馬丹，劉曙光，陳雯虹

（1.福建農(nóng)林大學資源與環(huán)境學院國土系，福州350002；2.重慶綠色智能

技術研究院，重慶400714；3.廈門保障性安居工程建設投資有限公司，福建廈門361008）

城鎮(zhèn)化背景下基于時序TM／NDVI的建成區(qū)檢測方法
——以福州市為例

馬丹1，劉曙光2，陳雯虹3

（1.福建農(nóng)林大學資源與環(huán)境學院國土系，福州350002；2.重慶綠色智能

技術研究院，重慶400714；3.廈門保障性安居工程建設投資有限公司，福建廈門361008）

對1990—2010年49景福州市TM時間序列影像進行處理，采用MODTRAN4＋模型進行大氣校正，得到研究區(qū)土地覆蓋類型的NDVI值的多時相軌跡圖。分析城鎮(zhèn)化背景下建成區(qū)的變化特征和NDVI時間序列數(shù)據(jù)的季節(jié)特征，添加耕地發(fā)展為建設用地的地物特征到學習樣本，比較不同數(shù)據(jù)組合對最大似然法、支持向量機、神經(jīng)網(wǎng)絡法、面向對象法對分類和檢測城鎮(zhèn)化背景下建設用地精度的影響，以及比較添加樣本特征后對城鎮(zhèn)化進程中建設用地檢測方法的影響。結果表明，對于小樣本數(shù)據(jù)集，面向對象法具有最高的分類精度，不同的數(shù)據(jù)組合與不同季節(jié)對面向對象法分類精度的影響分別達3.49%和5.22%，引入NDVI時間序列數(shù)據(jù)和添加變化地物的學習樣本，總體分類精度提高了3.54%，建設用地的制圖精度提高了4.24%。

土地覆蓋；時序影像；面向對象法；福州

遙感技術是監(jiān)測城市發(fā)展和變化的主要手段。利用時間域與NDVI數(shù)據(jù)成為城鎮(zhèn)化過程中建成區(qū)檢測的發(fā)展趨勢［1-7］。過去，一般都是利用兩到三景遙感圖像，較少利用多個時間序列與季節(jié)的信息進行監(jiān)測城鎮(zhèn)化發(fā)展進程［8-9］。城鎮(zhèn)化過程中，一般發(fā)展為新城區(qū)的主要是耕地，其他土地類型比重很小，而且城區(qū)一般不太可能被轉回為耕地。因此，主要關注耕地與建設用地的混分問題。一年中至少有一個季節(jié)會被種上植被的概率較高，通過多個年份和不同季節(jié)的數(shù)據(jù)可以區(qū)分城鎮(zhèn)化過程中發(fā)展的新城區(qū)和休耕地。國外采用不同數(shù)據(jù)源和最大似然法、神經(jīng)網(wǎng)絡、支持向量機法、面向對象法等方法研究建成區(qū)的檢測方法［10-13］，研究表明利用多個時間系列與季節(jié)信息可提高建設用地的分類精度［5-6］。中國開始出現(xiàn)利用多時相MODIS與NDVI數(shù)據(jù)分離土地覆蓋分型和簡單地物提?。?4-16］。但未比較不同數(shù)據(jù)組合對分類結果的影響，也未引入多時相數(shù)據(jù)前后的分類精度與不同分類方法進行比較，也未針對分類精度進行分析。本文擬使用49景Landsat TM小樣本數(shù)據(jù)集，研究1990—2010年福州市土地覆蓋類型的NDVI多時相軌跡，研究城鎮(zhèn)化背景下基于時序TM／NDVI的建成區(qū)檢測方法，比較不同數(shù)據(jù)組合和季節(jié)對檢測新城區(qū)的影響，研究添加的變化地物到學習樣本對城鎮(zhèn)化進程中的新城區(qū)檢測精度的影響。

1 材料與方法

1.1 研究區(qū)概況

福州市位于北緯25°15′～26°49′，東經(jīng)118°08′～120°31′，城區(qū)主要位于其南部，土地覆蓋類型以林地為主，耕地較少，全年冬短夏長［17］。自2002年來，福州市政府提出“東擴南進、沿江向?！钡陌l(fā)展策略，城市快速向南部的倉山區(qū)、閩侯縣和東部的晉安區(qū)、馬尾方向快速擴張，耕地面積迅速減少。福州市在中國東南沿海城市中具有一定的代表性。

