广西自然资源调查监测院 广西南宁 530000
摘要：现阶段，地理国情监测是动态掌握自然资源分布、生态环境变化、社会可持续发展以及科学决策的重要手段，是了解国情、把握国势、制定国策的重要基础性工作。开展常态化地理国情监测，持续、全面掌握权威、客观、准确、动态的地理国情信息，确保地理国情数据的现势性，是政府、社会和人民群众迫切的需求。本文就地表覆盖变化及更新相关内容展开了研究分析。
关键词：地理国情监测；地表覆盖变化；变化检测
1面向地理国情监测的地表覆盖变化检测
现阶段，如何快速发现地表变化，提高地理国情监测工作中变化区域识别的自动化程度及效率，降低地理国情信息更新成本，缩短更新周期，确保地理国情数据的现势性，已成为常态化地理国情监测的迫切需求。地理国情监测是综合利用地理信息系统、遥感和现代测绘等技术手段，结合现有的地理信息基础数据，对自然、人文等地理要素的时空状况进行动态、定量的监测，统计分析其变化范围、变化强度、变化趋势等各类变化特点的数据报告和图件资料[1]。应用需求是变化检测需要充分考虑的问题。总体来看，现阶段自动化变化检测方法己有许多研究成果，但大多基于多时相遥感影像、以像元为基本单元进行处理与分析。常态化地理国情监测工作中变化检测的数据源是地理国情普查矢量数据与多时相遥感影像，属于结合矢量数据与遥感影像的变化检测，有必要进行矢量数据约束下的遥感影像变化检测方法研究。
2面向地理国情监测的分类后变化检测方法
2.1分类前变化检测
随着遥感影像分辨率的提高，每个像素所代表的地表信息越来越精确，基于像素影像分析法容易造成分析结果出现椒盐噪声，以对象为基本处理单元的面向对象思想逐渐被应用到高分辨率遥感影像分析中。面向对象的变化检测过程如下：１）对两期影像差分，运用变化矢量分析方法（ＣＶＡ）综合影像各波段差异，得到差分影像。通常认为差分影像中像素亮度值越大则该像素越有可能发生变化，使用阈值法对差分影像中像素进行分类，即大于阈值的像素被归于变化类，小于阈值的像素归于未变化类。为了减小漏检率，本文使用一个相对保守的阈值（相对于最优经验阈值稍小），以保证被归为未变化类的像素的可靠性较高。２）通过对影像进行分割得到对象。在自动样本收集阶段，需通过地表覆盖矢量来为Ｔ２中的对象赋予地表覆盖类别标签。因此要保证Ｔ２中对象边界与地表覆盖矢量边界一致，使用地表覆盖矢量的边界作为约束，对Ｔ２进行分割。３）对每个对象，统计其中变化的像素占该对象全部像素的比例，并根据该比例来决定该对象是否发生变化，若该比例大于所预设的比例阈值，则认为该对象发生了变化；否则，该对象没有发生变化。
2.2训练样本自动生成
由于未变化对象的地表覆盖类别保持不变，可将矢量Ｖ１中地表覆盖类别视为影像Ｔ２中未变化对象的类别标签。将影像Ｔ２中这些具备类别标签的对象作为训练样本，输入到监督分类模型中进行训练，得到针对影像Ｔ２中变化对象（即待分类对象）的分类器。由于训练样本与待分类对象均源于影像Ｔ２，对待分类对象进行分类的过程不涉及影像Ｔ１。因此影像Ｔ２与Ｔ１可以源于不同传感器、不同成像条件。
2.3分类后变化检测
目前，最先进的机器学习分类方法为随机森林和ＳＶＭ方法。两者都能取得较好的分类效果，但相对于ＳＶＭ（支持向量机）方法，随机森林方法具有如下优点：①模型训练时间更短；②更容易参数化；③参数的变动对分类精度影像小；④不容易过拟合。因此，本研究中采用随机森林分类器。随机森林是一种集成分类方法，通过综合一组决策树分类的投票结果来给出分类信息；在应用于面向对象的遥感影像分类时，一般需要选择合适的影像特征以取得较优的分类效果[2]。影像特征是影响分类过程的重要因素。
