北京二号数据在土地利用动态监测中的应用
我国在土地资源管理上开始逐步实行“天上看、地上查、网上管”的现代化立体监管体系【】，实现这一监管体系最重要的技术是遥感技术，数据基础是卫星影像。随着我国经济的持续快速发展，用地量逐年增加，土地利用变化频繁，为了更好的进行土地资源管理，开展全国土地利用动态遥感监测，对监管数据进行更新完善尤为重要【】。
土地利用动态遥感监测（以下简称遥感监测）是指应用遥感数据，定期或不定期地监测同一区域土地利用的变化情况，包括变化前后地类、范围、位置及面积等【】。近年来，国产高分辨率遥感卫星技术发展突飞猛进，在遥感监测中得到了广泛的应用。2015年7月11日，“北京二号”（BJ-2）星座成功发射，它的成功发射，为土地利用研究领域提供了新的数据源，BJ-2可提供覆盖全球、空间和时间分辨率俱佳的遥感卫星数据和空间信息产品【】，可为国土资源管理、生态环境监测、城市综合应用等领域提供空间信息支持【】。目前，对于BJ-2数据在遥感监测中的应用情况还未曾有详细的研究，因此，为了推动国产卫星在土地监管中的广泛应用，改变我国土地利用时空数据库建设长期依赖于国外商用卫星的状况【】，本文通过研究BJ-2数据在……本文通过研究BJ-2数据在浦口区遥感监测中建设用地变化信息的识别与监测，针对北京二号遥感影像数据光谱特征丰富、纹理特征清晰等数据特点，通过对BJ2光谱信息进行分析，采用植被指数与建设用地指数的进一步组合，有效解决了水体、植被、城镇等其他信息的分离问题。但是在地形起伏的山区由于“异物同谱”现象的存在，使得对相关区域的建设用地变化信息的检测会有较大的误分率。基于上述分析，可以进一步采用纹理分析的方法来突破多光谱的限制。从而提高建设用地变化信息检测和提取的精度和作业效率。（正文五号宋体）
1 研究区概况
浦口区位于南京市西北部，下辖地区9个街道办事处，2个农场，3个省级开发区，界于东经118°21'─118°46'，北纬30°51'─32°15'，属亚热带季风气候区，地势中部高，南北低，境内地下水资源分浅水层和深水层，水文地质分长江漫滩区、滁河漫滩区、老山岩溶水分布区和丘岗区。
浦口区是长三角地区向内陆腹地辐射的西桥头堡区内土地开发程度较高。境内集低山、丘陵、平原、岗地、大江、大河为一体，区境东南部为长江沙洲平原，面积157平方公里，西北部为河谷平原，面积约125平方公里，平原地区低平坦荡，土壤肥沃；中部为东北—西南走向的老山山脉，总面积约90平方公里，山体起伏，植被丰厚；低山与平原之间分布着砂砾丘陵、黄土岗地，总面积530平方公里。浦口区位于南京市西北部，是国家重要医药基地，华东地区先进制造业基地、科教基地，辐射苏北、皖东等地区的城市副中心，地理区位的重要性及社会经济的快速化发展使得对浦口区土地利用开展动态化遥感监测十分有必要，研究区内地貌单元的多元性，为土地资源开发利用提供了有利的自然基础，土地利用类型的多样化及建设用地快速扩展促使该区域成为遥感动态监测的典型区域。
2 遥感技术方法
2.1 北京二号卫星简介
北京二号卫星星座，于2015年7月11日搭载印度极轨卫星运载火箭发射升空，星座由3颗第三代灾害监测星座（DMC-3）卫星组成。北京二号是高分辨率商业遥感卫星，将推动我国遥感卫星产业的发展【】。
北京二号运行于高度647km、倾角97.8°的太阳同步轨道，搭载1米全色和4米多光谱成像仪。
技术指标
表1 BJ-2卫星参数表
（表题：小五号黑体加粗）
参数 |
1m分辨率 全色 |
4m分辨率 多光谱 |
光谱范围 |
B5：0.45~0.90um |
B1：0.45~0.52um B2：0.52~0.59um B3：0.63~0.69um B4：0.77~0.89um |
空间分辨率 |
1m |
4m |
幅 宽 |
23Km |
23Km |
重访周期 |
1天 |
|
设计寿命 |
7年 |
|
2.2遥感图像处理
对北京二号数据进行“配准-融合-正射纠正-增强”处理。其中，配准采用自动配准；融合采用高通滤波算法对全色和多光谱波段进行融合；正射纠正通过读取rpc.txt文件、选择有理函数模型、借助数字高程模型，人机交互选择控制点进行正射纠正；最后，根据遥感监测的需要对影像进行增强处理制作遥感正射影像图（图1）。
