基于多时相Landsat8影像的土地利用遥感监测研究

林伟 姜鹏 朱健

（江苏省地质测绘院，江苏 南京 211100）

1 引言

土地利用是对一个地区的社会与经济描述，通过对土地利用情况进行摸底排查，可为当地土地利用规划、国家重大项目开展等提供重要的基础数据保障与支撑。土地利用分析中，建筑用地、耕地、山地作为监测的重中之重，在各地均作为主要监测对象开展工作。目前，针对建筑用地、耕地、山地的变化监测工作也有大量研究，董丽萍等采用国产高分辨率卫星影像作为数据源，通过融合多特征信息进行建筑用地变化检测，以此提升建筑用地变化检测的时效性[1]。李悦等采用监督分类方法对旧时期建筑用地情况与当前时期建筑用地变化情况进行对比分析，所提出的方法在复杂的数据库中得到了较高的识别精度[2]。卢丽琛等以武汉市为例，采用目前应用较广的面向对象分类算法进行建筑识别，从而提升建筑物的识别精度，为后期的相关研究提出了一种新的方法与思路[3]。赵庚星等利用Landsat TM 卫星影像对黄河三角洲进行遥感解译与人机交互提取，分析黄河三角洲的耕地变化情况与趋势，并分析了变化驱动因素[4]。李智宇等利用多年的Landsat8 影像，采用监督分类中的支持向量机算法进行耕地变化信息提取，结果显示耕地的减少多为道路、建筑的新建与扩张[5]。郑超等采用1995 年至2015年四个节点的Landsat影像进行人机交互解译，研究提取辽宁东部的土地利用信息，并分析耕地变化趋势及因素，通过长时间序列的数据分析，准确掌握了耕地变化的驱动力，以及耕地变化在当地经济发展中起到的至关重要的作用[6]。随着遥感分类算法日益成熟，遥感影像的分类算法也越来越多，其中，平均光谱角分类方法因直接计算样本的平均光谱，只针对某一类型地物进行识别提取，提取过程中可人工干预确定提取阈值，已大量应用于特定地物的遥感提取[7]。

本研究以Landsat8 OLI 多光谱卫星影像作为数据源，选用2015、2018、2020 三个年份作为时间节点，采用监督分类算法中的平均光谱角分类方法，按照建筑、山地、耕地进行地表信息遥感提取，以此研究遥感技术在土地利用监测中的适用性。

2 数据及处理

2.1 数据介绍

Landsat 8 是NASA 与美国地质调查局（USGS）合作开发并由轨道科学公司（Orbital Science Corporation）建造的。Landsat 8 的OLI 陆地成像仪包括9 个波段，空间分辨率为30 米，其中包括一个15 米的全色波段，成像宽幅为185km×185km。OLI 包括了ETM+传感器所有的波段，为了避免大气吸收特征，OLI 对波段进行了重新调整，比较大的调整是OLI Band5(0.845-0.885 μm)，排除了0.825μm 处水汽吸收特征；OLI 全色波段Band8 波段范围较窄，这种方式可以在全色图像上更好区分植被的光谱特征。

2.2 数据预处理

本研究的数据源来自国内免费卫星影像数据下载网站“地理空间数据云”，用户可根据研究区位置、手动采集图斑等方法进行研究区确定，并可选择设置时段跟云量，用以筛选合适的影像。

辐射定标是确定各波段对辐射量的响应能力，即建立成像光谱仪输入的光谱辐射亮度（L）与成像光谱仪输出的数字量化值（DN）之间的定量关系，确定成像光谱仪各光谱通道的响应，求得定标系数，对实际图像进行辐射校正。大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些大气影响导致的辐射误差，反映地物真实的表面反射率过程。遥感影像融合是将在空间、时间、波谱上冗余或互补的多源遥感数据按照一定规则进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据。针对多时期的Landsat8 卫星影像，本研究采用批量预处理的方式进行辐射定标、大气校正、影像融合。快速预处理的成果如图1 所示。

