黃廣華+陳青云

摘要：基于遙感數(shù)據(jù)，提取NDVI和MNDWI，利用決策樹自動閾值分類等方法研究了長汀縣2001～2013年間的土地利用類型變化，結果表明：自2001～2013年，長汀縣林地整體大約增加了345km2，約占福建省總面積的11.1%；裸地面積大約減少了403km2，約占福建省總面積的13%，是2001年裸地面積的58.2%；道路面積增加了24.3km2，是2001年的1.1倍多；居民用地增加了約7km2，是2001年的117%。

關鍵詞：土地利用；自動閾值決策樹；動態(tài)監(jiān)測；長汀縣

中圖分類號：N945.11

文獻標識碼：A文章編號：1674-9944（2016）22-0129-05

1引言

土地是人類賴以生存和發(fā)展的物質(zhì)基礎，是寶貴的不可再生的自然資源，也是可持續(xù)利用的生產(chǎn)資料。土地的利用與變化，不僅直接影響社會經(jīng)濟的可持續(xù)發(fā)展，而且還影響到全球環(huán)境的變化。土地利用動態(tài)變化逐漸成為研究熱門和前沿問題。有研究表明：在將來的數(shù)十年間，由土地利用與土地覆被變化所帶來的全球影響，要等于甚至大于潛在氣候變化所帶來的影響[1]。利用遙感影像對長汀縣的土地利用覆蓋變化進行動態(tài)監(jiān)測，探討土地利用格局空間演變機制及其生態(tài)環(huán)境效應，為當?shù)卣块T制定生態(tài)安全條件下的土地利用規(guī)劃提供科學依據(jù)，對于區(qū)域全面、協(xié)調(diào)與可持續(xù)發(fā)展具有重要的現(xiàn)實意義[2]。

2數(shù)據(jù)處理

本次研究所使用的主要資料為從美國航空航天局（USGS）網(wǎng)站下載的2001年10月、2005年3月、2009年10月和2013年10月4個時間的Landsat/TM影像數(shù)據(jù)，空間分辨率都為30m×30m，前3個時間的影像光譜為7個波段的多光譜數(shù)據(jù)。2013年的影像數(shù)據(jù)為Landsat8采集，含有11個波段，遙感信息更加豐富，但其波長范圍更窄，各個波段的位置也有所變化。此次用于研究的四幅影像比較清晰，云量基本為0%，影像成像質(zhì)量較好，確保研究數(shù)據(jù)的準確性。研究平臺以ENVI5.0及Arcgis10.0為主，其他輔助資料及平臺有并結合長汀縣數(shù)字高程（DEM）圖、行政區(qū)域圖、谷歌地球等。

2.1數(shù)據(jù)預處理

由于下載的影像為單波段的tif影像，需要對影像進行影像合成，運用ENVI5.0的BasicTools模塊中的LayerStack工具將各個時單波段影像合成多光譜影像。

輻射矯正：目的是消除大氣（水蒸氣、氧氣、二氧化碳、甲烷和臭氧等）和光照等因素對地物反射的影響，使得影像真實反映對太陽光的輻射情況，以獲取地物真實反射率數(shù)據(jù)，準確地獲取研究區(qū)的土地利用信息，減小地物識別誤差，從而使得土地利用類型分類更加準確可靠。先做輻射定標，然后再做大氣校正，且采用直方圖法大氣校正對影像進行輻射校正。首先對影像進行一次直方圖均衡，然后以2001年的影像為參照影像，分別對另外三期影像與2001年影像進行直方圖匹配，最終使得四幅影像的輻射特征基本一致[3]。

幾何糾正：為了消除由于非系統(tǒng)性因素（傳感器姿態(tài)、高度、地球曲率、地形等因素）造成影像發(fā)生的畸變，以提高研究結果的準確性，在ENVI5.0中，以長汀縣已通過幾何精校正的影像作為參考圖像，均勻的選取多個地面相同控制點，采用最近鄰法（nearestneighbor）對四幅遙感影像進行幾何精校正，且控制糾正誤差小于0.5個像元[4～8]。

2.2數(shù)據(jù)處理與分析

2.2.1NDVI空間分布

在多光譜遙感影像中，利用近紅外波段的反射值減去紅光波段的反射值，再比上它們兩者之和，即可得到歸一化植被指數(shù)（NDVI）。即：

NDVI=（NIR-R）/（NIR+R）

其中，NIR為近紅外波段的反射值；R為紅光波段的反射值。

研究使用的數(shù)據(jù)中，2001年、2005年及2009年的Landsat/TM影像直接使用第四波段與第三波段之差比上兩者之和即可得到長汀當年的NDVI值，即：

