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。

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。

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：

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

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

$P\left(h\right)={\displaystyle \underset{i=0}{\overset{h}{\sum }}g\left(h\right)}$(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)

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：

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

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)

$Z=\frac{1}{{\displaystyle \underset{i=1}{\overset{n}{\sum }}{A}_i}}{\displaystyle \underset{i=1}{\overset{n}{\sum }}\Delta A_{ij}}\times \frac{1}{T}$(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。