首页 | 学术研究∶GIS和遥感技术 |
土地利用动态监测中GIS与RS一体化的 |
(中国农业大学 资源与环境学院信息管理系,北京 100094)
1 引言 国土资源动态监测是我国国土资源管理的基本工作任务之一。我国国土幅员广阔,土地利用动态性强。遥感 (RS) 是一种快速获取地面宏观信息的技术手段,结合全球定位系统 (GPS) 以及地理信息系统 (GIS) 就可以准确、客观、及时、大面积地得到土地利用现状信息,为土地利用管理科学制定相应的政策服务。因此,基于“3S”技术的土地利用动态监测方法应运而生。许多单位在这方面做过大量的工作,并取得了不小的成绩[1、2、3、14、15]。这种方法是利用不同时相的遥感影像[1]或不同时相的遥感影像与土地详查图[2、3],通过人机交互判读的方式定性地发现变化的靶区 (Target),即:变更地块,再利用 GPS 实地测出变化的信息。但是这种目视判读的方式不仅对判读人员的要求较高,而且判读的工作量也非常巨大;这两点严重制约了土地利用动态监测技术的推广。 土地利用动态监测面临的实际情况与一般的遥感监测有所不同:土地利用动态监测的实施单位通常具有前一时相的土地利用状况矢量数据。一般来讲,以一年为一个土地利用变更调查时段的土地利用状况变化不会太大,据统计,在一个土地管理行政区变化地块在 10%~20% 之间。在这一特定的数据背景下,使用现势的高分辨率的遥感数据图像资料,开发图像处理与判读技术,定位定量地自动判定这种用地变更状况、制作土地利用变更图件是遥感技术应用于国土资源管理的一个研究课题。本文针对这一课题中土地利用变更地块的判读部分,提出一种 GIS 与 RS 一体化变更地块判别方法,这种方法较好地实现了变更地块的自动识别工作;它在一定程度上加大了土地利用动态监测技术的可推广性。 2 GIS与 RS 一体化的变更地块判别方法 土地利用动态监测是研究土地的现状及其变化趋势的一种手段,因此,利用高新技术精确地找出变化的靶区或变更地块是进一步开展工作的基础。 根据土地利用动态监测的实际情况,继承了常规判别中的精华,同时又要根据实际要求对传统的判决函数做一定的改进,提出了一套 GIS 与 RS 一体化的变更地块判别方法。本判别方法的基本思想是:在现势的遥感影像与滞后的矢量数据配准叠置的情况下,充分利用矢量的地块边界,提取出地块的灰度特征、纹理特征、形态特征;对于某标准地类的若干训练样本在 n 维特征空间中将形成一超球,超球的球心是样本的均值,半径是样本到球心的最大距离;对于一已提取特征的待测样本,计算它与各超球球心的距离,若此距离小于某一超球半径(落入超球内),则认为它属于此地类。若它不落入任何超球内(与任何标准地类都不相似),则认为其为变更地块;若它落入 2 个或 2 个以上的超球内(与多个标准地类相似),则将其视为变更地块。对于落入 1 个超球内的待测样本,则还要再判断识别地类与原数据库图斑地类属性是否一致,若不一致则发生变更,否则未发生变更。 这种判别方法与常规遥感影像分类判类技术相比有如下几点改进。 (1) 以矢量数据中的图斑为研究单元。以图斑为研究单元不仅是土地利用动态监测以地块为工作单元的特殊要求,而且也是一种实现 GIS 与 RS 一体化的有效手段,从而丰富了特征的来源,为提高分类精度提供了可能。 (2) 研究对象(变更图斑)的无集群性、无规律性。常规的判别方法要求样品分属的 m 类要有一定集群性[7、8],但是在变更地块识别的应用中各种变更情况非常复杂,变更样本经常散布在 n 维空间中(图 1),没有一定的分布规律也不呈集群性。在本方法中,我们将对“变更地块的判读”转化为“是否属于各标准地类”来实现;这样便将无集群性、无规律的问题转变为有集群性、有规律的问题。 图 1 变更地块分布示意图 (3)以降低变更地块的漏判率为目标。常规识别方法是以提高识别准确率为目标,因此,无论是距离判别还是费歇尔判别或贝叶斯判别,它们都是将待测样本判为与其“最接近”的类以降低误判率[8、9];而变更地块识别工作的重点则是在误判允许的范围内尽可能多地发现变更地块,即以能容忍的误判率为代价降低变更地块的漏判率。为了减少变更地块的漏判,我们应将常规判别中的“最接近”改为“落入”,即当且仅当待测样本“落入”某类区内时才判为此类;这也正好符合变更地块散布在 n 维空间的语义。另外,由于某些类的分布与其它类的分布有重叠现象(图 2),落入到重叠区的样本点误判的概率较高(我们称之为“误判高发区”)。