摘要：针对当前土地利用/覆盖变化动态监测中常用的分类后比较法中存在的误差累积，夸大变化程度的缺陷，提出了把变化矢量分析和分类后比较法相结合进行混合动态监测的新方法。从北京市海淀区的实例研究来看，尽管该方法对单景图像分类精度提高不明显，却可以大大降低常规分类后比较法中误差累积的程度，改善了常规分类后比较方法中误差累积、出现不合理变化类型的缺陷，从而得到较为准确的土地利用/覆盖变化定量信息。

关键词：变化矢量分析；分类后比较；土地利用/覆盖变化；北京；海淀

中图分类号：F301.2

文献标识码：A

文章编号：1000－3037(2001)03－0255－08

1 前言

　　当前，基于卫星遥感的土地利用/覆盖变化动态监测方法基本上可以分为光谱直接比较法和分类后比较法两大类，二者各有所长。光谱直接比较法对变化比较敏感，可以避免分类过程所导致的误差。但需要进行严格的辐射标准化，排除大气状况、太阳高度角、土壤湿度、物候等“噪声”因素对图像光谱的影响，由于目前对各种干扰（尤其是物候）导致的辐射差异的校正方法仍不成熟，因此，只能通过选择同一传感器、同一季相的数据来尽可能减小“噪声”。这种对数据和预处理的过高要求极大地限制了光谱直接比较法的广泛使用。同时光谱直接比较法只注重变化象元的提取，而不能提供各时期土地利用/覆盖类型信息。与之相对照，分类后比较法对辐射纠正要求相对较低，适用于不同传感器、不同季相的数据的比较，同时该方法不仅可以提供变化信息，而且还能够给出各时期的土地利用/覆盖类型信息。但由于不同时期的分类结果误差的累积，最终对土地利用/覆盖变化信息的判别精度较低^[1，2]。因此，在目前的土地利用/覆盖变化遥感监测研究中，结合光谱直接比较和分类后比较的混合动态监测方法逐渐受到重视，并有了一些成功的案例研究。Jenson 通过对湿地变化的动态监测研究表明：先利用光谱直接比较探测变化区，再进行图像分类确定变化类型的混合法是一种非常有效的变化检测方法^[3]；Macleod 和 Congalton 的工作也表明以差值法为基础的混合动态监测法优于传统分类后比较法^[4]。已有的研究表明混合法成功的关键在于准确合理的提取变化象元，变化象元的确定直接决定了最终的动态监测精度^[2]。但现有的研究一般以单波段的差值或比值的比较结果划分变化和非变化象元，往往忽略不同地物在不同波段敏感性存在差异的特点，此外，在变化和非变化象元的划分时多使用经验判定的方法，缺乏一套成熟有效的变化阈值确定方法。

　　鉴于以上混合法的问题，本文提出了把变化矢量分析和分类后比较法相结合进行土地利用/覆盖变化动态监测的新方法。变化矢量分析法是一种非常有效的光谱直接比较法^[5]，它可以利用较多甚至全部的波段来探测变化象元，以避免单一波段比较所带来的信息不完整性。此外针对变化阈值的确定问题，我们提出了双窗口变步长阈值搜寻的方法。它可以较为准确地确定变化象元阈值，划分变化和非变化象元^[6]。本文重点介绍应用以上新方法对北京市海淀区土地利用/覆盖变化监测的实验结果。

2 研究区和数据

　　本工作的研究区是位于北京市西北部的海淀区。该区人口 124.9 万，面积 426km²，地势西高东低，平均海拔 50m 左右的平原占全区面积的 3/4，是首都北京的科研教育文化中心和重要的蔬菜副食品生产基地，也是全国有名的高新技术开发
区 ^[7]。使用的数据是季相一致的，质量较好，无云，完全覆盖研究区的编号为 123/32 的两期 Landsat TM数据 (1991－05－06，1997－05－16)。

