李智宇 張莉

利用2015年、2017年的Landsat-8影像和2018年航空影像，融合光譜和紋理特征，先使用支持向量機法對不同時相的數(shù)據(jù)分類，再對分類結果進行比較，獲取變化信息。對廣西壯族自治區(qū)旺甫鎮(zhèn)部分地區(qū)耕地進行了變化檢測并分析。結果證明，兩年期間區(qū)內耕地減少了約0.9km2，約占耕地面積的21%，耕地主要轉化為了道路、建筑物和經(jīng)濟作物。

耕地是人類賴以生存的基礎和保障，也關系著我國經(jīng)濟和社會的可持續(xù)發(fā)展。利用遙感手段進行耕地變化檢測具有宏觀性和便捷性，可以持續(xù)獲取耕地的變化情況，尤其是在交通不便、地勢復雜的地區(qū)具有明顯的技術和經(jīng)濟優(yōu)勢。

遙感變化檢測常用的方法可分為兩大類：分類前比較法和分類后比較法。

分類前比較法又稱為直接法，可進一步分為：差值法、比值法、指數(shù)法、主成分分析法、影像回歸法、假彩色合成法、交叉相關分析法和變化矢量分析法等。周曉光等利用灰度差值、NDVI差值、灰度比值、主成分分析法等四種方法對TM影像進行了變化檢測，發(fā)現(xiàn)就單一方法而言，精度都不夠理想，需要對四種方法進行有效組合才能提高精度。分類后比較法先對影像先進行分類，再對分類結果進行比較，提取變化信息。這種方法可以回避不同時相不同傳感器帶來的歸一化問題，變化檢測的結果依賴于分類的精度。滿衛(wèi)東等利用面向對象和目視解譯相結合的方法對東北地區(qū)的耕地進行了分類后變化檢測，總體精度較高。目前還發(fā)展出一些新的基于機器學習的分類算法，如支持向量機（Support Vector Machine， SVM）分類、神經(jīng)網(wǎng)絡分類、決策樹分類等。閆琰等對同一TM圖像比較了ENVI軟件中最小距離法、最大似然法、神經(jīng)網(wǎng)絡法和SVM方法這四種監(jiān)督分類方法，結論是SVM方法的精度最高?；菸娜A利用TM影像比較了僅利用光譜特征的最大似然法、SVM方法以及影像紋理和光譜特征相結合的SVM方法，結論是后者的精度最高。

一、原理與處理流程

（一）原理

變化檢測是比較分析同一區(qū)域不同時相的遙感數(shù)據(jù)，以得到地表變化的程度、過程和特點等信息。分類前比較法為對兩幅影像的某一特征值如灰度值、紋理、特征指數(shù)等進行差值或比值等數(shù)學運算，當運算的結果大于某一設定閾值時，則認為像元對應的地表發(fā)生了變化。以差值法為例，其數(shù)學模型為：

Rij 為比值結果，其越接近1，則代表發(fā)生變化的可能性越小，反之則越大，當大于閾值時，則判定該像元發(fā)生了變化。

分類后比較法則是先根據(jù)特征對影像進行分類，再對不同時相的分類結果進行比較，提取變化區(qū)域，并獲得地物的前后轉化類別。

（二）處理流程

本文采用結合影像光譜和紋理特征的SVM分類方法，對影像先分類后比較，提取耕地變化信息，并進行結果分析。

具體的技術路線見圖1。首先將影像的多光譜波段和全色波段進行融合，并在研究區(qū)域內根據(jù)光譜特征選擇監(jiān)督分類的樣本。再生成紋理影像，通過樣本在紋理影像上的特征曲線選擇合適的紋理特征，將光譜波段和紋理特征進行合成。然后利用支持向量機的方法對影像進行監(jiān)督分類，并對分類結果進行精度驗證。接著將兩個年份的影像進行變化檢測，得到耕地的變化信息，最終對耕地的變化進行一系列的分析。

二、實驗

（一）實驗區(qū)

旺甫鎮(zhèn)（圖2）地處蒼梧縣南部，位于梧州市北郊。旺甫鎮(zhèn)地處丘陵地區(qū)，而居民地多處于地勢平坦地帶，耕地多分布于居民地周圍，少部分分布于丘陵之上。耕地面積狹小，分布零散，特征不明顯，人眼難以識別，因此在提取耕地之前有必要將影像的多光譜波段與全色波段進行融合。本文選取位于旺甫鎮(zhèn)西南的大新村和旺甫村部分區(qū)域（圖2左白色框內）作為研究對象，該區(qū)域建筑物、道路和耕地等分布相對集中，為近年來旺甫鎮(zhèn)推進工業(yè)小鎮(zhèn)建設的重點區(qū)域，耕地變化較大。

影像數(shù)據(jù)包括兩幅Landsat-8影像，拍攝時間分別為2017年10月30日和2015年10月16日，同時還有2018年該區(qū)域的航空影像（圖2右）。

（二）數(shù)據(jù)預處理

由于研究區(qū)耕地面積狹小而破碎，在Landsat-8原始的30m分辨率影像上難以人眼識別，需要對影像7個多光譜波段和全色波段進行融合，本研究使用Gram-Schmidt Pan Sharpening方法融合，該方法可以很好地同時保留影像的光譜和紋理特征[9]。對融合后的影像和航空影像進行裁剪和掩膜，獲取研究區(qū)域的影像。再將研究區(qū)域遙感影像與航空影像進行配準，以便于后續(xù)的樣本點選擇及精度驗證。

（三）紋理特征選擇

本研究將地物分為耕地、植被、建筑物、裸地、道路和水體共6類，通過遙感影像的光譜特征并結合航空影像選擇出各類別的樣本。對融合影像的7個多光譜波段進行主成分分析，計算第一主成分的灰度共生矩陣，提取均值（Mean）、方差（Variance）、 協(xié)同性（Homogeneity）、 對比度（Contrast）、 相異性（Dissimilarity）、熵值（Entropy）、二階矩（Second Moment）、相關性（Correlation）共8個紋理特征。從訓練樣本的紋理特征曲線（圖3）可以看出，紋理特征的第1、2、4波段，可以較好地區(qū)分這幾類地物。將這三個紋理特征和多光譜影像的7個波段進行合成，生成新的10波段影像。