孫瑞，馬蕭，潘雪婷，王洪光

(1.江蘇省地質測繪院，江蘇 南京 211102； 2.北京巖土工程勘察院，北京 100083； 3.北京市地質工程設計研究院，北京 101500)

黃土高原露天煤礦區(qū)面向對象地貌自動分類方法研究

孫瑞1，馬蕭2，潘雪婷3，王洪光1

(1.江蘇省地質測繪院，江蘇 南京 211102； 2.北京巖土工程勘察院，北京 100083； 3.北京市地質工程設計研究院，北京 101500)

[目的]本文采用面向對象地貌自動分類方法研究黃土高原露天煤礦在開采前后的地形變化規(guī)律。[方法]面向對象分類方法，最早應用于遙感圖像的分類，目前也僅僅在大尺度地貌類型中形成比較完善的地貌分類規(guī)則。選擇1990年與2010年的2期分辨率為10 m的DEM為數據源，采用面向對象分類方法，完成露天礦采礦前后原地貌黃土高原與人工地貌排土場的地貌形態(tài)自動劃分。提取坡度、剖面曲率、平面曲率、相對高程4個地形因子，基于不同地形因子合成的特征影像完成原地貌與排土場的地貌自動分類。[結果]根據圖像局部方差變化率曲線中的極值點，黃土高原面向對象地貌分類的最優(yōu)分割尺度為14，排土場面向對象地貌分類的最優(yōu)分割尺度為11；通過基于隸屬度函數建立模糊規(guī)則來實現地貌斑塊的分類，有效地避免了大多數自動分類方法過多受限制于地形因子的特定閾值，同時使地貌形態(tài)更具有連貫性；由于面向對象分類方法充分考慮了地物的形狀、大小、鄰接等幾何特征，黃土高原與排土場分類總體精度分別可以達到74.47%和81.31%，排土場作為人工地貌形態(tài)，地貌的形態(tài)更為完整，分類精度高于自然地貌；利用面向對象自動分類方法得出排土場地貌類型中凸坡肩和凸背坡所占面積比例最大，分別約占了排土場總面積的30.24%、 20.32%。[結論]通過面向對象分類規(guī)則構建快速、直觀的地貌分類體系，可以為煤礦區(qū)排土場地貌重塑及復墾規(guī)劃提供支持。

面向對象； 地貌分類； 黃土高原； 排土場

地貌是表現地球表面的形態(tài)、成因、分布及其演變規(guī)律的綜合體[1～5]。地貌的形體描述是分析不同地貌形態(tài)特征、類型的科學依據之一，通過地貌分類進而生成地貌專題圖是地貌定量描述和分析的基礎[6～9]。利用地貌的形態(tài)指標，包括海拔、坡度與坡向、地形起伏度等，可以得到基本形態(tài)地貌類型以及組合地貌形態(tài)。黃土高原因其特殊的地理位置、特有的地貌形態(tài)及復雜獨特的成因機理，而成為我國數字地形分析在地貌學應用的重要區(qū)域[10]。基于黃土高原地形破碎、山高、坡陡、溝深、溝谷密度大的特點，區(qū)域內農業(yè)生產只能在小流域分割的自然單元內進行，“小流域治理單元”的地貌形態(tài)和空間分異規(guī)律是黃土高原區(qū)農業(yè)生產以及水土保持工作的理論基礎[11]。近30年來，由于黃土高原地區(qū)地下豐富的煤炭儲量，人類進行了大規(guī)模的露天煤炭開采，擾動并破壞了原有的地貌形態(tài)和特征，采礦活動和人類活動影響地表過程從而形成采坑、排土場等人工地貌。地貌環(huán)境與人工地貌融合后的地貌分類指標、形態(tài)指標以及特征研究是完成這一區(qū)域的生態(tài)重建以及精細農業(yè)的基礎。

