李悦, 张敏：面向对象的高分辨率遥感影像建设用地变化监测

本文内容来源于《测绘通报》2021年第2期，审图号：GS（2021）412号

面向对象的高分辨率遥感影像建设用地变化监测                                      
                                   

李悦 , 张敏  

武汉大学遥感信息工程学院, 湖北 武汉 430079

基金项目： 城市空间信息工程北京市重点实验室开放研究课题(2020101)

摘要 ： 建设用地变化监测对城市可持续发展具有十分重要的意义，为准确提取建设用地的变化信息，本文提出了一种结合旧时期土地利用矢量数据、随机森林及模糊C均值聚类算法的建设用地变化监测方法。首先基于旧时期土地利用矢量数据，将建设用地变化监测分为建成区与非建成区建设用地变化监测；然后进行面向对象分割、基于对象遥感影像光谱、GLCM纹理及形状特征提取；最后针对不同场景，结合随机森林或模糊C均值聚类算法进行变化监测。试验结果验证了在旧时期土地利用矢量数据的辅助下，所提方法有效提高了复杂场景下建设用地的变化信息提取精度。

关键词 ： 建设用地    变化监测    面向对象    随机森林    模糊C均值聚类     

全文概述

随着我国现代社会经济的发展及人口的快速增长，城市在不断扩张，大量城乡接合部逐渐被城市兼并，许多耕地、林地及水域都变成城镇建设用地 ^{[1 ]} 。由于早期土地利用监测技术条件不成熟，无法实现土地利用状况的实时动态更新，因此在创造巨大经济财富的同时，也带来了一系列的生态环境问题 ^{[2 -3 ]} 。

国内外大量学者对遥感变化监测做了大量研究。例如，文献[4]采用阴影补偿的方法实现了建筑物的变化监测；文献[5]采用条件随机场模型在高分遥感影像上实现了变化监测；文献[6—7]在变化监测的过程中融合多尺度特征进行变化监测；文献[8]使用一种基于模糊逻辑的面向对象自动分类方法从津巴布韦多时相陆地卫星影像中提取建筑物目标；文献[9]提出一种基于SVM的多时相遥感影像变化监测模型，该方法通过将数据映射到高维特征空间中，计算变化像元的高维分布实现变化监测。目前单独针对建设用地的变化监测研究较少且精度仍有较大的提高空间。

针对建设用地变化监测精度较低的问题，本文首先结合建设用地的地物分布特点，利用旧时期土地利用矢量数据进行遥感影像数据预处理，随后提出将建设用地的变化监测分为建成区与非建成区的变化监测；然后，使用面向对象多特征融合的方法提取地物光谱、纹理及空间形状特征，实现地物多维度特征信息的有效提取；最后，结合随机森林(RF)分类算法和模糊C均值聚类(FCM)算法实现对建设用地变化信息的提取。

1  本文方法  

本文在现有建设用地变化监测技术的基础上，以面向对象的变化监测方法为根基，结合高分辨率遥感影像的纹理、光谱及形状信息，提出一种集成像元差分分析与对象模式识别的建设用地变化监测方法，针对具体的应用环境，实现高精度的建设用地变化监测，具体技术路线如图 1所示。

图 1 本文技术路线流程

图选项

1.1 数据预处理

数据预处理主要分为两个部分，首先是对影像进行几何校正和辐射校正；其次结合旧时期土地利用矢量数据对数据进行变化监测问题分步处理。本文使用多项式拟合的相对几何校正方法完成几何校正, 从而将配准误差控制在1个像元以内；在逐波段均衡化处理的基础上，选择其中一幅影像作为直方图匹配的参考影像，对两时期遥感影像进行直方图匹配以完成相对辐射校正。

随后，根据《土地年度变更调查遥感监测信息提取指导手册》，按照建设用地地物变化特点和我国土地利用分类标准的定义 ^{[2 ]} ，将建设用地的变化监测问题分为两大类：①非建成区建设用地的变化监测；②建成区建设用地的变化监测。

根据上述分类，结合旧时期土地利用矢量数据中的建设用地占比，将两时期遥感影像分为非建成区建设用地两时期遥感数据、建成区新增建设用地区域遥感数据及建成区原有建设用地内部遥感数据。本文假设，旧时期土地利用矢量数据中建设用地占比小于30%则认为是非建成区，否则认为是建成区。对于一些特殊情况，如建成区建设用地变成非建设用地的退化情况等，本文不作考虑。

1.2 面向对象多特征融合方法

为了提高变化监测运行效率及精度，本文首先结合超像素的概念，对遥感影像进行过分割处理 ^{[10 ]} ，然后以超像素为对象进行光谱特征、基于灰度共生矩阵(GLCM)的纹理特征与形状特征提取。具体流程如下：

(1) 大量研究表明，该算法在超像素生成方法的简洁性、影像边缘的分割能力、计算速度及计算资源占用等多方面都具有优势 ^{[11 ]} ，因此首先对两时期遥感影像进行基于简单线性迭代聚类算法的超像素生成。

(2) 以超像素为对象提取文献[12]中的归一化植被指数(NDVI)、归一化水体指数(NDWI)等光谱特征及面积、密度等形状特征，并且提取文献[13]中基于灰度共生矩阵的14种纹理特征，特征处理方式采用超像素对象内局部均值赋值，以提高局部相邻像元特征均质化。

