应用遥感影像的土地利用变化特征分析——以高平市为例

王 斐 （高平经济技术开发区管理委员会，山西 高平 048400）

土地是人类进行生产生活的重要组成部分，通过分析土地利用的变化，能够反映土地利用的广度、深度，可以展现出人类改变土地的利用和管理方式，可以掌握人类的经济活动。土地利用的变化也影响着区域气候和全球气候。

1 研究区域概况

高平市位于晋城市，在山西省东南部，太行西南边缘，四面环山，中部平坦，总面积946km2，总人口48.49万。高平市是温带季风气候，冬寒夏暑，四季分明。高平还是中华民族人文始祖炎帝的故里，历史上著名长平之战的发生地。高平矿产资源较丰富，主要有煤、硫铁矿、铁矿、铝土矿等，还是“煤铁之乡”、“黄梨之乡”、生猪之乡“。

高平是中部百强县市、山西省园林城市、山西省卫生城市、山西省文明和谐城市、山西省文化强县市。

2 研究方法

以 4期（2003、2011、2015、2018年）遥感影像和实地调查为基础，首先对影像辐射定标、大气校正、波段融合，然后利用Envi软件对4个时期的遥感影像进行分类，得到地类分类图，最后对结果进行精度验证。技术路线见图1。

2.1 影像获取和实地调查

Landsat是美国NASA的陆地卫星，于2013年发射。陆地卫星的轨道设计是与太阳同步的圆形轨道。ETM传感器共8个波段，其中1-5、7波段分辨率为30m，6波段分辨率为60m，8波段为15m。OLI传感器1-7、9波段分辨率为30m，8波段分辨率为15m。TIRS传感器的分辨率为100m。

研究利用Landsat卫星数据，选择云量少的遥感数据。通过地理空间数据云下载了2003年、2011年、2015年、2018年四个时期遥感影像。对实地地类进行了现场调查，便于解译对地类的判别。

2.2 影像预处理

以Landsat卫星影像为数据源，利用envi对影像进行辐射定标和大气校正，然后用高平市矢量边界对影像图进行切割，得到研究区的影像。见图2.

图1

图2

2.3 影像解译

此次将地类分为建设用地、城市绿地、林地、耕地、水体五类。建设用地影像颜色主要为灰、灰白和白色，纹理比较粗糙。城市绿地地块比较规则，颜色主要呈绿色和浅绿色。林地呈红、鲜红、粉红色，纹理比较杂乱。耕地的地块比较整齐，颜色为红、暗红、黑红和单蓝色。水体影像颜色呈现深蓝色、蓝色或淡蓝色，质地比较细腻、纹理清晰、颜色均匀。解译结果如下图。

2.3.1 建设用地

建设用地指土地上的构筑物和建筑物，主要包括城乡的住宅、公共设施用地、工矿用地、交通水利等用地。

此次影像图有Landsat7和Landsat8两种影像。对于Landsat7影像，利用321波段合成真彩色。对于Landsat8影像，利用432波段合成自然真彩色。为使影像更接近真彩色，在ENVI中进行Gram-Schimdt算法的图像融合方法[1]。

建设用地的解译利用NDBI（归一化建筑指数）=fix（（float（TM5）-TM4）/（TM5+TM4）×10000）。

2.3.2 城市绿地

城市绿地主要包括两种用地，一种是城市建设用地范围内用于绿化的土地，另一种是城市建设用地之外对城生态、景观和居民休闲生活具有积极作用、绿化环境较好的区域，包括公园绿地、居住区绿地、生产绿地、防护绿地。

城市绿地的提取利用归一化植被指数监督分类。归一化植被指数NDVI=（IR-R）/（IR+R），IR是近红外波段，R为红外波段[2]。

2.3.3 林地

林地包括郁闭度0.2以上的乔木林、灌木林、火烧迹地和苗圃。

由于所选影像图都在9月份左右，在分类前首先对影像进行光谱增强处理，对影像的波段进行主成分变换（PCA），然后对 PCA3、PCA2、PCA1进行 RGB 合成，分类时采用监督分类[3]。

