基于高分辨率遙感影像的張店區(qū)土地利用變化研究

趙劍橋

(中國農業(yè)大學 信息與電氣工程學院，北京 100083)

土地利用與土地覆蓋變化是20世紀90年代以來全球變化與探討的重要內容[1]，其中，土地利用主要表現(xiàn)為土地用途轉移和土地利用集約度的變化，側重于土地的經濟屬性；土地覆蓋主要表現(xiàn)為土地質量與類型的變化和土地屬性的轉變，側重于土地的自然屬性[2].無論側重于哪個角度，土地類型的變化都深受人類活動的影響.

土地利用變化的動態(tài)監(jiān)測，能夠有效反映土地利用情況的變化程度，從而為土地管理提供決策依據(jù)，適時調節(jié)土地規(guī)劃整治力度.隨著GIS和RS技術的發(fā)展，為土地利用研究提供了豐富的數(shù)據(jù)源和研究手段，也是當前土地利用研究的主流方向.遙感影像具有周期短、現(xiàn)實性強、可信度高等優(yōu)勢，可直接作為土地利用的信息數(shù)據(jù)源，而GIS為土地利用數(shù)據(jù)提供強大的收集、整理、分析等功能.尤其是近些年，出現(xiàn)了各類高分辨率影像，為土地利用研究提供了較為理想的數(shù)據(jù)源.高分辨率遙感影像彌補了低分辨率影像的缺憾，提供了更為細致準確的地物的紋理、形狀、大小、顏色等特征信息，提高了未知地物的區(qū)分度，提取得到的土地覆被信息更具精確性與現(xiàn)勢性[3].在影像對象分類上，目前常用的方法是“監(jiān)督分類”和“基于規(guī)則(知識)分類”.其中，基于規(guī)則(知識)分類是根據(jù)影像對象的屬性和閾值來設定規(guī)則進行分類，主要有傳統(tǒng)基于光譜的分類方法、基于專家知識決策樹的分類方法和面向對象的分類方法.面向對象的分類方法主要適用于高分辨率多光譜的影像，其能綜合考慮光譜、結構、紋理等多種因素，有效提升高分辨率遙感影像的分類精度，具有較好的分類效果.

本研究主要從城市發(fā)展中土地類型變化進行分析，側重于土地的經濟屬性，所以選擇土地利用變化角度進行研究.以淄博市張店區(qū)的2011年、2013年WorldView-2高分影像和2016年高分二號(GF-2)影像數(shù)據(jù)作為數(shù)據(jù)源，采用面向對象的高分辨率遙感影像多尺度分類方法，提取地物分類信息，分析張店區(qū)2011年到2016年土地利用變化情況.

1 研究區(qū)概況

張店區(qū)位于北緯36°4′30″-36°54′00″，東經117°55′40″-118°12′20″，位于山東省淄博市中部，是淄博市的中心城區(qū)，是淄博市的政治、經濟、文化、金融和科技中心.

張店區(qū)位于淄博向斜盆地東麓的北緣，處于低山丘陵區(qū)向黃泛平原過渡地帶，總的地勢東高西低，南高北低，較為平緩.平原面積占全區(qū)土地總面積的72.43%.東北部有一呈北東走向的山體，主峰為黑鐵山，海拔高度254.6 m，為張店區(qū)最高山峰.境內有孝婦河、豬龍河、澇淄河、漫泗河等主要河流，除豬龍河西北向外，其余均為過境北向河流.

張店區(qū)地處暖溫帶季風型半干燥半濕潤大陸性氣候區(qū)，季節(jié)變化顯著，四季分明，雨量集中，氣候溫和.境內常年平均氣溫為12.9 ℃，年均降水量621.8 mm，年日照時數(shù)平均為2553.6 h，年平均無霜期為190 d，光照充足，熱量充沛，氣候適宜.農業(yè)一年兩收，主要以冬小麥和玉米為主，2014年，全區(qū)農作物播種面積為4 165.87 hm2，其中糧食作物播種面積為3 881.07 hm2.

