遥感变化检测方法

1. 云南丽江地区土地利用变化的遥感检测与分析

李喆¹ 马润赓²

（1.北京大学遥感与地理信息系统研究所，北京，100871；2.中国地质大学地球科学与资源学院，北京，100083）

摘要：利用1999年2月和2001年4月2幅TM影像资料和其他辅助资料为资料源，对主成分分析处理后的遥感影像进行计算机自动识别，采用人机交互式解译方法获得各种土地利用类型分布信息，并使用地理信息系统的空间分析和数理统计功能分析丽江坝子地区土地利用变化的数量变化，土地利用动态度等特征，以及各类型之间的转化情况。结果表明：本区域耕地面积增加了0.27km²，城乡用地面积增加了0.19km²，水体面积减少了0.11km²，林地和草地基本保持不变；各类型的转化突出表现为水域向城乡用地，未利用土地向城乡用地和耕地转换。

关键词：土地利用变化；马尔柯夫矩阵；云南丽江地区；遥感和 GIS

区域土地利用/覆被变化（LUCC）是全球环境变化研究中的重要领域之一。土地利用变化数据可以提供研究区域土地利用状况的现实状况，保证国家及时、准确地掌握土地利用变化情况，为制定国民经济发展规划、计划和宏观决策提供科学依据^［1］。土地利用变化包括时间变化、空间变化和质量变化等三个方面，其中空间变化反映土地利用变化的空间类型、变化类型的空间分布以及区域差异，是土地管理和规划关注的焦点问题^［2］。这一问题的解决关键在于如何提取土地利用变化数据以及如何对获取的信息进行科学的分析处理。遥感技术以其快速、准确、周期短等优点在大中尺度的土地利用/覆盖变化的监测中具有明显的优势。本文利用遥感和 GIS 相结合的方法，通过数理统计分析，描述了丽江坝子地区1999～2001年间土地利用的数量变化和空间变化特征，为该区域土地管理决策、生态环境保护、资源合理开发等奠定了基础，对于区域土地可持续发展和利用具有重要意义。

1 研究区概况

丽江位于云南省西北部^［3］，金沙江中游，地理坐标为：99°23′E～101°31′E，25°59′N～27°56′N。四周分别与迪庆州、怒江州、大理州、楚雄州和四川省攀枝花市、凉山州毗邻，辖丽江纳西族自治县、宁蒗彝族自治县、永胜县和华坪县，国土总面积有931.02km²。由于地处青藏高原和云贵高原的结合部，属横断山区，地形复杂，山高谷深，长期自然环境相对封闭，形成具有典型特点的垂直自然带和立体气候，动植物区系极为复杂，珍稀野生动植物丰富。全区总人口109 万，包括汉、纳西、彝、傈僳、藏、白、普米等23个民族，其中少数民族人口占57%^［3］。

2 研究方法

2.1 研究资料

分别拍摄于1999年2月和2001年4月2幅 LANDSAT－TM 图像，地面分辨率为30m，在研究区域内没有云层覆盖，质量较好；另有1∶1 万地形图和1∶5 万土地利用图，用于辅助训练样区的选择和目视解译；还有其他统计资料（气象、水文、人口、土壤、社会经济）等。

2.2 主要工作流程

使用遥感图像信息进行变化检测的方法主要有三种：分类后比较法，多时相图像直接求交法和多时相图像分类法^［4］。多时相图像直接求交法要求两个时相比较接近，检测变化信息一般使用图像差值、比值或主成分分析，操作简单，但是得不到变化的具体地物类型。本文所使用遥感图像时间差异接近3个月，不宜使用直接求交法。多时相图像分类法在使用时要使用静态类型和动态类型，动态类型的训练样本一般不易确定。本文主要使用分类后比较法。

本研究的主要工作流程如图1 所示：首先使用 PCI 软件分别对2 幅 TM 图像进行图像预处理（如几何纠正等），并分别对以上两个时相的影像做主成分分析，然后充分结合各种知识（如地形图，植被图等）进行监督分类^［3］。监督分类时采用《中国土地利用现状调查技术规程》规定，将土地利用类型划分为：耕地，林地，草地，水域，城乡工矿居民地和未利用土地共6 类。采用人机交互式方法判读分类结果，并将解译结果以栅格形式转入地理信息系统软件 ARC GIS 中进行数据处理，对二期数据进行空间叠置分析，获得土地利用变化数据，以此为基础进行土地利用动态变化分析。

图1 项目主要工作流程图

2.3 几个关键技术的处理

2.3.1 遥感图像的几何配准

两个时相遥感图像的几何配准是动态变化研究的基础。为了便于利用地学信息进行辅助分析，可以将遥感图像配准到大地坐标系中。本文选择1∶1 万地形图为基准，在遥感图像上均匀选择12个地面控制点，使用二次多项式拟合，灰度采样方式为双三次卷积，进行几何配准和灰度重采样处理。结果总体均方误差为0.624，配准误差小于1个像元，满足土地利用动态监测的要求。

