Google Earth辅助3S技术在LUCC研究中的应用

代龙惠 张晶香

（曲靖师范学院城市学院，云南 曲靖 655011）

1 LUCC是研究领域的前沿和重点

土地利用/覆盖（LUCC）的变化可影响水质和水量，某一流域内部的土地利用/覆盖类型的比例变化是造成河流水质变化的主要原因。土地利用/覆盖研究对城市的发展有重要意义，是目前的研究重点。土地利用动态监测具有长期性、实时性、综合性等特点，同时要求调查结果必须具备较高的精确度和准确性，而常规的方法和人工监测具有较大的局限性，且费时费力。地球资源卫星的发展为人类提供了大量波段、多时相，能综合反映地表实况的遥感图像和数据，利用3S技术和Google Earth对土地资源及其利用变化研究具有重要的现实意义［1］。

2 3S和Google Earth在LUCC研究中的技术优势

遥感（RS）、地理信息系统（GIS）、全球定位系统（GPS）合称3S技术。遥感（RS）的主要作用是GIS数据源，利用遥感数字图像获取地面高程数据，从而更新GIS中的高程数据，及时获取土地利用和覆盖的动态变化信息。遥感影像具有客观性、真实性且更新迅速。地理信息系统（GIS）具有地理数据的采集功能、管理功能、空间分析和地理信息的可视化功能，其中空间分析是地理信息系统的灵魂，在土地领域的应用主要包括土地信息管理、动态监测以及地籍信息的管理。随着计算机技术的提升，地理信息的可视化功能具有无限的开发前景和拓展空间。全球定位系统（GPS）具有精确的定位能力和准确定时的测速能力，在土地资源的调查中，GPS是独立获取数据的手段之一；在土地利用动态监测中，GPS是遥感技术的辅助定位手段，同时GPS是野外精准核查的保证［2-3］。

Google Earth是谷歌公司的卫星技术，是一款覆盖全球所有角落的虚拟地球软件。将卫星照片、GIS和三维建模相结合，卫星影像与航拍的数据相结合，能观察全球的地貌影像、历史影像，同时具有录屏功能。通过对已知地物（名称、坐标）的搜索可以直接精确定位，提供3D地形和建筑物，其浏览视角支持倾斜或旋转，可测量高度、高差和两地间的距离。此外，图层的应用、多边形窗口的新建、地标文件的导出都对LUCC的研究有益。用户可以通过软件观看1984—2018年的地表变化，为土地利用变化研究提供新的思路［4］。

3 研究概述

3.1 研究区区域简介

滇中地区包括昆明市、曲靖市、楚雄市和玉溪市4个城市，涉及约50个县（市）区，国土面积约10万km2。开发强度较低，可利用土地资源具备一定潜力。滇中地区位于长江、珠江和红河上游，有滇池、抚仙湖等高原湖泊，水资源保障程度较高，但缺水问题较为严重。湖泊水、土地和生物资源是昆明市、玉溪市等中心城市发展的重要资源，至今湖泊流域仍然是滇中城市社会经济最发达、人口最集中的地区。但是，云贵高原大部分湖泊生态环境较脆弱，受人类活动的影响大，存在湖泊污染严重、资源过度开发等问题。

滇池是中国西南地区最大的湖泊，有“高原明珠”之称，位于云南省昆明市西南方。其属于长江水系，有盘龙江等河流注入，湖面海拔1 886 m，面积330 km2，湖水平均深度为5 m，最深处为8 m，是云南省最大的淡水湖，属于富营养型湖泊。滇池位于昆明市西山脚下，呈南北向分布，湖体略呈弓型。

抚仙湖，湖水清澈见底、晶莹剔透，被古人称为“琉璃万顷”，是我国水质最好的天然湖泊之一，是中国最大的深水型淡水湖泊。其位于云南省玉溪市澄江县、江川县、华宁县三县间，是珠江源头第一大湖，属于南盘江水系。湖面海拔1 722.5 m，面积216.6 km2，湖水平均深为95.2 m，最深处为158.9 m，相当于12个滇池的容水量。

