基于倾斜摄影技术的煤矿地区土地利用动态变化预测系统

张伟冰，庞 宇，陆汝成

(1.南宁师范大学，广西 南宁 530001； 2.广西国土资源规划设计集团有限公司，广西 南宁 530000)

为解决上述问题，近年来诸多学者设计了各种土地利用动态变化预测系统，用来预测煤矿地区土地利用动态变化。如邓元杰等[3]设计的基于CLUE-S模型和Markov模型的土地利用变化模拟预测系统，桑潇等[4]设计的基于TM和OLI数据的土地利用动态变化分析与预测系统。上述系统在进行相关数据采集时依然采用传统的航空与航天技术获取数据，需要在很长时间内才能获取所需影像数据，当出现雨雪等不正常天气时，更无法获取清晰准确的土地利用影像数据，导致获取影像数据的时间与物力大大增加，同时获取的影像数据精度较低，无法更真实地反映土地利用状况[5]。

而无人机倾斜摄影技术可将无人驾驶技术与低空倾斜摄影技术进行完美结合，并将当前存在的通信与定位效果较好的技术与其融合在一起，在进行煤矿地区土地利用状况影像数据采集时，可使采集数据的效率和精度得到显著提升[6]。因此，本文设计基于倾斜摄影技术的煤矿地区土地利用动态变化预测系统，将倾斜摄影技术应用于煤矿地区土地利用动态的变化预测中，在进行煤矿地区土地利用动态变化预测时的效率与准确率更高，可更好满足煤矿地区土地利用动态变化预测工作的需求。

1 土地利用动态变化预测系统的总体架构

为了有效预测煤矿地区土地利用动态变化，设计包含数据感知层、网络通信层、数据模型服务层、应用逻辑层以及土地动态预测中心的煤矿地区土地利用动态变化预测系统(图1)。

图1 系统总体架构Fig.1 Overall system architecture

(1)数据感知层。包括通信终端模块、无人机数据采集模块等模块，可利用倾斜摄影技术实现对煤矿地区土地利用相关影像数据的有效采集，并借助通信终端模块将所获土地利用相关数据发送到网络通信层[7]。

(2)网络通信层。可将数据感知层获得的煤矿地区土地利用相关数据传输给数据模型服务层，实现数据感知层与数据模型服务层的有效连接。

(3)数据模型服务层。包括土地利用数据库与土地利用模型变化数据库。其中，土地利用数据库用来存储与管理由网络通信层传输的与土地利用相关的图形以及影像等数据；土地利用模型变化数据库用于对用于土地利用动态变化预测的数据进行存储、管理与分析。

(4)应用逻辑层。包含VisualC++平台与MapObjects控件2个模块，将2个模块联合起来应用对各类地图执行调用操作，方便煤矿地区土地利用动态变化预测。除对各类地图进行调用外，2个模块还可实现对模型变化数据库数据的调用，为煤矿地区土地利用动态变化预测的计算做准备。

从各相关系数来看，与南京河流表层沉积物中APA最具相关性的是有机质质量百分数(r=0.763)，极显著正相关(p=0.006)；其次是总磷(r=0.703)，显著正相关(p=0.016)；再次为可交换态氮，与硝酸盐氮、铵态氮均显著正相关。表明表层沉积物营养成分充足情况下，使各种微生物保持旺盛的新陈代谢，则APA相对较高。各种磷形态中TP与APA的相关性最好，OP其次。APA与OP相关性较好，为正相关(r=0.576)。这一现象说明调查区域沉积物的有机磷经碱性磷酸酶作用产生的无机磷为沉积物中生物所利用。可交换态氮与APA的相关性好于凯氏氮，进一步印证了上述结论。

(5)土地动态预测中心。包括土地动态数据获取模块[8]、DSM图像生成模块、预测DSM图像数据存储模块及土地动态预测与管理模块。土地动态预测中心是整个煤矿地区土地利用动态变化预测系统中最重要的一个环节。土地动态数据获取模块在接收到由应用逻辑层调用的用于模型计算的数据后，通过模型计算模块对数据进行相关的计算，将计算得到的数据存储于预测存储数据库，土地动态预测与管理模块根据预测数据存储数据库提供的信息，实现土地利用动态变化的预测与管理。