1.2 研究數(shù)據(jù)與方法

1.2.1 數(shù)據(jù)來源 研究數(shù)據(jù)為1T級Landsat TM數(shù)據(jù)，經(jīng)過系統(tǒng)輻射校正和地面控制點幾何校正，且通過DEM進行了地形校正。空間分辨率為30 m，數(shù)據(jù)來源于http：／／www.gscloud.cn與http：／／glovis.usgs.gov。圖像的大小為2 669× 2 668，共7 120 892個像素，覆蓋面積達1 600 km2。研究區(qū)土地覆蓋類型包括耕地、林地、建設用地和水體、沙灘。其中，建設用地包括所有非植被的人工建筑要素，公園綠化定義為非城區(qū)。耕地若一個像元內(nèi)作物覆蓋度超過60%，則認為該像元屬于耕地類［6］。參與分類評價的總樣本為71 202個像素，平均每個類別的學習樣本數(shù)為250，測試樣本總數(shù)為405，分別占比例為0.35%和0.57%。其中耕地91個，林地98個，建設用地93個，水體75個，沙灘48個。

表1 福州市TM數(shù)據(jù)源列表Table 1 Landsat TM list

1.2.2 方法 首先，檢查研究區(qū)所有數(shù)據(jù)的幾何精度，對衛(wèi)星數(shù)據(jù)1、2、3、4、5、7波段進行組合和研究區(qū)域裁剪。密集時間堆棧TM影像不必進行條帶數(shù)據(jù)修復［6］。采用MODTRAN4＋模型進行輻射定標與大氣糾正［18］。其次，抽取TM4和TM3波段的表面反射率計算歸一化植被指數(shù)（NDVI）。將NDVI值不在（－1，＋1）的值，其最大值賦值為1，最小賦值為－1，繪制主要土地類型的NDVI多時相軌跡圖。接著，借助Google Earth VHR（2013）與多季節(jié)的TM數(shù)據(jù)，選擇訓練樣本進行判讀解譯，在學習樣本中添加耕地發(fā)展為建設用地的樣本特征。最后，采用最大似然法、面向對象法、支持向量機和神經(jīng)網(wǎng)絡法分別對3種不同組合數(shù)據(jù)進行分類，并采用分層隨機抽樣法對分類結果進行評價。

2 結果與分析

2.1 主要土地覆蓋類型的時間序列NDVI

2.1.1 主要地物類型的NDVI的時間趨勢分析由圖1可見，隨著年際與年內(nèi)的變化，各類型的NDVI具有明顯不同的波形特征，幅值和變化趨勢。耕地呈現(xiàn)兩極化的雙峰循環(huán)模式，震蕩較為明顯，有明顯的峰值與峰谷，振幅最高，出現(xiàn)震蕩的頻率較高；建城區(qū)隨著時間的推移略有變化，振幅小，震蕩頻率較低；林地隨著時間的改變而呈波浪起伏式變化，振幅不大，略高于建設用地，震動頻率與耕地相當。

圖1 1990—2010年福州市土地類型NDVI的多時相軌跡Fig.1 Multi-temporal trajectories of major land cover type spanning 1990 to 2010

2.1.2 耕地發(fā)展為建設用地的NDVI時間趨勢分析 隨著時間與季節(jié)的變化，耕地發(fā)展為建設用地在每個階段內(nèi)有著明顯時間痕跡，隨著城市的擴張耕地發(fā)展為建設用地的區(qū)域具有唯一的時間趨勢（表2）。根據(jù)耕地和建設用地NDVI值的振幅、時間和頻率的不同，可以通過時間將二者進行分離。在耕地發(fā)展為新城區(qū)之前，與耕地NDVI值接近，大體走向與耕地基本一致，呈現(xiàn)耕地兩極化的雙峰循環(huán)特征的時間趨勢，但在其發(fā)展為新城區(qū)后，NDVI值下降，服從建設用地NDVI的時間趨勢（圖1）。

表2 耕地發(fā)展為建設用地NDVI值出現(xiàn)拐點時間統(tǒng)計Table 2 Statistics of turning point converted from corpland to urban area