2.3.2 遥感图像的主成分分析

主成分分析（又称主分量变换）是一种尽可能不丢失信息用几个综合性指标汇集多个变量的测量值而进行描述的方法^［5］。在多光谱图像中，由于各波段的数据间存在相关的情况很多，通过主成分分析就可以把图像的大部分信息用少数波段表示出来，使得信息几乎不丢失但数据量可以减少。本文分别对于二期 LANDSAT－TM 图像的除热红外波段的6个波段采用主成分分析，把获得的第一到第三主成分进行彩色合成，得到处理后的结果图像。

2.3.3 结果数据的生成

根据各种辅助资料，在经过主成分分析处理后的二期遥感图像上选择6个土地利用类型的训练样本，采用最大释然法进行计算机自动识别。由于遥感影像上存在同物异谱、异物同谱以及混合像元等情况，计算机自动识别在某些类别的区分上不太理想，例如未利用土地和城镇用地极易发生混淆。实际工作还需要辅助各种实测资料进行目视修正，以得到两个时相的最终分类结果，然后将分类结果以栅格形式转入地理信息系统软件ARC GIS中，对二期数据进行空间叠置分析，获得土地利用变化数据，并进行必要的数理统计，以便结果分析使用。

3 结果分析

3.1 土地利用变化幅度分析

区域土地利用变化幅度主要体现在不同土地利用类型的面积总量变化上，可以提供区域土地利用变化总态势和土地利用结构变化信息。

利用二期遥感资料，对丽江坝子地区两期土地利用数据进行统计分析，得到结果见表1。

表1 1999～2001年土地利用变化表

表1说明，3年来本区域耕地面积增加了0.27km²，城乡用地面积增加了0.19km²，水体面积减少了0.11km²，林地和草地则基本保持不变。

3.2 土地利用动态度分析

土地利用动态度可以简单采用单一土地利用动态度和综合土地利用动态度来描述^［6］。其中单一土地利用动态度可定量描述区域一定时间范围内某种土地利用类型变化的速度，可提供土地利用变化的区域差异和预测未来土地利用变化趋势；综合土地利用动态度用于表征区域土地利用变化的速度。

单一土地利用动态度公式表达式为：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

式中，U_a，U_b分别表示研究初期及研究末期某一种土地利用类型的数量；T表示研究期时段长。

综合土地利用动态度表达式为：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

式中，LU_i 表示研究初期第 i 地物类研究末期转为其他土地利用的面积；ΔLU_i 表示第i地物类研究末期转为其他土地利用类型的面积；T表示研究时段。

根据公式（1）和（2）计算丽江坝子地区土地利用六种类型的年变化率。结果说明，1999～2001年丽江坝子地区土地利用的年变化率为0.17%，其中城乡用地和未利用地变化速度最大，年变化率分别达到0.36%和0.21%，林地和草地基本保持不变，耕地和水域的年变化率分别为0.15%和0.09%。

3.3 土地利用区域差异分析

由于地形地貌和气候等自然条件差异，经济发展和人口增长速度不同，使得土地利用区域差异显着。对于土地利用变化的区域差异，可用某一特定土地利用类型相对变化率来表示。相对变化率是一种很好地反映土地利用变化区域差异的方法，其表达式为：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

式中，K_b、K_a分别代表某区域某特定土地利用类型研究初期和研究末期的面积；C_b、C_a分别代表全区域某特定土地利用类型研究初期和研究末期的面积。

根据行政区划，将丽江划分成丽江县、宁蒗县、永胜县和华坪县4个区域，根据遥感数据分别计算6 种土地利用类型的相对变化率，其结果见表2。

表2 1999～2001年土地利用区域差异表

从表2中可以看出，土地利用变化存在明显差异：①就耕地而言，丽江县最大，达到1.53，明显大于永胜县，宁蒗县和华坪县也大于永胜县；②林地，草地，水域变化各区域差异不大；③城乡用地的区域差异最为明显，丽江县大于其他3县很多，达到5.36；④未利用地的变化在华坪县较突出，约为4.89，几乎是永胜县的3倍。

3.4 土地利用类型转换矩阵分析

土地利用类型之间的相互转化情况，可采用马尔柯夫转移矩阵模型来进一步描述^［7］。马尔柯夫链是一种具有“无后效性”的特殊随机过程，它反映的是一系列特定时间间隔下，一个亚稳定系统由n时刻向n＋1 时刻状态转换的一系列过程中，n＋1 时刻的状态只与n时刻的状态有关。由于土地利用类型演变具有马尔柯夫随机过程的性质：①一定区域内，不同土地利用类型之间具有相互可转化性；②土地利用类型之间的相互转化过程包含着较多尚难用函数关系准确描述的事件，故可采用马尔柯夫转移矩阵模型来描述土地利用类型动态转换。

马尔柯夫模型在土地利用类型转化上应用的关键是确定土地利用类型之间相互转化的转移概率矩阵P。若采用斑块相互之间面积的转移概率为矩阵元素，则转移矩阵模型为：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