(3) 结合变化矢量像元差分分析，得到多时相影像多特征差分栅格矢量数据。

1.3 非建成区建设用地变化监测

非建成区建设用地的变化特点为：首先，第1时相遥感影像中主要地物类型为不具有建设痕迹的水体、植被及农林用地等，后时相则出现具有明显建设痕迹的人工地物类型，此类地物类别变化前后具有较为突出的光谱、纹理特征变化信息；其次，研究表明，RF分类器比基于Boosting的方法具备更强的抗噪能力，并且不易产生过拟合 ^{[14 -15 ]} ，而且与SVM、K最邻近(KNN)等分类器相比，RF能够在分类问题上获取最好的分类结果 ^{[16 ]} 。综合地物分析与RF分类算法的特点，为了有效利用多特征矢量数据，本文通过人工选取建设用地与非建设用地变化样本信息进行RF分类器训练，实现非建成区建设用地高精度变化监测。

1.4 建成区建设用地变化监测

通过分析建成区区域内少量新增建设用地的变化特点，发现其整体地物变化分布与非建成区建设用地相似，因此采用前文训练的随机森林分类器实现变化监测，旨在减少建成区原有建设用地区域对变化监测结果的影响。针对建成区建设用地内部地物变化的复杂性，以及缺少具体建设用地细类别变化矢量信息问题，研究表明FCM在分类过程中结合了模糊理论可以实现无监督类别间差异信息提取 ^{[17 ]} ，因此本文结合FCM对多特征差分影像进行模糊聚类，进而实现建设用地内部的变化监测。

2 

试验与分析       

 

2.1 数据源

本文选取了两个试验区域，如图 2—图 4所示。非建成区建设用地试验数据为WorldView-2卫星传感器于2010年4月和2015年4月获取的深圳市2 m分辨率遥感影像数据, 对应的实际地物范围为5 km ² ；建成区建设用地试验数据为WorldView-2卫星传感器于2013年10月和2017年3月获取的杭州市某地区的2 m空间分辨率遥感影像数据，对应的实际地物范围为2 km ² 。所使用的数据包括两时期遥感影像、旧时期土地利用矢量数据，以及人工绘制的变化监测真值参考影像。

图 2 非建成区建设用地变化监测结果

图选项

图 3 建成区新增建设用地变化监测结果

图选项

图 4 建成区建设用地内部变化监测结果

图选项

2.2 试验结果与分析

本文所有试验均在Matlab平台实现，随机森林训练样本随机选取70%用于训练，剩余作为测试集。试验设置包括：非建成区建设用地变化监测、建成区建设用地变化监测。针对两者分别设置4组对比试验：①面向对象多特征融合方法(OBCVA)与变化向量分析(change vector analysis, CVA)的对比试验；②基于FCM的无监督方法与RF监督学习方法的对比试验；③基于K-means与FCM的对比试验；④基于光谱特征、纹理特征和混合多特征的对比试验。

对于变化监测精度评估，采用整体精度(overall accuracy，OA)、漏检率(percentage of missed alarms, PMA)及虚检率(percentage of false alarms, PFA)3个指标，指标取值范围均为0~1，其中OA数值越大精度越高，PMA和PFA数值越小表示监测结果更优。

分析变化监测结果并对比试验精度表(表 1和表 2)可知：首先，在相同的特征策略下，基于OBCVA的变化监测方法有效提高了细节变化信息的监测精度，比CVA普遍提高了2%，而且避免了“椒盐”现象的产生，监测结果保持光滑；其次，结合RF的监督变化监测方式相比无监督算法而言，极大降低了变化监测结果的漏检率和虚检率，在结合光谱特征的基础上有效避免了漏检和虚检，保证了细节建设用地变化信息的提取；最后，结合RF的混合多特征变化监测方法在非建成区建设用地变化监测总体精度为97%，建成区新增建设用地总体精度为93%，在小范围变化监测中比传统方法提高了1%~2%。对于建成区建设用地内部的变化监测结果，考虑其变化分布的复杂性，试验结果表明：在结合旧时期土地利用矢量数据且融合光谱、纹理等特征之后，相比传统方法，结合FCM的变化监测方法能够有效提高总体监测精度，保持建设用地内部变化监测的精度为85%，局部细节信息聚合程度较高，且漏检率和虚检率保持较低水平。

表 1 非建成区建设用地变化监测对比试验精度 

表选项

表 2 建成区建设用地变化监测对比试验精度 

表选项

3 

结 论      

本文以高分辨率遥感影像建设用地的变化监测为研究对象，提出了基于旧时期土地利用矢量数据的建设用地变化监测方法。分别从建成区建设用地、非建成区新增建设用地与非建成区建设用地内部角度结合FCM及RF分类算法，实现高精度的建设用地变化监测。试验结果证明了本文方法的有效性，同时得出以下结论：算法能够在像素级实现高精度的建设用地变化监测，有效避免了“椒盐”现象的发生，而且对于细节变化信息监测效果较好。但是本文研究也存在一些不足，尤其是对于建成区建设用地内部的变化监测，在后续的研究中针对建成区建设用地内部的地物分布及特征分布将进行进一步分析，以实现高精度建设用地的变化监测。