基于多源高分遥感影像的土地利用动态监测

于秀娟，庞绪峰

（1.北京市商汤科技开发有限公司，北京 100080；2.中国电建集团国际工程有限公司，北京 100036）

随着我国经济发展突飞猛进，土地利用格局也在不断变化。为了及时、有效地掌握土地资源现状，自2017年起我国开始进行第三次全国土地调查，并每年进行一次土地变更调查，全天候监测划定的城市开发边界、永久基本农田等土地利用状况。遥感技术已成为土地利用动态监测的重要手段，具有空间信息丰富、覆盖面广、快捷方便准确等先天优势。从2010年高分辨率对地观测系统重大专项全面启动之后，我国先后成功发射了高分一号—六号等多个对地观测卫星，使同一区域高空间、高时间分辨率的遥感影像数据获取更加高效。

基于多源遥感影像的土地利用遥感动态监测是指借助计算机图像处理技术，利用广域性、周期性、经济性的多源遥感信息数据源，对土地资源状况进行全面综合调查，并结合地面辅助资料，全面系统地反映和分析土地资源利用状况的动态变化，从而实现动态变化监测[1-6]。由于具有真实、直观、快速覆盖和信息量丰富等优点，土地利用动态遥感监测对土地利用动态变化及发展趋势的反映更加及时、准确，为国土资源规划、利用、调查、保护和服务经济社会发展等工作提供强有力的技术支撑。

1 数据源

随着国产卫星的蓬勃发展和高分卫星的陆续发射，可用于土地利用动态监测的高分辨率遥感影像数据越来越多，主要数据源见表1。

表1 多源高分遥感影像列表 m

2 土地利用动态监测内涵

土地利用动态监测通过对比不同时相（至少2个时相）的土地利用数据，分析土地在空间、时间和数量上的动态变化特征以及未来发展趋势。土地利用遥感动态监测是利用同一区域、不同时相的遥感图像之间的光谱特征差异分析和识别土地利用状态或变化，其本质是量化时序遥感图像的时域效果，即通过量化多源、多时相遥感图像的空间域、时间域、光谱域等耦合特征，识别土地利用变化的类型、位置及数量[3-6]。

土地利用动态监测需要监测区域内的全部土地资源，分析和掌握各种土地利用种类的动态信息，包括空间分布、数量、质量等。当前土地利用动态监测主要通过定期监测全国土地调查、土地利用/土地覆盖情况、耕地和建设用地等土地利用变化情况，对土地利用总体规划及年度用地计划的执行情况进行客观、直接、及时的检查。土地利用动态监测的目的是核查每年全国土地变更调查的汇总成果，对违法或涉嫌违法的地区及其他特定目标进行快速监测，为违法用地查处及突发事件处理提供佐证和依据，为国家宏观决策提供科学、可靠的依据。

3 土地利用动态监测技术方法

基于多源高分遥感影像的土地利用动态监测包括的技术方法有高分遥感图像预处理、土地利用信息提取和土地利用变化分析等。

3.1 图像预处理

图像预处理是对不同来源的高分遥感数据进行预处理，主要包括辐射校正、区域网平差、正射纠正、影像融合和镶嵌裁切等内容，目的是确保待进行监测的区域内的所有影像具有统一的地理坐标。

3.1.1 辐射校正

辐射校正包括辐射定标和大气校正。辐射定标是将影像数据的灰度值转化为表观辐亮度、表观反射率等物理量的过程。基于6S大气辐射传输模型的大气校正可以实现ZY-3、ZY1-02C、GF系列、HJ 1A/1B等国产卫星数据的大气校正处理。

3.1.2 区域网平差

区域网平差是利用同一区域多重覆盖的多源、多时相卫星遥感影像进行大规模区域网联合平差[7]，提高卫星几何定位精度。采用基于RFM传感器成像几何模型的多源光学卫星影像、多基线、多重匹配特征的自动匹配技术，实现多时相、多源卫星遥感影像之间连接点的快速、可靠、自动量测；根据卫星遥感影像获取过程中的卫星位置、传感器姿态等关键信息，构建卫星遥感影像的通用成像几何模型和严格成像几何模型；结合各传感器的成像特点，构建多源、多时相卫星遥感影像自检校光束法区域网联合平差的数学模型；实现大面积范围内各卫星遥感影像定向参数和连接点物方空间坐标的可靠、精确求解；利用高精度的野外地面控制点，实现对多源、多时相卫星遥感影像区域网联合平差结果的精度评定。

3.1.3 正射纠正

正射纠正是根据严格成像模型或利用控制点按一定的数学模型解算，同时利用数字高程模型，从原始的非正射投影影像获取正射影像，消除因地形起伏和像片倾斜所引起的像片变形或像点位移，将像片由倾斜变为水平，并归化到相应的制图比例尺。

3.1.4 影像融合

影像融合是按照一定的规则或算法将在时间、空间和波谱上冗余或互补的多源遥感数据进行运算处理，生成具有新的时间、空间和波谱特征的合成影像数据，从而获得比任何单一数据更丰富和精确的信息。影像融合不是简单的数据融合，而是通过优化信息、消除或抑制无关信息、突出有用专题信息，从而改善目标识别的影像环境。因此影像融合不仅保留了原始多光谱影像的光谱特性，还提高了多光谱影像的空间分辨率。常用的影像融合方法包括PANSHARP融合、HIS变换融合、BROVERY变换融合、PCA变换融合、小波变换融合和乘法融合等，几种融合效果对比如图1所示。从图1可以看出，PANSHARP融合效果最好，融合后影像空间分辨率和清晰度都比较高，而且色彩失真程度比较低，因此更适用于高分辨率遥感影像。