黄土高原的林场主要包括油松类、落叶松和柏属、硬阔类、软阔类、荒地、农田、灌林地、采伐迹地、疏林地。油松类颜色呈深红色，落叶松和柏属颜色是深红色，硬阔类颜色从红色到浅红色，软阔类主要是浅红色，荒地呈白色区域，农田和荒地相间分布，颜色略带品红色，灌木林植被稀疏，色调呈淡红色，间有白色、黄色、浅褐色的斑块，采伐地是蓝色，片状分布，疏林地与灌木林相似。

2.3.4 耕地

耕地是指种植农作物的土地，包括水田、旱地、水浇地、无水浇地。

在耕地的提取中利用了波段合成、反差增强、图像融合等方法，利用监督分类法提取。波段合成中利用适用于农业的652波段。反差增强时对遥感影像进行了2%的线性拉伸，更易于识别耕地。图像融合时将空间分辨率30m的影像重采样成15m的影像，然后与全色波段进行融合[4]。

2.3.5 水体

水体包括江、河、湖、海、溪流等。

水体的提取中使用模型（KT3+TM2＞TM4+TM3），其中KT3是缨帽变换。此方法可以快速提取水体信息[5]。

2.4 精度评价

分类精度的大小影响着结果的可信度，Kappa系数超过0.5，可信度就高。各期的精度和Kappa系数都能满足实验的需求，具体精度如下文。

2018年整体分类精度96.2897%，Kappa系数为0.9467。其中建设用地精度94.35%，城市绿地精度77.39%，林地精度98%，耕地精度97.10%，水体精度70.59%。

2015年整体分类精度91.3305%，Kappa系数为0.8817。其中建设用地精度83.07%，城市绿地75.82%，林地精度95.72%，耕地精度90.97%，水体精度70.54%。

2011年整体分类精度97.4447%，Kappa系数为0.9626。其中建设用地精度94.29%，城市绿地精度97.37%，林地精度99.63%，耕地精度99.60%，水体精度100%。

2003年整体分类精度73.6702%，Kappa系数为0.5888。其中建设用地精度65.60%，城市绿地精度0，林地精度80.94%，耕地精度100%，水体精度100%。

3 结果与讨论

从精度评价角度看，分类基本能满足对土地利用特征评价的需要。各年的分类结果如下表。

建设用地 城市绿地 林地 耕地 水体2018 27.71% 9.20% 17.47% 11.11% 2.30%2015 5.4% 1.3% 21.53% 39.31% 0.02%2011 22% 6.3% 31.23% 7.58% 0.25%2003 26.61% 1.05% 39.16% 0.77% 0.04%

从组成部分来看，建设用地与裸地没有很好的区分，2015年与其它年份相比有较大出入，但可以看出建设用地的比例增速不大，用地规模都保持在20%左右，从2003年的26%到2018年的27%。从空间布局看，建设用地基本都是沿着道路用地的走向而布局，随着年份的增加，建设用地的破碎化也在增大。

城市绿地也是随着年份的增加而不断增加，从2003年的1.05%到2018年的9.20%。从空间布局看破碎化也在增大，明显可以看到廊道的出现。

林地组分随着年份的增长不断减小，从2003年的39.16%到2018年的17.47%。从空间布局上可以看到，随着其它用地的变化，林地逐渐缩小。

耕地组分随着年份的增加在逐渐增加，从2003年的0.77%到2018年的11.11%，从空间布局上看，破碎化也在加大。水体在近三年出现了增加的趋势，从2003年的0.04%到2018年的2.30%。

在具体分类中，2015年出现了异常，这可能与影像图有关，但依然可以看出土地利用的趋势。但随着国家退耕还林的政策，林地应该逐渐增加，耕地应该逐渐减小，这与研究结果不相符，可能是由于林地的等级不够，错误分为耕地，还有待进一步研究。

从结果中可以看出，近几年高平的建设用地增长的比重慢于其它用地，城市绿地的布局还不很均匀，林地的面积一直在减少。在建设用地分类提取中还有和其它用地分类不清的状况。在未来对地被的分类中，还是有必要利用高清影像图对各地类的变化进行分析。