基于遥感影像、先验知识的建设用地变化信息自动提取方法的关键要求是快速、及时、自动和准确, 图1示出其技术流程。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 技术流程Fig.1 Technical flow chart

1)建立稳定的地物样本库。利用历史土地调查成果、结合本底影像进行稳定地物样本库的建立。

2)几何精纠正/配准。将当前区域的正射影像与历史土地调查数据进行几何精纠正, 以保证影像与样本库数据的精确配准。

3)影像分割。

4)自动筛选训练样本。对当前区域的样本库进行检索, 同时关联影像评分, 动态、自动地筛选训练样本。

5)分类。利用训练样本对当前区域前后时相影像分别进行面向对象的分类

6)分类结果甄别。利用现状调查成果数据、规划数据对分类结果进行甄别, 去除错误的分类。

7)变化监测。去除碎小图斑(面积在3亩^①(①1亩=0.066 7 hm²)以下), 提取与建设用地密切相关的图层(建设用地图层以及裸地等); 利用变化矢量分析法^[9]得到建设用地变化图斑信息, 作为土地例行、审批、专项和巡回督察等外业调查的目标。

实现快速、及时、自动、准确的建设用地变化提取, 有3个关键技术: 稳定地物样本库的建立与更新、训练样本的动态自动化筛选和分类结果的自动甄别。

1.2.1 稳定地物样本库的建立与更新

1.2.1.1 稳定目标的选取与样本库的构建

本文提出利用多时相、多源先验知识进行稳定地物样本的选取和建库:

1)制定耕地、建设用地、河流以及林地等典型地物的稳定目标选取规则。例如, 对于基本农田数据, 国家规定其应长期稳定存在, 故在基本农田数据中选择耕地数据; 将桥梁、主干道路、政府所在地以及建制镇等中心点作为建设用地候选点; 对于水体, 则选择土地利用调查成果中的河流、水库及湖泊中心; 而林地主要选取土地利用调查成果中的有林地。依据上述稳定地物选取规则, 由计算机自动抽选区域内面积较大的各类图斑。

2)基于本底影像(多年份遥感数据)人工对上述自动选取的稳定目标进行补充和校验。一方面补充计算机自动选取较少的类别(如乡村区域的房屋等建设用地); 另一方面检查计算机自动抽选目标的正确性(因土地利用调查数据中并非全是严格的土地覆盖情况)。

3)经过1)和2)得到了稳定地物样本的初步目标, 对照空间查询审批数据作进一步筛选, 去除处于用地审批、供地备案、开发整理中的目标, 以保证所选目标不会在短期内发生变化。

4)利用当年卫星遥感数据库中的研究区最新遥感影像(现多为2013年国家下发数据)对所抽选的目标进行区域样本可分性计算, 提取满足可分性要求的目标图形中心点。

5)采取人机交互方式, 对比目标图斑在多年份遥感数据中的表观性质, 结合土地利用总体规划, 对目标图形中心点进行人工辅助再筛选, 以保证入库样本的正确性。其具体过程如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 稳定地物样本选取流程Fig.2 Stable object sample selection

为提高数据库的通用性, 对所选图斑取其图形中心点作为主要记录信息, 按照数据库设计的字段统一存储管理。数据库的属性结构设计见表1。

表1

Tab.1

表1(Tab.1)

表1 样本库属性结构 Tab.1 Attribute structure of sample database 字段名 字段含义 类型 描述 CLASS_ID 类别代码 String 类别代码 CLASS_NAME 类别名称 String 类别名称 EXAMPLE_ID 样本编号 String 样本唯一编号 EXAMPLE_X 样本X坐标 Double 样本点X坐标 EXAMPLE_Y 样本Y坐标 Double 样本点Y坐标 SYPS 使用频数 Long 当前点使用次数 FWCS 访问次数 Long 当前区域分类次数 BZ 备注信息 String 其他信息

表1 样本库属性结构 Tab.1 Attribute structure of sample database

1.2.1.2 样本库的自动更新

地物样本的稳定性是相对的, 库中样本并不能保证长期有效, 因此在固定更新年限(如3 a)的情况下, 需具备自动更新机制。样本库以使用频率(由使用频数(SYPS)和访问次数(FWCS)计算得到)字段作为自动更新的依据。鉴于每次分类使用的训练样本均需通过样本可分性检查, 通过检查的样本, 使用频数累加, 得到该样本作为训练样本用于分类的次数, 即使用频数(SYPS)。同时, 访问次数(FWCS)记录主程序对该区域样本库的访问次数, 亦即当前区域督察次数。由使用频数和访问次数得到当前区域每个样本作为训练样本的使用频率。低频样本说明其未被经常使用, 可能已经发生变化, 这样的样本会在样本库自动更新中去除。

