赵素雯
易智瑞信息技术有限公司上海分公司 200030
摘要：本文介绍了基于高分辨率影像的土地利用遥感动态监测与分类信息提取方法，利用遥感技术动态监测土地利用的本质是对图像系列时域效果进行量化，通过量化多时相遥感图像空间域、时间域、光谱域的耦合特征，来获得土地利用变化的类型、位置和数量等内容。利用遥感技术可以快速、大范围的获得土地利用变化区域，例如建设用地、农业用地、工业用地、交通用地，水体（河道变化）等。
关键字：遥感技术 土地利用 影像分类 动态监测 图像分割
1背景
随着社会经济的发展，特别是城市建设步伐的加速，城市土地利用每年都在发生明显的变化。传统的土地利用调查需要花费大量的人力、时间和经费,难以适应土地利用的这种快速变化。遥感以其覆盖面大、信息更新快、人为干扰因素小等优点已逐渐应用到土地利用变化遥感动态监测中。
我国遥感技术在土地资源调查和监测中的应用始于20 世纪90 年代。国家土地管理局成立以后，在国务院统一布署下，利用了TM、SPOT等多种遥感数据源，进行目视解译、分析和计算机自动分类制图等组织完成了全国县级土地详查，这一成果为各级政府制定经济建设规划、计划，为农业、工业、水利、能源、交通等各专业部门制定规划、计划提供了可靠的数据资料、为各项土地管理工作提供准确依据，已在经济建设、农业生产和土地管理中发挥了重要作用，也为我国开展土地利用动态监测提供了完整、可靠的本底资料。
2技术流程和关键技术
2.1技术流程
土地利用变化遥感动态监测是一个工作量比较大的过程，对遥感数据的预处理要求较高，变化信息的发现和变化信息的提取可选择和组合的方法很多，技术含量较高。下图为土地利用变化遥感动态监测的技术流程。
图2.1动态监测技术流程
2.2关键技术
遥感动态监测主要涉及图像预处理和土地利用变化信息检测和提取两部分，其关键技术也就主要包括图像预处理方法和土地利用变化信息提取方法。值得我们注意的是，变化检测方法和信息提取方法不能说哪个绝对的好与坏，只能是根据不同的数据源和不同的应用需求选用适合的方法。
2.2.1影像预处理
遥感图像预处理是为了更好地提取土地利用变化信息，处理效果的好坏直接决定土地利用动态监测的精度。以下预处理技术都能使得土地利用变化信息的提取更加精确。
2.2.1.1.图像精确配准
图像配准主要是指不同遥感数据源的配准，目的是为了清除数据间的系统误差。多时相图像间准确的空间配准是动态变化监测所必需的。在图像配准误差对土地利用变化检测精度影响研究中，证明了要得到可靠地土地利用变化结果，需要极高的图像配准精度。
2.2.1.2.图像融合
多光谱图像提供地物丰富的光谱信息，全色图像具有很高的空间分辨率，将这两类图像进行融合，可以产生一张彩色高分辨率多光谱图像——融合图像。由于高分辨率卫星图像的出现，多分辨率图像的融合已经成为一种重要研究领域。融合方法有多种，如Brobey变换、CN乘积运算、主分量变换法、小波融合和Gram-schmidt融合方法（GS融合法）等，其中GS融合法为高保真的处理方法，能够较好地保持影像的纹理和光谱信息，可以满足高分辨率影像等绝大部分图像的融合，尤其适合于遥感动态监测中不同成像条件的图像融合处理。
2.2.1.3.大气校正
在多时相遥感图像中，除了地物的变化会引起图像中辐射值的变化外，不变的地物在不同时相图像中的辐射值也会有差异。辐射校正是消除非地物变化所造成的图像辐射值改变的有效方法，按照校正后的结果可以分为2种，绝对辐射校正方法和相对辐射校正方法。绝对辐射校正方法是将遥感图像的DN(Digital Number)值转换为真实地表反射率的方法；相对辐射校正是将一图像作为参考（或基准）图像，调整另一图像的DN值，使得两时相影像上同名的地物具有相同的DN值，这个过程也叫多时相遥感图像的光谱归一化。在动态检测中，相对大气校正用的还是比较多。
相对大气校正常见的方法有基于统计的不变目标法、直方图匹配法等。
2.2.2变化检测方法
目前，遥感变化检测技术大多是针对两个时相的遥感影像进行操作。根据处理过程来分，遥感变化检测方法可分为三类：图像直接比较法、分类后比较法和直接比较法。
