提取点的dn值_基于GF1和Hyperion影像的新增建设用地占用地类信息提取

点击图片上方蓝色字体“慧天地”即可订阅

慧天地创新技术研究院招聘记者，详情请点击链接：

青岛慧天地创新技术研究院诚聘国内外记者

本文转载自地理信息世界GeomaticsWorld公众号，原创内容，作者|赵文博1，陈静波2,3，刘顺喜4，尤淑撑4，王忠武4(1.华南师范大学　地理科学学院，广东　广州 510631；2.中国科学院　遥感与数字地球研究所，北京 100101；3.空天地海一体化大数据应用技术国家工程实验室，北京 100101；4.中国土地勘测规划院，北京 100035)(版权归原作者及刊载媒体所有)。

摘要

新增建设用地及其占用地类是年度土地利用动态遥感监测的重点关注信息，综合利用多源数据是提高占地信息提取精度的主要手段之一。现有研究基于光学与高光谱特征波段的像素级融合影像开展分析，不可避免地导致了高光谱影像光谱信息的损失。为了尽量避免信息损失，提出一种光学和高光谱影像独立分析、结果集成的新增建设用地占用地类信息提取方法。该方法首先结合土地利用动态遥感监测所定义的3种主要新增建设用地形态，利用前后两个时相GF-1光学影像的光谱和纹理特征提取新增建设用地，其次利用前时相Hyperion高光谱影像的精细光谱成像能力进行详细土地利用分类，最后通过新增建设用地与土地利用分类图的叠置分析提取新增建设用地占用地类。在北京市丰台区典型区域开展的验证实验取得了86.71%的新增建设用地占用地类属性精度，表明本方法可为土地利用动态遥感监测提供较为准确的地类变化信息。

【关键词】建设用地；土地利用；高光谱；变化检测 【中图分类号】TP79 【文献标识码】A 【文章编号】1672-1586(2019)03-0065-07 引文格式：赵文博，陈静波，刘顺喜，等. 基于GF-1和Hyperion影像的新增建设用地占用地类信息提取[J].地理信息界,2019,26(3):65-71.

0　引　言

国土资源是我国对地观测卫星应用开展最早、业务化最成熟的行业之一，卫星遥感(特别是光学卫星)已经成为获取土地和矿产资源信息的基础性技术手段。《国土资源“十三五”科技创新发展规划》中指出，到2020年，国土资源调查监测主体业务中使用的亚米级、2 m、5 m及以上空间分辨率光学卫星遥感数据的国产化率要分别达到50%、95%和100%。然而，在社会经济发展对土地矿产资源的需求日益增大的背景下，仅仅使用光学卫星遥感数据越来越不能满足国土资源调查、规划、监管、整治对信息准确性和时效性的要求，基于国产多源遥感数据的国土资源监测逐渐成为提高信息准确性的重要手段。

以覆盖全国的年度土地利用动态遥感监测为例，其主要目标为监测新增建设用地及其占用地类信息。这一目标可通过新增建设用地提取、新增建设用地占用地类信息提取两个步骤实现。在实际业务中，新增建设用地提取是通过人工目视解译前后时相高分辨率光学影像得到，而占用地类信息则是通过将新增建设用地叠加到前时相土地利用现状数据库(包含图斑的前时相土地利用类型)提取得到。显然，目前的业务流程并未利用遥感影像提取新增建设用地占用地类信息，其主要原因是国产星载中高分辨率高光谱卫星数据的缺乏。随着高分辨率对地观测系统重大专项中高分五号高光谱卫星的发射，构建基于光学和高光谱数据的新增建设用地及其占用地类信息提取技术流程，是提高土地利用动态遥感监测精度和效率的关键问题。

