基于遥感数据的土地利用监测研究

Research on Land Use Monitoring Based on Remote Sensing Data

摘要: 为了准确掌握土地利用现状，为土地资源管理与规划等提供数据支撑，本文以卫星遥感影像数据为基础，提出基于ArcGIS空间分析的土地利用变更监测方法。该变更监测方法的实现的步骤为：首先，针对遥感影像中存在的噪声点等干扰信息，基于ArcGIS完成影像的滤波与增强处理；其次，向分类模块中输入处理后的遥感影像，通过多尺度土地利用多分类网络进行土地利用分类；最后，在土地分类结果的基础上，计算土地利用转移矩阵、动态度以及年综合变化率结果，并通过计算土地变化指标反映土地利用现状的改变，实现土地利用变更监测。通过某省卫星影像数据进行实验，结果表明，本文方法能够有效降低噪声对图像质量的影响，有效完成土地利用类别的提取，准确识别土地变更区域。

Abstract: In order to accurately grasp the current situation of land use and provide data support for land resource management and planning, this paper proposes a land use change monitoring method based on satellite remote sensing image data and ArcGIS spatial analysis. The implementation steps of this change monitoring method are as follows: firstly, to address the interference information such as noise points in remote sensing images, the image filtering and enhancement processing are completed based on ArcGIS; secondly, input the processed remote sensing images into the classification module and use a multi-scale land use multi classification network for land use classification; finally, based on the land classification results, calculate the land use transfer matrix, dynamic degree, and annual comprehensive change rate results, and reflect the changes in land use status through the calculation of land change indicators, achieving land use change monitoring. Through experiments on satellite image data from a certain province, the results show that the method proposed in this paper can effectively reduce the impact of noise on image quality, effectively extract land use categories, and accurately identify land change areas.

1. 引言

土地是人们赖以生存的必要资源，因此，针对土地利用现状的监测，为土地资源管理与规划提供可靠的土地现状信息尤为重要。土地利用变更监测是采用一定技术与手段，获取土地利用信息的现状并对利用现状进行分析、评估的工作，能够为土地资管管理与土地审批规划及决策等提供科学的现实依据，维持土地资源的可持续发展以及保障人们赖以生存的土地环境[1]-[3]。每年，我国都会开展周期性的土地利用变更调查，根据变更调查结果形成相关变化资料，对土地调查数据库进行更新。然而，由于我国土地资源丰富，土地利用类别多，并且各地对于土地利用变更调查的作业方式存在差异，造成数据间的共享性差[4] [5]。针对土地利用变更监测方面的研究，不少学者取得了积极的成果，张伟良等人[6]以高分遥感影像为基础，采用孪生神经网络实现土地利用变化检测，虽然该方法能够实现变化土地位置的识别，但是适用性不高；司新毅等人[7]采用CA-Markov模型，基于遥感影像数据开展土地空间的变化预测，该方法无法得到土地变化率。作为一款具有伸缩空能的全面软件平台，ArcGIS能够实现桌面端、服务器段以及互联网端的有效运用，具备所有GIS软件的相关功能[8] [9]。ArcGIS平台支持多源数据的管理与处理，在影像处理方面具有独特的优势，基于此，本文考虑将遥感影像引入ArcGIS空间分析中，提出一种基于ArcGIS空间分析的土地利用变更监测方法，通过实验验证该方法的有效性。

2. 土地利用变更监测

2.1. 监测方法整体框架

本文以卫星遥感影像为基础，结合ArcGIS与分类模型开展土地利用变更监测，包括数据处理模块、分类模块、变化监测模块，整体框架如图1所示。其中数据处理模块是利用ArcGIS对卫星遥感影像进行处理，包括图像滤波、图像增强等；分类模块是利用多分类网络对土地进行分类提取；变化监测模型是通过计算土地年综合变化率结果等进行土地利用变更监测。

Figure 1. Land use change monitoring framework

图1. 土地利用变更监测框架

2.2. 遥感图像数据处理

2.2.1. ArcGIS框架

ArcGIS作为一种常用的遥感影像处理工具，具有多种处理功能，其框架结构如图2所示，ArcGIS包括4个编程组件，分别为移动GIS、服务器GIS、桌面GIS以及嵌入式GIS。ArcGIS的应用功能十分强大，可实现数据采集、数据存储数据处理等。此外，ArcGIS具有可视化GIS应用操作界面，可根据菜单驱动进行ArcGIS的定制与扩展。

Figure 2. ArcGIS framework structure

图2. ArcGIS框架结构

2.2.2. 遥感影像处理

通过卫星进行土地遥感影像采集时，受到多种因素影像，导致采集影像中存在噪声点等干扰。为此，本文根据ArcGIS中定制自适应中值滤波处理方法对影像进行滤波处理。中值滤波处理方法是利用中值替换影像像素值，该方法表达式为：

$P\left(i,j\right)=\underset{s}{med}\left[x\left(i,j\right)\right]$ (1)

