刘斌 任俊儒 韩健 董加旺

（华北地质勘查局五一四地质大队，河北承德 067000）

土地资源是自然资源管理和规划的重要组成部分[1]，了解土地资源及利用情况对人类生产活动具有重要意义[2]。随着生产生活不断发展，及时掌握环境变化及土地利用分布，利用信息化提升国家治理体系和治理能力现代化，是践行自然资源部发布《自然资源部信息化建设总体方案》的具体体现[3]。当前，随着经济建设及社会各项事业的快速发展，城市化、工业化的快速发展，使得土地利用变化加快[4]。及时掌握土地利用情况，是实现土地资源规划的重要基础，对指导自然资源管理与保护、土地资源的合理利用、可持续发展和提高土地资源管理的现代化水平有着重要的现实意义[5-6]。承德市建设国家可持续发展议程创新示范区需要掌握及时、准确的土地利用情况，服务承德创新发展、绿色发展、高质量发展。

1 前言

传统的土地分类信息采取实地测量与统计相结合的方法，效率低下，数据的更新能力较差[7-8]。不同的土地类型、自然背景中的建筑、植被和道路，可以通过它们的反射率来区分。遥感具备周期性、宏观性优势，可用于土地利用分类[9-10]。本研究基于高分辨率陆地卫星图像数据，获取土地利用情况并进行进度评价，可为区域土地利用变化调查提供参考。

2 研究区概况及预处理

2.1 研究区概况

研究区域位于承德市高新区，地处承德市主城区南部，1992 年6 月，经省政府批准成立，初始规划面积6.2 平方公里。2012 年8 月，经国务院批准，升级为国家级高新区。规划建设用地面积55 平方公里，建成区面积15 平方公里。承德市高新区交通便利，连接京承、承唐、承朝、承秦、承赤高速公路，京沈高铁承德南站位于高新核心区[11]。本研究基于高分二号卫星影像数据对承德市高新区土地利用情况进行分析、统计。2014年8月19日，高分二号影像卫星（GF-2）成功发射，空间分辨率可达0.8 米，标志着我国遥感卫星进入了亚米级“高分时代”[12]。

2.2 遥感数据及预处理

选用覆盖研究区2021年8月29日与2022年4月23 日GF-2 影像共两景，质量良好，无云。GF-2 多光谱影像主要参数如表1所示。经过辐射定标、大气校正、正射融合和裁剪等处理，得到待分类影像。

表1 GF-2传感器主要参数

2.3 样本点选取

在大量实地调查基础上，并参考同时期Google Earth 影像，利用ArcGIS 10.7 在GF-2 影像上选择和生成样本。考虑到样本均衡性，样本数量按照各类型地物所占比例进行设置，由于建筑的混淆程度较大，适当增加了其样本数。最终2021 年8 月29 日影像共选择了8870 个像元作为样本数据（裸地1390个、建筑3100 个、植被1505 个、道路1410 个、水体1465 个），2022 年4 月23 日影像共选择了10958 个像元作为样本数据（裸地2112 个、建筑3197 个、植被1880个、道路1804个、水体1965个）。

3 研究过程

3.1 分类特征构建

对影像完成各项预处理后，首先构建分类特征，包括归一化水体指数技术、归一化差异植被指数计算，灰度共生矩阵计算等，得到分类所用的各类特征集；然后分别利用最大似然法（Maximum likelihood classification，MLC）、支持向量机（Support Vector Machine，SVM）和随机森林（Random Forest）方法进行分类，比较不同方法对不同时期影像的分类效果；最后利用实测数据、原始影像和分类后影像比较研究区土地覆盖类型变化情况。图1 为研究思路的具体技术流程。

图1 技术流程

3.2 分类特征构建

本文选取了光谱信息、遥感指数和纹理特征等共14 个变量。光谱特征为GF-2 影像输出的4 个波段，基于波段运算得到归一化水体指数和归一化差异植被指数。

研究表明纹理信息可以在一定程度上提高分类精度。在ENVI5.3 中，选用3×3 窗口，利用灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM）计算影像的8 种纹理特征（均值、方差、对比度、熵、相关性、差异性、同质性和二阶矩），得到4 个波段的32 个纹理特征变量。由于这些纹理特征变量间存在较高的相关性，利用主成分（PCA）分析进行降维，最终选择前8个主成分（PCA1-PCA8）作为纹理特征变量。

城市自然系统是以建筑为主体，同时兼具植被、水体和土壤特征的复杂环境。本文依据城市地区的土地覆盖类型分布特点，构建了光谱、遥感指数和纹理特征共3种类型的分类特征。各特征变量的名称、计算方式和描述如表2所示。