隨著數字高程模型(Digital Elevation Model)精度不斷提高，數字地形方法的挖掘與深入，基于DEM的地貌分類逐步向小尺度以及微觀地形地貌的半自動與自動劃分方向發(fā)展。閭國年等[12]基于DEM，針對黃土高原小尺度實驗區(qū)，提出了基于地貌學的臺地、低洼平地、孤立洼地等獨特的小尺度分類體系。MacMillian[7]不僅提出了基于水文和土壤景觀的山地分類體系，而且運用模糊K值分類方法，實現了高精度DEM的連續(xù)地形分類。但是，從景觀角度上，基于像元的地貌分類僅僅考慮了像元的屬性，忽略了景觀中不同地貌單元的空間關系以及景觀的同質性，容易導致分類的每一個單元空間呈非線性關系，分類結果過于破碎[13]。面向對象的分類方法，由于充分考慮了地物的形狀、大小等幾何特征，目前已經廣泛應用于高分辨率遙感數據的分類中，而DEM數據可以派生不同的地形因子數據，從而形成多層次的數據結構，通過多尺度分割過程，可以形成不同尺度的地貌單元。基于這樣一個假設，Dragut[14]以SRTM為數據源，利用面向對象方法完成了小尺度山地地貌的自動分類，他認為坡度、平面曲率、剖面曲率是進行這一地貌分割以及分類的主要指標，并且通過多尺度分割，可以提取連續(xù)大面積的山底坡腳單元。此外，由于地貌自動分類的結果很難進行精度評價以及實地驗證，面向對象分類中可以利用局部方差法來選擇最佳地貌分割尺度，從而提高分類精度[15]。地貌分類中，河谷、山底界線的勾畫及其完整性、不同地貌單元的拓撲關系是地貌類型解析和制圖的最終目標，它反映地貌的演化規(guī)律并可以直接用于農業(yè)以及生態(tài)的規(guī)劃。面向對象的地貌分類思想以及規(guī)則為這一目標提供了可能的方法，而且其規(guī)則具有重復性和高效性。汪禹芹等[16]嘗試利用面向對象思想完成了我國地貌形態(tài)類型的劃分，總體精度達到72%，認為分類結果更符合人的思維習慣。

黃土高原因其特殊的地理位置，地貌形態(tài)獨特，經歷了強烈的采礦活動過后，地貌的形態(tài)由典型的源、梁、峁黃土地貌演替成以平臺、邊坡、采坑為主的礦區(qū)地貌，演變過程將影響這一區(qū)域的地表物質遷移、能量轉化等。對該區(qū)域地貌形態(tài)的定量描述以及自動分類研究，不僅關系到區(qū)域的生態(tài)安全問題，而且可以揭示地貌類型演替過程以及地貌單元空間格局的變化，這一結果將會直接指導該區(qū)域的生態(tài)恢復以及農業(yè)生產工作。本文以黃土高原煤礦區(qū)為研究區(qū)，基于“小流域治理單元”，構建小尺度黃土地貌和礦區(qū)地貌基于土壤-景觀的地貌分類體系，通過多尺度分割實現最佳地貌單元斑塊，進而利用不同地形因子指標完成該區(qū)域的地貌自動分類規(guī)則，實現小尺度區(qū)域快速、可重復性的面向對象地貌自動分類制圖，并以黃土高原平朔露天煤礦區(qū)為實例，實現排土場地貌自動分類，定性描述了分類結果與排土場復墾的關系。