因此,为了进一步降低变更地块的漏判,我们可将落入误判高发区中的样本视为变更地块。 图 2 误判高发区示意图 这种判类方法不仅形象、易于理解,而且它的可操作性强。此方法在判类前可以根据各超球间的位置关系来调整参与判类的指标,即:可以调整指标使类内散布程度愈小,类间散布程度愈大,判别效果愈好。另外,它也可以在判类前对判类结果的准确性作一初步的预测,从而避免了黑箱式判类的缺点。 3 应用实例 我们的实验区为华北平原某县的两个乡镇,总面积约为 162km2。实验区涉及的地类较为丰富,并有较强的代表性。针对实验区的特点,结合实地考察结果,确定在影像中待识别的土地利用的类别为:水浇地、菜地、果园、独立工矿用地、农村居民点、坑塘水面 6 种。 3.1 实验的基础数据 本实验数据基础包括遥感影像和矢量数据,遥感影像是 1999 年秋季 Tm3 个波段和印度卫星的全色波段经数据融合、彩色合成的几何分辨率为 5.8m 的彩色影像,矢量及其属性数据为 1995 年底的县级土地利用现状数据。 3.2 找出各地类的若干标准训练样本 将遥感图像与矢量数据在 Envi 做配准,精度在 1 个像元以内;将配准图像与矢量数据叠置显示在屏幕上。针对要判别的 6 种地类,各找出 10~15 块标准地块作为训练样本。以下各步工作是用 VC++6.0 编程实现。 3.3 提取标准地类地块边界内的灰度特征、纹理特征和形态特征 采集标准地块矢量边界内的各像素 R、G、B 波段的灰度值,统计出各地类的各波段灰度特征值(极值、均值、方差)、直方图分布及各波段灰度特征值之比等灰度特征,提取出各地类基于共生矩阵的角二阶矩、对比度、线性相关系数、熵等纹理特征[13],计算出各地类地块的面积周长比形状特征[11、12],形成标准地类的特征库。 3.4 构造决策树与判别规则 根据已选训练样本,作聚类分析;再参考聚类分析的结果,构造的决策数如图 3 所示;然后对各级判别节点的所有指标做主成分分析[10],取最大的前 n 个主成分(其累计贡献率>85%)。在地类 1、地类 2、地类 3 的判别中,其第一主成分中表征颜色特征值的系数较高;在水浇地、菜地、果园的判别中,其第一主成分中表征纹理特征值的系数较高;在农村居名点与独立工矿的判别中,第一主成分中表征纹理和形态的特征值较高。 对于任一地块提取灰度特征、纹理特征和形状特征,再从树顶开始根据各级判别所用的主成分指标,计算它与此级各地类超球球心的马氏距离。若此距离小于某地类的超球半径,则认为地块属于此地类。若某地块不属于任何地类或属于 1 个以上的地类,则为变更地块;否则,若遥感影像判类结果与图斑地类属性不一致,则认为变更,若一致,则未变更。 3.5 判别结果 选出某乡地类属性为以上 6 种地类的 552 块图斑,并做 3.4 中的自动判读处理。将计算机判读结果与人工判读结果相比,经统计可得各种地漏判与误判的情况,如表 1 所示;平均漏判率为 2.54%,平均误判率为 5.25%,其中,居民点与工矿用地的漏判率与误判率较高,这主要是因为它们在纹理和形态特征空间中变异性较大,类内散布程度不小、类间散布程度不大造成的。为了更好地区分它们还需引入其它特征信息,还有待于进一步研究。 表 1 测试样品判读结果
注:“变更漏判地块”是指实际发生了变更但识别成未变更的地块;“变更误判地块”是指实际未变更但识别成发生了变更的地块。 4 结论与讨论 (1) 基于 GIS 和 RS 一体化变更地块判别法吸取了常规分类技术和判别方法的思想、算法及结论,同时也根据土地变更地块识别应用的特殊性对算法做了相应的改造。因此,它是一种具有识别变更地块特色的识别方法。 (2) 在任一随机实验中平均 2.54% 的漏判率和 5.25% 的误判率决定了 GIS 和 RS 一体化的改良距离判别法基本可代替土地利用动态监测中人工判读的工作,从而加大了土地动态监测自动识别技术的可推广性。 (3) 本实验只能识别出发生变更的地块,不能识别出具体发生了什么变更、变更边界等等。为了进一步获得此类信息,我们可以在变更地块内做边界的提取,再识别各图斑的地类,从而获得变更的详细情况,这一工作有待于今后进一步的研究。 参考文献
第一作者简介 程昌秀 (1973-),女,重庆人,博士,主要研究遥感与地理信息系统在土地管理工作中的应用及其底层算法的设计与实现。 |
| 关闭窗口 |