基于遥感技术的县域尺度水土流失监测方法

石 鹏

（甘肃省地质矿产勘查开发局测绘勘查院，甘肃 兰州 730060）

0.引言

随着水土环境保护力度的加大，需对县域尺度水土流失进行实时监测，并结合气候和水资源分布特性，进行洪水监测、河流形态分析和县域水土的地表水层特征分析，构建县域尺度水土流失的实时特征提取模型。通过遥感信息特征监测，进行县域尺度水土流失分布性监测，以提高县域尺度水土的遥感特征监测。根据水体指数特征分析，突出水体信息的指数分布，构建水体和阴影的混淆特征分析模型，实现县域尺度水土流失监测[1]。研究县域尺度水土流失监测方法，对保护县域水土环境具有重要意义。

对县域尺度水土流失监测是建立在对土壤水分反演特征监测和遥感信息分析基础上，通过重力场数据特征、遥感和矢量数据特征分析，进行县域尺度水土流失监测[2，3]。文献[4]中提出基于尺度结构相似性分析的县域尺度水土流失监测方法，根据遥感图像的低对比度、低饱和度等特点，采用局部特征演化分析方法，进行县域尺度水土流失监测，但该方法对县域尺度水土流失监测的自适应性和环境适应性不高。文献[5]中提出先验和基于深度学习的县域尺度水土流失监测方法，采用水土及大气散射模型的边缘优化分析，通过不同图像特征的子网结构融合，实现水土流失的优化监测，但该方法在长时间训练和数据集收集中的适应度较低。

针对上述问题，本文提出基于遥感技术的县域尺度水土流失监测方法。采用遥感微波监测方法对县域尺度水土流失过程中的土壤水分、地表粗糙度和植被信息分布等信息进行实时监测，构建县域尺度水土流失监测的反演数学分析模型，结合植被光学厚度特征分析法，实现县域尺度水土流失监测。最后进行仿真测试，展示本文方法在提高县域尺度水土流失监测方面的优越性能。

1.遥感图像监测和预处理

1.1 县域尺度水土流失遥感特征监测

为实现基于遥感技术的县域尺度水土流失监测，需构建县域尺度水土流失的遥感特征监测模型，采用密集连接结构模型和遥感微波监测方法对县域尺度水土流失过程中的土壤水分、地表粗糙度和植被信息分布等信息进行实时监测，构建多尺度特征的水土流失遥感信息监测模型，总体结构如图1所示。

图1县域尺度水土流失遥感信息监测模型

由图1可知：水土流失遥感信息监测，将网络中每层学习结果进行自适应分配，通过图像尺寸大小m×n决定水土流失遥感影像特征分布模板，在地理特征分布域中，空间分布相对完整。为保证遥感影像分布的均衡性，定义自相关函数，结合典型性、分布均匀性及充足性等影响因子，得到边缘模型提取边界信息，如式（1）所示：

式（1）中，(xi,yi)为窗口W内的边缘形态特征参数；I(xi,yi)为遥感数据信息；Δx,yi、Δy分别为不同坐标系上的水体成分相关增益系数；W为主成分特征量。

1.2 县域尺度水土流失监测的数学分析模型

构建长时间序列的植被光学厚度分析模型，采用AMSRGEC波段分析法，得到县域尺度水体流失的地表粗糙度分布差异值，在地表粗糙度效应分布约束下，得到地表粗糙度和植被的关联差异度分布函数，如式（2）所示：

图2县域尺度水土流失监测的数学分析模型

2.县域尺度水土流失监测优化

2.1 县域尺度水土流失遥感信息监测

采用植被光学厚度特征分析的方法，利用多光谱遥感特征监测法进行土壤水分反演分析，提取水体信息参数。在水体流失过程中，不同水体流失类型千差万别，根据地理景观的差异特征，结合标志点跟踪的方法，得到区域遥感信息提取的尺度因子C(a,［］b,R)，其中，a为水体流失情况下的水平差异度；b为垂直差异度；R为地形特征划分的半径。基于遥感图像边缘像素分布，县域尺度上水体遥感的子块分析模型如图3所示。

