竇世卿，宋瑩瑩，徐 勇，苗林林，陳治宇，鄭賀剛

(桂林理工大學(xué) 測(cè)繪地理信息學(xué)院，廣西 桂林 541006)

0 引言

變化檢測(cè)是觀測(cè)不同時(shí)間下同一區(qū)域的地物變化信息的過程，衛(wèi)星遙感技術(shù)可以實(shí)時(shí)、準(zhǔn)確、快速地檢測(cè)土地覆被的變化情況，土地利用的變化檢測(cè)也已成為遙感技術(shù)的重要應(yīng)用領(lǐng)域之一[1]。

基于遙感技術(shù)有多種不同的變化檢測(cè)方法[2]。如Desclée[3]等將多時(shí)相影像疊加后進(jìn)行分割，進(jìn)行基于面向?qū)ο蟮淖兓瘷z測(cè)。Jin[4]等結(jié)合多種指數(shù)提取區(qū)域地物的變化信息，對(duì)土地覆蓋進(jìn)行更新。Feng[5]等提出了一種基于視覺顯著性和隨機(jī)森林的高分辨率遙感圖像變化檢測(cè)方法。馮文卿[6]等提出了利用隨機(jī)森林進(jìn)行面向?qū)ο蟮倪b感影像變化檢測(cè)。陳鵬[7]等提出了一種基于地物分布特性的違法用地變化檢測(cè)方法，實(shí)現(xiàn)違法用地變化信息自動(dòng)提取。季順平[8]提出了一種基于背景模型的針對(duì)建筑物的陰影檢測(cè)及變化檢測(cè)方法。何浩[9]針對(duì)城市建筑物受成像角度差異引起的誤檢測(cè)問題，提出基于視差和陰影幾何分析的建筑物變化檢測(cè)方法。但上述研究中并沒有顧及建筑物的陰影對(duì)土地利用分類及變化檢測(cè)結(jié)果的影響。

隨機(jī)森林的分類方法是由美國(guó)統(tǒng)計(jì)學(xué)家Leo Breiman[10]在2001年提出的基于CART分類樹的組合分類算法，分類精度高且訓(xùn)練速度快。谷曉天[11]分別利用支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等方法進(jìn)行土地利用信息的提取，得到隨機(jī)森林分類模型的精度最高。

本文基于2幅不同時(shí)期的高分影像，首先采用改進(jìn)的雙峰分裂閾值法進(jìn)行建筑物的陰影去除，然后融合高分遙感影像的光譜、紋理、幾何特征，并選取合適的植被指數(shù)，使用隨機(jī)森林的方法對(duì)研究區(qū)的土地覆被進(jìn)行分類，并基于分類結(jié)果進(jìn)行變化檢測(cè)和對(duì)比分析。

1 研究區(qū)數(shù)據(jù)源

1.1 研究區(qū)概況

本文選擇廣西壯族自治區(qū)桂林市臨桂區(qū)六塘鎮(zhèn)為研究區(qū)，位于臨桂區(qū)境南部，地處北緯24°56′17″～25°02′07″、東經(jīng)110°10′49″～110°20′02″，行政面積108 km2，地形地貌以丘陵平原為主，海拔約190 m。研究區(qū)以亞熱帶季風(fēng)氣候?yàn)橹?，年降水量? 900 mm。東北接桂林市雁山區(qū)，東南連陽(yáng)朔縣，南鄰南邊山鎮(zhèn)，西界永福縣，北依會(huì)仙鎮(zhèn)。研究區(qū)位置及原始影像如圖1所示。

1.2 數(shù)據(jù)源及預(yù)處理

利用2017年WorldView-2(WV2)和2020年SuperView-1(SV1)的高分辨率遙感影像為數(shù)據(jù)源，以裁剪后的兩景影像的重疊覆蓋區(qū)作為實(shí)際研究范圍。WorldView-2衛(wèi)星不僅提供0.5 m全色圖像和1.8 m分辨率的影像，還提供了海岸、黃、紅邊和近紅外4個(gè)波段。SuperView-1全色分辨率0.5 m，多光譜分辨率2 m。不僅可以獲取多點(diǎn)、多條帶拼接等影像數(shù)據(jù)，還可以進(jìn)行立體采集。兩期原始影像的RGB彩色合成影像如圖1所示。