2 遙感數(shù)據(jù)

WorldView-2衛(wèi)星是由美國DigitalGlobe公司于2009年10月發(fā)射成功的，能提供分辨率為0.5 m的全色影像和8個波段的1.8 m多光譜影像.GF-2衛(wèi)星是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星，于2014年8月成功發(fā)射，能提供分辨率為1 m的全色影像和4個波段的分辨率為4 m多光譜影像[4]. 國產GF-2具高分辨率，對地物信息展示更清楚、更穩(wěn)定，為地物信息的高精度提取提供了新的契機.WorldView-2和GF-2遙感影像數(shù)據(jù)主要參數(shù)見表1.本研究主要選用的數(shù)據(jù)為2011年11月14日、2013年11月5日WorldView-2遙感影像和2016年11月10日GF-2遙感影像.11月份張店區(qū)正值秋末冬初，天空晴朗，云霧稀少，耕地農作物主要以冬小麥為主，較易區(qū)分.

表1 WorldView-2和GF-2遙感影像數(shù)據(jù)主要參數(shù)Tab.1 Main parameters of WorldView-2 and GF-2 remote sensing image

3 數(shù)據(jù)處理和分類方法

3.1 數(shù)據(jù)處理

利用ENVI軟件分別將WorldView-2和GF-2影像進行多光譜和全色分辨率融合，得到0.5m和1m空間分辨率的融合影像.

以張店區(qū)地形圖為基準對三幅影像圖進行幾何糾正，選擇投影為UTM投影，帶寬為3，代號為39.

以張店區(qū)矢量行政界線圖為范圍，對影像進行裁剪，得到研究區(qū)影像,如圖1、圖2、圖3所示.

圖2 裁剪后的張店區(qū)2013年WorldView-2影像圖Fig.2 Post-crop WorldView-2 image of 2013 Zhangdian district

圖3 裁剪后的張店區(qū)2016年GF-2影像圖Fig.3 Post-crop GF-2 image of 2016 Zhangdian district

3.2 分類方法

3.2.1 植被和耕地提取

由于植被在紅波段具有比較強的吸收能力，而且在近紅外波段又具有較強的反射，因此能夠通過歸一化植被指數(shù)(NDVI)對植被進行提取[5].

張店區(qū)11月份綠色植被尚綠，農作物和其他植被不易區(qū)分，但農作物生長在耕地上，會有一定的形狀規(guī)則，一般為矩形，可以通過幾何特征將耕地農作物和其他植被進行區(qū)分提取，耕地農作物的面積將作為耕地面積進行提取.

WorldView-2影像中選擇第5波段和第7波段，GF-2影像選擇第3波段和第4波段進行NDVI運算，NDVI值為正值便為植被覆蓋區(qū)，耕地可以根據(jù)分割后對象緊致度(C)來進行提取，即C=Lv·Wy/#Pv(C為緊致度，Lv為分割對象長度，Wy為分割對象寬度，#Pv為分割后對象像元總數(shù))，此時選擇分割尺度為25，顏色參數(shù)為0.9，形狀參數(shù)為0.1.

3.2.2 水系提取

對于水體而言，在近紅外波段吸收最強，在綠波段反射最強，可以利用歸一化水體指數(shù)(NDWI)對水體進行提取.

WorldView-2影像中選擇第3波段和第8波段，GF-2影像選擇第2波段和第4波段進行NDWI運算，將提取的植被信息進行掩膜處理，在非植被區(qū)進行再分割，利用NDWI提取水體信息.分割尺度設定為120，顏色參數(shù)為0.2，形狀參數(shù)為0.8.

3.2.3 道路提取

道路主要是一條狹長的區(qū)域，可以通過分割對象的形狀信息對道路進行提取[6]，利用分割影像的長寬比(L/W)來判斷道路.分割尺度設定為100，顏色參數(shù)為0.2，形狀參數(shù)為0.8.

3.2.4 建筑物提取

建筑物提取是解譯中比較困難的部分，建筑物形狀、光譜特征，相差各異，不易提取或提取誤差較大.本研究的主要目的是分析土地利用變化情況，建筑物的多少與面積并不是最終需要的結果，可以通過獲取建筑物來判斷城市位置，通過人工修補的方法獲得最終建設用地面積.

對于高亮建筑，利用其在影像中發(fā)白發(fā)亮的特點，利用高亮度Brightness這一光譜特征，設置閾值進行提??；對于藍色房頂和紅色房頂?shù)慕ㄖ闷湓趩蝹€波段上高反射的特點，利用波段均值設定閾值進行提取[7]；對于形狀規(guī)則的建筑，利用其幾何特性進行提取.分割尺度設定為100，顏色參數(shù)為0.4，形狀參數(shù)為0.6.

