基于面向?qū)ο蠓诸惖V區(qū)土地利用變化研究

楊書平 邵杰 趙威成

摘 要：采礦活動(dòng)會(huì)引起礦區(qū)地表覆被的變化，而礦區(qū)土地利用已被認(rèn)為是影響 生態(tài)環(huán)境的重要因素之一。本文主要是利用高分遙感影像對(duì)礦區(qū)進(jìn)行土地利用分類以及變化研究。首先，對(duì)兩期鶴崗礦區(qū)北京二號(hào)衛(wèi)星影像進(jìn)行數(shù)據(jù)處理;其次，利用面向?qū)ο蠓诸惡妥畲笏迫环▋煞N分類方法做對(duì)比;第三，通過對(duì)分類結(jié)果進(jìn)行統(tǒng)計(jì)、分析，得到最適合礦區(qū)土地利用分類的方法，并最終獲取鶴崗礦區(qū)土地利用變化。研究結(jié)果可用于礦區(qū)生產(chǎn)管理，也可作為礦區(qū)土地利用規(guī)劃的理論基礎(chǔ)。

關(guān)鍵詞：礦區(qū);高分影像;土地利用分類

中圖分類號(hào)：F301.2 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? 文章編號(hào)：1003-5168（2021）27-0053-04

Abstract： Land use in the mining area is considered as one of the important factors affecting the ecological environment. For example，mining activities will cause the change of surface cover in the mining area. This paper mainly uses high resolution remote sensing image to study land use classification and change in mining area. Firstly， the two phases of Hegang Mining Area images observed by Beijing-2 satellite are processed;and then the object-oriented classification and the maximum likelihood method are used to make a comparison. After obtaining the most suitable method for land use classification in the mining area， the land use change of Hegang Mining Area is finally obtained. The research results can be used for the production management of mining area， and can also provide theoretical support for the land use planning of mining area.

Keywords： mining area;high resolution image;land use classification

煤炭工業(yè)作為我國的基礎(chǔ)產(chǎn)業(yè)之一，在國民經(jīng)濟(jì)與社會(huì)發(fā)展中的地位和作用不言而喻[1]。但煤炭的開采對(duì)人類賴以生存的土地資源造成了極其嚴(yán)重的破壞，對(duì)礦區(qū)土地利用進(jìn)行合理規(guī)劃與綜合整治已勢(shì)在必行，采用先進(jìn)的技術(shù)手段來發(fā)現(xiàn)與分析礦區(qū)土地利用變化信息并得出用地變化規(guī)律，對(duì)土地利用與城鄉(xiāng)合理規(guī)劃以及礦區(qū)的可持續(xù)發(fā)展有著重要的現(xiàn)實(shí)意義[2]。

由于礦區(qū)地物具有高度復(fù)雜性和快速變化的特點(diǎn)，目前對(duì)于礦區(qū)地物進(jìn)行時(shí)序變化和動(dòng)態(tài)檢測(cè)的研究匱乏。劉楊運(yùn)用RS和GIS技術(shù)對(duì)研究區(qū)內(nèi)幾個(gè)大型礦區(qū)的土地利用變化情況進(jìn)行了分析，有效地了解礦區(qū)的態(tài)勢(shì)以及其發(fā)展動(dòng)向[3]。朱權(quán)采用最大似然法對(duì)礦區(qū)土地進(jìn)行分類，為該地土地恢復(fù)提供了有力依據(jù)[4]。本文通過分析基于面向?qū)ο蠛妥畲笏迫环▋煞N分類方法對(duì)礦區(qū)進(jìn)行分類，以期得到精度最高的分類方法，為礦區(qū)土地利用變化規(guī)劃提供理論基礎(chǔ)。

研究礦區(qū)的土地利用變化，有助于更加快速、精確、有效地獲取礦區(qū)土地利用覆被的變化信息，從而對(duì)土地利用變化信息進(jìn)行分析，明確其動(dòng)態(tài)變化過程以便有效的調(diào)整人類社會(huì)經(jīng)濟(jì)活動(dòng)，促使土地利用更為合理，有利于礦區(qū)的長(zhǎng)久發(fā)展，為土地發(fā)展服務(wù)[5]。

