基于IR-MAD算法的GF-1影像土地利用变化检测研究

董艳琴 任金铜 张涛

摘要：变化检测是遥感应用领域的研究热点之一，为探究高分一号（GF-1）PMS影像在土地利用变化检测中的适用性和有效性，文章以毕节市金海湖新区办事处为研究区，选取2017、2019两期GF-1 PMS影像为数据源，对比直接分析比较法中的迭代加权多元变化检测（IR-MAD）和基于随机森林（Random Forest，RF）分类后比较法的检测效果。结果表明：IR-MAD算法检测效果良好，可以有效地区分不变区域与变化区域，总体精度和Kappa系数较高，过程不依赖于训练样本的多少，总体精度达到90.78%，Kappa系数为0.86，而随机森林分类算法精度相对较低，检测效果欠佳，总体精度为89.32%，Kappa系数为0.80。因此，IR-MAD算法更适用于小尺度的土地利用变化检测。

关键词：GF-1；IR-MAD；随机森林；变化检测

中图分类号：K90  文献标志码：A

0 引言

遥感变化检测是利用不同时期遥感影像，分析地表覆盖的时空变化特征及过程［1］。基于遥感影像的变化检测方法中，直接分析比较法和分类后比较法应用较广［2］。其中，直接分析比较法依赖于原始影像的图像质量，是对不同时相的影像直接进修对比分析；分类后比较法是以相同分类标准对影像先行分类，然后对比分类的结果［3］。传统的直接分析比较法有简单图像相减法［4］、主分量分析法［5］等，这些方法计算简单、速度快，但受影像噪声、波段间相关性影响较大。为降低噪声、抑制影像波段间相关性，Nielsen等［6］提出了多元变化检测（Multivariate Alteration Detection，MAD）算法。但研究表明，MAD算法对变化部分所占比例相对较小区域提取效果不佳。为提高变化检测精度，Nielsen在MAD方法的基础上引入最大期望值（Expectation Maximization，EM）算法，改進得到迭代加权多元变化检测（Iterative Re-weighted Multivariate Alteration Detection，IR-MAD）算法，IR-MAD算法已成为较为有效的变化检测方法之一［7-9］。随着机器学习等研究的深入，随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）等算法在土地覆盖信息提取中越来越受到重视，RF算法在进行目标检测中取得了较好的效果［10］；任冲等［11］利用RF和参数优化SVM对研究区土地类型进行分类并对森林资源变化进行分析；Tang等［12］利用SVM算法对基于遥感的土地覆盖及变化进行了检测。

为探究高分一号（GF-1）PMS影像在土地利用变化检测中的适用性和有效性，本研究利用IR-MAD和基于随机森林的分类后比较法进行对比，探究IR-MAD算法在GF-1 PMS影像的应用效果。

1 研究区概况

金海湖新区地处川滇黔三省的结合部的毕节市，位于贵州西北部，平均海拔1 458 m，是毕节“一城三区”同城化建设的核心板块。目前新区的公路、铁路、航空等交通布局日趋完善，是贵州第二大交通枢纽和现代物流中心［13］。金海湖办事处位于毕节金海湖新区南部，年均温度13.2 ℃，国土面积42.5 km2。

2 研究方法

本研究利用2017和2019年两期GF-1 PMS影像数据，利用ENVI 5.3软件对GF-1 PMS影像进行预处理之后，利用IR-MAD直接比较分析法和RF分类后比较法进行对比实验，最后通过转移矩阵进行土地覆盖变化检测。

2.1 IR-MAD直接比较分析法

2.1.1 IR-MAD 算法

IR-MAD算法是Morton Canty和Allan Nielsen［14］加入EM算法改进MAD 算法 ［18］得出。该算法假设遥感影像像元的初始权重都为1，每次迭代赋予像元新的权重。设MAD算法求后的各分量MADi中的每一个像元值为Z（a，b），则该像元值为：

Z（a，b）=∑i=1DNiσMADi2a=1，2，3…mb=1，2，3…n（1）

其中：DNi代表第i个MAD分量上第a行、第b列的像元灰度值，σMADi代表各个MAD分量的方差［15］。

2.1.2 最大类间方差法阈值选取

OTSU方法假设影像变化与未发生变化分割阈值为t，发生变化像元个数占影像总像元的比例为v1，平均灰度值为u1；未发生变化像元占影像总像元的比例为v2，平均灰度值为u2 ［16］；则整幅影像的平均灰度值为：

u=v1×v2+v2×u2（2）

发生变化和未发生变化方差为：

w=v1×（u1-u）2+v2×（u2-u）2（3）

当方差w最大时，分割阈值t为最佳阈值。

2.2 随机森林

随机森林算法利用boot-strap重抽样方法从训练样本中抽取样本，对每个样boot-strap样本生成决策树［17］，采用基尼系数（GiniIndex）选择最佳预测变量，GiniIndex定义为：

