卫星图像分析：土地利用分类与变化检测

FreeGuideOnline 最新 2026-06-24

什么是土地利用分类与变化检测

土地利用分类是通过分析卫星图像的光谱、空间与时间特征，将地表划分为不同功能类型（如农田、林地、城市、水体）的过程。变化检测则是在多时相图像上识别地表覆盖发生转变的位置与类型。二者结合能够回答“哪里从林地变成了耕地”或“城市扩张速度多快”等关键问题，广泛应用于城市规划、农业监测、灾害评估与生态研究。

本教程面向初学者，将拆解从数据获取到变化检测结果输出的全流程，帮助你快速掌握这一遥感分析核心技能。

卫星图像数据源与选择

常用开放数据源

  • Landsat 系列（8/9）
    空间分辨率 30 m，重访周期 16 天。提供可见光、近红外、短波红外等多个波段，历史存档自 1980 年代起，适合长期变化分析。
  • Sentinel-2（欧空局）
    空间分辨率 10 m / 20 m，重访周期 5 天。拥有 13 个波段，红边波段对植被状态极为敏感，是近期土地利用分类的首选。
  • MODIS
    空间分辨率 250 m – 1 km，每日覆盖。适合洲际尺度、快速变化的动态监测，但细节识别能力有限。

数据下载平台

  • USGS EarthExplorer（Landsat）
  • Copernicus Open Access Hub（Sentinel）
  • Google Earth Engine（在线处理，免下载）

选择数据时优先考虑云量低于 10% 的图像，并确保多期图像处于同一季节，以减小植被物候带来的伪变化。

图像预处理：让数据可比较

预处理是保证分类精度和变化检测可靠性的基础。主要步骤包括：

辐射定标与大气校正

卫星记录的原始值（DN）需转换为地表实际反射率。使用以下工具可完成：

  • ENVI 中的 FLAASH/QUAC 模块
  • QGIS 中的 Semi-Automatic Classification Plugin (SCP) 基于 6S 模型
  • Sen2Cor 专门处理 Sentinel-2 L1C 数据生成 L2A 产品
大气校正步骤（以Sen2Cor为例）：
L1C_输入产品 → Sen2Cor → L2A_地表反射率产品

几何精校正

使多时相图像像素精确对齐。若使用同一传感器、同一轨道产品，通常定位误差已较小；跨传感器对比时，需以一幅图为基准，对其他图像进行自动配准（如使用 QGIS 的 Georeferencer 或 ENVI 的 Image Registration Workflow）。

云与阴影掩膜

利用 QA 波段（Landsat 的 QA_PIXEL，Sentinel-2 的 SCL 场景分类图层）自动去除云、云影及雪。手动补充检查可避免漏检薄云。

土地利用分类核心方法

分类体系定义

根据研究目标定义分类系统，通常遵循 FAO 的土地覆盖分类体系（LCCS）或自定义类别。典型的类别如：

  1. 林地
  2. 草地
  3. 耕地
  4. 水体
  5. 建设用地
  6. 裸土

确保类别互斥且完全穷尽。

监督分类流程

适用于有训练样本的情况，精度通常最高。

  1. 选择训练样本
    在高分辨率底图或实地调查辅助下，为每个类别选取 50–100 个像元以上的多边形样本。样本应涵盖类内光谱变异。

  2. 提取光谱特征与指数
    除原始波段外，可计算归一化植被指数（NDVI）、归一化建筑指数（NDBI）、改进归一化水体指数（MNDWI）等，参与分类。

    NDVI = (NIR - Red) / (NIR + Red)
MNDWI = (Green - SWIR) / (Green + SWIR)

  3. 分类器选择

    • 随机森林（Random Forest）：对噪声鲁棒，能处理高维特征，适合初学者。Python 的 scikit-learn 或 R 的 randomForest 均可实现。
    • 支持向量机（SVM）：小样本下表现好，但参数调节稍复杂。
    • 最大似然法：经典参数分类器，要求样本满足正态分布。

  4. 精度评估
    留出独立验证样本（至少总体样本的 20%），计算混淆矩阵与 Kappa 系数。总体精度一般要求大于 85%。

非监督分类快速概览

当缺乏训练样本时，可采用 ISODATA 或 K-Means 聚类自动将像元分组，再通过目视判读赋予类别标签。精度通常低于监督分类，但适用于快速摸底。

变化检测主流技术

分类后比较法

最直观的方法：分别对 t1 和 t2 图像进行分类，然后逐像元比较类别变化。

操作步骤

  1. 分别完成两期图像的分类，确保分类体系和图例完全一致。
  2. 使用栅格计算器或 ArcGIS 的 Combine 工具生成变化矩阵。
  3. 从变化矩阵中提取“林地→耕地”、“草地→建设用地”等关注转换。