2.2 4種方法分類結果

2.2.1 分類結果總體評價 得到研究區(qū)3種數(shù)據(jù)組合：TM經(jīng)大氣糾正后的波段（數(shù)據(jù)1）／NDVI值（數(shù)據(jù)2）／TM大氣糾正后的波段與NDVI合成數(shù)據(jù)（數(shù)據(jù)3）的分類結果。以數(shù)據(jù)3作為分類的原始數(shù)據(jù)得到不同方法的分類結果見表3和圖2。面向對象法的尺度分割參數(shù)設置為35；支持向量機采用徑向基RBF函數(shù)，核參數(shù)γ值設為0.048，懲罰參數(shù)設為100；神經(jīng)網(wǎng)絡活化函數(shù)選擇對數(shù)，訓練貢獻閾值設置為0.9，權重調節(jié)參數(shù)設置為0.2，訓練動量參數(shù)設置為0.9，訓練中誤差退出參數(shù)設置為0.9，隱藏層參數(shù)設置為1。實驗表明，面向對象法具有最高的分類精度，達到84.44%，具有最佳的分類效果，而支持向量機的分類精度次之，最大似然法最低。

表3 2009年6月6日TM數(shù)據(jù)的4種分類算法比較Table 3 Four classification methods comparison of TM data from 6th July，2009

圖2 4種分類結果圖Fig.2 Result images from four classification methods

2.2.2 建設用地的精度比較 總體上，面向對象法在各土地類型的綜合效果最佳，在各土地覆蓋類型都具有較高的精度，且差異較小，其在建設用地分類中具有最高的制圖精度和用戶精度，見圖3、圖4。

圖3 4種分類方法的制圖精度比較Fig.3 Production accuracy comparison with four methods

圖4 非4種分類方法的用戶精度比較Fig.4 User accuracy comparison with four methods

各分類方法在各土地類型的制圖精度都比較接近，支持向量機法在建設用地的制圖精度僅次于面向對象法（見圖3）。除面向對象法外，其他方法在不同土地類型的用戶精度差異較大，最大差異值達40%左右，最大似然法在建設用地的用戶精度最低（見圖4）。

2.3 討 論

2.3.1 數(shù)據(jù)組合對分類方法的影響 通過對多個時段福州市TM影像進行多種數(shù)據(jù)組合，測試多種分類算法的效果，各分類算法的參數(shù)通過多次調試，得到每種方法的最佳參數(shù)與最佳分類結果。實驗表明，多個年份的分類結果顯示，無論是采用以上4種方法的任一種，數(shù)據(jù)3得到的分類結果都是最佳；以2009年6月的數(shù)據(jù)為例，使用NDVI數(shù)據(jù)的分類精度能達75%，與TM原始數(shù)據(jù)的分類精度略低，不同數(shù)據(jù)組合的分類精度差值達3.49%。

表4 不同數(shù)據(jù)組合對分類方法的測試結果（以面向對象法為例）Table 4 Different combination influence on classification results（object-oriented methods）

2.3.2 季節(jié)對檢測新城區(qū)的影響 實驗表明，2003年夏季的TM影像的分類精度比其他時段的明顯要高，不同時間段的選擇對面向對象法分類結果影響最高可達5.22%，見表5。建設用地和耕地的制圖精度和用戶精度明顯也要比春季與冬季分別高3.68%與5.08%，見表6?？傊?，同一年不同季節(jié)監(jiān)測建設用地的難度是不同。在春夏季節(jié)較易識別建設用地，而在秋冬季節(jié)則比較難區(qū)分耕地與建設用地。

表5 不同時間系列總體分類精度（以面向對象法為例）Table 5 Toal classification accuracy of different time（object-oriented methods）

表6 不同時間系列建設用地和耕地的分類精度（以面向對象法為例）Table 6 Accuracy of construction and corp land from different time images（object-oriented methods）

2.3.3 添加地物特征對檢測新城區(qū)的影響 以2001—2003年時間段為例，經(jīng)過大氣糾正后的2003年5月TM影像與NDVI合成的數(shù)據(jù)組合，引入102個耕地發(fā)展為建設用地的樣點到學習樣本，占總學習樣本的40%。