式中，P_ij为土地利用类型i转化为土地利用类型j的转移概率。

遥感图像计算机自动识别中得到的土地利用变化转移概率矩阵如表3所示。

表3 1999～2001年土地利用变化转移概率矩阵单位：%

从表3可以看出：

（1）耕地的增加量主要是来自草地和未利用地，分别占1.51%和0.21%，减少量大部分转化为未利用地和草地，各占4.46%和2.10%。

（2）林地的增加量主要来自于草地和耕地，各有4.06%和1.06%，有1%的林地转换为草地。

（3）草地的增加量中有2.10%和 1.00%来自于耕地和林地，减少量中有 4.06%和1.51%分别转化为林地和耕地。

（4）水域有2.32%转化为城乡用地，有0.36%转化为未利用地，有0.18%转化为林地，表明水体的减少主要受人为因素影响。

（5）城乡用地的增加主要来自于耕地、未利用地和水域，分别占 0.74%、0.61%和0.39%。

（6）城乡用地、耕地、草地和林地各有 17.06%、4.46%、0.93%和 0.58%转化为未利用地，表明本区域土地利用状况不太好，大量的农田遭到占用却未合理开发。

4 结论

土地利用/土地覆被变化（LUCC）研究旨在深入了解土地利用状况及其变化的动态过程、主导原因及演化机理，以提高人们对土地利用变化的预测、管理、决策和调控能力，对于其数据的获取和分析处理十分重要。通过对本次研究获得数据的分析，可以得到如下结论：

（1）1999～2001年间云南丽江坝子地区的土地利用状况发生一定的变化。3年来耕地面积增加了0.27km²，城乡用地面积增加了0.19km²，水体面积减少了0.11km²，林地和草地基本保持不变；各类型的转化突出表现为水域向城乡用地、未利用土地向城乡用地和耕地转换。

（2）土地利用的年变化率为 0.17%。其中城乡用地增加速度最快，以平均每年0.36%的速度递增，未利用地则以0.21%的速度递减，林地和草地基本保持不变。

（3）土地利用类型相互间的转化突出表现为水域向城乡用地，未利用土地向城乡用地和耕地转换。3年来本区域共有0.068km² 即2.32%的水域面积转换为城乡用地，未利用土地中有0.14km² 和 0.07km² 转化为城乡用地和耕地，分别占未利用土地面积的17.06%和5.46%。

参考文献

［1］朱会议，李秀彬，何书金等.环渤海地区土地利用的时空变化分析［J］.地理学报，2001，56 （3）：253～260

［2］王思远，刘纪元，张增祥等.近10年中国土地利用格局及其演变［J］.地理学报，2002，57 （5）：523～530

［3］丽江地区地方志办公室.丽江年鉴（1997） ［M］.昆明：云南民族出版社，1997，293～294

［4］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）：537～544

［5］村井俊治等.遥感精解［M］.北京.测绘出版社，1993，12：194～196

［6］王秀兰，包玉海.土地利用动态变化研究方法探讨［J］.地理科学进展，1999，18 （1）：81～87

［7］李忠峰，王一谋，王建华等.基于RS与GIS的榆林地区土地利用变化分析.水土保持学报，2003，6：97～99

2. 土地利用动态遥感监测有哪些方法

李翔宇 樊彦国

（中国石油大学地球资源与信息学院，山东东营，257061）

摘要：本文从所拥有的遥感数据源的可能情况出发，分别介绍了各种情况下利用遥感进行土地利用变化动态监测的方法，分析了其优势和劣势。

关键词：遥感；土地利用变化；动态监测；方法

1 引言

我国是一个人多地少的国家，土地是我们赖以生存的资源。建立土地动态监测系统以快速准确地提供各类土地资源面积及其分布、土地资源动态变化状况及土地资源生态环境信息是十分必要的，这样可以保证我国在科学翔实的资料基础上对土地资源进行科学的规划及合理的利用，实现土地资源的可持续健康发展。可是传统的统计或实地调查方式，耗时耗力，劳民伤财，并且难以适应土地利用的快速变化，而遥感可以提供及时准确且覆盖面广的地面影像资料，并且周期短、信息量大，通过后期的分析、处理、比较，可以使人们迅速准确地掌握土地利用变化的详细信息，即实现土地利用的动态监测。现在，遥感技术已成为进行土地利用变化动态监测的重要手段。

基于遥感影像的土地利用变化监测方法大致可分为两类：光谱直接比较法和分类结果比较法。多数变化提取算法属于前一种，主要包括影像差值法、比值法、主成分分析法和变化矢量分析法等，这些算法直接通过两时相数据的光谱差异确定变化发生的区域，但不能得出变化图斑的类型；后一种方法通过对各自时相的数据进行土地利用分类，通过对两个分类结果的比较提取变化信息，但其精度受两时相数据分类精度的制约。实际操作中可以根据所持有数据源的不同而采用相应的方法。

2 基于单一传感器的土地利用变化监测方法

2.1 基于单一传感器多时相遥感影像

当遥感数据源为单一传感器但可以获得多时相遥感影像时，可以考虑以下几种方法。

2.1.1 单变量图像差值法^［1］

单变量图像差值法比较简单，是使用最广泛的一种探测方法。它是将两个时相的遥感图像按波段进行逐像元相减，从而生成一幅新的代表二时相间光谱变化的差值图像。辐射值的显着变化代表了土地覆盖变化，在差值图像中接近于零的像元就被看做是未变化的，而那些大于或小于零的像元表示其覆盖状况发生了某种变化，从而设定适当的阈值就可以把变化信息提取出来。