1 研究區(qū)與數據源

山西平朔露天煤礦區(qū)地處黃土高原晉陜蒙接壤的黑三角地帶，總面積為380 km2，服務年限約100 a[17]。平朔礦區(qū)所在地的區(qū)域地形形態(tài)可劃分為基巖山區(qū)、丘陵緩坡區(qū)和平原區(qū)三大類。生產區(qū)內黃土廣布，植被稀少，水蝕風蝕嚴重，沖刷劇烈，沖溝大致呈南北向樹枝狀分布，切割深度一般30～50 m，以“V”字形溝道居多，形成典型的梁、垣、峁等黃土高原地貌景觀[18]。區(qū)內地勢北東高，南西低，最高點海拔高約1 501 m，最低點海拔高約1 180 m，平均海拔1 250～1 350 m。平朔露天礦區(qū)在1986年安太堡露天礦開采，至2002年已經形成的人工堆墊地貌有東露天南排土場、西排土場與二鋪排土場。在露天礦區(qū)采掘-運輸-排棄-整形-復墾過程中，平朔礦區(qū)地貌景觀由原來的黃土緩坡丘陵逐漸變?yōu)槠脚_與邊坡相間的大型堆積體的正地形和剝離坑道及采坑等組成的負地形[19]。本次研究區(qū)域為平朔露天礦的二鋪排土場和原地貌黃土高原(圖1)。

圖1 平朔露天煤礦采礦擾動區(qū)[20]Fig.1 The mining disturbed area in Pingshuo opencast mine[20]

本文共選用1990年和2010年航飛DEM數據，分辨率為10 m?；谒姆治觯Y合“小流域治理單元”尺度，選取平朔礦區(qū)一個小流域單元為本文的研究單元。

2 面向對象地貌分類方法

2.1 分類特征選擇及提取

通過數字高程的數據和定量的地形特征參數，是可以比較準確地描述地形特征的，對于地形特征的描述，我們習慣將凸起的地表稱為正地形，凹的地表稱為負地形[21]。高程影響著土壤的垂直分布；坡度用來反映地形的方向，影響著地表物質的流動與能量轉換的規(guī)模與強度；平面曲率和剖面曲率可以反映地表形態(tài)和結構，其中平面曲率影響著物質和能量在地表上集中或分散運動，剖面曲率影響著物質和能量的加速或減速運動[22～25]。本文基于剖面曲率、平面曲率、坡度、DEM以及相對高程5個圖層，建立地貌分類體系。

2.2 多尺度分割

Dragut[26]介紹了在eCognition 環(huán)境下，能夠快速估計多尺度分割的尺度參數ESP工具。它主要是基于局部方差的概念提出來的方法。通過自動計算某個尺度的局部方差作為其尺度下所有影像對象的平均標準差，并基于局部方差及其尺度參數的曲線圖選擇最優(yōu)分割尺度，當局部方差達到極值、變化率曲線發(fā)生轉折時，代表這個尺度下所有影像對象的空間異質性最大，通過分析對比不同的極值點最終確定影像分類的最佳尺度[15, 27]。

2.3 面向對象分類體系

本文參考美國農業(yè)部土地調查中根據剖面曲率與平面曲率定義的順坡及橫切坡的凹凸形態(tài)的分類[28]，根據黃土高原地貌特色選擇6種常用地貌類型，并加入由坡度，相對高程得到的3種地貌類型共9種地貌類型，分類規(guī)則集如表1。整個地貌分類系統(tǒng)是基于隸屬度函數建立模糊規(guī)則實現，共有3個層次結構(圖2)。

表1 地貌分類參數

Table 1 Parameters directly used in landform classification

地貌類型Landformtype剖面曲率Profilecurvature平面曲率Planecurvature坡度Slope高程Elevation山峰高于周圍凸坡肩>0.1>0>2°凹坡肩>0.1≤0>2°凸背坡-0.1～0.1>0>2°凹背坡-0.1～0.1≤0>2°凸坡腳<-0.1>0>2°凹坡腳<-0.1≤0>2°平臺≤2°河谷≤2°

圖2 分類層Fig.2 Class hierarchy

3 結果與分析

分別獲取研究區(qū)兩期的DEM的派生地形因子：坡度圖、剖面曲率圖、平面曲率圖、相對高程圖(圖3和圖4)。其中相對高程圖是將DEM圖標準化為灰度值在0～255的8 bit圖層。

圖3 黃土高原地形因子(a DEM，b 坡度圖，c 平面曲率圖，d 剖面曲率圖，e相對DEM)Fig.3 The terrain factors of loess plateau (a DEM, b slope, c plane curvature, d profile curvature, e relative DEM.)