式(1)中，P(i,j)为滤波值；med( )表示取中值作为替代像素值；x(i,j)为影像灰度值。

自适应中值滤波是对中值滤波是改进，通过对中值结果进行自适应调节：

$\{\begin{array}{l}{G}_{mid}>G_{\min }且G_{\min }<G_{\max },s=不发生变化\\ otherwise,s=扩大的滤波模板尺寸\end{array}$ (2)

式(2)中，G_mid为中值；G_min为滤波模板中最小值；G_max为滤波模板中最大值。

通过滤波模板计算到的G_mid可能会受噪声影响，为提升处理效果，取G_min、G_max的极值平均值G代替Gmid，并用于检测异常点，公式为：

$\{\begin{array}{l}G\left(x,y\right)\ge \overline{G},异常点\\ G\left(x,y\right)<\overline{G},正常点\end{array}$ (3)

式(3)中，G(x,y)为影像像素点。

为避免在滤波过程中将边缘点处理，要将边缘点与噪声点分离，公式为：

$\{\begin{array}{l}\left|G\left(x,y\right)-G\left(x+1,y\right)\right|=1,边缘点\\ \left|G\left(x,y\right)-G\left(x+1,y\right)\right|>1,噪声点\end{array}$ (4)

完成影像滤波处理后，对滤波后图像进行增强处理，以凸显土地特征。采用ArcGIS软件中最小灰度分辨率直方图均衡算法完成，主要步骤为：

(1) 计算像素的局部方差ε_i,j与均差值Δξ_i,j。

(2) 计算广义直方图：

$g\left(k\right)={\displaystyle \sum _{i=1}^{N-1}{\displaystyle \sum _{j=0}^{M-1}{\epsilon }_{i,j}\Delta {\xi }_{i,j}f\left(i,j,h\right)}}$ (5)

式(5)中，h表示灰度级；f(i,j,h)表示直方图。

(3) 计算累积直方图p(h)：

$P\left(h\right)={\displaystyle \sum _{i=0}^{h}g\left(h\right)}$ (6)

(4) 根据各灰度值的映射结果完成图像增强，表示为：

$X^{\prime }\left(i,j\right)=map\left[X\left(i,j\right)\right]$ (7)

2.3. 土地利用分类提取

遥感影像处理后，结合土地利用变更监测要求，采用多分类网络(MLUM-Net)进行土地分类提取，该网络包含下采样模块与上采样优化模块，前者以MDSPA完成，后者以HPP完成。根据MLUM-Net进行多类地物初步分类，向上采样中输入分类结果，得到土地分类结果。MDSPA能够在不增加计算量的前提下，提升网络感受野，感受野计算公式为：

$K=k+\left(k-1\right)\left(r-1\right)$ (8)

式(8)中，k为原始卷积和大小；r为卷积扩张率。

为有效提取通道特征图中土地多尺度空间信息，将输入的$X^{\prime }\left(i,j\right)$ 分割为4个支路，每个支路并行完成学习并熔化热学习后得到的特征结果。假设任意一支路使用${\tilde{F}}_i$ 表示，那么经3次空洞卷积后，输出的特征为：

${\tilde{F}}_i=D_{k,r_i}\left\{{\displaystyle \sum _{i,j}\left[Q\left(i,j\right)\times y\left(y_{i-1},y_{y-1},\cdots ,y_0\right)\right]}\right\}$ (9)

式(8)中，$D_{K,r_i}$ 为空洞卷积操作；Q(i,j)为空洞卷积核；$y\left(y_{i-1},y_{y-1},\cdots ,y_0\right)$ 为之前跨连接输出特征。

完成多尺度特征融合：

$F=Concat\left[{\tilde{F}}_{i-1},{\tilde{F}}_{i-2},\cdots ,{\tilde{F}}_0\right]$ (10)

将特征融合结果输入至HPP中，特征处理过程中，引入权重向量实现上采样特征的自适控制，避免信息冗余现象。

土地分类提取时，为保证提取精度，使用复核损失函数对分类结果进行优化：

$L_{MLUM}={\lambda }_1\left(L_{Focal}+\frac{{\lambda }_2}{{\lambda }_1}{L}_{SSIM}\right)$ (11)

式(11)中，₁、₂为加权参数；L_Focal为多分类损失函数；L_SSIM为质量损失函数。

2.4. 土地利用变更监测

土地分类提取后，计算土地转移矩阵V_ij、土地利用动态度D、R_t，以及年综合变化率Z。计算公式分别为：

$V_{ij}=\left[\begin{array}{ccc}{V}_{11}& \cdots & V_{1m}\\ V_{21}& \cdots & \cdots \\ V_{n1}& \cdots & V_{nm}\end{array}\right]$ (12)

$D=\frac{U_b-U_a}{U_a}\times \frac{1}{T}\times 100\%$ (13)

$Z=\frac{1}{{\displaystyle \sum _{i=1}^n{A}_i}}{\displaystyle \sum _{i=1}^n\Delta A_{ij}}\times \frac{1}{T}$ (14)

V_ij反应土地覆盖信息结构；D表示单一土地利用动态度；R_t表示综合土地利用动态度；Z表示土地变化趋势；U_a为土地在年初a的面积；U_b为土地在年末b的面积；T为总年数；n为土地利用类型数量。完成上述计算后，即可实现土地利用变更监测。

