公务员期刊网 论文中心 正文

面向对象分类矿区土地利用变化探究

前言:想要写出一篇引人入胜的文章?我们特意为您整理了面向对象分类矿区土地利用变化探究范文,希望能给你带来灵感和参考,敬请阅读。

面向对象分类矿区土地利用变化探究

摘要:采矿活动会引起矿区地表覆被的变化,而矿区土地利用已被认为是影响生态环境的重要因素之一。本文主要是利用高分遥感影像对矿区进行土地利用分类以及变化研究。首先,对两期鹤岗矿区北京二号卫星影像进行数据处理;其次,利用面向对象分类和最大似然法两种分类方法做对比;第三,通过对分类结果进行统计、分析,得到最适合矿区土地利用分类的方法,并最终获取鹤岗矿区土地利用变化。研究结果可用于矿区生产管理,也可作为矿区土地利用规划的理论基础。

关键词:矿区;高分影像;土地利用分类

煤炭工业作为我国的基础产业之一,在国民经济与社会发展中的地位和作用不言而喻[1]。但煤炭的开采对人类赖以生存的土地资源造成了极其严重的破坏,对矿区土地利用进行合理规划与综合整治已势在必行,采用先进的技术手段来发现与分析矿区土地利用变化信息并得出用地变化规律,对土地利用与城乡合理规划以及矿区的可持续发展有着重要的现实意义[2]。由于矿区地物具有高度复杂性和快速变化的特点,目前对于矿区地物进行时序变化和动态检测的研究匮乏。刘杨运用RS和GIS技术对研究区内几个大型矿区的土地利用变化情况进行了分析,有效地了解矿区的态势以及其发展动向[3]。朱权采用最大似然法对矿区土地进行分类,为该地土地恢复提供了有力依据[4]。本文通过分析基于面向对象和最大似然法两种分类方法对矿区进行分类,以期得到精度最高的分类方法,为矿区土地利用变化规划提供理论基础。研究矿区的土地利用变化,有助于更加快速、精确、有效地获取矿区土地利用覆被的变化信息,从而对土地利用变化信息进行分析,明确其动态变化过程以便有效的调整人类社会经济活动,促使土地利用更为合理,有利于矿区的长久发展,为土地发展服务[5]。

1研究区概况及研究方法

1.1研究区概况

本文以鹤岗兴安煤矿为研究区,研究区已经出现影响安全和正常使用的变形破坏,对煤层上部的建筑、水体、道路产生严重的破坏作用,矿区塌陷面积逐渐增大,地表变形破坏,房屋倒塌,农田破坏,同时也对人民生命财产安全造成严重的危害,经济损失惨重[6]。

1.2数据来源

本文选取北京二号卫星鹤岗市兴安煤矿2018年9月和2020年8月的遥感影像作为实验数据,北京二号卫星影像全色分辨率为0.8m,多光谱分辨率为3.2m,包含蓝、绿、红、全色、近红外五个波段。

1.3研究方法

参照国家标准《土地利用现状分类》(GB/T21010—2017)分类标准,并结合北京二号遥感影像和研究区的特征,将研究区的土地利用类型分为采煤用地、道路、耕地、建设用地、林地、水体6类。研究方法流程图如图1所示。1.3.1影像分割。预处理后通过分析文献中的参数设置,对本研究区的遥感影像进行分割尺度选择,设置为120时,地物分割不够完整,设置为210时,地物分割对象比较粗糙,存在一个对象包含另一个对象的现象,经过多次试验,当分割尺度设置为160,形状权重0.2,紧凑度0.5,分割效果较好。不同分割尺度的试验结果如图2所示。1.3.2特征提取与分类。①光谱特征。各类地物的光谱特征之间相差较大,其中水体呈青色,可通过归一化水指数(NDWI)来进行提取,通过统计发现,水体的NDWI值一般大于0.05,非水体是负数;不同地物之间的归一化植被指数(NDVI)值也相差较大,通过实验结果统计分析发现,耕地的NDVI区间范围为0.11~0.35,林地为0.21~0.50,然后在eCognition中将以上参数添加到分类特征条件中。下列为NDWI和NDVI的计算公式:NDWI=(P(Green))-P(NIR)(P(Green))+P(NIR)(1)NDVI=(P(NIR))-P()Red(P(NIR))+P()Red(2)②纹理特征。影像纹理值指灰度值在空间上的变化,是一种独立于颜色反映地物同质性的特征[7]。由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。几种常用的统计量为角二阶矩、熵、对比度、反差分矩阵、相关性等,如用来度量图像的灰度级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关性,值越大,相关性也越大[8]。依据这些统计量,在eCognition中添加条件特征,为后续分类提供参照。③形状特征。除综合上述光谱特征和纹理特征用于分类外,地物的形状特征也是分类的重要依据。通过对研究区影像分析,发现研究区内房屋为长方形状,水体为椭圆形状,道路为长条状。在eCognition中添加shapein⁃dext条件特征,然后研究区的道路就会高亮为条状。本文以光谱特征、纹理特征和形状特征作为主要分类依据。通过多次试验与验证,最终选取以下评价指标体系,研究区地物类别与特征如表1所示。