基于ENVI 5.6平臺(tái)，對(duì)原始影像進(jìn)行預(yù)處理。采用30 m分辨率的ASTER GDEM數(shù)據(jù)對(duì)影像進(jìn)行正射校正，并基于NNDiffuse方法融合多光譜影像和全色影像。為了消除大氣散射的輻射誤差，對(duì)影像進(jìn)行了FLAASH大氣校正。此外，前后時(shí)相影像的校正和配準(zhǔn)對(duì)變化檢測(cè)結(jié)果有很大的影響，本文以SV1影像為基準(zhǔn)對(duì)WV2影像進(jìn)行配準(zhǔn)，采用多項(xiàng)式模型進(jìn)行幾何校正，重采樣方法為三次卷積內(nèi)插法。

2 顧及建筑物陰影的隨機(jī)森林分類方法

SuperView-1的影像為4個(gè)波段光譜影像，影像中河流等水域面積無(wú)法忽略，其輻射特征與陰影非常相近，僅用4個(gè)波段的光譜數(shù)據(jù)較難將二者區(qū)分，運(yùn)用簡(jiǎn)單的特征法難以得到理想的結(jié)果[12]。因此需要先對(duì)SuperView-1影像進(jìn)行建筑物陰影檢測(cè)和去除。然后，結(jié)合植被指數(shù)、紋理信息進(jìn)行隨機(jī)森林分類，在此基礎(chǔ)上使用分類后對(duì)比的方法進(jìn)行變化檢測(cè)，并通過剔除偽變化、質(zhì)量檢查等手段進(jìn)行檢測(cè)結(jié)果優(yōu)化，最終獲得研究區(qū)地物變化檢測(cè)的結(jié)果。

2.1 建筑物陰影去除

對(duì)于云量少、天氣晴朗情況下獲取的高分辨遙感影像，高大建筑以及高大孤樹會(huì)出現(xiàn)陰影，陰影部分在特征提取時(shí)，很容易與植被或水體特征相混淆，而且不同時(shí)相影像的陰影方向及大小也不同，因此需要進(jìn)行專門的陰影檢測(cè)并去除。

改進(jìn)的雙峰分裂閾值法是一種效果較好的陰影檢測(cè)方法。該方法取灰度直方圖兩波峰的平均值作為分割閾值，小于閾值的像元作為陰影區(qū)域。運(yùn)用該方法提取陰影的關(guān)鍵在于閾值的選取，當(dāng)陰影占影像面積較大時(shí)，以雙峰波谷值作為陰影分割閾值[13]。陰影部分占比不大時(shí)，選取第一個(gè)波谷值作為陰影分割閾值[9]。具體過程是：首先將RGB(Red，Green，Blue)影像轉(zhuǎn)化為HIS(Hue，Saturation，Intensity)影像，然后統(tǒng)計(jì)I分量的像元值，再進(jìn)行閾值分割。影像中陰影常處于亮度值最低的區(qū)域，根據(jù)這一特性，基于Python平臺(tái)，將RGB影像模型轉(zhuǎn)換到HSI模型，每個(gè)RGB像素的H分量，S分量和I分量計(jì)算方式為：

(1)

(2)

(3)

本文的建筑物陰影在分類中大多被分為了水體，為了不影響后續(xù)的變化檢測(cè)的實(shí)驗(yàn)結(jié)果，需要保證提取出的陰影部分在隨機(jī)森林的分類過程中被計(jì)算成建筑用地。將提取出的陰影區(qū)域像元值計(jì)算為與訓(xùn)練樣本中建筑用地的均值相等。然后，用陰影區(qū)域?qū)υ加跋襁M(jìn)行掩膜處理，再將掩膜后的影像與重新計(jì)算后的陰影區(qū)域疊加，最后，將疊加后的影像進(jìn)行分類，建筑物陰影區(qū)域則被分類為建筑用地。

2.2 隨機(jī)森林算法及特征提取

2.2.1 隨機(jī)森林模型原理

隨機(jī)森林(Random Forest，RF)是一種以多個(gè)決策樹為基本學(xué)習(xí)器的機(jī)器學(xué)習(xí)算法。隨機(jī)森林通過自助采樣法(Bootstrap Sampling)隨機(jī)有放回地抽取N組樣本生成訓(xùn)練樣本集并建立N棵CART決策樹[14]。樣本的2/3作為袋內(nèi)數(shù)據(jù)，1/3作為袋外數(shù)據(jù)(Out of Bag，OOB)。OOB數(shù)據(jù)可以通過內(nèi)部交叉驗(yàn)證并應(yīng)用到所有決策樹的方法，估算整個(gè)隨機(jī)森林的泛化誤差(Out of Bag Error)。每棵決策樹的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取m個(gè)特征進(jìn)行節(jié)點(diǎn)分裂?；嶂笖?shù)越小，表示集合中被選中樣本被錯(cuò)分的概率越?。?/p>

