黄土高原露天煤矿区面向对象地貌自动分类方法研究

孙瑞，马萧，潘雪婷，王洪光

(1.江苏省地质测绘院，江苏 南京 211102； 2.北京岩土工程勘察院，北京 100083； 3.北京市地质工程设计研究院，北京 101500)

黄土高原露天煤矿区面向对象地貌自动分类方法研究

孙瑞1，马萧2，潘雪婷3，王洪光1

(1.江苏省地质测绘院，江苏 南京 211102； 2.北京岩土工程勘察院，北京 100083； 3.北京市地质工程设计研究院，北京 101500)

[目的]本文采用面向对象地貌自动分类方法研究黄土高原露天煤矿在开采前后的地形变化规律。[方法]面向对象分类方法，最早应用于遥感图像的分类，目前也仅仅在大尺度地貌类型中形成比较完善的地貌分类规则。选择1990年与2010年的2期分辨率为10 m的DEM为数据源，采用面向对象分类方法，完成露天矿采矿前后原地貌黄土高原与人工地貌排土场的地貌形态自动划分。提取坡度、剖面曲率、平面曲率、相对高程4个地形因子，基于不同地形因子合成的特征影像完成原地貌与排土场的地貌自动分类。[结果]根据图像局部方差变化率曲线中的极值点，黄土高原面向对象地貌分类的最优分割尺度为14，排土场面向对象地貌分类的最优分割尺度为11；通过基于隶属度函数建立模糊规则来实现地貌斑块的分类，有效地避免了大多数自动分类方法过多受限制于地形因子的特定阈值，同时使地貌形态更具有连贯性；由于面向对象分类方法充分考虑了地物的形状、大小、邻接等几何特征，黄土高原与排土场分类总体精度分别可以达到74.47%和81.31%，排土场作为人工地貌形态，地貌的形态更为完整，分类精度高于自然地貌；利用面向对象自动分类方法得出排土场地貌类型中凸坡肩和凸背坡所占面积比例最大，分别约占了排土场总面积的30.24%、 20.32%。[结论]通过面向对象分类规则构建快速、直观的地貌分类体系，可以为煤矿区排土场地貌重塑及复垦规划提供支持。

面向对象； 地貌分类； 黄土高原； 排土场

地貌是表现地球表面的形态、成因、分布及其演变规律的综合体[1～5]。地貌的形体描述是分析不同地貌形态特征、类型的科学依据之一，通过地貌分类进而生成地貌专题图是地貌定量描述和分析的基础[6～9]。利用地貌的形态指标，包括海拔、坡度与坡向、地形起伏度等，可以得到基本形态地貌类型以及组合地貌形态。黄土高原因其特殊的地理位置、特有的地貌形态及复杂独特的成因机理，而成为我国数字地形分析在地貌学应用的重要区域[10]。基于黄土高原地形破碎、山高、坡陡、沟深、沟谷密度大的特点，区域内农业生产只能在小流域分割的自然单元内进行，“小流域治理单元”的地貌形态和空间分异规律是黄土高原区农业生产以及水土保持工作的理论基础[11]。近30年来，由于黄土高原地区地下丰富的煤炭储量，人类进行了大规模的露天煤炭开采，扰动并破坏了原有的地貌形态和特征，采矿活动和人类活动影响地表过程从而形成采坑、排土场等人工地貌。地貌环境与人工地貌融合后的地貌分类指标、形态指标以及特征研究是完成这一区域的生态重建以及精细农业的基础。