2 土地利用动态变化预测系统硬件设计

2.1 数据感知层设计

煤矿地区土地利用动态变化预测系统的数据感知层包含图像采集模块、图像存储与处理模块、紧急状况报警模块以及能量供应模块的图像感知层。数据感知层结构如图2所示。数据感知层利用无人机倾斜摄影技术实现土地利用相关图像信息的采集，同时具备对采集到图像进行存储、处理、能量供应以及进行图像采集时紧急状况的报警等功能[9]，为土地利用相关信息提供精准感知服务。

图2 数据感知层结构Fig.2 Data perception layer structure

2.2 图像采集模块

系统数据感知层的无人机图像采集模块利用无人机倾斜摄影技术进行土地利用数据采集，采集过程主要包括飞行前准备、土地利用数据采集、完成飞行后的检查、采集到的土地利用数据检查与补飞4个阶段。当无人机飞行到适合进行数据采集的高度时，不能随机选择航线、拍摄参数进行影像拍摄，必须严格按照土地利用预测方案中关于航线以及拍摄参数等的要求执行[10]。针对上述要求设计无人机图像采集模块，其结构如图3所示。

图3 无人机图像采集模块Fig.3 UAV image acquisition module

3 土地利用动态变化预测系统软件设计

3.1 无人机倾斜摄影的土地DSM图像生成

在利用无人机倾斜摄影技术进行煤矿地区土地利用动态变化预测时，为了提高预测速度与精度，需对所采集到的土地图像进行影像去噪增强处理以及相机畸变修正，并将去噪过的土地影像通过匹配策略生成煤矿地区土地利用动态变化预测所需的土地DSM(数字表面模型)影像数据[11]。土地图像去噪增强主要通过Wallis滤波器实现。其工作原理的实质是对无人机倾斜摄影采集土地图像的较大反差与较小反差分别进行弱化与增强，从而有效执行对局部土地图像的变换操作，达到增强土地图像的目的[12]。用公式可将Wallis滤波器定义为：

(1)

式中，f(x，y)与G(x，y)分别为利用Wallis滤波器进行无人机倾斜摄影采集土地图像增强操作后图像与原始图像在(x，y)处的灰度值；mg与sg分别为原始像元的灰度均值与灰度值标准偏差；sf为土地影像的方差的目标值；c为土地影像方差的扩展常数；a为量度系数。

相机畸变修正采用10参数模型算法。应用10参数模型进行相机畸变修正操作的实质是，将能够对相机成像造成各种影响的物理性因素执行抽象操作形成一个数学模型，从而将相机成像的系统误差清晰地展现出来，以便采取相应措施，达到纠正处理无人机倾斜摄影技术拍摄图像，更好服务煤矿地区土地利用动态变化预测的目的。用公式可将10参数模型表示为：

(2)

式中，Δx、Δy为畸变；l1、l2、l3为径向畸变系数；p1、p2为偏心畸变系数；b1、b2为平面畸变系数。

具体的土地DSM影像生成流程如图4所示。

图4 土地DSM图像生成流程Fig.4 Land DSM image generation process

3.2 土地DSM图像的高程信息提取流程

在对煤矿地区土地利用状态进行动态变化预测过程中，最为关键的是对获得的煤矿地区土地DSM图像进行DSM信息提取[13]。

(1)对处理好的2期DSM图像执行DSM图像叠加与配准操作。

(2)在将原始的倾斜摄影图像进行DSM生成操作时，土地的真实面积被成功予以保留[14-15]。因此，P(x，y)代表一图像坐标点，分别对DSM数据中相对应的高程值执行读取操作，2期DSM图像的高程值分别为h1与h2。具体的高程提取流程如图5所示。

图5 高程提取流程Fig.5 Elevation extraction process

(3)为了提高信息提取的精度，在P(x，y)处各个方向的8个坐标点执行高程值读取操作。

(4)对P(x，y)以及其余8个坐标点的高程值执行高程平均值求解操作，该平均值即中心点实际高程值H，相应地可得到2期土地DSM图像的新高程值h1/h2。高程值解算如图6所示。

图6 高程值解算示意Fig.6 Schematic diagram of elevation value settlement

(5)煤矿地区土地利用的动态变化主要通过土地的变化表现出来，因为通过对高差进行分析，可实现对煤矿地区土地利用动态变化的预测。设定一个高差阈值d，高差为k，当k≤d时，煤矿地区土地利用没有产生动态变化，否则出现土地利用动态变化。