鉴于高光谱遥感具备的精细光谱成像能力有助于解决土地监测中的“同物异谱”问题，已有较多研究利用Hyperion、CHIRS/PROBA、HJ-1A HSI、天宫一号等星载高光谱数据开展多类土地利用分类，也有部分研究针对特定地物单类分类开展研究。顾及高光谱数据幅宽窄、重放周期长等特点，利用高光谱数据替代土地遥感监测所依赖的光学数据并不现实，综合利用光学、高光谱数据实现优势互补才是发挥高光谱价值的有效途径。在此思路的指导下，已有学者面向我国的土地遥感监测业务开展了光学和高光谱数据综合应用研究。Tian等实验比较了QuickBird与Hyperion影像的融合方法，认为曲波变换融合能为高光谱影像应用于土地利用调查提供更为准确的信息。You等提出了基于前时相OMIS-1机载高光谱影像与后时相SPOT-5全色影像融合的异常光谱检测，该方法综合了直接比较法和分类后比较法的优势，能在新增建设用地占用地类分析中取得较好的面积和属性精度。Zhang等将OMIS-1高光谱数据分类结果与历史土地利用数据叠加发现变化区域与类型，并以SPOT-5全色与OMIS-1高光谱的融合影像为底图开展目视解译的土地利用数据库更新方法研究。显然，以上基于像素级融合的影像信息复合方法，只是选取了高光谱数据的特定波段参与运算，忽略了其他高光谱波段的信息因而可能导致高光谱信息损失。为了在综合应用光学、高光谱数据的同时避免信息损失，本文提出了一种利用光学影像提取新增建设用地、利用高光谱影像提取占用地类信息的方法，可用于提取土地利用动态遥感监测中重点关注的新增建设用地及其占用地类信息。与像素级融合方法相比，本文方法由于未在像素层面进行信息压缩与融合，因而能更好地实现光学与高光谱影像的优势互补，为土地利用遥感监测中的多源遥感影像综合应用提供了新思路。

1　基于GF-1和Hyperion的检测方法

本文在保留土地利用动态监测中基于双时相光学影像提取新增建设用地流程的基础上，增加了利用前时相高光谱影像监督分类以提取前时相详细土地利用类型的流程，从而分步骤实现新增建设用地、新增建设用地占用地类信息的提取。具体而言，本文方法由3个步骤构成：首先，将新增建设用地对应的影像变化形式与植被和建筑物变化相关联，并分别利用指数特征在前后时相高分一号(GF-1)影像中提取植被和建筑物变化，形成新增建设用地图斑；其次，利用基于光谱信息散度对前时相Hyperion高光谱影像进行监督分类，形成精细的前时相土地利用专题图提取；最后，通过对新增建设用地图斑、前时相土地利用专题图的叠置分析，提取新增建设用地占用地类信息。技术流程如图1所示。

图1　总体技术流程图

Fig.1 Flowchart of proposed method

1.1 GF-1新增建设用地检测

新增建设用地是指当前监测时点(后时相)为建设用地，而历史监测时点(前时相)为非建设用地的土地利用变化，在不考虑休耕、撂荒耕地及前后时相影像获取季节相近的前提下，新增建设用地一般表现为3种形态：植被变为推填土、植被变为建筑物、推填土变为建筑物。本文利用文献[11]方法检测新增建设用地，该方法由NDVI与PanTex聚类分析、干扰地物去除、对象级新增建设用地提取3个步骤构成。

1)NDVI与PanTex聚类分析

植被、建筑物两种地物可分别由归一化植被指数(NDVI)和建筑物存在指数(PanTex)进行提取，NDVI计算方法如公式(1)所示。

式中，NIR为近红外波段反射率，R为红波段反射率。

PanTex计算流程为：首先基于如式(2)所示的10个方位位移矢量计算灰度共生矩阵(GLCM )：

式中，shiftX与shiftY分别表示某个像元在X与Y方向的偏移。然后在不同方位对拉伸特征进行标准化处理，最后得到纹理特征值的最小值即为该像元的PanTex指数。

显然，三类新增建设用地形态对应于前后时相影像中的两种变化：一是由植被变为非植被，对应于植被变为推填土及植被变为建筑物；二是由非建筑物变为建筑物，对应于植被变为建筑物及推填土变为建筑物。因此，可利用前后时相光学影像的NDVI和PanTex指数提取新增建设用地，其流程如图2所示。

图2　新增建设用初步提取流程图

Fig.2 Flowchart of newly increased construction land preliminary extraction

2)干扰地物去除

需要指出的是，PanTex利用灰度共生矩阵对比度测度增强目标与背景的灰度值差异，且在新增建设用地提取中我们仅考虑了简单的K均值聚类算法，导致初步提取的新增建设用地中存在暗干扰地物(如水体、阴影等)。为了剔除暗干扰地物，本文利用其在近红外波段的低反射率特征，采用波段阈值法去除干扰地物，即分别将前后时相GF-1影像中近红外波段DN值小于指定阈值的像素判定为暗干扰地物，并将其从新增建设用地初步提取结果中予以滤除。

