基于Sentinel－2A影像的矿区土地利用信息提取方法

邵安冉,李新举,2*,周晶晶

基于Sentinel－2A影像的矿区土地利用信息提取方法

邵安冉1,李新举1,2*,周晶晶1

1. 山东农业大学资源与环境学院, 山东 泰安 271018 2. 土肥资源高效利用国家工程实验室, 山东 泰安 271018

为研究中高分辨率遥感影像大范围精确提取矿区土地利用信息的技术方法，选取山东省兖州市兴隆庄煤矿作为研究区，针对遥感影像的光谱特征，采用监督分类和归一化指数计算相结合的方式进行矿区土地利用信息提取试验。结果表明，选择融合后Sentinel－2A卫星影像的四个高分辨率波段可应用于土地利用的精确识别；根据地物光谱特征，最大似然监督分类法提取建设用地、裸地效果较好，可作为精确提取两种地类的方法；结合归一化植被指数运算和归一化水体指数运算提取植被、水体信息可明显提高总体分类精度，提取精度可达93.54%，进而可利用该分类结果精确高效地识别和测算矿区土地利用类型及其分布特征，为矿区土地整治、村庄搬迁等提供依据。

Sentinel-2A; 矿区; 土地利用信息; 提取方法

随着国民经济发展，我国能源开采量逐年递增。煤炭是我国主要能源之一，占全国一次能源总量的74%左右，截止到2018年，煤炭的总产量已突破30亿t，在国民经济发展中一直发挥着重要作用。然而，由于煤炭和土地空间分布的同位性以及采煤技术的限制，煤炭开采不可避免地导致土地塌陷[1]。我国煤炭产量的95%源自井工开采，而井工开采破坏煤炭上覆岩层的应力平衡，引起岩层从下至上的冒落、裂缝和下沉，从而导致地表沉降、地层破裂和形变，地面塌陷成为煤炭开采过程对土地破坏的主要表现形式[2]。随着矿产资源开采力度不断加大，矿区土地资源破坏严重，生态环境日趋恶化。据测算，在我国，每开采1万t煤炭，造成土地塌陷面积0.033~0.533 hm2，平均为0.2 hm2。以建国以来煤炭产量376亿t来计算，目前采煤塌陷引起土地破坏面积约75.2万hm2，并且每年还以4.6万hm2的速度递增。我国土地资源相对贫乏，人多地少，煤炭开采破坏了大量的土地和植被，许多矿区分布在农村建设用地附近，煤炭资源的大量开采造成了居民建设用地、农用地的塌陷，影响了当地居民的生产和生活[3]。矿区土地信息提取能快速反映土地利用特征及变化情况，为塌陷土地研究、补偿提供快捷的信息资源。遥感技术的发展，为土地利用信息的快速提取提供了新的途径，特别是卫星遥感技术，其具有多时段观测、覆盖范围大、成本低的优点，从而得到广泛的应用[4-6]。目前国内外学者主要对城市建设用地、水体、裸地等地类进行单独提取精度研究，且大多采用一种提取或分类方法，对提高土地利用总体分类精度相关研究较少，马红等提出利用遥感指数提取城市建筑用地信息的新方法，但该类方法不适合用于多类地物的综合提取[7]。王波、雍万铃、胡涵等提出采用面像对象的方法在高分辨率遥感影像上对人工地物进行提取，但高分辨率遥感影像覆盖面积小、费用高，不利于大范围的地物信息提取[8-10]。基于此，本研究提出采用多种提取方法相结合的方式对Sentinel-2A遥感影像进行土地利用信息提取，既可提高分类精度，又可对多类地物进行大范围的精确提取。

1 研究区概况

兴隆庄煤矿位于山东省兖州市城南偏南，距兖州市约8 km，是兖州市煤矿区的重要组成部分，地理坐标为35°27′22″~35°34′32″N，116°47′54″~116°54′39″E，总面积约57.69 km2。该区为温带半湿润季风区，属大陆与海洋间过渡性气候，四季分明，年平均降雨量712.7 mm。区域内作物种类丰富，地形以平原为主，土地利用方式以耕地、建设用地为主，有少量的林地和草地。该区西北侧有新兖铁路及日东高速通过，由兖州市向东有兖石铁路，其东临京福高速公路，区内交通四通八达，便于煤炭运输。该煤矿于1981年投入生产，长期的采煤活动已经造成了严重的地面塌陷问题。

