融合多特征土地覆盖变化监测——以武汉市为例

刘立之

（中国地质大学（武汉）地理与信息工程学院，湖北 武汉 420078）

1.引言

近年来，遥感技术发展迅速，在农业、地质灾害、城市建设、环境保护等领域得到了广泛应用。原始的土地覆盖分类方法主要依靠人工完成，消耗大量人力物力，更新速度慢，应用较困难。而遥感具有获取数据快、覆盖范围广、重复周期短、数据精确等特点，已经成为土地覆盖分类中高效的技术手段之一。

随着遥感技术的不断发展，遥感向着多源数据、多特征方向发展。李根军等结合多源数据对可可西里湖展开动态监测，能够准确地提取出可可西里湖湖泊的面积和位置，并分析湖水外溢情况及驱动力特征,为青藏高原地区湖泊的监测提供参考；沈吉宝提出一种多特征融合的遥感影像河流提取方法，能够减弱城市建筑阴影信息的干扰，快速准确获得城市中的水体信息；钟嫣然等通过影像多特征对建成区进行提取，通过考虑多特征能够提高建成区的提取精度。

本文以湖北省武汉市作为研究区域，探究了融合NDVI、NDWI、NDBI和DEM数据的多光谱影像及原始多光谱影像，分别采用最大似然法、支持向量机和随机森林方法对土地覆盖分类精度的影响。

通过比较不同影像、不同分类方法之间的差异，最后选取分类精度最高的一种组合进行武汉市土地覆盖变化监测，研究近年来武汉市土地覆盖类型的变化情况，得出研究结论。

2.研究区域及研究方法

2.1 研究区介绍

武汉市位于江汉平原的东部、长江中游地区，长江和其最大的支流汉江交汇于城中，据此形成了武昌（武昌区、青山区、洪山区 ）、汉口（江汉区、江岸区、硚口区）和汉阳（汉阳区）武汉三镇的格局。其地理空间范围为占地面积约8569.15平方千米，人口数量1232.65万，海拔范围19.2-873.7m。

武汉市地处亚热带季风气候区，具有夏季高温多雨、冬季温和少雨，太阳照射时间充足，四季分明等特点。武汉市土地覆盖类型主要有建筑、水体、农田、裸地和林地，由于武汉市农田和林地面积较大，因此在不同季节会出现地物类别转换的情况，例如在夏季农田中为水稻等作物，林地更加茂密，而到了冬季，一些农田若没有种植作物，会转换为裸地，同时林地会变得稀疏。

2.2 数据获取

本研究所用数据有武汉市Landsat-8 OLI遥感图像和ASTER GDEM v3数据，Landsat影像数据从美国地质调查局（USGS）获取，ASTER GDEM从欧空局网站获取。

光学遥感数据只选用分辨率为30m的红、绿、蓝、近红外波段和短波红外1（1560nm-1660nm）波段参与土地分类，地形高程数据的空间分辨率为1弧度秒（约为30m）。

为了确保土地覆盖变化监测在季节上的一致性，所选用的Landsat影像均在6月-9月，大部分影像集中在8月和9月两个月份。总结性数据集如表1所示。

表1 研究数据

获取数据后，需要对数据进行预处理，以便进行后续实验。Landsat-8数据预处理流程：获取遥感影像、辐射定标、大气校正、影像镶嵌、裁剪出武汉市影像范围。ASTER GDEM从欧空局网站获取。数据预处理流程：获取DEM数据、镶嵌DEM影像、裁剪出武汉市影像范围。

2.3 研究方法

以Landsat-8和ASTER GDEM数据为数据源，利用ENVI5.3软件对数据进行处理。计算遥感影像的NDVI（归一化植被指数）、NDBI（归一化建筑物指数）和NDWI（归一化水体指数）作为特征，此外还有ASTER的DEM数据添加到波段中参与分类，以2021年影像为例，对比多特征分类和仅使用光学信息分类的差异。

分类方法选用最大似然法（MaximumLikelihood classification，MLC）、 支 持 向 量 机（Support Vector Machines，SVM）和随机森林（Random Forest，RF）方法，选取其中分类精度最高的方法用于土地覆盖变化监测分类，土地覆盖变化监测选用2015、2018和2021年三年的影像进行分析。最后对变化监测的结果进行可视化展示，得出本研究的结论。

2.4 技术路线

本研究流程主要包括：Landsat和ASTER数据获取；Landsat和ASTER数据预处理；影像特征的计算；影像特征波段的融合；对比仅使用光学影像和融合多特征影像在最大似然法、支持向量机和随机森林方法的分类精度；选用精度最高的方法进行土地覆盖变化监测；最后分析结论。

