古春霞，李大成，2*，赫華穎，楊 毅

(1.太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原 030024；2.高分辨率對(duì)地觀測(cè)系統(tǒng)山西數(shù)據(jù)與應(yīng)用中心，山西 晉中030600；3.中國(guó)資源衛(wèi)星應(yīng)用中心，北京 100094；4.太原理工大學(xué) 物理與光電工程學(xué)院,山西 太原 030024)

0 引言

遙感圖像變化檢測(cè)作為一項(xiàng)關(guān)鍵技術(shù)，在自然資源管理、生態(tài)環(huán)境監(jiān)測(cè)、基礎(chǔ)地理數(shù)據(jù)庫更新、目標(biāo)動(dòng)態(tài)監(jiān)測(cè)和可持續(xù)發(fā)展規(guī)劃等諸多領(lǐng)域中有著非常廣泛的應(yīng)用[1-3]。高空間分辨率遙感影像變化檢測(cè)可提供豐富的空間細(xì)節(jié)信息，得到精細(xì)的變化檢測(cè)結(jié)果。但由于天氣、衛(wèi)星重訪周期及傳感器自身物理機(jī)能對(duì)遙感影像質(zhì)量的影響，難以獲得高時(shí)序的高空間分辨率影像，無法為時(shí)序性變化檢測(cè)提供支持。針對(duì)高分辨率時(shí)序影像缺失問題，可以使用時(shí)空融合算法重建缺失遙感數(shù)據(jù)，為變化檢測(cè)提供影像支撐?，F(xiàn)今時(shí)空融合技術(shù)已在各個(gè)領(lǐng)域得到廣泛的應(yīng)用，包括特征識(shí)別、目標(biāo)監(jiān)測(cè)、城市擴(kuò)張、森林砍伐監(jiān)測(cè)、作物制圖和產(chǎn)量估算以及洪水和濕地制圖或氣候變化等[4]。

遙感圖像時(shí)空融合的基本思想是利用特定的算法合成2幅或多幅遙感圖像并對(duì)其進(jìn)行相關(guān)運(yùn)算，從而重構(gòu)出新的預(yù)測(cè)時(shí)期的圖像。在融合過程中，通常使用一對(duì)或多對(duì)高低分辨率影像融合生成預(yù)測(cè)時(shí)刻的高分辨率影像。其中，高空間分辨率影像可以提取空間上的細(xì)節(jié)信息，低空間分辨率影像可以較為精確地描述地物的時(shí)序變化情況，以此獲取隨時(shí)間變化的地物空間特征。遙感影像時(shí)空融合可以得到同時(shí)具有高空間分辨率和高時(shí)間分辨率特征的遙感影像序列，實(shí)現(xiàn)對(duì)土地利用類型變化的精確記錄?；谀壳耙延袝r(shí)空融合模型，可以大致將其分為3類：基于變換的模型、基于重建的模型和基于學(xué)習(xí)的模型[5]。

在基于重建的時(shí)空融合模型中應(yīng)用最廣的是Gao等[6]2006年提出的時(shí)空自適應(yīng)融合模型(Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM)，該方法通過鄰域加權(quán)過程合成每天的高分辨率影像，融合時(shí)間序列影像的質(zhì)量取決于高時(shí)間分辨率影像集的數(shù)目和無云數(shù)據(jù)對(duì)的可用性。Zhu等[7]在STARFM的基礎(chǔ)上提出了改進(jìn)型時(shí)空自適應(yīng)融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)，進(jìn)一步提高了預(yù)測(cè)精度。Emelyanova等[8]發(fā)現(xiàn)在空間變異為主的地區(qū)ESTARFM比STARFM融合效果更好，但在以時(shí)間變異為主的地區(qū)ESTARFM融合效果一般。Zhu等[9]基于解混和樣條插值提出了靈活的空間數(shù)據(jù)融合算法 (Flexible Spatiotemporal Data Fusion Model，F(xiàn)SDAF)，該算法能預(yù)測(cè)異質(zhì)地表區(qū)域的地物平緩變化與類型變化。

