在基于土地利用数据和前后时相遥感图像的地块辅助新增建设用地变化发现中, 前时相土地利用数据记录了该时间点的土地利用现状情况, 数据包含了每一地块的位置、边界、长度/面积、地类代码、行政区划等内容; 前后时相遥感影像主要记录各像素对应地面范围内的光谱值, 代表前、后2个时间点的土地覆盖情况。理论上讲, 地块先验知识和遥感数据越多, 新增建设用地发现的判断依据越多, 变化发现的正确概率就越大。据此, 根据土地利用数据和前后时相遥感图像的优势^[7], 地块辅助的新增建设用地发现技术流程如图1所示。

图1

Fig. 1

	Figure Option ViewDownloadNew Window
	图1 地块辅助的新增建设用地发现技术流程Fig. 1 Flow chart of new constructed land change detection supplemented by land use data

首先, 对前后时相遥感图像进行辐射归一化, 使两期图像上同一位置相同地物的灰度值相近, 便于后续针对变化发现的影像灰度特征统计; 然后, 采取面向对象的思想, 根据土地利用地块的编号, 以地块为基本单元, 统计地块内前后时相影像的特征, 用于特征向量构建; 最后, 将每个地块前后时相影像的全部特征组合为特征向量, 计算特征向量的距离, 按非监督分类思想, 通过自适应阈值方式提取特征距离较大的地块, 实现新增建设用地发现。

从图1可以看出, 变化阈值的确定与特征距离直接相关, 而特征距离又由特征构建方法决定。因此地块特征构建对新增建设用地发现精度至关重要, 为尽量消除各种干扰因素造成的“ 伪变化” 的影响, 提高变化发现的正确率, 研究合适的特征构建方法尤为重要。

针对土地利用变化检测, 目前已研究了较多的特征构建方法。刘臻等^[8]提出基于梯度、纹理相似度验证的变化检测方法, 袁修孝等^[9]综合应用光谱和纹理特征进行建筑物变化检测。然而, 土地利用动态遥感监测与土地利用变化检测有一定的区别, 前者重点关注城乡结合部新增建设用地及其占用耕地、非耕农用地等情况。通常情况下, 在城乡结合部, 建设用地主要由大面积建筑物、水泥地、空地、小面积草地等组成; 耕地在植被生长期主要由大面积植被、小面积田埂等组成; 在植被收割后主要由大面积土壤组成; 非耕农用地主要由大面积园林草地或裸地以及农业设施组成。因此, 应优先选择能有效区分建设用地、耕地、非耕农用地及其包含土地覆盖地物类型的特征。高分辨率光学图像通常具有很多特征, 地物变化在图像上反映为光谱、指数、纹理、区域统计等特征的变化, 而面向对象的思想符合目视解译的思路, 因此以地块为基本单元的面向对象特征是遥感图像变化发现的主要依据, 下面分析几种典型特征。

1)光谱特征。指地块内所有像元的灰度平均值, 对于多波段影像, 光谱特征数与图像波段数相同, 地块内光谱特征如式(1)所示, 即

D_ij= 1Ω(j)∑p∈Ω(j)IMG_i(p), (1)

式中: IMG_i为高分辨率光学影像IMG第i个波段的灰度值; D_ij为IMG_i上土地利用数据中编号为j的地块内的平均光谱特征; p为IMG_i的像元; Ω (j)为土地利用数据中编号为j的地块范围。通常情况下, 建设用地对各波段的反射率均较高, 光谱特征值较大。对于耕地, 生长期的植被对红外波段反射率较高, 光谱特征值较大, 收割后土壤对各波段反射率较低, 光谱特征值普遍较小。所以光谱特征能较直接地区分建设用地、耕地和非耕农用地, 用于发现新增建设用地效果显著。

2)植被指数特征。是表现地块内植被覆盖强度的重要指标。常用的归一化植被指数(normalized differential vegetation index, NDVI)可通过近红外与红色波段运算获得, 即

(2)

式中: NDVI_j 为地块j的平均植被指数特征; NIR为近红外波段的反射值; RED为红色波段的反射值; NDVI为植被指数图像。通常来说, 植被生长期的耕地由于植被较茂盛, 植被指数特征值较高, 植被收割后较低, 非耕农用地视地物覆盖情况及作物生长情况, 植被指数特征值差异较大。植被指数特征用于发现新增建设用地, 也能取得显著效果。

3)纹理特征。指地块内地物灰度分布的空间特征。常用的灰度共生矩阵(gray-level co-occurrence matrix, GLCM)是一种统计纹理分析方法^[9], 通常有能量、熵、标准差、局部均匀性和对比度等纹理特征值。以地块内纹理对比度特征为例, 计算公式为

Con_ij= ∑q1=1L ∑ q2=1L(q₁-q₂)²GLCM_ij, (3)