随着数字高程模型(Digital Elevation Model)精度不断提高，数字地形方法的挖掘与深入，基于DEM的地貌分类逐步向小尺度以及微观地形地貌的半自动与自动划分方向发展。闾国年等[12]基于DEM，针对黄土高原小尺度实验区，提出了基于地貌学的台地、低洼平地、孤立洼地等独特的小尺度分类体系。MacMillian[7]不仅提出了基于水文和土壤景观的山地分类体系，而且运用模糊K值分类方法，实现了高精度DEM的连续地形分类。但是，从景观角度上，基于像元的地貌分类仅仅考虑了像元的属性，忽略了景观中不同地貌单元的空间关系以及景观的同质性，容易导致分类的每一个单元空间呈非线性关系，分类结果过于破碎[13]。面向对象的分类方法，由于充分考虑了地物的形状、大小等几何特征，目前已经广泛应用于高分辨率遥感数据的分类中，而DEM数据可以派生不同的地形因子数据，从而形成多层次的数据结构，通过多尺度分割过程，可以形成不同尺度的地貌单元。基于这样一个假设，Dragut[14]以SRTM为数据源，利用面向对象方法完成了小尺度山地地貌的自动分类，他认为坡度、平面曲率、剖面曲率是进行这一地貌分割以及分类的主要指标，并且通过多尺度分割，可以提取连续大面积的山底坡脚单元。此外，由于地貌自动分类的结果很难进行精度评价以及实地验证，面向对象分类中可以利用局部方差法来选择最佳地貌分割尺度，从而提高分类精度[15]。地貌分类中，河谷、山底界线的勾画及其完整性、不同地貌单元的拓扑关系是地貌类型解析和制图的最终目标，它反映地貌的演化规律并可以直接用于农业以及生态的规划。面向对象的地貌分类思想以及规则为这一目标提供了可能的方法，而且其规则具有重复性和高效性。汪禹芹等[16]尝试利用面向对象思想完成了我国地貌形态类型的划分，总体精度达到72%，认为分类结果更符合人的思维习惯。

黄土高原因其特殊的地理位置，地貌形态独特，经历了强烈的采矿活动过后，地貌的形态由典型的源、梁、峁黄土地貌演替成以平台、边坡、采坑为主的矿区地貌，演变过程将影响这一区域的地表物质迁移、能量转化等。对该区域地貌形态的定量描述以及自动分类研究，不仅关系到区域的生态安全问题，而且可以揭示地貌类型演替过程以及地貌单元空间格局的变化，这一结果将会直接指导该区域的生态恢复以及农业生产工作。本文以黄土高原煤矿区为研究区，基于“小流域治理单元”，构建小尺度黄土地貌和矿区地貌基于土壤-景观的地貌分类体系，通过多尺度分割实现最佳地貌单元斑块，进而利用不同地形因子指标完成该区域的地貌自动分类规则，实现小尺度区域快速、可重复性的面向对象地貌自动分类制图，并以黄土高原平朔露天煤矿区为实例，实现排土场地貌自动分类，定性描述了分类结果与排土场复垦的关系。

1 研究区与数据源

山西平朔露天煤矿区地处黄土高原晋陕蒙接壤的黑三角地带，总面积为380 km2，服务年限约100 a[17]。平朔矿区所在地的区域地形形态可划分为基岩山区、丘陵缓坡区和平原区三大类。生产区内黄土广布，植被稀少，水蚀风蚀严重，冲刷剧烈，冲沟大致呈南北向树枝状分布，切割深度一般30～50 m，以“V”字形沟道居多，形成典型的梁、垣、峁等黄土高原地貌景观[18]。区内地势北东高，南西低，最高点海拔高约1 501 m，最低点海拔高约1 180 m，平均海拔1 250～1 350 m。平朔露天矿区在1986年安太堡露天矿开采，至2002年已经形成的人工堆垫地貌有东露天南排土场、西排土场与二铺排土场。在露天矿区采掘-运输-排弃-整形-复垦过程中，平朔矿区地貌景观由原来的黄土缓坡丘陵逐渐变为平台与边坡相间的大型堆积体的正地形和剥离坑道及采坑等组成的负地形[19]。本次研究区域为平朔露天矿的二铺排土场和原地貌黄土高原(图1)。

图1 平朔露天煤矿采矿扰动区[20]Fig.1 The mining disturbed area in Pingshuo opencast mine[20]

本文共选用1990年和2010年航飞DEM数据，分辨率为10 m。基于水文分析，结合“小流域治理单元”尺度，选取平朔矿区一个小流域单元为本文的研究单元。

2 面向对象地貌分类方法

2.1 分类特征选择及提取

通过数字高程的数据和定量的地形特征参数，是可以比较准确地描述地形特征的，对于地形特征的描述，我们习惯将凸起的地表称为正地形，凹的地表称为负地形[21]。高程影响着土壤的垂直分布；坡度用来反映地形的方向，影响着地表物质的流动与能量转换的规模与强度；平面曲率和剖面曲率可以反映地表形态和结构，其中平面曲率影响着物质和能量在地表上集中或分散运动，剖面曲率影响着物质和能量的加速或减速运动[22～25]。本文基于剖面曲率、平面曲率、坡度、DEM以及相对高程5个图层，建立地貌分类体系。