在基于變換的時(shí)空融合模型中主要是小波變換，即對(duì)影像進(jìn)行小波分解，然后對(duì)分解后的各層進(jìn)行融合處理，以此實(shí)現(xiàn)影像的融合[10]。在基于學(xué)習(xí)的時(shí)空融合模型方面，Huang[11]等最早將稀疏表達(dá)與字典學(xué)習(xí)用于時(shí)空融合，以此提出了基于稀疏表示和稀疏編碼的時(shí)空反射率融合模型(SParse-representation-based Spatio Temporal Reflectance Fusion Model，SPSTFM)，通過利用從2種影像類型生成的影像塊創(chuàng)建的字典來學(xué)習(xí)高空間分辨率圖像和高時(shí)間分辨率影像之間的差異。

隨著時(shí)空融合技術(shù)的不斷成熟，不少學(xué)者將時(shí)空融合技術(shù)應(yīng)用在變化檢測(cè)方面。其中Wang等[12]提出了一種基于多尺度融合的面向方向的變化檢測(cè)方法，該實(shí)驗(yàn)是在高分辨率機(jī)載和SPOT 5遙感影像上進(jìn)行的，與不同的面向?qū)ο蠛兔嫦蛳袼氐臋z測(cè)方法相比，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性和可靠性，但該研究?jī)H是針對(duì)較小區(qū)域進(jìn)行研究分析。Lal等[13]通過組合稀疏字典融合和K均值聚類算法對(duì)多時(shí)相遙感影像進(jìn)行半監(jiān)督變化檢測(cè)，結(jié)果得出該方法可以減少一定錯(cuò)誤分類，但執(zhí)行速度較慢。Hilker等[14]使用STAARCH對(duì)Landsat TM/ETM和MODIS反射率數(shù)據(jù)進(jìn)行時(shí)空融合并進(jìn)行變化檢測(cè)，該方法主要針對(duì)于植被變化檢測(cè)，結(jié)果表明結(jié)合STAARCH進(jìn)行的變化檢測(cè)能較精細(xì)地識(shí)別景觀中的時(shí)空變化。Guo等[15]使用STARFM和ESTARFM構(gòu)建Landsat NDVI時(shí)間序列，提高了Landsat NDVI時(shí)間序列的質(zhì)量，并彌補(bǔ)近實(shí)時(shí)環(huán)境監(jiān)測(cè)任務(wù)與數(shù)據(jù)稀缺性之間的差距，同時(shí)提出需考慮不同融合算法的有效性在生長(zhǎng)季節(jié)和非生長(zhǎng)季節(jié)存在一定差異。綜上所述，運(yùn)用時(shí)空融合技術(shù)進(jìn)行變化檢測(cè)已成為一種可行且有效的手段。通過時(shí)空融合技術(shù)得到遙感數(shù)據(jù)集，很大程度上使變化檢測(cè)更為準(zhǔn)確。

現(xiàn)有的時(shí)空融合技術(shù)應(yīng)用于變化檢測(cè)領(lǐng)域主要是對(duì)某一特定變化區(qū)域進(jìn)行試驗(yàn)或?qū)^(qū)域植被變化進(jìn)行檢測(cè)，且融合生成數(shù)據(jù)基本為中分辨率數(shù)據(jù)，缺乏高分辨率數(shù)據(jù)對(duì)精細(xì)變化檢測(cè)的應(yīng)用。針對(duì)城市精細(xì)變化檢測(cè)，采用時(shí)空融合技術(shù)重建高時(shí)空分辨率數(shù)據(jù)，并利用迭代加權(quán)多元變化檢測(cè)算法(Iteration Reweight Multivariate Alteration Detection,IR-MAD)[16]對(duì)原始影像和重建影像進(jìn)行變化檢測(cè)，分析二者變化檢測(cè)精度差異，探究時(shí)空融合模型在城市精細(xì)變化檢測(cè)中的可用性，驗(yàn)證其在變化檢測(cè)中的應(yīng)用精度。