式中: Con_ij表示第i波段地块j的对比度特征; L为图像灰度等级; GLCM_ij为第i波段地块j内的灰度共生矩阵; q₁, q₂分别表示灰度。对比度体现图像清晰度、纹理强弱。纹理沟纹越深, 视觉效果清晰, 纹理对比度特征值越大, 反之越小。耕地无论是生长期还是收割后, 灰度较均一, 纹理对比度特征值较小, 非耕农用地由于覆盖类型的不同, 对比度特征值差异较大。建设用地普遍表现为多种灰度共存, 纹理不太规则。对比度通过间接统计值反映了图像的清晰度和纹理脊、谷深浅程度, 可以较好地判别新增建设用地居民区等特征。

4)区域统计特征。是指图像局部区域内灰度的异质度, 常用的区域统计特征有梯度和方差, 分别为

G_ij= 1Ω(j)∑p∈Ω(j)G_i(p), (4)

Var_ij= 1Ω(j)∑p∈Ω(j)(p-mean_ij)²。 (5)

式中: G_ij表示第i波段地块j的平均梯度特征; G_i为第i波段的梯度图像; Var_ij表示第i波段地块j的方差特征; mean_ij为第i波段地块j的灰度均值。区域内灰度的变化越剧烈, 区域统计特征值越大, 反之越小。所以梯度和方差特征可以较好地判别新增建设用地。

综上可知, 基于地块内逐像元计算的光谱特征能较直接地代表建设用地、耕地、非耕农用地的特征, 植被指数特征能较直接代表建设用地、生长期的耕地、非耕农用地的特征, 基于地块内空间统计的纹理、梯度、方差等能一定程度地反映3种地类的特征。因此下文中将基于地块的光谱特征、植被指数特征作为基本特征, 分别补充纹理、梯度和方差等特征, 进行面向新增建设用地的地块特征构建。

图3分别为基于D& NDVI, D& NDVI& Con, D& NDVI& G, D& NDVI& Var特征的新增建设用地发现结果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 基于不同特征的新增建设用地发现结果Fig.3 Results of new construction land change detection using different block characteristics

可以看出, 图3(a)中, 大多数变化区域都能较有效地检测出来, 漏检图斑主要为变化像元占总像元数较少的大面积地块(如图3(a)中黄框所示), 说明D& NDVI能较好地描述小面积新增建设用地、变化比例较大的大面积新增建设用地的特性。图3(b)对于地块内部全部或绝大部分变化的新增建设用地检测较为准确(如图3(e)和(f)绿框所示), 但对于地块内部部分变化的情况效果不理想(如图3(e)和3(f)黄框所示), 主要原因是Con主要针对纹理深浅变化较大的情况, 仅有部分变化时, 特征变化差异并不十分显著, 说明该特征对细微变化的发现能力不强。图3(c)发现的变化信息较少, 漏检较多(如图3(c)中黄框所示), 且发现的新增建设用地大多为未变化的耕地, 效果不佳。图3(d)发现了一定量的变化信息, 但漏检同样较多(如图3(d)中黄框所示)。

采用正确率M定量评价不同特征发现结果^[10], 即

M= T/ ( T + F), (6)

式中: T是检测为新增建设用地且经验证为新增建设用地的个数; F是检测为非新增建设用地但经验证为新增建设用地的个数。评价结果如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同特征构建方法的新增建设用地发现精度Fig.4 Change detection accuracy of different characteristics

从图4中可以看出:

1)各不同特征构建方法的新增建设用地发现正确率由高到低依次是:D& NDVI, D& NDVI& Var, D& NDVI& Con, D & NDVI& G。单纯使用面向地块的光谱(D)和植被指数(NDVI)特征, 正确率能达到83%, 远高于加入其他特征后的精度, 这与目视结果相符。

2)以光谱与植被指数特征为基础, 加入其他特征后反而会影响发现的正确率。这是由于多特征的加入, 基于特征向量欧氏距离削弱了建设用地与耕地、非耕农用地等的特征距离, 在基于特征距离的非监督变化发现时部分新增建设用地被作为未变化地块予以剔除, 导致漏检。

为更深入比较不同变化发现结果, 选取局部图像进行比较, 如图5所示。其中图5(a), (b)为卷帘显示的前、后2个时相的变化地块, 上面一行为前时相图像, 下面一行为后时相图像, 分别框选出局部黄色部分来观察。图5(c)— (f)分别为4种不同特征组合检测到的变化图斑, 黄色框内可以直观看出各不同方法的检测情况, 绿色覆盖处为不同特征组合局部检测图斑。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 新增建设用地发现结果局部比较Fig.5 Local comparison of new construction land change detection using different characteristics

由图5可见, D& NDVI发现结果虽然效果较好, 但也少量有遗漏地块。增加其他特征后, 部分遗漏的地块能较好发现。对变化地块一, 只有增加了Con特征的方法才能够发现, 究其原因, 该地块中园林地在不同年份生长状况、种植情况均不同导致纹理深浅不一致, Con特征对这类变化有较高的针对性, 引入该特征后能有效发现该变化地块。对于变化地块二, 该地块是较大范围的耕地转变为建设用地, G和Var特征相对于D和NDVI特征, 能较好地体现这类变化。