梁書維 王建國 溫馨燃

摘要：準確高效地識別和測算村莊建設用地的類型及數(shù)量，可以為村鎮(zhèn)規(guī)劃、村莊整治等提供依據(jù)。為研究應用高分二號遙感影像提取村莊建設用地的技術方法，選取吉林省長春市和松原市的兩個村莊作為典型研究區(qū)，針對遙感影像的不同時相特征，分別采用直接提取法和間接提取法進行村莊建設用地提取試驗。結果表明，高分二號遙感影像可以應用于村莊建設用地的精確識別。直接提取法以支持向量機的監(jiān)督分類法效果最優(yōu)，可作為精確提取地類的方法；基于植被指數(shù)并輔以歸一化藍色屋頂指數(shù)的間接提取法，適合村莊建設用地的快速估算。

關鍵詞：村莊建設用地；遙感影像；監(jiān)督分類；植被指數(shù)；歸一化藍屋頂指數(shù)

中圖分類號：TP751.1 文獻標識碼：A

文章編號：0439-8114（2018）20-0132-06

DOI：10.14088/j.cnki.issn0439-8114.2018.20.031 開放科學（資源服務）標識碼（OSID）：

Abstract： The rural planning and land consolidation rely on the accurate information of rural construction land. To accurately measure the existing rural construct land area， two villages which in Changchun area and Songyuan area of Jilin province with different phases were selected as typical study areas. GF-2 remote sensing images were used as data source to study on the method of extracting rural construction land by direct extraction and indirect extraction respectively. The experimental results showed that GF-2 high-resolution remote sensing images can be used to identify the construction land inside of village accurately. SVM supervised classification， the best way of the direct extraction methods， is used in accurate extraction. The indirect extraction based on NDVI combined with NDBBI is a good fit for rapid estimation of village construction land area.

Key words： rural construction land； remote sensing image；supervised classification；NDVI；NDBBI

隨著中國城鎮(zhèn)化進入加速階段，農村人口日趨減少，加之村莊建設規(guī)劃相對滯后，村莊內“空心村”現(xiàn)象日漸突顯[1-3]。在統(tǒng)籌城鄉(xiāng)土地利用、加快城鎮(zhèn)及中心村建設的工作中，村莊用地及其中建設用地信息的快速有效測定是對村莊進行空間重構、制定區(qū)域村莊整治規(guī)劃的關鍵[3，4]。中國農村土地調查中采用的比例尺相對較小[5]，根據(jù)《土地利用現(xiàn)狀分類（GB/T 21010-2007）》，農村居民點及其內的商服、住宅、工礦、工業(yè)、倉儲、學校等用地，作為“村莊”地類圖斑確定[6]。在目前的土地整治及規(guī)劃中，農村居民點內部的建設用地整理潛力計算或以“村莊”圖斑全部面積作為建設用地數(shù)量計算，或以系數(shù)估算法，即利用調查樣點區(qū)域得到的數(shù)據(jù)，估算出農村居民點內部的土地潛力系數(shù)[7-9]。

利用高光譜影像結合機器學習進行地物分類，已成為未來遙感數(shù)據(jù)處理的主要趨勢[10]。本研究基于高分二號遙感影像數(shù)據(jù)，以精準計算村莊建設用地面積為目標，對研究區(qū)域內的村莊建設用地進行提取試驗，以交叉比對法和人工解譯結果進行驗證，對應用遙感影像數(shù)據(jù)提取村莊建設用地的技術方法進行研究。

1 技術方法

1.1 數(shù)據(jù)來源

本研究所選擇的遙感影像數(shù)據(jù)為GF2_PMS1_E1

25.2_N44.0_20160519_L1A0001591459和GF2_PMS2

_E124.4_N44.8_201 60727_L1A0001724152。包括1 m分辨率全色和4 m分辨率多光譜兩幅影像。全色光譜范圍0.45～0.90 μm，多光譜各色光分別為藍色（0.45～0.52 μm）、綠色（0.52～0.59 μm）、紅色（0.63～0.69 μm）和近紅外（0.77～0.89 μm）[11]。

