基于定量化遥感数据的土地利用变化自动监测

刘斌 蒋励 臧英斐

[摘要]针对当前土地利用变化遥感监测主要依赖于人工交互解译，存在成本高和耗时久的问题，在多时相遥感数据定量化处理基础上，设计了一种土地利用变化自动监测方法。试验区两景Landsat 8数据处理结果显示，该方法可自动提取两景影像间的土地利用变化信息，提取结果的精度较好。

[关键词]Landsat 8;定量遥感;土地利用变化

[中图分类号]P237;F301 [文献标识码]A

1    引言

土地是人类最基本的生产资料，是人们赖以生存和发展的基础，具有有限性和不可替代性。随着经济的不断发展和人口的持续增长，目前我国每年因经济建设和环境改变等因素导致大量的土地用途发生改变，人地关系日益紧张，耕地保护任务艰巨。因此，及时获取土地利用状况及其变化信息，对于土地资源管理至关重要。目前获取土地利用变化信息主要通过年度土地变更调查工作。该项工作主要通过内业解译遥感影像获取土地利用变化图斑，然后通过外业核查的方式对内业图斑进行验证。其中内业解译主要依赖于人工目视解译，存在劳动强度大、耗费时间长等缺点，已逐渐不能满足国土精细化管理需求。

《国土资源“十三五”科技创新发展规划》指出：要“以定量遥感技术促进国土资源调查监管模式转变，着重提升空天观测技术定量化、工程化、智能化数据处理和专题产品生产能力，开发软件平台，提升服务效率……”。定量遥感，又称为遥感信息定量化，是利用遥感传感器获取的地表地物的电磁波信息，在先验知识和计算机系统支持下，定量获取观测目标参量或特性的方法与技术。本文针对当前土地利用变化监测目视解译方法存在速度慢效率低的问题，尝试利用定量化的Landsat 8数据对土地利用变化进行自动监测。

2    研究区与数据

本文选择重庆市主城区作为研究区。重庆市地处我国西南，地形以丘陵和山地为主。重庆市主城区有华蓥山系的缙云山、中梁山、铜锣山和明月山等支脉;同时嘉陵江与长江在重庆朝天门处交汇，自西向东流出。主城区内山水相映，两江四山构成了山地城市的空间特色。山地城市是重庆市主城区的特色景观，但同时也导致了重庆市主城区可供开发利用的土地少，人地关系相较于平原城市更为紧张。此外，近年来重庆市经济高速发展，在全国主要城市中位居前列，而经济高速发展必然带来用地的持续增加，因此重庆主城区的土地利用变化监管与监测尤为重要。

本文选择的卫星遥感影像为Landsat 8数据，数据级别为L1T，已利用地面控制点和数字高程模型进行了几何校正和正射校正。Landsat 8是地球资源卫星计划的第八颗卫星，Landsat 8数据具有波段数较多（包括可见光、近红外、短波红外和热红外）、辐射定标精度高、中等分辨率的特征，尤其适合开展区域尺度的定量化遥感监测。本文选用了研究区的两景Landsat 8影像开展土地利用变化自动监测研究，数据的获取时间分别为2016年7月10日和2017年6月15日。数据的条带号为WRS-2（Worldwide Reference System，全球参考系统）P128/R39，数据覆盖范围主要为重庆市主城区。

3    研究方法

3.1    辐射定标

本文所用的Landsat 8数据来源于美国地质调查局（USGS），该数据已经进行了系统辐射校正，并在元数据中提供了定标系数，根据定标系数和式（1），可以将数据转换为傳感器入瞳辐亮度（亮温）数据：

式中为传感器入瞳处的光谱辐射亮度（W/（m2·sr·μm）），表示L1T数据的像元值，和分别为增益和偏差。

3.2    地形辐射校正

重庆主城区地形起伏较大，研究区范围内最大高差约为500m。地形的起伏会导致遥感影像的辐射差异，因此需要进行地形辐射校正处理。本文选用普适性较好的C校正模型对研究区Landsat8数据进行地形辐射校正处理。C校正模型可以较好的模拟影像象元值和太阳入射角余弦之间的关系，可避免由于入射角较大引起的过校正现象，具体算法可见相关文献。