2.1.2 图像比值法^［1，2］

比值处理被认为是辨识变化区域相对较快的手段。它是对于两个时相多谱段数据中同名像元的光谱灰度值施以除法运算。显然，经过辐射配准后，在图像中未发生变化的像元其比值应近似为1，而对于变化像元而言，比值将明显高于或低于1。比值法可以部分地消除阴影影响，突出某些地物间的反差，具有一定的图像增强作用。

2.1.3 图像回归法^［1］

图像回归法是首先假定时相Ⅰ的像元值是另一时相Ⅱ像元值的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去时相Ⅰ的原始像元值，从而获得两时相的回归残差图像。

2.1.4 植被指数差值法^［2］

植被指数差值法是用近红外与红光波段间的比值（植被指数）代替原始波段作为输入数据进行差值运算来生成变化图像。由于植物普遍对红光强烈吸收和对近红外光强烈反射，因此红光和近红外波段之间的比值有利于提高光谱差异。

2.1.5 主成分分析法^［3］

（1）差异主成分法 两时相的影像经纠正、配准之后，先对影像作相差取绝对值处理，从而得到一个差值影像。差值影像作主成分变换之后的第一分量应该集中了该影像的主要信息，即原两时相影像的主要差异信息。这个分量可以被认为是变化信息而被提取出来，从而生成变化模板，作为指导下一步变化类型确认和边界确定的参考信息。

（2）多波段主成分变换 由遥感理论可得知，地物属性发生变化，必将导致其在影像某几个波段上的值发生变化，所以只要找出两时相影像中对应波段上值的差别并确定这些差别的范围，便可发现土地利用变化信息。在具体试验中将两时相的影像各波段进行组合，成一个两倍于原影像波段数的新影像，对该影像作主成分变换。由于变换结果前几个分量上集中了两个影像的主要信息，而后几个分量则反映出了两影像的差别信息，因此可以抽取后几个分量进行波段组合来产生出变化信息。一般说来，在上述多波段主成分变换之后，采用0、1、2分量进行波段组合能较好地反映出新旧时相影像的变化部分。

（3）主成分差异法 本方法和差异主成分方法所不同之处在于影像作主成分变换与差值处理的顺序不一样。要求先对两时相的影像作主成分变换，然后对变换结果作差值，取差值的绝对值为处理结果。在实际的试验中，两时相影像作主成分变换后相差的第一分量已经涵盖了几乎所有的变化信息。因此，可以认为这一分量属于影像的变化信息。

2.1.6 变化向量分析法^［1］

由于多时相遥感数据中任一像元矢量都可用多维测量空间中的一个点来表示（空间的维数等于原始波段数），通过对不同时相下的同名像元矢量进行相减所得到的变化矢量就可以用于描述该像元第一时相 t₁ 到第二时相 t₂ 期间在多维空间中所发生的位置变化。其中变化矢量的模代表了变化的强度，而方向则指示了发生变化的类型。设时相 t₁、t₂ 图像的像元灰度矢量分别为 G＝（g₁，g₂，…，g_k）^T 和H＝（h₁，h₂，…，h_k）^T，则变化矢量为：ΔG＝G －H。ΔG 包含了两幅图像中所有变化信息。变化强度由变化矢量的模||ΔG||决定，||ΔG||越大，表明图像的差异越大，变化发生的可能性越大。因此，提取变化和非变化像元，可根据变化强度||ΔG||的大小设定阈值来实现，即像元||ΔG||超过某一阈值时，即可判定为土地利用类型发生变化的像元；而变化的类型，可由ΔG的指向确定。

这种方法利用多频段信息，在提取变化位置的同时可以得到变化类型信息，是一种较理想的算法。当然，要用好变化向量分析法还取决于分析过程中变化/未变化阈值是否取值合理以及相关分类方法是否适当。

2.1.7 分类后比较法

分类后比较法是对两期遥感影像进行监督或非监督分类，然后比较在各图像系列同一位置上的分类结果，进而确定土地利用类型变化的位置和所属类型。该方法可直接获得变化类型信息，但如何选择合适的分类方法提高分类精度是准确获得变化信息类型的关键。

2.1.1至2.1.6均属于光谱直接比较法，此方法对变化比较敏感，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”。同时光谱直接比较法只注重变化像元的提取，而不能提供变化中土地类型的转化信息（如地类属性）。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类型信息。但这种方法的最终精度受到影像分类精度的限制，而且它对影像的全部范围都要进行分类计算而不管它们是否已经发生变化，这样无疑大大增加了变化信息检测的计算量。

在目前的土地利用遥感监测研究中，结合光谱直接比较法和分类后比较法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^［4］；Macleod和Congalton的研究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^［5］。这样可以集两者之所长，取得更好的监测效果。

2.2 基于单一传感器单时相遥感影像

无论是光谱直接比较法还是分类后比较法都是基于多个时相的遥感影像来进行土地利用变化监测。而当前期遥感影像无法或者难以获得的情况下，依靠后期的单时相遥感影像与前期的土地利用现状图也可以进行动态监测，这就是采用将土地利用现状图叠加在遥感图像上的方法来监测土地利用变化情况^［6］。具体说来，是利用土地利用现状图中不变的明显地物标志（如线状地物交叉点）作为控制点对遥感图像进行配准，然后将土地现状图叠加再校正后的遥感图像上，检查各图斑是否吻合，若图斑的角点有偏移，则发生变化。可通过遥感图像辨识当前的土地利用类型，而土地利用现状图含有先期的土地利用类型信息，所以可以比较容易地辨识土地利用类型的变更情况，并可测算出变化图斑的面积。若其中有不能确定的图斑，可以辅以外业调查，以提高监测精度。

