基于Landsat影像的土地覆盖变化信息提取方法研究--以贵阳市为例

李尚洁，廖意美，李世波

1.贵州林业勘察设计有限公司，贵州贵阳550003；

2.贵州省林业学校，贵州修文550200

土地覆盖动态变化情况与森林资源动态变化关系密切，是森林资源动态监测的重要内容[1]，及时、精准地掌握土地利用现状及其动态变化情况，对切实加快推进生态文明建设、提高森林资源管理水平、为各级政府制定生态文明发展宏观决策提供参考依据都具有重要的指导意义[2]。以往的土地覆盖类型信息提取方法存在效率低、成本高等问题[3-4]，不能很好满足当下对土地利用现状及其变化情况的提取需求。而遥感影像由于波普特性不同导致不同土地类型在影像上亮度值不同这一特征，可以直观地反映地表覆盖信息，通过遥感影像处理技术获取地表覆盖变化信息成为可能[5]。近年来，利用遥感技术高效率、高精度提取土地覆盖的变化信息，已经成为获取和评价土地利用现状及其动态变化情况最常用方法之一[6]。

研究以贵阳市中部地区为研究区，基于2017年和2019年Landsat8 OIL地表反射率数据利用3种变化检测方法提取变化信息，并比较不同方法的提取精度，分析其各自优缺点，探究其中更适合研究区的土地覆盖变化信息提取方法。

1 研究区概况及数据源

1.1 研究区概况

研究区为贵阳市中部地区，地处黔中山原丘陵中部，长江与珠江分水岭地带，地势呈现西南高、东北低特征。研究区气候温暖、湿润，年平均气温为15.3℃，年平均相对湿度为77%，年平均总降水量为1129.5mm。

1.2 数据源及预处理

研究使用数据为从美国地质勘探局（USGS）官方网站获取的2017年4月1日和2019年8月13日两期Landsat8 OLI地表反射率数据，下载数据采用UTM投影，均已进行过大气校正预处理。考虑研究需要，选用两期Landsat8 OLI数据的2至7波段进行探讨。

表1 遥感影像数据详细信息Tab.1 Detailed Information of Remote Sensing Data

由于地物的反射率受不同气候季节和生物生长周期变化影响，为了有效减少遥感影像获取时间差异对变化信息提取结果精度的影响，使用ENVI5.3软件对原始影像分别进行相对辐射校正，使得同一地物在不同影像中具有相同的辐射尺度。

2 研究方法

利用遥感技术进行变化信息提取是一种利用遥感影像的波普特性，获取不同时相影像间的特征差异，对其进行定量分析并确定不同时相间变化情况的变化检测方法[8]。研究选择归一化植被指数差值法、主成分分析差值法、图像差值法3种变化检测方法进行研究区2017年至2019年间土地覆盖变化信息的提取，并对提取结果分别进行精度评价，对精度最高的提取结果进行土地覆盖变化图斑专题图制作。

2.1 图像差值法

图像差值法[9]是将经过预处理的遥感影像对中对应像素的灰度值相减，得到的差值影像可以表示不同时相影像间随时间产生的变化，体现不同时相间地物属性的变化。

2.2 归一化植被指数差值法

归一化植被指数（NDVI）[10]对地表植被覆盖较为敏感，受地形和辐射影响较小，可以反映植物的生长状况，当值大于0时表示地表有植被覆盖，其值越大表示地表植被覆盖度越大。归一化植被指数反映植被情况稳定性高、敏感度高[11]，利用其差值图像能较完整的反应两期间植被的变化情况。

2.3 主成分分析差值法

主成分分析是对遥感影像进行线性K-L变换处理，将多波段遥感数据信息映射到主成分空间，其几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上，获得对原始数据压缩增强有效信息的作用的新特征轴[12]。主成分分析法采用客观赋权法，有效避免主观赋权的随意性，因而权重系数更客观合理[13-14]。

2.4 精度评价

为定量评价变化检测方法的精度，在研究区内利用渔网格点选取精度评价的样本点，对多时相影像的样本点位置进行目视解译，确定2017年～2019年间研究区土地覆盖的变化情况，目视解译结果作为实际土地覆盖变化情况的初始依据，通过比较样本点实际变化情况与变化检测结果是否一致进行精度评价。检测精度基于正检率、错检率、漏检率3个定量指标[15]，其中正检率为检测变化类型与实际相符的样本数在样本总数中所占比例，反映检测正确的概率；错检率为检测土地覆盖增减情况与实际不符的样本数占样本总数的比例，反映检测错误的概率；而漏检率为真实变化却未检测到变化的样本数在样本总数中的占比，反映检测遗漏的概率。

