文章信息
- 于信芳, 罗一英, 庄大方, 王世宽, 王勇
- YU Xinfang, LUO Yiying, ZHUANG Dafang, WANG Shikuan, WANG Yong
- 土地覆盖变化检测方法比较——以内蒙古草原区为例
- Comparative analysis of land cover change detection in an Inner Mongolia grassland area
- 生态学报, 2014, 34(24): 7192-7201
- Acta Ecologica Sinica, 2014, 34(24): 7192-7201
- http://dx.doi.org/10.5846/stxb201310142468
-
文章历史
- 收稿日期:2013-10-14
- 修订日期:2014-10-17
准确的土地覆被变化信息不仅是全球变化研究的重要基础,也是资源可持续利用中决策、管理和监控的重要依据。20世纪90 年代以来,随着资源、环境和人口问题的日益突出,土地覆盖变化研究己成为国际上全球变化研究的前沿和热点课题。随着对地观测技术的发展,遥感数据源不断丰富,遥感技术已成为获取土地覆盖变化信息的最为经济有效的手段。
近几十年来,国内外专家学者相继提出和发展了多种变化检测的方法,对于“二值变化”检测来说,目前常规的变化检测方法很多[1]。其中基于图像代数运算的方法(如图像差值/比值法[2]、植被指数法[3]和变化矢量分析法[4]等)算法简单、易于实现,且变化矢量分析法能有效对维数约简,因而得到广泛应用;基于图像数据变换的变化检测方法(主成分分析法[5, 6])则通过多时相遥感图像进行变换来减少数据间的冗余信息,变化信息在变换后的图像上得到增强;基于图像空间结构特征的方法[7, 8]则考虑邻近像元的空间特征信息,将图像空间结构特征与光谱信息共同用于变化检测,这对改善变化检测性能有重要作用。与基于像元的变化检测方法仅考虑单个像元的光谱特征不同,近些年发展的基于面向对象的变化检测方法以图像分割[9]为基础,将图像划分为若干个形状和光谱性质具有均质性的对象,同时整合了光谱信息和空间信息。进行变化信息提取时,不仅依靠对象的光谱特征,更多的是利用其几何和结构特征,后续的图像分析和处理也都基于对象进行。国内外学者在应用面向对象的变化检测方法时,多考虑面向对象的分类后比较法[10, 11, 12, 13],面向对象的直接比较法研究较少,研究面向对象的变化检测方法对于具体土地覆盖变化类型检测效果才刚刚开始。
为了探究不同变化检测方法在土地覆盖变化检测中的有效性和适用性,本文以Landsat卫星影像为数据源,以内蒙古草原区作为试验对象,比较了几种土地覆盖变化检测方法的优缺点和应用效果。本文的研究结果对于筛选、利用有效的土地覆盖变化检测方法,提高土地覆盖变化探测的自动化程度,具有借鉴意义。
1 研究区数据与研究方法 1.1 研究区和数据来源研究区位于内蒙古自治区西南部,包括鄂尔多斯市和包头市等区域,地理位置为109°6′14″E—110°3′13″E,39°8′14″N—40°8′50″N,属半干旱中温带大陆性季风气候。区内有平原、丘陵、荒漠等地貌类型,在整个区域的北部,黄河自西向东穿过。区内土地覆盖类型多样,有林地、草地、水体、农田、建设用地、工矿用地及其他土地覆盖类型,是北方草原区的典型代表。近年来,由于大规模的矿产开采和城市化扩展,土地覆盖类型发生了很大变化,大量草地、林地和农田转化成工矿用地和建设用地等。
遥感数据来自于美国地质调查局(USGS,http://www.usgs.gov)的Landsat影像,行列号为127/032,两期影像的时相为2002年9月23日的Landsat 7/ETM+和2011年9月24日的Landsat 5/TM,选择时相相近的图像有助于消除和减少季相差异。从USGS获取的Landsat TM/ETM+数据已经经过了正射纠正处理,位置匹配精度满足遥感变化检测的要求。为了减小两期影像辐射变化的影响,进行了辐射校正处理,即在两幅影像上采集200对裸地、建设用地等“准”不变的特征点,在SPSS软件中作回归分析,获得线性变换函数,然后在ENVI软件中使用该函数模型对待校正影像各波段(第6波段除外)进行计算,将待校正的影像归一化到参考影像的辐射水平上。经过裁剪后,最终用于变化检测比较研究的图像大小为5093×4706个像元(图 1)。
选取了2010年的土地覆盖产品作为参考数据,该数据基于多时相国产环境星一号卫星的CCD数据,采用面向对象分类方法产生,通过大量野外实地调查样点验证和当地环保部门用户评价,总体分类精度90%以上。
