基于遙感影像的林地變化檢測方法

李 恒，臧 卓，唐 憲

(1.中南林業科技大學，長沙 410004；2.三亞市林業科學研究院，海南 三亞 572023)

引言

森林作為一種重要的生物資源，在改善環境、調節氣候、維持生物多樣性和促進經濟可持續發展等方面有著不可替代的作用[1]。為了及時掌握森林資源的增減動態，自2017年開始，我國每年都要開展森林督查，暨森林資源管理“一張圖”年度更新(原林地變更調查)工作，不斷完善森林資源“一張圖”數據庫的建設。當前森林資源“一張圖”更新工作的一般流程為首先判讀區劃變化圖斑，再結合森林經營檔案和外業實地調查核實圖斑變化原因，最后更新森林資源數據庫。目前生成變化圖斑的主要方式是以高分辨率影像為底圖，通過人工目視解譯的方法來區劃變化圖斑[2]，在此過程中不僅需要耗費大量的人力物力，同時也對判讀人員有著較高的專業和經驗要求。因此，如何利用計算機圖像處理技術和計算機視覺技術實現變化圖斑的自動提取，以減少人力物力的投入，提高工作效率是當前需要解決的問題之一。

遙感圖像變化檢測是綜合使用圖像處理技術和計算機視覺技術，對比同一區域不同時期的影像，判斷發生變化的區域及其空間分布的一門技術。最早將變化檢測算法應用于光學遙感影像的研究可以追溯到上世紀70年代[3]，威斯米勒等[4]以德克薩斯州海岸的馬塔哥爾達灣河口為研究區，分別用影像分類提取法、影像差值法、光譜—時間分析法、分層光譜—時間分析法四種方法對多期Landsat衛星數據進行處理來提取河口的變化區域。經過40多年的發展，國內外學者針對不同的類型提出了許多變化檢測算法，大多數學者[5-6]將這些算法分為代數運算法、圖像變換法、模型法、視覺分析法、影像分類提取法、GIS集成法和其他方法等7類。近年來，這些方法在森林資源遙感動態監測研究方面得到了廣泛的應用。

代數運算法是指兩期影像經過配準后，對前后期同一位置的像元值進行代數運算，然后得到差異圖像，最后選取合適的閾值來提取變化區域。馮林艷等[7]利用歸一化植被指數(NDVI)差值法進行林地變化檢測，該方法在快速提取林地變化信息的同時具有較高的精度，但是無法有效地克服噪聲和不同傳感器之間輻射差異的影響。

對于多光譜圖像來說，各波段之間在一定程度上存在相關性，造成圖像信息冗余。因此，在變化檢測過程中可以對多光譜圖像進行線性變換，消除波段間的相關性，使圖像信息集中到較少的分量。經過變化后的圖形更有利于變化信息的提取[8]。常見的變換方法有主成分變換[9](PCA變換)和纓帽變換[10](K-T變換)。莫德林等[11]對比分析了基于主成分變換的主成分差異法、差異主成分法和多波段主成分分析法等在影像上的應用效果，最后得出主成分差異法能夠全面的顯示變化信息、差異主成分法提取變化信息細節的效果較好和多波段主成分分析能夠檢測出更符合實際的輪廓形狀等結論。范應龍等[12]對遙感影像進行纓帽變換后得到研究區的亮度、綠度和濕度指數，然后根據植被覆蓋變化與三種指數之間的關系，利用決策樹分類來提取變化信息。雖然圖像變換后能夠消除波段間的相關性，實現數據降維和壓縮，但是通常來說，圖像變換的計算量大、過程復雜，并且變換后會丟失一部分影像的原始信息。

視覺分析法是指通過對影像進行假彩色合成，突出顯示變化區域并結合目視解譯的方法來勾畫變化區域。該方法是目前森林資源年度更新中常用的方法[2]，對判讀人員的專業知識和經驗要求較高，且工作量較大。同時，假彩色合成法應用于資源衛星影像會有較大的色差，不利于目視解譯[13]。

GIS集成法使用已知的地理信息數據輔助遙感影像來提取特征，通過特征對比來提取林地變化信息。趙珍珍等[14]提出了一種矢量數據與遙感影像相結合的變化檢測算法，該算法利用歷史矢量數據對遙感影像進行分割，獲取前后期遙感影像的像斑，并根據矢量數據的屬性信息對遙感影像進行分類，最后通過兩期像斑分類結果的疊加分析提取變化信息。這種方法充分利用了GIS數據中豐富的歷史知識，使得遙感影像分析變為基于對象的一種模式，有助于提高變化檢測精度。但是在該方法中，變化檢測結果的準確性依賴于地理信息數據的類型和準確性，且地理信息數據獲取較為困難。