2.2 多尺度分割

Dragut[26]介绍了在eCognition 环境下，能够快速估计多尺度分割的尺度参数ESP工具。它主要是基于局部方差的概念提出来的方法。通过自动计算某个尺度的局部方差作为其尺度下所有影像对象的平均标准差，并基于局部方差及其尺度参数的曲线图选择最优分割尺度，当局部方差达到极值、变化率曲线发生转折时，代表这个尺度下所有影像对象的空间异质性最大，通过分析对比不同的极值点最终确定影像分类的最佳尺度[15, 27]。

2.3 面向对象分类体系

本文参考美国农业部土地调查中根据剖面曲率与平面曲率定义的顺坡及横切坡的凹凸形态的分类[28]，根据黄土高原地貌特色选择6种常用地貌类型，并加入由坡度，相对高程得到的3种地貌类型共9种地貌类型，分类规则集如表1。整个地貌分类系统是基于隶属度函数建立模糊规则实现，共有3个层次结构(图2)。

表1 地貌分类参数

Table 1 Parameters directly used in landform classification

地貌类型Landformtype剖面曲率Profilecurvature平面曲率Planecurvature坡度Slope高程Elevation山峰高于周围凸坡肩>0.1>0>2°凹坡肩>0.1≤0>2°凸背坡-0.1～0.1>0>2°凹背坡-0.1～0.1≤0>2°凸坡脚<-0.1>0>2°凹坡脚<-0.1≤0>2°平台≤2°河谷≤2°

图2 分类层Fig.2 Class hierarchy

3 结果与分析

分别获取研究区两期的DEM的派生地形因子：坡度图、剖面曲率图、平面曲率图、相对高程图(图3和图4)。其中相对高程图是将DEM图标准化为灰度值在0～255的8 bit图层。

图3 黄土高原地形因子(a DEM，b 坡度图，c 平面曲率图，d 剖面曲率图，e相对DEM)Fig.3 The terrain factors of loess plateau (a DEM, b slope, c plane curvature, d profile curvature, e relative DEM.)

图4 排土场地形因子(a DEM，b 坡度图，c 平面曲率图，d 剖面曲率图，e相对DEM)Fig.4 The terrain factors of mine dump (a DEM, b slope, c plane curvature, d profile curvature, e relative DEM.)

影像的分割在eCognition下的多尺度分割工具中进行，其中DEM、坡度图、剖面曲率图、平面曲率图4个图层参与分割，权重均为1，颜色权重设为0.7，紧致度为0.5，分割尺度通过ESP工具进行测试。多尺度分割中，当分割尺度为10、14、17和19时(图5左)，排土场影像对象的均值方差曲线到达极值点，当分割尺度为9、11和14时(图5右)，排土场影像对象的均值方差曲线到达极值点，观察其变化率曲线，发现此时均值方差的变化率开始降低，即影像对象的异质性达到最大并开始逐渐减小[20]。结合对分割结果的视觉判断，选择局部方差变化率曲线中最大的极值点，从而确定黄土高原地貌的最优分割尺度为14，排土场的最优分割尺度为11(图6)。

图5 ESP工具下最优分割尺度的选择结果(左：黄土高原，右：排土场)Fig.5 Results of the optimal segmentation scale selection under ESP tools (left: loess plateau, right: mine dump)

图6 最优分割尺度分割结果(左：黄土高原，右：排土场)Fig.6 Results of segmentation under the optimal segmentation scale selection (left: loess plateau, right: mine dump)

通过多尺度分割得到分类层，基于相对高程图用隶属度函数完成低地，中地与高地的第一层分类，加入坡度完成第二层的分类，最后基于平面曲率与剖面曲率完成最后的分类，得到黄土高原与排土场的地貌分类结果(图7)。通过比较黄土高原原地貌与排土场的地貌分类结果，黄土高原的地貌单元相对来说比较完整，从平地-坡肩-背坡-坡脚，地貌单元有较好的连贯性，很容易区分不同地貌单元之间的相对位置差异。排土场按照“平台-边坡-