地理国情数据库中遥感影像多为大幅面影像，过多对象特征的提取不仅会导致算法变慢，而且当特征数量明显高于特征的最优数量时，精度可能会下降；因此，本研究综合考虑特征提取效率和特征的类别区分能力，参考前人研究成果，选择了一些用于模型训练和分类的对象特征，包括灰度均值、灰度方差、ＮＤＶＩ（归一化植被指数）、ＮＤＷＩ（归一化水体指数）、基于灰度共生矩阵的纹理（全部方向的熵、对比度和方差）；通过这些特征来表示一个影像对象，以便影像对象进行分类。在进行特征提取的过程中，还需要注意的是，由于对象边界像素混合了多种地表覆盖类别，相对于对象内部像素，在很多特征上会出现突变现象。为减少边界像素对对象整体特征的干扰，在进行特征提取时，首先执行腐蚀操作，然后再对腐蚀后的对象进行特征提取。利用训练好的分类器对影像Ｔ２中变化对象进行分类，得到其地表覆盖类别信息，与地表覆盖矢量数据Ｖ１中相应的变化图斑类别做比较，得到变化检测结果。然后用该地表覆盖数据来更新Ｖ１中的变化图斑，即可完成地表覆盖数据的更新，得到新时期的地表覆盖数据Ｖ２。
3基于变化检测与解释（CDE）的地表覆盖图更新
3.1非变化区域的分类模型训练
根据两期遥感影像的变化检测结果，将新一期的遥感影像划分为非变化与变化区域。对新一期的遥感影像采用面向对象方法进行分割。对于未变化区域，在前一期地理国情普查矢量的基础上进行二次分割，获得矢量多边形内更加准确的独立对象。对于变化区域，由于地物类型发生了改变，前一期的地理国情普查矢量对新一期的分割不再具有参考意义，所以对新一期遥感影像的变化区域直接进行面向对象分割。影像分割完成后提取分割对象的光谱、形状和纹理等特征[3]。由于未变化区域的地表类型与前一期地理国情普查数据大多一致，所以将前一期地理国情普查数据作为参考地物类型，从前一期未变化区域中选取少量真实未发生变化的土地覆盖类型标签作为新一期影像对应位置的类型标签。选取的样本标签和提取的多维特征作为分类器模型训练的输入数据。
3.2变化区域的分类更新
由于地理国情普查数据中地表覆盖类型种类较多，使得某些类型之间特征差异很小，因此采用非线性、强鲁棒性的分类器。支持向量机（SVM）是目前最有效的非参数监督分类器之一，它对高维数据集和不确定性问题具有很好的鲁棒性和泛化能力[4]。支持向量机的基本思想是通过在样本映射空间中跟踪最大边缘超平面来分离隶属于不同类别的训练样本。支持向量机只需要输入接近类边界的训练样本，即只输入少量的训练样本，就能够处理高维数据，分类器具有泛化能力强的优点，适用于求解高维特征、小样本数据和非线性模型的分类和回归问题。将由非变化区域选取的标签和对象特征训练的分类器模型应用于全部分割后的新一期影像进行地表覆盖分类，得到更新后的地理国情普查数据。
结束语：
总之，就地理国情普查成果的特点、常态化地理国情监测需求研究需加以重视。在今后的工作中，我们将继续开展利用多时相多源遥感影像作为数据源的相关工作，使面向地理国情的变化检测和数据更新方法具有更加广泛的适用性。
参考文献：
[1]刘阳,傅月波,何大金,洪艳.基于地理国情普查数据的地表覆盖变化监测[J].地理空间信息,2019,17(09):43-45+75+10.
[2]许凯,周峻松,杨帆.地理国情监测变化信息提取与质量控制探讨[J].浙江农业科学,2019,60(08):1301-1305+1310.
[3]冷顺绿.地表覆盖质检工具在基础性地理国情监测项目中的开发与应用[J].湖北农业科学,2019,58(10):154-157.
[4]李建东.基础性地理国情监测地表覆盖数据问题探讨[J].经纬天地,2019(01):73-75+79.