基于GF-1 影像的建筑信息提取及变化检测研究：以草海国家自然保护区为例＊

秦 倩，任金铜，2

（1.贵州工程应用技术学院生态工程学院，贵州 毕节 551700；2.贵州省典型高原湿地生态保护与修复重点实验室，贵州 毕节 551700）

草海国家自然保护区位于贵州省威宁彝族回族苗族自治县，拥有完整、典型的高原湿地生态系统[1]。近年来，草海保护区受到人类活动，特别是城镇化的影响，导致其生态环境问题加剧，严重影响了黑颈鹤等珍稀濒危物种的生境。

随着卫星遥感技术的发展，基于卫星遥感影像的建筑物信息提取和变化检测研究越来越受到重视。方圣辉等[2]根据建筑物的边缘特征结合影像灰度特征，采用Canny 算子对建筑物信息提取；朱俊杰等[3]提出了应用几何特征等对建筑物进行信息提取方法；李海霞[4]对高分辨影像提取了最优特征子集，完成研究区遥感分类；胡茂莹[5]对影像特征进行对比优选，成功提取了建筑物信息；朱姝[6]提出了一种结合影像多特征与K均值分类思想对建筑物信息进行提取；VU 等[7]利用面向对象方法对快鸟影像建筑物进行提取。在变化检测方面，张永梅等[8]提出结合像素级和特征集的建筑物变化检测；刘小洲[9]应用纹理差值变化检测方法对建筑物进行变化检测研究；汪闽等[10]提出了一种多特征结构相似度的变化检测方法，提高了变化检测的适用性。

本文基于高分一号（GF-1）影像数据，运用面向对象的分类方法以及变化检测方法，提取草海保护区建筑信息，并进一步开展变化检测分析，以期为草海国家自然保护区的生态环境问题保护与城市规划提供参考。

1 研究区与数据预处理

1.1 研究区概况

草海国家自然保护区位于贵州西部威宁彝族回族苗族自治县县城西南侧，保护区总面积9 600 hm2。草海湖是贵州最大的天然淡水湖，1985 年经贵州省人民政府批准建立自然保护区，主要保护对象为黑颈鹤及高原湿地生态系统[11]。草海具有丰富日照、冬季温暖干燥夏季凉爽湿润等独特的高原气候特征，平均年降水量950.9 mm，是中国为数不多的亚热带高原湿地生态系统自然保护区[12]。

1.2 数据来源与预处理

本研究使用的遥感影像数据为国家高分辨率对地观测系统首发星GF-1，影像获取时间分别为2015-11-07 和2020-02-20，影像包含4 个分辨率为8 m的多光谱波段和1 个分辨率为2 m 的全色波段，数据来源于高分辨率对地观测系统贵州数据与应用中心。

本文利用PIE-Basic 6.0 对研究区两期的GF-1 遥感影像数据进行辐射定标、大气校正、正射校正、几何精校正、影像融合、图像裁剪等影像预处理，消除影像变形，使影像更符合地面真实情况，以便于建筑物信息的提取及变化检测。

2 研究方法

2.1 面向对象的影像分类方法

面向对象的影像分类方法是将一系列同质的影像对象合并成一个对象，不仅利用了影像对象的光谱信息，还加入了纹理、形状、大小、阴影等信息，将同质的对象合并在一起的分类[13]。相比基于像元的分类方法，面向对象的影像分类方法充分利用影像特征，使得影像具有更好的分类效果[14]。面向对象的影像分类方法主要包括影像分割、设置形状因子和紧致度因子等过程。

2.2 变化检测方法

变化检测是不同时间同一区域地物变化的过程，变化检测方法有分类后比较法和直接比较法，直接比较法由于前后时期影像容易造成大量的伪变化区域。因此本文采用分类后比较法对建筑物的特征进行变化检测[15]。

2.3 精度评价

本文利用常用的总体精度系数（Overall Accuracy）和Kappa 系数2 个评价指标检验分类结果的精度。Kappa 系数是一种用于检验分类结果与实际地物空间对应的一致性和可信度的一种评价指标，综合考虑了混淆矩阵中被正确划分的像元和错分、漏分的像元，能够反映出分类效果的优劣。