3.2.5 提取精度評價

在原始影像上隨機抽取測試樣本，選取的測試樣本要分布均勻，數(shù)量充足，以提取土地類型為基礎，每個類型選100個，將測試樣本與提取圖層進行疊加，計算誤差矩陣，判斷提取精度.

3.2.6 解譯結果修正

將各提取圖層與原始影像進行疊合，結合目視解譯法對解譯結果進行人工檢查修正，旨在去除明顯解譯錯誤，提高影像解譯的精度.檢查修正過程中主要做好4項工作：一是去除解譯建成區(qū)中的耕地.主要是由于一些藍色和綠色房頂?shù)慕ㄖ飼谥脖惶崛≈幸徊⒈惶岢?二是補錄屬性明顯的耕地.部分耕地屬性明顯，但由于形狀不規(guī)則而未被提取.三是去除道路提取圖層中被一并提取的建筑物.四是將提取的建筑物作為定位基礎，結合原始影像，利用人工補繪和區(qū)域合并得到建設用地范圍.

4 結果分析

4.1 提取精度分析

表2 精度評價統(tǒng)計表Tab.2 Statistical table of accuracy evaluation

通過測試樣本與提取樣本進行對比，得到提取精度，見表2.2011年、2013年和2016年的提取地物總精度分別為86.56%、84.69%和83.89%，Kappa系數(shù)分別為0.82、0.80和0.77，表明提取地物和實際地物具有高度的一致性，可以進行分析.

4.2 土地利用變化情況

利用面向對象多尺度提取方法，經過整理得到張店區(qū)2011年、2013年和2016年土地利用分類圖，如圖4、圖5、圖6，并得到三年的土地利用類型面積及其所占比例，見表3.

通過三年的分類結果圖可以看出，張店區(qū)2011年建設用地面積為165.81 km2，占全區(qū)土地利用面積的46.01%以上；2013年建設用地面積為172.48 km2，占全區(qū)土地利用面積的47.87%以上，較2011年增加6.67 km2，增長了4.02%；2016年全區(qū)建設用地總面積為183.37 km2，占到全區(qū)土地利用面積的一半以上，較2013年增加了10.89 km2，增長了6.31%，與2011—2013年相比，增長有所加快.

圖4 張店區(qū)2011年土地利用分類圖Fig.4 Land use type map of Zhangdian district in 2011

圖5 張店區(qū)2013年土地利用分類圖Fig.5 Land use type map of Zhangdian district in 2013

圖6 張店區(qū)2016年土地利用分類圖Fig. 6 Land use type map of Zhangdian district in 2016

表3 張店區(qū)2011年、2013年和2016年土地利用類型面積及所占比例Tab.3 Land use type area and proportion of Zhangdian district in 2011,2013 and 2016

伴隨著城市的不斷擴張，作為基礎設施的道路用地也在不斷增長，2011年道路占地21.91 km2，占全區(qū)土地利用面積的6.08%；2013年道路占地為22.21 km2，占全區(qū)土地利用面積的6.16%，較2011年增加0.3 km2，增長了1.37%；2016年道路占地面積為23.42 km2，占全區(qū)土地利用面積的6.50%，較2013年增加1.21 km2，增長5.45%，與2011—2013年相比，增長明顯加快.

通過三年的土地利用分類結果圖，可以看出建設用地和道路用地擴張的主要方向是往西，這是淄博市西部新城發(fā)展戰(zhàn)略的結果.城市擴張的結果是耕地的減少，2011年張店區(qū)耕地面積為135.29 km2，占到全區(qū)面積的37.54%；2013年耕地面積為128.18 km2，占到全區(qū)面積的35.57 %，較2011年減少7.11 km2，減少了5.26%；到2016年隨著城市的擴張，張店區(qū)耕地面積減少至117.43 km2，僅占到全區(qū)面積的32.59%，較2013年又減少10.75 km2，減少了8.39%.

從分類結果看，水體、植被以及其他土地利用類型變化不大，水體面積略微有所增加，這與近幾年政府注重水資源保護有關.

4.3 耕地減少的去向

將兩年的土地利用分類結果進行疊加，可得到土地利用變化矩陣，分析土地利用變化情況.利用MapGIS軟件的空間分析功能，將2011年與2013年、2013年與2016年土地利用類型圖進行空間合并運算，通過屬性統(tǒng)計得到2011年到2013年、2013年到2016年土地利用變化矩陣，見表4、表5.土地利用類型中變化最大的是耕地和建設用地，可以用變化矩陣來分析耕地減少的去向和建設用地的增加來源.