图 1 兴隆庄煤矿

2 材料与方法

2.1 数据来源

本次研究所使用的遥感影像为光学遥感数据，影像获取时间为2018-04-20:02:55:51.026Z。之所以选择春季影像，是因为此时地面植被覆盖较多，能够在一定程度上避免与周围地物的“异物同谱”现象；且春季降水较少，此时提取的地表水较汛期更能反映研究区水资源分布的实际情况，影像云覆盖为0，地物能清晰反射到影像上。Sentinel-2A卫星携带的光学传感器与Sentinel -1A相结合，可覆盖13个光谱波段，按照空间分辨率可将波段划分为10 m、20 m和60 m，幅宽度达290 km，可以获取大范围、高重访周期的数据，提供高分辨率的环境监测能力[11,12]。Sentinel-2A卫星有效综合了其他各卫星的优势，其中，多光谱通道、较高重访频率及较宽刈幅是Sentinel-2A卫星的亮点，该卫星在运行期间可提供有关农业、林业种植方面的监测信息，对观测地球土地覆盖变化及森林，监测湖水和近海水域污染情况、预测粮食产量、保证粮食安全等多个领域起到重要作用[12]。

2.2 数据预处理

利用Sen2cor（专门生产L2A级数据的插件）首先对下载后的Sentinel-2A影像数据进行辐射定标和大气校正[13]，进一步利用SNAP Desktop（遥感图像处理软件）将校正完成后的影像转换成可用利用完整的遥感图像处理平台（The Environment for Visualizing Images，ENVI）打开的格式，选择融合该卫星影像的红、绿、蓝及近红外4个影像波段，生成较高分辨率（10 m）的多光谱遥感影像。将波段融合后的遥感影像与已有的土地利用现状矢量图进行数据配准，并根据选取的试验区范围对遥感影像数据进行裁剪。

2.3 土地利用信息直接提取

本研究主要目标是对土地利用类型的精确提取，因此选择监督分类和非监督分类相结合的方式提取地物。先建立需要确定的土地利用类别，对研究区遥感影像地物进行划分，通过目视解译确定该区域地物特征，由于农村道路和农村居民点多为水泥构造，在遥感影像上光谱特征相似，故将两类地物归一为建设用地，研究区内地势平坦，村庄密布，耕地分布广阔，林地、草地分布极少，因此本研究共建立植被、水体、建设用地、裸地4类地物样。在传统的土地利用分类研究中，为高效、快速提取大范围土地利用信息，多采用监督分类方法对遥感影像进行分类[14]。

最小距离是通过训练样本数据去计算每种类别的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，将像元归入到距离中心最小的类别中[16]；马氏距离法是通过计算输入像元到各训练样本的马氏距离(计算2个未知样本集的相似度的方法)，统计马氏距离最小的即为此类别[15]，此方法既考虑离散度，也考虑到各轴间总体分布的相关(协方差)，能够考虑到分类类别的内在变化[16,17]；最大似然法是计算像元属于某一训练样本的似然度，然后将像元归为似然度最大的一类中[16]；支持向量机是一种基于统计学习理论的机器学习方法，可自动寻找对分类有较大区分功能的支持向量并构造分类器，最大化类别之间的间隔[11]。本研究分别对四种监督分类方法进行分类比较，选择最佳分类方法，如表1所示，经验证最大似然方法整体分类效果较好。

图 2 监督分类结果

表 1 监督分类精度验证表

2.4 土地利用信息间接提取

通过目视解译和混淆矩阵两种方法对分类结果进行精度验证，发现建设用地中的道路容易被误分成植被，且建设用地内部植被信息在分类过程中并未区分出来。为了分析建设用地与其背景地物在光谱特征上的差别，分别对兴隆庄矿区内地物按植被、水体、建设用地、裸地4种地类在图像上进行采样统计，并做出各类地物的光谱曲线图，如图3所示。

图 3 研究区典型地物光谱曲线

从以上分析可知：建设用地与裸地的灰度值从band2到band3有重合，但从band3到band8波段灰度值差异明显且变化趋势一致，两者在近红外波段灰度值较高，说明其在近红外波段反射率较好；植被灰度值总体低于其他地类，且灰度值在band2到band4波段与水体产生重合，可能与矿区耕地塌陷并产生地面积水有关；水体的灰度值从band2到band8逐渐下降，表明水体在各波段反射率较低，说明该区域水体悬浮物浓度较高，可能与区域气候降水有关或者受部分浮游植物的干扰。