图3县域尺度上水体遥感的子块分析模型

由图3可知：在县域尺度上水体遥感子块分析模型中，按照其特定的视觉特征，得到每个区块内的地理要素条件分布函数，如式（3）所示：

式（3）中，f（x，y）、g（x，y）、ε（x，y）分别为平坝区、山坡区和林草区的水体演化函数，假设前l个像素集中县域尺度上水体遥感分形的几何特征向量为e1，e2，．．．，el，重建轮廓分布特征点，计算县域尺度上水体遥感匹配函数，得到分块匹配大小为s×s，在保证每个区块内的地理要素匹配条件下，得到分区分层的结构信息熵，如式（4）所示：

式（4）中，m和n为地理学分析思想指导下的遥感特征分布编号；i和j为高分辨率遥感影像特征分量；（x,y）为边缘模型提取边界信息；θijmn(x+k,y+k)为规则耕地地块分形参数；θijn(x+k,y+k)为深度学习函数；s为联合特征匹配系数。经过几何校正、辐射定标、图像镶嵌，得到县域尺度上水体遥感监测动态特征分量，如式（5）所示：

式（5）中，MST（C，E）为被动微波遥感土壤水分反演函数；w（e）为贴近度函数。图像动态特征标志点自动跟踪的关键是对图像边缘角度特征点的监测，由此构建县域尺度水土流失遥感信息监测模型。基于迁移学习和模糊度特征匹配的方法，进行ImageNet预训练模型参数分析，采用经验模态特征分解，结合卷积神经网络学习，构建水体流失的动态特征监测模型，以提高遥感监测能力。

2.2 县域尺度水土流失监测实现

基于绿波段、近红外波段、短波近红外波段多波段特征分析的方法，进行县域尺度水土流失的水体指数分析。县域尺度水土流失的水体动态分布监测输出，如式（6）所示：

式（6）中，A为县域尺度上水体遥感监测的边缘轮廓特征量；t(x)为局部特征子信息分量；J(x)t(x)为县域水体分形的参数分布特征向量。

重建损失函数、多尺度结构相似损失函数，得出有向边e，整体特征子网作为信息补充子网，得出流失部分的水体空间分布域C1,C2⊆V中，采用图像像素级的差异修正方法，得出修正函数，如式（7）所示：

式（8）中，μpq为处理后图像与清晰图像之间的高级感知参数；μ00为通道数。综上分析，采用重力地面高程异常差分析，通过遥感影像特征监测，实现县域尺度水土流失监测。

3.试验测试分析

试验中选定若干区域作为测试对象。试验区按植被覆盖度分别标记为：绿色（植被覆盖度小于30%）、青色（植被覆盖度30%～45%）、黄色（植被覆盖度45%～60%）、橙色（植被覆盖度大于60%）。

通过仿真试验验证本文方法在实现县域尺度水土流失监测中的应用性能，设定遥感特征图尺寸为500×250，遥感分辨率的放大倍数分别为1.2倍和1.5倍，卷积核尺寸为3×3，对不同水体流失地域监测的像素分别是89、73。根据上述参数设定，得到遥感影像如图4所示。

图4县域尺度水土流失监测的原始遥感影像

由图4可知：将水土流失监测的原始遥感影像作为研究对象进行水土流失监测，得到监测输出如图5所示。

图5水土流失监测输出

由图5可知：本文方法能有效监测县域尺度上的水土流失，测试监测的准确性对比结果如表1所示，由此可知采用本文方法进行水土流失监测的准确度较高。

表1水土流失监测准确性对比

4.结束语

本文提出基于遥感技术的县域尺度水土流失监测方法，构建水体和阴影的混淆特征分析模型，以实现县域尺度水土流失监测。采用遥感微波监测法对县域尺度水土流失过程中的土壤水分、地表粗糙度和植被信息分布等信息进行实时监测，基于仿射不变分布重构，在不同遍历子块中进行县域尺度水土流失监测的数学分析，实现县域尺度水土流失监测。测试得知：采用本文方法对县域尺度水土流失监测的准确性较高。