宋 杰

（山西省测绘地理信息院，山西 太原 030001）

0.引言

土地是人们生产生活中不可或缺的重要资源，是经济发展和社会运行的基础。我国虽然地大物博，但人口众多，人均资源尤其是耕地资源相对短缺。随着城市化进程的不断推进，人类活动对自然环境的影响越来越大，土地利用状况每年都发生着变化，是我国实现绿色健康发展的重要影响因素。

土地利用是指各类用地的面积、分布和利用状况等的情况。土地利用监测是利用遥感技术手段，对一个地区土地利用状况的动态变化进行定期或不定期的监视和测定[1]。其目的在于为政府决策部门提供准确的土地利用变化情况，便于及时进行土地利用数据更新与对比分析。现阶段国家层面有全国性的国土调查工作，省一级也在开展变化监测工作。小区域土地利用分类监测还处在比较初级的阶段，一方面，基层土地主管部门十分迫切地需要及时了解本地区内土地利用的变化情况；另一方面，小区域分类监测却还没有合适技术路线。

现阶段的卫星遥感数据具备了高空间分辨率、高时间分辨率、高光谱的特点，土地利用分类提取方法也由传统的目视解译发展到自动解译分类阶段。目视解译提取土地利用费时费力，但是精度较高，因此目前仍被广泛应用。自动提取土地利用信息的方法很多，速度快、效率高，但是准确率相对较低。在小区域变化监测工作中究竟采用何种方法效果更佳，到目前都还没有统一的解决方案，不同地区根据自身的实际情况选择适合的办法开展工作。

本文利用收集获得的北方某地任务区范围内2019年和2020年两个时期的高分辨率卫星遥感影像，研究不同土地利用信息解译方法对信息提取精度的影响，分析研究最适合本地区小区域土地利用分类监测方法。

1.研究方案

小区域土地利用的分类监测工作，主要是为了全面掌握一个地区内土地用途类型、位置、范围等的情况，在当前重点保护耕地的背景下，对耕地的监测是此项工作的重中之重。为了严守耕地红线，实现耕地总量的动态平衡，必须科学地开展土地的开发、整理、调整、复垦等工作，其中首要的任务就是要“摸清家底”，对土地利用的真实情况进行及时准确地调查监测。随着我国航空航天事业的飞速发展，高分辨率国产卫星遥感成果大量投入使用，同时大批的生态学家、测绘遥感专家、经济学者等加入土地管理学科，为土地利用分类监测工作的发展带来了新的活力。利用卫星遥感技术和人工智能进行土地利用分类监测，已经成为当前行业内的主流。

本次研究我们选取北方某乡镇作为土地利用监测的试验区域，该地区属温带大陆性季风气候。农作物主要以小麦、高粱、豆类、马铃薯等为主，经济作物主要是种植类中药。近年来，该区种植设施农用地逐渐增多，番茄、黄瓜、生菜等大棚农作物种植面积不断扩大。

开展研究之前，我们奔赴当地收集到了丰富的资料，包括研究中所采用的数据资料：（1） 影像资料：SPOT5影像（2019年度）1景，国产卫星高分影像（2020年度）1景；（2）该地区土地权属界线协议书、相关行政区划图件和文献资料。

小区域土地利用分类监测信息提取方法（如图1所示）是本研究的重点，通过利用三种方法对影像区土地利用信息进行提取，并对分类精度进行评价，获得适用于高分辨率影像提取小区域土地利用分类监测信息的解译方法。

图1 小区域土地利用分类监测信息提取方法

2.遥感影像处理

因为前期收集资料获得的影像为1景SPOT5影像（2019年度）和1景国产卫星高分影像（2020年度），均比试验区域大很多，且部分区域色彩有偏差，所以在进行信息提取工作之前，需要先进行遥感影像的预处理，包括裁剪和影像增强。

2.1 影像裁剪

整景的卫星影像范围较大，小区域土地利用分类监测所需的影像只要在监测范围内即可，所以先进行卫星影像的裁剪工作。在ArcMap软件中，用试验区的行政区域范围叠加在影像上进行裁剪操作（如图2、图3所示），获得试验区影像。

图2 行政区域范围叠加在影像上

图3 影像裁剪结果

2.2 遥感影像增强处理

土地利用信息提取中，为使影像更易于识别和特征提取，需要对正射影像图进行影像增强处理。影像增强主要包括空间增强、辐射增强、光谱增强和影像融合处理。空间增强包括空间卷积、傅里叶变换等，低通滤波加强了低频信息，强调了大范围的亮度区域；高通滤波强化空间细节，道路等线状边界地物等得到增强；傅里叶变换能有效地消除影像噪音。辐射增强包括线性拉伸、直方图均衡化、直方图匹配、亮度反转、去霾处理等，线性拉伸后的影像地物差异增大，易于地物判别；直方图均衡化可以提高影像细节部分的分辨度，改变亮度值和纹理结构的关系[2]；直方图匹配常用于影像拼接前处理；亮度反转能够增强线性信息；去霾处理增强影像清晰度。光谱增强包括主成分分析、色彩变换、去相关拉伸、缨帽变换等，主成分分析适宜于没有先验信息的地区，便影像易于解译；色彩变换使影像颜色与人眼观察到的更接近；去相关拉伸能够增加影像饱和度；缨帽变换广泛应用于农作物长势、植被、土壤等研究。影像融合对多时相、多分辨率、多遥感器的影像进行融合，获得比单一影像更丰富的信息。