3 基于多源遥感的土地利用变化信息监测方法

不同传感器都具有各自的优势，获得的图像各有所长，如美国陆地卫星（Landsat）TM图像光谱信息丰富；法国SPOT卫星图像具有全色通道而空间分辨率高；SAR图像不受光照条件的影响而且几乎不受大气和云层的干涉，可用于探测地物的复介电常数和表面的粗糙度等等。利用不同传感器的多源遥感影像进行融合，可以使其优势互补，在此基础上的土地利用变化动态监测已成为国际遥感界研究的主题之一。以TM影像和SPOT影像为例，目前应用多光谱TM和全色SPOT数据融合的方法主要有LAB变换、HIS变换、线性复合与乘积运算、比值运算、BROVEY 变换、高通滤波变换（HPH）和主成分分析（PCA）等方法^［7］，经上述算法融合后的图像可以有效地同时保留SPOT高分辨率图像的精细纹理和TM多光谱图像的丰富色彩信息，从而有利于提高图像的空间分辨率和光谱分辨率，为发生变化的地类图斑的提取提供良好的数据源基础。

3.1 光谱特征变异法^［8］

针对基于多源遥感的土地利用变化监测，变化信息的提取方法除了2.1所述方法之外还可以选择光谱特征变异法。

同一地物反映在SPOT影像上的信息是与其反映在TM影像上的光谱信息一一对应的。因此作TM和SPOT影像融合时，才能如实地显示出地物的正确光谱属性。但如果两者信息表现为不一致时，那么融合后影像的光谱就表现得与正常地物有所差别，此时就称地物发生了光谱特征变异（例如同一位置，前期在遥感影像上呈现为绿色的麦地，后期新修道路在影像上呈现较亮的灰度，那么叠加之后会呈现一条绿色的道路，与正常地物相异），这部分影像在整个的影像范围内是不正常和不协调的，这些地物可以通过影像判读的方法勾绘出来，这种变化信息提取的方法具有物理意义明显、简洁的特点。但是经过试验发现，发生光谱特征变异的地物在几何尺寸上要足够的大才能被人工目视发现。此外，该方法的效率还受到被监测区地物光谱特性的限制。

3.2 变化信息提取方法的选择

根据土地利用动态监测项目所获取的数据源，可将遥感数据组合分为下述几种类型，针对不同的类型要采取相应的方法以获取较好的效果。

3.2.1 具有两时相的 TM 和 SPOT 数据

这种情况是最好的。在该条件下，先对两时相的数据以某一纠正后的TM或SPOT影像（首先处理TM还是SPOT视数据的具体情况而定，原则是利于TM和SPOT数据的配准融合处理）为参考分别作纠正和配准处理，为保留并结合原始数据中纹理信息和光谱信息要融合相对应的TM和SPOT影像，在两时相融合影像的基础上采用主成分差异的方法来提取变化信息。另外还可以用新时相的 SPOT 影像与旧时相的 TM 影像进行融合生成光谱特征变异影像来指导发现变化的区域。

3.2.2 具有两时相的 TM 和一个时相的 SPOT 数据

在此数据源的基础上，首先仍对某一时相的TM或SPOT数据作纠正处理，然后将其他时相的TM和SPOT数据都统一以这个纠正后的TM （SPOT）为参考影像作影像到影像的纠正和配准。之后，选择光谱特征变异的方法来寻找大部分的变化信息，借助于两时相的TM影像确认变化；此外，利用主成分分析的办法对两时相的TM数据进行处理，得到变化信息模板，将模板叠置在判读影像上补充单一方法进行变化提取的遗漏。

3.2.3 具有两时相的 SPOT 和一个时相的 TM 数据

通常，前面的数据预处理纠正配准部分同3.2.2相同，然后对其中交错时相的TM和SPOT数据进行融合得到光谱特征变异影像，借助于两时相的SPOT数据发现影像中纹理信息的变化，从而辅助提取影像中的变化信息部分。除此之外，两时相的SPOT影像数据理论上说，可以直接作比较得到变化的部分，但是由于成像条件的不同，这样直接比较的方法会导致产生很多伪变化信息，干扰了真正变化部分的提取。因此，首先要对原始SPOT影像进行去噪及辐射校正等预处理，然后才能用来提取变化的信息。

3.2.4 具有单时相的 SPOT 影像和另一时相 TM 影像的数据

首先要对SPOT和TM数据进行纠正处理，然后利用纠正后的SPOT和另一时相TM影像融合得到光谱特征变异影像，并以此作为判读变化信息的主要参考数据。此外，单时相的SPOT数据可以作为新增波段加入到原始的 TM 数据中去进行主成分分析来提取变化的信息，辅助发现漏判的变化图斑。

利用遥感进行土地利用动态监测的方法非常多，这些方法各有自己的优势和劣势，实际工作中，要针对所拥有的数据源的情况，综合各方面要求来选择合适的方法，也可以综合几种方法取长补短以达到更好的监测效果。至于如何更有效地识别土地变化的类型以及如何提高分类的精度仍有很大的研究空间。