稳定地物样本库的建立主要是为了提高变化图斑信息提取的自动化程度, 一旦影像数据更新, 在没有人工参与的情况下可自动完成变化分析。

1.2.2 训练样本的动态自动化筛选

稳定地物样本库提供候选样本。在分类前, 结合当前影像, 经过动态自动筛选得到用于分类的训练样本。

对训练样本一般从3个方面评价其优劣: ①数量是否合适; ②种类是否完备; ③可分性是否良好^[10]。薄树奎等^[11]指出, 面向对象分类方法的样本数量在2~3倍于波段数目(N)时, 分类精度即能达到较高的水平并进入平稳阶段。为保证特征学习的充分性, 本文每类选择9 N的训练样本进行分类。故构建样本库时, 要求各个类别样本数量至少达到15 N, 以保证训练样本自动筛选程序的正常运行。

为了正确发现建设用地的变化信息, 本文参照土地利用分类系统, 结合研究区具体情况^{[12, 13]}, 将主要地物类别分为建设用地(包括房屋等人工建筑和道路)、水面(坑塘、河流、水库等)、林地、耕地和其他(裸地、沙地等未利用地)共5类。

训练样本在特征空间的可分性是样本质量的表征。良好的可分性要求各个类别在特征空间中有比较明显的界限^[14]。一般用Jeffries-Matusita(J-M)距离和转换分离度(transformed divergence, TD)衡量类间分离度, 要求J-M距离大于1.38, 转换分离度大于1.9^[7]。

由于训练样本在数量、种类和质量上有上述要求, 动态自动训练样本筛选首先在数据库中查询该区域稳定地物的位置, 随机选每类9 N的点, 同时套合当前区域分割影像, 得到原始训练样本; 然后关联影像数据计算样本可分性, 如不满足要求, 则替换部分样本, 直到找到满足质量要求的训练样本为止。而稳定地物样本库中存储对象中心点的位置信息是为了关联新影像, 动态自动选择训练样本; 通过中心点位置找到分割影像中对应的对象, 避免由于数据原因造成的分割差异导致的训练样本与分割影像无法套合及辐射环境不同导致的训练样本无法拓展^[15], 提高数据库的通用性。

1.2.3 分类结果的自动甄别

为了达到高精度的建设用地变化图斑自动化提取的要求, 本文提出使用土地利用现状数据和规划数据对建设用地变化图斑进行甄别, 以提高发现建设用地变化的准确性和及时性。

遥感分类的结果不可避免地会出现部分错分, 为了保证大范围的高可靠性自动化精准督察, 在不可能人工对全区域结果进行全面解译和审查的情况下, 引入最新土地利用现状数据和规划数据实现计算机对错误分类结果的有效甄别, 以提高建设用地变化信息提取的可靠性。

本文对上述方法的有效性设计了对比实验, 在所有实验条件(样本、参数、分类器等)都相同的情况下, 分析是否引入先验知识进行分类结果甄别对于变化信息提取的影响, 以验证辅以土地利用调查成果数据对提高建设用地变化信息提取可靠性或精度的作用。

以2013年8月2日和2014年1月23日获取的资源三号卫星正视全色TDI CCD数据为实验数据, 其空间分辨率为2.1 m, 并融合了同时获取的6 m分辨率的多光谱数据。

通过对多组分割参数的实验比较, 本文确定影像分割采用的边界尺度的经验值为36。图3示出局部影像的分割效果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 影像分割Fig.3 Image segmentation

本文以建设用地变化为例, 在特征选择时, 除常用的光谱和纹理特征^[16]外, 还针对建设用地的特征适当增加了形状信息^[17]。所选特征包括光谱均值、光谱标准差、光谱最大值和最小值、纹理范围、纹理均值、纹理方差和信息熵、紧密性、凹凸性、形状指数、延伸性以及类矩形性。分类器均使用K近邻分类器(K-nearest neighbor), 利用以上特征, 设置权重为5, 进行最近邻分类。

为了验证样本库样本的可重复使用性及辅以土地利用调查数据对提高变化信息提取的可靠性, 本文按照图1所示的技术流程和传统分类后变化监测(无土地利用调查数据辅助的监测)分别实验, 研究建设用地变化图斑的提取效果。在无人工后处理的情况下, 分别得到如下实验结果(图4)。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 实验数据与结果Fig.4 Experiment data and results

从图4可以看出, 2景影像在数据质量和成像效果上均有很大差别, 但对于利用稳定地物样本库自动筛选出的训练样本, 不论是从可分性还是分类效果上, 训练样本均有效, 说明自动选取训练样本的模式可行。事实上, 笔者在多个时相、多个研究区的实验中发现, 这种训练样本自动选取机制均有效, 大大提高了监督分类的自动化程度。因植被与耕地在影像上有相似之处, 两者之间的可分离度偏低, 因此, 对于具有相似特征地物的分离标准有待进一步研究。2个时相的训练样本可分性如表2所示。

