摘 ?要： 土地利用變化是土地資源利用情況的綜合分析，遙感技術在土地利用變化的應用，更好的解決了大范圍內土地利用變化動態(tài)監(jiān)測的難題。本文基于Landsat影像，利用影像融合主成分分析法（PCA法）以及谷歌地球目視解譯和最大似然法結合的方式進行監(jiān)督分類，采用Majority/Minority分析對分類結果進行處理，通過混淆矩陣對分類的結果進行精度評估。運用遙感圖像2001-2018年期間解譯結果，對昆明市呈貢新區(qū)土地利用變化做出分析，以及對2001和2018年分類結果進行變化檢測，結果表明，2001-2018年呈貢新區(qū)土地利用結構發(fā)生顯著變化，城市建筑面積明顯增多。

關鍵詞： 最大似然法;土地利用變化;混淆矩陣;Majority/Minority分析

中圖分類號： TP79 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.06.046

本文著錄格式：鄭怡鵬. 基于Landsat遙感影像的土地利用變化動態(tài)監(jiān)測[J]. 軟件，2019，40（6）：200203+222

【Abstract】： Land use change is a comprehensive analysis of land resources utilization， the application of remote sensing technology in land use change， Better solve the problem of dynamic monitoring of land use change in a wide range. Based on Landsat images， this paper uses the method of image Fusion principal component Analysis （PCA） and the combination of Google Earth visual interpretation and maximum likelihood method to supervise and classify， and uses Majority/Minority analysis to deal with the classification results， The accuracy of the classification is evaluated by the obfuscation matrix. Using the results of the interpretation of remote sensing images in the 2001-2018， this paper analyzes the land use change in Kunming Chenggong new area， and tests the changes of the classification results in 2001 and 2018， and shows that the land use structure of Chenggong new area has changed significantly in 2001-2018， and the urban floor space has increased obviously.

【Key words】： Maximum likelihood method; Land use change; Obfuscation matrix; Majority/Minority Analysis

0 ?引言

土地作為人類賴以生存以及社會發(fā)展的物質基礎，為人類的社會經濟活動提供了空間載體[1]，隨著經濟的發(fā)展，城市化進程的加快，土地利用結構變化很大的改變，遙感技術是當前土地利用變化監(jiān)測的重要手段之一[2-3]，在土地利用遙感監(jiān)測的研究中，常采用如GF[4]、Landsat[5-6]等中高分辨率的遙感衛(wèi)星數據，黃維等運用改進后的主成分分析方法對南通市的土地覆蓋變化進行分析[7]，采用影像差值和影像融合的方法，對同一地區(qū)不同時相的遙感數據進行分類比較分析，得出相同時間的變化結果[7]，文獻[8]運用遙感分類技術檢測出土地利用變化的格局變化，文獻[9]運用Landsat影像有效檢測出北京市城市土地利用變化的情況。

本文以昆明市呈貢區(qū)為例，結合該地區(qū)土地利用開發(fā)現狀，運用Landsat5、Landsat8影像，基于最大似然法對遙感影像進行分類和目視解譯進行監(jiān)督分類，對分類結果運用Majority/Minority分析方法和混淆矩陣的方法對分類結果進行精度評價，得出2001-2018年昆明市呈貢新區(qū)土地利用各類型比例和變化幅度，以及運用分類后比較法對兩幅分類影像結果進行差異性分析，分析識別出各土地類型發(fā)生的變化，為昆明市呈貢新區(qū)土地利用和擴張做出分析和參考。

1 ?研究區(qū)概況

本文以昆明市呈貢新區(qū)作為研究區(qū)。呈貢新區(qū)位于昆明市東南部，地處東經102°45?～102°59?、北緯24°21?～24°45?之間。北與官渡區(qū)接壤，東與宜良縣交界，南與澄江、晉寧縣毗鄰，西隔滇池與西山區(qū)相望，地勢東部高，西部低，海拔1775～1820米之間，2003年化為昆明市新城，大力開發(fā)呈貢新區(qū)建設，美麗的昆明大學城新校區(qū)坐落在呈貢新區(qū)。