地表变化信息可分为两种，一是转化(Conversion)，另一是改变(Modification)，前者是土地从一种土地覆盖类型向另一种类型的转化，如草地转变为农田、森林转变为牧场，后者是一种土地覆盖类型内部条件(结构和功能)的变化，如森林由密变疏或由一种树种组成变成另外一种组成的改变、植物群落生物量、生产力、物候现象变化。
2.2.2.1图像直接比较法
图像直接比较法是最为常见的方法，它是对经过配准的两个时相遥感影像中像元值直接进行运算和变换处理，找出变化的区域。目前常用的光谱数据直接比较法包括图像差值法、图像比值法、植被指数比较法、主成分分析法、光谱特征变异法、假彩色合成法、波段替换法、变化矢量分析法、波段交叉相关分析以及混合检测法等。
a)图像差值法
图像差值法就是将两个时相的遥感图像相减或者相除。其原理是：图像中未发生变化的地类在两个时相的遥感图像上一般具有相等或相近的灰度值，而当地类发生变化时，对应位置的灰度值将有较大差别。
b)特征变化
从影像上计算如植被指数、水指数、建筑物指数、燃烧指数等特定地物的特征指数，之后对它们求差或者比值。
c)光谱曲线比较法
对于多光谱或者高光谱数据，可以获取一个像素或者一个地物的波谱曲线，如果两个影像上同一个地方获得的波谱曲线不一样，就说明发生了变化。通过对比两个时相的波谱曲线的变化就可以检测变化信息。常用波谱角（Spectral Angle Mapper）识别方法。
d)光谱特征变异法
同一地物反映在一时相影像上的信息与其反映在另外时相影像上的光谱信息是一一对应的。当将不同时相的影像进行融合时，如同一地物在两者上的信息表现不一致时，融合后的影像中此地物的光谱就表现得与正常地物的光谱有所差别，此时称地物发生了光谱特征变异，我们就可以根据发生变异的光谱特征确定变化信息。
e)假彩色合成法
由于地表的变化，相同传感器对同一地点所获取的不同时相的影像在灰度上有较大的区别。在进行变化信息的发现时，将前、后两时相的数据精确配准，再利用假彩色合成的方法，将后一时相的一个波段数据赋予红色通道，前一时相的同一波段赋予蓝色和绿色通道。利用三原色原理，形成假彩色影像。其中，地表未发生变化的区域，合成后影像灰度值接近，而土地利用发生变化的区域则呈现出红色，即判定为变化区域。
f)波段替换法
在RGB假彩色合成中，G和B分量用前时相的两个波段，用后一时相的一个波段影像组成R分量，在合成的RGB假彩色图像上能够很容易地发现红色区域即为变化区域?。
2.2.2.2分类后比较法
分类后结果比较法是将经过配准的两个时相遥感影像分别进行分类，然后比较分类结果得到变化检测信息。虽然该方法的精度依赖于分别分类时的精度和分类标准的一致性，但在实际应用中仍然非常有效，该方法的核心是基于分类基础上发现变化信息。
2.2.2.3直接分类法
结合了图像直接比较法和分类后结果比较法的思想，常见的方法有：多时相主成分分析后分类法、多时相组合后分类法等。
多时相主成分分析后分类法：当地物属性发生变化时，必将导致其在影像某几个波段上的值发生变化，所以只要找出两时相影像中对应波段值的差别并确定这些差别的范围，便可发现变化信息。在具体工作中将两时相的影像各波段组合成一个两倍于原影像波段数的新影像，并对该影像作PC变换。
2.2.3变化信息提取
以上变换检测方法大多只是变化信息的发现，还有一个过程是变化信息的提取，由以下方法供选择：
?手工数字化法
?屏幕数字化
?区域生长法
?图像自动分类
?监督分类
?非监督分类
?面向对象的特征提取法
?图像分割
?手工阈值分割
?自动阈值分割
?组合法
有些变化检测方法得到的变化信息是单波段，如图像直接比较法，监督与非监督分类法作用就不是很大，可以考虑用影像分割和面向对象特征提取方法。而且图像直接比较法在确定是否变化时，往往需要确定一定的阈值，而阈值的确定则会直接影响变化信息提取的准确性，阈值的确定常见的如直方图统计法，样本挖掘法（C4.5算法）等。
2.2.4后期处理
2.2.4.1小斑块处理
应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
a)Majority和Minority分析
Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。
