基于遥感影像处理技术的土地利用变化研究

摘 要：针对土地利用变化检测精度低的问题，本文进行了基于遥感影像处理技术的土地利用变化研究。通过影像多尺度分割、地物特征优化选择、基于遥感影像处理技术的影像分类特征规则构建以及土地利用变化检测，研究出一种土地利用变化检测方法。通过运用该方法可以获得土地利用类型的变化信息，为相关工作的进行提供支撑条件，具备较好的有效性和实用性。

关键词：多尺度分割；地物特征；影像分类

中图分类号：P 23 " " " " 文献标志码：A

随着科技的快速发展，遥感影像处理技术已经成为研究土地利用变化的重要工具。通过该技术可以获取精确、全面的土地数据，进而分析、预测土地利用的变化趋势。遥感影像处理技术是一种利用遥感器收集地面数据，对这些数据进行处理和分析，可提取出有用的地理信息技术。该技术可以获取大范围、实时且动态的土地数据，为土地利用变化研究提供重要的数据支持[1]。土地利用变化研究是对土地资源的开发、利用、保护和管理进行研究，目的是实现土地资源的可持续利用。通过遥感影像处理技术可以获取不同时间段的土地利用数据，进而分析和预测土地利用的变化趋势[2]。下文将重点研究基于遥感影像处理技术的土地利用变化。

1 影像多尺度分割

影像多尺度分割是一种从遥感影像中提取不同层次信息的方法。通过多尺度分割，原始图像被分解成具有一定语义的影像对象层，为后续的特征提取和分类奠定了基础。

具体来说，多尺度分割是将图像分解成多个子区域的过程，每个子区域都包括若干个像素。这些子区域是矩形、圆形、三角形等不同形状且每个子区域都具有特定的语义含义[3]。通过多尺度分割，可以从原始图像中提取出不同层次的信息，如局部细节信息、整体结构信息等。图像分割是指根据图像的构成和使用要求，并根据某种属性标准P，将图像X分成多个不连续子集，这些子集中在一起，并具有与邻近区域不同的特性（S1，S2，…，Sn）。要保证分割的结果合理有效，必须有4个定义，如公式（1）～公式（4）所示。

（1）

Si∩Sj=ϕ，（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个定义中，这些区域子集的并集应该等于原始影像X，即满足公式（1）。同时，每个区域子集应该是互不重叠的，即满足公式（2）。此外，分割后属于同一区域的像元应该具有相同的性质，即满足公式（3）。最后，不同区域子集的像元应该具有不同的性质，即满足公式（4）。在满足上述定义的基础上进行影像多尺度表达，如图1所示。

多尺度分割中的局部相互最佳符合原则如图2所示。进行多尺度划分时，采用局部互相最优匹配的原则。A与B以4个方向连通为邻居范围，根据局部互相最优匹配的原理进行组合[4]。其中，与A进行融合成本最少的近邻目标为A4，也即目标B。在B的所有备选目标中，与B进行融合成本最少的近邻目标为B1，也即目标A。这样，A与B就是彼此最优的组合目标，它们的组合成本均低于预先设定的阈值，因此将它们进行合并。

2 地物特征优化选择

对影像进行多尺度分割后，再对地物特征进行优化选择。需要结合信息论对特征间的相关性进行计算。可以用信息熵对相关性进行量化[5]。在遥感影像中，定义影像的某一个特征为T，定义T的取值为t的概率为p（t），则p（t）的不确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，说明此时概率分布最大，也就是最大的熵，同时也是最不确定的。在这种情况下，图像中的特征分布更均匀，所蕴含的信息也更丰富。假设有一个样本对象集合S，每个对象都有一系列特征T，需要根据这些特征来预测土地类型C。目标是选择一组特征E，使这组特征能够较好地预测土地类型[6]。特征优化的选择过程如下所示。首先，统计每个特征T和土地类型C间的互信息I（T；C）。互信息越大，表明特征和土地类型间的相关性越强。将特征按照互信息从大到小排序。其次，选择与土地类型C互信息最大的特征T0，将其从特征集T移到特征集E中。再次，将所有能被T0正确辨别的样本对象从样本集合S中剔除。这样可以在后续的选择过程中不再考虑这些样本对象[7]。最后，从剩余的特征集中选择与土地类型C互信息最大的特征Ti，并计算它与前一个选择的特征Ti-1的互信息。重复进行这个过程，直到所有需要的特征都被选择出来，或者特征集T中没有剩余的特征可以添加到特征集E中。通过这种方式可以得到一组最优的特征集E，将其用于预测土地类型C。统计如公式（6）所示的评价标准函数。

J（Ti）=I（Ti；C）-I（Ti；Ti-1） （6）

式中：J（Ti）代表统计结果；I（Ti；Ti-1）代表特征Ti与前一特征Ti-1的互信息。

如果统计后得出的J（Ti）在阈值范围内，则将特征Ti从T转移到E。选出特征集后，将其用于后续的分类。

3 基于遥感影像处理技术的影像分类特征规则构建

从已分割的目标中提取样本，利用信息理论分析图像的特征。在此基础上，本文拟从遥感影像数据中提取与遥感影像相适应的归一化植被指数、平均亮度、平均标准偏差、物体密度、边界指数和形态指数等参数。在遥感图像分类中，多采用植被指数、亮度值和均值标准偏差3种光谱特征[8]。

