基于遥感影像的土地利用特征提取与城乡梯度差异分析——以河北省涿州市为例

汤怀志 汤 敏 关明文 张美聪 王子彤

(1. 中国农业大学 土地科学与技术学院，北京 100193；2. 北京佰信蓝图科技有限公司，北京 102208；3. 运城学院 经济管理系，山西 运城 044099)

自20世纪90年代以来，遥感影像在自然资源调查监测、国土空间规划等领域中的应用日益广泛[1]。运用遥感技术快速获取地表覆被状况，可为自然资源管理和科学决策提供数据基础[1-2]，不同卫星影像、不同分类方法、不同研究手段针对不同研究区域的土地利用分类一直是遥感领域的研究热点[2-4]，并在技术手段上趋于成熟[5]。其中：在数据来源方面，Sentinel影像数据由于时空分辨率高、可以免费获取等原因，在土地利用分类[6-8]、耕地[9]、绿地[10]、园地[11]、农作物信息提取[12]等方面快速发展；在研究方法方面，以面向对象为基本理念的基于对象特征的分类方法逐步成熟[5-6,11,13]，决策树分类[12-14]、模糊函数[2-3,15]等方法得到普遍应用，不断提高了土地利用分类精度。通过土地利用分类能体现出不同土地利用方式和结构差异。已有研究表明城市土地利用和乡村土地利用具有明显的空间格局差异和不同的空间集聚特征，城乡过渡带、城市边缘区等因土地利用快速变化、人地关系更为复杂而成为城乡统筹研究的重点方向[16]。通过城市中心到乡村腹地的梯度带或圈层的土地利用差异分析，能够更好反映区位条件、人类活动与土地利用系统的动态交互关系[17]，但现有研究主要采用以行政区划或区域为对象、以土地利用调查和经济社会统计资料为数据基础的比较分析，在数据的现势性和空间单元的精细化程度方面均不足以反映城乡土地利用变化复杂性。为实现精细刻画城乡过渡带范围及其土地利用特征的研究目的，本研究利用遥感影像现势性强、覆盖面广的特点，选取京津冀协同发展国家战略区域范围内的河北省涿州市为研究对象，采用面向对象的遥感影像模糊决策树分类方法，以期获取涿州市城乡梯度下的土地利用结构性变化和集聚特征变化特征，为涿州市自然资源管理决策和国土空间优化提供决策建议和基础依据。

1 研究区概况

河北省涿州市位于华北平原西北部、北京市西南部，地处京津冀城市群核心地带，经纬度范围为东经115°44′～116°15′、北纬39°21′～39°36′。全市总面积742.5 km2，城区面积约为31.0 km2，全市户籍总人口70.15万人。

涿州市地质结构属太行山山洪冲击扇，地形平整，土质肥沃，具有丰厚的自然资源，地势由西北向东南倾斜，海拔20～70 m，整体变化较小，十分有利于农业生产。境内共有6 条河流，分别属于海河流域的大庆水系和永定水系，但除了降雨异常的年份外，河流常年没有水。

根据2014年度土地利用变更调查数据，全市土地总面积75 129.55 hm2，其中农用地53 046.30 hm2，占土地总面积的70.61%；建设用地18 616.91 hm2，占土地总面积的24.78%；其他土地3 466.34 hm2，占土地总面积的4.61%。

2 材料与方法

2.1 数据来源

由于涿州市土地利用类型以农用地为主，耕作制度为1年2熟，主要种植夏玉米和冬小麦。每年冬小麦播种时间为10月左右，6月中旬成熟后收割；夏玉米播种时间为6月底，10月前收割。为较好的区分耕地、林地与草地等遥感影像解译中容易混淆的土地利用类型并尽可能保证数据的现势性，本研究时相选择在作物生长发育时期，同时与林地、草地具有较为明显的差异，最终选定卫星影像获取时间为2019年7月22日。

