基于Landsat遥感影像的土地利用变化动态监测

摘  要： 土地利用变化是土地资源利用情况的综合分析，遥感技术在土地利用变化的应用，更好的解决了大范围内土地利用变化动态监测的难题。本文基于Landsat影像，利用影像融合主成分分析法（PCA法）以及谷歌地球目视解译和最大似然法结合的方式进行监督分类，采用Majority/Minority分析对分类结果进行处理，通过混淆矩阵对分类的结果进行精度评估。运用遥感图像2001-2018年期间解译结果，对昆明市呈贡新区土地利用变化做出分析，以及对2001和2018年分类结果进行变化检测，结果表明，2001-2018年呈贡新区土地利用结构发生显著变化，城市建筑面积明显增多。

关键词： 最大似然法;土地利用變化;混淆矩阵;Majority/Minority分析

中图分类号： TP79    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.06.046

本文著录格式：郑怡鹏. 基于Landsat遥感影像的土地利用变化动态监测[J]. 软件，2019，40（6）：200203+222

【Abstract】： Land use change is a comprehensive analysis of land resources utilization， the application of remote sensing technology in land use change， Better solve the problem of dynamic monitoring of land use change in a wide range. Based on Landsat images， this paper uses the method of image Fusion principal component Analysis （PCA） and the combination of Google Earth visual interpretation and maximum likelihood method to supervise and classify， and uses Majority/Minority analysis to deal with the classification results， The accuracy of the classification is evaluated by the obfuscation matrix. Using the results of the interpretation of remote sensing images in the 2001-2018， this paper analyzes the land use change in Kunming Chenggong new area， and tests the changes of the classification results in 2001 and 2018， and shows that the land use structure of Chenggong new area has changed significantly in 2001-2018， and the urban floor space has increased obviously.

【Key words】： Maximum likelihood method; Land use change; Obfuscation matrix; Majority/Minority Analysis

0  引言

土地作为人类赖以生存以及社会发展的物质基础，为人类的社会经济活动提供了空间载体[1]，随着经济的发展，城市化进程的加快，土地利用结构变化很大的改变，遥感技术是当前土地利用变化监测的重要手段之一[2-3]，在土地利用遥感监测的研究中，常采用如GF[4]、Landsat[5-6]等中高分辨率的遥感卫星数据，黄维等运用改进后的主成分分析方法对南通市的土地覆盖变化进行分析[7]，采用影像差值和影像融合的方法，对同一地区不同时相的遥感数据进行分类比较分析，得出相同时间的变化结果[7]，文献[8]运用遥感分类技术检测出土地利用变化的格局变化，文献[9]运用Landsat影像有效检测出北京市城市土地利用变化的情况。

本文以昆明市呈贡区为例，结合该地区土地利用开发现状，运用Landsat5、Landsat8影像，基于最大似然法对遥感影像进行分类和目视解译进行监督分类，对分类结果运用Majority/Minority分析方法和混淆矩阵的方法对分类结果进行精度评价，得出2001-2018年昆明市呈贡新区土地利用各类型比例和变化幅度，以及运用分类后比较法对两幅分类影像结果进行差异性分析，分析识别出各土地类型发生的变化，为昆明市呈贡新区土地利用和扩张做出分析和参考。

1  研究区概况

本文以昆明市呈贡新区作为研究区。呈贡新区位于昆明市东南部，地处东经102°45?～102°59?、北纬24°21?～24°45?之间。北与官渡区接壤，东与宜良县交界，南与澄江、晋宁县毗邻，西隔滇池与西山区相望，地势东部高，西部低，海拔1775～1820米之间，2003年化为昆明市新城，大力开发呈贡新区建设，美丽的昆明大学城新校区坐落在呈贡新区。

2  数据来源和研究方法

2.1  数据来源

本次实验数据采用2001年、2006年、2010年、2015年、2018年呈贡新区遥感影像数据作为基础原始数据，辅助数据为呈贡新区行政边界矢量数据和其他统计数据等。

昆明市四季如春，植物发芽时间较早，故可以采用3-5月遥感影像数据，根据文章[10]郭力娜等，对影像最佳波段进行组合[11]，Landsat5常采用321波段自然真彩色和432波段标准假彩色543波段组合加彩色进行组合，Landsat8采用654组合假彩色和543标准假彩色进行组合[12]，更好的区分出地物类型。

2.2  研究过程和方法

本文研究过程如图1所示，首先对遥感影像进行辐射定标和大气校正，根据呈贡新区行政矢量数据，对处理后的遥感图像进行裁剪，选取ROI样本，采用最大似然法进行监督分类，并结合目视解译对分类结果进行修改，通过混淆矩阵对分类结果进行评价，然后根据分类的结果在ENVI5.3中進行变化检测，得出变化检测结果，通过对结果的分析，得出土地利用变化的范围和数量。

