李新澳，甘 淑,2，沈聰穎

(1.昆明理工大學國土資源工程學院，昆明 650093；2.云南省高校高原山區(qū)空間信息測繪技術(shù)應(yīng)用工程研究中心，昆明 650093)

1 引言

隨著各類傳感器的不斷發(fā)展，海量的遙感數(shù)據(jù)詳盡地記錄著各種地表地物變化過程，極大地推動了多時相高分辨率遙感數(shù)據(jù)在地表覆被變化、城市發(fā)展和各類環(huán)境問題檢測中的應(yīng)用。變化檢測就是通過分析和解譯同一區(qū)域多時相遙感影像，定性或定量地分析和確定地表變化特征和過程的技術(shù)[1]。變化檢測主要有兩個思路，第一，先對影像進行直接比較，后提取信息?；舅枷胧窍葘Χ鄷r相遙感影像進行比較，再對比較得出的差異圖像進行進一步的分類處理，最后得到變化檢測結(jié)果。第二，先對影像提取信息，后比較?；舅枷胧窍葘Χ鄷r相遙感影像進行分類標記，然后根據(jù)相應(yīng)分類的差異來提取發(fā)生變化的區(qū)域，最后得到變化檢測結(jié)果[2]。

多元變化檢測(Multivariate Alteration Detection, MAD)算法的概念與方法由丹麥學者Nielsen等提出，這是一種基于典型相關(guān)分析(Canonical Correction Analysis, CCA)的變化檢測方法，且在多時相遙感影像中具有明顯的優(yōu)勢[3]。隨后Nielsen在原始MAD方法的基礎(chǔ)上引入最大期望值(Expectation Maximization, EM)算法，利用先驗概率計算變化閾值，改進得到迭代加權(quán)多元變化檢測算法，對多時相遙感影像進行輻射歸一化，得到了較好的不變背景反襯變化區(qū)域，提高了變化檢測結(jié)果的精度[4]。

東川獨特的地形和地質(zhì)構(gòu)造，造成當?shù)氐刭|(zhì)酥松，水土流失嚴重，加之長期以來銅礦開采和人為砍伐，森林面積減少，控制自然災(zāi)害的能力減弱，成為泥石流爆發(fā)的重災(zāi)區(qū)，嚴重威脅到當?shù)厝嗣竦纳敭a(chǎn)安全。自2012年以來，東川區(qū)將“生態(tài)修復(fù)”作為東川戰(zhàn)略發(fā)展思路之一，因此檢測其地表覆被的變化，為優(yōu)化東川區(qū)生態(tài)修復(fù)方案提供有效的數(shù)據(jù)顯得十分有必要。考慮到研究區(qū)地表覆被類型分布細碎，所采用的兩期影像分別來自GF-2的PMS1和PMS2不同傳感器等特點，本文采取了先比較后提取信息的方法進行檢測。檢測主要包括3個部分，確定地區(qū)是否發(fā)生變化；分析變化區(qū)域所在的位置；確定變化類型和變化特性[5]。

2 研究區(qū)和研究數(shù)據(jù)

2.1 研究區(qū)概況

本文選擇了云南東川蔣家溝地區(qū)為研究區(qū)域，其位置分布如圖1所示。研究區(qū)位于東經(jīng)103°6′～103°12′、北緯26°13′～26°17′之間。東川區(qū)地處金沙江和小江深大斷裂帶，地質(zhì)結(jié)構(gòu)復(fù)雜、山體高、山谷深、溝壑縱橫。氣候主要為亞熱帶高原季風氣候，降雨以夜雨和點暴雨為主且集中，復(fù)雜地形，加上人類活動，導致植被覆蓋具有很大的差異[6]。

2.2 數(shù)據(jù)與預(yù)處理

GF-2是我國自主研制的首顆空間分辨率優(yōu)于1m的民用光學遙感衛(wèi)星，搭載有兩臺高分辨率1 m全色、4 m多光譜相機，具有亞米級空間分辨率、高定位精度和快速姿態(tài)機動能力等特點，有效地提升了衛(wèi)星綜合觀測效能，達到了國際先進水平。本文采用的數(shù)據(jù)為覆蓋東川區(qū)蔣家溝的兩景無云GF-2影像，實驗數(shù)據(jù)如圖2所示。

