摘 要：針對(duì)土地利用變化檢測(cè)精度低的問(wèn)題，本文進(jìn)行了基于遙感影像處理技術(shù)的土地利用變化研究。通過(guò)影像多尺度分割、地物特征優(yōu)化選擇、基于遙感影像處理技術(shù)的影像分類特征規(guī)則構(gòu)建以及土地利用變化檢測(cè)，研究出一種土地利用變化檢測(cè)方法。通過(guò)運(yùn)用該方法可以獲得土地利用類型的變化信息，為相關(guān)工作的進(jìn)行提供支撐條件，具備較好的有效性和實(shí)用性。

關(guān)鍵詞：多尺度分割；地物特征；影像分類

中圖分類號(hào)：P 23 " " " " 文獻(xiàn)標(biāo)志碼：A

隨著科技的快速發(fā)展，遙感影像處理技術(shù)已經(jīng)成為研究土地利用變化的重要工具。通過(guò)該技術(shù)可以獲取精確、全面的土地?cái)?shù)據(jù)，進(jìn)而分析、預(yù)測(cè)土地利用的變化趨勢(shì)。遙感影像處理技術(shù)是一種利用遙感器收集地面數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行處理和分析，可提取出有用的地理信息技術(shù)。該技術(shù)可以獲取大范圍、實(shí)時(shí)且動(dòng)態(tài)的土地?cái)?shù)據(jù)，為土地利用變化研究提供重要的數(shù)據(jù)支持[1]。土地利用變化研究是對(duì)土地資源的開發(fā)、利用、保護(hù)和管理進(jìn)行研究，目的是實(shí)現(xiàn)土地資源的可持續(xù)利用。通過(guò)遙感影像處理技術(shù)可以獲取不同時(shí)間段的土地利用數(shù)據(jù)，進(jìn)而分析和預(yù)測(cè)土地利用的變化趨勢(shì)[2]。下文將重點(diǎn)研究基于遙感影像處理技術(shù)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(guò)多尺度分割，原始圖像被分解成具有一定語(yǔ)義的影像對(duì)象層，為后續(xù)的特征提取和分類奠定了基礎(chǔ)。

具體來(lái)說(shuō)，多尺度分割是將圖像分解成多個(gè)子區(qū)域的過(guò)程，每個(gè)子區(qū)域都包括若干個(gè)像素。這些子區(qū)域是矩形、圓形、三角形等不同形狀且每個(gè)子區(qū)域都具有特定的語(yǔ)義含義[3]。通過(guò)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(xì)節(jié)信息、整體結(jié)構(gòu)信息等。圖像分割是指根據(jù)圖像的構(gòu)成和使用要求，并根據(jù)某種屬性標(biāo)準(zhǔn)P，將圖像X分成多個(gè)不連續(xù)子集，這些子集中在一起，并具有與鄰近區(qū)域不同的特性（S1，S2，…，Sn）。要保證分割的結(jié)果合理有效，必須有4個(gè)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(gè)定義中，這些區(qū)域子集的并集應(yīng)該等于原始影像X，即滿足公式（1）。同時(shí)，每個(gè)區(qū)域子集應(yīng)該是互不重疊的，即滿足公式（2）。此外，分割后屬于同一區(qū)域的像元應(yīng)該具有相同的性質(zhì)，即滿足公式（3）。最后，不同區(qū)域子集的像元應(yīng)該具有不同的性質(zhì)，即滿足公式（4）。在滿足上述定義的基礎(chǔ)上進(jìn)行影像多尺度表達(dá)，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(jìn)行多尺度劃分時(shí)，采用局部互相最優(yōu)匹配的原則。A與B以4個(gè)方向連通為鄰居范圍，根據(jù)局部互相最優(yōu)匹配的原理進(jìn)行組合[4]。其中，與A進(jìn)行融合成本最少的近鄰目標(biāo)為A4，也即目標(biāo)B。在B的所有備選目標(biāo)中，與B進(jìn)行融合成本最少的近鄰目標(biāo)為B1，也即目標(biāo)A。這樣，A與B就是彼此最優(yōu)的組合目標(biāo)，它們的組合成本均低于預(yù)先設(shè)定的閾值，因此將它們進(jìn)行合并。