1 研究區(qū)和數(shù)據(jù)源

本文選取山西省太原市中部地區(qū)為研究區(qū)，地理覆蓋范圍為37°44′N～38°00′N，112°19′E～112°41′E，如圖1所示。該研究區(qū)屬于溫帶半干旱季風(fēng)性氣候，研究區(qū)域內(nèi)主要土地覆蓋類型包括人工建筑、草地、林地、水體和耕地。本文研究區(qū)以城區(qū)為主，研究區(qū)西部和東北部有部分林地，研究區(qū)東南部地物類型多樣，農(nóng)田、林地與居民地混合分布。

圖1 研究區(qū)地理位置Fig.1 Geographical location of study area

本文選取研究區(qū)5個(gè)時(shí)刻的GF-1 WFV和GF-2多光譜無云遙感影像為研究數(shù)據(jù)，具體如表1所示。其中，因在本文研究區(qū)中2018年沒有時(shí)相完全重合的兩景無云影像，故2018年所選取的GF-1WFV與GF-2多光譜影像的時(shí)間相差2天。

表1 遙感數(shù)據(jù)信息Tab.1 Remote sensing data information

2 實(shí)驗(yàn)方法

2.1 基于單數(shù)據(jù)對(duì)的時(shí)空融合模型

2.1.1 STARFM模型

STARFM是Gao等在2006年提出的時(shí)空融合模型，該模型是輸入基準(zhǔn)時(shí)相的高低分辨率數(shù)據(jù)和預(yù)測(cè)時(shí)相的低分辨率數(shù)據(jù)，確定移動(dòng)窗口大小，搜索相似像元，繼而計(jì)算鄰近相元的距離權(quán)重和轉(zhuǎn)換系數(shù)，最后得出預(yù)測(cè)時(shí)刻的高分辨率影像L(xw/2,yw/2,t0):

L(xi,yi,tk)-M(xi,yi,tk))，

(1)

式中，(xw/2,yw/2)是移動(dòng)搜索框的中心像元；M(xi,yi,t0)是低空間分辨率數(shù)據(jù)在t0時(shí)刻的反射率值；L(xi,yi,tk)和M(xi,yi,tk)分別是高空間分辨率和低空間分辨率數(shù)據(jù)在tk時(shí)刻的反射率值;Wijk是權(quán)重函數(shù)：

(2)

式中，Wijk是權(quán)重系數(shù)，需要由光譜差異Sijk，時(shí)相差異Tijk，中心像元(xw/2,yw/2)和候選像元(xi,yi)在tk時(shí)的空間距離dijk來計(jì)算:

Sijk=|L(xi,yi,tk)-M(xi,yi,tk)|，

(3)

Tijk=|M(xi,yi,tk)-M(xi,yi,t0)|，

(4)

(5)

2.1.2 FSDAF模型

(6)

(7)

R(xi,yi)=ΔC(xi,yi)-

(8)

(9)

CW(xij,yij)=Eho(xij,yij)×HI(xij,yij)+

R(xi,yi)×[1-HI(xij,yij)]，

(10)

(11)

(12)

2.2 迭代加權(quán)多元變化檢測(cè)算法

Morton Canty和Allan Nielsen在MAD算法[17]基礎(chǔ)上，結(jié)合EM算法[18]，提出了IR-MAD算法。主要計(jì)算方法如下：

將多光譜圖像在不同波段中的觀測(cè)值表示為隨機(jī)向量F和G，生成隨機(jī)變量U，V計(jì)算MAD變量為：

(13)

式中，ai，bi是對(duì)應(yīng)的特征向量。

再由隨機(jī)變量Z代表標(biāo)準(zhǔn)化MAD變量的平方和：

(14)

而隨機(jī)變量Z是具有K自由度的卡方分布，因此得出：

Pr(change)=Px2;K(z)，

(15)

式中，x2代表卡方分布，z值越小，變化概率越高。不變概率可以用作觀測(cè)值的權(quán)重，并且整個(gè)過程將反復(fù)進(jìn)行，直到滿足停止標(biāo)準(zhǔn)為止。

