APP下载

基于高分二号遥感影像的东北地区村庄建设用地提取

2018-01-04梁书维王建国温馨燃

湖北农业科学 2018年20期
关键词:遥感影像植被指数

梁书维 王建国 温馨燃

摘要:准确高效地识别和测算村庄建设用地的类型及数量,可以为村镇规划、村庄整治等提供依据。为研究应用高分二号遥感影像提取村庄建设用地的技术方法,选取吉林省长春市和松原市的两个村庄作为典型研究区,针对遥感影像的不同时相特征,分别采用直接提取法和间接提取法进行村庄建设用地提取试验。结果表明,高分二号遥感影像可以应用于村庄建设用地的精确识别。直接提取法以支持向量机的监督分类法效果最优,可作为精确提取地类的方法;基于植被指数并辅以归一化蓝色屋顶指数的间接提取法,适合村庄建设用地的快速估算。

关键词:村庄建设用地;遥感影像;监督分类;植被指数;归一化蓝屋顶指数

中图分类号:TP751.1 文献标识码:A

文章编号:0439-8114(2018)20-0132-06

DOI:10.14088/j.cnki.issn0439-8114.2018.20.031 开放科学(资源服务)标识码(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

隨着中国城镇化进入加速阶段,农村人口日趋减少,加之村庄建设规划相对滞后,村庄内“空心村”现象日渐突显[1-3]。在统筹城乡土地利用、加快城镇及中心村建设的工作中,村庄用地及其中建设用地信息的快速有效测定是对村庄进行空间重构、制定区域村庄整治规划的关键[3,4]。中国农村土地调查中采用的比例尺相对较小[5],根据《土地利用现状分类(GB/T 21010-2007)》,农村居民点及其内的商服、住宅、工矿、工业、仓储、学校等用地,作为“村庄”地类图斑确定[6]。在目前的土地整治及规划中,农村居民点内部的建设用地整理潜力计算或以“村庄”图斑全部面积作为建设用地数量计算,或以系数估算法,即利用调查样点区域得到的数据,估算出农村居民点内部的土地潜力系数[7-9]。

利用高光谱影像结合机器学习进行地物分类,已成为未来遥感数据处理的主要趋势[10]。本研究基于高分二号遥感影像数据,以精准计算村庄建设用地面积为目标,对研究区域内的村庄建设用地进行提取试验,以交叉比对法和人工解译结果进行验证,对应用遥感影像数据提取村庄建设用地的技术方法进行研究。

1 技术方法

1.1 数据来源

本研究所选择的遥感影像数据为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分辨率多光谱两幅影像。全色光谱范围0.45~0.90 μm,多光谱各色光分别为蓝色(0.45~0.52 μm)、绿色(0.52~0.59 μm)、红色(0.63~0.69 μm)和近红外(0.77~0.89 μm)[11]。

1.2 高分二号影像预处理

利用ENVI遥感处理系统对高分二号影像分别进行正射校正、辐射定标和大气校正;利用影像融合工具,以全色光波段为基准,对多光谱影像重采样,生成高分辨率的多光谱遥感影像;将融合后的遥感影像与已有的土地利用现状矢量图进行数据配准;根据选取的试验区范围对遥感影像数据进行裁剪[12-14](图1)。

1.3 村庄建设用地提取技术路线

根据不同遥感数据的影像特征,选取不同的研究方法,针对植被覆盖度较低的区域选择基于监督分类的直接提取法;对于植被覆盖度高的试验区选择基于植被指数的间接提取法,研究路线如图1所示。

2 东北地区村庄建设用地及影像特征

2.1 东北地区建设用地主要特征

由于东北地区的地理环境与人文环境都有着其特殊性,导致东北地区的村庄建筑结构存在着其自身独有的特点。

东北地区冬季持续时间较长,冬天寒冷,故房屋多以东北-西南走向为主,便于采光;同时采取横向相连,纵向间隔交错的布局方式;多为一家一户一院或一家一户两院,两院分大小院,小院多做仓储用,一屋一院型二者并列,一屋两院型多为两院夹一屋;住户与公共空间界限明确,多采用砖墙、篱笆、树丛、木栅栏加以限定;东北地区没有大规模的村内建筑,如祠堂等,也少见天井式的院落;由于东北地区降雨量较少,所以村庄内硬质路面的铺设密度不高。除大型村庄的道路和部分村庄的主干道以外,其余均为夯实土路[15-17]。