平台”的排土方式最终形成人工地貌景观，考虑到边坡的稳定以及水土保持，要求边坡设计小于30°。通过分类结果可以看出，平地类型最多，斑块完整，符合人工地貌的设计，但是人工地貌出现不连续性，某些剖面出现背坡类型的缺失。为了进一步定量地评价分类精度，随机生成100个样点，基于样点生成不同的分割对象，从而完成基于对象的误差矩阵，以此计算各种统计量并进行统计检验，最终给出对于总体的和基于各类别的分类精度值(表2)。

图7 面向对象地貌分类结果(左：黄土高原，右：排土场)Fig.7 Landform classification based on objected-oriented (left: loess plateau, right: mine dump)

表2 黄土高原与排土场地貌分类精度统计

黄土高原自然地貌的总体分类精度和kappa指数均为74.47%。其中平台、河谷、山峰的总体精度大于80%，主要是这三个地类单元具有连续性和明显的斑块特性，利用坡度因子的阈值即可完成分类，尤其山峰的分类，利用周围斑块的高程均低于待分类斑块这一分类规则即可完成。坡肩、坡脚、背坡的分类则需要考虑剖面曲率和平面曲率。凹背坡和凸坡脚的制图精度均在55%左右，坡度、曲率地形属性都是反映地表在位置点上的几何形态特征、考虑的是对象的属性信息，黄土高原地貌冲刷程度明显，形成不同的冲沟，尤其狭窄的梁难以用地形属性区分，造成凹背坡以及凸坡脚的制图精度偏低。此外，黄土高原自然地貌，坡肩到背坡更多表现为渐变、过渡的空间分布特征，这些过渡地带的分割斑块破碎，形成错分和漏分，部分坡肩的斑块被划分为背坡。排土场地貌的总体分类精度和kappa指数分别为81.31%和73.85%，均高于原地貌分类结果。平台的分类精度最高，主要是平台的形状规则，地形属性具有很强的同质性，利用面向对象分类方法能够很好地进行分类。其次由于人工地貌边坡的形成没有明显的凹凸形态，不会像自然地貌的演变过程中形成明显的凹凸有致的背坡和坡肩，排土场凹背坡和凸背坡的地貌单元较少，而且通过目视判读难度也较大，导致两类出现混分，kappa指数均在50%左右。

利用面向对象自动分类方法得出排土场地貌类型如表3，其中凸坡肩和凸背坡所占面积比例最大，分别约占了排土场总面积的30.24%、 20.32%，其次，平台所占面积比例约为18.69%。山峰所占面积比例约为8.21%，凸坡脚、凹坡脚、凹坡肩所占面积比例分别约为10.60%、6.75%、3.59%。凹背坡在排土场中所占面积很少，约为1.60%，但在自然地貌中受到沉积和侵蚀作用的影响，凹背坡的比例占到整个坡面的70%～80%[29]，从而控制了径流对坡面的冲刷力，即有效地控制了水土流失。

4 讨论与结论

本文基于土壤-景观的地貌分类体系，利用面向对象分类方法，对平朔露天煤矿内排土场采矿前后的黄土高原与排土场的地貌分类尺度、规则以及指标进行了研究，在面向对象影像分割中，不仅仅考虑到了高程，地形派生因子坡度、剖面曲率、平面曲率均参与了分割过程，通过考虑图像的均方差值，分别对自然地貌和人工地貌进行尺度分割测试，形成了针对不同地貌特征的具有最小异质性的地貌单元，而且该过程综合运用了几何、尺寸及大小等多种特征有效避免了像元孤岛，不会产生面积过小的图斑，保持了地貌的完整性。在分类过程中，通过基于隶属度函数建立模糊规则来实现斑块的分类，有效地避免了大多数自动分类方法过多受限制于地形因子的特定阈值，有更好的适用性，而基于相对高程数据建立的隶属函数方法的引用，可以克服区域地势起伏度差距的问题，增强分类体系的稳定性。面向对象分类方法在提取黄土高原地貌单元中，对河谷以及山峰的提取效果比较好，尤其河谷的提取具有很强的连续性，并和地下水系的走向相符合。排土场地貌单元的形态不符合自然地貌的演替过程，在边坡的分类中斑块过于细碎，没有明显凹凸的形态，因此出现漏分和混分的现象，在今后的分类中可以考虑其他适合人工地貌特征的地形派生因子，参与分割及分类，提高边坡的分类精度。