(4)

式中，pk表示選中的樣本屬于k類別的概率，則這個(gè)樣本被分錯(cuò)的概率是(1-pk)，樣本集合中有K個(gè)類別。

最后由生成的多棵決策樹構(gòu)成隨機(jī)森林分類器對(duì)數(shù)據(jù)進(jìn)行分類，最終的分類結(jié)果由所有決策樹投票來(lái)決定[15]。

2.2.2 特征提取

利用高分影像豐富的空間信息和紋理信息，提取影像的光譜特征和紋理特征。有利于計(jì)算像元與像元之間及像元屬性與像元屬性間的相互關(guān)系，植被指數(shù)在植被的研究中是一個(gè)重要指標(biāo)，而且還可以在一定程度上減少外界因素帶來(lái)的誤差，更好地識(shí)別地物細(xì)節(jié)的變化信息，綜合影像的地類分布特點(diǎn)。本文選取的特征及植被指數(shù)如下：

(1) 光譜特征：影像光譜特征的平均值(Mean)和標(biāo)準(zhǔn)差(Standard Deviation)、亮度(Brightness)[16]。

(2) 紋理特征：通過應(yīng)用8個(gè)基于二階矩陣的紋理濾波提取WV2和SV1的紋理特征，包括平均值(Mean)、方差(Variance)、信息熵(Entropy)、二階矩(Second Moment)、相關(guān)性(Correlation)、異質(zhì)性(Dissimilarity)、對(duì)比性(Contrast)和協(xié)同性(Homogeneity)8個(gè)紋理參數(shù)。

(3) 光學(xué)植被指數(shù)：為了減少不同輻照度對(duì)植被光譜特征的影響，更好地區(qū)分不同地物類型，提高地物的分類精度，需分別計(jì)算以下各個(gè)指數(shù)特征[17]。歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)是檢測(cè)植被生長(zhǎng)狀態(tài)的重要參數(shù)，也是植被覆蓋度的最佳指示因子[18]，因而應(yīng)用最為廣泛。歸一化水指數(shù)(Normalized Difference Water Index，NDWI)利用水體在近紅外波段強(qiáng)吸收而植被強(qiáng)反射的特點(diǎn)，采用綠波段和近紅外波段的比值，可以較大程度上抑制植被信息，突出水體[19]。比值植被指數(shù)(Ratio Vegetation Index，RVI)在植被覆蓋度較高時(shí)，對(duì)植被十分敏感。上述3個(gè)植被指數(shù)的計(jì)算公式如下：

NDVI=(ρNIR-ρR)/(ρNIR+ρR)，

(5)

NDWI=(ρGREEN-ρNIR)/(ρGREEN+ρNIR)，

(6)

RVI=ρNIR/ρR，

(7)

式中，ρNIR為近紅外波段；ρR為紅外波段；ρGREEN為綠波段。

2.2.3 分類及后處理

融合提取的特征信息及去除陰影后的影像，對(duì)隨機(jī)森林算法進(jìn)行參數(shù)調(diào)優(yōu)，發(fā)現(xiàn)當(dāng)決策樹的數(shù)量(Ntree)和最小分割點(diǎn)分別為150和6時(shí)，分類精度最高，然后，將獲得的最優(yōu)參數(shù)運(yùn)用于分類模型，進(jìn)行分類并得到建筑用地、林地、耕地、水域和裸地5個(gè)地類的分類結(jié)果。

分類圖像經(jīng)常缺少空間連續(xù)性，導(dǎo)致影像分類效果較差。本文選擇聚類處理(Clump)的方法對(duì)分類后的結(jié)果進(jìn)行后處理。聚類處理是運(yùn)用形態(tài)學(xué)算子將臨近的類似分類區(qū)域聚類并合并[20]。低通濾波雖然可以用來(lái)平滑這些小班點(diǎn)，但是類別信息常常會(huì)被臨近類別的編碼干擾，聚類處理解決了這個(gè)問題。

2.2.4 分類精度評(píng)定

本文采用混淆矩陣的方法對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。計(jì)算評(píng)價(jià)指標(biāo)為總體分類精度(Overall Accuracy)和Kappa系數(shù)(Kappa Coefficient)?？傮w分類精度等于被正確分類的像元總和除以總像元數(shù)。Kappa系數(shù)是一種比例，代表著分類與完全隨機(jī)的分類產(chǎn)生錯(cuò)誤減少的比例。