1 研究區(qū)概況及研究方法

1.1 研究區(qū)概況

本文以鶴崗興安煤礦為研究區(qū)，研究區(qū)已經(jīng)出現(xiàn)影響安全和正常使用的變形破壞，對(duì)煤層上部的建筑、水體、道路產(chǎn)生嚴(yán)重的破壞作用，礦區(qū)塌陷面積逐漸增大，地表變形破壞，房屋倒塌，農(nóng)田破壞，同時(shí)也對(duì)人民生命財(cái)產(chǎn)安全造成嚴(yán)重的危害，經(jīng)濟(jì)損失慘重[6]。

1.2 數(shù)據(jù)來源

本文選取北京二號(hào)衛(wèi)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(shí)驗(yàn)數(shù)據(jù)，北京二號(hào)衛(wèi)星影像全色分辨率為0.8 m，多光譜分辨率為3.2 m，包含藍(lán)、綠、紅、全色、近紅外五個(gè)波段。

1.3 研究方法

參照國家標(biāo)準(zhǔn)《土地利用現(xiàn)狀分類》（GB/T 21010—2017）分類標(biāo)準(zhǔn)，并結(jié)合北京二號(hào)遙感影像和研究區(qū)的特征，將研究區(qū)的土地利用類型分為采煤用地、道路、耕地、建設(shè)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(yù)處理后通過分析文獻(xiàn)中的參數(shù)設(shè)置，對(duì)本研究區(qū)的遙感影像進(jìn)行分割尺度選擇，設(shè)置為120時(shí)，地物分割不夠完整，設(shè)置為210時(shí)，地物分割對(duì)象比較粗糙，存在一個(gè)對(duì)象包含另一個(gè)對(duì)象的現(xiàn)象，經(jīng)過多次試驗(yàn)，當(dāng)分割尺度設(shè)置為160，形狀權(quán)重0.2，緊湊度0.5，分割效果較好。不同分割尺度的試驗(yàn)結(jié)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(shù)（NDWI）來進(jìn)行提取，通過統(tǒng)計(jì)發(fā)現(xiàn)，水體的NDWI值一般大于0.05，非水體是負(fù)數(shù);不同地物之間的歸一化植被指數(shù)（NDVI）值也相差較大，通過實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)分析發(fā)現(xiàn)，耕地的NDVI區(qū)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(shù)添加到分類特征條件中。下列為NDWI和NDVI的計(jì)算公式：

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(dú)立于顏色反映地物同質(zhì)性的特征[7]。由于灰度共生矩陣的數(shù)據(jù)量較大，一般不直接作為區(qū)分紋理的特征，而是基于它構(gòu)建的一些統(tǒng)計(jì)量作為紋理分類特征。幾種常用的統(tǒng)計(jì)量為角二階矩、熵、對(duì)比度、反差分矩陣、相關(guān)性等，如用來度量圖像的灰度級(jí)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(guān)性，值越大，相關(guān)性也越大[8]。依據(jù)這些統(tǒng)計(jì)量，在eCognition中添加條件特征，為后續(xù)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(jù)。通過對(duì)研究區(qū)影像分析，發(fā)現(xiàn)研究區(qū)內(nèi)房屋為長(zhǎng)方形狀，水體為橢圓形狀，道路為長(zhǎng)條狀。在eCognition中添加shape indext條件特征，然后研究區(qū)的道路就會(huì)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(jù)。通過多次試驗(yàn)與驗(yàn)證，最終選取以下評(píng)價(jià)指標(biāo)體系，研究區(qū)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(hào)衛(wèi)星影像經(jīng)過預(yù)處理后，用最大似然法進(jìn)行礦區(qū)土地利用分類，并選取采煤用地、水體、建設(shè)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(gè)研究區(qū)的分類。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 eCognition分類結(jié)果及分析

2.1.1 精度評(píng)定。

①點(diǎn)樣本選取。實(shí)驗(yàn)選取139個(gè)驗(yàn)證樣本點(diǎn)，其中，14個(gè)建設(shè)用地樣本點(diǎn)，24個(gè)采煤用地樣本點(diǎn)，46個(gè)耕地樣本點(diǎn)，12個(gè)道路樣本點(diǎn)，2個(gè)水體樣本點(diǎn)，41個(gè)林地樣本點(diǎn)。

②精度評(píng)價(jià)。利用驗(yàn)證樣本，統(tǒng)計(jì)分類正確和錯(cuò)誤的數(shù)量，構(gòu)建精度檢驗(yàn)混淆矩陣，得到解譯精度為87.77%， Kappa系數(shù)為0.837 5，見表2。