表3 排土场地貌分类面积统计

Table 3 The statistic area of classified landform type from mine dump

地貌类型Landformtype面积/km2Area占总面积比例/%Percentage山峰0.58198.21凸坡肩2.142730.24凹坡肩0.25423.59凸背坡1.439420.32凹背坡0.11341.60凸坡脚0.751310.60凹坡脚0.47836.75平台1.324518.69

面向对象分类方法最早应用于遥感图像的分类，目前也仅仅在大尺度地貌类型中形成比较完善的地貌分类规则，本文选择黄土高原及人工地貌具有明显的代表性，通过快速、直观的分类制图，可以为排土场的复垦及生态恢复提供支持，排土场复垦土壤养分含量与高程、坡向的相关性较弱，坡度占主导地位[30]。地貌重塑是废弃矿区生态重建过程中土壤重构和植被重建的基础[31]，目前很多排土场的设计更多关注于坡度及高度，忽略了微地貌形态以及地貌类型，地貌部位的定量描述和分类有助于复垦土壤类型和土壤属性的推理。目前平朔矿区排土场的凸背坡与凸坡肩占总地貌类型的50%左右，在这些位置复垦植被类型选择以及后期管护中，应该加大防止土壤侵蚀和水土流失的力度，在必要的时候甚至可以对其地貌进行重塑。

[2]Vannametee E,Babel L V,Hendrikset M R,et al.Semi-automated mapping of landforms using multiple point geostatistics[J].Geomorphology,2014,221(11):298-319.

[3]Vandenbruwaene W,Schwarz C,Bouma T J,et al.Landscape-scale flow patterns over a vegetated tidal marsh and an unvegetated tidal flat:Implications for the landform properties of the intertidal floodplain[J].Geomorphology,2015,231(231):40-52.

[4]Ouchi S.Experimental landform development by rainfall erosion with uplift at various rates[J].Geomorphology,2015,238:68-77.

[5]Martín Duque J F,Zapico I,Oyarzunet R,et al.A descriptive and quantitative approach regarding erosion and development of landforms on abandoned mine tailings:New insights and environmental implications from SE Spain[J].Geomorphology,2015,239:1-16.

[6]Schmidt J,Hewitt A.Fuzzy land element classification from DTMs based on geometry and terrain position[J].Geoderma,2004,121(3-4):243-256.

[7]MacMillan R A,Pettapiece W W,Nolan S C,et al.A generic procedure for automatically segmenting landforms into landform elements using DEMs, heuristic rules and fuzzy logic[J].Fuzzy Sets and Systems,2000,113(113):81-109.

[8]Macmillan R A,Jones R K,Mcnabb D H.Defining a hierarchy of spatial entities for environmental analysis and modeling using digital elevation models (DEMs)[J].Computers Environment and Urban Systems,2004,28(3):175-200.

[9]Irvin B J,Ventura S J,Slater B K.Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley,Wisconsin[J].Geoderma,1997,77(2-4):137-154.

[10]汤国安.我国数字高程模型与数字地形分析研究进展[J].地理学报,2014,69(9):1305-1325.

[11]李明明.黄土高原小流域土壤有机碳、氮时空变异与动态模拟研究[D].杨凌:中国科学院研究生院(教育部水土保持与生态环境研究中心),2013.

[12]闾国年,钱亚东,陈钟明.基于栅格数字高程模型提取特征地貌技术研究[J].地理学报,1998(6):84-91.

[13]Blaschke D.Integration of GIS and object-based image analysis to model and visualize landscapes[M].isprs commission IV joint workshop challenges in Geospatial Analysis，2003:18-23.

[15]Dragut L,Eisank C.Object representations at multiple scales from digital elevation models[J].Geomorphology (Amst),2011,129(3-4):183-189.

