基于目标分割和景观格局特征的城市土地利用分类

李伟峰,王 轶

(1.中国科学院生态环境研究中心城市与区域生态国家重点实验室,北京 100085;2.中国国土资源航空物探遥感中心,北京 100083)

基于目标分割和景观格局特征的城市土地利用分类

李伟峰1,王 轶2

(1.中国科学院生态环境研究中心城市与区域生态国家重点实验室,北京 100085;2.中国国土资源航空物探遥感中心,北京 100083)

根据相同土地利用类型景观格局特征相似的原理,在传统遥感分类方法的基础上,结合景观生态学理论,建立了土地利用分类新方法;应用 SPOT遥感图像提取了北京市五环内的居民用地和非居民用地类型,总分类精度达到了 85.9%,Kappa系数为 71.1%。本研究结合学科交叉的优势,为遥感技术应用和土地利用信息提取提供了新思路。

土地覆盖 /利用;景观格局;景观指数;目标分割;遥感

0 引言

在城市区域,人类根据需求规划出不同的土地利用类型,如居住用地、商业用地及工业用地等[1]。每种土地利用类型可以包括不同的土地覆盖类型,如居民用地包含楼房、绿地、道路及水体等。目前,应用多源遥感数据能够有效地识别地表覆盖类型[2],而对于土地利用类型,如果单纯根据光谱特征是很难直接进行识别的。因此,至今为止,土地利用信息的提取主要还是依靠目视解译。如何发展高效、自动的土地利用信息提取方法是遥感技术及其应用的研究热点[3]。

景观生态学原理,即相同土地利用类型的景观格局具有相似性的原理,为土地利用分类提供了新的思路[4]。在景观生态学领域,已经发展了众多“景观指数”,这些指数能够准确、定量地描述不同景观要素的大小、形状、空间聚集及离散等空间分布特征,以及整个区域多种景观要素的相互配置特征[5-7]。通过这些指数分析,可以从不同时空尺度上描述景观格局特征。

本文的主要目的是结合不同土地利用类型的景观格局特征和地物光谱特征,应用高分辨率遥感图像提取城市区域的土地利用信息。

1 研究方法

研究区位于北京市五环内建成区,面积约为670 km2。本研究共选取 4景 SPOT图像,数据获取时间分别是 2004年 5月 23日、6月 2日、6月12日和 10月 4日。同时,采用了 6景 QuickBird图像(0.61 m)作为实际土地利用情况的参照数据,数据获取时间分别为 2004年 2月 11日、4月 1日和 7月 2日。

以 1∶1万地形图为基准,利用二次多项式和双线性内插法对上述影像进行了几何纠正,纠正误差在 1个像元内。

1.1 土地覆盖信息的提取

根据地物光谱特征提取了城市地区主要的土地覆盖信息,包括建设用地、绿地和水体。这里主要应用了归一化建筑物指数 (NDB I)和归一化植被指数(NDV I)提取建设用地和绿地信息[8-10]。

1.2 土地利用单元的划分

根据土地利用类型的定义可知,“像元”已经不能成为表征土地利用特征的基本单元。土地利用的基本单元应该是集合许多像元的“目标”单元,每个目标单元代表特定的功能属性。

本研究以北京市土地利用规划图 (1∶10万)、道路图 (1∶1万)为参照,采用 QuickB ird图像和“目标分割”方法确定了基本的土地利用单元。其中,目标分割方法是根据遥感图像每个像元的光谱特征,同时考虑到相邻像元的形状特征、纹理特征和相邻关系特征,将具有相似性质的像元集合起来构成内部相对同质的区域单元[11-15]。土地利用规划图和道路图作为划分基本土地利用单元的辅助参考。

北京五环内是各类建设用地高度密集的城市核心区,主要土地利用类型是居住用地,其次是行政、文教、商业用地,工业用地、耕地、林地及裸地等土地利用类型非常少。各类居住区聚集发展,结构、格局特征明显,而行政、文教及商业等非居住用地发展相对零散,其用地规模和格局没有显著的特征。因此,本研究在现阶段确定了两种土地利用类型,即居住用地和非居住用地。共确定了 2 033个土地利用单元。其中,由于许多商业、商务用地分布在不同居住区内部或边缘,很难独立划分,因此根据优势景观主导性原则,每个土地单元的功能类型由其优势景观类型决定。

1.3 景观特征指数的选取

以从 SPOT图像上提取的土地覆盖信息为基础,对居住用地和非居住用地类型分别选取了 60个土地利用样本单元。在斑块类型水平和景观整体水平上共选择了 40个景观指数,能够比较全面地表征土地利用格局特征[5-7]。对每个样本单元分别计算其景观指数,然后应用 T检验确定能够显著区分居住用地和非居住用地的景观特征指数。

