基于遙感影像處理技術的土地利用變化研究

摘 要：針對土地利用變化檢測精度低的問題，本文進行了基于遙感影像處理技術的土地利用變化研究。通過影像多尺度分割、地物特征優化選擇、基于遙感影像處理技術的影像分類特征規則構建以及土地利用變化檢測，研究出一種土地利用變化檢測方法。通過運用該方法可以獲得土地利用類型的變化信息，為相關工作的進行提供支撐條件，具備較好的有效性和實用性。

關鍵詞：多尺度分割；地物特征；影像分類

中圖分類號：P 23 " " " " 文獻標志碼：A

隨著科技的快速發展，遙感影像處理技術已經成為研究土地利用變化的重要工具。通過該技術可以獲取精確、全面的土地數據，進而分析、預測土地利用的變化趨勢。遙感影像處理技術是一種利用遙感器收集地面數據，對這些數據進行處理和分析，可提取出有用的地理信息技術。該技術可以獲取大范圍、實時且動態的土地數據，為土地利用變化研究提供重要的數據支持[1]。土地利用變化研究是對土地資源的開發、利用、保護和管理進行研究，目的是實現土地資源的可持續利用。通過遙感影像處理技術可以獲取不同時間段的土地利用數據，進而分析和預測土地利用的變化趨勢[2]。下文將重點研究基于遙感影像處理技術的土地利用變化。

1 影像多尺度分割

影像多尺度分割是一種從遙感影像中提取不同層次信息的方法。通過多尺度分割，原始圖像被分解成具有一定語義的影像對象層，為后續的特征提取和分類奠定了基礎。

具體來說，多尺度分割是將圖像分解成多個子區域的過程，每個子區域都包括若干個像素。這些子區域是矩形、圓形、三角形等不同形狀且每個子區域都具有特定的語義含義[3]。通過多尺度分割，可以從原始圖像中提取出不同層次的信息，如局部細節信息、整體結構信息等。圖像分割是指根據圖像的構成和使用要求，并根據某種屬性標準P，將圖像X分成多個不連續子集，這些子集中在一起，并具有與鄰近區域不同的特性（S1，S2，…，Sn）。要保證分割的結果合理有效，必須有4個定義，如公式（1）～公式（4）所示。

（1）

Si∩Sj=?，（i，j；i≠j） （2）

P（Si）=true，（i=1，2，…，N） （3）

P（Si∩Sj）=1，（i，j；i≠j） （4）

在上述4個定義中，這些區域子集的并集應該等于原始影像X，即滿足公式（1）。同時，每個區域子集應該是互不重疊的，即滿足公式（2）。此外，分割后屬于同一區域的像元應該具有相同的性質，即滿足公式（3）。最后，不同區域子集的像元應該具有不同的性質，即滿足公式（4）。在滿足上述定義的基礎上進行影像多尺度表達，如圖1所示。

多尺度分割中的局部相互最佳符合原則如圖2所示。進行多尺度劃分時，采用局部互相最優匹配的原則。A與B以4個方向連通為鄰居范圍，根據局部互相最優匹配的原理進行組合[4]。其中，與A進行融合成本最少的近鄰目標為A4，也即目標B。在B的所有備選目標中，與B進行融合成本最少的近鄰目標為B1，也即目標A。這樣，A與B就是彼此最優的組合目標，它們的組合成本均低于預先設定的閾值，因此將它們進行合并。

2 地物特征優化選擇

對影像進行多尺度分割后，再對地物特征進行優化選擇。需要結合信息論對特征間的相關性進行計算。可以用信息熵對相關性進行量化[5]。在遙感影像中，定義影像的某一個特征為T，定義T的取值為t的概率為p（t），則p（t）的不確定性就可以用信息熵表示，如公式（5）所示。

H（T）=-∫p（t）logp（t）dt （5）

式中：H（T）代表信息熵。

如果T的各值取值概率相同，說明此時概率分布最大，也就是最大的熵，同時也是最不確定的。在這種情況下，圖像中的特征分布更均勻，所蘊含的信息也更豐富。假設有一個樣本對象集合S，每個對象都有一系列特征T，需要根據這些特征來預測土地類型C。目標是選擇一組特征E，使這組特征能夠較好地預測土地類型[6]。特征優化的選擇過程如下所示。首先，統計每個特征T和土地類型C間的互信息I（T；C）。互信息越大，表明特征和土地類型間的相關性越強。將特征按照互信息從大到小排序。其次，選擇與土地類型C互信息最大的特征T0，將其從特征集T移到特征集E中。再次，將所有能被T0正確辨別的樣本對象從樣本集合S中剔除。這樣可以在后續的選擇過程中不再考慮這些樣本對象[7]。最后，從剩余的特征集中選擇與土地類型C互信息最大的特征Ti，并計算它與前一個選擇的特征Ti-1的互信息。重復進行這個過程，直到所有需要的特征都被選擇出來，或者特征集T中沒有剩余的特征可以添加到特征集E中。通過這種方式可以得到一組最優的特征集E，將其用于預測土地類型C。統計如公式（6）所示的評價標準函數。

J（Ti）=I（Ti；C）-I（Ti；Ti-1） （6）

式中：J（Ti）代表統計結果；I（Ti；Ti-1）代表特征Ti與前一特征Ti-1的互信息。

如果統計后得出的J（Ti）在閾值范圍內，則將特征Ti從T轉移到E。選出特征集后，將其用于后續的分類。

3 基于遙感影像處理技術的影像分類特征規則構建

從已分割的目標中提取樣本，利用信息理論分析圖像的特征。在此基礎上，本文擬從遙感影像數據中提取與遙感影像相適應的歸一化植被指數、平均亮度、平均標準偏差、物體密度、邊界指數和形態指數等參數。在遙感圖像分類中，多采用植被指數、亮度值和均值標準偏差3種光譜特征[8]。