主成分分析（PCA）可以去除波段之间的多余信息、将多波段图像信息压缩到比原来波段更有效的波段转换方法，其结果如图2所示;辐射定标是实现无量纲的DN值与物理量直接的转化，大气校正能够减少或消除大气对遥感图像的影响，得到地表真实反射信息，经过大气校正的图像地物波谱反射明显正确，例如图3和图4是经过大气校正前后的植被波谱反射情况对比。

对辐射定标和大气校正之后的影像进行拼接裁剪，接下来要对影像进行监督分类，结合文章[13-14]首先在试验区定义训练样本，样本应均匀的分布在光谱特征比较均一的区域[15]，定义ROI，定义样本的数量大于60个，对定义好的训练样本进行计算，采用Jeffries-Matusita距离和转换分离度的方法进行计算，当样本分离度达到1.8以上时可运用该样本对遥感图像进行解译。图像解译完成后，需要对影像解译精度进行评价，本文基于混淆矩阵[16-17]对研究区地物分类精度进行评价，并查看Kappa系数，最后对土地利用进行动态监测，常见的有光谱检测法和分类后检测法[18]，但由于光谱监测法容易产生误差累积，故本文采用分类后检测的方式对土地利用变化进行监测[19-20]。

3  结果与分析

3.1  土地利用结果

本次实验采用最大似然法进行监督分类，最大似然法原理是假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归到似然度最大的一类当中（邓书斌）故样本的选择应该尽量均匀数量够多，通过目视解译作为参考，解译出呈贡新区土地利用分类结果，结果如下图5。

对解译结果进行精度检测，再次通过目视解译，选出感兴趣区域的训练样本，根据训练样本选取的样本点，与分类的结果进行比较，从而对分类的结果进行评价，评价结果得知精度是99.36%，Kappa指数为0.9189，评价表如下表1所示。

3.2  土地利用变化分析及检测

根据上图5的分类结果，对分类结果进行统计，统计结果如下图6所示。

分类后比较法对分类结果进行变化检测，变化检测的目的，为了表示出土地类型的变更，更好的对土地类型进行动态监测。结果如下表2。

数据分析：

（1）结合图5图6分析得出，从2006年起，房屋面积逐年增加从2006年的4.58%增加到2018年的15.37%，增加了3倍之多，，2001年到2006年期间却呈现了下降趋势，从2001年的6.12%下降到2006年的4.58%，存在这种问题的是，2003年研究区由以前的呈贡县化成昆明市呈贡新城，2006年开始规划为呈贡新区，进行大规模建设，导致以前居民点集中规划，故存在建筑面积短暂减少。

（2）结合表2和图6分析，耕地、绿地的地物分类正确率比较低，是由于研究区属于山区地带，土壤为红土，耕地作物分布比较零散，耕地和城市绿地与林地的可识别度比较相似，波谱反射率也比较相近，根据谷歌地球的辅助工具下进行目视解译，得出2006-2015年耕地面积变化不大。

（3）结合图5和图6分析，研究区从2001年到2018年期间，裸地荒地和房屋一直占据研究区主体地位的土地利用类型，两者呈现负相关的关系。裸地和荒地面积逐年减少，房屋和道路面积逐年增加。水体变化不大，林地面积，由于昆明“创文”过程中主导还林政策，林地面积也逐年增加。

（4）结合图6和表2，发现本次最大似然法进行监督分类，效果最好的是是林地，由于林地在山区都是大面积生长和绿色植物波谱特性决定，本次实验把耕地和城市绿地进行分类合并到一个类别中，从图5中发现，建筑和耕地绿地多数集中在呈贡新区西北部，林地面积多集中在东部，这也和呈贡新区的地理位置有关，西部靠近滇池，北部紧挨昆明市中心，人口比较集中，东部属于山区，林地多集中于此。

4  结论

本次研究采对选取的2001年-2018年间Landsat-5和Landsat-8共5幅遥感影像运用RS和GIS技术，使用ENVI中最大似然法监督分类的方法进行分类，首先对原始影像进行辐射定标和大气校正处理，目的就是更好的纠正地物波谱属性信息，然后选择样本进行分类，并对分类结果进行评价，从而对研究区分类结果进行统计。

研究表明，呈贡新区的林地面积没有发生大规模减少，一直维持在20%以上，森林覆盖面积很大，主要是和呈贡新区的地形有关，呈贡新区多山地，森林保护良好。从2006年开始，建筑面积明显增加伴随着道路面积的增加，主要是由于政府大力开发新区政策有关，自从2006年开始，政府大力开发新区的原因，使建筑面积和道路面积明显增多，从而随之而来的是裸地和荒地面积的减少，二者呈现负相关的关系。