2.2 最大似然法分類結(jié)果及分析

利用精度評(píng)價(jià)分析法構(gòu)建精度檢驗(yàn)混淆矩陣，得到最大似然法解譯精度為78.76%，Kappa系數(shù)為0.717 3，結(jié)果見表3。

通過對(duì)以上兩種分類結(jié)果分析，即面向?qū)ο蟮姆诸惙椒ǖ目傮w精度為87.77%，最大似然法的分類精度為78.76%，發(fā)現(xiàn)基于面向?qū)ο蟮姆诸惙椒ǚ诸惥让黠@高于最大似然法分類精度，分類效果較為理想。Kappa系數(shù)是用于檢驗(yàn)分類一致性的指標(biāo)，也可以用于分類效果的衡量，基于面向?qū)ο蟮姆诸惤Y(jié)果Kappa系數(shù)為0.837 5，系數(shù)值在0.81～1，表示分類結(jié)果幾乎完全一致，最大似然法分類結(jié)果Kappa系數(shù)0.717 3，系數(shù)值在0.61～0.80，表明分類結(jié)果具有高度的一致性。由此可知，基于eCognition的面向?qū)ο蟮姆诸惙椒ň哂忻黠@的精度優(yōu)勢(shì)。

3 動(dòng)態(tài)檢測(cè)實(shí)驗(yàn)

3.1 變化結(jié)果與分析

通過對(duì)兩幅原始圖分析可知，發(fā)現(xiàn)該區(qū)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(shì)。

為得到鶴崗礦區(qū)近兩年土地利用變化的具體趨勢(shì)，基于對(duì)2020年8月份北京二號(hào)衛(wèi)星影像的處理與分析，用相同的方法對(duì)2018年9月份的衛(wèi)星影像進(jìn)行處理，最終得到圖3（a），將圖3（a）和圖3（b）進(jìn)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(qū)土地利用類型發(fā)生了變化，因?yàn)樵摰貐^(qū)煤礦開采已到后續(xù)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(jié)論是一致的，此外，由于時(shí)代的發(fā)展，建設(shè)用地與道路相應(yīng)增加，為人民的生活提供了便利。從研究結(jié)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(jié)語

本文通過對(duì)鶴崗礦區(qū)分類，對(duì)比了不同的分類方法，證明基于eCognition的面向?qū)ο蠓椒ǚ诸惤Y(jié)果精度明顯高于基于像素的最大似然法，這是因?yàn)榛趀Cognition的面向?qū)ο蠓诸惙椒ǔ罁?jù)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(shí)驗(yàn)結(jié)果表明，鶴崗礦區(qū)土地利用類型的面積發(fā)生了變化，主要是礦區(qū)向其他類別的轉(zhuǎn)移，主要轉(zhuǎn)移對(duì)象為林地，其中建設(shè)用地、道路的面積是處在增加的過程，揭示了礦區(qū)土地利用結(jié)果的遷移狀況向著生態(tài)環(huán)境的恢復(fù)治理工作推進(jìn)，研究結(jié)果可為礦區(qū)的可持續(xù)發(fā)展提供理論依據(jù)。

參考文獻(xiàn)：

[1] 扈寶全.2000—2014年太原西山礦區(qū)土地利用變化研究[J].華北國土資源，2017（5）：76-77.

[2] 張何欣.基于QuickBird影像的礦區(qū)土地利用變化研究[J].礦山測(cè)量，2013（3）：66-71，5.

[3] 劉楊.基于土地利用轉(zhuǎn)移分析的遼寧省某礦區(qū)土地利用變化研究[J].測(cè)繪與空間地理信息，2018，41（11）：64-66.

[4] 朱權(quán).基于遙感技術(shù)的礦區(qū)土地復(fù)墾的生態(tài)評(píng)估[J].地礦測(cè)繪，2021，37（2）：7-11.

[5] 馬紅花.多時(shí)相礦區(qū)土地利用/覆被變化及驅(qū)動(dòng)因素分析[D].焦作：河南理工大學(xué)，2011.

[6] 王梓晗，馬永紅.煤炭經(jīng)濟(jì)發(fā)展態(tài)勢(shì)及運(yùn)營對(duì)策研究[J].產(chǎn)業(yè)創(chuàng)新研究，2018（3）：74-76.

[7] 江華.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類：以福州瑯岐島為例[J].海峽科學(xué)，2014（8）：12-17.

[8] 譚春超，楊潔明.煤與矸石圖像灰度信息和紋理特征的提取研究[J].工礦自動(dòng)化，2017，43（4）：27-31.