基于傾斜攝影技術的煤礦地區土地利用動態變化預測系統

張偉冰，龐 宇，陸汝成

(1.南寧師范大學，廣西 南寧 530001； 2.廣西國土資源規劃設計集團有限公司，廣西 南寧 530000)

為解決上述問題，近年來諸多學者設計了各種土地利用動態變化預測系統，用來預測煤礦地區土地利用動態變化。如鄧元杰等[3]設計的基于CLUE-S模型和Markov模型的土地利用變化模擬預測系統，桑瀟等[4]設計的基于TM和OLI數據的土地利用動態變化分析與預測系統。上述系統在進行相關數據采集時依然采用傳統的航空與航天技術獲取數據，需要在很長時間內才能獲取所需影像數據，當出現雨雪等不正常天氣時，更無法獲取清晰準確的土地利用影像數據，導致獲取影像數據的時間與物力大大增加，同時獲取的影像數據精度較低，無法更真實地反映土地利用狀況[5]。

而無人機傾斜攝影技術可將無人駕駛技術與低空傾斜攝影技術進行完美結合，并將當前存在的通信與定位效果較好的技術與其融合在一起，在進行煤礦地區土地利用狀況影像數據采集時，可使采集數據的效率和精度得到顯著提升[6]。因此，本文設計基于傾斜攝影技術的煤礦地區土地利用動態變化預測系統，將傾斜攝影技術應用于煤礦地區土地利用動態的變化預測中，在進行煤礦地區土地利用動態變化預測時的效率與準確率更高，可更好滿足煤礦地區土地利用動態變化預測工作的需求。

1 土地利用動態變化預測系統的總體架構

為了有效預測煤礦地區土地利用動態變化，設計包含數據感知層、網絡通信層、數據模型服務層、應用邏輯層以及土地動態預測中心的煤礦地區土地利用動態變化預測系統(圖1)。

圖1 系統總體架構Fig.1 Overall system architecture

(1)數據感知層。包括通信終端模塊、無人機數據采集模塊等模塊，可利用傾斜攝影技術實現對煤礦地區土地利用相關影像數據的有效采集，并借助通信終端模塊將所獲土地利用相關數據發送到網絡通信層[7]。

(2)網絡通信層。可將數據感知層獲得的煤礦地區土地利用相關數據傳輸給數據模型服務層，實現數據感知層與數據模型服務層的有效連接。

(3)數據模型服務層。包括土地利用數據庫與土地利用模型變化數據庫。其中，土地利用數據庫用來存儲與管理由網絡通信層傳輸的與土地利用相關的圖形以及影像等數據；土地利用模型變化數據庫用于對用于土地利用動態變化預測的數據進行存儲、管理與分析。

(4)應用邏輯層。包含VisualC++平臺與MapObjects控件2個模塊，將2個模塊聯合起來應用對各類地圖執行調用操作，方便煤礦地區土地利用動態變化預測。除對各類地圖進行調用外，2個模塊還可實現對模型變化數據庫數據的調用，為煤礦地區土地利用動態變化預測的計算做準備。

從各相關系數來看，與南京河流表層沉積物中APA最具相關性的是有機質質量百分數(r=0.763)，極顯著正相關(p=0.006)；其次是總磷(r=0.703)，顯著正相關(p=0.016)；再次為可交換態氮，與硝酸鹽氮、銨態氮均顯著正相關。表明表層沉積物營養成分充足情況下，使各種微生物保持旺盛的新陳代謝，則APA相對較高。各種磷形態中TP與APA的相關性最好，OP其次。APA與OP相關性較好，為正相關(r=0.576)。這一現象說明調查區域沉積物的有機磷經堿性磷酸酶作用產生的無機磷為沉積物中生物所利用。可交換態氮與APA的相關性好于凱氏氮，進一步印證了上述結論。

(5)土地動態預測中心。包括土地動態數據獲取模塊[8]、DSM圖像生成模塊、預測DSM圖像數據存儲模塊及土地動態預測與管理模塊。土地動態預測中心是整個煤礦地區土地利用動態變化預測系統中最重要的一個環節。土地動態數據獲取模塊在接收到由應用邏輯層調用的用于模型計算的數據后，通過模型計算模塊對數據進行相關的計算，將計算得到的數據存儲于預測存儲數據庫，土地動態預測與管理模塊根據預測數據存儲數據庫提供的信息，實現土地利用動態變化的預測與管理。

