RapidEye satellite images：A case study of Taihe County,Jiangxi Province[J].Remote Sensing for Land and Resources,2016,28(1):130-135.)