基于Landsat影像的雄安新区2014～2018年土地利用变化检测

点击图片上方蓝色字体“慧天地”即可订阅

文章转载自地理信息世界GeomaticsWorld，作者：翟卫欣，程承旗，陈波，版权归原作者和刊载媒体所有。

作 者 信 息：

翟卫欣1，程承旗2，陈　波2

（1. 北京大学　前沿交叉学科研究院，北京　100871；2. 北京大学　工学院空天信息工程研究中心，北京　100871）

【摘要】雄安新区是继深圳经济特区和上海浦东新区之后又一意义重大的新区，该地区的土地利用变化研究具有重要意义。但目前对于雄安新区初建阶段的土地利用变化的研究比较有限。本研究基于2014、2018年的雄安新区的Landsat影像对土地利用类型先进行面向对象的监督分类，再对比分类结果进行变化检测。基于支持向量机和k近邻方法两种分类方式得到的结果表明：雄安新区的建成区的增长百分比约为17%～21%，农田比例降低4%～5%，闲置农田约有20%的比例转化为建成区。结合夜光遥感影像提升了分类精度，同时利用面向对象的方法解决了同谱异物和同物异谱的问题。本研究的区域选择具有时效性，紧贴国家千年大计，为相关决策者提供了宏观信息支持，为雄安新区其他的相关研究提供了参考。

【关键词】雄安新区；变化检测；支持向量机；k近邻

【中图分类号】P237 【文献标识码】A 【文章编号】1672-1586（2019）04-0038-06

引文格式：翟卫欣，程承旗，陈　波. 基于Landsat影像的雄安新区2014～2018年土地利用变化检测[J].地理信息世界,2019,26(4):38-43.

正文

0 引 言

变化检测是通过对地物或现象进行多次观测从而识别其状态变化的过程。基于多时相遥感影像变化检测技术已经广泛应用到城市研究、生态评估、经济调查等多个应用领域。我国政府也已经高度重视遥感变化检测技术在地理国情监测中的应用。实时精确地获取地表变化信息对于更好地保护生态环境、管理自然资源、研究社会发展,以及理解人类活动与自然环境之间的关系和交互作用有着重要的意义。

卫星遥感对地观测技术具有大范围、长时间和周期性监测的能力。因此,利用多时相遥感数据获取地表地物变化情况的变化检测就成为遥感技术出现最早、应用最广泛的研究领域之一。美国NASA的陆地卫星(Landsat)获取的遥感数据因其具有较高的空间分辨率(30 m)、较大的空间覆盖范围以及丰富的光谱信息和空间信息, 长期以来适用于城市相关的研究和应用。DMSP/OLS和NPP-VIIRS(National Polar-Orbiting Partnership's Visible Infrared Imaging Radiometer Suite)灯光数据具有独特的夜间低光探测能力可以反映人类活动信息的空间分布，常应用于大尺度的城市范围提取和变化分析研究。NPP-VIIRS数据的空间分辨率更高，并解决了DMSP/OLS数据的过饱和问题，但是由于发射时间较晚，目前基于NPP-VIIRS数据的研究数量相对有限。基于遥感图像的土地利用变化检测需要首先对不同时相的遥感图像根据其光谱特征进行分类。目前使用监督分类的效果总体来说优于非监督分类，也适合于对不同时相的地物类别进行判别。监督分类要求对所要分类的地区必须要有先验的类别知识，即先要从所研究地区中选择出所有要区分的各类地物的训练区，用于建立判别函数。本研究先分类再判定的思路对不同年份的地表覆盖进行监督分类，再对比不同年份的分类结果用于判断土地利用类型的变化。

本文选取面向对象的方法来对遥感图像进行地物的分类。面向对象的方法是一种基于目标的分类方法，这种方法不仅综合考虑光谱统计特征，而且可以充分利用影像的空间信息以及形状、大小、纹理、相邻关系等一系列因素，得到信息提取的结果。这种分类方法的最小单元是由影像分割得到的同质对象，而不是传统方法的单个像素。

中共中央政治局2015年4月30日召开会议，审议通过《京津冀协同发展规划纲要》。2017年4月1日，新华通讯社受权发布：中共中央、国务院决定设立河北雄安新区。雄安新区位于北京、天津、保定之间，交通便捷、资源环境承载力较强，生态环境较好、开发程度较低，具备高起点与高标准开发建设的有利条件。但目前对于雄安新区初建阶段的土地利用变化的研究比较有限。利用多时相获取的覆盖雄安新区的遥感影像及其他辅助数据来确定和分析该地区的土地利用变化对于评估雄安新区的建设速度与质量，制定符合当地情况的发展策略，以及从经济、生态、资源等多个方面进行监督和管理具有重要意义。