GiniIndex=1-∑Kj=1p2（j/h）（4）

其中：p（j/h）是从训练样本中随机选取一个样本变量值h属于样本类别j的概率，K为所分类的类别个数。

3 结果与分析

3.1 IR-MAD直接比较分析法变化检测结果

遵循IR-MAD算法的迭代原理，并结合研究区实际情况进行多次实验，设定迭代次数为15，30，50次，收敛阈值设置为0.001。统计不同迭代次数的差异影像图的最小值、最大值、均值、标准差，统计结果如表1所示。

通过统计不同迭代次数差异像元值可知，迭代15次时其变化收敛阈值还未到达预先设定的阈值，而迭代30次和迭代50次的效果一致。本研究对迭代30次的差异影像，采用OTSU算法对其进行阈值分割来提取变化区域。最终得到研究区土地利用变化检测结果如图1所示。

3.2 随机森林分类后比较法变化检测结果

本研究根据遥感影像特征，并结合研究区实际，将研究区地类分为耕地、林地、草地、水域、建设用地、水域、裸地6类。使用EnMAP-Box中的RF分类方法对两期遥感影像进行分类，得出两期土地利用分类结果（见图2）。

3.3 变化检测精度评价

为验证变化检测结果，利用Google Earth历史高分影像，通过目视解译获取验证样本，构建混淆矩阵进行精度验证（见表2）。由表2可知，IR-MAD变化检测法效果较好，总体精度为90.78%，Kappa系数为0.86，而RF分类后比较法相对较差一些，总体精度是89.32%，Kappa系数为0.80。

3.4 研究区土地利用变化分析

基于2017、2019年研究区土地利用信息提取结果，得到土地利用转移矩阵（见表3）。经分析：

（1）2017—2019年，草地转出面积1.25 hm2，依次转给建设用地、林地、裸地、耕地，相应的面积占比依次为55.20%，21.60%，12.80%和9.60%，而草地转入面积为0.98 hm2，主要是耕地转入0.32 hm2和建设用地转入0.21 hm2。耕地转出面积3.43 hm2，其中40.81%转给建设用地，38.78%转给林地，9.32%转给草地，2.04%转给裸地；耕地转入面积为3.22 hm2，大部分是由建设用地和林地转化而来。

（2）草地、耕地的转入面积小于转出面积，说明在2007—2019年，草地和耕地的面积呈现缩减的趋势；林地的转出面积为6.75 hm2，主要转化成建设用地，占转出总面积的60%；而建设用地转入面积远大

于转出面积，达到10.28 hm2，主要来自裸地和林地，少部分来自水域和草地；裸地面積转出6.75 hm2，主要转化为建设用地；相反，水域转化面积远小于其他土地利用类型，说明在该研究时段，水域面积变化不大。

4 结语

本研究基于GF-1 PMS影像数据，利用IR-MAD变化检测算法，引入OTSU迭代阈值法对其进行阈值分割提取研究区变化与未变化区域，有效地从未变化的样本中识别异常值，明显改善以往研究中出现的“伪变化”现象。

研究结果表明：（1）采用IR-MAD变化检测方法可以有效地区分不变区域与变化区域，对降低漏检率效果较好；而基于随机森林分类的分类后比较法对训练样本的选择和分类的精度要求较高，需要采集大量的训练样本，加上缺少地面调查数据，影响了前期影像分类的精度，在实际应用中存在一定难度。（2）2017—2019年，研究区土地利用转变面积变化各不相同，人为活动的需求导致草地、耕地、林地和其他土地利用类型面积减少，建设用地面积增加。

参考文献

［1］聂倩，赵艳福.结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测［J］.测绘通报，2020（6）：57-62.

［2］眭海刚，冯文卿，李文卓，等.多时相遥感影像变化检测方法综述［J］.武汉大学学报（信息科学版），2018（12）：1885-1898.

［3］陈鑫镖.遥感影像变化检测技术发展综述［J］.测绘与空间地理信息，2012（9）：38-41.