图1 遥感图像处理流程图
（1）波段组合。在BJ-2多光谱波段中，波段灰度覆盖范围较大，影像包含有丰富的地物信息，并对波段相关性进行分析发现，B4波段与其余波段的相关性都比较小，具有一定的独立性（表1）。选择B1、B2、B3（红、绿、蓝）进行波段组合，生产真彩色正射影像图来监测地表的实际情况。
表1 BJ-2波段相关性统计表
Correlation |
Band 1 |
Band 2 |
Band 3 |
Band 4 |
Band 1 |
1.000000 |
0.900519 |
0.857930 |
0.272307 |
Band 2 |
0.900519 |
1.000000 |
0.949993 |
0.405113 |
Band 3 |
0.857930 |
0.949993 |
1.000000 |
0.389649 |
Band 4 |
0.272307 |
0.405113 |
0.389649 |
1.000000 |
（2）自动配准。鉴于BJ-2多光谱数据和全色数据为同步获取，可以实现比较好的自动配准。自动配准采用ERDAS软件中的AutoSync自动配准模块，设定各项自动配准参数，选择二次多项式配准方式[16]，配准中误差限差阈值设定为0.3。
配准后检查全色和多光谱影像的配准精度，保证配准误差不超过1像素。
（3）影像融合。通过对BJ-2的全色和多光谱数据进行融合方法实验，包括：IHS变换（Intensity,Hue,Saturation）、主成分变换（Principal Components Analysis）、全像素融合（Pansharp）和高通滤波（High Pass Filter）融合方法[16]，实验结果表明，高通滤波融合影像效果最佳，融合后影像光谱信息丰富，纹理清晰，遥感监测识别效果强，后期处理方面。
（4）正射纠正。BJ-2原始数据自带有理函数模型RPC（Rational Polynomial Coefficients）文件，正射纠正采用单景纠正，通过“RPC+DEM+GCP”的方法，纠正模型选择有理函数模型（IKONOS），DEM使用ASTGTM 30米的高程数据，对照参考底图选择GCP控制点。正射纠正精度要求控制点残差满足小于1个像素，中误差小于2倍采样间隔，纠正后影像重采样分辨率为1米输出。
（5）图像增强。为了达到更好的变化监测识别效果，对BJ-2原始数据进行多种图像运算处理，增强建设用地特征信息，同时，为了改善最终影像成果图的视觉效果，对影像图进行对比度变换、色调变换等增强处理，获得纹理清晰、色调反映地表真实色彩的图像。
3 建设用地变化信息监测
在实际作业中，对建设用地进行变化信息监测，采用传统的人工目视对比方法工作效率较低，并且容易出现遗漏，为了改善这个问题，采用自动建设用地变化监测与人机交互共同生产的方法，提高信息提取的精度和生产效率。
在自动建设用地变化监测中，采用光谱与纹理特征相结合的方法，通过研究建设用地的光谱特征，提取特征指数，例如，归一化植被指数（NDVI）、归一化建设用地指数（NDBI）等，同时，突破影像光谱特征的局限性，综合考虑影像特征的纹理信息，采用熵指数和相关系数，获取影像的纹理特征，通过组合各项指数的综合特征，通过大量的实验分析，选取合适的阈值，对影像进行新增建设用地自动变化监测。
为了提高信息提取的准确度，以自动建设用地变化监测数据为参考，结合人机交互变化信息提取技术，获取实验区的新增建设用地变化监测成果。
3.1 基于光谱特征的变化信息提取
不同地物的波谱反射特性不同，相同位置的不同波段的反射值也不尽相同，因此这样多维度的光谱反射值就构成了一个多维度的随机向量，在科学分析并进行合理的特征变换的基础上作为识别提取对象的参考依据。
BJ-2多光谱影像数据包含四个波段分别为蓝、绿、红和近红外波段，因此，通过以下三种归一化指数进行研究。
（1）归一化植被指数（NDVI）[6]：
式中，NIR为近红外波段，R为红光波段。
植物的叶片对红光有较强的吸收能力对近红外的反射性比较强，可以利用归一化植被指数强化它们之间的差异，从而区分植被覆盖区和建设用地区。
（2）改进的归一化差异水体指数（MNDWI）：
