全 文 ：第 34 卷第 24 期
2014年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.24
Dec.,2014
http: / / www.ecologica.cn
基金项目:环保部“生态十年冶专项(STSN鄄01鄄04); 中国科学院“百人计划冶项目(110900K242);四川省“百人计划冶项目; 中国科学院战略先导
性科技专项———碳专项(XDA05050105); 中国科学院重要方向性项目(KZCX2鄄YW鄄QN313); 国家自然科学基金项目(41271433)
收稿日期:2013鄄10鄄11; 摇 摇 修订日期:2014鄄10鄄20
*通讯作者 Corresponding author.E鄄mail: ainongli@ imde.ac.cn
DOI: 10.5846 / stxb201310112439
张正健,李爱农,雷光斌,边金虎,吴炳方.基于多尺度分割和决策树算法的山区遥感影像变化检测方法———以四川攀西地区为例.生态学报,
2014,34(24):7222鄄7232.
Zhang Z J, Li A N, Lei G B, Bian J H, Wu B F.Change detection of remote sensing images based on multiscale segmentation and decision tree algorithm
over mountainous area: a case study in Panxi region,Sichuan Province.Acta Ecologica Sinica,2014,34(24):7222鄄7232.
基于多尺度分割和决策树算法的山区
遥感影像变化检测方法
———以四川攀西地区为例
张正健1,李爱农1,*,雷光斌1,2,边金虎1,2,吴炳方3
(1.中国科学院水利部成都山地灾害与环境研究所,成都摇 610041;
2. 中国科学院大学,北京摇 100049; 3. 中国科学院遥感与数字地球研究所,北京摇 100094)
摘要:山区遥感影像变化检测面临地形效应明显、空间异质性高等不利因素的影响,构建适用于复杂地形条件的变化检测方法
一直是遥感应用研究的难点。 在对影像进行多尺度分割的基础上,构建对象的多种光谱、形状及地形特征,将地形阴影、物候等
造成的虚假变化当作“未变化冶训练样本,利用决策树算法自动提取检测规则,建立复杂地形条件下面向对象的遥感影像变化
检测方法,并将该方法用于四川攀西山区 1989年和 2009年 TM 影像的检测试验,最后对方法的不足和改进措施进行了讨论。
主要结论包括:(1)文中构建的方法能够有效减弱山区复杂地形条件对遥感影像变化检测的不利影响,采用地面调查数据和分
层随机采样的总体验证精度为 93.57%,Kappa系数为 0.8706。 (2)C5.0决策树算法对于只有“变化冶和“未变化冶两种类别且同
类间训练样本高度异质化的影像分类仍能取得较好的效果,具有较好的鲁棒性和适应能力。 通过将地形、物候等引起的虚假变
化当作“未变化冶训练样本可以有效提高检测精度。 (3)光谱特征仍是 TM影像遥感分析的主要信息源,影像间 NDVI的差值对
于植被覆盖区域土地覆盖格局变化的检测具有良好的表征作用。 (4)攀西地区 1989—2009年间土地覆盖格局变化明显且与人
类活动关系密切,典型的驱动方式包括退耕还林(草)工程、水利工程建设和矿山开采等。 共检测出变化面积 740.2km2,占影像
总面积的 2.49%。
关键词:多尺度分割;决策树算法;遥感影像;变化检测;攀西地区
Change detection of remote sensing images based on multiscale segmentation and
decision tree algorithm over mountainous area: a case study in Panxi region,
Sichuan Province
ZHANG Zhengjian1, LI Ainong1,*, LEI Guangbin1,2, BIAN Jinhu1,2, WU Bingfang3
1 Institute of Mountaion Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China
2 University of Chinese Academy of Sciences, Beijing 100049, China
3 Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
Abstract: In mountainous area, many factors such as the high spatial heterogeneity in land cover conditions and the
topographic effect on remote sensing data acquirement significantly constraint the change detection by using remote sensing
method. It has become a great challenge to develop an effective method to accurately map the land cover changes for complex
http: / / www.ecologica.cn
terrain areas. In the traditional change detection methods, the spectral features are the major information. Due to the lack of
the consideration of other information from structure, topography and other parameters, many false changes will be
introduced in the final detection results with a big uncertainty. To avoid the false change and overcome the influence from
terrain shadow and phenology differences, an object鄄oriented change detection method by combining multi鄄scale
segmentation and decision tree algorithm for complex terrain condition is proposed in this study. In the new method, firstly,
a series of spectrum information (i.e. reflectance, change vector intensity, NDVI), shape information ( i.e. area, length鄄
width ratio, shape index) and terrain parameters ( i.e. elevation, slope, aspect) are calculated for change detection rules
construction. Secondly, the unchanged surfaces which are usually detected as the false changes due to the influence of
terrain shadow and phenology difference are extracted as training sample. Finally, the change detection rules are built
automatically by C5.0 decision tree algorithm. the proposed method is applied to Landsat鄄TM images acquired in 1989 and
2009 at Panxi region, the detection results indicate: (1) Over the mountainous area, the method can effectively reduce the
influence from topographic effect, and has a big improvement on detection accuracy with the overall accuracy of 93.57% and
Kappa coef覱cient of 0.8706 by validating ground reference samples and stratified random samples. (2) The C5.0 decision
tree algorithm performs well in terms of robustness and adaptability, which serves well in land cover classification with types
only labeled as “ changed冶 and “ unchanged冶 and highly heterogeneous training samples. Considering the false changes
result from topographic and phenological as “ unchanged冶 training sample, the accuracy of change detection is improved
effectively. (3) Spectral features are the predominant information in analyzing TM images, and the NDVI differences
between the reference image and detected image is an effective indicator for change detection of land cover pattern in
vegetation coverage region. (4) The changes of land cover pattern in Panxi region from 1989 to 2009 were closely associated
with human activities. The typical driving forces of pattern change include returning farmland to forest policy, water
conservancy project, mining, urban sprawl and so on. The changed area amounted to 740.2 km2, accounting for 2.49% of
the total detected area.