本次研究选择在ENVI软件中对影像进行直方图均衡化处理（如图4所示）：

图4 影像增强处理前后对比

3.土地利用遥感分类方法

增强后的正射影像进行信息的分类提取，采用ArcGIS、ENVI、ERDAS等遥感影像分类软件，通过自动分类、目视解译、两种方法相结合等三类手段进行影像特征信息的提取和分类。目视解译通过个人经验和影像判读进行直接分类；自动分类采取监督分类和非监督分类，通过监督分类地类样本区的选择或者类别个数的设置进行计算机分类；目视解译和自动分类的结合将计算机较难精准分类的直接矢量化，再将剩余易分类的进行计算机分类，最后再将两者合并得到分类结果。

试验区范围内分别基于像元的自动分类（监督分类、非监督分类）、运用目视解译、两者结合起来（先目视解译分类生成矢量再自动分类）方法进行影像信息提取的对比分析，通过研究结果确定开展此项信息提取工作最适合的方法。

3.1 自动分类

遥感影像自动分类主要依据地物像元的光谱特征和空间结构特征，利用统计模式识别技术进行分类。从分类前能否获得训练样本类别这一先验信息角度，可以分成监督分类和非监督分类两大类[3]。

监督分类又称为训练分类法，即用被确认类别的样本像元作为参考，去分类提取其他未知类别像元的过程[3]。非监督分类也称聚类分析或点群分析[4]，是在遥感影像中按照像元的自然相似光谱群组进行分类的过程。

监督分类比非监督分类更多地需要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其他信息可以断定其类型的像元建立模板，然后基于该模版使计算机系统自动识别其有相同特性的像元[5]。

自动分类对研究区土地利用信息进行提取（如图5所示），只能提取出林地、耕地、居民点和未利用地，未能提取出道路和草地，道路信息被错误地分为居民地，草地被认为是耕地，分类精度不高。

图5 自动分类土地利用分类图

3.2 目视解译

目视解译，是解译人员根据自己经验和专业知识为依据，在遥感影像上进行分析和判断，通过影像的色调、形状、纹理、位置等特征，实现影像的识别和特征信息的提取（如图6所示）：

图6 目视解译土地利用分类图

3.3 目视解译与自动分类相结合

首先将研究区内易于判别，且容易与其他地类相混合的部分地类进行目视解译提取矢量数据，再对剩下的地类进行自动分类，最后将两者合并，这样做既减少了工作量，也适当提高了解译的精度（如图7所示）：

图7 目视解译与自动分类相结合效果图

3.4 方法对比分析

以上三种分类方法都可以获得基本满足监测工作要求的结果，但是在工作量、成果精度以及属性信息的可维护性方面还存在着不小的差异。将自动分类、目视解译、两者结合三种分类方法以工作量的大小排序为：目视解译工作量最大，两者结合的方法工作量适中，自动分类最轻松。按照结果的精度高低排序为：目视解译的成果精度最高，两者结合稍微差一些，自动分类方法的直接结果精度最差。按照属性信息的管理和可维护性的便利程度排序为：两者结合的方法最优，目视解译属性最准但维护工作繁重，自动分类方法维护简单但属性信息不够准确。小区域土地利用分类监测工作的要求是：监测效率高，更新速度快，精度有保障，信息维护方便。因此综合考虑，现阶段最适合小区域土地利用分类监测工作的方法是目视解译和自动分类相结合进行信息提取。

4.结束语

本文的研究过程中以一景2019年度的SPOT5影像和一景2020年度国产卫星高分影像为遥感影像基础数据资料，利用三种类型的土地利用分类方法进行研究对比。在对研究成果进行分析后得出，在现阶段高分辨率卫星影像不断普及的大环境下，目视解译和自动分类结合的方法能够充分地将专业技术人员的知识经验和人工智能快速高效的优点进行整合，信息提取精度能够满足要求的同时保证了更新效率，是目前最适合小区域土地利用分类监测工作的方法。但是科学技术是在不断发展的，目前大数据和人工智能技术正在飞速地进步，在不久的将来，机器学习参与下的自动分类解译方法会越来越精确，届时小区域土地利用分类监测工作将不再需要人工干预，会以全自动的形式进行，从而实现真正不需要人工干预的智能解译。