從轉換矩陣可以看出，除了對角線上土地類型保持不變的地類以外，耕地減少的去向主要是建設用地的增加.從2011年到2013年以及2013年到2016年土地利用類型變換最大的是轉化為建設用地的耕地.2011年到2013年有6.75 km2的耕地轉換為建設用地，占這兩年耕地減少的91.59%，占建設用地增加的97.54%；2013年到2016年這個數(shù)字為10.83 km2，占這三年耕地減少的89.88%， 占建設用地增加的90.1%. 耕地減少的另一個原因是道路用地的增加，通過變化矩陣來看，2011到2013年道路增加面積的95%源于耕地，2013到2016年道路增加的73.51%源于耕地.另有少部分耕地轉化為水體、植被用地和其他用地.建設用地和道路用地的增加是城市擴張的表現(xiàn)，城市擴張的主要貢獻來源于耕地.

表4 張店區(qū)2011年到2013年土地利用變化矩陣Tab.4 Land use change matrix from 2011 to 2013 in Zhangdian District km2

表5 張店區(qū)2013年到2016年土地利用變化矩陣Tab.5 Land use change matrix from 2013 to 2016 in Zhangdian District km2

5 結束語

通過2011年、2013年和2016年的遙感影像數(shù)據(jù)，提取出了張店區(qū)這三年的土地利用變化信息，通過疊加分析得出，城市擴張的代價是耕地的不斷減少.分析這三年的土地利用結果，可以通過模型對土地利用趨勢進行預測，但是土地利用變化深受人為因素和政策的影響，具有復雜性；同時這三年數(shù)據(jù)的時間跨度較短，對于預測具有局限性.如何在土地利用變化預測中選取合適的時間節(jié)點、綜合考慮人文因素，使預測結果更貼合實際，更有效，將作為下一步研究的內容.

耕地的逐年減少是令人憂慮的問題，城市化是當代社會發(fā)展大勢所趨，但是城市化不能以犧牲耕地為代價.如何在土地資源極其有限的條件下，切實維護好人地之間的關系，協(xié)調生態(tài)用地與建設用地之間的矛盾，促進人與自然以及人類社會內部和諧發(fā)展，是一項緊迫而現(xiàn)實的課題.2015年國土資源部、農業(yè)部聯(lián)合下發(fā)《關于進一步做好永久基本農田劃定工作的通知》，提出在全國106個重點城市周邊開展永久基本農田劃定工作，將城鎮(zhèn)周邊、交通沿線現(xiàn)有易被占用的優(yōu)質耕地優(yōu)先劃定為永久基本農田，并制定了更加嚴格的基本農田保護政策,淄博市也在劃定的范圍之內.劃定基本農田防止耕地“非農化”，事關國家糧食安全，同時也對城市發(fā)展形成倒逼機制，迫使進行城市內部挖潛，促進城市用地向節(jié)約集約方向發(fā)展，實現(xiàn)土地資源的可持續(xù)利用.

[1]高凌寒，趙鵬祥，張曉莉，等.基于landsat影像的西寧市主城區(qū)土地利用動態(tài)分析及預測[J].西北林學院學報，2016，31(6):250-256.

[2]王麗麗.RS和GIS支持下的土地利用/覆蓋變化及驅動力分析[D].阜新：遼寧工程技術大學，2008.

[3]吳夢紅，楊長保，林楠.高分辨率遙感影像在土地覆被變化監(jiān)測中的應用[J].科學技術與工程，2017，17(22):100-106.

[4]云成，甄小云.中國遙感應用進入發(fā)展黃金期——高分二號衛(wèi)星首批影像圖發(fā)布會召開[J].衛(wèi)星應用，2014 (10):58-59.

[5]凌春麗，朱蘭艷，吳俐民.WorldView-2影像林地信息提取的研究與實現(xiàn)[J].測繪科學，2010，35(5):205-207.

[6]陳志勇.基于高分辨率遙感影像的城市土地覆被變化分析研究[D].蘭州：蘭州交通大學，2013.

[7]劉丹丹,劉江,張玉娟,等.面向對象的多尺度高分影像建筑物提取方法研究[J].測繪與空間地理信息，2016，39(6):17-20.