3 结果分析

3.1 变化检测结果

图像差值法是将2019年遥感影像减去2017年遥感影像，得到各波段的差值图像（图1），像元值越大地表植被覆盖度增加的可能性越大，反之，植被覆盖度减少的可能性越大。通过对比各波段提取结果与研究区两期影像可知，近红外波段差值图像对变化信息提取效果较好，虽不能避免云层等对变化检测结果的影响，但能提取出大部分变化信息，且提取结果中伪变化较少，因此选定近红外波段差值影像进行下一步研究。

图1 图像差值法变化检测结果Fig.1 Results of The Differenced of Images

对比归一化植被指数差值图像和研究区两期影像显示的变化情况可知，该方法能够提取出大部分植被覆盖变化信息且受云层影响较小，但由于归一化植被指数对植被敏感度较高，因此存在较多地表生物量变化而实际土地覆盖未发生变化的伪变化。该方法提取变化信息的精度受影像获取时间影响较大，伪变化可能是因为2017年影像的获取时间为4月份，而2019年的获取时间为8月份，季节差异导致地表植被覆盖度不同，从而导致NDVI值的季节性差异，这种伪变化不能真正体现地表植被覆盖的变化。

图2 归一化植被指数差值法变化检测结果Fig.2 Results of The Differenced Normalized Difference Vegetation Index

分别对前后两期遥感影像做主成分分析，选取包含主要信息的主成分第一分量作差值处理，以提取主要变化信息，主成分分析结果见表3。观察第一主成分两期的差值图像，对比两期影像可知，该方法对变化信息的提取效果较好，存在细微变化信息丢失，受云层影像较大。

表3 主成分分析结果Tab.3 Results of The Differenced Principal Component Analysis

图3 主成分分析差值法变化检测结果Fig.3 Results of The Differenced Principal Component Analysis

3.2 精度评价

利用ArcGIS中的Fishnet工具，根据研究区边界创建渔网矩阵，将渔网格点作为验证变化信息真伪的样点，筛选落在研究区范围内的样点共计146个，通过比对样点位置变化情况与变化检测结果是否一致得到各检测方法的正检率、错检率及漏检率（表4）。

表4 变化信息提取精度评价结果Tab.4 Accuracy Assessment Results of Change Information

由表4可知，主成分分析差值法正检率为85.62%，错检率为6.16%，漏检率为8.22%，整体精度优于其他2种方法，故利用主成分分析的差值图像进行变化图斑的专题图制作。利用ArcGIS软件区域统计工具计算差值图像均值，按照2倍标准差准则获取异常值[16]以获得地表覆盖变化图斑，从而获得研究区2017年至2019年间的变化图斑。

图4 2017年～2019年间变化图斑分布Fig.4 Change Objects from 2017 to 2019

4 结论与讨论

4.1 结论

在利用Landsat8 OLI遥感影像提取贵阳市中部地区2017年至2019年间变化信息过程中得到以下结论：

（1）图像差值法能正确提取较多变化信息，错误信息相对较少，受云层影响较大，存在较高的漏检率；

（2）归一化植被指数差值法受云层影响相对较小，但由于对植被敏感度较高，因此受影像获取季节影响较大，影像时间差异导致实际土地覆盖未发生变化的伪变化较多，因此存在较高的错检率；

（3）主成分分析差值法的提取效果整体最好，其正检率和错检率均优于其他2种方法，虽然漏检率高于归一化植被指数差值法，但考虑到后者提取伪变化太多，故主成分分析差值法整体上提取效果最佳。

4.2 讨论

研究从3种变化检测方法中得到了最适合研究区变化信息提取的方法，但还存在局限性：（1）遥感影像数据质量不高，分辨率较低，云量较多；（2）数据不够充分。虽然预处理减少了季节性辐射差异对变化检测结果的影响，但缺少不同季节影像对数据的补充；（3）提取结果局限于像元图斑，未与森林资源调查实际应用相结合，检测结果缺乏实用性；（4）选用的变化检测方法均为基于像元的方法，忽略了空间信息，提取结果较为零散且漏分错分现象较为普遍。为提高变化检测结果的可信度，可从以下4方面进行进一步研究：（1）使用分辨率更高，云量更少的遥感影像数据；（2）使用不同季节的影像对相互结合，降低季节对土壤覆盖信息提取的影响，减少实际土壤覆盖类型未发生变化的伪变化；（3）结合森林资源调查小班数据，将变化检测得到的基于像元的变化信息转换为基于矢量小班的变化信息，提高变化检测提取结果的实用性；（4）结合面向对象的变化检测方法，综合地形、亮度等相关因子以获得完整度较高的变化图斑，进一步提高检测精度。