参考文献

［1］卢珏.土地利用动态监测变化信息提取算法评估［J］.湖北农学院学报，2002，22 （5）：394～396

［2］张银辉，赵庚星.试论土地利用遥感动态监测技术方法［J］.国土资源管理，2001，18 （3）：15～18

［3］杨贵军，武文波，陈步尚，夏春林.土地利用动态遥感监测中变化信息的提取方法［J］.东北测绘，2003，26 （1）：18～21

［4］Jensen J R，Cowen D J，Narumalani S，et al.An evaluation of coast watch change detection protocol in South Carolina ［J］.Photogram metric Engineering and Remote Sensing，1993，59 （6）：1039～1046

［5］Macleod R D，Congalton R G.A quantitative comparison of change-detection algorithms for monitoring eelgrass from remotely sensed data ［J］.Photogram metric Engineering and Remote Sensing，1998，64 （3）：207～216

［6］吴连喜，严泰来，张玮，薛天民，程昌秀.土地利用现状图与遥感图像叠加进行土地利用变更监测［J］.农业工程学报，2001，17 （6）：156～160

［7］张炳智，张继闲，张丽.土地利用动态遥感监测中变化信息提取方法的研究［J］.测绘科学，2000，25 （3）：46～50

3. 遥感图像的变化检测有哪些软件可以实现

用MATLAB比较方便VS也可以但是要用到opencv展示结果的时候可能还要MFC，检测算法很多，大概分为四类，阈值法，聚类法，图切法，还有水平集法，难度依次上升需要的数学功底也是越来越高,相对的检测效果也是越来越好

4. 遥感地学动态分析的内容和工作程序

(一)遥感地学动态分析的任务、要求

多时相遥感资料地学动态分析,从根本上讲,是利用具有时间系列(不同时相)的遥感信息研究地球表面物质与能量的迁移规律及发展趋势。不同类型的地学动态分析企求达到的目标和宜采用的遥感手段及时相可以是千差万别的,但基本的任务、要求却是相似的,至少都要包括以下三项内容:

1.快速检测出变化迹象信息。这是实现地学动态分析的前提。作为发展趋势和奋斗目标是实现地学动态的实时监测;

2.给出动态变化的量值,包括每个时段内的变化量。通过具体的数据和图件,提供定量化的概念;同时,还必须做到能方便地对原有数据实现更新;

3.查明变化轨迹,总结变化规律,包括建立相应的地学的或数学的模型,乃至“再现”演变模式,预测未来的发展趋势。

(二)遥感地学动态分析的工作程序

从上述三项基本任务可见,遥感地学动态分析不仅首先要解决多时相遥感资料的来源和应用问题,还必须有相应的地学资料配合。其中,像变化迹象信息的检测、数据更新等,尤需已有的地学信息数据库的支持。因此,多时相遥感资料地学动态分析常常是与地理信息系统(GIS)紧密配合进行的,故通常采用图10-1所示的基本工作程序。总体上可划归为:①多时相遥感图像的选择;②图像的配准复合;③动态变化信息的检测和提取三个主要的工作环节。其中,图像的配准复合是多时相遥感地学动态分析赖以进行的基础,也是关键性的工作环节,但它的方法原理在第四章和第十一章作介绍,故这里不再赘述。下面仅对①、③两个环节作简要分析。

图10-1 多时相遥感资料地学动态分析基本工作程序

(三)多时相遥感图像的选择

遥感发展到今天,每个地区都可能有许多不同遥感器在不同时间摄制的遥感图像。随着时间的推移,时相将越来越丰富。因此,任何一项遥感地学动态分析任务首先遇到的就是如何选择满足任务要求的合适时相的遥感图像。

一般来说,时相的选择应按照具体的动态对象和期望目标,综合考虑时间分辨率、空间分辨率和波谱分辨率三项指标。例如,对于大尺度、快速变化的对象(台风、大范围洪涝灾害等),可主要采用空间分辨率低,但时间分辨率高的气象卫星图像;对中小尺度、变化并不很快,但要求较精确量值的对象(如土地利用、水土流失、河口三角洲伸展、城市扩展等等),则多采用资源卫星系列的图像(如TM、SPOT),有时还需要较大比例尺的航空像片作补充;有些动态对象,尤其涉及水体、植被者,需从不同波段的图像上获得不同内容的动态(如水陆界线和泥沙扩散),此时波谱分辨率(波段)也是必须考虑的选择因素。

在上述三项指标中,时间分辨率无疑是首选指标。不同遥感器的时间分辨率可参见第三章中的有关部分。这里要指出的是,由于天气条件、成像系统的工作状态、地面站的接受与存储条件等各种因素的影响,常出现遥感器虽过境但并无遥感数据的传输和记录的情况,因此其时间分辨率只是表明最大可能的时相频率;另一方面,实际工作中,不同时相可取自不同遥感器的图像,各自有不同的时间分辨率,但常常也不是各自时间分辨率的叠加。总之,时间分辨率与时相频率并不是一回事,在时相选择时很大程度上取决于当时实际有的时相资料,而不单单是时间分辨率。