2 土地利用動態變化預測系統硬件設計

2.1 數據感知層設計

煤礦地區土地利用動態變化預測系統的數據感知層包含圖像采集模塊、圖像存儲與處理模塊、緊急狀況報警模塊以及能量供應模塊的圖像感知層。數據感知層結構如圖2所示。數據感知層利用無人機傾斜攝影技術實現土地利用相關圖像信息的采集，同時具備對采集到圖像進行存儲、處理、能量供應以及進行圖像采集時緊急狀況的報警等功能[9]，為土地利用相關信息提供精準感知服務。

圖2 數據感知層結構Fig.2 Data perception layer structure

2.2 圖像采集模塊

系統數據感知層的無人機圖像采集模塊利用無人機傾斜攝影技術進行土地利用數據采集，采集過程主要包括飛行前準備、土地利用數據采集、完成飛行后的檢查、采集到的土地利用數據檢查與補飛4個階段。當無人機飛行到適合進行數據采集的高度時，不能隨機選擇航線、拍攝參數進行影像拍攝，必須嚴格按照土地利用預測方案中關于航線以及拍攝參數等的要求執行[10]。針對上述要求設計無人機圖像采集模塊，其結構如圖3所示。

圖3 無人機圖像采集模塊Fig.3 UAV image acquisition module

3 土地利用動態變化預測系統軟件設計

3.1 無人機傾斜攝影的土地DSM圖像生成

在利用無人機傾斜攝影技術進行煤礦地區土地利用動態變化預測時，為了提高預測速度與精度，需對所采集到的土地圖像進行影像去噪增強處理以及相機畸變修正，并將去噪過的土地影像通過匹配策略生成煤礦地區土地利用動態變化預測所需的土地DSM(數字表面模型)影像數據[11]。土地圖像去噪增強主要通過Wallis濾波器實現。其工作原理的實質是對無人機傾斜攝影采集土地圖像的較大反差與較小反差分別進行弱化與增強，從而有效執行對局部土地圖像的變換操作，達到增強土地圖像的目的[12]。用公式可將Wallis濾波器定義為：

(1)

式中，f(x，y)與G(x，y)分別為利用Wallis濾波器進行無人機傾斜攝影采集土地圖像增強操作后圖像與原始圖像在(x，y)處的灰度值；mg與sg分別為原始像元的灰度均值與灰度值標準偏差；sf為土地影像的方差的目標值；c為土地影像方差的擴展常數；a為量度系數。

相機畸變修正采用10參數模型算法。應用10參數模型進行相機畸變修正操作的實質是，將能夠對相機成像造成各種影響的物理性因素執行抽象操作形成一個數學模型，從而將相機成像的系統誤差清晰地展現出來，以便采取相應措施，達到糾正處理無人機傾斜攝影技術拍攝圖像，更好服務煤礦地區土地利用動態變化預測的目的。用公式可將10參數模型表示為：

(2)

式中，Δx、Δy為畸變；l1、l2、l3為徑向畸變系數；p1、p2為偏心畸變系數；b1、b2為平面畸變系數。

具體的土地DSM影像生成流程如圖4所示。

圖4 土地DSM圖像生成流程Fig.4 Land DSM image generation process

3.2 土地DSM圖像的高程信息提取流程

在對煤礦地區土地利用狀態進行動態變化預測過程中，最為關鍵的是對獲得的煤礦地區土地DSM圖像進行DSM信息提取[13]。

(1)對處理好的2期DSM圖像執行DSM圖像疊加與配準操作。

(2)在將原始的傾斜攝影圖像進行DSM生成操作時，土地的真實面積被成功予以保留[14-15]。因此，P(x，y)代表一圖像坐標點，分別對DSM數據中相對應的高程值執行讀取操作，2期DSM圖像的高程值分別為h1與h2。具體的高程提取流程如圖5所示。

圖5 高程提取流程Fig.5 Elevation extraction process

(3)為了提高信息提取的精度，在P(x，y)處各個方向的8個坐標點執行高程值讀取操作。

(4)對P(x，y)以及其余8個坐標點的高程值執行高程平均值求解操作，該平均值即中心點實際高程值H，相應地可得到2期土地DSM圖像的新高程值h1/h2。高程值解算如圖6所示。

圖6 高程值解算示意Fig.6 Schematic diagram of elevation value settlement

(5)煤礦地區土地利用的動態變化主要通過土地的變化表現出來，因為通過對高差進行分析，可實現對煤礦地區土地利用動態變化的預測。設定一個高差閾值d，高差為k，當k≤d時，煤礦地區土地利用沒有產生動態變化，否則出現土地利用動態變化。