Key Words: multiscale segmentation; decision tree algorithm; remote sensing images; change detection; Panxi region
摇 摇 土地利用和土地覆盖变化(LUCC)是全球环境
变化研究和可持续发展研究的核心问题[1鄄3]。 它不
仅客观记录了地球表面景观的空间格局,也集中体
现了自然因素和人类活动改变地球表面景观的时空
变化过程[4]。 遥感技术因其具有快速、实时、宏观、
周期性等特点而成为土地覆盖变化检测主要的技术
手段[5]。 变化检测就是从不同时期的遥感影像中,
定量的分析和确定地表变化的特征与过程,是土地
覆盖遥感监测的关键环节[6]。
遥感影像变化检测按最小处理单元可以分为基
于像元和面向对象两种。 随着影像空间分辨率的提
高,基于像元的变化检测存在信息单一、易产生离散
像元等不足而受到一定限制[7]。 相比而言,面向对
象的检测方法具有提高影像信息利用程度,避免“椒
盐效应冶等特点而受到广泛的重视与应用[8鄄10]。 其
核心思想是在变化检测之前将影像分割为若干个具
有相近特征的“同质冶对象,提供丰富的形状、纹理、
拓扑等语义信息,并能结合人工智能进行分析,从而
达到提高检测精度的目的。 在相关方法研究中,
Lambin等[11]利用变化矢量分析对 Sudanian 地区的
土地覆盖变化进行了检测,该类方法易于实现但对
变化阈值的确定具有主观性。 盛辉等[12]在相关分
析变化检测中采用基于贝叶斯最小误差理论的方法
确定变化阈值,避免人为确定阈值的不足。 Im 等[8]
和张雨霁等[13]分别将人工智能和机器学习引入变
化检测中,建立了基于多尺度分割和决策树的变化
检测方法,有效提高了检测精度。 为了更加充分利
用面向对象所提供的丰富信息,Gamanya 等[14]构建
TM / ETM+影像对象的多种光谱、形状和纹理特征,
利用决策树提取分类规则对津巴布韦首都 Harare 的
城市扩张进行了检测,精度达到 90%以上。 以上研
究为发展复杂地形条件下适用的变化检测方法提供
了参考与借鉴。
相比平原地区,山区遥感影像变化检测由于地
3227摇 24期 摇 摇 摇 张正健,等:基于多尺度分割和决策树算法的山区遥感影像变化检测方法 摇
http: / / www.ecologica.cn
形效应的影响而面临以下问题:淤几何畸变严重,增
加影像配准难度,发生偏移的像元易被检测为虚假
变化;于由于山体阴影的遮挡,阴坡地物的光谱信号
十分微弱,不同成像条件下易被误检为变化信息;盂
山区地形起伏改变传感器鄄地物间的几何成像关系,
导致辐射信号失真;榆山区地形起伏导致土地覆盖
格局破碎,细微的变化信息在检测过程中容易被忽
略。 同时,山区植被类型丰富且同类间光谱异质性
更强;土地覆盖变化方式多样,植被物候特征变化迅
速,增加变化检测难度。 因此,构建复杂条件下适用
的变化检测方法是山区大面积土地覆盖遥感监测的
重要技术。 然而,目前针对山区的遥感影像变化检
测研究较少,且从已有研究来看还存在以下不足:未
充分考虑地形效应对变化检测的影响,以及地形特
征和形状特征等在山区变化检测中的独特作用;检
测方法单一,易将山区地形阴影等“噪声冶误检为变
化信息;未充分考虑山区空间格局破碎、覆盖类型丰
富、变化方式多样等对变化检测的影响。
环境保护部和中国科学院于 2011 年底联合启
动了全国生态环境十年(2000—2010 年)变化遥感
调查与评估项目,土地覆盖制图和动态变化监测是
该项目的主要研究内容和重要基础。 中国科学院水
利部成都山地灾害与环境研究所承担了西南片区
(以山区为主,包括四川省、重庆市、西藏自治区、云
南省、贵州省)土地覆盖制图及十年动态变化监测任
务。 论文在充分总结项目成果和已有变化检测研究
的基础上,构建了一种山区复杂条件下面向对象的
遥感影像变化检测方法。 并以四川攀西地区的多期
TM影像为例,对方法中涉及的影像预处理、多特征
构建、训练样本选择、变化信息规则提取和精度评价
等内容进行了详细的阐述与探讨,以期为复杂山区
遥感影像变化检测提供一种适用方法和借鉴。
1摇 研究区及数据预处理
选择 Landsat鄄TM 轨道号为 P130R041(WRS2)
对应的四川省南部典型山地为研究区(图 1),主要
包含凉山州和攀枝花市的部分区域,简称攀西地区。
该区位于横断山脉构造带,海拔介于 488—4409m之
间,地形起伏明显。 区内水系发达,包括金沙江、雅
砻江、安宁河等长江干支流,地貌以深切河谷为主。
结合遥感影像和野外调查可知,研究区土地覆盖类
型丰富,空间格局破碎且异质性强。 作为四川省重
要的金属冶炼基地、水电基地和经济作物种植区,攀
西地区的土地覆盖格局在过去 20 年间发生了剧烈
的变化。 此外,安宁河谷平原的耕地在两景影像中
分别处于休耕期和生长期,光谱差异明显。 综上,攀
西地区在地形条件、覆盖类型以及变化方式等方面
都具有代表性和典型性,适于作为复杂山区遥感影
像变化检测方法研究的试验区。
图 1摇 研究区概况
Fig.1摇 Overview of Panxi region
变化检测所用 TM 影像来源于马里兰大学
GLCF( The Global Land Cover Facility),分辨率为
30m。 成像时间分别为 1989鄄 05鄄 11(基准影像,记为
Image1)和 2009鄄 04鄄 16(检测影像,记为 Image2),其
中含云量均小于 1%。 地形数据为最新版本的 SRTM
3产品数据,分辨率为 90m,其全球绝对高程精度为
依16m,绝对平面精度为依20m[15],能够体现出地形的
细微起伏变化。
相比平原地区,山区地形起伏使影像几何畸变
更加严重,通过同名点分析发现两景影像间存在约 2
个像元的位置偏移,不能满足变化检测叠加分析的