模型法是通過建立影像特征與實際林地變化之間的關系模型，定量地表達林地變化信息的方法。如龔鑫燁等[15]應用統計分布分析法和基于Zone模型的方法提取林地變化信息，試驗結果表明基于Zone模型的方法的檢測精度要高于統計分布分析法。使用生物模型進行林地變化信息提取的方法雖然能夠簡化流程并且有效地克服噪聲和光照的影響，但是一個精度高且適用范圍廣的模型需要用大量的樣本數據來訓練調整。因此，相對于其他幾種方法，模型法的魯棒性較低。

影像分類提取法是對多期影像進行分類，通過比較分類結果來提取林地變化信息。如龐博等[16]利決策樹分類法對兩期TM影像進行分類，通過分類結果對比提取了1999年至2010年間伊春市林地面積的變化趨勢；任沖等[17]以天水市為研究區，分別利用隨機森林分類法和參數優化支持向量機分類法對多期Landsat影像進行了分類，然后逐期對比分類結果提取了1990年至2015年間森林資源的變化情況。影像分類提取法能夠避免不同傳感器和物候的影響，同時能夠獲得變化的方向信息。變化檢測的精度主要取決于分類體系是否合理以及分類結果的精度。

在上述方法中，最常用的變化檢測算法主要是圖像代數運算法和影像分類提取法。因此，本文以廣西省梧州市蒼梧縣木雙鎮為研究區，分別采用植被指數差值法、波段替換差值法、非監督分類提取法、監督分類提取法進行林地變化檢測，其中非監督分類采用ISODATA分類法、監督分類采用最大似然分類法和支持向量機分類法。最后，對每種方法的結果進行了對比分析。

1 研究區和數據來源

1.1 研究區概況

木雙鎮位于廣西省中東部，屬梧州市蒼梧縣管轄，具體位置為23°41′14″N，111°34′14″ E，行政區總面積14 975 hm2，其中林地面積12 896 hm2，占比為86.1%；森林面積12 156 hm2。全鎮森林覆蓋率為81.2%，總蓄積量為737 632 m3。

1.2 數據源

選用木雙鎮2018年和2019年兩個時期的高分二號衛星影像為基礎數據。高分二號衛星發射于2014年08月19日，軌高度為631 km，軌道傾角為97.908 0°，其搭載了空間分辨率1 m的全色相機和空間分辨率4 m的多光譜相機，幅寬為45 km，重訪周期為5 d。高分二號衛星在星下點空間分辨率可達到0.8 m，是我國首顆實現了亞米級分辨率的遙感衛星，它的成功發射標志著我國開始進入亞米級“高分時代”。

2 方法與步驟

2.1 影像預處理

影像的預處理主要包括輻射校正、幾何校正和波段組合等過程。對于多時相遙感影像變化檢測來說，前后兩期影像的輻射差異和位置配準對檢測結果的影響較大。

1)幾何校正：本試驗以前期(2018年)影像為參考，對后期(2019年)影像進行校準。經校準后，將兩幅影像的精度控制在0.5個像素以內[18]。

2)輻射校正：由于天氣、傳感器角度等因素的影響，前后期遙感影像存在一定的輻射差異。本試驗采用直方圖匹配法，以前期影像為參考，對后期影像的灰度分布進行變換，使兩幅影像的灰度分布相近，縮小影像間的輻射差異。

3)波段組合：許多學者研究發現，可見光—近紅外波段在林業遙感研究中具有重要意義[19]，因此，本文選擇的波段組合為近紅外—紅—綠波段。圖1為經過幾何校正和輻射校正后的雙時相遙感影像，在重新組合的遙感圖像中，紅色區域為植被覆蓋區域，綠色區域為無植被覆蓋區域，深藍色區域為水域。

圖1 研究區前后期遙感影像

2.2 研究方法

2.2.1 植被指數法

植被指數是植被多光譜遙感數據中的多個波段之間經過一定的數學運算得到的數值。該數值能夠定性和定量地表示植被覆蓋度、生長狀況和生物量的多少。植被指數是監測地面植物狀態行之有效的方法之一。在眾多的植被指數中最常用，應用范圍最廣的是歸一化植被指數[20](NDVI)，它不但對地面植被敏感度高，而且能夠消除大氣和土壤的影響。

