面向對象分類礦區土地利用變化探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了面向對象分類礦區土地利用變化探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：采礦活動會引起礦區地表覆被的變化，而礦區土地利用已被認為是影響生態環境的重要因素之一。本文主要是利用高分遙感影像對礦區進行土地利用分類以及變化研究。首先，對兩期鶴崗礦區北京二號衛星影像進行數據處理；其次，利用面向對象分類和最大似然法兩種分類方法做對比；第三，通過對分類結果進行統計、分析，得到最適合礦區土地利用分類的方法，并最終獲取鶴崗礦區土地利用變化。研究結果可用于礦區生產管理，也可作為礦區土地利用規劃的理論基礎。

關鍵詞：礦區；高分影像；土地利用分類

煤炭工業作為我國的基礎產業之一，在國民經濟與社會發展中的地位和作用不言而喻［1］。但煤炭的開采對人類賴以生存的土地資源造成了極其嚴重的破壞，對礦區土地利用進行合理規劃與綜合整治已勢在必行，采用先進的技術手段來發現與分析礦區土地利用變化信息并得出用地變化規律，對土地利用與城鄉合理規劃以及礦區的可持續發展有著重要的現實意義［2］。由于礦區地物具有高度復雜性和快速變化的特點，目前對于礦區地物進行時序變化和動態檢測的研究匱乏。劉楊運用RS和GIS技術對研究區內幾個大型礦區的土地利用變化情況進行了分析，有效地了解礦區的態勢以及其發展動向［3］。朱權采用最大似然法對礦區土地進行分類，為該地土地恢復提供了有力依據［4］。本文通過分析基于面向對象和最大似然法兩種分類方法對礦區進行分類，以期得到精度最高的分類方法，為礦區土地利用變化規劃提供理論基礎。研究礦區的土地利用變化，有助于更加快速、精確、有效地獲取礦區土地利用覆被的變化信息，從而對土地利用變化信息進行分析，明確其動態變化過程以便有效的調整人類社會經濟活動，促使土地利用更為合理，有利于礦區的長久發展，為土地發展服務［5］。

1研究區概況及研究方法

1.1研究區概況

本文以鶴崗興安煤礦為研究區，研究區已經出現影響安全和正常使用的變形破壞，對煤層上部的建筑、水體、道路產生嚴重的破壞作用，礦區塌陷面積逐漸增大，地表變形破壞，房屋倒塌，農田破壞，同時也對人民生命財產安全造成嚴重的危害，經濟損失慘重［6］。

1.2數據來源

本文選取北京二號衛星鶴崗市興安煤礦2018年9月和2020年8月的遙感影像作為實驗數據，北京二號衛星影像全色分辨率為0.8m，多光譜分辨率為3.2m，包含藍、綠、紅、全色、近紅外五個波段。

1.3研究方法

參照國家標準《土地利用現狀分類》（GB/T21010—2017）分類標準，并結合北京二號遙感影像和研究區的特征，將研究區的土地利用類型分為采煤用地、道路、耕地、建設用地、林地、水體6類。研究方法流程圖如圖1所示。1.3.1影像分割。預處理后通過分析文獻中的參數設置，對本研究區的遙感影像進行分割尺度選擇，設置為120時，地物分割不夠完整，設置為210時，地物分割對象比較粗糙，存在一個對象包含另一個對象的現象，經過多次試驗，當分割尺度設置為160，形狀權重0.2，緊湊度0.5，分割效果較好。不同分割尺度的試驗結果如圖2所示。1.3.2特征提取與分類。①光譜特征。各類地物的光譜特征之間相差較大，其中水體呈青色，可通過歸一化水指數（NDWI）來進行提取，通過統計發現，水體的NDWI值一般大于0.05，非水體是負數；不同地物之間的歸一化植被指數（NDVI）值也相差較大，通過實驗結果統計分析發現，耕地的NDVI區間范圍為0.11~0.35，林地為0.21~0.50，然后在eCognition中將以上參數添加到分類特征條件中。下列為NDWI和NDVI的計算公式：NDWI=(P(Green))-P(NIR)(P(Green))+P(NIR)（1）NDVI=(P(NIR))-P()Red(P(NIR))+P()Red（2）②紋理特征。影像紋理值指灰度值在空間上的變化，是一種獨立于顏色反映地物同質性的特征［7］。由于灰度共生矩陣的數據量較大，一般不直接作為區分紋理的特征，而是基于它構建的一些統計量作為紋理分類特征。幾種常用的統計量為角二階矩、熵、對比度、反差分矩陣、相關性等，如用來度量圖像的灰度級在行或列方向上的相似程度，因此值的大小反映了局部灰度相關性，值越大，相關性也越大［8］。依據這些統計量，在eCognition中添加條件特征，為后續分類提供參照。③形狀特征。除綜合上述光譜特征和紋理特征用于分類外，地物的形狀特征也是分類的重要依據。通過對研究區影像分析，發現研究區內房屋為長方形狀，水體為橢圓形狀，道路為長條狀。在eCognition中添加shapein⁃dext條件特征，然后研究區的道路就會高亮為條狀。本文以光譜特征、紋理特征和形狀特征作為主要分類依據。通過多次試驗與驗證，最終選取以下評價指標體系，研究區地物類別與特征如表1所示。