［4］范海生，马蔼乃，李京.采用图像差值法提取土地利用变化信息方法——以攀枝花仁和区为例［J］.遥感学报，2001（1）：75-80.

［5］KWARTENG A Y， JR P.Multitemporal and change detection study of Kuwait City and environs using Landsat Thematic Mapper data［EB/OL］.（1996-03-01）［2023-03-21］.chrome-extension：//ibllepbpahcoppkjjllbabhnig cbffpi/https：//www.researchgate.net/profile/Andy-Kw arteng/publication/274715373_Multitemporal_and_change_detection_study_of_Kuwait_City_and_environs_using_Landsat_Thematic_Mapper_data/links/55854ed608aeb0cdaddbf024/Multitemporal-and-chan ge-detection-study-of-Kuwait-City-and-environs-using-Landsat-Thematic-Mapper-data.pdf.

［6］NIELSEN A A，CONRADSEN K，SIMPSON J J.Multivariate alteration detection （MAD） and MAF postprocessing in multispectral， bitemporal image data：new approaches to change detection studies［J］.Remote Sensing of Environment， 1998（1）：1-19.

［7］李莎，倪维平，严卫东，等.基于选权迭代估计与非监督分类的多光谱图像变化检测［J］.国土资源遥感，2014（4）：34-40.

［8］MARPU P R，GAMBA P，CANTY M J.Improving change detection results of IR-MAD by eliminating strong changes［J］.IEEE Geoscience & Remote Sensing Letters，2011（4）：799-803.

［9］張续，江涛，胡世明，等.迭代加权多元变化检测算法在高分辨率遥感影像变化检测中应用［J］.计算机应用，2019（S1）：177-181.

［10］向涛，李涛，赵雪专，等.基于随机森林的精确目标检测方法［J］.计算机应用研究，2016（9）：2837-2840.

［11］任冲，鞠洪波，张怀清，等.天水市近30年林地动态变化遥感监测研究［J］.林业科学研究，2017（1）：25-33.

［12］TANG J，HU Y，CHEN X，et al.A method of land use/land cover change detection from remote sensing image based on support vector machines［EB/OL］.（2007-11-10）［2023-03-21］.https：//www.spiedi gitallibrary.org/conference-proceedings-of-spie/6795/1/A-method-of-land-use-land-cover-change-detection-from/10.1117/12.774864.short？SSO=1.

［13］杨金腾，李文勇.毕节金海湖新区：推进区域经济社会均衡发展［J］.当代贵州，2018（38）：46-47.

［14］CANTY M J，NIELSEN A A.Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation［J］. Remote Sensing of Environment，2008（3）：1025-1036.

［15］DEMPSTER A P，LAIRD N M，RUBIN D B.Maximum likelihood from incomplete data via the EM algorithm［J］.Journal of the Royal Statistical Society：Series B （Methodological），1977（1）：1-22.

［16］OTSU N.A threshold selection method from gray-level histograms［J］.IEEE Transactions on Systems Man & Cybernetics，2007（1）：62-66.

［17］BREIMAN L.Random forests［J］.Machlearn，2001（1）：25-32.

（编辑  王雪芬）

Study on land use change detection of GF-1 image based on IR-MAD algorithm

Dong  Yanqin1， Ren  Jintong1，2*， Zhang  Tao1

（1.Guizhou University of Engineering Science， Bijie  551700， China;

2.Guizhou Province Key Laboratory of Ecological Protection and Restoration of Typical Plateau Wetlands， Bijie  551700， China）

Abstract： Transform detection is one of the research hotspots in the field of remote sensing applications. In order to explore the applicability and effectiveness of GF-1 PMS image in land use change detection. Taking the Jinhaihu New Area Office of Bijie City as the research area， and selecting the GF-1 PMS images of 2017 and 2019 as the data source， the test results of the iterative weighted multiple change detection （IR-MAD） in the direct analysis and comparison method and the post-classification comparison method based on the random forest （RF） were compared. The results show that the IR-MAD algorithm has a good detection effect and can effectively distinguish the constant region from the changing region. The overall accuracy and Kappa coefficient are high， and the process does not depend on the number of training samples. The overall accuracy reaches 90.78%， and the Kappa coefficient is 0.86， while the accuracy of the random forest classification algorithm is relatively low， and the detection effect is poor. The overall accuracy is 89.32%， and the Kappa coefficient is 0.80. Therefore， IR-MAD algorithm is more suitable for small-scale land use change detection.

Key words： GF-1; IR-MAD; random forest; change detection