3 方法

　　基本思路是首先利用变化矢量分析和双窗口变步长阈值搜寻方法提取从 1991 到 1997 年的变化象元，然后对变化象元进行分类和比较研究。主要包括遥感图像预处理、单景图像分类、变化象元提取和分类、动态信息提取 4 个步骤，依据图 1 所示的流程进行。

图 1 变化矢量分析和分类后比较法相结合的动态监测流程图
Fig.1 Flow chart of the combination of Change Vector Analysis and Post-classification

3.1 遥感图像的预处理

　　遥感图像的预处理主要包括几何校正、相对辐射校正和研究区提取 3 个步骤。首先以 1∶5 万的地形图为基准，在图像指北旋转后，利用二次多项式和双线形内插法对 1991 年的 TM 图像进行了图像到地图的几何校正，经重新选点检验，误差在一个象元内，接着以校正好的 1991 年图像为基础，对 1997 年图像进行了图像到图像的配准处理，经检验二者的 RMS 误差小于 0.5 个象元。然后应用 SCR(Scattergram Controlled Regression) 方法，以一次线性回归 Y_k=a_kX_k＋b_k 的形式对两期的遥感影像进行简易标准化^[8]，最后在纠正好的遥感影像上提取出研究区。

3.2 1991年图像分类

　　参照 Anderson J R 的分类体系^[9]，在 1991 年图像非监督分类、相关辅助资料和野外调查的基础上，将该区的土地利用类型划分为：高密度城市用地、中低密度城市用地、水域、稻田、菜地、水浇地、园地、灌草地、林地，共九大类。然后利用采用基于光谱特征的最大似然监督分类法和利用象元空间相关性的概率松弛法相结合的结构分类器进行了土地利用/覆盖分类^[10、11]，从而得到了 1991 年的土地利用/覆盖分类图（图 3a）。

3.3 1997年变化象元提取和分类

　　作为光谱比较的变化矢量分析主要是建立在对变化矢量强度的计算基础上进行
的 ^[12]。为了克服常用混合中以单一波段为基础提取变化象元而忽略不同波段对不同地物敏感性不同的缺陷，我们首先选用了 1991 年和 1997 年 TM 图像的所有波段（第 6 波段除外）进行变化矢量分析，得到了变化强度图（图 2）。

图 2 矢量变化强度分析
Fig.2 Change magnitude from Change Vector Analysis method

　　在变化强度图计算的基础上，采用双窗口变步长阈值搜寻算法进行变化和非变化象元的划分。其基本思路是通过对经过几何纠正等预处理的两个时相的图像进行比较，同时参照地面辅助图件，首先在 1997 年图像上选择若干包含不同变化类型的典型变化区为训练样区，然后在变化强度范围内进行变步长变化强度阈值搜寻，当确定某一变化强度阈值，使训练样区内的变化检测精度达到最大时，则认为该阈值可以使整景图像的变化检测精度达到最大，该算法具体内容见文献 6。经过对海淀区 1991 到 1997 年变化强度图的搜寻，最终确定变化象元的阈值强度为 38.9，并据此提取了海淀区 1997 年图像上的变化象元。

　　在得到了 1997 年变化象元之后，采用与 1991 年同样的分类体系和分类器，对变化象元进行了分类（图 3b）。然后，根据地图代数的原理，把 1997 年变化象元分类结果图与 1991 年分类图叠加，从而得到了 1997 年土地利用/覆盖分类图（图 3c）。

图 3 基于光谱比较和分类比较的海淀区土地利用/覆盖变化监测结果
Fig.3 Land use/cover change in Haidian District from 1991 to 1997
based on spectral and classification comparison

3.4 土地利用/覆盖变化信息提取

　　根据地图代数原理，对 1991、1997 年两期土地利用/覆盖分类图，采用 (1) 式的地图代数方法^[10]，

C_ij=A_ij^k×10＋A_ij^k＋1( 土地利用类型﹤ 10 时适用 ) (1）

式中，A_ij^k、A_ij^k＋1 和 Cij 分别代表 k 和 k＋1 时期 i 行 j 列的象元及叠加后得到的象元，可以求得反映土地利用类型相互转化定量关系的转移矩阵（表 1）。