3.2 Google Earth和3S在LUCC研究中的处理流程

本次研究重点说明了在Google Earth的辅助下，3S技术在土地利用方面的运用。选择符合要求的Landsat TM遥感影像（格式为_MTL.txt）进行分析，TM遥感影像信息量较丰富，针对性较强。考虑到地物自身的属性特征和同一地物不同地域间的差异，本次研究采用地理空间数据云（http://www.gscloud.cn/）网站中2018年3月1日的Landsat TM影像（行列号为129/43）为例。滇中部分地区的遥感图像，云量低于1%，对遥感影像进行预处理，并将土地利用类型进行监督分类。在分类过程中利用Google Earth进行补判，提高解译精度。

4 遥感影像的土地利用分类

4.1 土地利用遥感分类标准

土地利用是人类通过一定的活动，利用土地的属性来满足自己需要的过程。土地利用分类的依据是土地的利用方式、用途、经营特点以及覆盖特征等因素。土地利用遥感分类标准是进行遥感影像分类的重要依据和基础，其与土地利用分类体系不完全相同，在实际划分过程中需要充分考虑遥感影像实际可操作性和研究区的土地利用结构特征，以便于更好地进行土地利用解译。按照我国2017年11月1日发布的土地利用现状分类标准，研究区域的实际情况以及遥感影像中地物的影像特征，将土地利用类型分为耕地、林地、水域、建设用地和未利用地5类［5］。

4.2 Google Earth在遥感影像预处理的应用

首先对研究区遥感数据进行预处理，遥感图像的预处理是指遥感数据在识别、理解、判读和分析前的处理过程，包括光学处理、数字图像的校正与增强等。能突出有用信息，提高目视判读的准确率，是遥感数据处理的重要步骤之一。本次研究首先对研究区进行辐射定标，然后对生成的文件进行大气校正，传感器本身产生的误差和大气对辐射的影响是引起图像畸变的主要原因，通过对TM数据和Google Earth数据的对比来判定几何畸变程度，然后进行几何校正。

根据研究区的不同，需要选取研究区的范围。其中，图像镶嵌是指在一定数学基础控制下，把多景相邻遥感图像拼接成一个大范围、无缝的图像的过程。图像裁剪的目的是将研究之外的区域去除。Google Earth可以通过对以知地物（名称、坐标）的搜索，直接精确定位并测量高度、高差和两地间的距离。在进行图像裁剪时可以先确定准确的地点坐标，两地间的距离，区域的准确范围，以得到准确的研究区面积，为制作研究区的转移矩阵提供数据来源，提升准确率，为研究区的灵活选取提供可行性方案。在处理特殊问题时，需要进行多元信息的复合，实现遥感数据的优势互补，提高目视解译效果，提高定量分析的精度［6］。

4.3 Google Earth在遥感影像判读的应用

本次研究区的TM影像亮度偏低，整体较暗，不利于目视解译中对各个地物的识别，需要作图像增强处理。线性变换是图像增强处理最常用的方法，能提高影像的对比度，从而加强地物特征，提高分类精度。在判读2018年的遥感影像时，先对研究区的影像进行2%的线性拉伸。该实验采用2018年的遥感影像（来自landsat8卫星），为了取得最佳的目视效果，对图像进行了不同波段假彩色合成目视效果对比。结合前人的工作经验，以及研究区的植被比重较大的特点，本次实验采用TM543（NIR、Red、Green）组合和 TM432（Red、Green、Blue）组合。

在遥感解译的过程中，发现依据遥感解译标志（包括遥感影像上的色调、色彩、大小、形状、阴影、纹理、图型以及间接解译标志）、波段组合等方法还是无法确定地物的地类，主要存在以下问题。一是云南省属山地高原地形，正所谓“大山深处有人家”，处于山地中的居民区和耕地比较分散，在加上TM影像数据分辨率有限，且标准假彩色影像中植被都呈现红色，极容易造成误判。二是受地形、水资源等客观因素的影响，云南省山区因地制宜发展农业，农村居民区和耕地可能距离较远，容易将耕地误判为林地。三是遥感影像的成像时间会直接影响专题内容的解译质量。就云南省而言，处于山区的耕地还可能无农作物覆盖，在判读的过程中，还应该区分耕地和未利用地。四是在影像解译的过程中，还遇到根据自身经验和所学知识无法判读的像元。