2 ?數據來源和研究方法

2.1 ?數據來源

本次實驗數據采用2001年、2006年、2010年、2015年、2018年呈貢新區(qū)遙感影像數據作為基礎原始數據，輔助數據為呈貢新區(qū)行政邊界矢量數據和其他統(tǒng)計數據等。

昆明市四季如春，植物發(fā)芽時間較早，故可以采用3-5月遙感影像數據，根據文章[10]郭力娜等，對影像最佳波段進行組合[11]，Landsat5常采用321波段自然真彩色和432波段標準假彩色543波段組合加彩色進行組合，Landsat8采用654組合假彩色和543標準假彩色進行組合[12]，更好的區(qū)分出地物類型。

2.2 ?研究過程和方法

本文研究過程如圖1所示，首先對遙感影像進行輻射定標和大氣校正，根據呈貢新區(qū)行政矢量數據，對處理后的遙感圖像進行裁剪，選取ROI樣本，采用最大似然法進行監(jiān)督分類，并結合目視解譯對分類結果進行修改，通過混淆矩陣對分類結果進行評價，然后根據分類的結果在ENVI5.3中進行變化檢測，得出變化檢測結果，通過對結果的分析，得出土地利用變化的范圍和數量。

主成分分析（PCA）可以去除波段之間的多余信息、將多波段圖像信息壓縮到比原來波段更有效的波段轉換方法，其結果如圖2所示;輻射定標是實現無量綱的DN值與物理量直接的轉化，大氣校正能夠減少或消除大氣對遙感圖像的影響，得到地表真實反射信息，經過大氣校正的圖像地物波譜反射明顯正確，例如圖3和圖4是經過大氣校正前后的植被波譜反射情況對比。

對輻射定標和大氣校正之后的影像進行拼接裁剪，接下來要對影像進行監(jiān)督分類，結合文章[13-14]首先在試驗區(qū)定義訓練樣本，樣本應均勻的分布在光譜特征比較均一的區(qū)域[15]，定義ROI，定義樣本的數量大于60個，對定義好的訓練樣本進行計算，采用Jeffries-Matusita距離和轉換分離度的方法進行計算，當樣本分離度達到1.8以上時可運用該樣本對遙感圖像進行解譯。圖像解譯完成后，需要對影像解譯精度進行評價，本文基于混淆矩陣[16-17]對研究區(qū)地物分類精度進行評價，并查看Kappa系數，最后對土地利用進行動態(tài)監(jiān)測，常見的有光譜檢測法和分類后檢測法[18]，但由于光譜監(jiān)測法容易產生誤差累積，故本文采用分類后檢測的方式對土地利用變化進行監(jiān)測[19-20]。

3 ?結果與分析

3.1 ?土地利用結果

本次實驗采用最大似然法進行監(jiān)督分類，最大似然法原理是假設每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸到似然度最大的一類當中（鄧書斌）故樣本的選擇應該盡量均勻數量夠多，通過目視解譯作為參考，解譯出呈貢新區(qū)土地利用分類結果，結果如下圖5。

對解譯結果進行精度檢測，再次通過目視解譯，選出感興趣區(qū)域的訓練樣本，根據訓練樣本選取的樣本點，與分類的結果進行比較，從而對分類的結果進行評價，評價結果得知精度是99.36%，Kappa指數為0.9189，評價表如下表1所示。

3.2 ?土地利用變化分析及檢測

根據上圖5的分類結果，對分類結果進行統(tǒng)計，統(tǒng)計結果如下圖6所示。

分類后比較法對分類結果進行變化檢測，變化檢測的目的，為了表示出土地類型的變更，更好的對土地類型進行動態(tài)監(jiān)測。結果如下表2。

數據分析：

（1）結合圖5圖6分析得出，從2006年起，房屋面積逐年增加從2006年的4.58%增加到2018年的15.37%，增加了3倍之多，，2001年到2006年期間卻呈現了下降趨勢，從2001年的6.12%下降到2006年的4.58%，存在這種問題的是，2003年研究區(qū)由以前的呈貢縣化成昆明市呈貢新城，2006年開始規(guī)劃為呈貢新區(qū)，進行大規(guī)模建設，導致以前居民點集中規(guī)劃，故存在建筑面積短暫減少。