NDVI=(NIR-R)/(NIR+R)

(1)

式中，NIR紅外波段，R是紅光波段。

試驗首先計算分別得到兩期影像的NDVI圖，然后用前期NDVI減去后期NDVI得到差值影像，最后根據經驗閾值法確定一個合適的閾值來區分變化區域和未變化區域。

2.2.2 波段替換法

在遙感動態監測方法中，圖像差值法是最快捷簡單的方法，但是由于天氣、傳感器角度等因素的影響，使得圖像中未發生變化的區域被誤檢出來。在本實驗中，為了消除未變化區域的影響，用前一時相的R波段和B波段以及后一時相的G波段重新組合作為新的后期影像。然后用加權平均法將前期影像和新合成的后期影像轉為灰度圖像。

IM=0.298 9×R+0.578×G+0.114×B

(2)

式中，IM是計算所得的灰度圖像；R，G，B是影像三個通道的DN值。

對兩期灰度圖像進行減法運算得到差值影像，最后選擇合適的閾值提取變化區域。

2.2.3 監督分類與非監督分類提取算法

利用監督分類和非監督分類的算法，對兩個時相的遙感影像進行分類，提取兩期遙感影像的林地范圍，最后將兩期提取結果作差值運算，提取林地變化范圍。該方法不僅能夠提取變化區域，還能夠提供變化矩陣信息。這種方法的檢測精度主要受分類精度的影響。本試驗分別使用ISODATA分類法、最大似然分類法和支持向量機分類法對遙感影像進行分類并評價了每種方法的精度。其中，ISODATA分類法屬于非監督分類，最大似然分類法和支持向量機分類法屬于監督分類。得到每種分類方法的結果后，通過前后期分類結果比較來提取變化區域。

2.2.4 精度評價

通過構建變化檢測結果與地表真實變化數據之間的誤差矩陣[21]，計算總體精度、漏檢率和錯檢率等評價指標，用以評價變化檢測結果的精度。其中，地表真實變化數據由人工結合歷史高分辨率影像目視判讀區劃生成。

3 結果與分析

3.1 變化檢測結果

本試驗的目的主要是檢測林地上發生變化的區域，因此所有的檢測結果都用研究區的林地范圍進行掩膜處理。

3.1.1 植被指數法

兩期NDVI影像(圖2)相減得到植被指數差值影像后，根據經驗閾值法選取的閾值逐像元判斷，大于閾值的像元認定為變化區域，其值賦值為1，其余未變化像元賦值為0，最后得到二值化的檢測結果(圖3)。圖中白色區域為林地發生變化的區域。

圖2 植被指數圖

圖3 植被指數法變化檢測圖

經過植被指數法的檢測，木雙鎮在2018—2019年間共有1 483 hm2的林地發生了變化，主要分布于研究區的西部和東北部。

3.1.2 波段替換法

用前期影像的R波段、B波段分量替換后期影像對應分量后的效果如圖4所示。經過替換后，后期影像中未變化區域的灰度值與前期影像更為接近，同時變化區域的灰度值依然明顯區別于前期影像，使得變化區域與未變化區域更容易區分開。

(a)2018年遙感影像

前期影像與經過替換的后期影像進行減法運算，然后使用經驗閾值法確定一個合適的閾值來逐像元判斷差值影像，大于設定閾值即為變化區域，將其賦值為1，其余像元賦值為0，最后的變化檢測結果如圖5所示，白色為林地發生變化的區域。

圖5 波段替換法變化檢測圖

經過植被指數法的檢測，木雙鎮在2018—2019年間共有513 hm2林地發生了變化，主要分布于研究區的西南部和東北部。

3.1.3 監督分類與非監督分類的提取結果

本試驗的目的主要是提取林地上發生變化的區域，因此選擇將研究區的地物分為植被，非植被和水體三種類型。對于ISODATA分類法，得到初步分類結果后根據影像確定每個類別的歸屬。對于監督分類，首先在研究區范圍內均勻地區劃訓練樣本，本試驗中森林樣本區劃37塊、非森林樣本36塊、水體樣本28塊，且所有樣本在前后期的影像中均為同一種地類。最終各方法的分類結果如圖6所示。