NDVI（2001、2005、2009）=（Band4-Band3）/（Band4+Band3）

2013年10月的影像為Landsat8拍攝，與之早期的Landsat衛(wèi)星相比，相同光譜成的影像位于不同的波段位置，計算NDVI時，其第五波段為近紅外波段（NIR），第四波段為紅外波段（RED），計算公式為：

NDVI2013=（Band5-Band4）/（Band5+Band4）

通過上述方法分別計算得到長汀縣2001年、2005年、2009年及2013年的NDVI值空間分布圖，統(tǒng)計NDVI的最大值、最小值、加權平均值和標準差，統(tǒng)計結果見表1。

結合NDVI值空間分布圖表得出結論：自2001～2013年期間，長汀縣整體植被覆蓋度持續(xù)增加，從四個時期的NDVI空間分布圖明顯看出，NDVI值高的區(qū)域越來越多，即植被覆蓋度越來越高；而黑色部分（NDVI值低，說明是植被稀少或者無植被覆蓋的裸地）在逐漸減少，說明長汀縣植被覆蓋率也在增長，生態(tài)環(huán)境狀況在持續(xù)好轉(zhuǎn)。這也是自2000年以來，福建省將長汀水土流失綜合治理列入民辦實事項目后[9]，每年投入大量資金及人力物力，經(jīng)過連續(xù)十幾年的綜合治理所取得的成果。

2.2.2土地利用類型分類

根據(jù)2010年全國土地利用調(diào)查與制圖，同時考慮30m分辨率的遙感影像的特征和分類難易程度以及近年來土地利用結構變化，將長汀的土地利用類型按土地用途劃分為林地（Forest）、居民地（Residential）、水域（Water）、裸地（Unusedland）、耕地（Arableland）和道路（Road）這六大類別。從而使土地類型分類能夠在整體上體現(xiàn)長汀縣的土地利用結構，同時又使得遙感分類具有更強的可操作性。

2.2.3自動閾值決策樹分類

分類算法的目的是根據(jù)現(xiàn)有或提供的類別參數(shù)的取值，預測并判斷其它部分的數(shù)據(jù)類別與參數(shù)的取值，并希望這種預測盡可能準確。基于專家知識的決策樹分類就是典型代表，其分類規(guī)則易于理解，分類過程符合人的認知過程，而且其最大的特點是可以充分利用多源數(shù)據(jù)。雖然決策樹分類比較適合高空間分辨率的遙感影像，但是當遙感數(shù)據(jù)特征空間分布很復雜，用決策樹分類法能夠獲得較理想的分類結果[10]。

研究利用當年的遙感影像疊加上NDVI（歸一化植被指數(shù)）圖層和MNDWI（ModifiedNDWI，改進的歸一化差異水體指數(shù)）[11，12]圖層，疊加后的影像先人工對訓練樣區(qū)進行采樣，計算機根據(jù)訓練區(qū)樣本自動生成一個決策樹，計算機對樣本訓練區(qū)執(zhí)行決策樹后即完成遙感影像的分類。

3土地利用類型動態(tài)變化分析

3.1土地利用圖及空間格局分析

分別對2001年、2005年、2009年和2013年4個時期的影像采用決策樹自動閾值分類的方法，并對計算機生成的自動閾值決策樹進行細節(jié)改進，特別是結合DEM，使之盡量充分利用好多源數(shù)據(jù)的優(yōu)勢，完善決策樹，并對自動閾值決策樹分類后的圖像進行分類后處理及分類精度評價，最終完成對4個時期的遙感影像進行土地利用類型分類的處理工作，得到的分類結果如圖1所示。

通過對長汀縣4個時期的土地利用類型分類影像觀察可知，長汀地區(qū)的土地類型以林地為主；耕地主要集中于中部地區(qū)；裸地的空間分布較為零散，居民地主要位于靠近水域與道路的區(qū)域，其中以中部地區(qū)較為集中，呈現(xiàn)S形的分布，而在東部和西部地區(qū)，居民地分布較為稀疏。

通過對比4個時期的土地利用分類圖，可以明顯的發(fā)現(xiàn)4個時期的林地覆蓋面積總體在增加，這與利用NDVI值推測出來的結果基本吻合；圖中黃色部分的面積基本上在減少，這意味著長汀地區(qū)的裸地面積在逐漸減少，水土流失治理工作取得了實效。通過對比分類結果圖，還可以發(fā)現(xiàn)黃色部分較為穩(wěn)定的是西部及東北部，這說明長汀縣西部區(qū)域和東北部區(qū)域的裸地未能有效的得到治理。結合長汀DEM數(shù)據(jù)，可以發(fā)現(xiàn)這些區(qū)域多數(shù)集中于地勢較高且坡度較大的山區(qū)，可以推測這些地方的水土流失工作比較困難，綜合治理工作還需要進一步完善，需要找到切實有效的治理方法。