圖4 排土場地形因子(a DEM，b 坡度圖，c 平面曲率圖，d 剖面曲率圖，e相對DEM)Fig.4 The terrain factors of mine dump (a DEM, b slope, c plane curvature, d profile curvature, e relative DEM.)

影像的分割在eCognition下的多尺度分割工具中進行，其中DEM、坡度圖、剖面曲率圖、平面曲率圖4個圖層參與分割，權重均為1，顏色權重設為0.7，緊致度為0.5，分割尺度通過ESP工具進行測試。多尺度分割中，當分割尺度為10、14、17和19時(圖5左)，排土場影像對象的均值方差曲線到達極值點，當分割尺度為9、11和14時(圖5右)，排土場影像對象的均值方差曲線到達極值點，觀察其變化率曲線，發(fā)現此時均值方差的變化率開始降低，即影像對象的異質性達到最大并開始逐漸減小[20]。結合對分割結果的視覺判斷，選擇局部方差變化率曲線中最大的極值點，從而確定黃土高原地貌的最優(yōu)分割尺度為14，排土場的最優(yōu)分割尺度為11(圖6)。

圖5 ESP工具下最優(yōu)分割尺度的選擇結果(左：黃土高原，右：排土場)Fig.5 Results of the optimal segmentation scale selection under ESP tools (left: loess plateau, right: mine dump)

圖6 最優(yōu)分割尺度分割結果(左：黃土高原，右：排土場)Fig.6 Results of segmentation under the optimal segmentation scale selection (left: loess plateau, right: mine dump)

通過多尺度分割得到分類層，基于相對高程圖用隸屬度函數完成低地，中地與高地的第一層分類，加入坡度完成第二層的分類，最后基于平面曲率與剖面曲率完成最后的分類，得到黃土高原與排土場的地貌分類結果(圖7)。通過比較黃土高原原地貌與排土場的地貌分類結果，黃土高原的地貌單元相對來說比較完整，從平地-坡肩-背坡-坡腳，地貌單元有較好的連貫性，很容易區(qū)分不同地貌單元之間的相對位置差異。排土場按照“平臺-邊坡-

平臺”的排土方式最終形成人工地貌景觀，考慮到邊坡的穩(wěn)定以及水土保持，要求邊坡設計小于30°。通過分類結果可以看出，平地類型最多，斑塊完整，符合人工地貌的設計，但是人工地貌出現不連續(xù)性，某些剖面出現背坡類型的缺失。為了進一步定量地評價分類精度，隨機生成100個樣點，基于樣點生成不同的分割對象，從而完成基于對象的誤差矩陣，以此計算各種統(tǒng)計量并進行統(tǒng)計檢驗，最終給出對于總體的和基于各類別的分類精度值(表2)。

圖7 面向對象地貌分類結果(左：黃土高原，右：排土場)Fig.7 Landform classification based on objected-oriented (left: loess plateau, right: mine dump)