(a)ISODATA分類

在基于影像分類提取變化信息的算法中，遙感影像分類結果的精度直接影像變化檢測結果的準確程度，因此在本次試驗中采用混淆矩陣對上述遙感影像分類結果進行精度評價。用于評價分類精度的驗證樣本數據由人工結合歷史高分辨率影像目視判讀區劃，其中，森林36塊、非森林45塊、水體28塊，共計109塊，并且各地類在前后期均為一致。具體評價結果如表1所示。

表1 分類結果精度評價%年度ISODATA分類法最大似然分類法支持向量機分類法201878.1699.1399.54201984.5099.6199.74

結果表明，監督分類的總體精度要優于非監督分類，支持向量機分類法總體精度稍高于最大似然分類法。此外，在本次分類由于只區分植被、非植被和水體三種類型，且三種類型之間差異很明顯，因此三種分類方法的精度都比較高。

同樣地，得到兩期分類圖之后進行代數計算，如果前后兩期分類結果相同，那么相減之后結果為0，因此差值影像中像元值不為0的區域即為變化區域。三種分類方法得到的變化檢測結果如圖7所示，綠色區域代表林地正向變化，紅色區域代表林地負向變化。

(a)ISODATA分類法結果

3.2 精度評價

為了評價每種變化檢測方法的精度，在研究區林地范圍內通過目視解譯的方法人工區劃變化區域，并將其作為研究區內林地實際發生變化的區域，如圖7所示，圖中白色為林地發生變化的區域，黑色為林地未變化區域。

然后通過構建混淆矩陣的方法來評價每種方法的精度，主要的評價指標有總體精度、漏檢率、錯檢率和Kappa系數?？傮w精度是指檢測結果與實際數據相符的樣本占總體的比例；漏檢率是指實際發生變化而檢測結果為非變化的樣本數占實際變化總樣本數的比例；錯檢率是指實際未發生變化而檢測結果為變化的樣本數占檢測結果為變化總樣本數的比例。每種檢測方法的混淆矩陣如表2所示，評價結果見表3。

表2 變化檢測混淆矩陣變化檢測結果實際變化像元實際未變化像元合計NDVI差值法變化像元1 434 3762 273 7743 708 150NDVI差值法未變化像元1 041 06930 482 13031 523 199波段替換法變化像元984 606298 0101 282 616波段替換法未變化像元1 490 83932 457 89433 948 733ISODATA分類法變化像元1 764 43512 917 44114 681 876

表3 變化檢測精度統計分類法總體精度/%漏檢率/%錯檢率/%Kappa系數NDVI差值法90.5942.0661.320.41波段替換法94.9260.2323.230.50ISODATA分類法61.3228.7287.980.10最大似然分類法92.4920.3452.080.56支持向量機分類法93.4120.7047.960.60

由表3可知，ISODATA分類法的精度最低，為0.1；其余四種方法的Kappa系數均為0.4以上，支持向量機分類法的最高，為0.6。在漏檢率檢查中，波段替換法的誤差最高，其次為NDVI差值法，其原因可能是根據閾值提取變化區域，由于前后期差異較小，導致部分區域被漏檢；ISODATA分類法的錯檢率最高，原因是ISODATA分類法的精度低，且錯分類現象嚴重。綜合來看，支持向量機分類法的提取結果最優。

4 結論與討論

4.1 結論

以梧州市木雙鎮2018年和2019年兩期高分二號影像為基礎數據，利用植被指數差值法、波段替換法、ISODATA分類法、最大似然分類法、持向量機分類法來提取林地變化信息，并對每種方法進行了精度評價。經過綜合對比分析每種方法的總體精度、漏檢率和錯檢率等評價指標，得出以下結論：

1)基于監督分類的變化檢測算法提取林地變化結果的精度比植被指數差值法，波段替換法和基于非監督分類的變化檢測算法要高。

2)對于基于影像分類的變化檢測算法來說，分類結果精度對變化檢測結果影響很大，分類精度越高，變化檢測的精度越高。

4.2 討論

本試驗中變化檢測方法都是基于像素來進行的，因此在變化檢測結果中有很多噪聲，降低了檢測精度。在實際的地理環境中，每種地理實體在空間上都具有相關性，因此，可以將地理實體認為是一個對象。下一步可通過分別對兩期影像進行面向對象分類，以對象而非像元為單位來進行變化檢測的方法來改善此類情況[22-23]。同時，近年來越來越多的學者致力于研究深度學習理論在遙感影像變化檢測中的應用[24-27]，并且取得了較高的精度，所以未來基于學習型算法的林地變化檢測方法，也值得進一步去探索研究的。