范明強(qiáng)，韓延忠，丁 敏

（山東元鴻測(cè)繪科技有限公司，濟(jì)南 250014）

引言

由于時(shí)代的發(fā)展，科技的進(jìn)步，人類面臨的環(huán)境、資源、人口、能源等問題日益加劇。隨之而來，人類也不得不面對(duì)如何合理利用資源、控制人口和保護(hù)生態(tài)環(huán)境等問題的挑戰(zhàn)。20世紀(jì)90年代后期，伴隨全球變化研究進(jìn)程的不斷深入，土地利用/土地覆蓋(Land Use/Cover Change，簡(jiǎn)稱LUCC)研究開始出現(xiàn)，現(xiàn)已成為全球變化研究中的前沿問題之一。

本研究的研究重點(diǎn)是通過遙感和地理信息系統(tǒng)等先進(jìn)技術(shù)手段，對(duì)研究區(qū)密云縣的土地利用與變化情況進(jìn)行監(jiān)測(cè)與分析。另一個(gè)研究重點(diǎn)方向則是密云縣的土地利用覆被變化的驅(qū)動(dòng)力，是指影響土地利用/土地覆被發(fā)生變化的各種因素，包含自然環(huán)境因子和社會(huì)人文因子兩大部分。同時(shí)，掌握土地利用覆被變化在時(shí)間和空間上的分布特點(diǎn)，合理調(diào)配與利用現(xiàn)有的土地，通過加強(qiáng)研究區(qū)域的生態(tài)環(huán)境建設(shè)，來保持其林業(yè)的可持續(xù)發(fā)展。

本研究運(yùn)用Erdas和Envi軟件對(duì)三期遙感影像進(jìn)行研究，同時(shí)參照研究區(qū)一類調(diào)查數(shù)據(jù)，進(jìn)行相關(guān)的土地利用類型的監(jiān)督分類。

1 研究區(qū)概況

密云縣地處于北京市的東北部、華北大平原北緣、燕山山脈南麓，屬于山區(qū)與平原交接地帶。密云縣城距離北京市區(qū) 65 公里，南起北緯 40°13′7″，北至北緯 40°47′57″，南北寬約 64公里；西起東經(jīng) 116°39′33″，東至東經(jīng) 117°30′25″，東西長(zhǎng)共69公里；東南至西北依次與北京市的平谷、順義、懷柔三區(qū)縣毗鄰，北部和東部分別與河北省的灤平、承德、興隆三縣接壤。

2 數(shù)據(jù)源及數(shù)據(jù)處理

本研究采用密云縣的三期TM影像，考慮到植被分布受季節(jié)影像，選取的影像成像時(shí)間都在6-10月份間。2009年的TM遙感影像植被色彩不鮮艷，原因是此影像為當(dāng)年9月的圖像，天氣轉(zhuǎn)冷，植物開始落葉，植被的反射率下降。2006年和2011年的TM遙感影像，都為7月的影像，整體上植物的反射率都較2009年9月植物的反射率略高。這造成了TM遙感影像上的色調(diào)存在一定的差異，密云縣2006年、2009年和2011年的三期TM遙感影像如圖1。

圖1 密云縣2006、2009及2011年三期遙感影像

本研究在采用目視解譯判讀時(shí)，根據(jù)判讀經(jīng)驗(yàn)，并利用Google earth等作為輔助參考，對(duì)研究區(qū)域的遙感影像進(jìn)行解譯。目視解譯的基本步驟如下：(1)準(zhǔn)備工作階段：了解解譯的任務(wù)與要求，找尋與此圖像解譯內(nèi)容相關(guān)的各種圖件資料和文字資料，熟悉研究區(qū)的基本概況；(2)正式進(jìn)行解譯階段：參考之前對(duì)于研究區(qū)的野外實(shí)地調(diào)查報(bào)告(即密云縣一類調(diào)查匯總表等)，選取有代表性的解譯樣區(qū)，并確定解譯標(biāo)志以及作好各種地物的判讀標(biāo)志記錄；(3)確定各類別的分離度階段：建立各類別的解譯標(biāo)志后，為了讓分類更具有代表性，需要通過Envi軟件計(jì)算各類別樣本之間的分類度，只有各個(gè)分類之間的分離度都大于1.8，才能得到最佳的分類效果，若未達(dá)到，則需修改已選取的訓(xùn)練樣本，重新選取更多的具有代表性的樣本，直到滿足要求。確認(rèn)樣本之間的分選度滿足要求后，即可依據(jù)分類需求和解譯樣區(qū)對(duì)遙感影像進(jìn)行土地利用分類。