2.4.1 植被信息提取结合目视解译验证与光谱曲线结果分析，在直接利用监督分类方法进行分类的基础上，需进一步提高植被、水体分类精度，以便快速精确提取出矿区各类土地利用地信息。植被信息可利用归一化植被指数（Normalized difference vegetation index, NDVI）来提取[18]，具体运算公式如式（1）所示：

计算NDVI后结果如图4所示，分别对NDVI计算后不同范围内的密度分割阈值与遥感影像进行观察对比，通过目视解译，在遥感影像上参照实地调查结果随机选出40个植被样点，统计选取样点的NDVI值范围，通过反复对比试验，选择出最符合实际地物分布的NDVI分割阈值范围，为验证阈值范围选取的有效性，选择样本点以外的区域对植被NDVI值对确定的阈值范围进行验证。统计结果显示该矿区NDVI密度分割阈值在0.5625-1时，植被信息可有效提取出来。如图5所示，利用ArcGIS平台将植被信息提取出为一单独图层并进行分析，发现通过计算归一化植被指数研究区内植被信息提取精度显著提高，建设用地内部植被信息可准确提取出来，并且有效避免植被与道路信息混淆现象。

图 4 植被密度阈值分割图像

图 5 NDVI计算后植被分布图

2.4.2 水体信息提取利用归一化水体指数[19]提取水体信息，归一化水指数（Normalized water index,NDWI）是利用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息，计算公式如式（2）所示：

计算结果如图6所示，通过目视解译对NDWI计算后不同阈值分割范围进行对比分析，选择与NDVI阈值范围同样的统计、验证方法，即随机选取研究区40个水体样点，统计出最佳水体提取阈值，并选择样本点以外的水体信息进行验证。最后确定该矿区NDWI密度分割阈值在0-1时，水体信息可有效提取出来。如图7所示，同样利用ArcGIS平台将水体信息提取出为一单独图层并进行分析，结果表明计算归一化水体指数后研究区内植被信息提取精度显著提高。

图 7 NDWI计算后水体分布图

为实现对研究区土地利用的综合提取与分析，将所有地类合并为一个图层，将监督分类中建设用地和裸地两个图层提取出来(图8)，并与指数计算后的水体、植被图层合并，进而得到植被、水体、裸地、建设用地合成后的高精度分类图像(图9)，提供各类用地的空间分布、规模、面积等信息。

图 8 监督分类提取地类图

图 9 综合提取分类图

3 结果与分析

3.1 精度验证

经统计，研究区像元总数为1348137个，用目视解译和混淆矩阵两种方法对提取结果进行精度验证。在图像中随机抽取7834个像元点，运用选择的感兴趣区（验证样本区）作为混淆矩阵的参考源，计算出总体分类精度为93.54%，KAPPA系数为0.91，分类精度明显高于直接监督分类结果。

表 2 综合分类精度评价

从表2可以看出，归一化植被指数计算后植被用户精度提高到96.23%，建设用地用户精度提高至99.20%，利用监督分类和NDVI计算相结合的方法可有效提高水体、植被等地物分类精度，是提高总体分类精度的必要条件。

3.2 结论

在利用Sentinel-2A卫星遥感影像进行矿区土地利用信息提取中，基于监督分类的直接提取法可以对压煤村庄等区域的遥感影像做出多种地类提取，但精度受到分类样本选取的影响，影像中部分道路信息容易被误分成植被，需要通过目视解译进行修正；基于归一化植被指数和归一化水体指数能明显提高植被、水体提取精度，采用指数计算与监督分类相结合的综合提取法能充分利用多种适合各类地物分类的方法，减小地类错分误差，提高总体分类精度，总体分类精度可达到93.54%，较直接监督分类法提高6.61%，且此类方法简单快捷，适合矿区内各类用地面积、分布的快速统计分析，进而为今后矿区土地塌陷变化、压煤村庄统计搬迁等提供数据支持。