卫星影像数据采用Sentinel-2数据，使用该数据的主要原因是与同系列光学影像卫星数据及其他公开遥感影响数据相比，Sentinel-2卫星数据波段较多，空间和时间分辨均较高，常用的红色、蓝色、绿色及近红外波段的分辨率达到10 m，同一区域的影像能够实现5 d一景，能够提供较好的时空分辨率影像数据，同时Sentinel-2 号卫星影响数据可以免费获取(表1)。

本研究从欧洲航天局网站(https:∥scihub.copernicus.eu/)下载L2A 级别数据，已经经过了辐射定标和大气校正处理。由于Sentinel-2 卫星影像是光学影像，所以不能避免云的影响，选择了云层覆盖度<5%的数据以尽可能避免云层对数据质量的影响，同时对云层覆盖区域采用相近时期的参考影像进行补充和替换，以保证结果的连续性[18-19]。

其他数据还包括涿州市行政区划数据、土地利用变更调查资料以及Google earth 卫星地图等。

表1 Sentinel-2 MSI数据的波段说明Table 1 Band descriptions of Sentinel-2 MSI data

2.2 数据预处理及使用工具

为获取高质量的影像底图，采用卫星图像处理系统SNAP软件对下载的Sentinel-2 影像数据进行预处理，具体流程如下：选取蓝色波段(Band 2-Blue)、绿色波段(Band 3-Green)、红色波段(Band 4-Red)、近红外波段(Band 8-NTR)、短波红外波段(Band 12-SWIR)等5个波段进行重采样、波段融合、图像镶嵌，并利用涿州市行政区划的矢量边界数据进行裁剪，得到空间分辨率为10 m的涿州市影像数据，并转存为 GeoTIFF 格式，导入 eCognition 软件中进行分析处理。

采用 eCognition 软件进行土地利用分类提取，其基本原理是基于面向对象方法进行影像分类和信息提取[20]。与传统基于像元的分类方法比较，其主要特点在于分类时综合利用了影像的光谱信息以及对象的形状、纹理等空间几何信息，因此可以不局限于像元，能够利用对象为基本单位进行图像分析与处理，不仅能够快速、高效地生产地理空间信息，还能够有利于挖掘获取更为丰富的区域土地利用特征[21]。其基本图像处理流程包括影像分割、特征提取、对象分类：分割是对整个影像进行尺度空间构建；特征提取是以基于分割后的对象属性提取合适特征；分类是依据特征和分类算法赋予对象语义信息。

2.3 土地利用分类

涿州市土地利用以农用地为主，农用地中又以耕地为主，林地、草地面积相对较少。因此，本研究主要对耕地、林草地、水体、城乡居民点、交通用地和其他土地共6 类土地利用类型(表2)进行分类提取。不同类型的典型影像见图1。由图1可见：涿州市耕地分布一般呈绿色，分布集中连片，形状规则、纹理清晰，以道路、田坎、河流为边界；林草地与耕地相比，对象形状特征和光谱特征的差异明显，呈深绿色或黄绿色，纹理均匀，边界较为清晰；水体主要为坑塘、河流、沟渠，以面状或连续线性分布为主，呈均匀分布的黑色；城乡居民点主要为建筑物、广场、内部道路等，可观察到屋顶，以不规则的面状分布为主，呈混杂的白色、紫色、蓝色，边界较为清晰；道路用地形状规则，呈白色或紫色的线性分布；其他土地以裸地或工矿用地为主，没有明显的分布规律，一般呈白色或淡紫色不规则面状分布。

表2 土地利用分类及其特征选择Table 2 Land use classification and its feature selection

(a)耕地 Cultivated land； (b)林草地 Forestland & Grassland； (c)水体 Water； (d)城乡居民点 Residential land； (e)交通用地 Transportation land； (f)其他土地 Other land图1 涿州市不同土地利用类型的典型遥感影像Fig.1 Typical remote sensing images of different land use types in Zhuozhou City