式中，B为蓝光波段，R为红光波段。
水体的反射波谱从可见光到中红外呈递减趋势，通过利用改进的归一化差异水体指数，强化可见光和中红外波段间的差异，以此来有效区别建设用地和水域信息。
（3）归一化建设用地指数（NDBI）：
式中，NIR为近红外波段，B为蓝光波段。
归一化差异建设用地指数对于高层建筑物的识别效果比较好[9]。
对三种归一化指数进行综合分析，选取不同地类样本对比三种指数值，获得不同地类的指数曲线图。
通过不同地类在三种指数上的特征曲线发现，三种归一化指数能够充分反映不同的地物之间的光谱混淆现象，因此，能够很好的区分水体、裸地、植被、建设物信息。
基于以上光谱特征变化信息的提取方法，设定相关水体、植被、建设用地阈值组合对实验区前后两年的影像分别进行建设用地信息提取，然后通过相减得到变化监测信息。
2015年 2016年
光谱特征变化监测效果图
图2 基于光谱特征变化监测示意图
通过实验发现，单一通过光谱特征进行变化信息监测，受“同谱异物，异物同谱”的影响[13]，会提取出比较多的伪变化信息，给后处理造成一定的困难。
3.2 基于空间纹理特征信息提取
纹理分析是通过一定的图像处理技术抽取纹理定量或定性特征的过程。纹理也就是影像结构，指影像光谱变化的频率，常由成群的不同光谱和形状的地物重复出现而产生。纹理特征反映地物的空间分布和空间相互关系，在影像上表现为不同的灰度变化及空间分布特征。
鉴于单一基于光谱特征变化信息提取存在的局限性，通过分析空间纹理特征信息，弥补不足，获取更加精准的变化监测信息。
通过对建设用地与其他地物的差异性分析，水体、植被等非建设用地一般情况下纹理相对简单，具有大范围内纹理均一化的特点，而对于建设用地，由于道路的穿插、建筑物特有的复杂结构、规划中绿化的设计等，使得建设用地具有丰富的纹理信息。本文通过实验，选用反映纹理特征的熵值和相关系数对影像进行纹理信息提取[12]。
（1）熵值
熵值可以反映遥感图像空间复杂性和内部均一性。针对建设用地的纹理特征比较粗糙、均一性差，建设用地的熵值一般比其他地类的大，采用熵值区分建设用地和其他地类具有一定的合理性。
（2）相关系数
以Cij表示特征向量的相似系数，则Cij需要满足Cij≤1，并且Cij=Cji；相关性越强，Cij越大。
特征相似度可以用来衡量纹理特征之间的相似程度[19]，对大范围区域分析，建设用地密集区的纹理存在明显的方向性，同时与整体结构有较好的一致性，因此，可以考虑结合空间相关性来对建设用地进行结构上的纹理分析。
通过实验，结合以上纹理特征分析方法，表明结合纹理特征分析可以对采用光谱特征值进行建设用地变化信息检测并提取过程中出现的变化信息范围不一致性进行一定程度的补充完善，从而提高建设用地变化信息的检测精度。
原始影像建设用地效果图 建设用地纹理信息提取
3.3 监测结果分类
对浦口区行政区范围遥感影像进行建设用地变化信息监测，采用本文光谱与纹理相结合的自动变化监测方法，获取两个年度的光谱特征变化监测图和纹理特征变化监测图[18]（图3）。
2015年影像 2016年影像
光谱特征效果图 纹理特征效果图
（图题字体为小五黑体加粗。如果有图注，图注的字体为六号宋体）
为了获取更高精度的变化信息结果，加入人工干预，参考本文自动变化信息监测结果，通过人机交互方式[2]对变化信息进行修编完善，同时，根据建设用地的不同类型，在生产中对监测结果进行分类。
分类综合了建设的类型和建设的程度，分为：房屋、工棚、道路、水工建筑、硬化地表、建设推填土和其他建筑用地共7中类型，通过对建设用地分类，提高监测成果的应用性，通过人机交互完善监测成果的属性信息，获取分类后的浦口区建设用地变化监测成果（图3）。
图4 浦口区建设用地变化监测成果图
4 精度检验与分析
精度检验主要包括两方面的检验，一是检验成果中是否存在伪变化信息（即不是新增的建设用地），二是检验是否存在监测信息的遗漏。通过选择检验样本和选择检验区域，对本实验区的监测成果进行精度检验。
浦口区行政区面积约910.91Km2，监测成果中图斑总数为1341个，图斑总面积为17090亩。在监测成果上随机生成了300个检验样本点，在监测成果范围外随机生成了40个1Km2的正方形检验样本区（图4）。