1.4 土地利用信息的提取

首先,根据选定的景观指数,计算每个土地单元的景观格局特征,进而获得多个土地利用单元图层,其数量为参加运算的景观指数数量;然后,通过叠加这些图层获得综合的景观特征图;最后,应用Fisher线性判别方法进行分类。具体运算工作在MultiSpec软件模块下完成。

Fisher判别方法的基本思想是投影,将多维问题简化为一维问题。该方法首先通过选择一个适当的投影轴,把所有的训练样本都投影到这个轴上,得到不同投影值,并使每一类内的投影值所形成的类内离差尽可能小,而不同类间的投影值所形成的类间离差尽可能大;然后,通过线性组合不同的影响因子 (自变量),进而判别土地利用类型。线性算法的具体表达式为

式中,HK代表第 K类土地利用类型的判别值;Xi代表第 i个影响因子 (i=1,2,…,p),BKi代表第 i个影响因子对第 K类土地利用的决定系数。

2 结果和分析

2.1 土地覆盖信息提取结果

根据上述研究方法,应用 SPOT图像提取了北京五环内的土地覆盖信息 (图 1)。

图 1 利用 SPOT图像 (左,3、4、2波段组合)提取的城市土地覆盖 (右)Fig.1 Land cover map based on SPOT image

2.2 不同土地利用类型的景观格局特征

居住用地和非居住用地的景观格局指数检验结果表明,共 22个景观格局指数有显著性差异,分别是 8个建设用地斑块的景观特征、6个非建设用地斑块的景观特征以及 8个景观水平上的格局特征(表1)。

为了更加直观地评价居住用地和非居住用地景观格局特征的显著差异,分别绘制出表 1所列的 22个景观格局指数特征分布图 (图 2)。

图 2 居住用地和非居住用地内建设用地格局特征分布频率Fig.2 Frequency distribution of landscape characteristics on built-up cover of residential and non-residential area

首先,从建设斑块类型水平上看,居住用地内建设斑块的平均大小 (M PS)、平均形状指数 (M SI)、平均斑块分维数 (M PFD)、平均核心斑块面积 (MCA 1)和核心斑块所占景观面积指数 (MCA I)总体上高于对应的非居住用地;而斑块平均最近距离 (MNN)和双对数分维指数 (DLFD)总体上低于对应的非居住用地。这些结果表明,居住用地景观指数变异的范围总体上比对应的非居住用地高。

其次,从非建设斑块类型水平上看,居住用地内非建设用地的斑块大小标准偏差指数 (PSSD)、斑块平均邻近指数 (M PI)、总核心斑块面积指数 (TCA)、核心斑块平均面积指数 (MCA)、核心斑块面积比例指数 (CLAND)和核心斑块大小方差指数 (CASD)都低于对应的非居住用地。总体上和建设斑块类型水平上呈现的特征相反,居住用地景观指数变异的范围明显低于对应的非居住用地,说明居住用地内各类非建设用地比例少,格局也相对简单。

图 3 居住用地和非居住用地内非建设用地格局特征分布频率Fig.3 Frequency distribution of landscape characteristics on non-built-up cover of residential and non-residential area

最后,从景观水平上看,居住用地的平均邻近指数 (M PI)和核心斑块大小变异指数 (CACOV)的变化范围明显低于对应的非居住用地。非居住用地内平均邻近指数 (M PI)、香农多样性指数 (SD I)、香农均匀度指数 (SEI)、香农均度指数 (SHEI)、修正的Simp son多样性指数 (M SID I)、Simpson均匀度指数(SIEI)和修正 Simpson均匀度指数 (M SIEI)都明显高于对应的居住用地。

图 4 居住用地和非居住用地内景观水平格局特征分布频率Fig.4 Frequency distribution of landscape characteristics on landscape level of residential and non-residential area

2.3 土地利用信息提取结果

根据景观格局特征的分析结果,应用 Fisher线性判别方法对土地利用进行了分类。经检验,总分类精度达到 85.9%,Kappa系数为 71.1%(图 5)。其中,居住用地的分类精度达到 88.3%,非居住用地的分类精度达到 84.3%。

图 5 北京五环内土地利用分布Fig.5 Land use distribution with in the fifth ring of Beijing

3 结论

(1)应用景观生态学原理可以定量描述不同土地利用类型的景观格局特征,揭示其显著性差异。因此,在传统遥感分类技术上融入景观格局特征,可为城市土地利用信息提取提供新的理论方法和技术手段。

(2)采用该方法,在 SPOT图像上提取了居住用地和非居住用地类型,总分类精度达到 85.9%。

[1] 王如松.高效、和谐:城市生态调控原理与方法 [M].长沙:湖南大学出版社,1988.