2 012年8月15—23日进行了研究区的土地覆盖情况地面调查,获取了研究区实地调查样点523个。参考2010年土地覆盖数据,选择研究区内的典型土地覆盖类型,根据两期遥感影像和野外调查样点,结合Google Earth高分辨率影像进行目视判读,共获取验证点1833个(图 2),其中土地覆盖类型变化的点670个,未变化的点1163个。本研究将这些点作为样本数据,评价不同变化检测方法的有效性。
1.2 研究方法本文选取了广泛应用的图像差值法、图像比值法、植被指数法和变化矢量分析法等基于图像代数运算的变化检测方法,主成分差异法、差异主成分法和多波段主成分分析法等基于图像变化的变化检测方法,基于图像空间特征的变化检测方法——扩展的变化矢量分析法以及面向对象的变化矢量分析法和面向对象的光谱向量相似法等面向对象的变化检测方法进行研究(图 3)。
基于TM/ETM+遥感影像分析土地覆盖变化检测主要步骤:①遥感影像预处理:辐射校正、几何校正以及影像裁剪等;②分别利用基于图像代数运算的变化检测方法、基于图像变换的变化检测方法、基于图像空间特征的变化检测方法以及面向对象的变化检测方法对研究区TM/ETM+遥感影像进行变化检测,提取“二值变化”信息;③利用相同的验证样本对各方法的“二值变化”检测结果进行精度验证,分析不同变化检测方法的有效性和适用性;④结合研究区土地覆盖数据,分析“二值变化”检测精度最高的三种方法在不同土地覆盖变化类型中检测效果。其中差值法和比值法均先对各波段分别进行变化检测,然后选取检测结果最好的波段作为最终的变化检测结果。在扩展的变化矢量分析法中,选取灰度共生矩阵中的均值来生成纹理特征图像,对其进行归一化后,采用变化矢量分析法分别计算光谱变化信息和纹理变化信息[14, 15, 16],并进行叠加,得到一个有两个波段的变化量图像,最后通过支持向量机分类[17, 18]方法提取变化信息。在进行面向对象的变化检测时,首先采用经典的多尺度图像分割法对经过预处理的两期TM/ETM+影像进行分割,获取影像对象,然后分别计算各影像对象的光谱变化矢量大小和光谱向量相似度,通过最佳阈值设定来提取变化检测结果。
2 结果分析与讨论 2.1 变化检测结果4 种基于图像代数运算的变化检测得到的变化结果如图 4所示。从图中可以看出,检测结果较为零碎,图像差值法和图像比值法提取的变化信息大体一致,植被指数法突出的变化信息大多分布于图像中部植被生长旺盛的地方,相对而言,变化矢量分析法提取的变化信息很少。
采用3种基于图像变换的方法和一种基于图像空间特征的变化检测方法进行变化检测得到的变化信息如图 5所示。从图中可以看出,与仅利用光谱信息进行分析的变化检测方法相比,扩展的变化矢量分析法的检测结果在结构和完整度上均有提高,较好的避免了“椒盐”现象的产生。主成分差异法和多波段主成分分析法提取的变化信息相对较多,变化信息分布大致相同。
面向对象的变化检测结果如图 6所示。对比其他方法提取的变化信息,图 6所示的两种面向对象的变化检测方法提取的变化信息相对较多,同时,由于所有的处理均是基于影像对象进行的,面向对象的方法有效地改善了仅利用影像光谱信息进行变化检测出现的噪声问题和“椒盐”现象,变化信息的结构和完整度都有所提高,检测结果更为优化,变化信息更为突出。
对比图 4、图 5和图 6可看出,仅利用光谱信息的检测结果较为零碎,包含较多非感兴趣和非重点的变化信息,把图像的空间特征与光谱信息结合后的检测结果中变化信息的结构和完整程度均有所提高,而面向对象的变化检测方法在充分地利用图像的光谱和空间信息的基础上有效避免了边缘效应,提供了更为完整的变化目标轮廓和结构信息,实现了检测结果的优化。
2.2 “二值变化”精度评价为定量评价不同检测方法的结果,使用误差矩阵[19]来对变化检测结果进行精度评价。主要精度指标包括总体精度、Kappa系数、虚检率和漏检率等。其中虚检率表示检测为变化而实际未发生变化的样本数占检测到的全部变化样本数的比例,反映了变化检测结果中存在虚假变化的概率;而漏检率则表示实际发生变化但检测为非变化的样本数占全部实际变化样本的比例,反映的是变化检测结果中漏检变化的概率。
使用野外观测和目视判读获得的参考数据(包括670个变化像元与1163个不变化像元),构造误差矩阵,计算不同方法的检测精度指标。对不同变化检测方法提取的变化图像都采用相同的样本,以便进行比较。对检测结果进行精度评价,得到总体检测精度、Kappa 系数、虚检率及漏检率等精度指标(表 1)。
方法类型 Method types | 方法 Methods | 总体精度/% Overall accuracy | Kappa系数 Kappa coefficient | 漏检率/% Missing rate | 虚检率/% False rate |
基于图像代数运算的方法 | 图像差值法 | 85.87 | 0.6788 | 31.49 | 9.47 |