b)聚类处理
聚类处理（clump）是运用数学形态学算子（腐蚀和膨胀），将临近的类似分类区域聚类并进行合并。分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀操作。
c)过滤处理
过滤处理（Sieve）解决分类图像中出现的孤岛问题。过滤处理使用斑点分组方法来消除这些被隔离的分类像元。类别筛选方法通过分析周围的4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元归为未分类的像元（Unclassified）。
2.2.4.2分类统计
分类统计(Class statistics)可以基于分类结果计算源分类图像的统计信息。基本统计包括：类别中的像元数、最小值、最大值、平均值以及类中每个波段的标准差等。可以绘制每一类对应源分类图像像元值的最小值、最大值、平均值以及标准差，还可以记录每类的直方图，以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。
2.2.4.3精度评价
常用的精度评价的方法有两种：一是混淆矩阵；二是ROC曲线。其中，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
2.2.4.4提取结果转矢量
提取的结果为栅格格式，想要做进一步分析，将栅格转换为矢量。
3城市用地遥感分类信息提取应用场景
1233.1城市绿地信息提取
一个典型的基于高分辨率影像的城市绿地信息提取流程涉及高分辨率影像图像融合、正射纠正、大气校正、面向对象图像信息提取、矢量编辑与处理、属性赋值等内容。
1233.1 根据现在高分辨率卫星影像的特点，先做全色和多光谱图像的融合，再利用全色图像的RPC文件对融合图像进行正射纠正，得到的融合图像正射纠正结果与全色图像正射纠正结果在相同条件下的精度是一致的。这样的顺序能减少流程而提高效率，并且进行全色和多光谱的图像融合时，能保证他们之间精确的空间配准。使用ENVI中的Pan sharpening融合方法，它是专门为高分辨率影像而设计，能较好保持光谱信息和纹理信息。
由于高分辨率影像数据量普遍较大，为了能快速获取规则，可选择一部分区域作为研究区来确定对象分割与合并阈值、基于规则的信息提取中的对象阈值，之后将实验区获取的阈值以及规则应用到整个图像文件中。可以采用样本统计法。
另外，还可以利用高分辨率卫星图像或航片提取城市中每棵树木。得到树木的数量、地理位置、半径等信息。
3.2城市建筑物信息提取
利用深度学习算法提取不规则建筑物。所用数据为3景高景一号0.5m融合图像，有效覆盖范围为520平方公里。从样本选择、模型训练到目标提取，共耗费6小时时间，提取得到全部范围内的建筑物信息。除此之外，还可以利用深度学习算法提取城中村、倒塌建筑物、蔬菜大棚、集装箱等目标地物。
3.3城市用地变化检测
随着我国城市化进程日益加快，城镇用地规模迅速扩张。它不仅占用了大量的土地资源，而且也对城市周边的生态环境产生巨大的影响。大量的研究表明，利用卫星遥感影像可以获取城镇用地信息，从而揭示城市扩张的动态变化是监测城市扩张的有效方法，与统计数据分析方法相比更具实时性和可靠性。
基于无人机DOM不同时相数据提取疑似违建图斑的流程如下所示：
4总结
随着遥感技术的迅速发展，我国的土地利用变更调查方法也随着有了进步，将遥感技术结合到土地利用变更调查与动态监测中就能够快速准确的提取土地利用变化信息，对我国的土地资源和科学管理的发展有着重要意义。采用遥感技术进行土地利用动态监测是一种有效的方法，遥感监测方法多种多样，但为了确定变化类型，需要引入遥感图像分类方法。遥感分类方法一直是遥感技术方法研究的重要领域。随着高分辨率传感器的相继问世，利用多平台遥感数据融合进行监测研究将有利于提高分类、监测精度。
参考文献
1.土地利用动态监测中变化信息提取方法的研究 [C], 武文波; 张继超
2.基于RS和GIS的土地利用动态监测技术及应用 [J], 张利; 陈影; 周亚鹏
3.利用遥感图像的土地利用动态监测技术研究 [J], 陈德胜; 吴世强; 陈武