3. 实验与结果分析

以某省土地利用为对象开展实验，该省土地利用主要为林地、耕地、建设用地，此外包括水域用地、未利用地草地。实验数据包括2020年1月份至2022年12月遥感影像数据与非遥感数据，遥感影像数据包括Landsat TM多波段遥感影像与Landsat OLI_TIRS影像，非遥感数据为土地利用图。

受篇幅限制，选择某张土地遥感影像，采用本文方法进行增强处理，图3所示为遥感影像处理前后结果。

通过图3可知，影像采集时受环境、空气等因素影响，影像成果中存在噪声点。使用本文方法处理后，有效处理了影像中的噪声点，为土地利用变更监测提供了可靠的数据来源。

选择前文中的遥感影像，采用本文方法开展土地分类提取实验，实验结果如图4所示。通过图4可知，采用本文方法能够有效提取土地利用类别，得到耕地、草地、林地、建设用地等土地利用类别，呈现各土地利用类别的分布区域，并与传统现场目视判读方法的结果相吻合。

(a) 增强前 (b) 增强后

Figure 3. Remote sensing image enhancement processing

图3. 遥感影像增强处理

Figure 4. Land use category extraction results

图4. 土地利用类别提取结果

完成土地利用类别提取后计算各类土地的转移矩阵V_ij、土地利用动态度及年综合变化率Z，计算结果如表1~3所示。通过表1可知，本文可根据提取的土地利用类别结果计算得到V_ij，可以看到面积减少量最多的是耕地，达到1186.28 km²，面积减少量第二多的是草地，也达到了1033.43 km²。其中面积增加量最多的是林地，达到1007.25 km²，可以得到采用本文方法能够获得土地利用变更面积。

Table 1. Statistical results of land transfer matrix

表1. 土地转移矩阵统计结果

类别	耕地	林地	草地	水域	建设用地	减少量
耕地	1777.24	319.39	241.3	102.5	523.09	1186.28
林地	218.92	1469.71	337.98	27.73	51.98	636.61
草地	300.14	589.69	682.36	49.25	94.35	1033.43
水域	95.17	72.97	36.7	76.76	47.94	252.78
建设用地	212.68	21.87	24.13	31.73	200.82	290.41
总计	2604.15	2473.63	1322.47	287.97	918.18	--
增加量	830.24	1007.25	643.44	214.54	720.69	--

Table 2. Statistical results of land use dynamics/%

表2. 土地利用动态度统计结果/%

土地类别	2020~2021年	2021~2022年
耕地	−0.69	−0.52
林地	0.62	0.80
草地	−0.93	−1.84
水域	0.68	−1.36
建设用地	4.91	4.34

Table 3. Statistical results of annual comprehensive changes/km²

表3. 年综合变化量统计结果/km²

土地类别	2020~2021年	2021~2022年
耕地	−234.76	−708.79
林地	−328.77	15.36
草地	−211.52	84.77
水域	−12.96	−39.89
建设用地	649.38	647.66

通过表2可知，土地利用动态度D最高的是建设用地，其中在2020~2021年度达到4.91%，2021~2022年度达到4.34%；土地利用动态度D次高的是草地，其中在2020~2021年度达到−0.93%，2021~2022年度达到−1.84%，均呈现负增长趋势。结果表明本文方法能够根据土地类型动态度得到土地的变化幅度，为土地管理、土地规划与资源分配提供可靠的数据支撑。

通过表3可知，在2020~2021年度，建设用地的年综合变化量最高，达到了649.38 km²；林地的年综合变化量次高，达到了−328.77 km²；在2021~2022年度，耕地的年综合变化量最高，达到了−708.79 km²；建设用地的综合变化量次高，达到了647.66 km²。因此可以说明，本方法在土地利用变更量计算中具有较好的应用效果。

(a) 2020年1月 (b) 2022年12月

Figure 5. Monitoring results of land use change

图5. 土地利用变更监测结果

为了更加直观地感受本文方法在土地利用变更监测中的应用效果，呈现部分监测结果，如图5所示。通过图5可以看到，图5(a)中圆圈地块2020年1月份为林地与水体，图5(b)显示相同位置的两个地块2022年12月份成为建筑用地与耕地。直接证明了本文方法能够有效实现土地利用变更监测，准确确定土地变更区域。因此，可以得出，本文方法具有较高的适用性，能够准确发现土地利用变更状态，为土地资源管理、土地审批规划等提供强有力的技术支撑。

4. 结论

本文基于现有数据开展土地变更监测，并根据监测结果更新土地利用数据库，能够有效保证土地资源利用的合理性。文中以土地遥感数据为研究对象，基于ArcGIS空间分析法开展土地利用变更监测实验，根据实验结果可知，本文方法能够准确识别土地利用类别的变更状态与面积，从而满足了土地变更监测需求，为土地资源利用的合理性提供充分的技术支持与数据准备，同时为相关类项目的开展提供一定借鉴。