2.4 面向对象的遥感影像多尺度分割

分割是面向对象分类软件eCognition里面进行影像分类处理的第一步工作，其目的是按照一定的规则将栅格图像划分为若干对象，划分后的对象即为处理的最小对象。对于面向对象的分类方法而言，成功的影像分割是必要的前提[4,7]，作为基础分割单元对数据分类结果质量起到决定性作用。

本研究采用多尺度分割方法，主要涉及分割尺度、波段权重、均质性因子等参数[7,16-17]。分割尺度决定了对象多边形的面积大小，最优分割尺度的确定直接关系地物类型的边界是否清晰以及对象内是否均质，过小会导致对象破碎不利于分类，过大则造成边界模糊，无法有效识别不同土地利用类型。波段权重是影响分割精度的重要因素之一，根据不同的光谱波段对分割结果的影响程度设置不同的权重。均质性因子包括光谱与形状因子，在尺度和形状参数一定的情况下，紧致度值越小分割的形状显得越碎。经多次研究试验比较，本研究选取了多尺度分割最优参数，将遥感影像的蓝、绿、红、近红四个波段权重值均设为1。考虑到耕地的形态表征更为接近矩形，形状因子影响相对较大，因此相关参数选择为：分割尺度(Scale)60，形状(Shape)0.4，紧致度(Compactness)0.5。

2.5 分割后对象特征提取

分割后对象包括200多种特征，可以分为光谱信息、形状特征、纹理结构、领域关系、层次结构等不同类别。经过试验测试，本研究主要通过光谱信息和形状特征进行识别。

2.5.1分割后对象的光谱特征

光谱是遥感影像识别的最重要的基础特征，本研究主要采取了平均值、亮度均值指标以及NDVI、NDWI、NDSI等遥感指数。

1)归一化植被指数(NDVI)主要用于植被和非植被的提取，不同地物的NDVI值差别较大，其计算公式为：

式中：μNIR为近红外波段均值，nm；μR为红色波段均值，nm。

2)归一化水体指数(NDWI)主要用于水体的提取，水体色调单一、多呈蓝黑色，与非水体差别明显，其计算公式为：

式中：μNIR为近红外波段均值；μG为绿色波段均值，nm。

3)归一化土壤指数(NDSI)主要用于裸地和建筑物的提取，由于涿州市裸地的地物覆盖物较少，呈现较高的反射率，因此可以用NDSI进行区分，其计算公式为：

式中：μR为近红外波段均值；μG为绿色波段均值，nm。

4)亮度(Brightness)主要用于辅助不同地物识别，与其他光谱特征共同使用，能够更为精准、精细的进行分类。计算公式如下：

式中：nL为波段个数；φi为影像斑块的i波段值。

2.5.2分割后对象的形状特征

由于光谱特征的不确定性，且分辨率越高，同类地物的异质性提升、类内方差变大、类间方差变小，不利于自动化判读。相对而言，形状特征更为稳定，有利于快速有效地分辨不同几何形态的地物，提高分类精度。

1)长宽比。

长宽比即对象最小外接矩形的长度与宽度比例。采用长宽比指数与光谱特征相结合的方式能从高分辨率遥感影像中很好的提取线性地物，例如河流和道路等，对形状规则的建筑物、水库等也有很好的效果。其计算公式为：

r=l/w

式中：r为长宽比；l为长度，m；w为宽度，m。

2)密度。

密度d可以表示为影像对象面积除以对象半径。使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高，对于识别形状较为规整的农田效果较为明显。其计算公式为：

式中：n为构成影像对象的像素数量；半径采用协方差矩阵来近似计算。

(a)归一化植被指数 NDVI index； (b)归一化水体指数 NDWI index； (c)归一化土壤指数 NDSI index； (d)亮度 Brightness； (e)长宽比 Length-width ratio； (f)密度 Density图2 涿州市遥感影像的光谱特征和形状特征提取Fig.2 Spectral feature and shape feature extraction of remote sensing image in Zhuozhou City