根據(jù)長汀土地利用類型分布圖對比結合DEM數(shù)據(jù)可知，隨著長汀縣地勢大致呈現(xiàn)東、西、北三面高，中、南部低，自北向南傾斜的地勢，地勢較低的地區(qū)，受人類的社會經(jīng)濟活動較為明顯，而對這些地區(qū)的土地利用類型分類比較困難，例如耕地，道路及居民地，而又由于影像分辨率不高，這些地類集中的區(qū)域難免出現(xiàn)錯分和漏分的現(xiàn)象，不可避免影響地類空間分布。由于裸地與耕地在影像上的差別不是很明顯，導致分類效果不一定理想，可能對于同一地區(qū)而言，在不同的年份可能被劃分為不同的土地利用類型。這是由于影像的分辨率過低有關，成像時間差異，各個季節(jié)同一地物反射的光譜信息不盡相同，因此以自動閾值的決策樹分類所得到的地物分類結果也就會有所差異，從而不可避免的產(chǎn)生這類誤差，通過分類后及時修正，使得分類結果盡量接近實際情況。

3.2土地利用類型面積變化及分析

利用自動閾值決策樹分類及經(jīng)過分類后處理，通過分類精度評價之后，在完成對長汀地區(qū)4個時期的土地利用變化分類的基礎上，分別統(tǒng)計這4個時期長汀縣的各個土地利用類型的面積（表2）。

對比統(tǒng)計數(shù)據(jù)可知，長汀縣在2001～2013年間的林地面積、道路面積與居民地面積在統(tǒng)計年之間逐漸增加，裸地面積大幅度減少，水域與耕地面積基本保持不變。2001～2005年期間：林地面積大約增加了103km2，所占比重大約增加了3.3%；裸地面積大約減少了103km2，林地增加的面積大致等于裸地減少的面積；道路則增加了9km2左右。在2005～2009年期間：林地面積大約增加了152km2，所占比重增加了將近4.9%；裸地面積大約減少了178km2；道路則增加了近16km2。在2009～2013年期間：林地面積大約增加了89.5km2，所占比重增加了將近2.9%；裸地面積大約減少了125km2。

整體算來，自2001～2013年，長汀林地整體大約增加了345km2，約占福建省總面積的11.1%；裸地面積大約減少了403km2，約占福建省總面積的13%，是2001年裸地面積的58.2%；道路面積增加了24.3km2，是2001年的219%；居民用地增加了約7km2，是2001年的117%。而水域面積未發(fā)生顯著性的變化。

3.3遙感分類精度評價

從自動閾值決策樹分類到分類成果影像的生成，分類精度評價是最重要的環(huán)節(jié)[14～17]。分類精度若不符合研究要求，達不到研究的標準，則需要重新執(zhí)行原來的操作步驟，直到分類精度符合研究要求。此次研究需要對決策樹自動閾值分類的最終結果一一進行精度評價，以判斷分類結果的精確性，這樣也才可以得出有效的分類統(tǒng)計結果。研究采用ENVI軟件自帶的精度評價方法，對研究的土地利用類型分類進行分類精度評價。此次驗證通過用基于混淆矩陣的精度評價方法對分類結果進行評價，算出總體分類精度和Kappa指數(shù)值。即將分類結果影像與另一標準樣本的roi進行疊加對比分析，進行分類精度評價。標準樣本的選取過程中應選擇典型的興趣區(qū)，盡量避免選過的訓練樣區(qū)，并借助于其他輔助工具（如googleearth等）以提高樣該區(qū)的典型度。

長汀縣土地利用分類結果的評價精度情況如表3所示，總體精度都較高，符合該次研究的要求，故分類結果比較可信，準確度較大。

4結論與討論

研究利用了NDVI、MNDWI決策樹自動閾值分類等方法來研究長汀縣2001～2013年間的土地利用類型變化，并對其進行分類及討論研究，得出長汀縣在這12年之間的林地、居民地、水域、裸地、耕地和道路這六大土地利用類型的變化情況的結論與推測，并對分類精度進行了驗證。研究結果如下。