精度要求。 为此,采用美国 NASA 下设 LEDAPS 课
题组开发的自动配准与正射纠正程序包 AROP 对两
景影像进行正射纠正和几何配准[16],已有研究结果
表明 AROP 对于山区 TM 影像的配准误差小于 0.5
个像元[17]。 同时为了消除山区气溶胶对辐射值的
影响,增强影像对比度和地物间的区分能力,同样采
用 LEDAPS课题组开发的大气校正模型对影像进行
4227 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
校正[18],完成从 DN值到反射率(扩大 10000 倍,0—
9999)的转变。 在此基础上,通过叠加分析确定重叠
区域并进行掩膜和裁剪处理,得到重叠区影像大小
为 7122列伊6569 行,有效总面积约 2.97 万 km2。 通
过影像判读,攀西地区土地覆盖典型的变化方式如
表 1所示。
表 1摇 攀西地区 1989—2009年土地覆盖典型变化方式
Table 1摇 The typical way of land cover change in Panxi region during 1989 to 2009
影像
Image
典型变化方式 The typical changes
矿山开采
Mining
退耕还林
Grain for
green project
城镇扩张
Urban sprawl
兴建水库
Reservoir
construction
耕地扩张
Farmland
expansion
森林损毁
Forest
damage
2摇 方法
基于对象和规则自动提取的山区遥感影像变化
检测的主要研究内容包括:设定合适的参数对影像
进行多尺度分割以获得同质性高、大小适中的斑块
对象,构建对象的光谱、地形和形状特征,结合地面
调查数据选择“变化冶和“未变化冶对象的典型训练
样本,利用决策树算法提取检测规则并对变化信息
进行自动提取,最后对检测结果进行精度验证以评
价方法的合理性,并提出改进措施。。
2.1摇 多尺度分割
影像多尺度分割是面向对象遥感分析的重要先
决条件,其基本思想是综合考虑多光谱影像的颜色
(光谱)特征和形状特征等因素,采用自下而上的迭
代合并算法将影像分割为高度同质性的斑块对
象[19]。 对象的同质性可以通过斑块内像元的标准
差来衡量,异质性则由对象的光谱异质性和形状异
质性共同确定[20]。 对于遥感影像分析而言,光谱特
征是决定对象的首要条件,形状特征的引入则会提
高分割结果的质量,光谱和形状两个因子的权重之
和为 1。 而形状异质性又通过光滑度和紧凑度来衡
量[21],这两个因子的权重之和也是 1。 影像多尺度
分割的主要参数包括:淤波段及其权重,信息载量大
的波段可以赋予较高的权重。 于分割尺度,决定生
成斑块的大小及对象层的破碎程度。 盂均质性因
子,包括光谱与形状因子(光滑度和紧凑度)的权重,
通常情况下光谱特征最为重要,其权重值大于 0.6。
文中采用德国 Definiens Imaging 公司开发的面
向对象遥感处理系统 eCognition Developer 8.7 对影
像进行多尺度分割。 该平台能够充分利用对象特征
和类间关系等信息,是当前应用较为广泛的面向对
象分析软件。
2.2摇 特征构建
无论是分类还是变化检测,影像特征都是起决
定作用的关键因素。 面向对象的遥感分析不仅可以
利用影像的光谱特征,还可以利用影像的形状特征
和地形特征等,为山区遥感影像变化检测提供更加
丰富的描述信息。 文中构建的光谱特征包括反射率
均值、标准差、变化矢量强度(CVI) [22]、向量相似度
(VS) [23]、归一化植被指数(NDVI)、改进型归一化水
体指数(MNDWI)等;形状特征包括形状指数(SI)、
长宽比、面积(像元数量)等;地形特征包括海拔、坡
度、坡向等。 共构建特征 24 个,部分特征的计算公
式见表 2。
5227摇 24期 摇 摇 摇 张正健,等:基于多尺度分割和决策树算法的山区遥感影像变化检测方法 摇
http: / / www.ecologica.cn
表 2摇 部分特征的计算公式
Table 2摇 Formulas of partial features
特征名称
Feature name
计算公式
Formula
说明
Explanation
变化矢量强度
Change Vector Intensity, CVI CVI = x1 - y( )1
2 + x2 - y( )2 2 + … xn - y( )n 2
xi,yi( i= 1,2,…,n)分别表示对象在基准影像
和检测影像中第 i个波段的地表反射率
向量相似度
Vector Similarity, VS
VS =
cos兹
Rxy - 1 + 1
, cos兹 =
移xi·yi
移x2i · 移y2i
,
Rxy =
x
y
=
移x2i
移y2i
归一化植被指数
Normalized Difference Vegetation
Index, NDVI
NDVI =
b4 - b3
b4 + b3
bi( i= 2,3,4,5)表示对象在 TM影像第 i个波段
的地表反射率
改进型归一化水体指数
Modified Normalized Difference
Water Index, MNDWI
MNDWI =
b2 - b5
b2 + b5
NDVI差值
Difference of NDVI, Diff_NDVI Diff_NDVI
= NDVI_1989-NDVI_2009
形状指数
Shape Index, SI SI = A / P A为斑块面积,P为斑块周长
摇 摇 文中构建的部分特征的释义如下,光谱特征中
变化矢量强度 CVI表示对象在不同时期光谱矢量间
的欧式距离,值越大表示该对象发生变化的可能性
越大。 向量相似度 VS 表示对象在不同时期影像中