（2）結合表2和圖6分析，耕地、綠地的地物分類正確率比較低，是由于研究區(qū)屬于山區(qū)地帶，土壤為紅土，耕地作物分布比較零散，耕地和城市綠地與林地的可識別度比較相似，波譜反射率也比較相近，根據谷歌地球的輔助工具下進行目視解譯，得出2006-2015年耕地面積變化不大。

（3）結合圖5和圖6分析，研究區(qū)從2001年到2018年期間，裸地荒地和房屋一直占據研究區(qū)主體地位的土地利用類型，兩者呈現負相關的關系。裸地和荒地面積逐年減少，房屋和道路面積逐年增加。水體變化不大，林地面積，由于昆明“創(chuàng)文”過程中主導還林政策，林地面積也逐年增加。

（4）結合圖6和表2，發(fā)現本次最大似然法進行監(jiān)督分類，效果最好的是是林地，由于林地在山區(qū)都是大面積生長和綠色植物波譜特性決定，本次實驗把耕地和城市綠地進行分類合并到一個類別中，從圖5中發(fā)現，建筑和耕地綠地多數集中在呈貢新區(qū)西北部，林地面積多集中在東部，這也和呈貢新區(qū)的地理位置有關，西部靠近滇池，北部緊挨昆明市中心，人口比較集中，東部屬于山區(qū)，林地多集中于此。

4 ?結論

本次研究采對選取的2001年-2018年間Landsat-5和Landsat-8共5幅遙感影像運用RS和GIS技術，使用ENVI中最大似然法監(jiān)督分類的方法進行分類，首先對原始影像進行輻射定標和大氣校正處理，目的就是更好的糾正地物波譜屬性信息，然后選擇樣本進行分類，并對分類結果進行評價，從而對研究區(qū)分類結果進行統(tǒng)計。

研究表明，呈貢新區(qū)的林地面積沒有發(fā)生大規(guī)模減少，一直維持在20%以上，森林覆蓋面積很大，主要是和呈貢新區(qū)的地形有關，呈貢新區(qū)多山地，森林保護良好。從2006年開始，建筑面積明顯增加伴隨著道路面積的增加，主要是由于政府大力開發(fā)新區(qū)政策有關，自從2006年開始，政府大力開發(fā)新區(qū)的原因，使建筑面積和道路面積明顯增多，從而隨之而來的是裸地和荒地面積的減少，二者呈現負相關的關系。

本文仍然存在一些問題：首先分類的細致性問題，對建設中的用地總的規(guī)劃到荒地中去，主要由于多光譜影像上波譜的分離度不高，而且在2015年之后建設面積不大，沒有進行細致一步的分類。再次影像的分辨率不高，對地物的分類識別可能會有一定的影像。展望：對影像進行融合使分辨率提高，或者對影像進行分割，能夠更好提高分類精度和細致度，可能會使分類結果更好。

總結：通過對遙感影像的解譯，對研究區(qū)土地利用進行分類，分類結果和實際做出對比，可以發(fā)現，呈貢新區(qū)建筑物和道路增多是從2006年開始，這年呈貢從縣規(guī)劃成昆明市新區(qū)，加大了建設力度，從而導致房屋建筑和道路面積的增加，位置在呈貢新區(qū)西北部，此處地勢相對平坦，以前多為農田和荒地。而林地多集中在研究區(qū)東部，由于地勢為山地決定，水體變化不大，但也呈現相對減少。此次研究對呈貢新區(qū)18年的土地利用情況進行分析，為呈貢新區(qū)土地利用變化監(jiān)測做出輔助依據。

參考文獻

[1] 姚堯. 湖南省土地利用轉型的時空演變特征及其與社會經濟發(fā)展耦合協(xié)調機制研究[D]. 中國地質大學， 2018.

