基于遥感影像的区域水土流失特征识别模型

崔 萌

(北京市密云区沙厂水库管理处，北京 101500)

0 引 言

随着生态环境建设的发展，对区域水土流失的监测和特征识别受到人们的极大关注，需要建立结合区域水土流失地理要素动态演变分析模型，结合对地理要素动态演变的地理空间矢量分析和遥感影像分析，进行区域水土流失特征监测与识别，建立区域水土流失特征演化和可视化分析模型，提高区域水土流失的多分辨纹理检测和增强识别能力，研究区域水土流失特征分析模型，对提高矢量场的空间变化和动态可视化遥感监测能力方面具有重要意义[1]。

对区域水土流失特征识别是建立在对遥感影像和地理特征分析基础上，通过地理空间矢量场数据的可视化分析，构建多尺度、复杂空间特征结构分析，进行区域水土的自动监测识别，通过高效可视化分析方法，进行水土流失的图像监测和特征识别[2]。文献[3]中提出顾及地理矢量场空间变化特征的多分辨率纹理可视化区域水土监测方法，对区域水土流失的大规模密集矢量场数据进行动态演化和几何图元特征分析，采用网络端矢量场数据重组，实现水土流失特征识别。但该方法进行区域水土流失特征检测的动态性不好。文献[4]中提出基于被动微波遥感的地表粗糙度及土壤水分反演和水土可视化监测识别方法，构建长时间序列 L 波段植被光学检测模型，实现水土流失监测，但该方法进行地表粗糙度和遥感监测的精度不高，时效性不好。

针对上述问题，本文提出基于遥感影像的区域水土流失特征识别模型，首先通过大规模密集矢量场遥感影像数据检测，进行区域水土流失特征的遥感特征检测和特征重组，然后提取地理矢量场复合信息熵，通过遥感影像图像分析，实现区域水土流失特征识别，最后进行仿真测试，展示了本文方法在提高区域水土流失特征识别能力方面的优越性能。

1 区域水土流失的地理矢量场及多分辨拓扑

1.1 区域水土流失的地理矢量场分布

建立基于遥感影像的区域水土流失特征识别的SRAD滤波检测模型，通过各向异性扩散和地理矢量场空间变化特征分析方法，进行地理要素动态演变分析，根据地理要素动态演变分布和遥感动态特征分析，进行区域水土流失的特征检测和信息估计[5]，采用地理矢量场复合信息熵分析，得到区域水土流失的N×N邻域中Φ遥感监测区域，在矢量方向的分布范围A内，通过建立统计概率模型，分析空间变化特征，在区域水土流失分布的综合分布区域中，分析地表温度空间异质性，基于复杂地表微波辐射模型分析方法，进行FY-3B/MWRI卫星遥感检测，得到区域水土流失遥感影像的三维特征点，初始区域水土流失遥感影像分块的大小选取为固定值200 mm*200 mm，通过区域水土流失遥感影像分组拓扑检测，得到区域水土流失遥感影像的模糊度分块区域大小m*n，对地表异质性特征进行归一化处理，得到区域水土流失遥感影像的边缘像素分布集，通过对区域水土流失的动态演化特征分析，进行区域水土流失遥感影像的像素分割，实现区域水土流失遥感监测和特征识别，得到区域水土流失的特征识别的总体实现结构图，见图1。

图1 区域水土流失的特征识别总体结构图

在不同场景下，采用水土区域流失监测的方法，建立区域水土流失的地理矢量场特征分布结构参数解析模型，采用Canny算子进行区域水土流失的地理矢量重组，在遥感对地监测过程中，通过滤波窗口分块检测，得到区域水土监测的SRAD模型数值近似参数，通过区域水土的光谱特征、几何形态特征、拓扑特征、功能特征，进行区域水土流失的特征识别。区域水土流失特征分布见图2。

图2 区域水土流失特征分布

1.2 区域水土流失特征多分辨拓扑

在多尺度、复杂空间中，通过多维特征结构分析的方法，建立各向异性扩散分析模型，进行区域水土流失遥感影像的信息增强和多模块检测，进行区域水土流失特征的地理矢量场数据集重建，利用原始区域水土流失遥感图像和滤波后区域水土流失遥感图像的差异性，对边缘图像进行分块统计，计算区域水土流失遥感相邻区域灰度反差，原始图像为f(x,y)，在(p+q)阶的区域水土流失特征多分辨谱参数为：

(1)