光谱向量的相似性,其值介于 0—1 之间。 VS 越接
近于 1,说明对象在不同时期的光谱向量相似性较
高,其发生变化的概率较低,反之则说明对象发生变
化的概率较高。 NDVI、MNDWI 分别对植被和水体
有较好的表征作用。 而形状指数 SI 和长宽比对山
区河流、道路等线状对象有较好的表征作用。 地形
特征中,坡度体现斑块所处位置的地形起伏度,坡向
对阴坡和阳坡有较好的区分作用。
2.3摇 决策树算法
变化检测可以认为是只有“变化冶和“未变化冶
两个类别的遥感影像分类过程。 在众多的分类规则
提取算法中,决策树作为一种非参数算法具有对训
练样本分布没有特殊要求、可以同时处理连续和离
散数据、规则易于理解、分类速度快、精度高等优点
而被广泛采用[24]。 其基本思想是:按照一定的规则
把数据集逐级往下细分以得到具有不同属性的各个
子类别。 分类决策树由一个根节点、一系列内部节
点和终极节点组成,每一个内部节点只有一个父节
点和两个或多个子节点。 在每一个内部节点(包括
根节点)处根据一系列规则将该节点处的数据集划
分为两个或多个子集,如此往复直至所有的数据被
分为预期设定的各个子集为止[25]。 目前在分类规
则构建中使用广泛的决策树算法为 C5.0决策树[26]。
决策树作为一种机器学习算法受训练样本的影
响较大,尤其是在复杂山区,训练样本的代表性和全
面性是提高变化检测精度的关键。 经过多次试验总
结得出训练样本的选取原则如下:淤训练样本在研
究区内大致均匀分布,且在不同土地覆盖类型、变化
方式、地形条件下都要有“变化冶和“未变化冶样本的
分布;于选择一定数量的虚假变化作为训练样本,如
将地形遮挡、云及云阴影、植被物候等引起的虚假变
化均当作“未变化冶样本。
2.4摇 精度评价
通常情况下,精度评价的参照样本由地面实测
获取。 然而,历史影像的地面调查数据获取是精度
评价的难点,多年来一直未得到满意的解决。 尤其
是实例中基准影像获取于 1989 年,对应时刻的地面
调查数据稀少。 作者所在课题组从 1995 年开始从
6227 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
事西南地区土地覆盖制图及野外调查工作,至今已
积累大量全省范围内不同时期的地面调查数据,攀
西地区也有一定数量的样点分布,主要集中在安宁
河谷平原地区。
除了地面调查数据,研究还通过分层随机采样
选取部分参照样本作为补充。 具体步骤为:将影像
划分为 50伊50 个大小一致的矩形区域,在每个矩形
区域内随机选取某个对象并结合多期历史遥感影
像、Google Earth等进行综合判读,避免人为选择参
照样本的主观性和随意性。 在此基础上,通过构建
误差矩阵来对检测结果的精度作出评价。
3摇 结果与分析
3.1摇 影像分割结果
经过多次对比试验,确定攀西山区遥感影像多
尺度分割的最优参数设置如下:波段为两景影像除
热红外(TM6)以外的 12个波段,各个波段的权重均
设为 1;分割尺度设为 25(相对于大气校正后的反射
率数据),光谱权重和形状权重分别设为 0.9 和 0.1,
光滑度和紧凑度权重分别设为 0.3和 0.7。 攀西地区
部分典型地物多尺度分割的结果对比见图 2。
图 2摇 多尺度分割结果
Fig.2摇 Results of multiscale segmentation
摇 摇 从图 2 中典型地物的分割细节可以看出,在上
述参数设定条件下,多尺度分割获得了较为满意的
结果。 主要体现为:分割结果不至于过于破碎但能
够体现出斑块间的差异信息,对象内部均质性高且
与地物实际边界吻合较好。 相对而言,变化区域的
分割结果更加细致,如图 2(a)、图 2(b)中的矿场和
水库;未发生变化且影像光谱差异不大的区域分割
斑块则相对较大,如图 2(d)中的水库。 变化检测必
须选用两景影像参与多尺度分割,其原因在于若只
采用其中一景影像参与分割,则该景影像中的均质
斑块在另外一景影像中可能是一个包含多种地物的
混合对象。 如图 2(b)中的水库,在只有 Image 2 参
与分割的情形下易被分割为面积更大的斑块,不能
体现出 Image 1中的河流信息,并由此降低对象的均
质性,给规则提取及检测结果带来影响。
3.2摇 规则构建
结合课题组积累的历史地面调查数据和 Google
Earth高分辨率影像,对试验影像共选取“变化冶和
“未变化冶训练样本 393 个,其中“变化冶类型的训练
样本数为 152 个,“未变化冶类型的训练样本数为
241个。 在 eCognition中完成 2.2节中描述特征的构
建并将其导入 See5.0 决策树软件中,自动提取遥感
7227摇 24期 摇 摇 摇 张正健,等:基于多尺度分割和决策树算法的山区遥感影像变化检测方法 摇
http: / / www.ecologica.cn
影像变化检测规则见图 3。
图 3摇 决策树
Fig.3摇 Decision tree
NDVI_1989和 NDVI_2009分别表示对象在两景影像中的归一化植被指数 NDVI,B3_1989 表示 TM 波段 3 在 1989 年影像中的反射率,B2_
2009表示 TM波段 2在 2009年影像中的反射率,其余变量的释义见表 2; 终极节点括号中的数字 x / y释义:x表示该节点处的样本数,y表
示分类错误的样本数
摇 摇 从图 3 可知,C5.0 算法自动构建的决策树包含
8个特征、6 个层级和 12 个终极节点。 对训练样本
的分类正确数为 382 个,精度为 97.20%,其中“变
化冶和“未变化冶训练样本的分类精度分别为 98.02%
和 96.68%。 在根节点处,利用 Diff_NDVI= 0.1343可
以将训练样本一分为二,其中 Diff_NDVI>0.1343 的
子集主要包括“变化冶样本,其比例为 79.10%;Diff_