4 應用實例

以煤礦分布較多的D市為實驗對象，應用本文系統預測該市土地利用動態變化，驗證本文系統在進行土地利用動態變化預測方面的性能。

應用本文系統對D市2018—2020年間土地利用動態變化進行預測，得到的土地利用狀況總量分析見表1。從表1可知，D市2018—2020年間的園地、裸地、建筑用地以及礦區用地呈逐年增加趨勢，礦區用地增加趨勢尤為明顯，從最初的1 986.98 km2增加到3 053.23 km2；耕地、林地、水域以及自然保留地用地呈逐年減少趨勢，其中耕地與林地的面積減少趨勢尤為明顯，耕地面積由最初的1 869.33 km2減少到923.52 km2。原因是煤礦開采量的增大，占用了更多的耕地與林地。表明應用本文系統可有效預測煤礦地區土地利用動態的變化，滿足實際煤礦區土地利用動態變化預測工作需要。

表1 土地利用狀況總量分析Tab.1 Total analysis of land use status km2

土地利用動態變化率可以反映一段時間內各種形式用地的土地利用變化情況，是衡量土地利用動態變化的重要指標。應用本文系統對2000—2030年間D市的煤礦用地、林地、耕地以及建筑用地進土地利用動態變化預測，得到的土地利用變化率統計如圖7所示。

圖7 土地利用變化率統計效果Fig.7 Statistical effect of land use change rate

圖7中，D市在2000—2030年間，煤礦用地大幅度增長，2010—2020年比2000—2010年間煤礦用地的土地利用動態變化率增加約100%，2020—2030年比2010—2020年也相應地增加了100%。建筑用地的土地利用動態變化率有所增加，但增加不明顯。而耕地的土地利用動態變化率從最初的接近11%下降到約3%，其減少的幅度較大。可見煤礦用地的擴張加劇了耕地的減少趨勢。在實際煤礦土地利用工作中，應在合理預測煤礦土地利用動態的基礎上，積極采取相應舉措，促進礦區土地資源的合理利用。

在無人機傾斜攝影技術應用于煤礦地區土地利用動態變化預測時，要受到當天圖像拍攝時天氣、環境等因素的影響，導致拍攝到的圖像存在大量的噪聲，噪聲會導致后期在進行圖像數據匹配時精度較低，因而需要對圖像進行去噪增強處理。為驗證本文系統在圖像去噪增強圖像方面的優勢，選取1張采集的圖像，對其進行濾波器去噪增強處理，得到的去噪增強效果對比如圖8所示。從圖8可以看出，去噪增強前圖像的色彩效果比較暗淡，色彩變化不明顯，圖片整體給人感覺比較模糊；去噪增強后的圖像無論從色彩、光線、飽和度以及清晰度都要明顯好于去噪增強前圖像。實驗證明，本文系統可實現對采集圖像的去噪增強，并且去噪增強效果較好，可更好地滿足煤礦地區土地利用動態變化預測需要。

圖8 圖像增強效果對比Fig.8 Image enhancement effect comparison

采集圖像中存在的畸變，會對煤礦土地利用動態數據的提取過程造成干擾，降低數據提取的準確率，從而影響煤礦地區土地利用動態變化預測的精度與效率，因而有必要對采集到的土地利用圖像進行畸變修正。在本文系統中通過10參數數學模型計算進行圖像畸變修正，得到的圖像畸變修正對比效果如圖9所示。分析圖9可知，由于相機等物理因素導致所拍攝圖像出現傾斜模糊現象，經過10參數數學模型畸變糾正后，圖像不再傾斜，并且表現出較好的清晰度與飽和度。實驗表明，在本文系統中應用10參數模型對無人機采集到的圖像進行畸變糾正，具有較好的畸變糾正效果，將其用于煤礦地區土地利用動態變化的預測中，可提高土地利用動態變化的預測精度。

圖9 圖像畸變糾正前后效果對比Fig.9 Comparison of the effect before and after image distortion correction

5 結論

本文設計系統可實現對煤礦地區土地利用動態變化的有效預測，預測的效率與準確率較高，可滿足實際煤礦地區土地利用動態變化預測需要。但是其在進行煤礦地區土地利用動態變化預測時，大量的工作主要由人工干預完成，耗費了大量的人力資源，導致土地利用動態變化預測成本增加。為降低土地利用動態變化的成本，下一階段將從如何實現土地利用動態變化的自動化角度對土地利用動態變化的預測進行相關研究。