总体精度系数和Kappa 系数评估指标的含义、数学表达式如表1 所示。

表1 遥感影像分类结果精度评估指标

3 结果与分析

3.1 土地覆盖分类结果

本研究以草海保护区GF-1 遥感影像为数据源，基于面向对象分类方法得到研究区土地覆盖分类，分类的结果如图1 所示。从图1 中可以看出研究区建筑物主要位于草海保护区的东北部，即威宁县的老县城；耕地和植被占比较高，水体主要集中在研究区的中间部分。

图1 2015、2020 年研究区土地利用分类结果

通过对研究区土地覆盖分类结果进行精度评价，得到分类结果精度表，如表2 所示。

表2 土地覆盖分类精度评价

由表2 可知，2015 年研究区土地覆盖分类结果的总体精度和Kappa 值分别为81.38%、0.701 9，2020年研究区土地覆盖分类结果的总体精度和Kappa 值分别为82.59%、0.703 5。两期分类结果总体精度均在0.8以上，Kappa 系数达到了0.6 以上，表明面向对象分类结果较合理且满足后续的建筑物提取及变化检测。

3.2 建筑物提取及时空变化特征分析

基于分类后土地覆盖信息提取研究区建筑物信息并进行格式转换，转换为shapefile 格式，如图2 所示。从图2 中可看出研究区建筑物围绕草海湖区分布，2020 年草海保护区建筑物分布相比2015 年较为密集，主要表现在威宁县主城区及西部建筑物分布明显增加。

图2 2015、2020 年研究区建筑物提取结果

从空间分布来看，草海保护区范围内的建筑物整体呈扩张趋势，2015—2020 年，研究区建筑物面积净增长为120.06 hm2，平均每年增长24.01 hm2，并且主要增加在主城区以及农村主要宅基地周围。从空间变化来看，城区变化趋势与交通道路有关，且沿交通道路增加；减少情况主要在研究区范围的西部以及东南部，如乌龙滩、松坡山、老关山、张家岩头4 个村周围建筑物明显减少。

3.3 建筑物变化检测分析

基于两期影像解译的研究区土地覆盖成果，制作研究区土地覆盖转移矩阵，如表3 所示。由表3 可知，研究区建筑物转出面积为258.60 hm2，主要转出为耕地、植被和道路，其中50.11%转化为耕地，23.28%转化为植被，18.78%转化为道路。建筑物转入面积为378.66 hm2，建筑物的增加其中主要由植被和耕地转入，植被和耕地转入面积分别为177.08 hm2、145.05 hm2，转入占比分别为46.76%、38.31%，水体转入占比最少，为0.44%。

表3 草海研究区土地利用转移矩阵（单位：hm2）

通过对两期土地覆盖成果的土地覆盖结构进行分析，得出研究区土地利用结构表，如表4 所示，其中，数据正值为地物增加情况，负值为地物减少情况。从表4 可看出，建筑物总面积整体呈现增加趋势，由2015年的720.50 hm2增长到2020 年的840.57 hm2，建筑物净增值为120.06 hm2。

表4 研究区土地利用结构表（单位：hm2）

4 结论与讨论

本研究基于GF-1 遥感影像，结合研究区地物的光谱、形状、纹理、阴影等特征，运用面向对象的分类方法对草海研究区的建筑物进行分类提取，并对提取结果进行变化检测，得出以下结论。

GF-1 遥感影像的高分辨率便于快速有效地分辨地物类型，并有助于建筑物信息提取及变化监测的研究，使用GF-1 遥感影像作为数据源能够取得较好的目标地物解译效果。

本研究使用面向对象的分类方法整体分类效果较好，2015 年和2020 年的总体分类精度分别为81.38%和82.59%，Kappa 系数值分别为0.701 9 和0.703 5。分类精度结果表明，面向对象分类方法运用于高分辨遥感影像具有较好的地物分类效果。

2015—2020 年，草海保护区范围内的建筑物转入面积大于转出面积，且建筑物的总体面积呈扩张趋势，建筑物净增值为120.06 hm2。2015—2020 年，研究区建筑物转入面积为378.66 hm2，建筑物的增加其中主要由植被和耕地转入，转入面积分别为177.08 hm2、145.05 hm2，建筑物面积转出258.60 hm2，主要转出为耕地、植被和道路；转出面积分别为129.59 hm2、60.20 hm2、48.57 hm2。

本研究根据GF-1 遥感影像高分辨率的优点，对建筑物进行面向对象分类提取及变化检测，整体效果较好。但研究仅仅使用一种方法进行建筑物的分类提取，其分类结果存在错分、漏分等情况，下一步将对比其他分类方法，以最优分类结果进行变化检测研究。