NDVI臆0.1343的子集则主要包括“未变化冶样本,其
比例为 82.24%,表明本试验中 NDVI 差值对于变化
信息有较高的区分能力。 在 Diff_NDVI>0.1343 的子
集中,主要的“变化冶样本检测规则为:(NDVI_2009
臆0.2194)和(B5_1989>631.05),该部分“变化冶主要
由植被向非植被转变,其 NDVI 在 2009 年的影像中
较小。 该子集中的“未变化冶样本主要包括地形阴
影、物候等因素导致的虚假变化,其 NDVI 在两景影
像中的差值同样较大,但其属性并未发生变化。 而
在 Diff_NDVI臆0.1343的子集中,主要的“未变化冶检
测规则为:(CVI臆5289.4)和(Diff_NDVI>-0郾 1775),
该类样本在两景影像中的 NDVI 差异不大(-0郾 1775
在一定范围内,故其能将大部分“未变化冶样本提取
出来。 该子集中的“变化冶样本主要为退耕还林,其
NDVI_2009明显大于 NDVI_1989,Diff_NDVI 一般小
于-0. 2。 如规则 ( CVI臆5289. 4)和 ( Diff _NDVI臆
-0.1775)和(B2_2009臆1228.3)可以将大部分退耕
还林检测出来,B2_2009臆1228.3 表示植被在 TM2
中的反射率较小。 此外,在以 CVI和 VS为划分依据
的节点处,CVI较大(或 VS 较小)的样本主要为“变
化冶,反之则为“未变化冶,这与 CVI(VS)的定义与作
用相符。
C5.0决策树算法对于只有“变化冶和“未变化冶
两类且同类训练样本间差异明显的分类仍能取得满
意的结果,表明该算法具有较强的适应能力和鲁棒
性。 总体而言,光谱特征仍然是山区 TM 影像遥感
分析最重要的信息源,其中利用频率最高的特征为
Diff_NDVI,对其设定合适的阈值可以将约 80%的
“变化冶和“未变化冶样本区分开。 这是由于攀西地
区植被覆盖度高,且主要的变化方式如退耕还林、矿
山开采等均发生在植被覆盖区域,因此 NDVI差值能
够作为上述变化的有效表征。 此外,NDVI _2009、
CVI等特征在决策树构建中也得到了充分的利用。
3.3摇 变化检测
在 eCognition 8.7平台中构建图 3中的分类决策
树对试验影像进行变化检测。 同时为了消除结果中
8227 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
的碎小斑块,使结果更加美观和便于后续应用,将变
化区域中像元个数小于 6的斑块进行合并或者去除
(6个像元为项目要求最小制图单元),得到攀西地
区 1989—2009年遥感影像和典型变化的检测结果
如图 4所示。 可以看出,文中构建的方法对各类典
型变化均取得了理想的检测结果,提取的变化信息
与实际变化区域在空间上能够较好的吻合。 此外,
图 4b鄄B中分别处于休耕期和生长期的耕地并未被
检测为变化信息,表明该方法对物候导致的虚假变
化具有较强的抗干扰能力。
图 4摇 变化检测结果
Fig.4摇 The results of change detection
摇 摇 从检测结果来看,攀西地区 20a 间土地覆盖格
局变化明显,共检测出变化面积约 740.2km2,占影像
总面积的 2.49%。 其中典型的变化方式包括退耕还
林、水利工程、矿山开采和城镇扩张等(图 4b),人类
活动是攀西地区土地覆盖格局变化最主要的驱动因
子,如退耕还林(草) (1999 年实施)、二滩水电站
(2000年建成)等重大工程迅速改变了该区的土地
覆盖格局。 典型变化的空间分布特征为:退耕还林
主要分布在具有一定地形起伏的坡耕地上;耕地扩
张主要分布在盐源平原北部的经济作物种植区,以
及城镇和水利工程附近人地矛盾相对突出的地区。
雅砻江河谷两侧由于二滩水电站的修建,大量林地、
耕地被淹没。 除了人为因素的影响,自然条件下主
要的变化方式为低覆盖度的草地、灌木向高覆盖度
的灌木、林地转变。
3.4摇 精度评价
利用课题组积累的历史地面调查数据和分层随
机采样共获取参照样本 249 个,其中“变化冶样本
113个,“未变化冶样本 136 个,计算得到的误差矩阵
和相关统计量见表 3。
检测结果精度评价的相关统计量如下:总体精
度为 93.57%,Kappa系数为 0.8706,表明方法的总体
检测精度较高。 其中“变化冶对象的漏检率和误检率
分别为 6.19%和 7.83%,容易被漏检的变化信息主要
为退耕时间过于短暂的耕地,其还未发育为典型的
森林,光谱特征与农作物相似,检测过程中容易被忽
略;误检率(7.83%)稍高表明该方法对变化信息较
为敏感,其中易被误检为“变化冶的覆盖类型包括部
分落叶林、季节性变化的草地以及部分不同生长季
的耕地。 “未变化冶对象的漏检率和误检率分别为
6郾 62%和 5.22%,误检率(5.22%)较低表明该方法不
9227摇 24期 摇 摇 摇 张正健,等:基于多尺度分割和决策树算法的山区遥感影像变化检测方法 摇
http: / / www.ecologica.cn
易将山区众多“噪声冶因素检测为变化信息。
表 3摇 误差矩阵
Table 3摇 Error matrix
检测结果
Results of change detection
参照样本 Reference samples
变化 Change 未变化 Unchanged
总计
Sum
用户精度 / %
User忆s accuracy
误检率 / %
Commission error
变化 Change 106 9 115 92.17 7.83
未变化 Unchanged 7 127 134 94.78 5.22
总计 Sum 113 136 249
制图精度 Producer忆s accuracy / % 93.81 93.38
漏检率 Omission error / % 6.19 6.62 总体精度= 93.57%摇 Kappa系数= 0.8706