圖2 研究區(qū)遙感影像

借助ENVI5.3.1平臺對遙感影像進行預(yù)處理，具體流程如圖3所示。輻射定標是為了將影像的亮度轉(zhuǎn)換為絕對的輻射亮度；大氣校正是為了消除遙感影像中由于大氣散射和吸收引起的輻射誤差，本文運用了ENVI5.3.1軟件中的FLAASH大氣校正模塊對影像進行校正；正射校正是對影像進行幾何畸變糾正的一個過程，利用分辨率為5 m的DEM數(shù)據(jù)結(jié)合GF-2影像自帶的RPC文件對影像進行正射校正[7]；圖像融合既可以保留多光譜的真彩色信息，又保留全色波段的高空間分辨率信息，提高影像質(zhì)量；幾何校正是以前期影像為基準影像，配準后期影像；最后裁剪出兩期影像在研究區(qū)域重疊部分。

圖3 遙感影像預(yù)處理流程

3 方法

3.1 變化檢測方法

為了檢驗IR-MAD算法的有效性，選取了PCA算法和差值算法進行對比實驗。IR-MAD算法和PCA算法得到的結(jié)果通過密度分割，得到只包括變化部分和未變化部分信息的二值圖像，與差值算法得到的二值圖像進行對比，其中黑色區(qū)域為變化部分，白色區(qū)域為未發(fā)生變化部分，如圖4所示。相比IR-MAD算法，被PCA算法確認為變化區(qū)域的面積較大，識別出的變化區(qū)域呈大面積塊狀分布，將水體全部歸并為變化區(qū)域，對細節(jié)信息的把控能力較差，圖像左下角的道路部分，PCA算法將其全部識別為變化區(qū)域；相比IR-MAD算法，差值算法將大部分未發(fā)生變化的水域部分確認為變化區(qū)域，對植被變化的識別能力較低。從以上結(jié)果的分析可以發(fā)現(xiàn)，PCA算法和差值算法在對蔣家溝地區(qū)進行變化檢測時，存在大量錯分、誤分的現(xiàn)象，未能有效的進行檢測；IR-MAD算法，根據(jù)其原理，將每個像元的權(quán)值與最終的閾值進行比較，確定像元是否發(fā)生變化，能有效的區(qū)分變化與未變化區(qū)域，達到較好的檢測效果。

圖4 各類算法變化檢測結(jié)果圖

3.2 方法運用

采用IR-MAD算法提取兩期影像變化的區(qū)域。IR-MAD算法的原理是，每個像元的初始權(quán)重為1，每次迭代都賦予兩幅影像中每個像元新的權(quán)重，通過計算，未發(fā)生變化的像元具有較大的權(quán)重。最終得到的權(quán)重是決定各個像元是否發(fā)生變化的唯一依據(jù)，在若干次迭代后，每個像元的權(quán)重會趨于穩(wěn)定，直到變化小于設(shè)定的閾值則停止迭代[8]。設(shè)定不同的最大迭代次數(shù)和變化收斂閾值對研究區(qū)的處理結(jié)果如圖5所示。在3幅灰度影像中，值越大，說明該處地物發(fā)生變化的可能性越大。對于變化較為明顯的地區(qū)，幾乎不受迭代次數(shù)和收斂閾值的影響，而在圖5實線框內(nèi)，可以明顯的看出變化較為細碎的地區(qū)，受最大迭代次數(shù)和變化收斂閾值的影響較大。通過實驗，將最大迭代次數(shù)確認為30，變化收斂閾值確認為0.001。

圖5 不同最大迭代次數(shù)和變化收斂閾值處理結(jié)果圖

在使用IR-MAD算法進行變化檢測后，對該算法進行精度評價。主要是根據(jù)檢測結(jié)果與實際數(shù)據(jù)建立混淆矩陣，通過Kappa系數(shù)精度指標，對變化檢測結(jié)果進行評價。以 Google Earth影像作為參考影像，在影像中選擇360個樣本點進行精度的評定，樣本點均勻分布于研究區(qū)域內(nèi)，使得到的影像變化精度檢測更具說服力，根據(jù)統(tǒng)計數(shù)據(jù)， Kappa系數(shù)為0.948。