对象密度（Density）是指图像中目标对象所占的像素比例。通过计算每个像素是否属于目标对象，可以得到一个密度的估计值。该特征可以用来区分背景和目标，并估计目标的数量。该指数可用于测定被测物体的空间像元密度。密度愈大，物体愈像方块；随着密度降低，物体变成拉长的形状。对象密度Density如公式（7）所示。

（7）

式中：NV代表对象的像元总数；a代表被检测影像椭圆长半径；b代表被检测影像椭圆短半径。

边界指数（BorderIndex）是一个衡量图像边缘强度的特征，考虑了像素与其相邻像素的差异，可以用来检测图像中的边缘和纹理，如公式（8）所示。

（8）

式中：bv代表待检测对象周长；Iv代表矩形长度；wv代表矩形宽度。

形状指数（ShapeIndex）是一个衡量图像中对象形状复杂度的特征，考虑了目标对象的边界像素相对于中心像素的分布情况，可以用来区分不同形状的目标对象，例如圆形、正方形等。这些特征的组合有助于更准确地分类和识别图像中的目标对象。进行影像分割时，可结合表1设置分割参数。

结合分类特征集和上述分割参数设置结果，制定模糊分类规则，如图3所示。

在图3中，上半部采用了显式布尔分类法，下半部采用了模糊规则。例如，确定道路类型时，对特征密度和边界指数+轮廓指数进行模糊处理，并将所有隶属度设定为0.2。经过上述处理得到的隶属度为0.3。类似地，本文使用特性均值标准和边界索引+轮廓索引来定义建筑物的分类，最后利用And逻辑对每类再进行分类，得到其分类规则。

4 土地利用变化检测

得到所需的分类结果后，对分类结果进行分析，并提取土地利用变化信息。检测前，根据表2构建土地利用类型子库。

在提取过程中，将前、后时段内的全部目标进行融合，并结合各阶段的特征信息进行融合。利用该方法可以获得变化点的变化属性矩阵。该矩阵包括每个图斑在不同时期的属性和变化信息，有助于更好地理解和分析土地利用变化情况。土地利用变化检测原理图如图4所示。

获得变化检测结果后，本文发现结果中可能存在一些问题。影像配准误差、影像分类偏差等因素可能会影响变化检测结果的准确性和可靠性。为了解决这些问题，需要对变化结果进行后处理，以使其更符合应用要求。

后处理包括一系列处理步骤，旨在提高变化检测结果的准确性和可靠性。首先，去除检测结果中的毛刺。毛刺是指一些小的、不连续的像素点，它们可能会干扰对变化检测结果的理解和分析。通过去除毛刺，可以提高结果的清晰度和准确性。其次，过滤掉面积过小的变化要素。有些变化要素可能非常小，对分析没有太大意义。将这些要素过滤掉可以避免对结果产生不必要的干扰，提高结果的可靠性。

通过这些处理步骤，可以提高变化检测结果的准确性和可靠性，使其更符合实际应用场景的需求。这些处理步骤是必要的，有助于更好地理解和解释变化检测结果，从而更好地满足应用需求。

5 结论

遥感影像处理技术是一种基于遥感技术的数据处理方法，通过分析和解读遥感影像来获取有关土地利用变化的信息。该技术是研究土地利用变化的重要工具，它可以提供精确、全面的土地数据，有助于深入了解土地利用的变化趋势。基于此，本文结合遥感影像处理技术，提出了一种土地利用变化检测方法。应用该方法可以获取高分辨率、高精度的土地利用数据，进而分析和预测土地利用的变化趋势。这种技术不仅可以提供静态的土地利用数据，还可以提供动态的土地利用变化数据，有助于更好地了解土地利用的变化过程。综上所述，遥感影像处理技术是研究土地利用变化的重要工具，会在土地利用变化研究中发挥更大的作用。通过这种技术，可以获取精确、全面的土地数据，进而分析和预测土地利用的变化趋势，为土地资源管理和规划提供科学依据。

参考文献

[1]朱旭阳，韦春桃，何蔚，等.结合波段选择与改进Shufflenetv2的土地利用变化检测[J].测绘地理信息，2023（6）：88-93.

[2]刘玉安，卢秋霖，龚惠，等.县域土地利用变化及其生态环境效应研究——以株洲市渌口区为例[J].环境与发展，2023，35（5）：1-8.

[3]江山，石旭飞，郭常来，等.基于CA-Markov模型的大凌河流域土地利用变化与模拟预测研究[J].地质与资源，2023，32（5）：624-632.

[4]梅乐，马星，连鑫龙，等.城市化过程中土地利用变化对地质灾害易发性影响的研究[J].自然灾害学报，2023，32（5）：186-196.

[5]杜文武，胡瑶，刘渝杰，等.基于PLUS模型的金佛山自然保护地毗邻区土地利用变化模拟与多情景预测[J].园林，2023，40（10）：4-13，66.

[6]吴巧丽，张鑫阳，蒋捷.基于MODIS和CLCD数据的黄土高原土地利用变化检测及其对植被碳吸收模拟的影响[J].地理与地理信息科学，2023，39（5）：30-38.

[7]邵逸文，黄金权，刘纪根，等.基于Citespace方法的全球土地利用变化与土壤侵蚀研究进展[J].亚热带水土保持，2023，35（3）：6-11，17.

[8]李雪梅，舒英格.不同土地利用类型下土壤养分变化及生态化学计量特征分析[J].中国农学通报，2023，39（28）：62-69.