4摇 结论与讨论
论文在对影像进行多尺度分割的基础上,构建
对象的一系列光谱、形状和地形等特征,将地形阴
影、物候等“噪声冶引起的虚假变化当作“未变化冶训
练样本,利用决策树算法自动提取检测规则,建立复
杂条件下适用的遥感影像变化检测方法。 该方法对
攀西复杂山区的遥感影像取得了较好的检测结果,
总体验证精度达 93.57%,为大面积山区变化检测提
供了参考和借鉴。 主要结论包括:光谱特征仍是 TM
影像遥感分析主要的信息源,选入决策树的特征以
地表反射率及 NDVI、CVI 等衍生光谱特征为主,其
中 NDVI差值对于植被覆盖区域土地覆盖格局的变
化具有较好的表征作用。 C5.0决策树算法具有自动
选择少数最佳特征及其阈值的能力,对于只有“变
化冶和“未变化冶两类且同类训练样本间差异明显的
影像分类仍能取得满意的结果。 攀西地区 1989—
2009年间土地覆盖格局变化明显,典型变化方式包
括退耕还林、水利工程、矿山开采等。 共检测出变化
面积 740.2km2,占影像总面积的比例为 2.49%,人类
活动是土地覆盖变化的主导因素。
虽然文中构建的变化检测方法取得了较为满意
的结果,但在复杂山区开展遥感影像变化检测仍然
面临许多挑战。
正射校正和影像配准是山区遥感影像变化检测
的关键预处理过程,且随着空间分辨率的提高,影像
的配准难度增大。 当像元位置存在偏差时,发生偏
移的像元可能被检测为变化信息。 传统基于像元的
分析方法对几何配准的精度要求较高,有研究认为
当配准精度达到 0.5 个像元时可以忽略配准误差对
变化检测的影响[27]。 相比之下,面向对象的分析方
法用近似“同质冶的对象代替单个像元作为最小处理
单元,对象内部的光谱差异得到平滑,在一定程度上
减弱配准误差的影响[28]。 文中采用 AROP 程序包
对山区遥感影像进行正射校正与几何配准,精度优
于 0.5个像元,由配准误差导致的虚假变化几乎可以
忽略。 除了几何畸变,山区起伏地形还会导致阴坡
地物的光谱信号失真,此时对影像进行地形辐射校
正[29]有利于减少地形造成的虚假变化。
山区空间格局破碎,设定合适的输入波段、分割
尺度和均质性因子,获取合理的分割结果是变化检
测的重要基础。 在没有先验矢量数据的情况下应选
择两景影像参与分割,以保证信息的充分利用和分
割结果的均质性。 此外,还可以将遥感影像与土地
利用图等先验数据进行套合,以先验数据的矢量边
界为准进行分割,使对象边界与现有数据保持一致,
便于叠加分析[30]。 分割尺度决定对象的同质性、差
异性以及破碎程度。 若分割结果过于破碎,则会增
加同类地物间的光谱异质性,改变地物的形状特征
并增加数据处理的计算量。 若分割结果过于粗糙,
则会使不同类的光谱差异变小,同时降低对象内部
的均质性,掩盖细微变化信息。 均质性因子表示光
谱和形状在分割中的权重,文中的研究结果表明光
谱特征仍是 TM 影像主要的信息源,其权重应赋予
较大的数值。 通过试验还发现,在其它参数设定一
致的情况下,增加形状因子的权重会使分割结果趋
于破碎。
与多数影像分类和变化检测不同,文中的训练
样本只有“变化冶和“未变化冶两类,且同类训练样本
间的差异明显,增加规则提取的难度。 为此,在选择
训练样本时需注意样本的代表性、全面性及其在空
间分布的均匀性。 此外,通过将地形阴影、物候等因
0327 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
素造成的虚假变化作为“未变化冶样本参与规则提
取,有利于提高虚假变化的识别精度。 针对历史地
面调查数据难以获取的难点,可以利用多源遥感数
据降低其影响,如在样本的选择过程中,对研究区多
期、不同时相的遥感影像开展综合判读来提高样本
属性辨识的精度,降低成像条件、植被物候等“噪声冶
的影响。
从检测规则来看,形状特征并未充分发挥作用,
究其原因可能在于:影像空间分辨率不足,变化检测
所用的 TM影像分辨率为 30m,形状特征对地物边界
的刻画存在不足。 目前在形状特征能给对象提供准
确描述信息的研究中,多是基于 QuickBird、IKONOS
和 WordView 等分辨率达到米级的遥感影像开
展[31鄄32]。 除了分辨率的影响,山区多为自然植被且
空间格局破碎,大多数覆盖类型的形状特征无明显
规律可循,形状特征难以发挥作用。 如何将景观尺
度(如 30m分辨率)的形状特征有效的引入到遥感
分析中值得进一步研究。
除了形状特征,地形特征在检测规则中也未得
到体现,原因可能在于遥感影像的分辨率为 30m,而
地形特征是基于 90m 分辨率的 SRTM 计算得出,两
者在空间尺度上的差异是否对检测结果带来影响将
在后续的研究中开展。 然而,地形特征在土地覆盖
变化检测中仍有用途,如研究区中矿山开采、兴建水
库等大型工程必然导致其地形发生变化,在检测过
程中加入不同时期的数字高程模型结合某种算法即
可将变化区域的位置及结构信息提取出来[33]。 此
外,本研究只是确定变化信息的空间位置,在变化信
息的分类过程中增加坡度信息可以提高“退耕还林冶
类别的识别精度,因为该区退耕还林(草)工程多发
生在具有一定地形起伏的坡耕地上面。 可以预见,
随着影像分辨率的提高以及相关研究的深入,形状
特征和地形特征将在面向对象遥感分析中发挥独特
的作用。
References:
[ 1 ]摇 Turner B L II, Skole D L, Sanderson S, Fischer G, Fresco L,
Leemans R. Land鄄use and land鄄cover change: Science / research
plan, IGBP Report NO. 35 and HDP Report NO. 7. Stochkholm:
IGBP, 1995.