通過IR-MAD算法，可以將研究區(qū)域劃分為變化部分和未變化部分，根據(jù)研究區(qū)的具體情況，發(fā)生變化區(qū)域的地表覆蓋類型劃分為以下6類：建筑用地(有樓房、簡易房、道路)、荒地(有巖石、裸地)、林地(有林地、園地)、耕地(有水田、旱地)、草地、水系(有河流、水溝、坑塘)。

由于研究區(qū)地處泥石流災(zāi)害區(qū)，泥石流是由粒徑不等的砂粒、雨水和大量粘性土等不同的混合體組合而成的，在影像上主要表現(xiàn)為影像的混合像元較多。由于混合像元的影響，泥石流地區(qū)在影像上會出現(xiàn)較多“異物同譜”和“同物異譜”的現(xiàn)象[9]。全色影像與多光譜影像融合以后的GF-2影像，相較于中低分辨率影像，影像中的地物外部輪廓更加清晰，光譜異質(zhì)性更強，且光譜波段數(shù)較少?；谘芯繀^(qū)域和數(shù)據(jù)源的特點，采用面向?qū)ο蠓诸惖姆椒?，對變化區(qū)域進行信息提取。

多尺度分割是面向?qū)ο蠓诸愖兓瘷z測的關(guān)鍵環(huán)節(jié)，多尺度分割是從任一個像元開始，采用自下而上的異質(zhì)性最小的區(qū)域合并方法，生成影像對象[10]。由于不同的地物有不同的最優(yōu)分割尺度，考慮研究區(qū)域的特點，選擇恰當?shù)膮?shù)，對于實現(xiàn)影像準確分類有較大的改善[11]。通過多次對比實驗，GF-2的4個波段都參與分割且權(quán)重為1，分割尺度為150時，分割效果較好。同時影像進行多尺度分割時通過調(diào)節(jié)形狀指數(shù)與緊湊度兩個參數(shù)的取值可有效改善分割效果，兩參數(shù)取值均在 0～1以內(nèi)。通過參數(shù)評價可以得出規(guī)律，形狀指數(shù)的值偏小，緊湊度的值偏大時，圖像分割效果趨于最佳狀態(tài)，如圖6所示。相較于形狀指數(shù)和緊湊度均為0.5的分割效果， 形狀指數(shù)為0.9，緊湊度為0.1，對細節(jié)的分割效果不佳；形狀指數(shù)為0.1，緊湊度為0.9對細節(jié)的分割效果較好。通過對比實驗，最終將形狀指數(shù)確認為0.1，緊湊度為0.9。

圖6 分割效果圖

根據(jù)以上分割結(jié)果，應(yīng)用eCognition軟件，基于地物的本質(zhì)特征，建立分類體系。影像對象的本質(zhì)特征是指各類地物在地理空間的實際情況和成像時的傳感器所決定的光譜、形狀、紋理特征等物理屬性特征。選擇具有代表性、明顯的特征，并將特征組合、建立分類規(guī)則是信息分類提取的關(guān)鍵。在對影像特征進行選取時，選取的特征過多會導致不同特征之間相互影響，數(shù)據(jù)冗余量過大，信息分類效率降低，應(yīng)利用目標地物最為明顯的本質(zhì)特征進行描述[12]。林地、草地、部分農(nóng)田屬于植被類型，在近紅外波段反射率較強，可以充分利用其光譜信息；房屋與道路具有明顯的幾何規(guī)則，以線形、矩形居多，應(yīng)當充分利用其形狀信息；水體在近紅外波段的反射率最低，色調(diào)均一，連續(xù)性較強，水陸界限明顯，可以充分利用光譜及形狀特征。通過對研究區(qū)地物類型特征的分析，本文選取的分類特征包括：波段均值、亮度、長寬比、形狀指數(shù)、歸一化植被指數(shù)(normalized differential vegetation index,INDV)、歸一化水體指數(shù)(normalized difference water index，INDW)，計算如下：

(1)

式中,bNIR和bR分別為GF-2近紅外波段、紅光波段的反射率，突出影像中的植被信息。

(2)

式中,bG為 GF-2綠光波段的反射率，抑制植被信息，突出影像中的水體。

基于上述選取的特征，選取樣本進行訓練并應(yīng)用。發(fā)生變化區(qū)域的地表覆蓋類型劃分為建筑用地、荒地、林地、耕地、草地、水系6類，共選取訓練樣本500個，其中建筑用地樣本79個，荒地樣本91個，林地樣本85個，耕地樣本82個，草地樣本93個，水系樣本70個。在選取的訓練樣本上利用最近鄰分類方法基于所選取的特征進行分類，選出最佳特征組合，然后應(yīng)用選出的最佳特征組合，對影像進行分類。