表2 黃土高原與排土場地貌分類精度統(tǒng)計

黃土高原自然地貌的總體分類精度和kappa指數均為74.47%。其中平臺、河谷、山峰的總體精度大于80%，主要是這三個地類單元具有連續(xù)性和明顯的斑塊特性，利用坡度因子的閾值即可完成分類，尤其山峰的分類，利用周圍斑塊的高程均低于待分類斑塊這一分類規(guī)則即可完成。坡肩、坡腳、背坡的分類則需要考慮剖面曲率和平面曲率。凹背坡和凸坡腳的制圖精度均在55%左右，坡度、曲率地形屬性都是反映地表在位置點上的幾何形態(tài)特征、考慮的是對象的屬性信息，黃土高原地貌沖刷程度明顯，形成不同的沖溝，尤其狹窄的梁難以用地形屬性區(qū)分，造成凹背坡以及凸坡腳的制圖精度偏低。此外，黃土高原自然地貌，坡肩到背坡更多表現為漸變、過渡的空間分布特征，這些過渡地帶的分割斑塊破碎，形成錯分和漏分，部分坡肩的斑塊被劃分為背坡。排土場地貌的總體分類精度和kappa指數分別為81.31%和73.85%，均高于原地貌分類結果。平臺的分類精度最高，主要是平臺的形狀規(guī)則，地形屬性具有很強的同質性，利用面向對象分類方法能夠很好地進行分類。其次由于人工地貌邊坡的形成沒有明顯的凹凸形態(tài)，不會像自然地貌的演變過程中形成明顯的凹凸有致的背坡和坡肩，排土場凹背坡和凸背坡的地貌單元較少，而且通過目視判讀難度也較大，導致兩類出現混分，kappa指數均在50%左右。

利用面向對象自動分類方法得出排土場地貌類型如表3，其中凸坡肩和凸背坡所占面積比例最大，分別約占了排土場總面積的30.24%、 20.32%，其次，平臺所占面積比例約為18.69%。山峰所占面積比例約為8.21%，凸坡腳、凹坡腳、凹坡肩所占面積比例分別約為10.60%、6.75%、3.59%。凹背坡在排土場中所占面積很少，約為1.60%，但在自然地貌中受到沉積和侵蝕作用的影響，凹背坡的比例占到整個坡面的70%～80%[29]，從而控制了徑流對坡面的沖刷力，即有效地控制了水土流失。

4 討論與結論

本文基于土壤-景觀的地貌分類體系，利用面向對象分類方法，對平朔露天煤礦內排土場采礦前后的黃土高原與排土場的地貌分類尺度、規(guī)則以及指標進行了研究，在面向對象影像分割中，不僅僅考慮到了高程，地形派生因子坡度、剖面曲率、平面曲率均參與了分割過程，通過考慮圖像的均方差值，分別對自然地貌和人工地貌進行尺度分割測試，形成了針對不同地貌特征的具有最小異質性的地貌單元，而且該過程綜合運用了幾何、尺寸及大小等多種特征有效避免了像元孤島，不會產生面積過小的圖斑，保持了地貌的完整性。在分類過程中，通過基于隸屬度函數建立模糊規(guī)則來實現斑塊的分類，有效地避免了大多數自動分類方法過多受限制于地形因子的特定閾值，有更好的適用性，而基于相對高程數據建立的隸屬函數方法的引用，可以克服區(qū)域地勢起伏度差距的問題，增強分類體系的穩(wěn)定性。面向對象分類方法在提取黃土高原地貌單元中，對河谷以及山峰的提取效果比較好，尤其河谷的提取具有很強的連續(xù)性，并和地下水系的走向相符合。排土場地貌單元的形態(tài)不符合自然地貌的演替過程，在邊坡的分類中斑塊過于細碎，沒有明顯凹凸的形態(tài)，因此出現漏分和混分的現象，在今后的分類中可以考慮其他適合人工地貌特征的地形派生因子，參與分割及分類，提高邊坡的分類精度。

表3 排土場地貌分類面積統(tǒng)計

Table 3 The statistic area of classified landform type from mine dump

地貌類型Landformtype面積/km2Area占總面積比例/%Percentage山峰0.58198.21凸坡肩2.142730.24凹坡肩0.25423.59凸背坡1.439420.32凹背坡0.11341.60凸坡腳0.751310.60凹坡腳0.47836.75平臺1.324518.69