1.2 高分二號影像預處理

利用ENVI遙感處理系統(tǒng)對高分二號影像分別進行正射校正、輻射定標和大氣校正；利用影像融合工具，以全色光波段為基準，對多光譜影像重采樣，生成高分辨率的多光譜遙感影像；將融合后的遙感影像與已有的土地利用現(xiàn)狀矢量圖進行數(shù)據(jù)配準；根據(jù)選取的試驗區(qū)范圍對遙感影像數(shù)據(jù)進行裁剪[12-14]（圖1）。

1.3 村莊建設用地提取技術路線

根據(jù)不同遙感數(shù)據(jù)的影像特征，選取不同的研究方法，針對植被覆蓋度較低的區(qū)域選擇基于監(jiān)督分類的直接提取法；對于植被覆蓋度高的試驗區(qū)選擇基于植被指數(shù)的間接提取法，研究路線如圖1所示。

2 東北地區(qū)村莊建設用地及影像特征

2.1 東北地區(qū)建設用地主要特征

由于東北地區(qū)的地理環(huán)境與人文環(huán)境都有著其特殊性，導致東北地區(qū)的村莊建筑結構存在著其自身獨有的特點。

東北地區(qū)冬季持續(xù)時間較長，冬天寒冷，故房屋多以東北-西南走向為主，便于采光；同時采取橫向相連，縱向間隔交錯的布局方式；多為一家一戶一院或一家一戶兩院，兩院分大小院，小院多做倉儲用，一屋一院型二者并列，一屋兩院型多為兩院夾一屋；住戶與公共空間界限明確，多采用磚墻、籬笆、樹叢、木柵欄加以限定；東北地區(qū)沒有大規(guī)模的村內建筑，如祠堂等，也少見天井式的院落；由于東北地區(qū)降雨量較少，所以村莊內硬質路面的鋪設密度不高。除大型村莊的道路和部分村莊的主干道以外，其余均為夯實土路[15-17]。

2.2 村莊建設用地提取試驗區(qū)的確定

一般村莊用地由道路、住宅、倉房及其他的附屬生產生活建設用地和菜地、林地、草地、空閑地等組成。根據(jù)以下原則確定試驗區(qū)域：選取無云層遮擋、成像清晰的遙感影像；影像中典型村莊應具有地物類型及光譜信息多樣的特點；直接提取法選取地表裸露、無積雪、低植被覆蓋的影像，間接提取法選取地表植被高覆蓋度的影像。以吉林省長春市綠園區(qū)新農家村和前郭縣腰哈沙吐村新興屯作為典型研究區(qū)。兩個研究區(qū)內的土地利用方式多樣，由住宅、倉房、圈舍、硬化地面、道路、溝渠等建設用地及植被覆蓋區(qū)、裸土地等空閑地構成。其中植被覆蓋區(qū)包括房前屋后的農作用地和林果用地、道路兩旁的行樹及草本植物覆蓋的零星空地。

2.3 研究區(qū)遙感影像主要特征

研究區(qū)域的建（構）筑物多為獨立的矩形，屋頂材質為彩鋼板、水泥彩瓦、水泥、石棉瓦等，影像光譜色彩多樣；頂部多為坡屋頂，少量平屋頂，坡屋頂?shù)年庩杻擅?、不同朝向的色調存在明顯差異；研究區(qū)的農村建（構）筑物多呈南北朝向，南北向間距較大、排列松散，東西向間距相對密集，建（構）筑物排列格局錯落無序[18]，多為兩院夾一屋[2]，院落由農作物、倉庫、圈舍、硬質鋪裝地、裸地及露天堆放物品構成，利用類型多樣。新農家村試驗區(qū)所在的圖幅遙感圖像攝于2016年5月19日，攝影區(qū)域未見莊稼青苗，部分區(qū)域建有塑料大棚或覆有塑料薄膜，裸露的土地因其含水量不同，光譜反射率有一定差異；新興屯圖像攝于2016年7月27日，植被區(qū)域多呈綠色，因植被種類、生長時間以及種植技術的差異，導致存在同物異譜現(xiàn)象。