图3 基于模糊决策树的分类过程与主要规则Fig.3 Classification process and main rules based on fuzzy decision tree

3 结果与分析

3.1 涿州市土地利用分类结果

本研究采用的模糊决策树方法，其算法流程与精确决策树构建过程相似，主要差别在于对每个属性值进行了模糊化并对应不同的模糊隶属关系，通过模糊隶属度函数计算的出现频率，对对象的模糊熵计算来赋予其类型。本研究基于分割对象的光谱特征和形状特征，经过反复实验和实地验证，按照类层次结构建立了分类体系及其地物特征，选取相应的分类指标并制定了隶属函数分类规则(表2、图3)，分类结果如图4所示。结果表明：涿州市土地利用以耕地为主，汇总统计面积为45 319.37 hm2，占土地总面积的60.32%；其次是城乡居民点用地，面积为17 132.81 hm2，占22.8%；林草地、交通用地、水体的面积较少，分别占5.26%、2.7%、0.6%；此外还有一定面积的其他土地，以滩涂、工矿用地为主，占土地总面积的8.32%。与2014年涿州市土地利用变更调查结果比较，本研究结果的农用地(含耕地和林草地)面积更小，占土地总面积的比例相差5.03%；建设用地面积更大，占土地总面积的比例相差0.72%。主要原因是近年来涿州市经济社会发展需要和城市建设占用大量农用地。

图4 涿州市土地利用分类结果与城乡梯度样点Fig.4 Land use classification results and urban and rural gradient sample points in Zhuozhou City

面向对象信息的提取分类结果往往都会存在一定的误差，进行精度检测非常必要，检验该技术是否有效可行，同时进行精度评价也能完善操作细节，使分类结果更具说服性。本研究通过实地调查结合Google Earth选取了126个样本点，对分类精度进行了评价。精度评价结果显示此次涿州市土地利用分类结果的总体精度为93.7%，Kappa系数为89.2%，分类结果较好，方法可行。

3.2 涿州市土地利用的城乡梯度差异分析

根据涿州市土地利用分类结果，本研究运用ArcGIS软件对涿州市城市中心1～10 km的土地利用特征和空间差异进行了分析，利用GIS缓冲和叠加功能，获取每个样点400 m半径的土地利用类型及其面积(图5)。

由图5可见，涿州市城乡土地利用结构具有显著差异。城市内部土地以建设用地为主，距城市中心2～3 km的土地利用类型明显复杂多样，是城乡过渡带集中分布区。本研究根据城市边缘(红色线段)和村庄集聚(蓝色线段)特征将不同方向划分为城市、城乡过渡带、乡村腹地3段，可见涿州市城市发展主要集中在东和东北方向，乡村腹地主要分布在东南和南部。

为进一步刻画不同方向上的土地利用特征，本研究对不同地类的面积分布以热力图形式进行了分析，结果如图6所示。图中横轴表示距城市中心距离，纵轴表示不同方向，同一地类中的颜色深浅表示了面积大小，同时用柱状图从方向或距离2 个维度对其面积比例进行了分类汇总。从城乡梯度差异来看，距离城市中心3 km以内的土地以建设用地为主导类型，城乡居民点用地呈现出明显的集聚规律，除了涿州市区集中分布以外，距离城市中心5 km、8～9 km均呈现一定的村庄集中分布特征；4～10 km 以农用地为主导类型并以耕地为主；林草地在3 km接近城市边缘处有集中分布，之后面积较小，但随着与城市中心距离的提升面积也逐步提高；交通道路主要集中在3 km以内；水体主要分布在距离城市中心8 km外，但由于总体面积较小，没有呈现明显的分布规律；其他土地的分布则与城乡梯度没有明显相关性。

