基于RapidEYe的北京市浅山区土地利用信息提取

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于RapidEYe的北京市浅山区土地利用信息提取范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：浅山区是深山区与城市平原区连接的重要区域，研究浅山区土地利用现状，有利于浅山区和城区的和谐发展。本文采用RapidEye数据，对研究区遥感数据，建立了各种用地类型的提取规则，采取决策树分类方法对北京市浅山区土地利用信息进行了计算机自动提取。

关键词：土地利用；遥感；RapidEye；浅山区

中图分类号：K903　文献标识码：A　文章编号：1674－0432(2011)－05－0072－3

0　引言

土地是人类生存的基本资料和劳动对象，土地利用信息的准确性是国民经济和社会发展的重要基础。遥感监测具有宏观、快速、实时、动态等特点，它在土地利用信息获取方面发挥着越来越重要的作用。

本文采用2010年6.5m分辨率的RapidEye影像，利用遥感技术对北京市浅山区进行土地利用信息的提取。前人大多用TM数据进行分类，现在遥感数据的分辨率大大提高，可以采用更高分辨率的遥感影像进行分类。RapidEye影像与TM相比，波段比较少，但是空间分辨率大大提高。一般对土地进行分类，大多一般采用监督分类、非监督分类、或决策树的分类方法。本文选择决策树方法提取土地利用类型。但是由于它可用波段为蓝、绿、红、近红，波段比较少，所以必须通过图像增强构建新的波段变量，进而找到合适的波段变量对其进行土地利用类型的分类。

1　研究区概况

北京市浅山区是深山区与城市平原区连接的重要区域，根据《北京城市总体规划(2004年－2020年)》要求，将市域内海拔100 300m的区域划定为浅山区。目前城市快速扩展，城市新增用地正向浅山区蔓延。而浅山区作为城市的生态涵养功能区，它的土地利用变化也将影响城市的未来发展。所以对浅山区进行土地利用现状的研究，有利于浅山区和城市协调可持续发展。本文将海拔80 300m左右，在保证村级行政边界完整性的基础上综合划定北京市浅山区的范围，总面积约为4400km~。

北京市浅山区海拔高度不高，主要分布在房山区、门头沟区、昌平区怀柔区密云县等离城市中心比较近的区域，交通条件比较好，土地利用主要以林地为主，果树丰富。浅山区的土地有效利用可以带动深山区的经济发展。

2　数据选择及预处理

本文研究中采用的遥感数据为RapidEye遥感数据。

RapidEye卫星是2008年8月29日发射的商业多光谱遥感卫星，共由5颗卫星组成，被均匀分布在一个太阳同步轨道内。RapidEye传感器图像在400 850hm内有5个光谱段，每颗卫星都携带6台分辨率达6.5米的照相机，通过5星星座，能实现快速传输数据，连续成像，重访间隔时间短。同时RapidEye卫星是全球首个具有红边波段的商业卫星，可以用于监测植被变化。RapidEye遥感卫星参数，见表1。

本文研究区域横跨2景遥感数据，成像时间为2010年4月1日和4月2日，空间分辨率为6.5m×6.5m。图像在研究区域内没有云层覆盖，图像质量良好。

其他相关辅助资料包括2004年北京市土地利用现状图，北京市1：5万地形图，北京市山区城乡建设空间发展策略分析图，北京城市总体规划(2004年2020年)市域用地规划图。

利用1：5万地形图对影像进行几何校正。然后利用ENVI将2景遥感数据进行拼接，再利用已确定的研究区范围矢量文件对已拼接好的影像进行裁剪，得到研究区范围的遥感影像。

3　分类方法分析

3.1分类系统及解译标志的建立

在研究中为了更好的获取土地利用信息，必须规范地物解译标志，使得图像上的信息和实际地物的特征间的内在联系，通过解译标志有效地联系起来。本文参考已有土地分类系统，结合所需，可以将研究区分为耕地、林地、建筑用地、水体、未利用地五个类型。

对参与研究的红、近红、绿光波段分别赋予蓝、绿、红，进行彩色合成，并建立研究区影像解译标志。

3.2土地利用分类光谱特征分析

根据各种土地利用类型的解译标志，在影像上对耕地、林地、建筑用地、水体、未利用地5种土地利用类型进行采样。每类选取一定数量的样本，按照最大值、最小值、均值和方差加以统计，结果见表3。

RapidEye遥感数据有4个波段，5种地物类型在这4个波段的差异差别不大。

3.3分类规则的确定

3.3.1构造新波段变量RapidEye遥感数据分辨率高，空间分辨率达6.5m，但是与TM数据比较，RapidEye只有5个光谱波段，光谱信息比较弱。其中红边波段主要用于定量反演，来监测植被生长的健康状况。因此，在进行土地利用分类时，蓝、绿、红、近红四个波段用来做分类研究。本文预采用决策树方法对研究区遥感数据进行分类。RapidEye前三个波段均为可见光波段，地物在这一光谱波段差异不明显，因而只利用这原始4个波段无法准确确定各地物分类规则。为了更为准确的得到土地利用分类结果，需要构造新的波段变量，扩大各种地物间的差异，准确确定分类规则。

NDVI，即归一化植被指数，被定义为近红外波段和可见光红波段数值之差和这两个波段数值之和的比值，即NDVI=(NPRR)／(NIR+R)。分析得到的NDVI值，设定适合的阈值，可以将水体与其他用地分离。植被指数主要用于提取水体，并可辅助提取其他地类。