本文仍然存在一些问题：首先分类的细致性问题，对建设中的用地总的规划到荒地中去，主要由于多光谱影像上波谱的分离度不高，而且在2015年之后建设面积不大，没有进行细致一步的分类。再次影像的分辨率不高，对地物的分类识别可能会有一定的影像。展望：对影像进行融合使分辨率提高，或者对影像进行分割，能够更好提高分类精度和细致度，可能会使分类结果更好。

总结：通过对遥感影像的解译，对研究区土地利用进行分类，分类结果和实际做出对比，可以发现，呈贡新区建筑物和道路增多是从2006年开始，这年呈贡从县规划成昆明市新区，加大了建设力度，从而导致房屋建筑和道路面积的增加，位置在呈贡新区西北部，此处地势相对平坦，以前多为农田和荒地。而林地多集中在研究区东部，由于地势为山地决定，水体变化不大，但也呈现相对减少。此次研究对呈贡新区18年的土地利用情况进行分析，为呈贡新区土地利用变化监测做出辅助依据。

参考文献

[1] 姚尧. 湖南省土地利用转型的时空演变特征及其与社会经济发展耦合协调机制研究[D]. 中国地质大学， 2018.

[2] 张登荣， 许思莹， 谢斌， 吴文渊， 路海峰. 近40年椒江—台州湾滩涂围垦土地利用变化的遥感调查[J]. 国土资源遥感， 2016， 28（01）： 101-106.

[3] Nuray Demirel， ?ebnem Düzgün， Mustafa Kemal Emil. Landuse change detection in a surface coal mine area using multi-temporal high-resolution satellite images[J]. International Journal of Mining， Reclamation and Environment， 2011， 25（4）.

[4] 丁相元， 高志海， 孙斌， 吴俊君， 薛传平， 王燕. 基于高分一号时间序列数据的沙化土地分类[J]. 国土资源遥感， 2017， 29（03）： 196-202.

[5] 陈仙春， 赵俊三， 陈磊士， 陈国平. 基于Landsat影像的玉溪市红塔区土地覆盖分类及变化分析[J]. 森林工程， 2019， 35（03）： 1-8.

[6] 赵孟云. 北京市植被覆盖动态变化与污染气体浓度关系分析研究[J]. 软件， 2018， 39（11）： 197-201.

[7] 刘生龙， 张永红. 基于遥感影像的土地利用变化检测[J]. 测绘与空间地理信息， 2018， 41（01）： 145-148.

[8] Darío Fernández‐Bellon， Mark W. Wilson， Sandra Irwin， John O'Halloran. Effects of development of wind energy and associated changes in land use on bird densities in upland areas[J]. Conservation Biology， 2019， 33（2）.

[9] 信冠栋， 施昆， 吕晓阳. 遥感动态监测模型在拉市海湿地保护区土地利用中的研究[J]. 软件， 2018， 39（4）： 170-175

[10] 曹丹阳， 霍然， 孙凌， 等. 卫星可见光波段观测模拟与分析系统设计与开发[J]. 软件， 2018， 39（3）： 01-07

[11] 郭力娜， 李帅， 张梦华， 牛振国， 李孟倩. 最佳波段组合的城市土地利用类型提取[J/OL]. 测绘科学： 1-9[2019-04-27].

[12] 吴倩雯， 况润元， 张刚华， 秦建. 东江源稀土矿区土地利用变化遥感监测研究[J]. 测绘科学， 2019， 44（03）： 51-56.

[13] 赵丽红. 南昌市景观格局时空变化及其驱动力研究[D]. 江西农业大学， 2016.

[14] 张春华， 李修楠， 吴孟泉， 秦伟山， 张筠. 基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取[J]. 地理科學， 2018， 38（11）： 1904-1913.

[15] 付仲良， 陈静. 多时相Landsat数据动态监测城市土地利用变化——以上海市为例[J]. 地理信息世界， 2016， 23（06）： 26-30+38.

[16] 李丹， 梅晓丹， 赵鹤， 田美玲， 翟慧， 罗雨斐， 蒙延斌. GF-1与Landsat-8影像土地利用遥感解译对比分析[J]. 测绘工程， 2018， 27（10）： 42-45.

[17] 赵桔青， 陶福寿. 基于GIS的城镇土地资源承载力评价[J]. 软件， 2018， 39（7）： 52-56

[18] 张思佳. 基于RS/GIS的长沙市土地利用和稳定性分析[J]. 软件， 2018， 39（7）： 124-129

[19] 赵展， 夏旺， 闫利. 基于多源数据的土地利用变化检测[J]. 国土资源遥感， 2018， 30（04）： 148-155.

[20] 陈艳艳， 黄义忠. 基于全排列多边形图示指标法的昆明市土地集约利用评价[J]. 软件， 2018， 39（7）： 138142.