3 遙感影像的精度評(píng)估

遙感數(shù)據(jù)分類精度主要有以下四種：生產(chǎn)者精度(Produces Accuracy)、用戶精度(Users Accuracy)、總體精度(Overall Accuracy)和Kappa系數(shù)，公式如下：

Kappa系數(shù)是能夠客觀評(píng)價(jià)分類質(zhì)量的多元統(tǒng)計(jì)方法，其公式為：

公式中的 代表Kappa系數(shù)，其中i+是指第i行的和，+i表示第i列的和， 代表檢測(cè)樣點(diǎn)總個(gè)數(shù)，代表誤差矩陣的行數(shù)，ii表示第i行第i列上的值(即土地類型分類正確的個(gè)數(shù))。Kappa系數(shù)不僅包括了土地類型中正確分類樣點(diǎn)個(gè)數(shù)，而且顯示出了土地類型錯(cuò)分漏分的樣點(diǎn)個(gè)數(shù)。然而，總體精度的計(jì)算僅涉及土地分類類型中正確的分類個(gè)數(shù)(即誤差矩陣中對(duì)角線上的數(shù)值)，所以Kappa系數(shù)能夠更好地顯示遙感影像分類精度的情況。

遙感影像分類精度的評(píng)價(jià)通常用分類圖和標(biāo)準(zhǔn)數(shù)據(jù)(圖件或地面實(shí)測(cè)值)進(jìn)行比較，以正確分類的百分比來表示精度。理想的精度評(píng)價(jià)是實(shí)地考察各地物的類別，通過從野外獲取的檢驗(yàn)數(shù)據(jù)進(jìn)行核實(shí)，但該方法比較費(fèi)時(shí)費(fèi)力，造成工作的煩瑣，無法在嚴(yán)格的統(tǒng)計(jì)學(xué)基礎(chǔ)上進(jìn)行該項(xiàng)工作，同時(shí)還無法對(duì)整幅分類圖檢核每個(gè)像元所分的類別是否正確。經(jīng)過分析利用訓(xùn)練樣本對(duì)分類結(jié)果進(jìn)行誤差估計(jì)是比較簡(jiǎn)單的方法，通過選擇適量的樣本，利用Envi軟件進(jìn)行精度評(píng)價(jià)。目前普遍采用混淆矩陣來對(duì)分類精度進(jìn)行評(píng)價(jià)，即以Kappa系數(shù)評(píng)價(jià)整個(gè)分類圖的精度。

本研究采用隨機(jī)點(diǎn)數(shù)(Stratified Random)，并參照密云縣一類調(diào)查數(shù)據(jù)，根據(jù)各地類涉及的像元數(shù)，產(chǎn)生356個(gè)隨機(jī)點(diǎn)，3年的分類精度評(píng)價(jià)見表1：

表1 土地利用變化混淆矩陣

本研究運(yùn)用隨機(jī)抽樣(Random)的方法選取356個(gè)地面檢查點(diǎn)，參考同期地面資料，利用目視判讀的方法對(duì)TM影象的分類結(jié)果進(jìn)行精度檢驗(yàn)，得到分類混淆矩陣、總精確度和Kappa系數(shù)，分別對(duì)三期的TM影象分類結(jié)果進(jìn)行精度檢驗(yàn)，得到的結(jié)果為：2006年總體精確度為84.55%，Kappa系數(shù)為80.51%；2009年的總精確度為85.67%，Kappa系數(shù)為81.93%；2011年的總體精確度為83.15%，Kappa系數(shù)為78.25%，Kappa系數(shù)均達(dá)到最低允判精度70%的要求。

分類后處理主要是針對(duì)監(jiān)督分類的結(jié)果進(jìn)行一定修飾，包括合并同類較小的像元點(diǎn)以及再次檢查。實(shí)際操作過程利用ROI工具菜單進(jìn)行交互編輯，同時(shí)以分類前的原圖作為參考。通過以上各修改合并減噪之后，進(jìn)行分類結(jié)果的圖像輸出。為了以專題圖的形式輸出分類結(jié)果圖，還要使用地理信息系統(tǒng)，把密云縣的行政界線等相關(guān)要素進(jìn)行疊加到分類結(jié)果圖上，得出密云縣的專題圖。制作專題圖時(shí)，也可以結(jié)合ArcMAP軟件進(jìn)行操作，將三期土地利用分類圖分別導(dǎo)入ArcGIS9.3中進(jìn)行配色，不同的地類使用不同的顏色進(jìn)行顯示，并生成圖例、配上比例尺等操作，最終完成密云縣三個(gè)年份各自的專題圖制作。