3 東北地區(qū)村莊建設用地提取

研究區(qū)村莊內部建設用地雖多為矩形，但其幾何形態(tài)上的長寬比跨度較大，建設用地與非建設用地之間的邊界不明顯，且形態(tài)學上的雜項數(shù)據(jù)較多，采用基于規(guī)則的面向對象信息提取法提取建設用地時的精度很低，而若對其進行邊緣增強則會破壞數(shù)據(jù)本身，故不采用基于規(guī)則的面向對象提取法。高分二號遙感數(shù)據(jù)只有0.45～0.90 μm的波段，波段跨度小，因此基于中紅外和近紅外波段的NDBI（歸一化建筑指數(shù)）法也不適用。

3.1 直接提取法

長春市綠園區(qū)新農家村遙感影像的獲取時間為早春，圖像數(shù)據(jù)獲取時未見莊稼青苗，植被覆蓋程度較低，依據(jù)其光譜特性采用直接提取法，即對預處理之后的遙感影像（圖2）采用監(jiān)督分類法進行建設用地提取。

3.1.1 確定分類樣本 進行監(jiān)督分類需要選取分類樣本。根據(jù)研究區(qū)村莊的土地利用特點和影像數(shù)據(jù)的波譜特性，確定分類系統(tǒng)，建立適合研究區(qū)域的分類樣本[14，19]。對選取的分類樣本進行可分離性檢驗，各樣本類型之間的可分離性，用Jeffries-Matusita和Transformed Divergence[20]參數(shù)表示，這兩個參數(shù)的值在0～2.0之間。大于1.9，說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要編輯樣本或者重新選擇樣本；小于1.0，考慮將兩類樣本合成一類樣本。

以目視解譯建立新農家村的遙感影像解譯標志，分別采用“土地類型”與“光譜類型+土地類型”兩種方式進行樣本選取，并驗證兩種分類方式的可分離性。

按照“土地類型”的方式對研究區(qū)進行分類樣本的劃定及檢驗，出現(xiàn)同譜異物現(xiàn)象。為防止同譜異物現(xiàn)象，同時考慮到同物異譜現(xiàn)象，采用“光譜類型+土地類型”分類方法，以地物光譜特性及地物類型進行樣本確定。分別選取橙色屋頂、藍色屋頂、水泥表面、瀝青路面作為建設用地，裸露土地、植被作為非建設用地進行分類，每類樣本選取不少于10個且均勻分布全圖，并進行可分離性檢驗。驗證結果表明，以“光譜類型+土地類型”分類方式選擇的樣本，其Jeffries-Matusita和Transformed Divergence參數(shù)均大于1.9，可分離性較好，能有效避免同物異譜或同譜異物現(xiàn)象，可用作監(jiān)督分類的樣本。

3.1.2 分類方法選擇與監(jiān)督分類 研究中分別選取基于傳統(tǒng)統(tǒng)計分析學中的最小距離法與馬氏距離法、基于神經(jīng)網(wǎng)絡法、基于模式識別中的支持向量機法共計4種方法進行監(jiān)督分類。其中最小距離法利用歐氏距離進行中間值的確定，馬氏距離法作為最小距離法的延伸，考慮了變量間的相關性在計算上的應用，用馬氏距離替換歐氏距離，達到了比歐式距離更廣義的距離，得到最小距離法的新結果。二者是傳統(tǒng)的統(tǒng)計學方法，是機器學習的基礎?；谏窠?jīng)網(wǎng)絡法和支持向量機法兩種方式是機器學習的兩種高級階段，基于神經(jīng)網(wǎng)絡的方法適用于大量樣本，支持向量機法適用于有限樣本[21]。故選取這4種方法處理數(shù)據(jù)，得到的分類結果如圖3所示。

3.1.3 精度驗證 運用交叉驗證的方法對監(jiān)督分類的結果進行精度驗證。在分類樣本以外的區(qū)域，依照分類標準通過目視解譯選取驗證樣本進行精度驗證，4種分類方法的驗證結果如表2所示。