图4 检验样本选取图
（1）样本点精度检验
表1 样本点精度检验统计表
|
新增建设（正确） |
伪新增建设（错误） |
合计 |
个数 |
288 |
12 |
300 |
占比/（样本总数） |
96% |
4% |
100% |
占比/（成果总数） |
21.48% |
0.89% |
22.37% |
（2）样本区精度检验
表1 样本区精度检验统计表
|
无问题区域 |
有遗漏区域 |
合计 |
遗漏个数 |
遗漏面积（亩） |
统计值 |
42 |
8 |
50 |
17 |
28 |
占比/（样本） |
84% |
16% |
100% |
|
|
占比/（成果） |
4.61% |
0.88% |
5.49% |
1.27% |
0.16% |
对实验区的精度检验统计看出，在成果中随机抽取了300个检验点，抽检比例达到了22.37%，抽检正确率为96%；在成果未覆盖区域随机抽取了50个检验区，检验区面积占行政区面积的5.49%，在检验区中有84%的区域为无问题区域。
通过上述精度检查结果得出，本文通过自动+人机交互的方法进行新增建设用地变化信息提取的精度比较高，出现的错误提取和图斑遗漏数量都比较少。
5 结果分析
通过精度检验，浦口区的监测成果质量合格的要求，对其成果进行统计分析。
序号 |
监测图斑种 类 |
监测图斑个 数 |
监测图斑面 积 |
1 |
房屋 |
1 |
134 |
2 |
道路 |
3 |
123 |
3 |
水工 |
56 |
545 |
5 |
硬化 |
5 |
522 |
6 |
其他 |
5 |
253 |
7 |
建筑 |
5 |
233 |
小计 |
7类 |
建设用地变化信息统计表
建设用地变化信息进行监测并提取，经过初步统计分析得出，按照2016遥感监测图斑信息提取相关要求，本次样本试验区的建设用地变化监测图斑种类有7类，共计11个，建设用地变化信息图斑总面积为86.6㎡。
从表中可以看出，采用该方法能够较明显的提取出建设用地变化信息中的道路信息，如果不采用这种方法，由于建设用地范围边线存在复杂的分形结构，相关建设用地细节特征很难被提出来，同时变化建设用地的范围也难以确定，通过对研究区的建设用地变化信息提取结果进行统计分析，自动检测的建设用地变化信息的类别主要分为房屋、道路、水工、建筑、硬化及其他类型，其中各个类别的检测结果分别为............进一步发现，对于建设用地变化信息的提取过程中，由于建设用地的硬化面具有明显的光谱特征，因此采用这种方法可以对硬化面形成较好的提取的效果，通过对影像中光谱信息中的水体指数和建筑指数对比分析[17]，从而能够更好的监测水工建筑等建设用地变化信息，对于房屋建筑的变化信息的识别效果也是比较理想的，但是由于光谱角度及阴影区的原因，会使得部分房屋建筑物信息不能够很好的表达出来，但是结合影像中的空间纹理特征的分析，可以对房屋信息的空间变化特征产生良好的表达效果，因而采用光谱信息与纹理信息相结合的方法能够对房屋建筑的细节纹理特征信息进行合理的表达，根据遥感监测项目的实际要求设置合理的合并参数值，可以有一个建设用地变化信息的提取效果。
6结束语
本文利用光谱特征和纹理分析相结合的方法，结合国产化BJ2影像数据光谱特征丰富及纹理特征清晰等特点，对2016年遥感监测中建设用地变化信息进行自动化监测并提取，结果表明采用这种方法能够在一定程度上消除建筑物阴影的影响，可以更好的对建设用地变化信息的细节特征进行检测并提取，与传统目视解译相比在保证基本精度的情况下作业效率大大提高，同时在充分利用了遥感影像波谱信息与空间信息的基础上，有利于对目视解译中由于建设用地变化信息复杂的分形特性[7]而产生的边界破碎问题的解决。
通过实验测试及实践应用结果分析表明，国产BJ2影像数据是进行土地利用动态监测的良好数据，是实现大范围、快速检测建设用地变化信息的有效技术手段，此外在遥感监测中自动检测建设用地变化信息时相关光谱特征阈值的选取会使得监测结果出现误判的可能，为了保证结果的稳定性及高精度，必要的人工辅助是不可少的。在对建设用地变化信息实现自动化检测的基础上进一步实现对所提取的建设用地变化信息按要求进行分类是需要继续研究的方向。