結果表明，添加耕地發(fā)展為建成區(qū)的樣點到學習樣本中，總體分類精度提高了3.54%，建設用地的制圖精度提高了4.24%，見表7。

表7 引入地物特征后的面向對象法的分類精度比較（以面向對象法為例）Table 7 Accuracy comparison after added converted features（object-oriented methods）

2.3.4 其他因素對檢測建成區(qū)的影響 首先，以上結果都是建立在圖像質量較優(yōu)的基礎上，未討論數(shù)據(jù)質量（如局部有少量薄云）對分類方法與分類結果的影響。其次，學習樣本中引入耕地發(fā)展為建設用地的地物特征只選擇了一個時間段分類，未能對福州市主要的幾個時間段都進行研究，而且未能深入研究添加地物特征的數(shù)量對建設用地的分類結果的影響。最后，各種方法的參數(shù)設置對分類結果有一定的影響，主要依靠人工多次實踐獲取理想?yún)?shù)，在最佳參數(shù)選擇方面有待進一步改進。

3 結 論

在城鎮(zhèn)化背景下基于時序TM／NDVI的建成區(qū)檢測方法研究，以福州市為例，對于小樣本的數(shù)據(jù)集，面向對象法的分類精度最佳，達到84.44%；不同的數(shù)據(jù)組合和不同季節(jié)對分類精度的最大影響分別達3.49%和5.22%；添加城鎮(zhèn)化進程中的變化地物特征到學習樣本后，分類的總體精度與福州市新城區(qū)的制圖精度分別提高3.54%和4.24%。總之，在城鎮(zhèn)化背景下基于時序TM／NDVI的建成區(qū)檢測方法可在一定程度上解決耕地與建設用地的混分問題。

［1］Ban Y F，Gong P，Gini C.Global land cover mapping using earth observation satellite data：Recent progresses and challenges［J］.ISPRS Journal Photogrammetry and Remote Sensing，2015，103：1-6.

［2］Li X C，Gong P，Liang L.A 30-year（1984—2013） record of annual urban dynamics of Beijing city derived from Landsat data［J］.Remote Sensing of Environment，2015，166：78-90.

［3］Rodriguez-Galiano V，Chica-Olmo M.Land cover change analysis of a Mediterranean area in Spain using different sources of data：Multi-seasonal Landsat images，land surface temperature，digital terrain models and texture［J］.Applied Geography，2012，35：208-218.

［4］Tewkesbury A P，Comber A J，Tate N J，et al.A critical synthesis of remotely sensed optical image change detection techniques［J］.Remote Sensing of Environment，2015，160：1-14.

［5］Mertes C M，Schneider A，Sulla-Menashe D，et al.Detecting change in urban areas at continental scales with MODIS data［J］.Remote Sensing of Environment，2014，158：331-347.

［6］Schneider A.Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach［J］.Remote Sensing of Environment，2012，124：689-704.

［7］王馨爽，陳爾學，李增元，等.多時相雙極化合成孔徑雷達干涉測量土地覆蓋分類方法［J］.測繪學報，2015（5）：533-540.

Wang X S，Chen E X，Li Z Y，et al.Multi-temporal and dual-polarization interferometric SAR for land cover type classification［J］.Acta Geodaetica et Cartographica Sinica，2015（5）：533-540.（in Chinese）

［8］馮曉剛，李銳，莫宏偉.基于RS和GIS的城市擴展及驅動力研究—以西安市為例［J］.遙感技術與應用，2010（2）：202-208.

Feng X G，Li R，Mo H W.Study of urban expansion and driving factor using RS and GIS-a case study of Xi’an city［J］.Remote Sensing Technology and Application，2010（2）：202-208.（in Chinese）

［9］王雷，李叢叢，應清，等.中國1990—2010年城市擴張衛(wèi)星遙感制圖［J］.科學通報，2012（16）：1388-1399.

Wang L，Li C C，Ying Q，et al.China’s urban expansion from 1990 to 2010 determined with satellite remote sensing［J］.Chinese Science Bulletin，2012（16）：1388-1399.（in Chinese）

［10］Stow D A，Shih H C，Coulter L L.Discrete classification approach to land cover and land use change identification based on Landsat image time sequences［J］.Remote Sensing Letters，2014，5（10）：922-931.