3)对象级新增建设用地提取

以上新增建设用地提取结果是基于逐像素运算得到的，而面向对象的分析技术更适用于包括GF-1影像在内的高分辨率影像。为了将像素级新增建设用地检测结果进行对象化，本文利用eCognition对后时相GF-1融合影像进行多尺度分割，并将分割得到的图斑与新增建设用地进行叠加，逐图斑统计新增建设用地像素百分比，将百分比大于指定阈值的图斑作为最终的GF-1新增建设用地提取结果。

1.2 Hyperion土地利用精细分类

对于光学影像上具有相似光谱特征的地物(如耕地、林地、草地等植被)区分而言，必须结合纹理、空间、时相特征甚至先验知识才能取得令人满意的分类效果。高光谱数据具有精细高光谱分辨率能力(如Hyperion在可见光、近红外、短波红外具有242个波段)，利用这个能力有助于实现对光学影像中易混淆地物的较好区分。因此，在提取新增建设用地占用地类信息中，本文采用与前时相光学影像时相相近的Hyperion影像提取详细土地利用类型，形成前时相土地利用专题图。具体而言，采用基于光谱信息散度特征的Hyperion影像监督分类，由基于MNF的纯净像元提取、纯净像元样本选择、基于光谱信息散度的分类3个步骤构成。

1)基于MNF的纯净端元提取

Hyperion高光谱图像空间分辨率较低(30 m)，图像中的像元多数均以混合像元的形式存在，为了从混合像元中提取同类地物作为训练样本，需要首先提取高光谱影像中的纯净像元。本文采用像元纯度指数(Pixel Purity Index, PPI)标识像元纯净程度，考虑到PPI对图像噪声较为敏感，首先使用最小噪声分离(Minimum Noise Fraction, MNF)进行光谱降维，并在降维后影像中进行PPI运算。

2)纯净像元样本选择

参考前时相同区域GF-1融合影像，人机交互地从PPI图像上选取纯净像元作为训练样本。考虑到土地利用动态遥感监测中新增建设用地占用地类的分析需求，本文考虑6种土地利用类别，包括不透水面、耕地、林地、草地、裸土和水体，样本选择即选择6种土地利用类型的光谱纯净区域。

3)基于光谱信息散度的分类

采用高光谱图像分类中较为常用的光谱信息散度(Spectral Information Divergence, SID)进行Hyperion图像分类，SID采用离散度测度衡量待分类像素的光谱值与训练样本光谱值的相似性，给定两个光谱信号Si和Sj，两者之间的光谱信息散度ΨSID可由式(3)计算：

式中，D (Si∥Sj)为Sj关于Si的信息熵，D (SJ∥SI)为Si关于Sj的信息熵。

1.3 栅矢一体化叠置分析

将由GF-1新增建设用地检测得到的新增建设用地图斑(矢量)、由Hyperion土地利用精细分类得到的前时相土地利用专题图(栅格)进行栅矢一体化叠置分析，可统计出各个新增建设用地图斑中，前时相中6类地物所占的面积百分比，据此判别该新增建设用地图斑占用的地类信息。对所有图斑进行遍历后，即可得到研究区域内新增建设用地及其占用地类信息，为土地利用遥感监测目视解译提供参考信息。

需要说明的是，由于新增建设用地图斑矢量是由2 m的GF-1光学影像提取得到的，而前时相土地利用专题图栅格是由30 m的Hyperion高光谱影像提取得到的，在进行叠加分析时必须考虑分辨率差异的影响。本文实验中，是将新增建设用地图斑转换为2 m的栅格图像，并将30 m的前时相土地利用专题图上的栅格采样至2 m分辨率，进而通过两者的叠加分析提取新增建设用地占用地类信息。

2　研究区域与实验数据

为了对本文方法的有效性、精度进行验证，以北京市丰台区局部及其周边区域为实验区开展方法验证。丰台区及其周边是北京市城六区之一，是首都中心城区和首都核心功能主承载区之一，经济文化发展迅速，土地利用变化频繁、类型多样且规模较大，适合进行新增建设用地及其占用地类的检测分析。研究区区位状况如图3所示。