3.3    大气校正

遥感影像大气校正是采用一定的算法，消除由于大气效应所引起的遥感影像灰度值偏差。目前，遥感影像的大气校正算法主要包括基于图像特征的模型、地面线性回归经验模型、大气辐射传输模型等。大气辐射传输模型是利用辐射传输方程来描述电磁辐射在散射、吸收介质中的传输，然后对方程进行求解，消除大气的影响。大气辐射传输模型能较合理地处理大气散射、大气吸收等过程，是应用最广泛的大气校正方法。利用大气辐射传输模型对遥感图像进行大气校正主要分为两步，一是有关大气参数的获取，二是选择适用的辐射传输模型进行计算，得到大气校正参数。大气参数可以通过地面测量、图像估计、模型数据等方式获取。本文中大气校正方法采用6S辐射传输模型方法，大气参数来源于美国宇航局（NASA）网站。

3.4    水体检测

因水体在不同时期的影像中可能呈现不同的颜色，因此在土地利用变化监测之前需将其识别出来。水体识别规则为：根据反射率数据计算归一化差异水体指数MNDWI（modified normalized difference water index），然后提取MNDWI大于0.2且波段7反射率值小于0.1的像元为水体。MNDWI计算公式如下：

式中和分别为绿波段和中红外波段的反射率。

3.5    云检测

由于光学遥感受到天气状况的强烈影响，云对地物信息的遮挡会导致无法正确提取地物的信息。因此直接利用有云的影像进行土地利用变化监测将导致错误的结果。本文的研究区地处丘陵山区，具有多云雾的特点，要获取完全无云的光学卫星遥感影像较为困难。本文所选择的数据中部分区域有少量云，因此需要对遥感影像进行云检测。

云检测的方法按参与检测的影像数量可以分为多时相法和单时相法。多时相法主要是利用两景或多景影像进行对比检测。而单时相法则利用单景影像和波段反射率、云顶温度等，并设置阈值对云进行检测。

本文选择单时相法进行云检测，基于云顶温度和反射率数据，设计了一个简单的云检测模型：

（1）基于反射率数据计算归一化植被指数NDVI;

（2）利用Landsat热红外波段和单窗算法，反演地表温度，然后对温度图像进行重采样，使其分辨率和反射率波段保持一致;

（3）统计NDVI直方图，以直方图中95%对应的值作为阈值，提取大于阈值的像元作为高植被覆盖区域，并统计高植被覆盖区域的地表温度（℃）;

（4）提取云覆盖区域的像元：同时满足温度图像中小于-15且中红外波段的反射率值大于0.15的像元。

3.6    变化检测

遥感影像变化检测是指利用同一区域不同时期的遥感影像及相关数据，通过图像处理及数理模型等技术对其进行比较，分析和判断其影像间的变化。遥感影像变化检测按检测的基本单元可分为基于象元的变化检测方法和面向对象的检测方法。基于象元的变化检测方法是根据单个象元的特征进行处理，具有简单快速的特点，但没有临近象元的特征，主要用于中低分辨率的变化检测。面向对象的检测方法是先对影像进行分割，然后对分割后的对象进行变化检测，这种方法综合了影像的光谱特征和空间特征，但变化检测结果受分割算法的影响较大，主要应用于高分辨率遥感影像。

本文所用的数据为Landsat8数据，其空间分辨率较低但光谱信息丰富，因此本文选择基于象元的变化检测方法——光谱角填图（Spectral Angle Mapping—SAM）算法。SAM的原理是将光谱作为矢量投影到N维空间上，N为参与计算的波段数。在N维空间里，光谱曲线是有方向且有长度的矢量，光谱之间的夹角叫做光谱角。利用SAM进行变化检测时，逐象元计算两个时相影像之间的光谱夹角，夹角越小，表明两者越相似，表示没有变化或变化较小。光谱角的计算公式为