3 實(shí)驗(yàn)結(jié)果與分析

先是通過STARFM和FSDAF兩種時(shí)空融合模型融合得到其余4個(gè)時(shí)相的遙感影像，對(duì)融合后影像與原始影像進(jìn)行定性與定量分析，分析融合影像質(zhì)量；然后使用IR-MAD算法對(duì)重建后的影像進(jìn)行變化檢測(cè)，并與真實(shí)變化檢測(cè)進(jìn)行對(duì)比，分析其實(shí)用性及準(zhǔn)確性。

3.1 時(shí)空融合結(jié)果與分析

在融合重建過程中，以2017年5月5日的高低分辨率數(shù)據(jù)作為STARFM模型與FSDAF模型的基礎(chǔ)時(shí)相數(shù)據(jù)，對(duì)其他4個(gè)時(shí)相的影像數(shù)據(jù)進(jìn)行了重建，重建影像結(jié)果如圖2和圖3所示。在時(shí)空融合結(jié)果質(zhì)量定性評(píng)價(jià)中，通過目視對(duì)比，可以看出融合后的影像色彩失真較小，紋理特征明顯。

(a)2015-04-23

(a)2015-04-23

時(shí)空融合結(jié)果質(zhì)量定性評(píng)價(jià)還可以通過影像波段散點(diǎn)圖(如圖4和圖5)分析，從圖4和圖5可以看出，融合后的影像與真實(shí)影像的離散度較好，二者均說明重建影像的可靠性。由于重建影像波段較多，文中只對(duì)其中一個(gè)波段的散點(diǎn)圖進(jìn)行展示。

在時(shí)空融合結(jié)果質(zhì)量定量評(píng)價(jià)中，通過絕對(duì)平均偏差A(yù)AD、均方根誤差RMSE、結(jié)構(gòu)相似性SSIM[19]、峰值信噪比PSNR以及相對(duì)整體位數(shù)綜合誤差ERGAS[20]分析重建影像質(zhì)量。其中AAD、RMSE、ERGAS指標(biāo)值越小，說明融合結(jié)果的光譜誤差越小；PSNR值越大，則表明融合結(jié)果失真程度越??；SSIM值越大，表明融合結(jié)果與真實(shí)結(jié)果匹配程度越高[21]。融合影像評(píng)價(jià)指標(biāo)如表2所示。

(a)2015-04-23

(a)2015-04-23

表2 融合影像評(píng)價(jià)指標(biāo)Tab.2 Fusion image evaluation index

分析表2可知，2種時(shí)空融合模型重建結(jié)果AAD均在0.027左右，RMSE均在0.029左右，ERGAS均在37左右，可以得出融合后影像誤差值較低；PSNR均在25以上，SSIM均在0.82以上，可以得出融合后影像失真程度較小，與真實(shí)影像匹配程度較高；5種指標(biāo)值均表明融合后影像質(zhì)量較高，可用于進(jìn)一步研究；分析不同融合模型的融合精度，從各個(gè)指標(biāo)中可以看出，F(xiàn)SDAF模型融合精度略高于STARFM。在本文中使用的2種時(shí)空融合算法，融合得到的影像與真實(shí)影像匹配度較高，經(jīng)過精度評(píng)定，證明了2種時(shí)空融合模型的實(shí)用性。