2.3 變化檢測(cè)

變化檢測(cè)是土地覆被變化提取的關(guān)鍵步驟，其中包括發(fā)現(xiàn)變化、變化范圍確定、變化類型確定。變化檢測(cè)方法有多種，同一塊研究區(qū)域運(yùn)用不同的檢測(cè)方法會(huì)得到不同的檢測(cè)結(jié)果[21]。因此，在變化檢測(cè)過程中，根據(jù)研究區(qū)的遙感影像質(zhì)量與類型以及環(huán)境條件選定合適的檢測(cè)方法是土地利用變化檢測(cè)的關(guān)鍵。

2.3.1 變化檢測(cè)方法

分類后比較的方法是將2幅分類圖像之間的差異編輯成一個(gè)詳細(xì)的表格，使用該程序所探測(cè)的差異與僅對(duì)2幅圖像進(jìn)行簡(jiǎn)單差值運(yùn)算所得出的結(jié)果有明顯區(qū)別[22]。統(tǒng)計(jì)結(jié)果包含類別對(duì)類別(Class-for-Class)的圖像差異分析，分析識(shí)別出哪些像元發(fā)生了變化，變化為終止?fàn)顟B(tài)圖像中的哪一類，并可以用像元數(shù)量、百分比和面積對(duì)這些像元進(jìn)行記錄。本實(shí)驗(yàn)利用隨機(jī)森林模型得到的分類精度較高，這一方法更加可行。

2.3.2 剔除偽變化

遙感變化檢測(cè)目的就是獲取地物真實(shí)的變化信息，檢測(cè)結(jié)果受很多因素影響，如陰影、配準(zhǔn)、噪音和投影差等。針對(duì)樹木及房屋陰影這2種因素引起的偽變化信息進(jìn)行提取和剔除。同時(shí)，對(duì)分類結(jié)果中出現(xiàn)的“椒鹽”現(xiàn)象進(jìn)行改進(jìn)處理。利用對(duì)象間的空間特征，在初始檢測(cè)結(jié)果中剔除提取到的偽變化對(duì)象，得到正確的檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

本文利用處理過的高分影像，基于Python平臺(tái)和ENVI平臺(tái)，首先對(duì)建筑物的陰影區(qū)域進(jìn)行檢測(cè)和去除，融合紋理特征、光譜特征及植被指數(shù)，利用隨機(jī)森林的方法進(jìn)行影像分類，并基于2017年和2020年準(zhǔn)確的地物分類結(jié)果進(jìn)行變化檢測(cè)。

3.1 建筑物陰影去除結(jié)果

首先對(duì)2幅原始影像進(jìn)行分類，圖2(a)為SV1原始影像的建筑物較密集的部分區(qū)域，可以看出建筑物的陰影較明顯。其中SV1影像中建筑物陰影被錯(cuò)分成了水體的問題較突出，如圖2(b)所示。

(a) 2017年WV2影像

(a) SV1影像建筑部分

由于分類結(jié)果會(huì)影響到變化檢測(cè)結(jié)果的正確率，因此需要對(duì)建筑物的陰影進(jìn)行檢測(cè)和去除。基于改進(jìn)的雙峰分裂閾值法，將影像RGB模型轉(zhuǎn)換到HIS模型，取亮度分量I波段統(tǒng)計(jì)像元值，并自動(dòng)計(jì)算波谷值。本實(shí)驗(yàn)計(jì)算出的波谷值為23，最后對(duì)I波段進(jìn)行逐像元灰度判別，如果計(jì)算出的像元灰度值小于波谷值23，則該像元被計(jì)算為陰影。陰影檢測(cè)結(jié)果如圖3所示，去除陰影后的分類結(jié)果如圖4所示。

圖3 建筑物陰影檢測(cè)結(jié)果Fig.3 Building shadow detection results

圖4 去除陰影后的分類結(jié)果Fig.4 Classification results after removal of shadows

3.2 分類結(jié)果及精度評(píng)價(jià)

3.2.1 選取分類訓(xùn)練集

經(jīng)目視判讀，確定研究區(qū)地表覆被共可以分成建筑用地、林地、耕地、水域和裸地5種地物類型。在2個(gè)時(shí)相的影像上分別選取訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，并均勻分布于整個(gè)研究區(qū)，詳細(xì)信息如表1所示。