式中为象元光谱间的夹角，为时相1像元光谱矢量，为时相2光谱矢量。在实际处理中，为了简化计算，上式一般用的值表示，其值的范围为0～1，值越小变化越大。

通过光谱角填图的方法可以获得两影像之间的变化信息影像。要获得变化的具体区域，还需对变化影像进行阈值分割。本文采用力矩保持法确定分割的阈值，该方法的基本思想是最佳的阈值应该使分割前后图像的矩量保持不变，由此可以得到一组矩量保持方程，求解该方程组就可以得到最佳阈值，具体算法见相关文献。

3.7    后处理

由于土地利用变化信息是基于象元的变化检测方法提取，因此提取的结果中存在一些小斑块及椒盐噪声。通过计算斑块面积并设定最小斑块阈值可以将这部分信息剔除，本文设置最小斑块面积为50个Landsat象元，最后对变化区域转换为矢量图斑。

综上所述，本文建立的数据处理流程如图1所示。

4    结果

利用图1所示的流程对研究区的两景影像进行处理，分别得到地表反射率数据、云和水体掩膜数据、土地利用变化图斑信息，如图2所示。

图2中的反射率影像和云、水体提取结果表明，本文建立的云及水体提取方法较为准确的识别出了研究区遥感影像中的云和水体，有效的减小了云和水体对土地利用变化信息提取的干扰。图2中的土地利用变化信息主要分布在城市边缘地区，尤其是北部地区，这与重庆市主城区当前的土地开发趋势也是一致的。为了进一步验证土地利用变化图斑的准确性，选取图斑较为密集的三个区域进行放大显示，如图3所示。

图3结果显示，本文建立的土地利用变化信息自动监测较为准确的提取了土地利用变化信息，提取的图斑边界与影像中的实际变化边界基本一致。

5    结论与讨论

本文利用重庆市主城区的两景不同时相的Landsat 8遥感影像数据，在数据定量化处理基础上，设计了土地利用变化信息自动监测流程。实验结果显示，该方法可有效识别出两期影像间的土地利用变化信息，提取的变化图斑精度较高。该方法人工干预较少，可以快速发现监测区域的土地利用变化信息，可为土地资源精细化管理提供数据支撑。

[参考文献]

[1] 张兆明，何国金.Landsat5TM数据辐射定标[J].科技导报，2008，26（7）：54-58.

[2] 王少楠，李爱农.地形辐射校正模型研究进展[J].国土资源遥感，2012，24（2）：1-6.

[3] 亓雪勇，田庆久.光学遥感大气校正研究进展[J].国土资源遥感，2005，16（4）：1-6.

[4] Vermote E， El Saleous N， Justice C， et al. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces： Background， operational algorithm and validation [J]. Journal of Geophysical Research： Atmospheres ，1997， 102（D14）： 17131-17141.

[5] 胡勇，刘良云，张九星，等.基于MODIS大氣产品的天宫一号高光谱成像仪数据大气校正研究[J].遥感技术与应用，2014，29（6）：1060-1066.

[6] Hagolle O， Huc M， Pascual DV， et al. A multi-temporal method for cloud detection， applied to FORMOSAT-2， VEN?S， LANDSAT and SENTINEL-2 images [J]. Remote sensing of environment， 2010， 114（8）： 1747-1755.

[7] Helmer E， Ruefenacht B. Cloud-free satellite image mosaics with regression trees and histogram matching [J]. Photogrammetric engineering and remote sensing， 2005， 71（9）： 1079.

[8] Zhu Z， Woodcock CE， Olofsson P. Continuous monitoring of forest disturbance using all available Landsat imagery [J]. Remote sensing of environment， 2012（122）：75-91.

[9] 谭凯，张永军，童心，等.国产高分辨率遥感卫星影像自动云检测[J].测绘学报，2016，45（5）：581-591.

[10] 郭秋，李大成，刘贺春.高分辨率遥感图像厚云检测算法[J].地域研究与开发，2016，35（4）：172-176.