从不同的发展方向来看，涿州市城镇建设用地分布主要集中在东、东北和西南方向，是涿州市发展的主导方向；交通道路用地也体现出相似的特征，主要集中分布在东北方向；而耕地与城镇、道路等建设用地的分布特征正好相反，在东、东北、西南方向分布最少，主要集中分布在东南、南、西等方向；林地主要分布在与城市8～10 km的北部，包括北、西北和东北方向；水体主要分布在城市西部的8～10 km处，与拒马河流经此处相关；其他土地主要集中在东、西两个方向上，通过遥感影像判别发现西边主要是河流滩涂等裸地，东边主要是工业厂房以及正在建设的工地等。

图5 基于样本点的涿州市城乡土地利用差异Fig.5 Land use differences between urban and rural areas in Zhuozhou City based on sample points

(a)耕地 Cultivated land； (b)林草地 Forestland & Grassland； (c)水体 Water；(d)城乡居民点 Residential land； (e)交通用地 Transportation land； (f)其他土地 Other land图6 涿州市不同方向及不同距离各类土地利用分布特征Fig.6 Distribution characteristics of land use in different directions and distances in Zhuozhou City

4 讨论与结论

4.1 讨论

1)本研究基于模糊决策树方法，采用Sentinel-2数据对涿州市土地利用进行了分类，实现了对遥感影像不同地物信息的分类提取，总体分类精度达到93.7%，Kappa系数为0.892。与相关研究比较，在总体分类精度方面与其他区域、不同方法的分类精度结果相似[2]或更高[3,12]，Kappa系数也取得了较好的结果，表明本研究结果的准确性和可靠性效果更优，分析认为主要原因在于：①研究对象涿州市国土面积较小，土地利用类型较为单一，不同类型土地的光谱特征和形状特征较为明显，有利于建立层次简单、效果较好的分类规则；②研究采用面向对象方法能够挖掘提取不同对象的形状特征，提高了分类模型效率；③与其他分类方法如随机森林、卷积神经网络等方法相比，研究采用的模糊决策树方法具有明确的优化方向，能够快速调整确定合适的模型参数。总的来看，对于自然条件相似、范围相对固定的研究区域，应用模糊决策树方法能够快速获得鲁棒性和精度较高的分类模型，能够明显提高遥感信息提取效率。

2)在分类过程中发现，由于涿州市地势平坦，农用地利用类型以耕地为主，面积小且分布零星的林草地很难进行有效区分；其次，其他土地中主要以无地表覆盖物的裸地为主，具体包括滩涂、正在施工的工地、零星分布的厂矿等，虽然在利用性质上完全不同，在特征上则较为相似。为实现精细分类，利用多时相的遥感影像数据，并结合经验对不同性质土地的分布或选址的空间关系是改进分类算法、提高分类精度的研究方向。

4.2 结论

1)涿州市主导土地利用类型为耕地与城乡居民点用地，两者在不同梯度、不同区位分布上的差异十分明显，具有明显的空间分布规律。城乡居民点用地主要分布在东、东北和西南，在距离城市中心 3 km 以内、5 km、8～9 km呈现跳跃式的集聚特征；耕地分布规律与城乡居民点分布相反，呈连绵形态集中分布在距离城市中心4～7 km的东南、南、西方向。该结果反映了涿州市不同方向的土地利用结构变化，精细刻画了城乡过渡带的范围和特征，涿州市在国土空间优化布局和城市发展方向选择上应充分考虑现有耕地格局和城乡居民点用地分布冲突，合理布设土地综合整治重点区域，塑造空间结构合理、服务设施完备的社区单元。

2)从分类结果来看，涿州市居民点在空间上分布并不够集聚，不利于提高建设用地利用效率；虽然多条河流流经涿州市境内，但水体面积较小，同时林草地比例相对较低。建议涿州市加强土地资源管控，提高建设用地集约利用强度，同时提高水体、林草地等生态空间比例，提高区域生态产品供给能力。