對象密度（Density）是指圖像中目標對象所占的像素比例。通過計算每個像素是否屬于目標對象，可以得到一個密度的估計值。該特征可以用來區分背景和目標，并估計目標的數量。該指數可用于測定被測物體的空間像元密度。密度愈大，物體愈像方塊；隨著密度降低，物體變成拉長的形狀。對象密度Density如公式（7）所示。

（7）

式中：NV代表對象的像元總數；a代表被檢測影像橢圓長半徑；b代表被檢測影像橢圓短半徑。

邊界指數（BorderIndex）是一個衡量圖像邊緣強度的特征，考慮了像素與其相鄰像素的差異，可以用來檢測圖像中的邊緣和紋理，如公式（8）所示。

（8）

式中：bv代表待檢測對象周長；Iv代表矩形長度；wv代表矩形寬度。

形狀指數（ShapeIndex）是一個衡量圖像中對象形狀復雜度的特征，考慮了目標對象的邊界像素相對于中心像素的分布情況，可以用來區分不同形狀的目標對象，例如圓形、正方形等。這些特征的組合有助于更準確地分類和識別圖像中的目標對象。進行影像分割時，可結合表1設置分割參數。

結合分類特征集和上述分割參數設置結果，制定模糊分類規則，如圖3所示。

在圖3中，上半部采用了顯式布爾分類法，下半部采用了模糊規則。例如，確定道路類型時，對特征密度和邊界指數+輪廓指數進行模糊處理，并將所有隸屬度設定為0.2。經過上述處理得到的隸屬度為0.3。類似地，本文使用特性均值標準和邊界索引+輪廓索引來定義建筑物的分類，最后利用And邏輯對每類再進行分類，得到其分類規則。

4 土地利用變化檢測

得到所需的分類結果后，對分類結果進行分析，并提取土地利用變化信息。檢測前，根據表2構建土地利用類型子庫。

在提取過程中，將前、后時段內的全部目標進行融合，并結合各階段的特征信息進行融合。利用該方法可以獲得變化點的變化屬性矩陣。該矩陣包括每個圖斑在不同時期的屬性和變化信息，有助于更好地理解和分析土地利用變化情況。土地利用變化檢測原理圖如圖4所示。

獲得變化檢測結果后，本文發現結果中可能存在一些問題。影像配準誤差、影像分類偏差等因素可能會影響變化檢測結果的準確性和可靠性。為了解決這些問題，需要對變化結果進行后處理，以使其更符合應用要求。

后處理包括一系列處理步驟，旨在提高變化檢測結果的準確性和可靠性。首先，去除檢測結果中的毛刺。毛刺是指一些小的、不連續的像素點，它們可能會干擾對變化檢測結果的理解和分析。通過去除毛刺，可以提高結果的清晰度和準確性。其次，過濾掉面積過小的變化要素。有些變化要素可能非常小，對分析沒有太大意義。將這些要素過濾掉可以避免對結果產生不必要的干擾，提高結果的可靠性。

通過這些處理步驟，可以提高變化檢測結果的準確性和可靠性，使其更符合實際應用場景的需求。這些處理步驟是必要的，有助于更好地理解和解釋變化檢測結果，從而更好地滿足應用需求。

5 結論

遙感影像處理技術是一種基于遙感技術的數據處理方法，通過分析和解讀遙感影像來獲取有關土地利用變化的信息。該技術是研究土地利用變化的重要工具，它可以提供精確、全面的土地數據，有助于深入了解土地利用的變化趨勢。基于此，本文結合遙感影像處理技術，提出了一種土地利用變化檢測方法。應用該方法可以獲取高分辨率、高精度的土地利用數據，進而分析和預測土地利用的變化趨勢。這種技術不僅可以提供靜態的土地利用數據，還可以提供動態的土地利用變化數據，有助于更好地了解土地利用的變化過程。綜上所述，遙感影像處理技術是研究土地利用變化的重要工具，會在土地利用變化研究中發揮更大的作用。通過這種技術，可以獲取精確、全面的土地數據，進而分析和預測土地利用的變化趨勢，為土地資源管理和規劃提供科學依據。

參考文獻

[1]朱旭陽，韋春桃，何蔚，等.結合波段選擇與改進Shufflenetv2的土地利用變化檢測[J].測繪地理信息，2023（6）：88-93.

[2]劉玉安，盧秋霖，龔惠，等.縣域土地利用變化及其生態環境效應研究——以株洲市淥口區為例[J].環境與發展，2023，35（5）：1-8.

[3]江山，石旭飛，郭常來，等.基于CA-Markov模型的大凌河流域土地利用變化與模擬預測研究[J].地質與資源，2023，32（5）：624-632.

[4]梅樂，馬星，連鑫龍，等.城市化過程中土地利用變化對地質災害易發性影響的研究[J].自然災害學報，2023，32（5）：186-196.

[5]杜文武，胡瑤，劉渝杰，等.基于PLUS模型的金佛山自然保護地毗鄰區土地利用變化模擬與多情景預測[J].園林，2023，40（10）：4-13，66.

[6]吳巧麗，張鑫陽，蔣捷.基于MODIS和CLCD數據的黃土高原土地利用變化檢測及其對植被碳吸收模擬的影響[J].地理與地理信息科學，2023，39（5）：30-38.

[7]邵逸文，黃金權，劉紀根，等.基于Citespace方法的全球土地利用變化與土壤侵蝕研究進展[J].亞熱帶水土保持，2023，35（3）：6-11，17.

[8]李雪梅，舒英格.不同土地利用類型下土壤養分變化及生態化學計量特征分析[J].中國農學通報，2023，39（28）：62-69.