[ 2 ] 摇 Li X B. A review of the international researches on land use / land
cover change. Acta Geographica Sinica, 1996, 51(6): 553鄄558.
[ 3 ] 摇 Wang X L, Bao Y H. Study on the methods of land use dynamic
change research. Progress in Geography, 1999, 18(1): 81鄄87.
[ 4 ] 摇 Turner B L II, Meyer W B, Skole D L. Global land鄄use / land鄄
cover change: towards an integrated study. Ambio, 1994, 23(1):
91鄄95.
[ 5 ] 摇 Sun X X, Zhang J X, Yan Q, Gao J X. A summary on current
techniques and prospects of remote sensing change detection.
Remote Sensing Information, 2011, 26(1): 119鄄123.
[ 6 ] 摇 Chen X B. A summary of change detection techniques of remote
sensing imagery. Geomatics & Spatial Information Technology,
2012, 35(9): 38鄄41.
[ 7 ] 摇 Aguirre鄄Guti佴rrez J, Seijmonsbergen A C, Duivenvoorden J F.
Optimizing land cover classification accuracy for change detection,
a combined pixel鄄based and object鄄based approach in a
mountainous area in Mexico. Applied Geography, 2012, 34:
29鄄37.
[ 8 ] 摇 Im J, Jensen J R, Tullis J A. Object鄄based change detection using
correlation image analysis and image segmentation. International
Journal of Remote Sensing, 2008, 29(2): 399鄄423.
[ 9 ] 摇 Chen G, Hay G J, Carvalho L M T, Wulder M A. Object鄄based
change detection. International Journal of Remote Sensing, 2012,
33(14): 4434鄄4457.
[10] 摇 Descl佴e B, Bogaert P, Defourny P. Forest change detection by
statistical object鄄based method. Remote Sensing of Environment,
2006, 102(1 / 2): 1鄄11.
[11] 摇 Lambin E F, Strahlers A H. Change鄄vector analysis in
multitemporal space: A tool to detect and categorize land鄄cover
change processes using high temporal鄄resolution satellite data.
Remote Sensing of Environment, 1994, 48(2): 231鄄244.
[12] 摇 Sheng H, Liao M S, Zhang L. Determination of threshold in
change detection based on canonical correlation analysis. Journal
of Remote Sensing, 2004, 8(5): 451鄄457.
[13] 摇 Zhang Y J, Li H T, Gu H Y. A research on object鄄oriented
analysis of automatic change information extraction based on
decision tree. Remote Sensing Information, 2011, 26(2): 91鄄94,
97鄄97.
[14] 摇 Gamanya R, De Maeyer P, De Dapper M. Object鄄oriented change
detection for the city of Harare, Zimbabwe. Expert Systems with
Applications, 2009, 36(1): 571鄄588.
[15] 摇 Showstack R. Digital elevation maps produce sharper image of
Earth忆 s topography. EOS Transactions, American Geophysical
Union, 2003, 84(37): 363鄄363.
[16] 摇 Gao F, Masek J G, Wolfe R E. Automated registration and
orthorectification package for Landsat and Landsat鄄like data
processing. Journal of Applied Remote Sensing, 2009, 3
(1): 033515.
[17] 摇 Li A N, Jiang J G, Bian J H, Lei G B, Huang C Q. Experiment
and accuracy analysis of automated registration and
orthorectification for Landsat鄄like images based on AROP. Remote
Sensing Technology and Application, 2012, 27(1): 23鄄32.
[18] 摇 Masek J G, Vermote E F, Saleous N E, Wolfe R, Hall F G,
Huemmrich K F, Gao F, Kutler J, Lim T K. A Landsat surface
reflectance dataset for North America, 1990鄄2000. Geoscience and
1327摇 24期 摇 摇 摇 张正健,等:基于多尺度分割和决策树算法的山区遥感影像变化检测方法 摇
http: / / www.ecologica.cn
Remote Sensing Letters, IEEE, 2006, 3(1): 68鄄72.
[19] 摇 Tab F A, Naghdy G, Mertins A. Scalable multiresolution color
image segmentation. Signal Processing, 2006, 86 ( 7 ):
1670鄄1687.
[20] 摇 Tan Q L, Liu Z J, Shen W. An Algorithm for object鄄oriented
multi鄄scale remote sensing image segmentation. Journal of Beijing
Jiaotong University, 2007, 31(4): 111鄄114, 119鄄119.
[21] 摇 Chen C L, Wu G. Evaluation of optimal segmentation scale with
object鄄oriented method in remote sensing. Remote Sensing
Technology and Application, 2011, 26(1): 96鄄102.
[22] 摇 Song X L, Cheng B. Change detection using change vector
analysis from Landsat TM images in Wuhan. Procedia
Environmental Sciences, 2011, 11: 238鄄244.
[23] 摇 Li X, Shu N, Li L, Wang Y. Research of change detection using
GIS auxiliary data and samples. Computer Engineering and
Applications, 2010, 46(14): 215鄄217, 234鄄234.