2.2 村庄建设用地提取试验区的确定

一般村庄用地由道路、住宅、仓房及其他的附属生产生活建设用地和菜地、林地、草地、空闲地等组成。根据以下原则确定试验区域:选取无云层遮挡、成像清晰的遥感影像;影像中典型村庄应具有地物类型及光谱信息多样的特点;直接提取法选取地表裸露、无积雪、低植被覆盖的影像,间接提取法选取地表植被高覆盖度的影像。以吉林省长春市绿园区新农家村和前郭县腰哈沙吐村新兴屯作为典型研究区。两个研究区内的土地利用方式多样,由住宅、仓房、圈舍、硬化地面、道路、沟渠等建设用地及植被覆盖区、裸土地等空闲地构成。其中植被覆盖区包括房前屋后的农作用地和林果用地、道路两旁的行树及草本植物覆盖的零星空地。

2.3 研究区遥感影像主要特征

研究区域的建(构)筑物多为独立的矩形,屋顶材质为彩钢板、水泥彩瓦、水泥、石棉瓦等,影像光谱色彩多样;顶部多为坡屋顶,少量平屋顶,坡屋顶的阴阳两面、不同朝向的色调存在明显差异;研究区的农村建(构)筑物多呈南北朝向,南北向间距较大、排列松散,东西向间距相对密集,建(构)筑物排列格局错落无序[18],多为两院夹一屋[2],院落由农作物、仓库、圈舍、硬质铺装地、裸地及露天堆放物品构成,利用类型多样。新农家村试验区所在的图幅遥感图像摄于2016年5月19日,摄影区域未见庄稼青苗,部分区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,光谱反射率有一定差异;新兴屯图像摄于2016年7月27日,植被区域多呈绿色,因植被种类、生长时间以及种植技术的差异,导致存在同物异谱现象。

3 东北地区村庄建设用地提取

研究区村庄内部建设用地虽多为矩形,但其几何形态上的长宽比跨度较大,建设用地与非建设用地之间的边界不明显,且形态学上的杂项数据较多,采用基于规则的面向对象信息提取法提取建设用地时的精度很低,而若对其进行边缘增强则会破坏数据本身,故不采用基于规则的面向对象提取法。高分二号遥感数据只有0.45~0.90 μm的波段,波段跨度小,因此基于中红外和近红外波段的NDBI(归一化建筑指数)法也不适用。

3.1 直接提取法

长春市绿园区新农家村遥感影像的获取时间为早春,图像数据获取时未见庄稼青苗,植被覆盖程度较低,依据其光谱特性采用直接提取法,即对预处理之后的遥感影像(图2)采用监督分类法进行建设用地提取。

3.1.1 确定分类样本 进行监督分类需要选取分类样本。根据研究区村庄的土地利用特点和影像数据的波谱特性,确定分类系统,建立适合研究区域的分类样本[14,19]。对选取的分类样本进行可分离性检验,各样本类型之间的可分离性,用Jeffries-Matusita和Transformed Divergence[20]参数表示,这两个参数的值在0~2.0之间。大于1.9,说明样本之间可分离性好,属于合格样本;小于1.8,需要编辑样本或者重新选择样本;小于1.0,考虑将两类样本合成一类样本。

以目视解译建立新农家村的遥感影像解译标志,分别采用“土地类型”与“光谱类型+土地类型”两种方式进行样本选取,并验证两种分类方式的可分离性。

按照“土地类型”的方式对研究区进行分类样本的划定及检验,出现同谱异物现象。为防止同谱异物现象,同时考虑到同物异谱现象,采用“光谱类型+土地类型”分类方法,以地物光谱特性及地物类型进行样本确定。分别选取橙色屋顶、蓝色屋顶、水泥表面、沥青路面作為建设用地,裸露土地、植被作为非建设用地进行分类,每类样本选取不少于10个且均匀分布全图,并进行可分离性检验。验证结果表明,以“光谱类型+土地类型”分类方式选择的样本,其Jeffries-Matusita和Transformed Divergence参数均大于1.9,可分离性较好,能有效避免同物异谱或同谱异物现象,可用作监督分类的样本。