[2] 張登榮， 許思瑩， 謝斌， 吳文淵， 路海峰. 近40年椒江—臺州灣灘涂圍墾土地利用變化的遙感調查[J]. 國土資源遙感， 2016， 28（01）： 101-106.

[3] Nuray Demirel， ?ebnem Düzgün， Mustafa Kemal Emil. Landuse change detection in a surface coal mine area using multi-temporal high-resolution satellite images[J]. International Journal of Mining， Reclamation and Environment， 2011， 25（4）.

[4] 丁相元， 高志海， 孫斌， 吳俊君， 薛傳平， 王燕. 基于高分一號時間序列數據的沙化土地分類[J]. 國土資源遙感， 2017， 29（03）： 196-202.

[5] 陳仙春， 趙俊三， 陳磊士， 陳國平. 基于Landsat影像的玉溪市紅塔區(qū)土地覆蓋分類及變化分析[J]. 森林工程， 2019， 35（03）： 1-8.

[6] 趙孟云. 北京市植被覆蓋動態(tài)變化與污染氣體濃度關系分析研究[J]. 軟件， 2018， 39（11）： 197-201.

[7] 劉生龍， 張永紅. 基于遙感影像的土地利用變化檢測[J]. 測繪與空間地理信息， 2018， 41（01）： 145-148.

[8] Darío Fernández‐Bellon， Mark W. Wilson， Sandra Irwin， John O'Halloran. Effects of development of wind energy and associated changes in land use on bird densities in upland areas[J]. Conservation Biology， 2019， 33（2）.

[9] 信冠棟， 施昆， 呂曉陽. 遙感動態(tài)監(jiān)測模型在拉市海濕地保護區(qū)土地利用中的研究[J]. 軟件， 2018， 39（4）： 170-175

[10] 曹丹陽， 霍然， 孫凌， 等. 衛(wèi)星可見光波段觀測模擬與分析系統(tǒng)設計與開發(fā)[J]. 軟件， 2018， 39（3）： 01-07

[11] 郭力娜， 李帥， 張夢華， 牛振國， 李孟倩. 最佳波段組合的城市土地利用類型提取[J/OL]. 測繪科學： 1-9[2019-04-27].

[12] 吳倩雯， 況潤元， 張剛華， 秦建. 東江源稀土礦區(qū)土地利用變化遙感監(jiān)測研究[J]. 測繪科學， 2019， 44（03）： 51-56.

[13] 趙麗紅. 南昌市景觀格局時空變化及其驅動力研究[D]. 江西農業(yè)大學， 2016.

[14] 張春華， 李修楠， 吳孟泉， 秦偉山， 張筠. 基于Landsat 8 OLI數據與面向對象分類的昆崳山地區(qū)土地覆蓋信息提取[J]. 地理科學， 2018， 38（11）： 1904-1913.

[15] 付仲良， 陳靜. 多時相Landsat數據動態(tài)監(jiān)測城市土地利用變化——以上海市為例[J]. 地理信息世界， 2016， 23（06）： 26-30+38.

[16] 李丹， 梅曉丹， 趙鶴， 田美玲， 翟慧， 羅雨斐， 蒙延斌. GF-1與Landsat-8影像土地利用遙感解譯對比分析[J]. 測繪工程， 2018， 27（10）： 42-45.

[17] 趙桔青， 陶福壽. 基于GIS的城鎮(zhèn)土地資源承載力評價[J]. 軟件， 2018， 39（7）： 52-56

[18] 張思佳. 基于RS/GIS的長沙市土地利用和穩(wěn)定性分析[J]. 軟件， 2018， 39（7）： 124-129

[19] 趙展， 夏旺， 閆利. 基于多源數據的土地利用變化檢測[J]. 國土資源遙感， 2018， 30（04）： 148-155.

[20] 陳艷艷， 黃義忠. 基于全排列多邊形圖示指標法的昆明市土地集約利用評價[J]. 軟件， 2018， 39（7）： 138142.