表 1 基于混合法的海淀区 1991～1997 年土地利用/覆盖转换矩阵
Table 1 The land use/cover change matrix from 1997 to 1997 in Haidian District based on Hybrid change detection

1991	1997
	高密度城 镇用地	中低密度 城镇用	水域	水田	菜地	水浇地	园地	灌草地	林地	合计（占有率 %）
高密度城镇用地	14.549	0.324	0.029	0.000	0.019	0.010	0.030	0.005	0.000	14.964
B	97.221	2.165	0.192	0.000	0.126	0.066	0.198	0.030	0.000	(3.484)
C	70.880	0.267	0.073	0.000	0.049	0.046	0.031	0.021	0.000
中低密度城镇用地	5.327	111.224	1.942	0.352	2.359	0.210	1.756	0.328	0.008	123.505
B	4.313	90.056	1.573	0.285	1.910	0.170	1.422	0.265	0.007	(28.758)
C	25.954	91.702	4.890	1.250	6.058	0.967	1.804	1.557	0.020
水域	0.032	1.410	25.622	1.988	1.130	1.753	1.535	0.272	0.004	33.746
B	0.093	4.179	75.925	5.891	3.350	5.195	4.550	0.805	0.011	(7.858)
C	0.153	1.163	64.510	7.062	2.903	8.086	1.578	1.292	0.009
水田	0.005	0.777	3.491	17.689	1.571	3.407	1.666	0.128	0.000	28.733
B	0.016	2.703	12.150	61.563	5.469	11.856	5.798	0.445	0.000	(6.690)
C	0.022	0.640	8.790	62.832	4.036	15.711	1.712	0.607	0.000
菜地	0.220	3.675	0.806	0.375	30.918	0.365	2.287	0.075	0.001	38.722
B	0.567	9.490	2.083	0.969	79.846	0.944	5.906	0.193	0.002	(9.016)
C	1.070	3.030	2.030	1.333	79.405	1.685	2.350	0.355	0.002
水浇地	0.052	1.455	3.895	5.802	1.600	14.562	3.172	0.213	0.176	30.928
B	0.169	4.706	12.595	18.761	5.174	47.084	10.255	0.690	0.567	(7.201)
C	0.254	1.200	9.807	20.611	4.110	67.162	3.259	1.014	0.430
园地	0.338	2.284	3.830	1.897	1.317	1.369	86.648	1.084	1.112	99.877
B	0.338	2.287	3.834	1.900	1.318	1.371	86.755	1.085	1.113	(23.256)
C	1.644	1.883	9.642	6.739	3.382	6.314	89.044	5.150	2.724
灌草地	0.005	0.126	0.100	0.049	0.015	0.005	0.188	18.936	3.945	23.369
B	0.019	0.539	0.427	0.208	0.065	0.023	0.805	81.032	16.880	(5.441)
C	0.022	0.104	0.205	0.173	0.039	0.025	0.193	89.995	9.666
林地	0.000	0.013	0.003	0.000	0.007	0.001	0.028	0.002	35.567	35.620
B	0.000	0.035	0.008	0.000	0.020	0.003	0.078	0.005	99.851	(8.294)
C	0.000	0.010	0.007	0.000	0.018	0.004	0.029	0.009	87.150
合计	20.525	121.288	39.718	28.152	38.937	21.682	97.309	21.041	40.811	429.463
占有率 (%)	4.779	28.242	9.248	6.555	9.066	5.049	22.658	4.899	9.503	100.00
变化率 (%)	37.162	-1.796	17.695	-2.020	0.556	-29.895	-2.571	-9.960	14.574
年变化率 (%)	6.194	-0.3	2.949	-0.34	0.093	-4.98	-0.43	-1.66	2.429