3.土地分类结果及变化分析

3.1 分类类别选取

武汉市地处江汉平原东部，长江中游地区，有丰富的水资源，总水域面积约2217.6平方千米，占全市土地面积的26.1%。此外，农田、林地、城市用地、裸地也是武汉市土地覆盖的重要组成部分。

综合考虑武汉市土地实际覆盖情况和Landsat-8 OLI传感器的特点，将研究区域土地分为水体、裸地、农田、林地和城市用地五个类别。

3.2 分类结果

采用最大似然法、支持向量机和随机森林方法分别对原始的多光谱影像（五个光学波段）和融合特征后的影像（五个光学波段、三个特征波段和研究区DEM数据）进行土地覆盖分类，分类结果如图1所示。

从图1分类结果种可以看出，使用三种分类方法对两种影像进行分类都能够得到武汉市五种土地覆盖的结果，其中城市用地、水体、林地和农田面积较大，裸地部分占比较少。水稻是武汉市夏季的主要农作物之一，生长于水稻田，在遥感图像中体现为既有水体体征又有植被特征，因此不同分类结果之间的差异主要体现在农田和林地、农田和水体上。此外，对比原始影像分类和融合影像分类的结果，可以发现融合后的影像分类结果的整体性较好，原始影像分类结果中存在更多小斑块。

3.3 精度评价

为了定量评价不同影像和方法下的分类精度，选取一定数量的样本用于精度评价。精度评价采用混淆矩阵，包括计算分类的总体精度（正确分类像元数量除以像元总数）和Kappa系数（该结果越大，分类精度越高）。利用ENVI5.3软件计算得到六种分类结果的精度评价结果，如表2所示。

表2 分类结果精度评价总体精度/Kappa系数

从表2中可以看出，对于三种分类方法而言，相同的训练样本下，使用融合特征后的影像分类总体精度和Kappa系数都要高于原始多光谱影像。对于两种影像而言，支持向量机方法的分类精度最高，其次是最大似然法，随机森林的分类精度要低于前两种方法。综合比较六种分类结果，可以确定使用SVM方法分类在融合影像上分类精度最佳，因此选用2015、2018和2021三年融合影像的SVM分类结果进行土地覆盖变化监测。

3.4 土地变化监测

对不同年份的影像计算其NDVI、NDBI和NDWI，加入DEM进行波段合并，并单独选取一定数量的训练样本使用SVM方法分类。分类后，统计不同年份中不同地物类别占比，绘制折线图，如图2所示。

图2 土地覆盖变化情况

结合分类后的影像以及绘制的折线图可以看出，在2015到2021年间，武汉市城市用地面积在逐步增加，两次增幅程度相近，呈现稳定增长的趋势；裸地面积维持在较低水平，且出现占地面积下降的趋势；林地面积增加，较明显的增加区间为2015-2018年间，2018-2021年间林地面积变化不大，维持在较高水平。此外，农田和水体的占比呈现出“此消彼长”的现象，说明武汉市农田和水体在遥感图像上存在一定程度的相似性，融合多特征数据只能提高二者的区分度，但无法完全对其进行分离，要对二者进行区分，需要考虑其他的特征或者使用其他分类方法。

4.研究结论

本文将原始多光谱影像及其NDVI、NDBI、NDWI的特征和DEM数据融合得到融合影像，并与原始多光谱影像采用最大似然法、支持向量机和随机森林方法在土地覆盖分类上进行精度比较。六种组合中，融合影像和SVM组合的总体精度最高、Kappa系数最大，因此选用这种组合作为武汉市土地覆盖变化监测方法，从变化监测结果中可以看出武汉市城市用地面积在逐步增加，裸地面积维持在较低水平，林地面积增加，但仍然存在水体和农田无法准确区分的问题，在今后的研究中有待解决。

此外，今后的研究中可以考虑添加更多特征进行分类，例如光谱特征，包括亮度值、平均值、标准差等；形状特征，包括面积、边界长度、长宽比、形状指数、密度等；纹理特征，包括亮度、色度、陡度、大小等；空间关系特征和对象间的相关特征。除了考虑更丰富的特征外，还可以尝试不同的分类方法，例如可以将各类特征与近年来兴起的深度学习方法相结合，利用计算机的计算性能从丰富的遥感信息中提取出不同地物的特征，从而得到更加精确的分类结果。