李尚潔，廖意美，李世波

1.貴州林業(yè)勘察設(shè)計有限公司，貴州貴陽550003；

2.貴州省林業(yè)學(xué)校，貴州修文550200

土地覆蓋動態(tài)變化情況與森林資源動態(tài)變化關(guān)系密切，是森林資源動態(tài)監(jiān)測的重要內(nèi)容[1]，及時、精準(zhǔn)地掌握土地利用現(xiàn)狀及其動態(tài)變化情況，對切實(shí)加快推進(jìn)生態(tài)文明建設(shè)、提高森林資源管理水平、為各級政府制定生態(tài)文明發(fā)展宏觀決策提供參考依據(jù)都具有重要的指導(dǎo)意義[2]。以往的土地覆蓋類型信息提取方法存在效率低、成本高等問題[3-4]，不能很好滿足當(dāng)下對土地利用現(xiàn)狀及其變化情況的提取需求。而遙感影像由于波普特性不同導(dǎo)致不同土地類型在影像上亮度值不同這一特征，可以直觀地反映地表覆蓋信息，通過遙感影像處理技術(shù)獲取地表覆蓋變化信息成為可能[5]。近年來，利用遙感技術(shù)高效率、高精度提取土地覆蓋的變化信息，已經(jīng)成為獲取和評價土地利用現(xiàn)狀及其動態(tài)變化情況最常用方法之一[6]。

研究以貴陽市中部地區(qū)為研究區(qū)，基于2017年和2019年Landsat8 OIL地表反射率數(shù)據(jù)利用3種變化檢測方法提取變化信息，并比較不同方法的提取精度，分析其各自優(yōu)缺點(diǎn)，探究其中更適合研究區(qū)的土地覆蓋變化信息提取方法。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)為貴陽市中部地區(qū)，地處黔中山原丘陵中部，長江與珠江分水嶺地帶，地勢呈現(xiàn)西南高、東北低特征。研究區(qū)氣候溫暖、濕潤，年平均氣溫為15.3℃，年平均相對濕度為77%，年平均總降水量為1129.5mm。

1.2 數(shù)據(jù)源及預(yù)處理

研究使用數(shù)據(jù)為從美國地質(zhì)勘探局（USGS）官方網(wǎng)站獲取的2017年4月1日和2019年8月13日兩期Landsat8 OLI地表反射率數(shù)據(jù)，下載數(shù)據(jù)采用UTM投影，均已進(jìn)行過大氣校正預(yù)處理?？紤]研究需要，選用兩期Landsat8 OLI數(shù)據(jù)的2至7波段進(jìn)行探討。

表1 遙感影像數(shù)據(jù)詳細(xì)信息Tab.1 Detailed Information of Remote Sensing Data

由于地物的反射率受不同氣候季節(jié)和生物生長周期變化影響，為了有效減少遙感影像獲取時間差異對變化信息提取結(jié)果精度的影響，使用ENVI5.3軟件對原始影像分別進(jìn)行相對輻射校正，使得同一地物在不同影像中具有相同的輻射尺度。

2 研究方法

利用遙感技術(shù)進(jìn)行變化信息提取是一種利用遙感影像的波普特性，獲取不同時相影像間的特征差異，對其進(jìn)行定量分析并確定不同時相間變化情況的變化檢測方法[8]。研究選擇歸一化植被指數(shù)差值法、主成分分析差值法、圖像差值法3種變化檢測方法進(jìn)行研究區(qū)2017年至2019年間土地覆蓋變化信息的提取，并對提取結(jié)果分別進(jìn)行精度評價，對精度最高的提取結(jié)果進(jìn)行土地覆蓋變化圖斑專題圖制作。

2.1 圖像差值法

圖像差值法[9]是將經(jīng)過預(yù)處理的遙感影像對中對應(yīng)像素的灰度值相減，得到的差值影像可以表示不同時相影像間隨時間產(chǎn)生的變化，體現(xiàn)不同時相間地物屬性的變化。