其中：(x,y)为遥感影像的几何形态特征值；xp为局部阈值；yq为影像特征；M,N为几何矩参数。

根据目标局部区域的光谱参数，得到原始图像和滤波图像的模糊度边缘特征参数分布为：

(2)

根据水体流失的特征参数分析，通过河流水体段的像素强度分割，得到灰度像素边缘参数Jdark(x)逼近于0。通过提取区域水土流失的河流水体参数，采用平滑尺度函数分析，同构特征耗散度解析，得到区域水土流失的特征分布函数满足U(x)=1-e-βd(x)，引入β指标作为定量标准，采用子空间函数约束的方法，得到水体在SAR图像中的光谱特征简化为U(x)=1-t(x)，显然有0

(3)

其中：Lxx(x,σ)为区域水土流失的局部阈值；Lxy和Lyy的含义与之类似。

由此基于自然水域河流水体的几何形态分析，通过相邻GP层之间的拓扑分析，实现区域水土流失特征多分辨拓扑设计。

2 区域水土流失特征识别

2.1 区域水土流失的遥感影像特征检测

通过全局方向变化信息重组，结合区域水土流失遥感影像检测的方法进行局部可视化特征重组，得到水域河流水体的几何形态像素分布集表达式为：

(4)

式中：Tm为像素强度值；τmk为连通区域的反差边缘；v(t)为河流水参数，wnk为连通区域的区域水土流失特征参数；K(m)为大尺度地理空间像素点；M为连通区域的边缘像素集。

通过不同分辨率纹理表达和尺度检测，得到各子区间βi内的分布概率和全局分布概率为：

minWH=min{w(C),h(V)}

(5)

(6)

其中：w(C)为强度信息熵；h(V)为概率统计区间函数；Area(cc)为区域水土流失标量信息的综合抽象特征量；Area(pic)为统计概率参数分布集。

基于一定的统计概率模型，采用遥感信息增强技术，进行复合信息熵的增强的邻域NEj*(t)。此时水土流失特征识别的概率统计区间为：

(7)

根据上述分析，建立统计概率模型，引入地理矢量场复合信息熵，通过整体变化特征分析，得到区域水土流失的标量属性分布集为：

(8)

通过大规模密集矢量场遥感影像数据检测，通过全局方向变化信息重组，结合区域水土流失遥感影像检测的方法进行局部可视化特征重组。

2.2 区域水土流失特征识别输出

结合几何图元法、纹理可视化方法，进行区域水土流失特征的遥感特征检测和区域信息重组，以多频噪声作为输入纹理，得到区域水土流失遥感影像的灰度像素值为：

(9)

以矢量方向分布概率为输入特征量，以场强大小构建强度信息熵，得到统计概率函数为：

(10)

综上分析，提取地理矢量场复合信息熵，通过遥感影像图像分析，实现区域水土流失特征识别。模型实现流程见图3。

图3 区域水土流失特征识别模型实现流程

3 实验测试分析

通过仿真实验，验证本文方法在实现区域水土流失特征识别中的应用性能，采用3×3窗口滤波检测模型，进行区域水土流失模糊拓扑空间分析，区域水土流失分块区域大小为290×350像元，水土遥感影像参数配置见表1。

表1 水土流失遥感影像监测配置参数

根据表1参数，进行区域水土流失特征检测，得到初始遥感影像，见图4。

图4 遥感影像监测结果

以图4的影像特征为输入，进行区域水土流失特征识别，得到区域水土流失的分块检测结果，见图5。

图5 区域水土流失的分块检测结果

分析图5可知，本文方法进行区域水土流失特征监测的分块融合性能较好，在此基础上实现水土流失特征识别，见图6。

图6 区域水土流失检测输出

分析图6可知，本文方法对区域水土遥感影像的动态渲染能力较强，提高了水土保持和动态监测识别能力。

测试不同方法进行区域水土流失特征识别的精度，对比结果见表2。分析表2可知，本文方法对区域水土流失特征识别的精度更高。

表2 区域水土流失特征识别精度对比

4 结 语

本文提出基于遥感影像的区域水土流失特征识别模型，建立统计概率模型，分析空间变化特征。在区域水土流失分布的综合分布区域中，分析地表温度空间异质性，利用原始区域水土流失遥感图像和滤波后区域水土流失遥感图像的差异性，对边缘图像进行分块统计，计算区域水土流失遥感相邻区域灰度反差，实现区域水土流失特征识别和遥感监测。分析结果表明，本文方法对区域水土流失特征识别和遥感影像检测的分辨能力较强，提高了识别精度。