表1 訓(xùn)練數(shù)據(jù)集與驗(yàn)證數(shù)據(jù)集數(shù)量Tab.1 Quantity of training data set and verification data set

3.2.2 分類結(jié)果

基于隨機(jī)森林分類方法對(duì)文中2期影像進(jìn)行分類，分類結(jié)果如圖5所示。各地類的統(tǒng)計(jì)面積如表2所示。結(jié)合圖5和表2可以看出，林地遍布于影像的大部分區(qū)域，2017年為400.174 hm2，2020年增長(zhǎng)到了470.576 hm2，耕地的占比次之，主要分布于西南方河流的周圍。2017年為130.223 hm2，2020年下降到了89.543 hm2。建筑用地以村落的形式分布在耕地附近，水體主要為南北走向的一條河流，另外，研究區(qū)的西北方有幾塊大面積的池塘。2017年的建筑用地、裸地、水域分別是53.889，44.687，13.288 hm2，而2020年這3種地類的面積分別為48.583，22.224，11.326 hm2。3年間，這3種地類的面積均有所減少。在研究區(qū)東北角有一大部分林地在3年間演變?yōu)槁愕睾徒ㄖ玫?，可能與該地區(qū)建筑用地較多、人類活動(dòng)較頻繁有關(guān)。

(a) 2017年WV2影像分類結(jié)果 (b) 2020年SV1影像分類結(jié)果圖5 隨機(jī)森林分類結(jié)果Fig.5 Classification results of Random Forest

表2 RF分類結(jié)果各地類統(tǒng)計(jì)表Tab.2 Statistical table of RF classification results of each category 單位：hm2

3.2.3 分類精度評(píng)價(jià)

采用混淆矩陣的方法對(duì)分類的結(jié)果進(jìn)行分析，詳細(xì)結(jié)果如表3和表4所示。其中，2017年WV2影像總體分類精度為98.616%，Kappa系數(shù)為0.977；2020年SV1影像總體分類精度為98.138%，Kappa系數(shù)為0.949。

表3 2017年WV2影像隨機(jī)森林分類的混淆矩陣Tab.3 Confusion matrix of Random Forest classification of WV2 images in 2017

表4 2020年SV1影像隨機(jī)森林分類的混淆矩陣Tab.4 Confusion matrix of Random Forest classification of SV1 images in 2020

從表3和表4可以看出，融合各種植被指數(shù)的隨機(jī)森林分類方法對(duì)水域的分類效果較好，2017年WV2影像的水域分類精度可以達(dá)到100%，而2020年SV1影像的水域分類精度為99.98%。2幅影像的耕地分類效果相對(duì)較差，2017年WV2影像為90.40%，2020年SV1影像為90.99%。其中，SV1影像中對(duì)建筑用地的分類精度稍低，為92.87%，而WV2影像中建筑用地的分類精度是98.39%。由于WV2影像有額外的4個(gè)波段，因此可以更好地進(jìn)行地物的識(shí)別，分類效果更顯著。對(duì)比2個(gè)時(shí)相的分類結(jié)果，除了裸地，2017年WV2影像中其他地物的分類精度均高于SV1影像，與表2相結(jié)合分析可知2017年裸地的面積更大，而裸地呈現(xiàn)的光譜特征與生長(zhǎng)初期的耕地極為相似，因此容易產(chǎn)生錯(cuò)分現(xiàn)象。而2020年裸地面積減少，錯(cuò)分的概率就相應(yīng)減少。

3.3 變化檢測(cè)結(jié)果

對(duì)分類結(jié)果進(jìn)行對(duì)比分析，提取土地利用變化信息，詳細(xì)結(jié)果如表5和表6所示。從表5和表6可以得出，研究區(qū)內(nèi)建筑用地、林地、耕地、裸地和水域的未變化面積分別為21.553，336.070，45.709，3.145和8.583 hm2。其中，只有林地的面積是增加的，其他地類均有不同程度的下降。結(jié)合圖6和表5、表6可以看出，裸地的變化幅度最大，占2017年裸地總面積的50.268%，其中，由裸地轉(zhuǎn)變?yōu)榱值氐拿娣e為35.310 hm2，占2017年裸地總面積的79.015%，同時(shí)也有12.799 hm2的林地變化為裸地，僅占2017年林地面積的3.199%。