图3　研究区区位图

Fig.3 Location of research area

采用获取季节相近的两期GF-1 PMS光学影像开展新增建设用地检测，前时相影像获取日期为2013年5月1日，后时相影像获取日期为2017年5月16日。在新增建设用地提取前，前后时相GF-1影像分别经过了正射校正、影像融合、影像配准等预处理。

为了保持时相一致性，采用2013年5月1日获取的Hyperion L1G级影像作为前时相高光谱数据。影像尺寸为133×490，影像级别为L1G(经过辐射校正、几何校正、投影配准和地形校正处理)。将前后时相GF-1光学影像与前时相Hyperion高光谱影像的公共覆盖区域作为实验区，如图4所示。

图4　实验数据

Fig.4 Experimental data

3 实验结果与分析

3.1 GF-1新增建设用地检测

按照1.1节所述流程，利用前后时相GF-1光学影像提取试验区内的新增建设用地图斑。为了能更清晰地展示新增建设用地检测流程与效果，在实验展示中均采用从图3中截取的500×500的典型子图进行结果展示。在如图5a、图5b所示的前后时相GF-1光学影像中，NDVI与PanTex分别提取得到的植被变化和建筑物变化分别如图5c、图5d所示，K 均值聚类阈值采用最大类间方差法确定，对应的NDVI与PanTex 阈值分别为0.52、0.64。

图5　NDVI与PanTex聚类结果

Fig.5 Result of NDVI and PanTex cluster

对比图5c和图5d，可以发现两图中存在部分重叠区域，这是由于NDVI和PanTex聚类都捕捉到了植被到建筑物的变化信息。相比而言，不重叠区域则分别对应于植被到推填土、推填土到建筑物变化，图5c和图5d的并集与3种新增建设用地类型有良好的对应关系。

在干扰地物去除中，选取如图6a所示的存在水体和阴影的典型子图，利用近红外波段阈值提取得到的干扰地物如图6b所示。可以看出，提取得到的水体与建筑物阴影等暗干扰地物形态完整。

图6　干扰地物提取结果

Fig.6 Result of interfering area extraction

与图5对应，干扰地物去除后的像素级新增建设用地如图7a所示。采用多尺度分割对图5b所示的后时相GF-1光学影像进行分割，将得到的如图7b所示的分割图斑与如图7a进行叠置，并逐图斑地统计新增建设用地所占图斑比例，将面积比例大于70%的图斑作为提取得到的新增建设用地图斑，如图7c所示。

图7　本文方法取得的新增建设用地提取结果

Fig.7 Result of newly increased construction land obtained by the proposed metho

与图5进行对比，可以看出提取的如图7c所示的新增建设用地图斑基本符合目视结果，建设用地变化明显的地块被较为完整地保留。对图7范围内提取的新增建设用地进行像素数目统计，并与目视解译标注的新增建设用地像素进行对比获得混淆矩阵，见表1，经计算提取新增建设用地的总体精度达91.88%。

表1　本文方法对新增建设用地提取精度

Tab.1 Accuracy of newly increased construction land obtained by the proposed method

然而，实验结果中仍然存在虚警新增建设用地，主要原因有两种：一是如图8a所示的密集建筑物没有明显的明暗变化，导致PanTex将前时相的建筑物判定为非建筑物；二是如图8b所示的植被覆盖度由高变低，导致NDVI将后时相的植被判定为非植被。此外，为了突出非监督特点，本文在新增建设用地检测中采取的特征为简单指数特征，采取分类方法为经典的二类K 均值聚类，这也会造成虚警的出现。

a 由密集建筑物导致的虚警

a False alarm caused by dense building

b 由植被覆盖度变化导致的虚警

b False alarm caused by change of vegetation coverage

图8　虚警的新增建设用地图斑

Fig.8 False alarmed newly increased construction parcel

以基于支持向量机(Support Vector Machine,SVM)的分类后变化检测为基准，对本文提出的新增建设用地提取流程进行对比分析。分别基于GF-1前后时相影像人工选取建设用地、非建设用地样本，样本分离度大于1.9，样本间分离程度较高，然后利用SVM进行监督分类，获得前后时相的建设用地分类情况，再对其进行叠置得到新增建设用地图斑。与图5对应的新增建设用地提取结果如图9所示，混淆矩阵见表2，新增建设用地提取总体精度为69.08%，精度较低的主要原因是未利用地、裸地、交通道路用地、建设用地间存在较为严重的混淆。