表2 分类特征变量

3.3 分类方法

1）最大似然法分类。最大似然法是一种监督分类算法，在分类过程中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，而进行分类的一种遥感图像分类方法[13]。

2）支持向量机分类。支持向量机是一种二分类模型，它的基本模型是利用定义在特征空间上的间隔最大的线性分类器，其实现的基本想法是求解能够正确划分训练数据集并且最大间隔的超平面[14]。

3）随机森林分类。随机森林算法是利用多颗分类与回归树（Classification and regression tree，CART）构成的非参数机器学习算法。该算法具有优良的抗过拟合特性，并能够高效计算大量数据集，处理数千个变量。具有较高的准确率，可评估各个特征在分类问题上的重要性[15]。

4 结果与分析

4.1 土地利用类型特征分析

4.1.1 光谱特征

通过对研究区内获取的样本进行蓝、绿、红和近红外4 个波段进行均值和方差分析得到其光谱曲线（图2和图3，左纵坐标轴为2022年4月23号影像，右纵坐标轴为2021年8月29日影像）。

图2 光谱均值

图3 光谱均值

由图2 和图3 可知建筑和植被、水体在红、绿、蓝三个波段的光谱均值和方差差异性较大，植被在近红外波段有明显的红边现象，为分离出植被与其余4类提供了强有力的特征。建筑的方差明显高于其余类，裸地与建筑、道路之间光谱趋势区域一致，通过对光谱差异性的分析，利用方差可将地物分为建筑类和非建筑类。

4.1.2 遥感指数与纹理特征

归一化差异植被指数（NDVI）能够最大程度突出植被信息，抑制其他信息，可以区分植被与水体、建筑、裸地和道路。归一化水体指数（NDWI）能够抑制植被，凸显水体，可以用于区分水体与植被的边界区域。

对样本的纹理特征进行分析，将获取的前8个主成分进行均值和方差分析得到主成分曲线（图4，图5）。由图4、图5 可知PCA1～PCA8 能够为分类提供不同程度的差异性，排序靠前的纹理特征的差异性较大，排序靠后的纹理特征差异性较小，原因可能是经过主成分分析之后，排序靠后的纹理特征分量包含较少的原始信息。

图4 PCA均值

图5 PCA方差

4.2 不同分类结果评价

利用4.1 中分析的变量特征建立分类特征库，利用最大似然法（MLC）、SVM 和RF 三种方法分别对2022 年4 月23 日和2021 年8 月29 日两景影像进行分类，利用生产者精度（PA）、用户精度（UA）、总体精度和kappa系数进行精度评价，结果见表3。

由表3 可知，相同特征下的3 类分类方法中，RF分类结果精度最高，2022年4月23日影像OA和Kappa 系数分别为93%和0.911，比MLC 和SVM 方法分别高出1.87、3.22 个百分点和0.0243、0.0406；2021 年8 月29 日影像OA 和Kappa 分别为87.76%和0.8429，比MLC 和SVM 方法分别高出1.88、6.02 个百分点和0.0201、0.0757。说明RF 方法比MLC 和SVM 方法更能有效的提取城市土地覆盖类型信息，具有很好的适用性。

通过直观的目视解译并对比原始影像可发现，RF方法分类制图结果整体效果较好（图6）。图6中，a、c 分别为2022 年4 月23 日和2021 年8 月29 日原始遥感影像，b、d 分别为RF 分类结果。由图6 可知研究区内河流湖泊、道路和城市建筑分布连续；裸地、植被的提取较为完整。

4.3 重点变化区域比较

利用4.2 中不同时期RF 分类结果同时结合原始影像目视解译，比较城市发展过程中土地利用变化情况，主要是新增建筑、拆毁建筑和水体面积变化较大的区域（图7）。

图7

由图7 可知，水体面积变宽、新增方舱医院和拆毁重新规划建筑能够利用不同时期的分类图像很好的识别出来，地面土地覆盖类型发生变化区域的提取相对完整，分布连续。

5 结论

通过研究主要有以下结论：

（1）针对城市地区土地覆盖类型分类问题，使用建立的分类特征比较了MLC、SVM 和RF 等分类方法的性能，结果表明：RF方法优于MLC和SVM方法，是适合城市地区比较合适的分类方法。

（2）建立一种结合GF-2 影像光谱信息、纹理特征和遥感指数的RF 分类方法，实现了对城市地区土地覆盖信息的分类，OA 达到了91.13%，Kappa 系数为0.8867。

（3）比较了不同时期分类结果对城市水体、新增建筑和拆毁建筑的提取能力，RF 方法能够有效提取城市用地的变化情况，提取结果相对完整。

利用高分二号卫星进行承德市土地利用监测应用研究表明，高分二号卫星对于监测城市发展、城市用地变更等方面具有良好作用，可为城市监测提供数据支撑、技术支持。