Methods based on image | 图像比值法 | 86.20 | 0.6898 | 28.50 | 11.46 |
algebra operations | 植被指数法 | 83.58 | 0.6165 | 40.60 | 6.79 |
变化矢量分析法 | 83.96 | 0.6214 | 42.39 | 2.52 | |
基于图像变换的方法 | 主成分差异法 | 87.83 | 0.7207 | 31.04 | 3.14 |
Methods based on image | 差异主成分法 | 85.54 | 0.6669 | 34.92 | 6.64 |
transformation | 多波段主成分分析法 | 86.25 | 0.6853 | 32.54 | 6.99 |
基于图像空间结构特征的方法 Methods based on image spatial characteristics | 扩展的变化矢量分析法 | 85.87 | 0.6725 | 35.82 | 4.23 |
面向对象的方法 | 面向对象的变化矢量分析法 | 91.56 | 0.7892 | 18.12 | 12.18 |
Object-oriented methods | 面向对象的光谱向量相似法 | 87.42 | 0.6727 | 31.88 | 15.05 |
(1)两种面向对象的变化检测方法都能有效抑制总体误差,在总体精度上有较明显的优势,尤其以面向对象的变化矢量分析法效果最佳,其总体精度和kappa系数最高,且漏检率最低。然而,与基于像元的变化检测方法相比,面向对象的变化检测方法虚检率都较高。
(2)在基于图像代数运算的4种变化检测方法中,图像比值法总体精度最高,漏检率最低。植被指数法和变化矢量分析法虽然综合利用了两个或多个波段的信息,虚检率得到抑制,但这2种方法的漏检率偏高,检测效果并不理想。
(3)在基于图像变换的3种方法中,主成分差异法的精度最高,漏检率和虚检率也最低。另2种方法的检测精度比较接近,多波段主成分分析法的漏检率稍优于差异主成分法。
(4)扩展的变化矢量分析法虚检率较低,但漏检率偏高,这使得检测效果并不理想。但值得注意的是,相对于仅利用图像光谱信息来进行变化检测的变化矢量分析法来说,把图像纹理特征加入到变化检测中的扩展的变化矢量分析法在总体精度和漏检率上,都有明显改善。
(5)在三类基于像元的变化检测方法中,有多个(或两个)波段参与的变化检测方法其虚检率皆低于只有一个波段参与的变化检测方法(图像差值法和图像比值法),而漏检率则相反。这说明采用多波段数据进行变化检测能在一定程度上抑制虚检率,但可能使漏检率增大。
总体而言,四类变化检测方法对于利用TM/ETM+影像来对内蒙鄂尔多斯地区进行土地覆被变化检测均有不同程度的适用性,其中,两种面向对象的变化检测法及主成分差异法在总体精度上有明显的优越性,面向对象的变化矢量分析法能在有效抑制漏检率的基础上,取得最高总体精度和kappa系数,而主成分差异法则能在较好的控制虚检率的情况下,保持较理想的总体精度和kappa系数。
2.3 典型变化区域检测结果对比为了更直观地比较各类方法的变化检测结果,本文选取了研究区内城市扩张、矿产开采以及河流改道3个具有代表性的区域,对在各类方法中精度最高的图像比值法、主成分差异法、扩展的变化矢量分析法和面向对象的变化矢量分析法的局部检测效果进行对比分析。对比结果如图 7所示,对检测结果进行目视定性判断可知:主成分差异法和面向对象的矢量分析法的检测结果更接近于实际变化;图像比值法和主成分差异法由于仅利用光谱信息进行变化检测,检测结果较零碎,“椒盐”现象严重,考虑到图像的空间特征并将其用于变化检测后,在扩展的变化矢量分析法的检测结果中,变化信息的结构和完整性有所提高,变化信息较突出,在面向对象的变化矢量分析法的检测结果中,变化信息的结构和完整性有了进一步提高,变化信息更为突出,检测结果进一步优化;而面向对象的变化矢量分析法漏检率低和虚检率高的特性,表现为其提取的变化信息最多。这与表 1也是一致的。
2.4 不同变化类型的精度评价结合2010年土地覆盖数据,对两期TM/ETM+影像采用面向对象分类和人机交互修改相结合的方法,分别将两期遥感影像分为建设用地、工矿用地、林地、草地、旱地、水体和裸地等7类,获得两期土地覆盖数据,其精度均在95%以上。为了更好地对比和分析检测效果较好的3种方法,通过分析两期土地覆盖数据,得出研究区内主要的10种土地覆盖变化类型(表 2),统计了在不同土地覆盖变化类型中3种方法的总体精度。
土地覆盖变化类型 Land cover change types | 总体精度Overall accuracy/% | ||