表2

Tab.2

表2(Tab.2)

表2 样本可分性 Tab.2 Sample separability 地类 2013年样本可分性 2014年样本可分性 J-M 距离 转换分离度 J-M 距离 转换分离度 建设用地 耕地 水体 植被 建设用地 耕地 水体 植被 建设用地 耕地 水体 植被 建设用地 耕地 水体 植被 建设用地 - 1.81 1.79 1.71 - 1.99 1.99 1.99 - 1.71 1.78 1.72 - 1.99 1.98 1.98 耕地 1.81 - 1.96 1.42 1.99 - 1.99 1.90 1.71 - 1.87 1.46 1.99 - 1.99 1.90 水体 1.79 1.96 - 1.89 1.99 1.99 - 1.99 1.78 1.87 - 1.79 1.98 1.99 - 1.99 植被 1.71 1.42 1.89 - 1.99 1.90 1.99 - 1.72 1.46 1.79 - 1.98 1.90 1.99 -

表2 样本可分性 Tab.2 Sample separability

为了评估分类结果, 本文将土地利用现状图(图4(c))分别与2个时相的分类结果(图4(d)和(e))叠置, 结合目视解译, 选择了5 920个检查点(图4(f), 其中, 建设用地1 678个, 耕地1 115个, 水体537个, 植被2 553个, 其他类型地物37个), 建立混淆矩阵, 评估分类精度(表3)。

表3

Tab.3

表3(Tab.3)

表3 分类精度 Tab.3 Classification accuracy 2013年 2014年 生产者精度/% 使用者精度/% 总体精度/% Kappa 生产者精度% 使用者精度% 总体精度/% Kappa 建设用地 57.03 92.55 81.23 96.33 耕地 75.16 88.58 80.743 2 0.715 5 73.18 83.10 84.729 7 0.777 2 水体 92.36 73.48 83.24 67.02 植被 97.38 77.66 93.46 84.61

表3 分类精度 Tab.3 Classification accuracy

利用样本库动态自动筛选训练样本直接对2014年遥感数据进行分类, 仍然能保证80%以上的总体分类精度以及0.7以上的内部一致性(Kappa系数), 说明训练样本的自动化选取可行。笔者在多个实验区实验均得到了相同结论。需要说明的是, 2013年建设用地的生产者精度偏低的主要原因是由于图像上有云层覆盖所致。

辅以土地利用现状和规划数据对2个时相影像的分类结果进行甄别, 去除碎小图斑, 得到变化图斑493个。对变化图斑进行人工判断, 其中真实变化的有225个(占45.64%), 疑似变化的(如耕地种植变化导致的土壤裸露、冬季加盖大棚等不属于建设用地的变化)134个(占27.18%)。即建设用地变化图斑的正确率达72.82%, 新增建设用地变化图斑的正确率达45.64%(表4和图5)。

表4

Tab.4

表4(Tab.4)

表4 辅以土地利用现状数据的建设用地变化提取正确率 Tab.4 Accuracy of construction land change detection aided with land-use data 建设用地 真实变化 疑似变化 伪变化 变化图斑数量/个 225 134 134 所占比例/% 45.64 27.18 27.18

表4 辅以土地利用现状数据的建设用地变化提取正确率 Tab.4 Accuracy of construction land change detection aided with land-use data

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 辅以土地利用现状数据的建设用地变化提取Fig.5 Construction land truly changed area extraction aided with land-use data

从采用传统方法提取的建设用地变化结果中取出900个变化图斑进行人工判释发现, 其中真实变化图斑148个(占16.44%), 而77%的变化图斑均为伪变化; 变化监测提取的正确率仅为33%, 不足新方法的一半, 且新增建设用地的检测正确率不足新方法的1/3(表5和图6)。

表5

Tab.5

表5(Tab.5)

表5 传统建设用地变化提取正确率 Tab.5 Accuracy of construction land change detection using traditional method 建设用地 真实变化 疑似变化 伪变化 变化图斑数量/个 148 59 693 所占比例/% 16.44 6.56 77

表5 传统建设用地变化提取正确率 Tab.5 Accuracy of construction land change detection using traditional method

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 传统方法提取的建设用地真实变化区域Fig.6 Construction land truly changed area extraction using traditional method

通过对比分析可知, 本文方法对建设用地变化信息提取的可靠性有了大幅度提高。另外, 利用本文方法得到的靶区, 在其他研究区开展了外业调查, 违法用地的正确查出率达95%以上(3处外业调查中, 正确建设用地变化图斑数目与外业调查目标总数之比分别为40:42, 8:9和5:5)。

特别要指出的是, 在具备稳定地物样本库的情况下, 由于减少了对新时相影像样本选取的时间, 对单个县市的自动化建设用地变化提取平均耗时仅需2 h左右。因此, 保证影像数据的更新频率, 可大大提高土地督察的实时性。