上述问题都需要运用辅助分类软件。Google Earth作为最常用的辅助分类软件，可以在室内对不确定地物进行补判，方便、直观的同时节省人力、物力、财力等资源，提高了土地利用/覆盖的动态监测精确性和效率。Google Earth提供了1984—2018年的数据，在解译的过程中能够提供大量的参考数据，可以根据研究数据的时间来调整Google Earth的时间轴，在Google Earth软件中找到待确定地物（地理坐标）后，调整Google Earth影像图示时间，使研究区的TM影像的成像时间和Google Earth影像图示时间保持一致，对地物的地类进行判读。本次实验解译选择2018年3月的TM数据，在用Google Earth软件进行对比时，应该将时间轴调至2018年3月。其中，432（Red、Green、Blue）自然真彩色影像中未利用地一般呈褐色，在无法准确判读时，可以借助Google Earth观察判定是否是未利用地；543（NIR、Red、Green）标准假彩色影像中植被为红色，但影像中耕地区域有时显示绿色，有时是红色和绿色乱序排列，无法准确判读时，借助Google Earth观察，能准确判定该地物类型。

Google Earth和3S技术在土地利用/覆盖的优势有所差异，在解译时，需要多种方法相结合，其中Google Earth的补判对精确度的提高有很大帮助。其中最基本的地类判读方式有以下几种。一是耕地：543（NIR、Red、Green）标准假彩色影像中植被为红色。耕地多以居住地为中心，以同心圆的形式呈现，同时还有阶梯状（梯田）、棋盘状、框状结构。TM影像中与建筑用地接近的规则的地物，且颜色较林地浅。二是林地：543（NIR、Red、Green）标准假彩色影像中植被呈红色。一般位于有一定海拔的山地，有较强立体感，且明暗（山体阴影）交错，面积分布广。三是水体：564（NIR、SWIR1、Red）假彩色影像中水体为蓝黑色或黑色，通常水体颜色和水质密切相关。与耕地和建筑用地不同，水体属于自然地物，地物边界圆滑。四是建筑用地：764（SWIR2、SWIR1、Red）假彩色影像中建筑用地为淡紫色，农村居民地在整幅影像上零星排列，周围一般为耕地。城市建设用地内部可见交通道路纵横交错，且地物边界规则。

5 结语

滇中兴，则云南兴。滇中地区在云南省具有重要的经济战略意义。土地利用可改变地表下垫面的理化性质，影响水循环和水量平衡，从而影响水资源的开发利用。探究土地利用类型，可以进行土地利用的变化速度分析、变化趋势预测、驱动力分析以及土地利用类型持续性分析等，为土地利用规划和监测提供合理的参考。

3S技术在土地科学研究领域的应用，为土地科学研究带来了新的方法，具有明显的经济效益和社会效益。在常规的土地资源调查中，获取数据的周期长，且精确度低，数据的管理、储存、传输和分析手段落后，无法获得及时、准确、全方位的土地信息。再加上人类活动强度的增大，每年的土地利用和覆盖程度也发生着不同程度的变化，耗费大量的资金和人力，但是调查数据难以反映现状。3S技术的运用，改善了传统土地数据获取在获取时间、数据精确度以及数据管理方面的不足。但是在实际的判读中经常会遇到无法识别的地物，这说明仅仅利用3S技术远远不够，需要通过Google Earth进行补判。

Google Earth是具有高分辨率的遥感影像，在解译过程中可以对不确定的地物通过共同坐标进行辅助判读，提高解译精度和判读；其全球历时数据为土地利用动态监测提供判断依据。Google Earth的数据在精度评价验证的过程中也有其自身优势，历时的超大数据能代替难以到达区域的实地调查。其中城市建设用地的变化尤为突出，利用文献资料烦琐，且会造成二次误差，而Google Earth的数据能直观反映结果，并能与其他遥感数据匹配使用。