面向對象分類方法最早應用于遙感圖像的分類，目前也僅僅在大尺度地貌類型中形成比較完善的地貌分類規(guī)則，本文選擇黃土高原及人工地貌具有明顯的代表性，通過快速、直觀的分類制圖，可以為排土場的復墾及生態(tài)恢復提供支持，排土場復墾土壤養(yǎng)分含量與高程、坡向的相關性較弱，坡度占主導地位[30]。地貌重塑是廢棄礦區(qū)生態(tài)重建過程中土壤重構和植被重建的基礎[31]，目前很多排土場的設計更多關注于坡度及高度，忽略了微地貌形態(tài)以及地貌類型，地貌部位的定量描述和分類有助于復墾土壤類型和土壤屬性的推理。目前平朔礦區(qū)排土場的凸背坡與凸坡肩占總地貌類型的50%左右，在這些位置復墾植被類型選擇以及后期管護中，應該加大防止土壤侵蝕和水土流失的力度，在必要的時候甚至可以對其地貌進行重塑。

[2]Vannametee E,Babel L V,Hendrikset M R,et al.Semi-automated mapping of landforms using multiple point geostatistics[J].Geomorphology,2014,221(11):298-319.

[3]Vandenbruwaene W,Schwarz C,Bouma T J,et al.Landscape-scale flow patterns over a vegetated tidal marsh and an unvegetated tidal flat:Implications for the landform properties of the intertidal floodplain[J].Geomorphology,2015,231(231):40-52.

[4]Ouchi S.Experimental landform development by rainfall erosion with uplift at various rates[J].Geomorphology,2015,238:68-77.

[5]Martín Duque J F,Zapico I,Oyarzunet R,et al.A descriptive and quantitative approach regarding erosion and development of landforms on abandoned mine tailings:New insights and environmental implications from SE Spain[J].Geomorphology,2015,239:1-16.

[6]Schmidt J,Hewitt A.Fuzzy land element classification from DTMs based on geometry and terrain position[J].Geoderma,2004,121(3-4):243-256.

[7]MacMillan R A,Pettapiece W W,Nolan S C,et al.A generic procedure for automatically segmenting landforms into landform elements using DEMs, heuristic rules and fuzzy logic[J].Fuzzy Sets and Systems,2000,113(113):81-109.

[8]Macmillan R A,Jones R K,Mcnabb D H.Defining a hierarchy of spatial entities for environmental analysis and modeling using digital elevation models (DEMs)[J].Computers Environment and Urban Systems,2004,28(3):175-200.

[9]Irvin B J,Ventura S J,Slater B K.Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley,Wisconsin[J].Geoderma,1997,77(2-4):137-154.

[10]湯國安.我國數字高程模型與數字地形分析研究進展[J].地理學報,2014,69(9):1305-1325.

[11]李明明.黃土高原小流域土壤有機碳、氮時空變異與動態(tài)模擬研究[D].楊凌:中國科學院研究生院(教育部水土保持與生態(tài)環(huán)境研究中心),2013.

[12]閭國年,錢亞東,陳鐘明.基于柵格數字高程模型提取特征地貌技術研究[J].地理學報,1998(6):84-91.

[13]Blaschke D.Integration of GIS and object-based image analysis to model and visualize landscapes[M].isprs commission IV joint workshop challenges in Geospatial Analysis，2003:18-23.

[15]Dragut L,Eisank C.Object representations at multiple scales from digital elevation models[J].Geomorphology (Amst),2011,129(3-4):183-189.

[16]汪禹芹,李艷,劉愛利.基于面向對象思想的中國地貌形態(tài)類型劃分[J].遙感信息,2012(1):13-18.

[17]張前進,白中科,李晉川,等.礦區(qū)生態(tài)重建過程中的土地利用/覆被變化[J].山西農業(yè)大學學報(自然科學版),2004,24(2):143-147.

[18]曹毅,畢如田,劉庚.安太堡露天礦區(qū)的三維地形可視化[J].山西農業(yè)大學學報(自然科學版),2008,28(4):467-469.