1.4最大似然法

將2020年8月的北京二號衛星影像經過預處理后，用最大似然法進行礦區土地利用分類，并選取采煤用地、水體、建設用地、林地、耕地、道路等6類地物作為分類樣本，樣本選取盡量平均，最后通過ENVI操作完成整個研究區的分類。

2實驗及結果分析

2.1eCognition分類結果及分析

2.1.1精度評定。①點樣本選取。實驗選取139個驗證樣本點，其中，14個建設用地樣本點，24個采煤用地樣本點，46個耕地樣本點，12個道路樣本點，2個水體樣本點，41個林地樣本點。②精度評價。利用驗證樣本，統計分類正確和錯誤的數量，構建精度檢驗混淆矩陣，得到解譯精度為87.77%，Kappa系數為0.8375，見表2。

2.2最大似然法分類結果及分析

利用精度評價分析法構建精度檢驗混淆矩陣，得到最大似然法解譯精度為78.76%，Kappa系數為0.7173，結果見表3。通過對以上兩種分類結果分析，即面向對象的分類方法的總體精度為87.77%，最大似然法的分類精度為78.76%，發現基于面向對象的分類方法分類精度明顯高于最大似然法分類精度，分類效果較為理想。Kappa系數是用于檢驗分類一致性的指標，也可以用于分類效果的衡量，基于面向對象的分類結果Kappa系數為0.8375，系數值在0.81~1，表示分類結果幾乎完全一致，最大似然法分類結果Kappa系數0.7173，系數值在0.61~0.80，表明分類結果具有高度的一致性。由此可知，基于eCognition的面向對象的分類方法具有明顯的精度優勢。

3動態檢測實驗

3.1變化結果與分析

通過對兩幅原始圖分析可知，發現該區域自2018—2020年土地利用整體變化不大，呈建筑群增多，采煤用地減少的變化趨勢。為得到鶴崗礦區近兩年土地利用變化的具體趨勢，基于對2020年8月份北京二號衛星影像的處理與分析，用相同的方法對2018年9月份的衛星影像進行處理，最終得到圖3（a），將圖3（a）和圖3（b）進行比較，可以得到該村的土地利用變化情況。由上表可知，2018—2020年，該研究區土地利用類型發生了變化，因為該地區煤礦開采已到后續階段，所以采煤用地所占比例減少，這和通過目視解譯得出的結論是一致的，此外，由于時代的發展，建設用地與道路相應增加，為人民的生活提供了便利。從研究結論可以看出林地增多、耕地減少，這符合我國目前提出的“退耕還林”的重要政策。

4結語

本文通過對鶴崗礦區分類，對比了不同的分類方法，證明基于eCognition的面向對象方法分類結果精度明顯高于基于像素的最大似然法，這是因為基于eCognition的面向對象分類方法除依據ROI的地物特征外，還綜合考慮地物的光譜特征、形狀特征和紋理特征。實驗結果表明，鶴崗礦區土地利用類型的面積發生了變化，主要是礦區向其他類別的轉移，主要轉移對象為林地，其中建設用地、道路的面積是處在增加的過程，揭示了礦區土地利用結果的遷移狀況向著生態環境的恢復治理工作推進，研究結果可為礦區的可持續發展提供理論依據。

作者:楊書平 邵杰 趙威成 單位:黑龍江科技大學 華潤燃氣鄭州工程建設有限公司