（1）研究數(shù)據(jù)與處理的步驟先輻射校正，再幾何校正的原因是：幾何校正需要重采樣，校正后影像像素值與原來像素值會產(chǎn)生變化，可能是丟失原有信息，而且如果接著再做輻射校正的操作，結果也不精確。而改作先做輻射校正，后幾何精校正，則不會對結果產(chǎn)生影響。輻射矯正是直接對原始圖像進行像素值的糾正，沒有任何的幾何畸變。接下來再做幾何校正是為了和其他的坐標系或者其他圖像或gis數(shù)據(jù)配準。而用nearestneighbor方法重采樣的原因是可以盡量避免改變影像像素值。

（2）有時自動閾值決策樹分類的結果比較低，很可能是疊加的輔助數(shù)據(jù)過多，造成信息的干擾，例如：纓帽變換中的綠度、亮度、濕度有可能就和NDVI會互相干擾。同時，在此次的試驗中，NDVI和MNDWI指數(shù)都沒有經(jīng)過閾值試驗，沒有選出最符合實際情況的指數(shù)圖層，這有時候可能會造成決策樹分類精度偏低。因此對自動閾值決策樹分類時，選擇的多源數(shù)據(jù)并非多多益善，而是需要恰到好處。

（3）在對2013年的遙感影像做NDVI計算時，其第五個波段為近紅外波段（NIR），第四波段為紅外波段（RED），利用計算公式NDVI2013=（Band5-Band4）/（Band5+Band4）算出來的結果會與2013年以前的ETM+數(shù)據(jù)及TM數(shù)據(jù)計算的結果會相差很大，其原因在于Landsat8影像的近紅外波段和紅外波段都比ETM+和TM影像的近紅外與紅光波段的波段范圍更窄，所以導致最終的計算結果相差較大。

參考文獻：

[1]劉碩.國際土地利用與土地覆被變化對生態(tài)環(huán)境影響的研究[J].世界林業(yè)研究，2002，15（6）：38～45.

[2]文琦，劉彥隨.生態(tài)脆弱區(qū)土地利用格局演變及其生態(tài)響應[J].地域研究與開，2010，29（2）：104～109.

[3]陳增文.基于NDVI的生態(tài)環(huán)境變化分析：以福建省龍巖市長汀縣為例[J].化學工程與裝備，2012，6（6）：204～207.

[4]張若琳，萬力，張發(fā)旺，等.土地利用遙感分類方法研究進展[J].南水北調(diào)與水利科技，2006，4（2）：39～42.

[5]吳全，裴志遠，張松嶺，等.中小比例尺土地利用變化遙感調(diào)查技術與方法[M].北京：中國農(nóng)業(yè)出版社，2010，100～115.

[6]廖克，陳夕芳，吳健生，等.高分辨率衛(wèi)星遙感圖像在土地利用變化動態(tài)監(jiān)測中的應用[J].測繪科學，2006，31（6）：11～15.

[7]林輝，李際平，莫登奎.QuickBird衛(wèi)星圖像信息識別[J].中國圖像圖形學報，2005，10（10）：1504～1510.

[8]李全，王海燕，李霖.基于最大似然分類算法的土地覆蓋分類精度控制研究[J].國土資源科技管理，2005，22（4）：42～45.

[9]王維明，陳明華，林敬蘭，等.長汀縣水土流失動態(tài)變化及防治對策研究[J].水土保持通報，2005，25（4）：73～77.

[10]FriedlMA，BrodleyCE，StrahlerAH，etal.MaximizingLandCoverClassificationAccuraciesProducedbyDecisionTreesatContinentaltoGlobalScales[J].IEEETransactionsonGeoscienceandRemoteSensing，1999，37（2）：969～977.

[11]McFEETERSSK.TheuseoftheNormalizedDifferenceWaterIndex（NDWI）inthedelineationofopenwaterfeatures[J].InternationalJournalofRemoteSensing，1996，17（7）：1425.1432.

[12]徐涵秋.利用改進的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J].遙感學報，2005，9（5）：589～595.

[13]周佳.基于中巴衛(wèi)星影像的土地利用分類精度評價[J].測繪科學，2007，32（6）：27～29.

[14]冉有華，李文君，陳賢章.TM圖像土地利用分類精度驗證與評估[J].遙感技術與應用，2003，18（2）：81～86.

[15]冉有華，李新，盧玲.四種常用的全球1km土地覆蓋數(shù)據(jù)中國區(qū)域的精度評價[J].冰川凍土，2009，31（3）：490～500.

[16]孫曉霞，張繼賢.土地利用動態(tài)遙感監(jiān)測的誤差分析[J].測繪科學，2003，28（4）：45～47.