由圖3及精度驗證結果（表2）可知，在4種分類方法中，最小距離法（圖3a）提取精度較低，且分類結果誤差較大；馬氏距離法（圖3b）分類精度有所提高，但其分類結果缺少分類細節(jié)；神經(jīng)網(wǎng)絡法（圖3c）在分類精度和細節(jié)方面都有較好的表現(xiàn)；支持向量機法（圖3d）在試驗中精度最高，且能準確提取細小分類圖斑。因此，神經(jīng)網(wǎng)絡法和支持向量機法可以作為村莊內部建設用地的提取方法，在提取樣本有限的情況下，支持向量機更優(yōu)。

3.2 間接提取

松原市前郭縣新興屯所在的遙感影像獲取時間為仲夏，地表植被茂盛，依據(jù)其光譜特性采用間接提取法，即對圖像預處理后（圖4），利用影像光譜特性計算歸一化差分植被指數(shù)（NDVI）[22]將研究區(qū)內植被覆蓋區(qū)域與非植被覆蓋區(qū)域分離，在非植被覆蓋區(qū)域確定建設用地的方法。

3.2.1 植被光譜增強處理 基于遙感數(shù)據(jù)紅光波段（0.63～0.69 μm）和近紅外波段（0.77～0.89 μm）的光譜特性計算歸一化差分植被指數(shù)[NDVI=（NIR-R）＼（NIR+R）]。通過植被指數(shù)增強后的圖像如圖5所示。

3.2.2 藍色屋頂?shù)膯为毺崛?由于明度較低的藍色屋頂在紅光波段和近紅外波段與植被的光譜特性極其相近（圖6、圖7），這導致經(jīng)植被指數(shù)波段比值增強處理后的部分藍色屋頂與植被發(fā)生混淆，即明度低的藍色屋頂被識別為植被。

為去除藍色屋頂?shù)挠绊?，擬定歸一化藍屋頂指數(shù)（Normalized Difference Blue-Roof Index，NDBRI），歸一化藍屋頂指數(shù)=（綠波段-藍波段）/（綠波段+藍波段）。對預處理后的圖像進行NDBRI處理，處理結果如圖8所示。藍色屋頂?shù)牟糠殖霈F(xiàn)了明顯的低值區(qū)域，且與其他地物相比，對比度清晰。雖然單獨的藍光波段可以將藍色屋頂提取出來，但藍色屋頂與其他地物間仍存在邊界模糊的現(xiàn)象。經(jīng)過歸一化藍屋頂指數(shù)變換后，藍色屋頂區(qū)域與其他地物之間有明顯的突變現(xiàn)象，能準確識別出區(qū)域內的藍色屋頂（如工棚、彩鋼板等）。

3.2.3 建設用地提取 對植被增強影像進行二值化處理，經(jīng)地類樣本試驗后選取0.4作為閾值，將大于0.4的區(qū)域認定為植被，賦值為1，將小于0.4的區(qū)域認定為建設用地，賦值為0。歸一化藍色屋頂指數(shù)進行處理后的圖像存在著負值，而無數(shù)據(jù)區(qū)域在經(jīng)過計算之后值為0。為消除原來無數(shù)據(jù)區(qū)域的影響，將影像進行掩膜，去掉空白區(qū)域的值，再對結果進行二值化，將小于0.033的區(qū)域賦值為0，其他區(qū)域賦值為1。之后將二值化后的兩幅影像的像元值相乘，得到植被與非植被區(qū)的二值結果。最后將二值化后影像結果0、1值對調，與預處理后圖像光譜做掩膜處理，得到提取的村莊建設用地影像（圖9）。

3.2.4 精度驗證 經(jīng)統(tǒng)計，提取出的像元總數(shù)為125 662個，隨機選取5‰的驗證樣本，用目視檢驗的方法對提取結果進行精度驗證。在圖像中隨機抽取628個像元點，目視解譯，檢驗其是否為建設用地，其中559個像元點為建設用地，69個像元點為非建設用地，本次驗證的準確率為89.01%。誤差主要出現(xiàn)在耕地裸露的區(qū)域，可通過多期影像疊加的方法減小誤差。