2.2 歸一化植被指數(shù)差值法

歸一化植被指數(shù)（NDVI）[10]對地表植被覆蓋較為敏感，受地形和輻射影響較小，可以反映植物的生長狀況，當(dāng)值大于0時表示地表有植被覆蓋，其值越大表示地表植被覆蓋度越大。歸一化植被指數(shù)反映植被情況穩(wěn)定性高、敏感度高[11]，利用其差值圖像能較完整的反應(yīng)兩期間植被的變化情況。

2.3 主成分分析差值法

主成分分析是對遙感影像進(jìn)行線性K-L變換處理，將多波段遙感數(shù)據(jù)信息映射到主成分空間，其幾何意義是把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上，獲得對原始數(shù)據(jù)壓縮增強(qiáng)有效信息的作用的新特征軸[12]。主成分分析法采用客觀賦權(quán)法，有效避免主觀賦權(quán)的隨意性，因而權(quán)重系數(shù)更客觀合理[13-14]。

2.4 精度評價

為定量評價變化檢測方法的精度，在研究區(qū)內(nèi)利用漁網(wǎng)格點(diǎn)選取精度評價的樣本點(diǎn)，對多時相影像的樣本點(diǎn)位置進(jìn)行目視解譯，確定2017年～2019年間研究區(qū)土地覆蓋的變化情況，目視解譯結(jié)果作為實(shí)際土地覆蓋變化情況的初始依據(jù)，通過比較樣本點(diǎn)實(shí)際變化情況與變化檢測結(jié)果是否一致進(jìn)行精度評價。檢測精度基于正檢率、錯檢率、漏檢率3個定量指標(biāo)[15]，其中正檢率為檢測變化類型與實(shí)際相符的樣本數(shù)在樣本總數(shù)中所占比例，反映檢測正確的概率；錯檢率為檢測土地覆蓋增減情況與實(shí)際不符的樣本數(shù)占樣本總數(shù)的比例，反映檢測錯誤的概率；而漏檢率為真實(shí)變化卻未檢測到變化的樣本數(shù)在樣本總數(shù)中的占比，反映檢測遺漏的概率。

3 結(jié)果分析

3.1 變化檢測結(jié)果

圖像差值法是將2019年遙感影像減去2017年遙感影像，得到各波段的差值圖像（圖1），像元值越大地表植被覆蓋度增加的可能性越大，反之，植被覆蓋度減少的可能性越大。通過對比各波段提取結(jié)果與研究區(qū)兩期影像可知，近紅外波段差值圖像對變化信息提取效果較好，雖不能避免云層等對變化檢測結(jié)果的影響，但能提取出大部分變化信息，且提取結(jié)果中偽變化較少，因此選定近紅外波段差值影像進(jìn)行下一步研究。

圖1 圖像差值法變化檢測結(jié)果Fig.1 Results of The Differenced of Images

對比歸一化植被指數(shù)差值圖像和研究區(qū)兩期影像顯示的變化情況可知，該方法能夠提取出大部分植被覆蓋變化信息且受云層影響較小，但由于歸一化植被指數(shù)對植被敏感度較高，因此存在較多地表生物量變化而實(shí)際土地覆蓋未發(fā)生變化的偽變化。該方法提取變化信息的精度受影像獲取時間影響較大，偽變化可能是因?yàn)?017年影像的獲取時間為4月份，而2019年的獲取時間為8月份，季節(jié)差異導(dǎo)致地表植被覆蓋度不同，從而導(dǎo)致NDVI值的季節(jié)性差異，這種偽變化不能真正體現(xiàn)地表植被覆蓋的變化。

圖2 歸一化植被指數(shù)差值法變化檢測結(jié)果Fig.2 Results of The Differenced Normalized Difference Vegetation Index

分別對前后兩期遙感影像做主成分分析，選取包含主要信息的主成分第一分量作差值處理，以提取主要變化信息，主成分分析結(jié)果見表3。觀察第一主成分兩期的差值圖像，對比兩期影像可知，該方法對變化信息的提取效果較好，存在細(xì)微變化信息丟失，受云層影像較大。