1　研究区及数据

1.1 研究区

本文以雄安新区作为研究区，如图1所示。雄安新区是国家级新区（副省级功能区），位于我国华北平原的东北部, 雄安新区涉及河北省雄县、容城、安新3县及周边部分区域，面积为1 557,经度跨度为115°38′9″～116°19′46″，纬度跨度为38°43′36″～39°10′17″，属于暖温带大陆性季风气候。雄安新区位于太行山东麓、冀中平原中部、南拒马河下游南岸，在大清河水系冲积扇上，属太行山麓平原向冲积平原的过渡带。全境西北较高，东南略低，海拔标高7～19 m，自然纵坡1‰左右，为缓倾平原，土层深厚，地形开阔。

图1　雄安新区的地理位置

Fig.1 The location of Xiongan New Area

1.2　数据及预处理

本文基于Landsat OLI(Operational Land Imager)/TIRS(Thermal Infrared Sensor)遥感图像提取和分析2014～2018年雄安新区的土地利用信息。选取2014年4月29日、2018年4月24日的Landsat OLI/TIRS多光谱数据，其对应的Landsat行带号均为LC08_L1TP_123033。对2个时相的OLI/TIRS图像进行几何配准,并保证配准的均方根误差小于0.6个pixel，之后进行了大气纠正。将2幅配准后的图像均裁剪成为1 714 531个pixel，对应面积是1 543。上述两个时相的图像数据的获取时间均为春季, 季相一致。该地区的地物类别包括建成区、水体、水田、农田、闲置农田、道路、裸土7类。对每个时相的Landsat图像分类所采用的训练样本和精度评价所用的检验样本见表1。同时, 选取该地区上述2014年4月和2018年4月两个月份的NPP-VIIRS灯光数据进行辅助检验，利用Wei等人研究的伪不变地物方法对两个时相的图像进行了校正，同时进行了重采样操作，使之与Landsat OLI/TIRS数据匹配，可以结合使用。

表 1 Landsat OLI/TIRS图像分类和精度评价所采用的样本（像元数）

Tab.1 Pixel numbers of the samples used in Landsat OLI/TIRS image classification and accuracy assessment

2　研究思路

本研究选取分类后比较的方法来进行土地利用变化检测，整体思路如图2所示。首先将Landsat多光谱数据的4、5波段用于归一化植被指数(NDVI, Normalized Difference Vegetation Index)的计算，1、2、3波段用于HIS颜色块转化作为辅助数据。同时把校正后的NPPVIIRS数据进行数据重采样。Landsat数据、辅助数据、重采样后的NPP-VIIRS数据在雄安新区矢量文件作为掩膜裁剪后的数据即为待分割数据。待分割的数据在经过基于边缘检测的分割算法和Full Lambda Schedule算法合并算法的处理后被分成了若干个单元。考虑到基于像元的图像分类会存在同谱异物和同物异谱的问题，本研究的面向对象的分类方式能够在一定程度上有效规避这些问题。道路在30 m分辨率的Landsat影像上往往是混合像元，而且光谱上道路（沥青或水泥）与城市建成区很相似，容易混淆，但是两者的形态上差别很大，道路的形状是细长型的，而建成区则是规则形状；同时，农田既可有植被覆盖、也可无植被覆盖，但是两者的纹理和形状均较为规则。

图2　整体思路

Fig.2 The overall framework for this study

本研究中，我们需在分割出的单元中选取部分作为样本，进行监督分类。同时在剩余单元中选取部分样本对分类结果进行检验。样本选取的依据见表2。

表2　样本选取依据

Tab.2 Sample selection principles

表2中纹理信息熵(Texture Entropy) 表示平均信息量，伸长度(Elongation)、圆度(Roundness)代表了图形和细长型、圆形的接近程度，其定义如公式（1）～（3）所示。

式中，Nd (i ,j )是图像d 中下标为i 、j 的数值，Major_Length 是分割单元的最小外包的长轴长度（km），M i n o r _ L e n g t h 是分割单元的最小外包的短轴长度（km），Area是分割单元的面积（）。

本文对2014和2018的图像在进行样本选取后，均选取两种监督分类的方法：基于支持向量机(Support Vector Machine, SVM)和基于k近邻(Kth-Nearest Neighbour)的分类方法。

支持向量机分类方法是最早的进行自动分类和专题信息的理论方法之一，它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以求获得最好的推广能力。

K近邻是通过测量不同特征值之间的距离进行分类。如果一个样本在特征空间中的k 个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

3　结果与讨论

3.1 分类结果

面向对象分类的基础是图像分割，在本研究中，2014年的数据被分割成了7 776个多边形，最大、最小面积分别为28 830 300和900；2018年的数据被分割成了6 945个多边形，最大、最小面积分别为22 729 500和900。

基于支持向量机方法和k近邻方法在2014和2018年的分类结果如图3所示，其中每一类地物的占比在图例中标出。在本研究中，支持向量机的核函数选用高斯核函数(即RBF核函数)，k近邻方法的阈值选取为5。

a 支持向量机 2014

a Support vector machine 2014

b 支持向量机 2018

a Support vector machine 2018

c k近邻 2014

c kth-nearest neighbour 2014

d k近邻 2018

d kth-nearest neighbour 2018

图3 两种方法的分类结果

Fig.3 Classification results of two methods

2014年和2018年基于两种方法的总体分类精度(OA )和Kappa 系数分别见表3，只利用Landsat图像的结果也在表3列出。利用了NPP-VIIRS数据作为辅助波段后，分类效果有所提高，而利用支持向量机和k近邻两种分类方法的分类效果比较相近。