优点：可以获得完整的“从-到”信息。
注意事项：分类误差会在两个时期叠加，导致最终变化精度约为各期精度的乘积（例如 90% × 90% = 81%）。需尽可能提高单期分类精度。

图像差值/比值法

直接计算两期影像光谱指数（如 NDVI）的差值，并设定阈值判断变化与否。

ΔNDVI = NDVI_t2 - NDVI_t1
|ΔNDVI| > 阈值 → 变化区域

适用场景：植被覆盖变化、火灾迹地、洪水淹没范围等单一类型变化。
限制：阈值设定主观性强，且无法区分变化类型。

变化向量分析（CVA）

同时利用两个波段的差异构成向量，向量的长度表示变化强度，方向表示变化类型。常用于“植被变化”与“裸土增加”等场景的区分。

实现思路（以两个时相的红与近红外波段为例）：

  1. 计算 t1 和 t2 的 Red 差值 ΔR 和 NIR 差值 ΔNIR。
  2. 变化强度 = sqrt(ΔR² + ΔNIR²)
  3. 变化方向 = arctan(ΔNIR / ΔR)，按象限划分类型区域。
  4. 设置强度阈值提取显著变化像元，再通过方向分段归类变化类型。

CVA 对辐射归一化要求较高，需确保两期反射率产品可比。

实战示例：QGIS 与 Python 结合的简易流程

环境准备

  • QGIS 3.34（含 SCP 插件）用于预处理与样本选取
  • Python 3.10 环境，安装 rasterio、scikit-learn、numpy、pandas、matplotlib

步骤 1：数据获取与预处理

  1. 在 Copernicus Hub 下载同一季节的两景 Sentinel-2 L2A 数据（如 2020 年 8 月和 2023 年 8 月）。
  2. 使用 SCP 插件统一波段像素大小至 10 m，导出裁切后的感兴趣区域（AOI）多波段 GeoTIFF。

步骤 2：样本制作

在 QGIS 中创建点或多边形 shapefile，添加 class_id 字段，为每个类别勾绘足够的训练样本。导出样本点对应的光谱值（通过 SCP 的“Save ROI to CSV”或使用 rasterio 采样）。

步骤 3：分类模型训练与预测

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import rasterio

# 读取样本CSV（包含波段值和class_id）
df = pd.read_csv('training_samples.csv')
X = df[['B2','B3','B4','B8','NDVI']].values
y = df['class_id'].values

X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.3, random_state=42)

rf = RandomForestClassifier(n_estimators=100, max_depth=12, random_state=42)
rf.fit(X_train, y_train)
print('验证准确率：', rf.score(X_valid, y_valid))

对两期影像分别读取波段数组，构建相同特征，然后预测得到分类图。

步骤 4：变化检测（分类后比较）

# 读取两期分类结果（已保存为二维数组 class_t1, class_t2）
change_map = class_t2.copy()
# 将未变化区域赋值0，变化区域编码为转换类型字符串
change_map[class_t1 == class_t2] = 0
mask_changed = class_t1 != class_t2
# 生成变化编码：例如 "1_to_3"
change_code = np.char.add(np.char.add(class_t1.astype(str), '_to_'), class_t2.astype(str))
change_map[mask_changed] = change_code[mask_changed]
# 保存为GeoTIFF

最后在 QGIS 中加载，按编码赋予颜色，即可直观查看土地利用变化分布。

精度验证与质量控制

  • 分类精度：使用独立验证样本计算用户精度、生产者精度和总体精度。可生成混淆矩阵报告。
  • 变化检测精度：随机生成 100–200 个验证点，通过人工解译高分辨率图像或实地调查确定真实变化状态，计算变化检测的漏检率与虚警率。
  • 面积不确定性：如果存在分类偏差，直接统计各类别面积会失真。可采用面积估计校正方法（如 stratified estimator）减小偏差。

常见误区与提升策略

  1. 忽略季节性差异：两期图像月份不同导致植被正常物候被误检为变化。解决方案：严格选取相同月份数据。
  2. 辐射归一化缺失：大气校正不足或传感器差异导致图像反射率存在整体偏置。应对多期图像进行相对辐射归一化（如使用 PIF 伪不变特征法）。
  3. 类别定义不连续：同一地类在两期中分类标准不一致（如“稀疏林地”在一期归入林地，另一期归入草地）。需固定分类规则和阈值。
  4. 仅依赖光谱忽略纹理和形状：可加入 GLCM 纹理特征或利用面向对象分类（如 eCognition、Orfeo Toolbox）提升复杂景观下的精度。

延伸学习资源

  • 书籍：《Remote Sensing and Image Interpretation》(Lillesand et al.)
  • 课程：ESRI 的“Imagery in Action” MOOC
  • 代码：Google Earth Engine 官方土地利用分类教程
  • 数据竞赛：IEEE GRSS 数据融合大赛历年题目覆盖分类与变化检测