图9　基于监督分类后比较的新增建设用地提取结果

Fig.9 Result of newly increased construction land obtained by supervised post-classification comparison

表2　基于监督分类后比较的新增建设用地提取精度

Tab.2 Accuracy of newly increased construction land obtained by supervised post-classification comparison

3.2 Hyperion土地利用精细分类

利用如1.2节所述的高光谱土地利用分类精细方法，对前时相Hyperion提取土地利用现状专题图。对Hyperion高光谱数据进行MNF变换，选择变换影像的前10个波段计算PPI，在提取的纯净像元基础上选取6类地物的纯净训练样本，利用光谱信息散度对原高光谱影像进行监督分类，分类结果如图10所示。

图10　前时相Hyperion土地利用分类结果

Fig.10 Land-use classification result of Hyperion image of former temporality

从图10可以看出，实验区前时相的主要土地利用类型为裸土与林地，不透水面以斑块状不连续分布，草地主要围绕林地边缘延伸分布，耕地零星分布在其他用地中，水体分布于北部城市公园内。与前时相GF-1影像对比，分类结果基本符合目视判读结果，得益于高光谱精细的光谱分辨能力，利用光谱信息散度对混合像元进行分析，可得到较好的高光谱精细地物分类结果。

3.3 新增建设用地占用地类信息提取

利用如1.3节所述的栅矢一体化叠置分析流程，将由前后时相GF-1光学影像得到的新增建设用地检测结果图斑映射到前时相Hyperion精细分类结果中，可知实验区域内各类地物分别占总新增图斑面积的百分比为：草地14.50%，裸土23.30%，耕地1.10%，林地58.10%，不透水面1.44%，水体1.56%，说明丰台区2013年到2017年的新增建设用地大部分是由林地、裸土和草地变化而来。

以前时相GF-1影像为基准对新增建设用地占用地类进行目视判读，并将其与Hyperion分类结果对比，得到混淆矩阵见表3，占用地类属性总体精度为86.71%，其中对林地、草地检测的精度较高。

表3　新增建设用地占用地类精度

Tab.3 Accuracy of land occupied by newly increased construction land

4　结束语

本文提出了一种综合利用光学和高光谱影像提取新增建设用地及其占用地类信息的技术流程，该流程利用前后时相高分辨率光学影像中植被和建筑物的变化提取新增建设用地，并利用前时相高光谱影像的高光谱分辨率提取精细的前时相土地利用类型，最后通过栅矢一体化叠置分析提取新增建设用地及其占用地类信息。以GF-1和Hyperion影像为数据，在北京市丰台区局部区域开展的验证试验表明，在试验区内得到的新增建设用地属性精度为91.88%，新增建设用地占用地类属性精度为86.71%，表明本方法可为土地利用动态遥感监测提供较高参考价值的占用地类信息。

本文提出的技术流程未采用像素级融合实现光学和高光谱数据的集成应用，因而能够有效避免影像融合造成的高光谱信息损失，且可在没有土地利用现状数据库的情况下，提取新增建设用地及其占用地类信息，适用于为土地利用动态遥感监测提供具有较高参考价值的数据信息，对以国产GF-1/2光学、GF-5高光谱数据集成应用于土地利用动态变化监测具有指导意义。同时，本文方法期望通过简单方法的组合形成一个有效流程，流程中各步骤尽量采用非监督策略下的成熟方法模型，只是在高光谱土地利用分类中采用了监督分类，具有原理简明、易于理解使用的优点。需要说明的是，现阶段可用的星载高光谱数据仍然具有幅宽窄、重访周期长等劣势，限制了本文方法在占用地类分析中的应用，随着国产GF-5高光谱卫星投入使用，高光谱数据获取问题有望得到缓解。

在下一步研究中，将研究在不大幅增加方法复杂度的前提下进一步降低基于光学影像的新增建设用地虚警率的技术方法。

欢迎大家关注《慧天地》同名新浪微博

微博ID：慧天地_geomaticser

荐读

点击下文标题即可阅读

国际瞭望|空客公司将为法国航天局开发CO3D地球观测计划 第四次工业革命(4IR)和地理空间让城市变得更加智能 不同应用场景下遥感影像分辨率的选择

编辑 / 安有硕  审核 /呼慧珊 黄松

指导：万剑华教授