1.4最大似然法

将2020年8月的北京二号卫星影像经过预处理后,用最大似然法进行矿区土地利用分类,并选取采煤用地、水体、建设用地、林地、耕地、道路等6类地物作为分类样本,样本选取尽量平均,最后通过ENVI操作完成整个研究区的分类。

2实验及结果分析

2.1eCognition分类结果及分析

2.1.1精度评定。①点样本选取。实验选取139个验证样本点,其中,14个建设用地样本点,24个采煤用地样本点,46个耕地样本点,12个道路样本点,2个水体样本点,41个林地样本点。②精度评价。利用验证样本,统计分类正确和错误的数量,构建精度检验混淆矩阵,得到解译精度为87.77%,Kappa系数为0.8375,见表2。

2.2最大似然法分类结果及分析

利用精度评价分析法构建精度检验混淆矩阵,得到最大似然法解译精度为78.76%,Kappa系数为0.7173,结果见表3。通过对以上两种分类结果分析,即面向对象的分类方法的总体精度为87.77%,最大似然法的分类精度为78.76%,发现基于面向对象的分类方法分类精度明显高于最大似然法分类精度,分类效果较为理想。Kappa系数是用于检验分类一致性的指标,也可以用于分类效果的衡量,基于面向对象的分类结果Kappa系数为0.8375,系数值在0.81~1,表示分类结果几乎完全一致,最大似然法分类结果Kappa系数0.7173,系数值在0.61~0.80,表明分类结果具有高度的一致性。由此可知,基于eCognition的面向对象的分类方法具有明显的精度优势。

3动态检测实验

3.1变化结果与分析

通过对两幅原始图分析可知,发现该区域自2018—2020年土地利用整体变化不大,呈建筑群增多,采煤用地减少的变化趋势。为得到鹤岗矿区近两年土地利用变化的具体趋势,基于对2020年8月份北京二号卫星影像的处理与分析,用相同的方法对2018年9月份的卫星影像进行处理,最终得到图3(a),将图3(a)和图3(b)进行比较,可以得到该村的土地利用变化情况。由上表可知,2018—2020年,该研究区土地利用类型发生了变化,因为该地区煤矿开采已到后续阶段,所以采煤用地所占比例减少,这和通过目视解译得出的结论是一致的,此外,由于时代的发展,建设用地与道路相应增加,为人民的生活提供了便利。从研究结论可以看出林地增多、耕地减少,这符合我国目前提出的“退耕还林”的重要政策。

4结语

本文通过对鹤岗矿区分类,对比了不同的分类方法,证明基于eCognition的面向对象方法分类结果精度明显高于基于像素的最大似然法,这是因为基于eCognition的面向对象分类方法除依据ROI的地物特征外,还综合考虑地物的光谱特征、形状特征和纹理特征。实验结果表明,鹤岗矿区土地利用类型的面积发生了变化,主要是矿区向其他类别的转移,主要转移对象为林地,其中建设用地、道路的面积是处在增加的过程,揭示了矿区土地利用结果的迁移状况向着生态环境的恢复治理工作推进,研究结果可为矿区的可持续发展提供理论依据。

作者:杨书平 邵杰 赵威成 单位:黑龙江科技大学 华润燃气郑州工程建设有限公司