[16]汪禹芹,李艳,刘爱利.基于面向对象思想的中国地貌形态类型划分[J].遥感信息,2012(1):13-18.

[17]张前进,白中科,李晋川,等.矿区生态重建过程中的土地利用/覆被变化[J].山西农业大学学报(自然科学版),2004,24(2):143-147.

[18]曹毅,毕如田,刘庚.安太堡露天矿区的三维地形可视化[J].山西农业大学学报(自然科学版),2008,28(4):467-469.

[19]周伟,白中科,袁春,等.DEM在平朔露天矿区地形演变研究中的应用[J].矿业研究与开发,2008,28(5):53-57.

[20]李娜,包妮沙,吴立新,等.面向对象矿区复垦植被分类最优分割尺度研究[J].测绘科学,2016,41(4):66-71+76.

[21]王辉源.黄土高原典型小流域地貌发育阶段定量表征[D].西安:西北大学,2014.

[22]Thompson J A,Bell J C,Butler C A.Digital elevation model resolution: effects on terrain attribute calculation and quantitative soil-landscape modeling[J].Geoderma,2001,100(1-2):67-89.

[23]Florinsky I V,Eilers R G,Manning G R,et al.Prediction of soil properties by digital terrain modelling[J].Environmental Modelling & Software,2002,17(3):295-311.

[24]周启明,刘学军.数字地形分析[M].北京:科学出版社,2013:100-120.

[25]EI-Keblawy A,Abdelfattah M A,Khedr A-H A.Relationships between landforms, soil characteristics and dominant xerophytes in the hyper-arid northern United Arab Emirates[J].Journal of Arid Environments,2015,117:28-36.

[28]Schoeneberger P J,Wysocki D A,Benham E C,et al.Field book for describing and sampling soils[M].Lincoln:Usda Natural Resources Conservation Service,2002:5-15.

[29]郭继光.排土场复垦地形设计[J].煤矿环境保护,1996,10(1):30-32.

[30]刘孝阳,周伟,白中科,等.平朔矿区露天煤矿排土场复垦类型及微地形对土壤养分的影响[J].水土保持研究,2016,23(3):6-12.

[31]杨翠霞,赵廷宁,谢宝元,等.基于小流域自然形态的废弃矿区地形重塑模拟[J].农业工程学报,2014,30(1):236-244.

(编辑：梁文俊)

Automated classification of landform elements using object-based image analysis in large surface coal mine of loess plateau

Sun Rui1, Ma Xiao2, Pan Xueting3, Wang Hongguang1

(1.JiangsuGeologicSurveyingandMappingInstitute,Nanjing211102,China;2.BeijingGeotechnicalInvestigationEngineeringInstitute,Beijing100083,China;3.BeijingGeologicalEngineeringDesignandResearchInstitute,Beijing101500,China)

[Objective]This study aimed to detect the landform change from loess plateau to artificial landscape in large surface mining area using object-based classification method.[Methods]Object-based classification method has been widely applied in remote sensing imagery and large scale landform classification. The Digital Elevation Model (DEM) of 10m resolution in 1990 and 2010 were selected as data source. The object-based classification rules were established based on the topographic parameters of slope, profile curvature, plane curvature, and relative elevation, which were generated from DEM.[Results]The results showed that: According to the break point from the change rate of local variance, the optimal segmentation scale was 14 for natural loess landform and 11 for artificial dump landform. The landform classification rules based on membership function overcame setting specific threshold in most of the automatic classification method, which could provide consistency landform element. The objected-oriented image analysis considered the characteristics like shape, geometric and neighborhood proved to be more readily adaptable for mine and loess plateau as the overall accuracy of loess plateau and mine could reach to 74.47% and 81.31%. According the object-based landform classification from dump area, it was found that the landform element of convex shoulder and convex backslope accounted for the largest area of the whole dump, which was 30.24% and 20.32% respectively.[Conclusion]The object-based landform classification method with effective and robust rules could provide the basis for the artificial landform reconstruction and land reclamation in the dump area.

Object-based image， Landform classification， Loess plateau， Mine dump

2017-03-29

2017-04-20

孙瑞(1986-)，女(汉)，江苏淮安人，工程师，硕士，研究方向：遥感与地图制图

S19

A

1671-8151(2017)07-0510-07