　　注：在表中，行表示的是 k 时期的 i 种土地利用/覆盖类型，列则表示 k+1 时期的 j 种土地利用/覆盖类型；黑字部分表示的是 k 时期的土地利用/覆盖类型转变为 k+1 时期各种类型的面积（单位：km²）。B 表示 k 时 i 种土地利用/覆盖类型转变为 k+1 时期 j 种土地利用/覆盖类型的比例；C 表示 k+1 时期的 j 种土地利用中由 k 时期的 i 种土地利用/覆盖类型转化而来的比例。行、列的合计分别表示 k 时期和 k+1 时期各种土地利用/覆盖类型的面积（单位：km²）及其占总土地面积的比例。变化率表示 k+1 时期各种土地利用类型/覆盖相对 k 时期的变化程度。年变化率表示各种土地利用/覆盖类型的年均变化程度。

4 精度检验和比较

　　为了比较本文方法与常规分类后比较法的差别，我们对 1997 年的遥感图像采用与 1991 年同样的分类体系和分类器进行了整景图像分类（图 3d），并仍然采用如式 (1) 的地图代数法计算了转移矩阵（表 2）。通过对比混合法和分类后比较法得到的结果（图 3c,d; 表 1,2），我们发现以下两个基本特点：

表 2 基于分类后比较的海淀区 1991～1997 年土地利用/覆盖转换矩阵
Table 2 The land use/cover change matrix from 1997 to 1997 in Haidian District based on
Post-classification change detection method

1991	1997
	高密度城 镇用地	中低密度 城镇用	水域	水田	菜地	水浇地	园地	灌草地	林地	合计（占有率 %）
高密度城镇用地	10.632	4.075	0.203	0.000	0.025	0.009	0.014	0.006	0.000	14.964
B	71.047	27.233	1.359	0.000	0.168	0.060	0.090	0.042	0.000	(3.484)
C	23.641	4.052	0.449	0.000	0.055	0.043	0.017	0.036	0.000
中低密度城镇用地	31.991	72.831	4.486	0.447	8.292	0.797	3.510	1.137	0.014	123.505
B	25.903	58.970	3.632	0.362	6.714	0.646	2.842	0.920	0.012	(28.758)
C	71.136	72.410	9.912	1.604	18.261	3.786	4.350	6.480	0.029
水域	0.322	1.973	19.369	5.636	1.080	2.344	1.875	1.139	0.009	33.746
B	0.955	5.846	57.395	16.700	3.200	6.945	5.555	3.376	0.027	(7.858)
C	0.716	1.961	42.800	20.206	2.378	11.129	2.324	6.495	0.018
水田	0.025	0.772	8.253	13.833	0.551	3.621	1.474	0.203	0.000	28.733
B	0.088	2.688	28.724	48.144	1.917	12.601	5.131	0.708	0.000	(6.690)
C	0.056	0.768	18.237	49.595	1.213	17.193	1.827	1.160	0.000
菜地	0.645	11.570	1.119	0.345	20.521	0.619	3.840	0.062	0.000	38.722
B	1.667	29.881	2.889	0.890	52.996	1.599	9.918	0.160	0.000	(9.016)
C	1.435	11.504	2.472	1.236	45.193	2.940	4.760	0.354	0.000
水浇地	0.072	2.574	4.717	5.486	2.367	9.802	5.330	0.395	0.185	30.928
B	0.233	8.323	15.251	17.737	7.653	31.693	17.233	1.277	0.599	(7.201)
C	0.160	2.559	10.423	19.667	5.213	46.545	6.606	2.252	0.378
园地	1.236	6.514	6.628	2.078	12.528	3.811	60.332	3.260	3.490	99.877
B	1.237	6.522	6.636	2.081	12.543	3.815	60.407	3.264	3.495	(23.256)
C	2.748	6.477	14.645	7.451	27.590	18.095	74.778	18.583	7.112
灌草地	0.047	0.259	0.452	0.068	0.038	0.021	3.283	9.797	9.404	23.369
B	0.200	1.109	1.933	0.289	0.162	0.089	14.050	41.926	40.243	(5.441)
C	0.104	0.258	0.998	0.242	0.083	0.098	4.069	55.851	19.164
林地	0.002	0.013	0.029	0.000	0.006	0.036	1.024	1.542	32.969	35.620
B	0.005	0.035	0.081	0.000	0.018	0.101	2.875	4.328	92.556	(8.294)
C	0.004	0.013	0.064	0.000	0.014	0.171	1.269	8.789	67.185
合计	44.972	100.581	45.255	27.892	45.408	21.059	80.682	17.542	46.072	429.463
占有率 (%)	10.472	23.420	10.538	6.495	10.573	4.904	18.787	4.085	10.728	100
变化率 (%)	200.529	-18.561	34.102	-2.926	17.267	-31.908	-19.218	-24.934	29.342
年变化率 (%)	33.422	-3.094	5.684	-0.488	2.878	-5.318	-3.203	-4.156	4.890