图1 融合效果对比

3.1.5 镶嵌裁切

镶嵌裁切是将投影一致的多景影像快速拼接成一个大的影像，包括匀光匀色和镶嵌拼接。匀光匀色是为了消除在影像获取过程中由光照条件、大气条件、地物属性、摄影角度、相机参数、曝光差异和光学透镜成像的不均匀性等因素影响而导致影像内部和影像之间出现的色彩差异与亮度分布不均匀。智能镶嵌可以智能生成镶嵌线，自动寻找高程落差和颜色过渡最平缓的镶嵌线。

3.2 信息提取

土地利用信息提取是根据土地利用监测内容，采用面向对象分割与深度学习相结合的技术[8-11]对多时相、多源高分遥感影像进行分析处理，提取可能发生变化的位置、大小和范围，以便可以有效凸显土地利用的变化特征。

3.2.1 多尺度面向对象分割

多尺度面向对象分割是将遥感影像看作是一张具有拓扑关系的区域组成的邻接图，根据相应的尺度进行分割，从单像元大小的区域开始，设定阈值确保生成同质性高的影像分割区域（影像对象），然后相邻影像区域两两合并增长，从而实现最佳分离和地物目标的表示。

3.2.2 高分辨率影像特征提取

基于非下采样小轮廓变换（NSCT变换）对纹理特征进行多方向、多尺度提取；采用像元形状指数（PSI）对中心像元局部邻域的形状和轮廓信息进行空间几何特征的描述；针对光谱多波段结构特征的相似性，利用多元图形特征融合的降维方法，减少信息冗余和计算代价，提高特征提取效率和精度。

3.2.3 基于深度学习的土地利用信息提取

将面向对象的方法与深度学习相结合，利用地形或地表辅助要素数据、专家知识及深度学习算法分析特殊要素遥感影像样本，选用卷积神经网络TensorFlow、Pytorch等框架，构建相对复杂的、具有自适应性的深度神经网络模型，实现样本数据的主动、自动学习；通过大量样本数据的训练、迭代，自动获取样本特征，构建深度学习模型，实现土地利用的信息提取。

3.3 变化分析

土地利用变化分析是利用CA-Markov模型分析多时相土地利用数据状态及其变化。目前，马尔科夫（Markov）模型主要应用在土地利用/土地覆盖变化建模中，但该模型难以预测土地覆盖的空间格局变化。元胞自动机（CA）模型具有强大的空间运算能力，可以有效地模拟系统的空间变化，但该模型主要着眼于元胞的局部相互作用。CA-Markov模型综合了Markov模型和CA模型的优势[12-13]，不仅可以长期预测，而且可以模拟复杂系统空间变化，从而实现有效地模拟土地利用格局的空间变化。CA-Markov模型的基本方法是利用前后2个事件景观格局之间的转移概率矩阵模拟土地利用发生的状态及其变化。

4 土地利用动态监测应用

4.1 全国土地调查

传统的土地利用调查方法工作量大、成本高而且效率低、更新周期长，而面向对象分割或深度学习的遥感影像土地利用分类技术可以快速、准确地获取土地利用数据，监测真实的土地利用情况，在土地利用调查中具有广泛的应用前景。以2010年的IKONOS高分辨率遥感影像作为数据源，将面向对象分类方法引入到土地调查中，在分割过程中加入边缘检测层和纹理滤波，确定每类地物的最佳尺度；提取描述地物类别的最佳特征或构建最佳特征组合，以此建立土地利用分类规则树，采用面向对象分割方法进行土地利用分类；基于土地利用分类结果定义变化检测规则，提取土地利用类别的变化图斑，并统计分析每种类别的变化图斑面积[14]。

4.2 土地利用/土地覆盖监测

利用遥感技术可以揭示全球、区域和局地不同空间尺度上的土地利用和土地覆盖变化，以及不同驱动力之间的联系，因此，可以利用同一地区、不同来源、不同时相的遥感影像间存在的光谱特征识别土地利用状态或现象的变化。利用江阴市2003年的IKONOS影像和2010年的WorldView2影像，采用面向对象多尺度分割方法，基于高分辨率影像特征提取城市的土地覆盖信息，从而实现城区土地利用/土地覆盖变化分析[15]。

4.3 耕地变化监测

18亿亩（1亩约等于667 m2）是耕地数量的一条红线，要实现耕地总量动态平衡，需要及时、准确、全面地掌握全国耕地的动态变化情况。基于知识遥感影像分类的知识获取、表达、推理和积累等过程，利用SPOT5高分辨率影像数据，以城市郊区的耕地提取为主线，采样面向对象的影像分类技术，以分类规则集的形式实现耕地的自动提取和变化监测[16]。

4.4 城市建设用地监测

随着我国经济的快速发展，城市建设用地扩张日新月异，因此，城市建设用地的变化是土地利用动态监测的重点监测对象。利用浙江桐乡市2016年高分二号多光谱数据，在面向对象的多尺度分割的基础上，采用深度学习技术，分析建设用地信息提取的深度卷积神经网络及最佳分割尺度在建设用地信息自动提取中的效果和优势[17]。

5 结束语

本文分析了利用多源高分遥感影像进行土地利用动态监测的内涵、技术方法和应用情况；介绍了利用多源高分遥感影像进行土地利用动态监测的技术流程，包括辐射校正、多源高分影像区域网联合平差、正射纠正、影像融合、基于面向对象与深度学习的土地利用信息提取、基于CA-Markov模型的土地利用变化分析；从全国土地调查、土地利用/土地覆盖监测、耕地变化监测和城市建设用地监测等方面介绍了我国在土地利用动态监测方面的应用情况，以期形成成熟的技术路线，构建基于多源高分遥感影像的土地利用动态监测体系，为国土综合管理、土地利用总体规划、农田保护、执法检查和土地综合整治等提供技术支撑。