“珠海一号”与Landsat影像的土地变化监测与预测

张海东

(锦州市规划设计研究院有限公司，辽宁 锦州 121000)

土地利用变化已成为全球变化研究的热点问题之一[1]，土地变化和利用程度不仅关系到经济和社会的发展，也对整个世界生态环境的可持续发展有很大影响[2]。土地利用是人类以社会发展和经济状况为目的而进行的对土地经营的一系列技术手段，而在全球环境变化研究中，土地利用动态变化越来越被认为是一个关键而迫切的研究课题[3]。对土地利用情况进行精准预测，可以为国家决策及规划等部门提供重要参考依据。

随着近年来我国城市化的飞速发展，城市的不断扩张，土地的利用也发生着巨大的变化，这将会对乡村及城市的自然、经济、人文等方面产生巨大影响。由于城市人口逐渐增多，城市居民对土地的需求量也逐渐增大，但城市的土地有限，达到了“供不应求”的状态。文献[4]对1971～2002年土耳其埃德伦特地区的土地利用变化和城市扩张进行了研究，同时研究了SAR图像对于确定土地覆盖类型对光学图像的贡献，以提高土地利用及覆盖的准确性。文献[5]提出了一种土地利用变化预测的新方法，该方法为土地利用-覆盖现状图结合Markov链模型预测类型数量和CLUE-S模型预测空间分布的土地利用变化预测方法，预测了研究区2012年和2020年的土地利用空间分布状况。文献[6]以长沙市作为研究对象，利用1990～2010年长沙市5期的Landsat TM/ETM遥感影像分析了长沙市1990～2010年的土地利用数量结构特征，并对长沙市土地利用变化趋势进行了预测。文献[7]利用2005～2014年两个阶段的IRS-P6卫星影像数据，研究了某地区土地利用变化遥感监测的技术方法和操作步骤。

利用遥感的手段进行土地利用变化监测[8]可以快速有效地获取地区的土地利用信息。本文的研究采用“珠海一号”高光谱影像和Landsat影像，通过CART决策树结合归一化植被指数(Normalized Difference Vegetation Index，NDVI)的方法对鞍山市部分地区的土地利用变化进行分析并预测。

1 研究区概况

鞍山市位于辽宁省中部，东经122°10′～123°41′，北纬40°27′～41°34′，东部和北部与辽阳县毗邻，西部与盘山县和辽中县交界，南部与大石桥市、庄河市、凤城县邻接。四季分明，属于温带季风性气候。鞍山市有较多的河流，如辽河、浑河等，水资源丰富。地势地貌特征为东南高西北低，自东南向西北倾斜[9]。

2 数据来源与研究方法

2.1 数据来源

本文采用的Landsat数据来源于地理空间数据云和USGS，“珠海一号”高光谱影像来源于(https://www.myorbita.net/index.aspx)。

2.2 数据分析

为了使实验结果具有可比性，采用Landsat数据和“珠海一号”数据。Landsat卫星传感器较强的光谱分辨率使得该传感器对土地利用变化信息有了很高的提取能力。“珠海一号”数据具有高光谱分辨率和高空间分辨率的特点，而且其特色的高光谱数据对于土地利用变化信息的提取提供了巨大的帮助。利用Landsat数据与“珠海一号”数据进行土地利用变化监测及预测有一定的研究意义。

2.3 研究流程

本文将2009年、2014年Landsat影像经过融合、校正、裁剪的预处理后，计算NDVI并进行波段合成。2019年的“珠海一号”高光谱影像，经过预处理后，计算NDVI指数进行波段合成，将波段合成后的影像进行CART决策树分类，得到了三期分类后的影像，对研究区域进行监测与预测，并结合数据分析鞍山市部分地区土地变化情况。研究流程如图1所示。

图1 技术路线图

2.4 研究方法

2.4.1 遥感影像的预处理

(1)遥感影像的辐射定标、大气校正

本文采用的辐射定标是将传感器记录的数字量化值(DN)转换为绝对辐射亮度值(辐射率)的过程[10]。为了结合NDVI指数对鞍山市部分地区的土地利用变化进行监测，对影像进行大气校正获取地物真实的表面反射率。

(2)遥感影像的波段合成

NDVI指数：指遥感影像中，近红外波段的反射值与红光波段的反射值之差与两者之和的比值，是遥感观测植被覆盖度的一个重要因子[11]。

NDVI=(BandNIR-BandR)/(BandNIR+BandR)

(1)

式中，BandR是红光波段；BandNIR是近红外波段。其中Landsat数据的BandR和BandNIR分别是第1波段和第5波段[12]；“珠海一号”的BandR和BandNIR分别是第12波段和第27波段。

2.4.2 CART决策树分类

CART模型最早由Breiman等人提出，在统计学和研究应用技术中普遍使用[13]。CART决策树以二叉树的形式给出，由CART模型构建的决策树在大多数情况下更加准确，且对于数据复杂、变量较多的数据处理效果更好。为了提高分类的精度，便于理解和使用，本文构建CART决策树，首先对目标变量的训练数据进行循环分析，形成二叉树形式，然后形成训练样本并计算最小基尼信息，从而计算样本类型的基尼指数。找出样本类型中最优的特征以及阈值，根据最优的阈值将样本进行划分，分为两类，经过剪枝处理，判断最优的切分点，并对所有的样本数据进行计算，从而生成CART决策树。