表3 主成分分析結(jié)果Tab.3 Results of The Differenced Principal Component Analysis

圖3 主成分分析差值法變化檢測結(jié)果Fig.3 Results of The Differenced Principal Component Analysis

3.2 精度評價

利用ArcGIS中的Fishnet工具，根據(jù)研究區(qū)邊界創(chuàng)建漁網(wǎng)矩陣，將漁網(wǎng)格點(diǎn)作為驗(yàn)證變化信息真?zhèn)蔚臉狱c(diǎn)，篩選落在研究區(qū)范圍內(nèi)的樣點(diǎn)共計146個，通過比對樣點(diǎn)位置變化情況與變化檢測結(jié)果是否一致得到各檢測方法的正檢率、錯檢率及漏檢率（表4）。

表4 變化信息提取精度評價結(jié)果Tab.4 Accuracy Assessment Results of Change Information

由表4可知，主成分分析差值法正檢率為85.62%，錯檢率為6.16%，漏檢率為8.22%，整體精度優(yōu)于其他2種方法，故利用主成分分析的差值圖像進(jìn)行變化圖斑的專題圖制作。利用ArcGIS軟件區(qū)域統(tǒng)計工具計算差值圖像均值，按照2倍標(biāo)準(zhǔn)差準(zhǔn)則獲取異常值[16]以獲得地表覆蓋變化圖斑，從而獲得研究區(qū)2017年至2019年間的變化圖斑。

圖4 2017年～2019年間變化圖斑分布Fig.4 Change Objects from 2017 to 2019

4 結(jié)論與討論

4.1 結(jié)論

在利用Landsat8 OLI遙感影像提取貴陽市中部地區(qū)2017年至2019年間變化信息過程中得到以下結(jié)論：

（1）圖像差值法能正確提取較多變化信息，錯誤信息相對較少，受云層影響較大，存在較高的漏檢率；

（2）歸一化植被指數(shù)差值法受云層影響相對較小，但由于對植被敏感度較高，因此受影像獲取季節(jié)影響較大，影像時間差異導(dǎo)致實(shí)際土地覆蓋未發(fā)生變化的偽變化較多，因此存在較高的錯檢率；

（3）主成分分析差值法的提取效果整體最好，其正檢率和錯檢率均優(yōu)于其他2種方法，雖然漏檢率高于歸一化植被指數(shù)差值法，但考慮到后者提取偽變化太多，故主成分分析差值法整體上提取效果最佳。

4.2 討論

研究從3種變化檢測方法中得到了最適合研究區(qū)變化信息提取的方法，但還存在局限性：（1）遙感影像數(shù)據(jù)質(zhì)量不高，分辨率較低，云量較多；（2）數(shù)據(jù)不夠充分。雖然預(yù)處理減少了季節(jié)性輻射差異對變化檢測結(jié)果的影響，但缺少不同季節(jié)影像對數(shù)據(jù)的補(bǔ)充；（3）提取結(jié)果局限于像元圖斑，未與森林資源調(diào)查實(shí)際應(yīng)用相結(jié)合，檢測結(jié)果缺乏實(shí)用性；（4）選用的變化檢測方法均為基于像元的方法，忽略了空間信息，提取結(jié)果較為零散且漏分錯分現(xiàn)象較為普遍。為提高變化檢測結(jié)果的可信度，可從以下4方面進(jìn)行進(jìn)一步研究：（1）使用分辨率更高，云量更少的遙感影像數(shù)據(jù)；（2）使用不同季節(jié)的影像對相互結(jié)合，降低季節(jié)對土壤覆蓋信息提取的影響，減少實(shí)際土壤覆蓋類型未發(fā)生變化的偽變化；（3）結(jié)合森林資源調(diào)查小班數(shù)據(jù)，將變化檢測得到的基于像元的變化信息轉(zhuǎn)換為基于矢量小班的變化信息，提高變化檢測提取結(jié)果的實(shí)用性；（4）結(jié)合面向?qū)ο蟮淖兓瘷z測方法，綜合地形、亮度等相關(guān)因子以獲得完整度較高的變化圖斑，進(jìn)一步提高檢測精度。