　　注：在表中，行表示的是 k 时期的 i 种土地利用/覆盖类型，列则表示 k+1 时期的 j 种土地利用/覆盖类型；黑字部分表示的是 k 时期的土地利用/覆盖类型转变为 k+1 时期各种类型的面积（单位：km²）。B 表示 k 时 i 种土地利用/覆盖类型转变为 k+1 时期 j 种土地利用/覆盖类型的比例；C 表示 k+1 时期的 j 种土地利用中由 k 时期的 i 种土地利用/覆盖类型转化而来的比例。行、列的合计分别表示 k 时期和 k+1 时期各种土地利用/覆盖类型的面积（单位：km²）及其占总土地面积的比例。变化率表示 k+1 时期各种土地利用类型/覆盖相对 k 时期的变化程度。年变化率表示各种土地利用/覆盖类型的年均变化程度。

　　(1) 分类后比较显示的土地利用/覆盖变化强度远远超过混合法得到的结果。例如，分类后比较中，高密度城镇用地、菜地、林地的年增加率达到了 33.42%、2.88% 和 4.89%，园地的年减少率达到了 3.20%，远远大于混合法得到的 6.19%、0.09%、2.43% 和 0.43% 的结果。

　　(2) 两种方法得到的结果中都不可避免地出现了许多不合理转化类型，但分类后比较中不合理转化类型的面积和比例远远大于混合法得到的结果。例如，分类后比较中高密度城镇用地转化为水域，中低密度城镇用地转化为水域的面积分别为 0.20km² 和 4.48km²，所占比例分别达到 1.36% 和 3.63%；而混合法中两种转化类型的面积只有 0.03km² 和 1.94km²，所占比例分别是 0.19% 和 1.57%。

　　为了定量比较两种结果的差异，在辅助资料和野外资料的基础上，通过随机选取若干样本区，计算分类混淆矩阵和 Kappa 系数的方法，对得到的土地利用/覆盖分类图（图 3a，c，d）进行精度检验，其 Kappa 系数分别是 0.85、0.82 和 0.85（表 3）。这表明单景图像的结果均比较理想^[13]，但混合法比直接分类法精度有所提高。

表 3 土地利用/覆盖变化分类精度评价
Table 3 The error matrix of land use/cover classification and accuracy assessment