2 地物特征優(yōu)化選擇

對(duì)影像進(jìn)行多尺度分割后，再對(duì)地物特征進(jìn)行優(yōu)化選擇。需要結(jié)合信息論對(duì)特征間的相關(guān)性進(jìn)行計(jì)算?？梢杂眯畔㈧貙?duì)相關(guān)性進(jìn)行量化[5]。在遙感影像中，定義影像的某一個(gè)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(shuō)明此時(shí)概率分布最大，也就是最大的熵，同時(shí)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(yùn)含的信息也更豐富。假設(shè)有一個(gè)樣本對(duì)象集合S，每個(gè)對(duì)象都有一系列特征T，需要根據(jù)這些特征來(lái)預(yù)測(cè)土地類型C。目標(biāo)是選擇一組特征E，使這組特征能夠較好地預(yù)測(cè)土地類型[6]。特征優(yōu)化的選擇過(guò)程如下所示。首先，統(tǒng)計(jì)每個(gè)特征T和土地類型C間的互信息I（T；C）?；バ畔⒃酱?，表明特征和土地類型間的相關(guān)性越強(qiáng)。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(duì)象從樣本集合S中剔除。這樣可以在后續(xù)的選擇過(guò)程中不再考慮這些樣本對(duì)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(jì)算它與前一個(gè)選擇的特征Ti-1的互信息。重復(fù)進(jìn)行這個(gè)過(guò)程，直到所有需要的特征都被選擇出來(lái)，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(guò)這種方式可以得到一組最優(yōu)的特征集E，將其用于預(yù)測(cè)土地類型C。統(tǒng)計(jì)如公式（6）所示的評(píng)價(jià)標(biāo)準(zhǔn)函數(shù)。

J（Ti）=I（Ti；C）-I（Ti；Ti-1） （6）

式中：J（Ti）代表統(tǒng)計(jì)結(jié)果；I（Ti；Ti-1）代表特征Ti與前一特征Ti-1的互信息。

如果統(tǒng)計(jì)后得出的J（Ti）在閾值范圍內(nèi)，則將特征Ti從T轉(zhuǎn)移到E。選出特征集后，將其用于后續(xù)的分類。

3 基于遙感影像處理技術(shù)的影像分類特征規(guī)則構(gòu)建

從已分割的目標(biāo)中提取樣本，利用信息理論分析圖像的特征。在此基礎(chǔ)上，本文擬從遙感影像數(shù)據(jù)中提取與遙感影像相適應(yīng)的歸一化植被指數(shù)、平均亮度、平均標(biāo)準(zhǔn)偏差、物體密度、邊界指數(shù)和形態(tài)指數(shù)等參數(shù)。在遙感圖像分類中，多采用植被指數(shù)、亮度值和均值標(biāo)準(zhǔn)偏差3種光譜特征[8]。

對(duì)象密度（Density）是指圖像中目標(biāo)對(duì)象所占的像素比例。通過(guò)計(jì)算每個(gè)像素是否屬于目標(biāo)對(duì)象，可以得到一個(gè)密度的估計(jì)值。該特征可以用來(lái)區(qū)分背景和目標(biāo)，并估計(jì)目標(biāo)的數(shù)量。該指數(shù)可用于測(cè)定被測(cè)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(zhǎng)的形狀。對(duì)象密度Density如公式（7）所示。

（7）

式中：NV代表對(duì)象的像元總數(shù)；a代表被檢測(cè)影像橢圓長(zhǎng)半徑；b代表被檢測(cè)影像橢圓短半徑。

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

（8）

式中：bv代表待檢測(cè)對(duì)象周長(zhǎng)；Iv代表矩形長(zhǎng)度；wv代表矩形寬度。

形狀指數(shù)（ShapeIndex）是一個(gè)衡量圖像中對(duì)象形狀復(fù)雜度的特征，考慮了目標(biāo)對(duì)象的邊界像素相對(duì)于中心像素的分布情況，可以用來(lái)區(qū)分不同形狀的目標(biāo)對(duì)象，例如圓形、正方形等。這些特征的組合有助于更準(zhǔn)確地分類和識(shí)別圖像中的目標(biāo)對(duì)象。進(jìn)行影像分割時(shí)，可結(jié)合表1設(shè)置分割參數(shù)。

結(jié)合分類特征集和上述分割參數(shù)設(shè)置結(jié)果，制定模糊分類規(guī)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(guī)則。例如，確定道路類型時(shí)，對(duì)特征密度和邊界指數(shù)+輪廓指數(shù)進(jìn)行模糊處理，并將所有隸屬度設(shè)定為0.2。經(jīng)過(guò)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(biāo)準(zhǔn)和邊界索引+輪廓索引來(lái)定義建筑物的分類，最后利用And邏輯對(duì)每類再進(jìn)行分類，得到其分類規(guī)則。

4 土地利用變化檢測(cè)

得到所需的分類結(jié)果后，對(duì)分類結(jié)果進(jìn)行分析，并提取土地利用變化信息。檢測(cè)前，根據(jù)表2構(gòu)建土地利用類型子庫(kù)。