4 应用实例

以煤矿分布较多的D市为实验对象，应用本文系统预测该市土地利用动态变化，验证本文系统在进行土地利用动态变化预测方面的性能。

应用本文系统对D市2018—2020年间土地利用动态变化进行预测，得到的土地利用状况总量分析见表1。从表1可知，D市2018—2020年间的园地、裸地、建筑用地以及矿区用地呈逐年增加趋势，矿区用地增加趋势尤为明显，从最初的1 986.98 km2增加到3 053.23 km2；耕地、林地、水域以及自然保留地用地呈逐年减少趋势，其中耕地与林地的面积减少趋势尤为明显，耕地面积由最初的1 869.33 km2减少到923.52 km2。原因是煤矿开采量的增大，占用了更多的耕地与林地。表明应用本文系统可有效预测煤矿地区土地利用动态的变化，满足实际煤矿区土地利用动态变化预测工作需要。

表1 土地利用状况总量分析Tab.1 Total analysis of land use status km2

土地利用动态变化率可以反映一段时间内各种形式用地的土地利用变化情况，是衡量土地利用动态变化的重要指标。应用本文系统对2000—2030年间D市的煤矿用地、林地、耕地以及建筑用地进土地利用动态变化预测，得到的土地利用变化率统计如图7所示。

图7 土地利用变化率统计效果Fig.7 Statistical effect of land use change rate

图7中，D市在2000—2030年间，煤矿用地大幅度增长，2010—2020年比2000—2010年间煤矿用地的土地利用动态变化率增加约100%，2020—2030年比2010—2020年也相应地增加了100%。建筑用地的土地利用动态变化率有所增加，但增加不明显。而耕地的土地利用动态变化率从最初的接近11%下降到约3%，其减少的幅度较大。可见煤矿用地的扩张加剧了耕地的减少趋势。在实际煤矿土地利用工作中，应在合理预测煤矿土地利用动态的基础上，积极采取相应举措，促进矿区土地资源的合理利用。

在无人机倾斜摄影技术应用于煤矿地区土地利用动态变化预测时，要受到当天图像拍摄时天气、环境等因素的影响，导致拍摄到的图像存在大量的噪声，噪声会导致后期在进行图像数据匹配时精度较低，因而需要对图像进行去噪增强处理。为验证本文系统在图像去噪增强图像方面的优势，选取1张采集的图像，对其进行滤波器去噪增强处理，得到的去噪增强效果对比如图8所示。从图8可以看出，去噪增强前图像的色彩效果比较暗淡，色彩变化不明显，图片整体给人感觉比较模糊；去噪增强后的图像无论从色彩、光线、饱和度以及清晰度都要明显好于去噪增强前图像。实验证明，本文系统可实现对采集图像的去噪增强，并且去噪增强效果较好，可更好地满足煤矿地区土地利用动态变化预测需要。

图8 图像增强效果对比Fig.8 Image enhancement effect comparison

采集图像中存在的畸变，会对煤矿土地利用动态数据的提取过程造成干扰，降低数据提取的准确率，从而影响煤矿地区土地利用动态变化预测的精度与效率，因而有必要对采集到的土地利用图像进行畸变修正。在本文系统中通过10参数数学模型计算进行图像畸变修正，得到的图像畸变修正对比效果如图9所示。分析图9可知，由于相机等物理因素导致所拍摄图像出现倾斜模糊现象，经过10参数数学模型畸变纠正后，图像不再倾斜，并且表现出较好的清晰度与饱和度。实验表明，在本文系统中应用10参数模型对无人机采集到的图像进行畸变纠正，具有较好的畸变纠正效果，将其用于煤矿地区土地利用动态变化的预测中，可提高土地利用动态变化的预测精度。

图9 图像畸变纠正前后效果对比Fig.9 Comparison of the effect before and after image distortion correction

5 结论

本文设计系统可实现对煤矿地区土地利用动态变化的有效预测，预测的效率与准确率较高，可满足实际煤矿地区土地利用动态变化预测需要。但是其在进行煤矿地区土地利用动态变化预测时，大量的工作主要由人工干预完成，耗费了大量的人力资源，导致土地利用动态变化预测成本增加。为降低土地利用动态变化的成本，下一阶段将从如何实现土地利用动态变化的自动化角度对土地利用动态变化的预测进行相关研究。