[24] 摇 Qi H C, Qi Y, Xu Z. The study of the northwest arid zone land鄄
cover classification based on C5. 0 decision tree algorithm at
Wuwei City, Gansu Province. Remote Sensing Technology and
Application, 2009, 24(5): 648鄄653.
[25] 摇 Pan C, Lin Y, Chen Y Y. Decision tree classification of remote
sensing images based on multi鄄feature. Journal of Optoelectronics
·Laser, 2010, 21(5): 731鄄736.
[26] 摇 Wen X P, Hu G D, Yang X F. Extracting information from ETM+
image using C5. 0 decision tree algorithm. Geography and Geo鄄
Information Science, 2007, 23(6): 26鄄29.
[27] 摇 Shen S H, Guo X M. Effects of image misregistration on the
accuracy of change detection for high resolution remotely sensed
images. Journal of Yangtze River Scientific Research Institute,
2011, 28(10): 205鄄209.
[28] 摇 Zhu J X, Wang K. Object鄄oriented change detection method using
very high spatial resolution imagery. Transaction of the Chinese
Society for Agricultural Machinery, 2013, 44(4): 184鄄189.
[29] 摇 Wang S N, Li A N. The progress in the study of topographic
radiometric correction models. Remote Sensing for Land &
Resources, 2012, 24(2): 1鄄6.
[30] 摇 Wang Y, Shu N, Gong Y. A study of land use change detection
based on high resolution remote sensing images. Remote Sensing
for Land & Resources, 2012, 24(1): 43鄄47.
[31] 摇 Bouziani M, Go觙ta K, He D C. Automatic change detection of
buildings in urban environment from very high spatial resolution
images using existing geodatabase and prior knowledge. ISPRS
Journal of Photogrammetry and Remote Sensing, 2010, 65(1):
143鄄153.
[32] 摇 G覿rtner P, F觟rster M, Kurban A, Kleinschmit B. Object based
change detection of central Asian Tugai vegetation with very high
spatial resolution satellite imagery. International Journal of Applied
Earth Observation and Geoinformation, 2014, 31: 110鄄121.
[33] 摇 Li D R, Xia S, Jiang W S. Approach for terrain change detection
and updating based on orthoimage matching. Geography and Geo鄄
Information Science, 2006, 22(6): 9鄄11.
参考文献:
[ 2 ] 摇 李秀彬. 全球环境变化研究的核心领域———土地利用 /土地覆
被变化的国际研究动向. 地理学报, 1996, 51(6): 553鄄558.
[ 3 ] 摇 王秀兰, 包玉海. 土地利用动态变化研究方法探讨. 地理科学
进展, 1999, 18(1): 81鄄87.
[ 5 ] 摇 孙晓霞, 张继贤, 燕琴, 高井祥. 遥感影像变化检测方法综述
及展望. 遥感信息, 2011, 26(1): 119鄄123.
[ 6 ] 摇 陈鑫镖. 遥感影像变化检测技术发展综述. 测绘与空间地理
信息, 2012, 35(9): 38鄄41.
[12] 摇 盛辉,廖明生,张路. 基于典型相关分析的变化检测中变化阈
值的确定. 遥感学报, 2004, 8(5): 451鄄457.
[13] 摇 张雨霁,李海涛, 顾海燕. 基于决策树的面向对象变化信息自
动提取研究. 遥感信息, 2011, 26(2): 91鄄94, 97鄄97.
[17] 摇 李爱农, 蒋锦刚, 边金虎, 雷光斌, 黄成全. 基于 AROP 程序
包的类 Landsat遥感影像配准与正射校正试验和精度分析. 遥
感技术与应用, 2012, 27(1): 23鄄32.
[20] 摇 谭衢霖,刘正军, 沈伟. 一种面向对象的遥感影像多尺度分割
方法. 北京交通大学学报, 2007, 31(4): 111鄄114, 119鄄119.
[21] 摇 陈春雷, 武刚. 面向对象的遥感影像最优分割尺度评价. 遥感
技术与应用, 2011, 26(1): 96鄄102.
[23] 摇 李雪, 舒宁, 李亮, 王琰. 基于 GIS辅助数据的样本像斑变化
检测方法研究. 计算机工程与应用, 2010, 46(14): 215鄄 217,
234鄄234.
[24] 摇 齐红超, 祁元, 徐瑱. 基于 C5. 0决策树算法的西北干旱区土
地覆盖分类研究———以甘肃省武威市为例. 遥感技术与应用,
2009, 24(5): 648鄄653.
[25] 摇 潘琛, 林怡, 陈映鹰. 基于多特征的遥感影像决策树分类. 光
电子·激光, 2010, 21(5): 731鄄736.
[26] 摇 温兴平, 胡光道, 杨晓峰. 基于 C5. 0决策树分类算法的 ETM
+影像信息提取. 地理与地理信息科学, 2007, 23(6): 26鄄29.
[27] 摇 申邵洪, 郭信民. 影像配准误差对高分辨率遥感影像变化检
测精度影响的研究. 长江科学院院报, 2011, 28 ( 10):
205鄄209.
[28] 摇 祝锦霞, 王珂. 面向对象的高分辨率影像变化检测方法研究.
农业机械学报, 2013, 44(4): 184鄄189.
[29] 摇 王少楠, 李爱农. 地形辐射校正模型研究进展. 国土资源遥
感, 2012, 24(2): 1鄄6.
[30] 摇 王琰,舒宁,龚龑. 高分辨率遥感影像土地利用变化检测方法
研究. 国土资源遥感, 2012, 24(1): 43鄄47.
[33] 摇 李德仁,夏松,江万寿. 基于正射影像匹配的地形变化检测与
更新算法. 地理与地理信息科学, 2006, 22(6): 9鄄11.
2327 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