在提取過(guò)程中，將前、后時(shí)段內(nèi)的全部目標(biāo)進(jìn)行融合，并結(jié)合各階段的特征信息進(jìn)行融合。利用該方法可以獲得變化點(diǎn)的變化屬性矩陣。該矩陣包括每個(gè)圖斑在不同時(shí)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(cè)原理圖如圖4所示。

獲得變化檢測(cè)結(jié)果后，本文發(fā)現(xiàn)結(jié)果中可能存在一些問(wèn)題。影像配準(zhǔn)誤差、影像分類偏差等因素可能會(huì)影響變化檢測(cè)結(jié)果的準(zhǔn)確性和可靠性。為了解決這些問(wèn)題，需要對(duì)變化結(jié)果進(jìn)行后處理，以使其更符合應(yīng)用要求。

后處理包括一系列處理步驟，旨在提高變化檢測(cè)結(jié)果的準(zhǔn)確性和可靠性。首先，去除檢測(cè)結(jié)果中的毛刺。毛刺是指一些小的、不連續(xù)的像素點(diǎn)，它們可能會(huì)干擾對(duì)變化檢測(cè)結(jié)果的理解和分析。通過(guò)去除毛刺，可以提高結(jié)果的清晰度和準(zhǔn)確性。其次，過(guò)濾掉面積過(guò)小的變化要素。有些變化要素可能非常小，對(duì)分析沒有太大意義。將這些要素過(guò)濾掉可以避免對(duì)結(jié)果產(chǎn)生不必要的干擾，提高結(jié)果的可靠性。

通過(guò)這些處理步驟，可以提高變化檢測(cè)結(jié)果的準(zhǔn)確性和可靠性，使其更符合實(shí)際應(yīng)用場(chǎng)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(cè)結(jié)果，從而更好地滿足應(yīng)用需求。

5 結(jié)論

遙感影像處理技術(shù)是一種基于遙感技術(shù)的數(shù)據(jù)處理方法，通過(guò)分析和解讀遙感影像來(lái)獲取有關(guān)土地利用變化的信息。該技術(shù)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?cái)?shù)據(jù)，有助于深入了解土地利用的變化趨勢(shì)。基于此，本文結(jié)合遙感影像處理技術(shù)，提出了一種土地利用變化檢測(cè)方法。應(yīng)用該方法可以獲取高分辨率、高精度的土地利用數(shù)據(jù)，進(jìn)而分析和預(yù)測(cè)土地利用的變化趨勢(shì)。這種技術(shù)不僅可以提供靜態(tài)的土地利用數(shù)據(jù)，還可以提供動(dòng)態(tài)的土地利用變化數(shù)據(jù)，有助于更好地了解土地利用的變化過(guò)程。綜上所述，遙感影像處理技術(shù)是研究土地利用變化的重要工具，會(huì)在土地利用變化研究中發(fā)揮更大的作用。通過(guò)這種技術(shù)，可以獲取精確、全面的土地?cái)?shù)據(jù)，進(jìn)而分析和預(yù)測(cè)土地利用的變化趨勢(shì)，為土地資源管理和規(guī)劃提供科學(xué)依據(jù)。

參考文獻(xiàn)

[1]朱旭陽(yáng)，韋春桃，何蔚，等.結(jié)合波段選擇與改進(jìn)Shufflenetv2的土地利用變化檢測(cè)[J].測(cè)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(tài)環(huán)境效應(yīng)研究——以株洲市淥口區(qū)為例[J].環(huán)境與發(fā)展，2023，35（5）：1-8.

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

[4]梅樂(lè)，馬星，連鑫龍，等.城市化過(guò)程中土地利用變化對(duì)地質(zhì)災(zāi)害易發(fā)性影響的研究[J].自然災(zāi)害學(xué)報(bào)，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(hù)地毗鄰區(qū)土地利用變化模擬與多情景預(yù)測(cè)[J].園林，2023，40（10）：4-13，66.

[6]吳巧麗，張?chǎng)侮?yáng)，蔣捷.基于MODIS和CLCD數(shù)據(jù)的黃土高原土地利用變化檢測(cè)及其對(duì)植被碳吸收模擬的影響[J].地理與地理信息科學(xué)，2023，39（5）：30-38.

[7]邵逸文，黃金權(quán)，劉紀(jì)根，等.基于Citespace方法的全球土地利用變化與土壤侵蝕研究進(jìn)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(yǎng)分變化及生態(tài)化學(xué)計(jì)量特征分析[J].中國(guó)農(nóng)學(xué)通報(bào)，2023，39（28）：62-69.