主成分变换是在统计特征基础上的多维正交性变换，把多个变量划为少数几个综合指标。变换后的各个分量互不相关，消除冗余信息，突出有效信息。第一主成分PCI集中了原始影像的绝大部分信息。为了不损失遥感数据的信息，需要充分利用主成分变换的第一主成分波段。

纹理是遥感数据的重要信息，反映了影像的灰度统计信息、地物本身的结构特征和地物空间排列的关系，是进行目视判读和计算机自动解译的重要基础。为了提高遥感影像分类精度，将影像中的纹理信息作为提取的重要特征，用基于灰度共生矩阵的纹理量，计算并提取某个波段最能反映类别差异的纹理特征及组合。

纹理是一种结构上的特点，而pcl集中了影像的大部分信息，所以选择对pcl进行纹理分析。各种地物的纹理有比较大的区别，通过纹理分析，得到8个纹理特征值图像，本文选取其中常用的方差、同质性、对比度、相异性、熵、二阶距来辅助分类。

3.3.2决策树分类决策树分类器由一个根结点、一系列内部结点(分支)及终极结点(叶)组成。从根结点到终结点，每个结点就是一个决策子问题，只有在父结点上未被排除的候选对象才会得到处理。在决策树路径上从一个结点到下一个结点，候选对象单调减少，直到在叶结点上只剩下最后一个对象。在每个分支节点上，其特征定义和规则都不同。

将提取到的各个样本纹理特征值和NDVI值计算出来，绘制各种地物的综合曲线图。如下图：

由上面曲线图可以明显的看出，各种地物间有着比较明显的

区别。利用决策树分类，需要根据各个样本的计算结果，确定分类规则。

在本研究中，将土地利用类型分为林地、耕地、水体、建筑用地和未利用地五种地物类型。从上图可以看出，建筑用地和未利用地有着相类似的波谱曲线，而林地和耕地的波谱曲线相差不大，水体与其他的有着明显的不同。

根据计算所得的数据可以分析出，NDVI是把水体从其他地物中分离出来的最好的一个分量。经过反复试验，确定将NDVI0.7把植被与非植被分开，熵值>0.7的为建筑用地或未利用地，熵值0.96的可以归为未利用地，而对比度0.47的为林地，熵

4　结果与分析

4.1分类结果与精度评价

根据已确定的分类规则，利用决策树分类方法对研究区遥感数据进行分类。因为在分类结果中会产生一些面积很小的细碎图斑，在实际应用中，应该将这些零散图斑去除掉。通过类别筛选、聚类分析等处理，最终得到北京市浅山区土地利用图。

本文利用rapideye遥感数据进行土地利用信息的提取，分类精度达到要求，分类结果比较理想。分类后进行精度分析，整体精度达到92.7615％，Kappa系数为0.8922。

4.2结果分析

本文借助纹理特征，利用决策树分类方法，对研究区进行土地利用类型分类，最终得到了研究区的土地利用类型图。

(1)在本文研究过程中，曾利用最大似然分类法对研究区进行分类，但分类结果精度不高，整体精度大约为81.35％，所以想到利用纹理特征进行决策树分类，提高了分类精度。这一研究表明，将纹理特征加入到分类法则中是一个可取的选择。

(2)在浅山区土地利用类型中，林地和耕地所占比例比较大，其中，林地约占研究区域的53.6％，耕地约占28.2％；建筑用地占地比较少，约为11.4％；而在研究区域范围内存在一部分未利用地，大约占4.4％。而在当今城市建筑用地已接近饱和的状态下，可以适当加大对浅山区建筑用地的开发，来缓解城市建筑用地的压力。同时也要充分重视未利用地的发展，努力改善未利用地的现状，加大土地的有效利用。

浅山区属于山地生态系统与平原生态系统的交错地带，与深山区相比，浅山区海拔相对较低，可达性相对较优，自然灾害频发区分布较少，更容易也更适宜被人类利用。因此，浅山区对于北京市的发展都具有十分重要的战略意义。由此可见，对北京市浅山区进行土地利用的研究显得尤其重要，提高土地分类结果的精度也是极其重要的。

参考文献

[1]李天宏，韩鹏.厦门市土地利用／覆盖动态变化的遥感检测与分析[J].地理科学，2001，21(6)：537－542

[2]吴见，彭道黎.基于TM影像的多伦县土地利用信息提取[J]东北林业大学学报，2010，38(10)

[3]张自宾，武文波，金卓.基于决策规则的遥感影像土地利用信息提取.测绘科学，2008

[4]王丽娟，冯仲科，房媛，龚威平，汪波，李雪瑞.TM影像在长春市土地利用分类研究中的应用，河北农业科学，2010，14(1)：133―136

[5]聂芹，李连运.多步骤分类法在上海市闽行区土地利用／覆盖信息提取中的应用.国土资源遥感，2006，(1)

[6]吴见，彭道黎.多伦县土地利用动态遥感监测.国土资源遥感，2010，(3)

[7]赵英时等，遥感应用分析原理与方法，科学出版社，2003

[8]魏信，胡嘉骢.基于决策树分类技术的北京城区土地利用分类研究.ICRS，2010

[9]张娅香，李秉柏，何静.基于SPOT5的县级土地利用现状调查技术研究.广东农业科学，2007，(11)

[10]周英杰，祝振江.RapidEye卫星3A数据产品质量及其矿山地物识别能力分析[J].国土资源遥感，2009，(02)

[11]肖鹏，徐军，陈少冲.纹理特征提取方法.电子科技，2010，23(6)