圖2 密云縣2006、2009及2011年土地利用分類專題圖

4 結(jié)論與討論

4.1 結(jié)論

2006-2011年間，密云縣土地利用發(fā)生了較大的變化。本研究從多角度分析了密云縣的土地利用現(xiàn)狀、土地利用變化過程與規(guī)律以及其的驅(qū)動(dòng)力，主要得出以下結(jié)論：

從2011年密云縣土地利用現(xiàn)狀看，各土地利用類型面積大小排序?yàn)椋毫值兀窘ㄖc居民用地＞耕地＞未利用土地＞水體＞草地。其中林地是密云縣的主要土地利用方式，其面積為1564.63km2，占研究區(qū)總面積的70.18%；建筑與居民用地和耕地這兩類的面積也較大，所占研究區(qū)的總面積分別為9.70%、7.97%；而草地在研究區(qū)所占面積則極小。

在2006-2011年內(nèi)，從密云縣土地利用變化的動(dòng)態(tài)變化來看，未利用土地的變化率最大，在5年間減少的比例達(dá)到了35.93%，其動(dòng)態(tài)度也是最高的；而在這5年間，土地利用面積變化最大的是林地，其增加面積為80.26km2。

分析得出密云縣各土地類型之間的轉(zhuǎn)換趨勢(shì)：建筑和居民用地、未利用土地、耕地相互之間轉(zhuǎn)換頻繁，建筑與居民用地面積增加顯著，耕地和未利用地面積急劇減少；耕地向其他用地大面積流轉(zhuǎn)，而其他面積向耕地面積轉(zhuǎn)變比例較小，耕地整體面積呈現(xiàn)弱化趨勢(shì)；相反，建筑與居民用地轉(zhuǎn)化為其他類型的面積小于其他類型轉(zhuǎn)化為該類型的面積，整體朝著規(guī)模增加的方向發(fā)展，呈現(xiàn)強(qiáng)化狀態(tài)。

4.2 討論

在本研究基于TM的密云縣土地利用變化研究的過程中，是以遙感圖像數(shù)據(jù)的分類和土地動(dòng)態(tài)監(jiān)測(cè)等方面的內(nèi)容為研究重點(diǎn)，在其中遇到了一些值得討論的地方，在此處提出，以利于今后研究時(shí)注意。

(1)對(duì)遙感圖像分類時(shí)要多選擇不同區(qū)域的、具有典型性和代表性的訓(xùn)練區(qū)，以減少訓(xùn)練樣本地方性的影響，但這很有可能導(dǎo)致計(jì)算機(jī)分類出現(xiàn)更大的誤差，選的點(diǎn)多，存在“同譜異物”和“同物異譜”的可能性也加大，故我們必須統(tǒng)籌考慮，舍去一些小的和其他相似地物的點(diǎn)以獲取分類效果較好的圖。

(2)遙感影像分辨率的高低對(duì)土地利用變化動(dòng)態(tài)分析的結(jié)果有直接影響，本研究采用的數(shù)據(jù)源為密云縣2006年、2009年、2011年的三期TM遙感影像，其空間分辨率相對(duì)較低，所以進(jìn)行密云縣土地利用的遙感分類時(shí)，只針對(duì)一級(jí)地類進(jìn)行分類。在以后，如找到相關(guān)高分辨率的遙感影像，可以更加精確地對(duì)每個(gè)一級(jí)地類下的二級(jí)地類進(jìn)行分類和處理，以得到更準(zhǔn)確和詳盡的土地利用變化信息。

[1]史培軍，陳晉.潘耀忠深圳市土地利用變化機(jī)制分析[J].地理學(xué)報(bào)，2000，55(2)：151-160.

[2]王玲，龔健雅.基于RBF神經(jīng)網(wǎng)絡(luò)的遙感影像分類算法研究[J].測(cè)繪工程，2003，12(3)：7-9.

[3]廖楚江，王長(zhǎng)耀，陳方.基于地質(zhì)統(tǒng)計(jì)學(xué)紋理的遙感影像分類研究進(jìn)展[J].遙感信息，2006，(1)：64-68.

[4]Safavim S R，Lanclgrehr I.A survey of decision tree classifier methodology[J].IEEE Trans.Syst.Man Cybern，1991，(21)：660-674.

[5]Justin D Pala，Robert A Schowengerdt.The effect of neural-network structure on a multi-spetral land-use/land-cover classi fication[J].PERS，1997，63(5)：535-544.

[6]員永生，常慶瑞，劉煒，等.面向?qū)ο笸恋馗脖粓D像組合分類方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25(7)：108-113.封3.

[7]梁繼，王建，王建華.基于光譜角分類器遙感影像的自動(dòng)分類和精度分析研究[J].遙感技術(shù)與應(yīng)用，2002，17(6)：299-303.