	高密度城 镇用地	中低密度 城镇用地	水域	稻田	菜地	水浇地	园地	灌草地	林地	总和
高密度城镇用地 A	201	52	0	0	0	8	0	0	0	261
B	356	69	0	0	0	0	0	0	0	425
C	208	37	0	0	0	0	0	0	0	245
中低密度城镇用地 A	20	506	0	0	40	32	0	0	0	598
B	31	594	4	0	86	20	71	0	0	806
C	0	508	6	0	77	16	39	0	0	646
水域 A	0	0	246	34	0	0	0	0	0	280
B	0	0	342	0	0	0	0	0	0	342
C	0	0	352	0	0	0	0	0	0	352
稻田 A	0	0	0	189	0	0	0	0	0	189
B	0	0	31	168	0	90	0	0	0	289
C	0	0	29	158	1	89	2	0	0	279
菜地 A	0	28	0	0	170	0	10	0	0	208
B	0	43	0	0	292	0	0	0	0	335
C	0	64	0	0	384	0	17	0	0	465
水浇地 A	0	0	0	0	0	271	26	0	0	297
B	0	0	1	0	0	272	9	0	0	282
C	0	0	2	0	0	271	19	0	0	282
园地 A	0	0	0	0	33	0	180	0	22	235
B	0	0	0	0	0	0	275	0	0	275
C	0	0	4	0	0	0	481	0	0	485
灌草地 A	0	0	0	0	0	0	1	248	2	251
B	0	0	0	0	0	0	10	128	25	163
C	0	0	0	0	0	4	0	159	10	173
林地 A	0	0	0	0	0	0	0	5	135	140
B	0	0	0	0	0	0	10	128	25	163
C	0	0	0	0	0	0	0	0	294	294
总和 A	221	586	246	223	243	311	217	253	159	2459
B	387	706	378	168	378	382	365	148	319	3231
C	208	609	393	158	462	380	558	159	304	3231
总精度 A	87%
B	84%
C	87%
Kappa 系数 A	0.85
B	0.82
C	0.85

注：A 表示 1991 年数据；B 表示 1997 年直接分类结果；C 表示 1997 年混合法结果。

　　为了进一步比较两种方法在动态信息获取上的差异，我们采用点随机抽样、在辅助资料帮助下目视判读的方法，共安排 300 个检验点，对两种方法得到的动态信息进行精度检验，分别计算了针对于变化和不变化两类的 Kappa 系数，结果（表 4）表明混合法获取的动态信息精度比分类后比较法高 10% 以上，Kappa 系数高 20% 以上。由此可以看出尽管使用本文所述的混合法对单景图像精度提高并不十分明显，但却可以在很大程度上降低常规分类后比较法中误差累积的程度，减小出现不合理变化类型的概率，从而得到较为准确的土地利用/覆盖变化动态信息。

表 4 混合法和分类后比较法的精度对比
Table 4 Comparison of accuracy between hybrid method and post-classification method

分类数据	实际数据
	不变化		变化		总和
	(a)	(b)	(a)	(b)	(a)	(b)
不变化	178	138	13	68	191	206
变化	29	14	80	80	109	94
总和	207	152	93	148	300	300
(a) 总精度 =0.86；Kappa 系数 =0.69
(b) 总精度 =0.75；Kappa 系数 =0.45

注：(a) 表示采用混合法，(b) 表示采用分类后比较法。

5 结论和讨论

　　利用光谱比较和分类比较相结合提取土地利用/覆盖变化的关键在于有效地提取出变化象元，本文针对现有方法中忽略地物波段敏感性差异，采用单一波段提取变化象元，同时阈值确定不定量两大问题，首先利用矢量变化分析结合双窗口变步长阈值搜寻的方法对 TM 所有波段（6 波段除外）进行分析，成功地提取了变化象元，然后用概率松弛法对变化象元进行分类，从而得到了较为满意的土地利用/覆盖变化信息。

　　目前国内土地利用/覆盖研究中常用的分类法后比较法，存在着单景分类误差累进，夸大变化程度的缺陷，从而影响了最终获取的土地利用/覆盖变化动态信息的准确性和可靠性。使用本文的混合方法尽管对单景图像分类精度提高不明显，但却可以大大降低分类后比较法中误差累积的程度，得到较为准确的土地利用/覆盖变化定量信息。

　　与常规分类后比较方法相比，利用混合法进行土地利用/覆盖变化动态监测也存在着数据质量要求较高，几何校正和辐射纠正严格，操作步骤较多等缺陷，从而有可能在一定程度上限制其应用的广泛性。

参考文献

[返回上一页] [打 印]