3.1.2 分类方法选择与监督分类 研究中分别选取基于传统统计分析学中的最小距离法与马氏距离法、基于神经网络法、基于模式识别中的支持向量机法共计4种方法进行监督分类。其中最小距离法利用欧氏距离进行中间值的确定,马氏距离法作为最小距离法的延伸,考虑了变量间的相关性在计算上的应用,用马氏距离替换欧氏距离,达到了比欧式距离更广义的距离,得到最小距离法的新结果。二者是传统的统计学方法,是机器学习的基础。基于神经网络法和支持向量机法两种方式是机器学习的两种高级阶段,基于神经网络的方法适用于大量样本,支持向量机法适用于有限样本[21]。故选取这4种方法处理数据,得到的分类结果如图3所示。

3.1.3 精度验证 运用交叉验证的方法对监督分类的结果进行精度验证。在分类样本以外的区域,依照分类标准通过目视解译选取验证样本进行精度验证,4种分类方法的验证结果如表2所示。

由图3及精度验证结果(表2)可知,在4种分类方法中,最小距离法(图3a)提取精度较低,且分类结果误差较大;马氏距离法(图3b)分类精度有所提高,但其分类结果缺少分类细节;神经网络法(图3c)在分类精度和细节方面都有较好的表现;支持向量机法(图3d)在试验中精度最高,且能准确提取细小分类图斑。因此,神经网络法和支持向量机法可以作为村庄内部建设用地的提取方法,在提取样本有限的情况下,支持向量机更优。

3.2 间接提取

松原市前郭县新兴屯所在的遥感影像获取时间为仲夏,地表植被茂盛,依据其光谱特性采用间接提取法,即对图像预处理后(图4),利用影像光谱特性计算归一化差分植被指数(NDVI)[22]将研究区内植被覆盖区域与非植被覆盖区域分离,在非植被覆盖区域确定建设用地的方法。

3.2.1 植被光谱增强处理 基于遥感数据红光波段(0.63~0.69 μm)和近红外波段(0.77~0.89 μm)的光谱特性计算归一化差分植被指数[NDVI=(NIR-R)\(NIR+R)]。通过植被指数增强后的图像如图5所示。

3.2.2 蓝色屋顶的单独提取 由于明度较低的蓝色屋顶在红光波段和近红外波段与植被的光谱特性极其相近(图6、图7),这导致经植被指数波段比值增强处理后的部分蓝色屋顶与植被发生混淆,即明度低的蓝色屋顶被识别为植被。

为去除蓝色屋顶的影响,拟定归一化蓝屋顶指数(Normalized Difference Blue-Roof Index,NDBRI),归一化蓝屋顶指数=(绿波段-蓝波段)/(绿波段+蓝波段)。对预处理后的图像进行NDBRI处理,处理结果如图8所示。蓝色屋顶的部分出现了明显的低值区域,且与其他地物相比,对比度清晰。虽然单独的蓝光波段可以将蓝色屋顶提取出来,但蓝色屋顶与其他地物间仍存在边界模糊的现象。经过归一化蓝屋顶指数变换后,蓝色屋顶区域与其他地物之间有明显的突变现象,能准确识别出区域内的蓝色屋顶(如工棚、彩钢板等)。

3.2.3 建设用地提取 对植被增强影像进行二值化处理,经地类样本试验后选取0.4作为阈值,将大于0.4的区域认定为植被,赋值为1,将小于0.4的区域认定为建设用地,赋值为0。归一化蓝色屋顶指数进行处理后的图像存在着负值,而无数据区域在经过计算之后值为0。为消除原来无数据区域的影响,将影像进行掩膜,去掉空白区域的值,再对结果进行二值化,将小于0.033的区域赋值为0,其他区域赋值为1。之后将二值化后的两幅影像的像元值相乘,得到植被与非植被区的二值结果。最后将二值化后影像结果0、1值对调,与预处理后图像光谱做掩膜处理,得到提取的村庄建设用地影像(图9)。