[2] 冯永玖,韩 震.基于遥感的黄浦江沿岸土地利用时空演化特征分析[J].国土资源遥感,2010(2):91-96.

[3] De Jong SM,Burrough PA.A Fractal Approach to the Classification of Mediterranean Vegetation Types in Remotely Sensed Images[J].Photogrammetric Engineering and Remote Sensing,1995,61:1041-1053.

[4] Herold M,Couclelis H,Clarke K C.The Role of Spatial Metrics in Analysis and Modeling of Urban Land Use Change[J].Computers,Environment and Urban System s,2005,29:369-399.

[5] 傅伯杰.景观生态学原理及应用[M].北京:科学出版社,2001.

[6] 邬建国.景观生态学——格局、过程、尺度与等级 [M].北京:高等教育出版社,2000.

[7] 邬建国.景观生态学——概念与理论 [J].生态学杂志,2000,19(1):42-52.

[8] Zhang Y,Odeh IO A,Han C.B i-temporal Characterization of Land Surface Temperature in Relation to Impervious Surface Area,NDVI and NDB I,U sing a Sub-pixel Image Analysis[J].International Journal of Applied Earth Observation and Geoinformation,2009,11:256-264.

[9] 孙芹芹,吴志峰,谭建军.不同土地利用类型的城市热环境效应研究[J].国土资源遥感,2010(4):67-70.

[10]郑荣宝,庄剑顺,张金前.广州市土地利用与 NDV I变化的关联分析[J].国土资源遥感,2008(2):102-108.

[11]Kartikeyan B,Sarkar A,Majumder K L.A Segmentation Approach to Classification of Remote Sensing Imagery[J].International Journal of Remote Sensing,1998,19(9):1695-1709.

[12]Zhou W Q,Huang G L,Troy A,et al.Object-based Land Cover Classification of Shaded Areas in High Spatial Resolution Imagery of Urban Areas:a Comparision Study[J].Remote Sensing of Environment,2009,113:1769-1777.

[13]Zhou W Q,Troy A,Grove M.Object-based Land Cover Classification and Change Analysis in the Baltimore Metropolitan Area U-sing Multitemporal High Resolution Remote Sensing Data[J].Sensors,2008,8:1613-1636.

[14]Zhou W Q,Troy A.An Object-oriented Approach for Analyzing and Characterizing Urban Landscape at the Parcel Level[J].International Journal of Remote Sensing,2008,29(11):3119-3135.

[15]WalterV.Object-based Classification of Remote Sensing Data for Change Detection[J].ISPRS Journal of Photorammetry&Remote sensing,2004,58:225-238.

(责任编辑:刁淑娟)

The Application of Landscape Ecological Concepts and Object Segmentation to Land Use Classification

LI Wei-feng1,WANG Yi2
(1.Sta te Key Laboratory of Urban and Regional Ecology,Research Center for Eco-environmental Sciences,Chinese Academy of Sciences,Beijing 100085,China;2.China Aero Geo logical Survey&Remote Sensing Center for Land and Resources,Beijing 100083,China)

Land use in urban areas is crucial for urban land management decision-making,environment monitoring and urban planning.According to the landscape ecology concept that the landscape patterns within the same land use type are similar,this paper presents a new land use classification approach which integrates landscape characteristics and high-spatial resolution remote sensing data.Some key landscape metrics were selected to quantify the landscape patterns of different land uses. Then,the integration of SPOT image and landscape characteristics was applied to land use classification within the 5 th Ring Road of Beijing.The overall land use classification accuracy was85.9%with Kappa parameter being 71.1%.The results show that the specific landscape patterns of different land use types would significantly contribute to improving land use classification,and could potentially be applied to other urban areas.

Land cover/use;Landscape attern;Landscape metrics;Object segmentation;Remote sensing

李伟峰 (1977-),女,博士,助理研究员,研究方向为遥感、地理信息系统在生态学中的应用。

TP 79

A

1001-070X(2011)01-0118-05

2010-10-27;

2010-10-30

中国科学院知识创新工程重大交叉项目 (编号 KZCX1-YW-14-4-1)、国家 973计划发展项目 (编号:2008CB418104)和国家自然科学基金项目 (编号:41001348,40901265)共同资助。