表3　分类效果评估

Tab.3 Evaluation of classification

3.2 变化检测结果

利用支持向量机和k近邻两种方法进行变化检测的百分比见表4。表中的数值代表同一种地物的面积变化百分比（基于2014年），数值越大代表增加越多，数值为负代表总面积在减少。基于两种不同分类方法的土地利用类型转化统计如图4所示。图4a和图4c中每一条柱状图中的分段表示在2014年某一种利用类型的土地转化为2018年各类土地所占的比例。图4b和图4d中每一条柱状图中的分段表示在2018年某一种利用类型的土地来自于2014年各类土地所占的比例。

表4　2014～2018土地总面积变化百分比

Tab.4 Percentage of total land area change from 2014 to 2018

图4　基于两种分类方法的土地利用类型转化

Fig.4 Land use change based on two classification methods

本研究所选取的2014年和2018年分别代表雄安新区成立前和刚成立后的两个时相。总体来讲，雄安新区的中部地区有较大面积的水域，在水域周围分布着大片水田，建成区在中部较为集中。在本研究所使用的遥感图像所拍摄的时间中，在东部的农田基本处于闲置状态，在西部和南部的农田大部分处于耕种状态。从对比结果中可以观察到雄安新区当前的城市化进程并未突出在某一块或者某几块区域的集中变化，而是在整个区域内部的网状发展模式，而这一变化在新区的中部最为明显，如图5所示。2018年的建成区面积显著增加，增长百分比约为17%～21%。水体的面积显著减少，减少约一半，约25%～31%原来的部分转化为水田。在东北方向上，建成区土地利用出现了一定的减少，这符合雄安新区“城乡统筹、功能完善的组团式城乡空间结构”的空间布局设想。农田大部分依然保持为农田，闲置农田有约20%的比例用于城市建设。道路的面积虽然占研究区域面积的很小一部分，但是其功能性很强，增长比例很大。水田、农田、闲置农田三者在光谱特征上差别很大，但是从功能性上来讲三者属于一类地物，如果把水田、农田、闲置农田均视为农用地，则可以计算出2014到2018年的农用地比例降低4%～5%，这其中闲置农田地向建成区的转化最为明显。雄安新区的水体的覆盖面积在明显减少，但大多数是转化为水田，能够对雄安新区的水环境起到缓冲和保护作用。总体来讲，支持向量机和k近邻两种算法的结果比较接近，这是因为在样本在特征空间中分布异质化明显的时候，两类算法的结果具有较强的一致性。

a 支持向量机

a Support vector machine

b k近邻

b kth-nearest neighbour

图5　建成区、农田的变化空间分布图

Fig.5 Spatial expansion of built-up area and farmland

图5展示了建成区、农田这两个关键类别的土地利用的变化空间分布。总体来讲，建成区的扩张集中在雄安新区的边缘地区，如容城县西北部、安新县南部、雄县西部和东部。农田的扩张集中在距离大片水域较近的地区，如安新县大部分地区和雄县北部。两类算法的结果比较接近。在容城县西北角有小部分区块两类方法的判别建成区的扩张时存在差异，主要是因为该区块的纹理特征不明显，而形状特征与光谱特征与建成区很接近，在k近邻方法中被误分为裸地。

4　结束语

作为继我国深圳特区、上海浦东新区之后的又一具有全国意义的新区，雄安新区的发展吸引着全球的目光。雄安新区快速的城市建设过程对于研究城市问题很有意义。本研究区选择具有时效性，紧贴国家千年大计，在一定程度上为相关决策者提供宏观信息支持，研究具有一定的现实意义。本文选取面向对象的分类方法，利用支持向量机和k近邻两种算法基于遥感图像进行土地利用分类，然后对比两个年份的分类结果来研究雄安新区2014～2018年的土地利用变化过程。面向对象的方法能够有效地规避传统方法中同谱异物和同物异谱的问题，同时在研究过程中利用NPP-VIIRS数据作为辅助波段提高了分类的精度。结果表明两类不同的方法得出的关于土地利用变化结果差异较小，在个别地区k近邻算法存在建成区和裸土的误分类问题。雄安新区的城市建设用地在大量增加，增长百分比约为17%～21%。虽然雄安新区的建设目前仍处在刚起步阶段，但是土地利用变化的结果表明道路等基础设施的建设已经积极展开，水体部分减少。本研究填补了对于雄安新区的土地利用变化研究的空白，为雄安新区其他的相关研究和未来的政策制定提供了一定的参考。

荐 读 

编辑：呼慧珊    审核：张胜威 黄敏

指导：万剑华教授