面向对象的变化 矢量分析法 Object-oriented change vector analysis | 面向对象的 光谱向量相似法 Object-oriented spectral vector similar | 主成分差异法 Principal component differencing | |
草地—>工矿用地 Grassland—> Industrial and mining land | 87.25 | 82.35 | 67.65 |
草地—>建设用地 Grassland—>Construction land | 61.11 | 41.67 | 88.89 |
草地—>裸地 Grassland—>Bare land | 75.00 | 75.00 | 50.00 |
旱地—>工矿用地 Dry land—> Industrial and mining land | 93.33 | 73.33 | 93.33 |
旱地—>建设用地 Dry land—> Construction land | 80.95 | 33.33 | 100.00 |
旱地—>水体 Dry land—>Water body | 89.65 | 62.07 | 82.76 |
林地—>工矿用地 Forest land—> Industrial and mining land | 85.18 | 81.48 | 68.52 |
水体—>旱地 Water body—> Dry land | 84.21 | 68.42 | 94.74 |
水体—>草地 Water body—> Grassland | 100.00 | 80.00 | 100.00 |
裸地—>草地 Bare land—> Grassland | 65.22 | 56.52 | 8.69 |
从表 2可以看出,对于研究区的10种土地覆盖变化类型,总体精度而言:
(1)面向对象变化矢量分析法均明显优于面向对象光谱向量相似法,其中,与建设用地有关的两类变化类型精度差异在20%以上,与旱地有关的四类变化类型精度差异均在15%以上。
(2)除了在旱地变为工矿用地这一变化类型上精度相同外,在其他两类与工矿用地有关的土地覆盖变化检测中,面向对象变化矢量分析法的精度皆明显高于主成分差异法。但在与建设用地有关的变化类型中,主成分差异法却表示出显著优势。
(3)相对来说,面向对象变化矢量分析法在所有变化类型中均有较理想的检测效果,平均精度为85%左右,而主成分差异法虽然在大部分变化类型上有较高精度,对其中4种变化类型的精度甚至达到了93%以上,但对于草地变化为裸地、裸地变为草地两种变化类型,精度很低。
现在的变化检测研究大都是对多期遥感图像分别进行土地覆盖分类,并对分类结果进行精度验证,然后基于多期的分类结果进行变化分析,而对变化的精度不再进行精度评价[20, 21]。多期的土地覆盖分类精度随不同试验区有一定变化,一般在86%—92%。本研究通过比较多种变化检测方法,比较筛选出几种基于影像的变化检测方法,在多期土地覆盖变化检测中可以仅针对变化图斑进行类比的分析,可以大大减少多期土地覆盖分类的工作量。本研究的土地覆盖变化精度与基于多期的精度相当。
3 结论本研究以TM/ETM+影像为数据源,采用多种变化检测方法进行了土地覆盖变化检测研究,分析了不同变化检测方法在检测“二值变化”上的差异,同时,对在“二值变化”检测中精度最高的三种方法,研究了其在研究区具体土地覆盖变化类型的检测效果,得到如下结论:
(1)在“二值变化”的检测中,面向对象的变化检测法能较好地抑制总体误差,在总体精度上有明显优势,尤其以面向对象的变化矢量分析法总体精度和Kappa系数最高。与其他基于像元的变化检测方法相比,主成分差异法能在有效控制虚检率的基础上,获得较理想的总体精度和Kappa系数。
(2)面向对象的变化矢量分析法和主成分差异法分别有不同的优势,前者可以有效降低漏检变化,同时避免“椒盐”现象,较好地保持变化信息的结构和完整性,而后者的优势在于抑制虚检变化,具体在实际变化检测应用中,可针对不同需求选择合适方案,以获得最大价值的变化检测信息。
(3)对于具体土地覆盖变化类型的检测来说,面向对象的变化矢量分析法均优于面向对象的光谱向量相似法,且在与建设用地和旱地相关的变化类型上尤为明显。在与工矿用地有关的变化类型上,面向对象的变化矢量分析法精度明显高于主成分差异法,而在与建设用地有关的变化类型中,主成分差异法有显著优势。面向对象的变化矢量分析法在所有变化类型中平均精度在85%左右,而主成分差异法对于各变化类型的检测精度差异很大,对其中4种变化类型的精度甚至达到了93%以上,但对于检测草地与裸地间的转化精度很低。