3.2 變化檢測(cè)結(jié)果與分析

本文使用IR-MAD算法分別對(duì)2015年和2018年、2016年和2019年2組時(shí)間段融合后的影像和原始影像進(jìn)行變化檢測(cè)分析，對(duì)比融合后的變化檢測(cè)圖和原始影像變化檢測(cè)圖之間的差異，通過對(duì)變化檢測(cè)精度進(jìn)行量化分析，以此來評(píng)價(jià)變化檢測(cè)算法性能。在研究區(qū)域內(nèi)均勻隨機(jī)選取1 000個(gè)驗(yàn)證點(diǎn)驗(yàn)證變化檢測(cè)的準(zhǔn)確性，構(gòu)建變化混淆矩陣計(jì)算5種量化指標(biāo)分析變化檢測(cè)精度，分別為變化檢測(cè)成功率、錯(cuò)檢率、漏檢率、變化檢測(cè)總精度和Kappa系數(shù)。其中，變化檢測(cè)成功率是檢測(cè)正確變化像元數(shù)與檢測(cè)到的變化像元個(gè)數(shù)的比值；錯(cuò)檢率為實(shí)際未變化卻檢測(cè)為變化的像元數(shù)與檢測(cè)到的變化像元個(gè)數(shù)的比值；漏檢率為實(shí)際變化卻檢測(cè)為未變化的像元數(shù)與實(shí)際變化像元數(shù)的比值；變化檢測(cè)總精度為檢測(cè)正確像元數(shù)與總像元數(shù)的比值；Kappa系數(shù)為離散程度。不同時(shí)相變化檢測(cè)圖如圖6和圖7所示，圖中紅色為變化區(qū)域，黑色為未變化區(qū)域。對(duì)應(yīng)的變化檢測(cè)精度評(píng)定結(jié)果如表3和表4所示。

(a)原始影像變化檢測(cè)結(jié)果

(a)原始影像變化檢測(cè)結(jié)果

對(duì)比原始影像變化檢測(cè)結(jié)果與重建影像變化檢測(cè)結(jié)果，二者相差較小，證明了時(shí)空融合方法在區(qū)域變化檢測(cè)中的可用性。從表3和表4可以看出，整體變化檢測(cè)總精度均在87%以上，Kappa系數(shù)均在0.75以上。對(duì)比時(shí)空融合重建影像的變化檢測(cè)結(jié)果精度與原始影像變化檢測(cè)結(jié)果精度，二者整體差值較小，總精度最大相差2%，Kappa系數(shù)最大相差0.05，證明了使用時(shí)空融合重建遙感影像進(jìn)行變化檢測(cè)的可靠性。不論研究區(qū)變化大小，從各個(gè)變化檢測(cè)結(jié)果指標(biāo)均可看出，檢測(cè)總精度相差較小，說明了使用時(shí)空融合重建遙感影像對(duì)不同變化程度的區(qū)域進(jìn)行變化檢測(cè)的可靠性。對(duì)比不同融合模型所得影像的變化檢測(cè)結(jié)果指標(biāo)，可以看出FSDAF重建影像變化檢測(cè)結(jié)果指標(biāo)略大于STARFM，與融合影像精度一致，證明變化檢測(cè)精度受時(shí)空融合模型的影響，其隨時(shí)空融合精度的增大而增大。

表3 2015-2018年不同影像變化檢測(cè)結(jié)果指標(biāo)Tab.3 2015-2018 different image change detection result indicators

表4 2016-2019年不同影像變化檢測(cè)結(jié)果指標(biāo)Tab.4 2016-2019 different image change detection result indicators

4 結(jié)束語

對(duì)城市實(shí)施精細(xì)變化檢測(cè)有利于城市規(guī)劃和土地資源管理。本文提出使用時(shí)空融合技術(shù)重建得到的高分辨率影像進(jìn)行城市精細(xì)變化檢測(cè)，該方法彌補(bǔ)了高質(zhì)量高時(shí)空分辨率影像的缺失問題。研究表明，時(shí)空融合技術(shù)為城市精細(xì)變化檢測(cè)提供了有力的數(shù)據(jù)支撐，對(duì)不同變化程度區(qū)域的變化檢測(cè)都有較高的精度，分析重建影像的變化檢測(cè)結(jié)果精度，得到整體變化檢測(cè)總精度均在87%以上，Kappa系數(shù)均在0.75以上，且變化檢測(cè)精度受時(shí)空融合模型精度的影響，其隨時(shí)空融合精度的增大而增大，證實(shí)了采用時(shí)空融合重建影像進(jìn)行變化檢測(cè)的可用性。