2.4.3 神经网络预测

神经网络进行映射辨识方法绝大部分是通过训练大量的样本，为了达到计算目的，经过神经网络内部的算法不断计算样本的权值。神经网络的学习过程是由正向和反向两种传播方式组成。在正向传播过程中，输入的信息从输入层经过隐含层单元每一层的处理后传向输出层，每一层的神经元状态只会对下一层神经元产生影响。而反向传播的条件则是输出层达不到期望的输出，从而将误差信号退回到原来的路径，随后修改每一层神经元的权值，从而使得误差信号最小[14]。

本文采用Train训练函数，该函数是一个两层的网络函数，可设定最大训练次数。设定的训练次数为300，训练次数达到300时训练停止；设定两个阈值，分别为均方误差和梯度，样本数据超过任何一个阈值时，训练结束。采用神经网络对鞍山市部分地区进行土地利用变化情况的拟合模拟，分类时结合CART决策树可得到较高的分类精度，所以拟合预测的效果较为理想。

3 结果与分析

3.1 分类规则及结果

图2所示为本文CART决策树的分类规则，2009年和2014年的影像均为Landsat影像，本文以2014年分类规则为例，根据Landsat影像的波段特性，可用于区分陆地地物类别、海洋、植物和化学的研究；根据“珠海一号”高光谱影像的波段特性，可以对植被、水体、土壤等地物进行区分，利用各个波段的DN值及其地物的阈值范围进行CART决策树规则的构建。

图2 决策树分类规则

根据分类规则，得到2009年、2014年和2019年鞍山市部分地区的分类结果，如图3所示。

图3 2009年、2014年、2019年CART决策树分类图像

本文的分类方法采用CART决策树算法，可以简化决策树的分支，提高生成决策树的效率和分类的精度，分类结果的混淆矩阵如表1～表3所示。

表1 2009年混淆矩阵/个

表2 2014年混淆矩阵/个

表3 2019年混淆矩阵/个

3.2 变化监测结果及分析

根据分类结果通过分类后比较法得到两个时间段的土地利用变化情况[15]，如表4和表5所示，并根据变化结果分析鞍山市的发展情况。

表4 2009～2014年变化监测矩阵/ha

表5 2014～2019年变化监测矩阵/ha

本文设定鞍山市的土地利用类型主要为耕地、林地、草地、建设用地、水体和未利用地六大类。由变化监测结果得出：在近10年的时间内，该区域耕地面积在逐年减少，这些耕地包括了水边的裸露土地、植被极其稀少的土地以及未利用的空地。其他各类土地利用类型都有不同程度的微增，这也意味着鞍山市在接下来的时间里可利用的空地越来越少。10年间，该区域建设用地的面积由162.28 ha变为352.46 ha，说明人居生活质量得以提高，经济发展迅速，建设用地增多；而由林地、草地和水体组成的“蓝绿空间”的面积也都有所增加，说明该地区由于城市建设用地造成的热岛效应可以由“蓝绿空间”成分的增多得以部分抵消；耕地的面积有所减少，说明该地区一部分的耕地转变为“蓝绿空间”及建设用地，当地有较好的绿色生态性用地布局。

3.3 预测结果及精度检验

根据2009年和2014年的变化结果，通过神经网络方法对下一时间段的数据进行拟合及预测，得到的预测结果如图4所示。

图4 预测结果

采用2009年和2014年的Landsat分类数据对2019年的“珠海一号”数据进行预测，预测误差计算公式为：

(2)

式中，Φ为预测的误差；Ai为2019年分类的面积；Aj为2019年预测的面积。经过计算，总体精度为95.93%，如表6所示，满足预测的精度要求。

表6 2019年预测误差

4 结 论

本文通过对鞍山市2009年、2014年和2019年三期遥感影像的校正、融合和裁剪预处理以及CART决策树分类，对分类结果进行分类后比较获取了鞍山市土地利用的变化信息，并对鞍山市土地利用变化情况进行预测。结论如下：

(1)以两期Landsat影像和“珠海一号”影像为主要数据源，对鞍山市近几年的土地利用情况进行监测。结果表明：鞍山市沿海地区建设用地、草地、林地以及水体面积逐渐增大，耕地面积逐渐减小，但总体上各类土地覆盖面积变化不大。

(2)本文采用的神经网络模型对于土地利用分类的预测具有一定的可靠性。由预测结果得知：鞍山市部分地区建设用地以及水体面积将会继续增大，而草地和耕地将会减少，符合近年来鞍山经济不断上升的实际情况。

(3)“珠海一号”高光谱卫星在入轨前预选了32个波段，波段数量众多，植被在近红外波段以及红光波段高吸收，经过处理，该数据可以得到更高精度的土地利用变化监测结果，“珠海一号”高光谱影像对于土地进行变化监测及预测有很好的作用。