[1] | Yang X L. Change Detection of Multi-temporal Remote Sensing Images [D]. Xi'an: Xidian University, 2011. |
[2] | Sun X X, Zhang J X, Yan Q, Gao J X. A summary on current techniques and prospects of remote sensing change detection. Remote Sensing Information, 2011, (1): 119-123. |
[3] | Jiao B Q. Driving factor analysis on the vegetation changes derived from the Landsat TM images in Beijing. Acta Ecologica Sinica, 2013, 33(5): 1654-1666. |
[4] | Berberoglu S, Akin A. Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(1): 46-53. |
[5] | Dian Y Y. Change Detection using Remote Sensing Images [D]. Wuhan: Wuhan University, 2005. |
[6] | Fung T, Le Drew E. Application of principal components analysis to change detection. Photogrammetric Engineering and Remote Sensing, 1987, 53: 1649-1658. |
[7] | Song C Y, Li P J, Yang F J. The application of multiscale image texture to the detection of urban expansion. Remote Sensing for Land and Resources, 2006, 18(3): 37-42. |
[8] | He C Y, Wei A, Shi P J, Zhang Q F, Zhao Y Y. Detecting land-use/land-cover change in rural-urban fringe areas using extended change-vector analysis. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(4): 572-585. |
[9] | Long X Y, Li P J. A method of urban change detection based on image segmentation. Geo-Information Science, 2008, 10(1): 121-127. |
[10] | Zhang Y J, Li H T, Gu H Y. A research on object-oriented analysis of automatic change information extraction based on decision tree. Remote Sensing Information, 2011, (2): 91-97. |
[11] | Han S S, Li H T, Gu H Y. The study on land use change detection based on object-oriented analysis. Remote Sensing Information, 2009, (3): 23-29. |
[12] | Gamanya R, De Maeyer P, De Dapper M. Object-oriented change detection for the city of Harare, Zimbabwe. Expert Systems with Applications, 2009, 36(1): 571-588. |
[13] | Doxani G, Karantzalos K, Tsakiri-Strati M. Monitoring urban changes based on scale-space filtering and object-oriented classification. International Journal of Applied Earth Observation and Geoinformation, 2012, 15: 38-48. |