(四)动态变化信息的检测与提取

地学动态分析的中心工作就是发现和检测出动态变化的事实,分析它的演进过程和预测它的未来趋势。从遥感图像上检测出地学动态信息一般有两个途径:

一是利用动态变化的“遗迹”,即历史分析法。例如,利用废弃河床、牛轭湖、迂回扇、决口扇等古河道形迹,分析平原河流改道迁徙的动态过程;根据海蚀崖、海蚀穴、海蚀平台以及贝壳堤、滨海扇、滨海湖沼洼地、古海塘等古海岸遗迹,推断海岸变迁;其他,如古湖泊、古冰川、古滑坡、古洪积扇,以及洪水淹没痕迹等等。在遥感图像上根据色调、阴影、几何形态和纹理结构、地貌表现等标志去一一进行判读,通过不同时相影像的目视解译编图,便能获得系统的动态变化信息及演变过程。

二是采用图像处理的影像相减法,获得差值图像,检测出单因素(专题)的动态变化信息。最简单的做法是将两个时相的原图像(数据)直接相减,对零值、正值、负值分别进行编码,进而作变化信息的显示和提取。但由于遥感影像数据受环境因素(如成像时刻的气象条件、地面的水份湿度、植物生长状况等)的影响甚大,即使两个时相的季节相同,也会因此而呈现不同的亮度水准。故采用原图像直接相减会包含有相当程度的伪变化信息。解决的办法,一是先对两个时相的图像作分类处理,然后再相减,即类后相减。由于此时的检测误差是两个分类图像误差之和,所以要求分类图像本身有较高的分类精度;另一是分别对检测对象作专题提取图,然后相减。由于背景被简化归并,目标突出,故可明显改善检测精度。影像相减法比较适用于背景条件简单、短—中时间尺度、且要求有具体变化量值的动态对象,如洪水淹没损失、水土流失程度、土地利用现状、城市扩展、林火过火面积等等。

最后,作为完整的地学动态分析,特别是在已建有地学信息数据库和空间信息系统的情况下,除上述三个工作环节外,还应包含数据更新的工作程序。一般来说,一个完善的空间信息系统均设计有数据更新的功能,并建立有与遥感数据沟通的接口。多时相遥感资料地学动态分析为建立地学数据的时间序列和快速、及时地实现地学数据的更新提供了方便和十分有利的条件。

5. 遥感变化信息检测的主要方法

本节所研究的主要是基于像元级的遥感变化信息检测方法。当今国内外常用的遥感变化信息检测方法主要有分类后比较法、代数运算法、光谱特征变异法、主成分分析法等。

( 一) 光谱特征变异法

光谱特征变异法是使用最为广泛的一种遥感变化信息检测方法，其原理是将两时相遥感影像的相关波段进行融合、组合，如果地物类型发生了变化，该区域的光谱就会发生变异或突变，与周围地物失去协调性，使得能通过肉眼识别出来。该方法容易受到研究区域地物光谱特征的影响，可能会丢失细小的变化图斑，但是在一般情况下总体效果良好 ( 冯德俊，2004) 。

图 4 －8 HIS 融合法结果

把研究区震前 IKONOS 的全色波段影像和震后QuickBird 的多光谱影像运用光谱特征变异法中的 HIS进行了融合，结果见图 4 －8。从图中可以看出，没有发生变化的区域光谱特征和分辨率都得到了加强 ( 空间分辨率变为 1m) ，其中水体、河流为蓝色，山地为褐色，植被信息为绿色，白色区域明显与四周的地物和背景信息光谱不协调，这就是发生变化的区域。

( 二) 主成分分析法

主成分分析法在遥感变化信息检测中使用很多，一般能够取得很好的检测效果，它能够在一定程度上消除影像内部各波段间的相关性，提高变化信息检测的效率和精度。

图 4 － 9 为 IKONOS 融合后影像与 QuickBird 融合后影像求差并取绝对值后进行主成分变换的第一个主成分图像。由主成分变换的特性知道，变换结果的第一分量集中了影像绝大部分的变化信息，而其他分量则主要反映了波段之间的差异性。第一分量就代表着变化信息。图 4 －9 中白色区域为发生变化的区域。

基于主成分分析的遥感变化信息检测方法仍然存在着一些缺陷: ① 由于主成分变换所得到的各个分量往往失去了原有的物理意义，所以还需要参考其他数据来分析地物类型变化与否及其因果关系。② 主成分分析 ( PCA) 是基于二阶统计的方法，只有在信号的统计分布满足高斯分布的条件下，才能完全消除信号间的相关性，而对于非高斯信号则只能去除信号间的二阶相关性 ( 钟家强、王润生，2006) 。在多时相遥感影像中，各种地类的光谱特性几乎都不能满足高斯分布，因此经过主成分变换后的各成分图像间仍然存在高阶相关性，而这些相关信息会直接影响到变化信息的检测和提取。由于这个原因，在做主成分分析时，常常导致把这些高阶相关信息转变为噪声，如图 4 －9 所示，白色的 “斑点”遍布整个分量影像，又和变化信息掺杂在一起 ( 变化的区域也为高亮的白色) ，这使得在提取真正变化信息的时候遇到困难，如何有效地消除多时相图像间的高阶相关信息，避免这些 “伪变化”的噪声，对于变化信息的检测和提取具有非常重要的意义。

