面向?qū)ο蠓诸?lèi)礦區(qū)土地利用變化探究

前言：想要寫(xiě)出一篇引人入勝的文章？我們特意為您整理了面向?qū)ο蠓诸?lèi)礦區(qū)土地利用變化探究范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

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(lèi)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?/a>分類(lèi)和最大似然法兩種分類(lèi)方法做對(duì)比；第三，通過(guò)對(duì)分類(lèi)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(lèi)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(lèi)

煤炭工業(yè)作為我國(guó)的基礎(chǔ)產(chǎn)業(yè)之一，在國(guó)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(kāi)采對(duì)人類(lèi)賴(lài)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(lái)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(lèi)，為該地土地恢復(fù)提供了有力依據(jù)［4］。本文通過(guò)分析基于面向?qū)ο蠛妥畲笏迫环▋煞N分類(lèi)方法對(duì)礦區(qū)進(jìn)行分類(lèi)，以期得到精度最高的分類(lèi)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(guò)程以便有效的調(diào)整人類(lèi)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(lái)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0.8m，多光譜分辨率為3.2m，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(guó)家標(biāo)準(zhǔn)《土地利用現(xiàn)狀分類(lèi)》（GB/T21010—2017）分類(lèi)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(lèi)型分為采煤用地、道路、耕地、建設(shè)用地、林地、水體6類(lèi)。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(guò)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(guò)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(lèi)。①光譜特征。各類(lèi)地物的光譜特征之間相差較大，其中水體呈青色，可通過(guò)歸一化水指數(shù)（NDWI）來(lái)進(jìn)行提取，通過(guò)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(guò)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(lèi)特征條件中。下列為NDWI和NDVI的計(jì)算公式：NDWI=(P(Green))-P(NIR)(P(Green))+P(NIR)（1）NDVI=(P(NIR))-P()Red(P(NIR))+P()Red（2）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(lèi)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(lái)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(lèi)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(lèi)外，地物的形狀特征也是分類(lèi)的重要依據(jù)。通過(guò)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shapein⁃dext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(lèi)依據(jù)。通過(guò)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(lèi)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(guò)預(yù)處理后，用最大似然法進(jìn)行礦區(qū)土地利用分類(lèi)，并選取采煤用地、水體、建設(shè)用地、林地、耕地、道路等6類(lèi)地物作為分類(lèi)樣本，樣本選取盡量平均，最后通過(guò)ENVI操作完成整個(gè)研究區(qū)的分類(lèi)。

2實(shí)驗(yàn)及結(jié)果分析

2.1eCognition分類(lèi)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(lèi)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0.8375，見(jiàn)表2。

2.2最大似然法分類(lèi)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0.7173，結(jié)果見(jiàn)表3。通過(guò)對(duì)以上兩種分類(lèi)結(jié)果分析，即面向?qū)ο蟮姆诸?lèi)方法的總體精度為87.77%，最大似然法的分類(lèi)精度為78.76%，發(fā)現(xiàn)基于面向?qū)ο蟮姆诸?lèi)方法分類(lèi)精度明顯高于最大似然法分類(lèi)精度，分類(lèi)效果較為理想。Kappa系數(shù)是用于檢驗(yàn)分類(lèi)一致性的指標(biāo)，也可以用于分類(lèi)效果的衡量，基于面向?qū)ο蟮姆诸?lèi)結(jié)果Kappa系數(shù)為0.8375，系數(shù)值在0.81~1，表示分類(lèi)結(jié)果幾乎完全一致，最大似然法分類(lèi)結(jié)果Kappa系數(shù)0.7173，系數(shù)值在0.61~0.80，表明分類(lèi)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?lèi)方法具有明顯的精度優(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(guò)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(lèi)型發(fā)生了變化，因?yàn)樵摰貐^(qū)煤礦開(kāi)采已到后續(xù)階段，所以采煤用地所占比例減少，這和通過(guò)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(guó)目前提出的“退耕還林”的重要政策。

4結(jié)語(yǔ)

本文通過(guò)對(duì)鶴崗礦區(qū)分類(lèi)，對(duì)比了不同的分類(lèi)方法，證明基于eCognition的面向?qū)ο蠓椒ǚ诸?lèi)結(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?lèi)方法除依據(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(lèi)型的面積發(fā)生了變化，主要是礦區(qū)向其他類(lèi)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(guò)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)。

作者:楊書(shū)平 邵杰 趙威成 單位:黑龍江科技大學(xué) 華潤(rùn)燃?xì)忄嵵莨こ探ㄔO(shè)有限公司