[1] 方创琳.采煤塌陷地的综合开发与协调发展──以淮北矿区为例[J].中国人口·资源与环境,1997(2):66-71

[2] 芮素生,成玉琪,叶显彬.中国煤炭开发利用现状与发展洁净煤技术[J].煤炭学报,1994(4):333-342

[3] 李俊颖.济宁市煤矿区土地复垦方式对土壤养分状况的影响[D].泰安:山东农业大学,2017:1-2

[4] 梁书维,王建国,温馨燃,等.基于高分二号遥感影像的东北地区村庄建设用地提取[J].湖北农业科学,2018,57(20):132-137

[5] 陈震,张耘实,章远钰,等.高标准农田建后遥感监测方法[J].国土资源遥感,2019,31(2):125-130

[6] 胡官兵,刘舫,党伟,等.遥感技术在滇西南植被覆盖区地质填图中的应用[J].国土资源遥感,2019,31(2):224-230

[7] 马红.一种基于遥感指数的城市建筑用地信息提取新方法[J].城市勘测,2014,9(3):20-22

[8] 雍万铃.基于面向对象多尺度分割的目标信息提取研究田[J].兰州交通大学,2016.3(3):16-18

[9] 胡涵.基于最大类间方差的医学显微图像分割研究田[J].江西理工大学,2015,7(2):42-44

[10] 王波.基于面向对象的高分辨率遥感影像人工地物信息提取田[J].江西理工大学,2011,11(5):12-14

[11] Spoto F, Sy O, Laberinti P,. Overview of Sentinel-2 [C]. Geoscience and Remote Sensing Symposium (IGARSS),Japan,IEEE, 2012:1707

[12] 岳桢干.欧洲Sentinel-2A卫星即将大显身手:“哥白尼”对地观测计划简介[J].红外,2015,36(10):32

[13] 苏伟,张明政,蒋坤萍,等.Sentinel-2卫星影像的大气校正方法[J]光学学报,2018,38(1):0128001-10

[14] Gao J, Skillcorn D. Capability of SPOTXS Data in ProducingDetailed Land Cover Maps at the Urban-rural Periphery [J]. International Journal of Remote Sensing, 1998,19(15):2877-2891

[15] 邓书斌,陈秋锦,杜会建,等.ENVI遥感图像处理方法[M].北京:高等教育出版社,2014

[16] 杨文波.遥感数据在拒马河自然保护区科学考察中的应用研究[D].上海:上海水产大学,2005

[17] 孙坤,鲁铁定.监督分类方法在遥感影像分类处理中的比较[J].江西科学,2017,35(3):367-371

[18] Jr. Rouse JW, Haas RH, Schell JA,. Monitoring vegetation systems in the great plains with ERTS [C]. Freden SC, Mercanti EP, Becker MA. Third Earth Resources Technology Satellite-1 Symposium Volume I: Technical Presentations. NASA SP-351. Washington DC:NASA,1974:309-317

[19] Mc Feeters SK. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features [J]. International Journal of Remote Sensing, 1996,17(7):1425-1432

Extraction Method of Mining Land Use Information Based on Sentinel-2A Image

SHAO An-ran1, LI Xin-ju1,2*, ZHOU Jing-jing1

1.271018,2.271018,

In order to study the technical method of accurate extraction of land use information in mining area in a wide range of high-resolution remote sensing images, Xinglongzhuang Coal Mine, Yanzhou City, Shandong Province, was selected as the study area. According to the spectral characteristics of remote sensing images, the experiment of mining area land use information extraction was carried out by combining supervised classification and normalized index calculation. The results show that four high resolution bands of the combined sentinel-2a satellite images can be used for accurate identification of land. According to the spectral characteristics of ground objects, the maximum likelihood supervised classification method is effective in extracting construction land and bare land, which can be used as an accurate method for extracting two types of land. Combined with normalized vegetation index operation and normalized water body index operation, the extraction of vegetation and water body information can obviously improve the overall classification accuracy, and the extraction accuracy can reach 93.54%. Then, the classification results can be used to accurately and efficiently identify and calculate the land use types and their distribution characteristics, and provide the basis for land renovation and village relocation in mining areas.

Sentinel-2A;mining area;land use information;extraction method

P237

A

1000-2324(2020)03-0441-06

10.3969/j.issn.1000-2324.2020.03.010

2019-08-12

2019-09-27

山东省重点研发计划项目资助(2016ZDJS11A02);国家自然科学基金项目资助(41771324)

邵安冉(1996-),女,硕士研究生,主要从事土地利用信息遥感解译研究. E-mail:1129364429@qq.com

Author for correspondence. E-mail:lxj0911@126.com