6. 基于MNF/ICA 多源遥感变化信息检测的方法

鉴于上述方法存在的问题，本研究采用了独立成分分析 ( Independent Component Analysis，ICA) 方法，它是近年 出 现 的 一 种 信 号 处 理 方 法 ( Hyvarinen et al. ，2001) ，不仅能够消除数据中的二阶相关性，而且能够消除数据间的高阶相关性。与 PCA 变换相比，ICA 变换能够把一系列混合的、随机的信号转换成相互独立的分量，使得能够区分出遥感影像中地物的细微特征变化，有利于多时相遥感变化信息的提取。ICA 变换已经广泛地应用于遥感图像数据变换与分析中，例如对高光谱、超光谱图像进行数据压缩与波段选择以及图像光谱分类等 ( Chang et al. ，2002; Jenssen et al. ，2003) 。ICA 变换可以看成是 PCA 变换的一个扩展，能够将数据信息变换到相互独立的方向，各分量之间不仅正交而且相互独立，其实质就是: 假设其各成分之间是统计独立的或者尽可能独立，用一些基函数来表示一系列随机变量 ( 张则飞，2006) 。其基本思想如下:

图 4 －9 差异主成分法结果

给定m个可观察变量x₁，x₂，…，x_m，假设它们是n个未知独立成分s₁，s₂，…，s_n的线性组合，该独立成分相互满足统计独立的假设且都具有零均值。用向量X=(x₁，x₂，…，x_m)^T表示可观察变量x_i，用S=(s₁，s₂，…，s_n)^T表示成分变量s_i，则S和X之间的关系可用如下公式表示:

退化废弃地遥感信息提取研究

这里A为混合矩阵或特征矩阵，A的各列代表特征，ICA变换就是通过观测数据X估计出未知独立源s_i或估计混合矩阵A。s_i表示在观测数据中第i个特征的幅度。如果独立成分s_i具有单位方差，即E{s_is_i}=1(i=1，2，…，n)，根据独立成分的符号，可以确定唯一的独立成分。

为了使经过ICA变换后的变化信息更加集中，并且达到更好的去噪效果，本研究还采用了最小噪声变换(MinimumNoiseFraction，MNF)方法。MNF变换是一种多元线性统计变换方法，其通过对一组多元随机变量构造线性变换，得到一组相互正交的结果变量，变换的目的是使结果变量的信噪比最大化(Greenetal.，1988)。最小噪声变换的基本思想是通过构造原始影像各通道变量的线性组合，将原始变量中包含的信号与噪声两部分尽可能地分离开来，使结果变量影像的噪声比率最小化，也就是信噪比最大化，从而获得质量更高的影像数据。具体包括以下两个步骤:①通过对噪声协方差矩阵的估计变换(对数据中的噪声进行去相关和归一化)，产生一个图像序列，使其中的噪声“白化”，即噪音方差为1，并且各序列之间互不相关;②对第一步得到的图像序列实施标准的主成分变换。MNF变换将数据空间分为两部分:一部分为较大特征值对应的数据分量;另外一部分数据分量对应噪声信息，其特征值都在整数1附近。

要进行MNF变换，首先必须计算出原始影像的协方差矩阵，以及其中所包含的噪声协方差矩阵。协方差矩阵的计算相对简单，而噪声协方差矩阵的计算比较复杂，是MNF变换中的关键。

记 为特征值对角矩阵，则MNF变换的广义特征方程就可以表示为矩阵形式:

退化废弃地遥感信息提取研究

本研究提出了基于MNF/ICA的多源遥感变化信息检测的方法，其步骤如图4－10所示。

图4－10 基于MNF/ICA的多源遥感变化信息检测法流程

在 ENVI 软件下，把震前 IKONOS 影像与震后 QuickBird 影像分别做独立成分变换，将得到的各分量影像相减求差，然后对差值分量做最小噪声变换，这样能够更好地去除噪声信息，并且使变化信息更加集中，有利于其被发现和提取。对 MNF 变换后的前三个分量做假彩色合成显示变化信息 ( 图 4 －11) 。

从图 4 －11 中可以看出，蓝色区域为发生变化的区域，与之前主成分变换法的结果( 图 4 － 9) 相比，检测的效果与外观效果大大改善，之前的噪声被完全剔除，变化信息明显并且集中。通过对 MNF 变换后前三个分量进行假彩色合成，变化的区域显示出和环境背景不同的颜色，并且色彩分明、纹理清晰、边缘清楚，十分便于观察和发现。把变化信息图存为一般的图片格式 ( BMP，JPEG，TIF) ，可以直接在 Photoshop 下用魔棒工具选取出蓝色区域 ( 变化区域) ; 或者导入 ArcGIS 当中，直接勾画出其中的蓝色图斑并存为矢量多边形，即完成了变化信息的提取。结果显示，基于 MNF/ICA 的多源遥感变化信息检测法能很好地抑制主成分分析法中产生的噪声，实现变化信息与噪声的有效分离，使不同时相的变化信息更加集中、突出，这样构造的差值影像更有利于变化信息的分析、解译和提取，从而提高了变化检测的效率和精度。实践证明，基于 MNF/ICA 多源遥感变化信息检测法是一种稳定、高效、可靠的快速遥感变化信息检测方法。