[19]周偉,白中科,袁春,等.DEM在平朔露天礦區(qū)地形演變研究中的應用[J].礦業(yè)研究與開發(fā),2008,28(5):53-57.

[20]李娜,包妮沙,吳立新,等.面向對象礦區(qū)復墾植被分類最優(yōu)分割尺度研究[J].測繪科學,2016,41(4):66-71+76.

[21]王輝源.黃土高原典型小流域地貌發(fā)育階段定量表征[D].西安:西北大學,2014.

[22]Thompson J A,Bell J C,Butler C A.Digital elevation model resolution: effects on terrain attribute calculation and quantitative soil-landscape modeling[J].Geoderma,2001,100(1-2):67-89.

[23]Florinsky I V,Eilers R G,Manning G R,et al.Prediction of soil properties by digital terrain modelling[J].Environmental Modelling & Software,2002,17(3):295-311.

[24]周啟明,劉學軍.數字地形分析[M].北京:科學出版社,2013:100-120.

[25]EI-Keblawy A,Abdelfattah M A,Khedr A-H A.Relationships between landforms, soil characteristics and dominant xerophytes in the hyper-arid northern United Arab Emirates[J].Journal of Arid Environments,2015,117:28-36.

[28]Schoeneberger P J,Wysocki D A,Benham E C,et al.Field book for describing and sampling soils[M].Lincoln:Usda Natural Resources Conservation Service,2002:5-15.

[29]郭繼光.排土場復墾地形設計[J].煤礦環(huán)境保護,1996,10(1):30-32.

[30]劉孝陽,周偉,白中科,等.平朔礦區(qū)露天煤礦排土場復墾類型及微地形對土壤養(yǎng)分的影響[J].水土保持研究,2016,23(3):6-12.

[31]楊翠霞,趙廷寧,謝寶元,等.基于小流域自然形態(tài)的廢棄礦區(qū)地形重塑模擬[J].農業(yè)工程學報,2014,30(1):236-244.

(編輯：梁文俊)

Automated classification of landform elements using object-based image analysis in large surface coal mine of loess plateau

Sun Rui1, Ma Xiao2, Pan Xueting3, Wang Hongguang1

(1.JiangsuGeologicSurveyingandMappingInstitute,Nanjing211102,China;2.BeijingGeotechnicalInvestigationEngineeringInstitute,Beijing100083,China;3.BeijingGeologicalEngineeringDesignandResearchInstitute,Beijing101500,China)

[Objective]This study aimed to detect the landform change from loess plateau to artificial landscape in large surface mining area using object-based classification method.[Methods]Object-based classification method has been widely applied in remote sensing imagery and large scale landform classification. The Digital Elevation Model (DEM) of 10m resolution in 1990 and 2010 were selected as data source. The object-based classification rules were established based on the topographic parameters of slope, profile curvature, plane curvature, and relative elevation, which were generated from DEM.[Results]The results showed that: According to the break point from the change rate of local variance, the optimal segmentation scale was 14 for natural loess landform and 11 for artificial dump landform. The landform classification rules based on membership function overcame setting specific threshold in most of the automatic classification method, which could provide consistency landform element. The objected-oriented image analysis considered the characteristics like shape, geometric and neighborhood proved to be more readily adaptable for mine and loess plateau as the overall accuracy of loess plateau and mine could reach to 74.47% and 81.31%. According the object-based landform classification from dump area, it was found that the landform element of convex shoulder and convex backslope accounted for the largest area of the whole dump, which was 30.24% and 20.32% respectively.[Conclusion]The object-based landform classification method with effective and robust rules could provide the basis for the artificial landform reconstruction and land reclamation in the dump area.

Object-based image， Landform classification， Loess plateau， Mine dump

2017-03-29

2017-04-20

孫瑞(1986-)，女(漢)，江蘇淮安人，工程師，碩士，研究方向：遙感與地圖制圖

S19

A

1671-8151(2017)07-0510-07