表5 變化檢測(cè)結(jié)果表Tab.5 Change detection results 單位：hm2

表6 變化檢測(cè)結(jié)果占比表Tab.6 Proportion of change detection results 單位：%

變化檢測(cè)的空間分布如圖6所示。

圖6 變化檢測(cè)空間分布Fig.6 Spatial distribution of change detection

從圖6可以看出，3年間地表覆被的變化特征。其中a,f,g區(qū)域是大片的林地，多是未變化的地類。變化信息復(fù)雜的區(qū)域位于西南角d區(qū)域，包括建筑用地到林地、耕地的轉(zhuǎn)變，林地到耕地、建筑用地，以及耕地到林地、建筑用地的轉(zhuǎn)變。研究區(qū)裸地轉(zhuǎn)化為林地的特征較為明顯，主要位于e區(qū)域。而在c區(qū)域，也有部分林地轉(zhuǎn)化為裸地。耕地的變化趨勢(shì)次之，有31.239%的耕地演變?yōu)槠渌仡?，其中?6.286%的耕地演變?yōu)榱值兀?3.297 hm2。

在該研究區(qū)，林地的占地面積最大，雖然變化的區(qū)域僅占2017年林地總面積的17.585%，但因林地面積基數(shù)大，使得該研究區(qū)林地面積從2017年到2020年增加了70.362 hm2。其中，有33.779 hm2是由耕地演變而來(lái)，15.916 hm2的建筑用地和12.799 hm2的裸地改造成為了林地。耕地的變化量?jī)H次于林地，減少了40.680 hm2，占2017年耕地總面積的31.239%。

4 結(jié)束語(yǔ)

本文選擇桂林市臨桂區(qū)六塘鎮(zhèn)為研究區(qū)，首先進(jìn)行影像建筑物陰影的檢測(cè)和去除，然后融合植被指數(shù)、紋理信息和光譜特征等進(jìn)行隨機(jī)森林分類，對(duì)分類結(jié)果進(jìn)行聚類處理后再使用分類后對(duì)比的方法進(jìn)行變化檢測(cè)，最后通過剔除偽變化對(duì)其進(jìn)行優(yōu)化，最終獲得研究區(qū)地物變化檢測(cè)的結(jié)果。在去除建筑物陰影的情況下，結(jié)合各種特征與植被指數(shù)的隨機(jī)森林分類方法對(duì)水域的分類效果最好，可以達(dá)到99%以上，對(duì)于耕地的分類效果較差，原因可能是該研究區(qū)耕地較多，有些農(nóng)村道路以及在作物生長(zhǎng)初期的耕地，與裸地呈現(xiàn)出的光譜特征相似，不利于光學(xué)遙感的識(shí)別，而水域的光譜特征在高分辨率影像下本就比較容易辨別，再加上一些特定的植被指數(shù)，就可以被很好地區(qū)分出來(lái)。

綜合分類結(jié)果及變化檢測(cè)結(jié)果，得出以下結(jié)論：

① 2017—2020年三年間，研究區(qū)內(nèi)林地的面積有所增加，其余4個(gè)地類的面積均減少，且林地在研究區(qū)內(nèi)的占地面積最大。廣西地區(qū)的氣候和土壤都適合柑橘的生長(zhǎng)，而六塘鎮(zhèn)有大片柑橘林，部分耕地由于人為因素，將其轉(zhuǎn)化為柑橘林地，其中，“退耕還林”政策也會(huì)有一定的影響，而部分低矮破舊房屋也改造為柑橘林及其他林地，以發(fā)展經(jīng)濟(jì)效益。

② 裸地的變化量最大，2017年的研究區(qū)有44.687 hm2的裸地，而到2020年，僅剩22.224 hm2的裸地。對(duì)于這種大幅的減少，得出以下結(jié)論，2017年WV2的數(shù)據(jù)為4月份獲取的，該時(shí)期農(nóng)作物大多處于初步生長(zhǎng)期，呈現(xiàn)的光譜特征與裸地相似，易被識(shí)別為裸地，而該時(shí)期的大部分柑橘林都還是低矮的灌木群，紋理特征較明顯的也可以被識(shí)別出來(lái)，不明顯的則會(huì)被錯(cuò)分為耕地，出現(xiàn)“異物同譜”現(xiàn)象。2020年SV1的數(shù)據(jù)為11月份，該時(shí)期處于秋收時(shí)期，由圖2的(b)影像看出，影像總體呈現(xiàn)為綠色，此時(shí)，裸地與耕地及林地的光譜特征差異較大，更容易將其區(qū)分出來(lái)。