［11］Erener A.Classification method，spectral diversity，band combination and accuracy assessment evaluation for urban feature detection［J］.International Journal ofApplied Earth Observation and Geoinformation，2012，21（1）：397-408.

［12］Paneque-Galvez J，Mas J F，More G，et al.Enhanced land use／cover classification of heterogeneous tropical landscapes using support vector machines and textural homogeneity［J］.International Journal of Applied Earth Observation and Geoinformation，2013，23：372-383.

［13］Srivastava P K，Han D，Rico-Ramirez M A，et al.Selection of classification techniques for land use／land cover change investigation［J］.Advances in Space Research，2012，50：1250-1265.

［14］左玉珊，王衛(wèi)，郝彥莉，等.基于MODIS影像的土地覆被分類研究—以京津冀地區(qū)為例［J］.地理科學進展，2014，33（11）：1556-1665.

Zuo Y S，Wang W，Hao Y L，et al.Classification study on land cover based on MODIS images-a case of Jing-Jin-Ji area［J］.Progress in Geography，2014，33（11）：1556-1665.（in Chinese）

［15］劉慶鳳，劉吉平，宋開山.基于MODIS／NDVI時序數(shù)據(jù)的土地覆蓋分類［J］.中國科學院研究生院學報，2010，27（2）：163-168.

Liu Q F，Liu J P，Song K S.Land cover classification based on M0DIS／NDVI times series data［J］.Journal of the Graduate School of the Chinese Academy of Sciences，2010，27（2）：163-168.（in Chinese）

［16］張友水，原立峰，姚永慧.多時相MODIS影像水田信息提取研究［J］.遙感學報，2007，11（2）：282-284.

Zhang Y S，Yuan L F，Yao Y H.Study on extraction of paddy rice fields from multi temporal MODIS images［J］.Journal of Remote Sensing，2007，11（2）：282-284.（in Chinese）

［17］《福州年鑒》編纂委員會.福州年鑒［M］.北京：方志出版社，2014：80-83.

Fuzhou Statistical Yearbook Committee.Fuzhou statistical yearbook［M］.Beijing：Fangzhi Press，2014：80-83.（in Chinese）

［18］Adler-Colden S M，Matthew M W，Bernstein L S.Atmospheric correction for short-wave spectral MODTRAN4［C］／／SPIE Proceeding，Imaging Spectrometry V，1999：37-53.（in Chinese）

（編輯 王秀玲）

Monitoring land cover change in urban and peri-urban area using dense time of TM／NDVI data：a case study of Fuzhou city

Ma Dan1，Liu Shuguang2，Chen Wenhong3

（1.School of Resources and Environment，F(xiàn)ujian Agriculture and Forestry University，F(xiàn)uzhou 350002，P.R.China；2.Chongqing Institute of Green and Intelligent Technology，Chinese Academy of Sciences，Chongqing 400714，P.R.China；3.Xiamen Investment Company of Low-rent Housing Construction Project，Xiamen 361008，F(xiàn)ujian，P.R.China）

Atmospheric corrections were conducted with the MODTRAN4＋model for 49 TM data from 1990 to 2010 in Fuzhou.Multi-temporal trajectories of major land cover type were derived from NDVI images.The trends of Mean NDVI were analyzed.To investigate the influence of different data combination on the classification and detection accuraly of different methods，induding maximum likelihood classification，support vector machine，artificial neural network，and object-oriented methods，and compared the deteetion methods before and after adding a sample，the areas converted from cropland tobuilt-up land were added to the learning sample.The results show that the object-oriented method is the most accurate method compared with other methods for a small sample.By using the method，the classification accuracy improves up to 3.53%and 4.24%for different data combination and different season respectively.Adding NDVI data and the sample of changing features improves 3.54%of the whole classification accuracy and 4.24%of drawing accuracy of the buid-up land.

land cover；time series of images；object-oriented methods；Fuzhou

2015-09-20

National Natural Science Foundation of China（No.41401399）

TP751.1

A

1674-4764（2016）01-0129-06

10.11835／j.issn.1674-4764.2016.01.018

2015-09-20

國家自然科學基金（41401399）

馬丹（1980-），女，主要從事遙感技術與應用研究，（E-mail）madam_yurou＠163.com。

Author brief：Ma Dan（1980-），main research interest：remote sensing technology and application，（E-mail）madam_yurou＠163.com.