4 結論

在利用高分二號遙感影像進行東北地區(qū)村莊建設用地提取中，基于監(jiān)督分類的直接提取法可以對低植被覆蓋區(qū)的遙感影像做出多種建設用地類型的精準提取，但處理過程復雜，精度受到分類樣本選取的影響；基于植被指數(shù)并輔以歸一化藍色屋頂指數(shù)的間接提取法，適合對高植被覆蓋度區(qū)域進行建設用地提取，技術方法簡單快捷，適合村莊內建設用地數(shù)量的快速估算。

參考文獻：

[1] 陳玉福，孫 虎，劉彥隨.中國典型農區(qū)空心村綜合整治模式[J]. 地理學報，2010，65（6）：727-735.

[2] 董國棟.基于多源遙感數(shù)據(jù)的農村居民點用地提取技術[J].山東國土資源，2015，31（3）：63-66，70.

[3] 朱玉碧.村莊建設用地整理運作及制度創(chuàng)新研究[D].重慶：西南大學，2012.

[4] 藍麗梅，謝衛(wèi)玲.土地整治理論潛力研究的淺思[J].企業(yè)科技與發(fā)展，2016（5）：216-218.

[5] TD/T 10142007，第二次全國土地調查技術規(guī)程[S].

[6] GB-T21010-2007，土地利用現(xiàn)狀分類標準[S].

[7] 李曉雪，薛繼斌.土地整治中村莊建設用地整治潛力測算的探討[J].經(jīng)濟研究導刊，2013（12）：44-45.

[8] 黨 慧，鄭新奇，白書建，等.農村居民點集約用地潛力測算方法研究[J].地域研究與開發(fā)，2016，35（5）：124-127.

[9] 鄭新奇.農村居民點集約用地——調查、評價、模式、管理[M].北京：中國大地出版社，2011.

[10] 杜培軍，夏俊士，薛朝輝，等.高光譜遙感影像分類研究進展[J].遙感學報，2016，20（2）：236-256.

[11] 中國資源衛(wèi)星應用中心.高分二號[EB/OL].http：//www.cresda.com/CN/Satellite/3128.shtml.

[12] 樊文鋒，李鴻洲，溫 奇，等.高分二號衛(wèi)星影像正射糾正精度分析[J].測繪通報，2016（9）：63-66.

[13] 李 靜.基于GF-2的新疆巴州地區(qū)主要地物類型信息提取方法研究[D].北京：北京林業(yè)大學，2016.

[14] 胡茂瑩.基于高分二號遙感影像面向對象的城市房屋信息提取方法研究[D].長春：吉林大學，2016.

[15] 朱玉凱，牛春舟.東北地區(qū)旅游資源型村落的公共空間景觀形態(tài)構建——以渤海鎮(zhèn)小朱家村旅游景觀規(guī)劃為例[J].東北農業(yè)科學，2017，42（4）：59-62.

[16] 湯 璐.基于空間句法的東北村落空間形態(tài)設計策略研究[D].哈爾濱：哈爾濱工業(yè)大學，2015.

[17] 張?zhí)鞇?東北寒地農村住區(qū)建筑組團及院落風環(huán)境優(yōu)化策略研究[D].哈爾濱：哈爾濱工業(yè)大學，2014.

[18] 賀雪峰.論中國村莊結構的東部與中西部差異[J].學術月刊，2017，49（6）：111-119.

[19] 王忠武，劉順喜，戴建旺，等.高分二號衛(wèi)星數(shù)據(jù)在新增建設用地監(jiān)測中的應用分析[J].航天器工程，2015，24（6）：134-139.

[20] SILVA CSP，MARCAL A R S，PEREIRA M A，et al. Separability analysis of color classes on dermoscopic images[J].Springer Berlin Heidelberg，2012，7325（10）：268-277

[21] 亓呈明.基于多核學習的高光譜遙感影像分類方法研究[D].北京：中國地質大學（北京），2016.

[22] WARDLEY N.Vegetationindex variability as a function of viewing geometry[J].International Journal of Remote Sensing，1984，5（5）：861-870.