[14] | Inglada J,Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445. |
[15] | Chen Z P, Deng P, Chong J S, Wang H Q. Application of textural features to change detection in SAR image. Remote Sensing Technology and Application, 2002, 17(3): 162-166. |
[16] | Zhong J Q, Wang R S. A road network change detection algorithm based on linear feature. Journal of Remote Sensing, 2007, 11(1): 27-32. |
[17] | Cao X, Chen J, Imura H, Higashi O. A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data. Remote Sensing of Environment, 2009, 113(10):2205-2209. |
[18] | Mantero P, Moser G, Serpico S B. Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 559-570. |
[19] | Oortvan P A J. Interpreting the change detection error matrix. Remote Sensing of Environment, 2007, 108(1): 1-8. |
[20] | Lin N, Xu H Q, He H. Land use changes in a reddish soil erosion region of Southern China: Hetian Basin, County Changting. Acta Ecologica Sinica, 2013, 33(10): 2983-2991. |
[21] | Liu H J, Zhou C H, Cheng W M, Long E, Li R. Monitoring sandy desertification of the Otindag Sandy Land based on multi-date remote sensing images. Acta Ecologica Sinica, 2008, 28(2): 627-635. |
[1] | 杨晓丽. 多时相遥感影像的变化检测 [D]. 西安: 西安电子科技大学, 2011. |
[2] | 孙晓霞, 张继贤, 燕琴, 高井祥. 遥感影像变化检测方法综述及展望. 遥感信息, 2011, (1): 119-123. |
[3] | 贾宝全. 基于TM卫星影像数据的北京市植被变化及其原因分析. 生态学报, 2013, 33(5): 1654-1666. |
[5] | 佃袁勇. 基于遥感影像的变化检测研究 [D]. 武汉: 武汉大学, 2005. |
[7] | 宋翠玉, 李培军, 杨锋杰. 运用多尺度图像纹理进行城市扩展变化检测. 国土资源遥感, 2006, 18(3): 37-42. |
[9] | 龙玄耀, 李培军. 基于图像分割的城市变化检测. 地球信息科学, 2008, 10(1): 121-127. |
[10] | 张雨霁, 李海涛, 顾海燕. 基于决策树的面向对象变化信息自动提取研究. 遥感信息, 2011, (2): 91-97. |
[11] | 韩闪闪, 李海涛, 顾海燕. 面向对象的土地利用变化检测方法研究. 遥感信息, 2009, (3): 23-29. |
[15] | 陈志鹏, 邓鹏, 种劲松, 王宏琦. 纹理特征在SAR图像变化检测中的应用. 遥感技术与应用, 2002, 17(3): 162-166. |
[16] | 钟家强, 王润生. 一种基于线特征的道路网变化检测算法. 遥感学报, 2007, 11(1): 27-32. |
[20] | 林娜, 徐涵秋, 何慧. 南方红壤水土流失区土地利用动态变化——以长汀河田盆地区为例. 生态学报, 2013, 33(10): 2983-2991. |
[21] | 刘海江, 周成虎, 程维明, 龙恩, 李锐. 基于多时相遥感影像的浑善达克沙地沙漠化监测. 生态学报, 2008, 28(2): 627-635. |