3.2.4 精度验证 经统计,提取出的像元总数为125 662个,随机选取5‰的验证样本,用目视检验的方法对提取结果进行精度验证。在图像中随机抽取628个像元点,目视解译,检验其是否为建设用地,其中559个像元点为建设用地,69个像元点为非建设用地,本次验证的准确率为89.01%。误差主要出现在耕地裸露的区域,可通过多期影像叠加的方法减小误差。

4 结论

在利用高分二号遥感影像进行东北地区村庄建设用地提取中,基于监督分类的直接提取法可以对低植被覆盖区的遥感影像做出多种建设用地类型的精准提取,但处理过程复杂,精度受到分类样本选取的影响;基于植被指数并辅以归一化蓝色屋顶指数的间接提取法,适合对高植被覆盖度区域进行建设用地提取,技术方法简单快捷,适合村庄内建设用地数量的快速估算。

参考文献:

[1] 陈玉福,孙 虎,刘彦随.中国典型农区空心村综合整治模式[J]. 地理学报,2010,65(6):727-735.

[2] 董国栋.基于多源遥感数据的农村居民点用地提取技术[J].山东国土资源,2015,31(3):63-66,70.

[3] 朱玉碧.村庄建设用地整理运作及制度创新研究[D].重庆:西南大学,2012.

[4] 蓝丽梅,谢卫玲.土地整治理论潜力研究的浅思[J].企业科技与发展,2016(5):216-218.

[5] TD/T 10142007,第二次全国土地调查技术规程[S].

[6] GB-T21010-2007,土地利用现状分类标准[S].

[7] 李晓雪,薛继斌.土地整治中村庄建设用地整治潜力测算的探讨[J].经济研究导刊,2013(12):44-45.

[8] 党 慧,郑新奇,白书建,等.农村居民点集约用地潜力测算方法研究[J].地域研究与开发,2016,35(5):124-127.

[9] 郑新奇.农村居民点集约用地——调查、评价、模式、管理[M].北京:中国大地出版社,2011.

[10] 杜培军,夏俊士,薛朝辉,等.高光谱遥感影像分类研究进展[J].遥感学报,2016,20(2):236-256.

[11] 中国资源卫星应用中心.高分二号[EB/OL].http://www.cresda.com/CN/Satellite/3128.shtml.

[12] 樊文锋,李鸿洲,温 奇,等.高分二号卫星影像正射纠正精度分析[J].测绘通报,2016(9):63-66.

[13] 李 静.基于GF-2的新疆巴州地区主要地物类型信息提取方法研究[D].北京:北京林业大学,2016.

[14] 胡茂莹.基于高分二号遥感影像面向对象的城市房屋信息提取方法研究[D].长春:吉林大学,2016.

[15] 朱玉凯,牛春舟.东北地区旅游资源型村落的公共空间景观形态构建——以渤海镇小朱家村旅游景观规划为例[J].东北农业科学,2017,42(4):59-62.

[16] 汤 璐.基于空间句法的东北村落空间形态设计策略研究[D].哈尔滨:哈尔滨工业大学,2015.

[17] 张天悦.东北寒地农村住区建筑组团及院落风环境优化策略研究[D].哈尔滨:哈尔滨工业大学,2014.

[18] 贺雪峰.论中国村庄结构的东部与中西部差异[J].学术月刊,2017,49(6):111-119.

[19] 王忠武,刘顺喜,戴建旺,等.高分二号卫星数据在新增建设用地监测中的应用分析[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.基于多核學习的高光谱遥感影像分类方法研究[D].北京:中国地质大学(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.

猜你喜欢

遥感影像植被指数
基于热暗点植被指数的马尾松林叶面积指数反演分析
基于植被指数选择算法和决策树的生态系统识别
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
主要植被指数在生态环评中的作用
高分遥感影像中道路信息提取方法综述
植被指数在草地遥感中的应用初探