图1 预处理成果

图2 建筑样本

图3 耕地样本

图4 山地样本

3 结果与分析

3.1 样本光谱计算

样本制作主要是基于Landsat8 卫星影像进行人工识别采集，结合三年的卫星影像，使用ArcGIS 采集建筑、耕地、山地等区域作为样本。样本需在三年影像中均为同一类型地物，以此保证同一套样本可以应用到三年的卫星影像解译中。建筑样本主要为大片连续的城镇与农村居民地，并且建筑范围内，无明显的树木遮挡，样本信息全为屋顶像元；耕地样本主要以大片种植作物的地块为主，以规则图形按照耕地田垄进行采集，考虑到轮作特性，将裸地田块也进行采集，以此达到耕地全部提取的目的；山地样本则以大块图斑为主，挑选与人类互动地区较远的无人区进行采集，从而保证样本的纯净度。如图2、图3 和图4 所示。

针对样本选用平均光谱角分类算法计算光谱信息，光谱角样本计算主要是通过样本范围选择样本内的Landsat8 影像各个波段的像元信息，并进行均值计算，往往在计算光谱信息的同时进行滤波、平滑、异常值剔除等，以此提升样本光谱信息准确度，最终得到具有广泛应用性的光谱曲线，如图5、图6 和图7 所示。

图5 建筑光谱

图6 耕地光谱

图7 山地光谱

3.2 遥感解译

采用平均光谱角分类方法对2015 年、2018 年、2020 年三个年份的Landsat8 卫星影像进行土地利用分类，结果如图8、图9 和图10 所示。由图可知，三个年份的分类成果整体上保持不变，其中建筑用地解译结果始终以城镇、农村为主，均匀分布在平原地区，山地解译结果则主要分布在东部，与居民地、耕地相对应，这与研究区实际情况完全吻合。通过遥感解译发现，研究区整体地物类型相对集中，尤其是耕地，集中分布在西部，为遥感提取提供了便利；其次，山地多为裸露岩石，岩石在光谱上的特征与其他地物区分较大，对遥感识别也有较好的优势。

图8 2015年分类成果

图9 2018年分类成果

图10 2020年分类成果

3.3 统计分析

表1 土地利用变化面积统计 （单位：亩）

采用ENVI 软件对遥感解译的地物类型建筑、耕地、山地成果进行矢量化，并将矢量化后的分类成果带入ArcGIS 软件进行面积统计与变化分析，如表1 所示。由表可知：研究区的建筑用地2015 年为92 亩，2018 年增加至108 亩，2020 年增加至160 亩；耕地面积2015 年为1034 亩，2018 年1027 亩，2020 年1120 亩；山地面积2015 年为3020 亩，2018 年3030 亩，2020年2990 亩。

分析可知：建筑耕地呈持续增加趋势，尤其是2018 年至2020 年，建筑面积增加52 亩；而耕地面积也呈现增加趋势，耕地面积自2015 年至2020 年增加了86 亩；山地面积则呈现减少趋势，尤其是2018 年至2020 年，山地面积减少了40 亩。

4 结语

本研究以Landsat8 OLI 多光谱卫星影像作为数据源，选用2015、2018、2020 年三个年份作为时间节点，首先对Landsat8 OLI 进行影像预处理，最终得到像元分辨率为15 米的Landsat8 OLI 多光谱影像。采用平均光谱角分类方法对预处理后的Landsat8 OLI 多光谱影像，按照建筑、耕地、山地进行地表信息提取，并进行对比分析，研究土地利用变化规律。

通过研究得到以下结论：（1）Landsat8 OLI 多光谱影像对地物信息具有较好的表达，通过预处理，地表的建筑、水体、山地、耕地等地物信息均直观地区分开来；（2）采用平均光谱角分类算法进行地物信息提取，提取的建筑、耕地、山地信息与影像中的地物纹理表达高度一致，提取效果较理想；（3）通过对比三年的土地利用分类成果可知：平均光谱角分类算法准确识别出了三年的建筑、耕地、山地信息，提取成果与实际情况高度吻合。