4 結(jié)果與分析

本文基于GF-2多光譜數(shù)據(jù)與全色數(shù)據(jù)融合以后的兩期影像，利用IR-MAD算法，提取兩期影像的變化區(qū)域，通過對比實驗，選取形狀指數(shù)為0.1，緊湊度為0.9，分割尺度為150，進行多尺度分割，結(jié)合變化區(qū)域地物的波段均值、亮度、長寬比、形狀指數(shù)、INDV、INDW等特征，對影像進行分類，通過QGIS對分類結(jié)果統(tǒng)計，得到2015年和2017年變化區(qū)域的地表覆被類型示意圖，如圖7所示。該研究區(qū)域內(nèi)，大部分地區(qū)的地表覆被未發(fā)生變化，發(fā)生變化的區(qū)域在研究區(qū)內(nèi)呈現(xiàn)碎塊狀分布，主要集中于北部和東部地區(qū)；在研究區(qū)的中北部靠近居民點分布地區(qū)的大量草地轉(zhuǎn)變?yōu)榱烁?；東北部有大部分的荒地轉(zhuǎn)變?yōu)榱瞬莸睾土值兀搮^(qū)域也是林地與草地相互轉(zhuǎn)換分布較多的地區(qū)，草地與林地交錯分布，相比林地，草地的分布更為細碎；在研究區(qū)的中部地區(qū)，沿著溝谷堤岸分布著大量荒地，此區(qū)域內(nèi)的部分荒地轉(zhuǎn)變成了草地和林地；靠近居民點的荒地，主要轉(zhuǎn)變?yōu)榱烁?；在建筑區(qū)附近多分布著荒地與草地相互轉(zhuǎn)換的區(qū)域。

圖7 2015年、2017年變化區(qū)域地表覆被類型圖

對數(shù)據(jù)進行統(tǒng)計，如表1所示。2015年，用地類型發(fā)生變化的荒地占變化總區(qū)域的36.82%，草地所占比次之，為27.16%，林地和耕地所占的比例分別為16.25%、10.18%，建筑用地和水系的占比較小。到2017年，草地、耕地、林地、荒地占變化總區(qū)域的比例分別為32.16%、25.69%、23.02%、10.02%。2015～2017年間，在變化區(qū)域內(nèi)，荒地的占比是在下降的，草地、林地、耕地的占比是依次提高的。

表1 2015年、2017年各地表覆被類型占總變化面積統(tǒng)計表

研究區(qū)域的中部荒地和東北部荒地轉(zhuǎn)變?yōu)榱瞬莸?，部分東北部荒地和草地轉(zhuǎn)變?yōu)榱肆值?，主要是由于蔣家溝屬于處于發(fā)育階段的老年期泥石流，處于穩(wěn)定狀態(tài)，有利于植被的生長，使得近年來生態(tài)修復(fù)方案得以穩(wěn)健實施。居民點附近的荒地和草地轉(zhuǎn)變?yōu)榱烁兀饕怯捎诘貏葺^為平坦，便于種植與管理。

5 結(jié)論

(1) 為探究IR-MAD算法在蔣家溝地區(qū)變化檢測中的有效性，降低錯檢率。將IR-MAD算法與PCA算法和差值變化檢測算法進行比較，IR-MAD算法的錯檢率低，有效的區(qū)分變化與未變化區(qū)域，達到較好的檢測效果，比其他兩種算法的適用性更好，該算法Kappa為0.948。

(2) 全色影像與多光譜影像融合以后的GF-2影像，影像質(zhì)量較高，含有豐富的信息，對研究區(qū)采用面向?qū)ο蠓诸惙椒ㄟM行分類時表現(xiàn)出較大優(yōu)勢和較強適用性。

(3) 在2015～2017年間，研究區(qū)域內(nèi)大部分區(qū)域的地表覆被類型未發(fā)生變化，在變化區(qū)域中，變化占比較大的是荒地和耕地，荒地的占比是在下降，草地、林地、耕地的占比是依次提高的。