楊麗萍，張 靜，貢恩軍，劉 曼，任 杰，王 宇

（1. 長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，西安 710054；2. 華北水利水電大學(xué)測(cè)繪與地理信息學(xué)院，鄭州 450046；3. 長(zhǎng)安大學(xué)地球科學(xué)與資源學(xué)院，西安 710054）

0 引 言

土地資源是人類賴以生存的物質(zhì)基礎(chǔ)，是人類生存、生產(chǎn)的重要載體。土地利用/覆蓋變化與景觀格局變化、生態(tài)環(huán)境、生物多樣性、人口增長(zhǎng)及城市熱島效應(yīng)等密切相關(guān)。土地利用格局時(shí)空變化及驅(qū)動(dòng)力分析對(duì)于促進(jìn)社會(huì)經(jīng)濟(jì)和生態(tài)環(huán)境的可持續(xù)發(fā)展具有重要的研究?jī)r(jià)值。

近年來，隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，土地利用/覆蓋時(shí)空變化引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。肖思思等利用遙感和GIS技術(shù)探討了江蘇省環(huán)太湖地區(qū)25年間土地利用演變特征及驅(qū)動(dòng)因素，結(jié)果表明該地區(qū)的土地利用變化主要受人口、工業(yè)化、城市化與土地管理政策等因素的制約。曲衍波等借助重心偏移模型和空間自相關(guān)分析法分析了國(guó)土空間演變的時(shí)空格局特征及驅(qū)動(dòng)機(jī)制，為合理有序的國(guó)土空間保護(hù)開發(fā)提供了重要支撐。張浚茂等利用主成分分析法（Principle Component Analysis，PCA）揭示了整個(gè)東南諸河流域片區(qū)的土地利用時(shí)空變化特征及主要驅(qū)動(dòng)機(jī)制，研究表明人口數(shù)量及結(jié)構(gòu)、城市化和社會(huì)經(jīng)濟(jì)發(fā)展對(duì)土地利用變化具有顯著影響。黎云云等基于SWAT模型，分析了氣候和土地利用變化對(duì)黃河流域農(nóng)業(yè)干旱的影響，結(jié)果表明氣候變化是驅(qū)動(dòng)黃河流域農(nóng)業(yè)干旱發(fā)生的主要誘因。然而，傳統(tǒng)的研究方法面臨著數(shù)據(jù)下載量大、預(yù)處理時(shí)間長(zhǎng)、可視化困難以及數(shù)據(jù)存儲(chǔ)和管理任務(wù)量大等諸多問題，同時(shí)多種不同來源的數(shù)據(jù)融合也是一個(gè)巨大的挑戰(zhàn)。

谷歌云計(jì)算平臺(tái)是由美國(guó)卡內(nèi)基梅隆大學(xué)和美國(guó)地質(zhì)調(diào)查局（United States Geological Survey，USGS）聯(lián)合開發(fā)的世界上最先進(jìn)的云端計(jì)算平臺(tái)，該平臺(tái)基于Web交互式的開發(fā)環(huán)境，存儲(chǔ)了包括Landsat、MODIS、Sentinel等公開的PB級(jí)地理數(shù)據(jù)。用戶可通過GEE提供的Java Script和Python兩種編程語言接口實(shí)現(xiàn)復(fù)雜的地理空間數(shù)據(jù)分析，并且不需要處理數(shù)據(jù)投影、地理坐標(biāo)系的轉(zhuǎn)換以及不同數(shù)據(jù)源的空間分辨率問題，便可直接在線調(diào)用各種數(shù)據(jù)集，避免了傳統(tǒng)的數(shù)據(jù)下載和預(yù)處理等工作。與此同時(shí)，用戶不僅可以使用GEE已存檔的數(shù)據(jù)和不斷更新的幾百種算法，還可以上傳自己制作的樣本數(shù)據(jù)。目前，GEE已在農(nóng)業(yè)、林業(yè)、濕地和自然災(zāi)害變化檢測(cè)等領(lǐng)域得到了廣泛應(yīng)用。在提取土地覆蓋、土地利用變化信息方面，Zurqani等利用GEE平臺(tái)和隨機(jī)森林（Random Forest，RF）算法實(shí)現(xiàn)了Savannah河流域近20年的土地利用分類，分析了土地利用變化所產(chǎn)生的影響；Xu等針對(duì)城市建筑物和裸地之間的光譜易混淆問題，利用GEE平臺(tái)結(jié)合Landsat和PALSAR等多源遙感數(shù)據(jù)提取了浙江省的城市分布信息，有效地監(jiān)測(cè)了城市的擴(kuò)張情況；Hu等以敏感的中亞地區(qū)為研究對(duì)象，在GEE支持下探討了中亞地區(qū)的土地變化及其驅(qū)動(dòng)機(jī)制，結(jié)果表明植被變化主要受自然因素的影響，而耕地變化主要受降水和人為因素的影響，城市區(qū)域擴(kuò)張主要受經(jīng)濟(jì)因素的影響。Liu等基于地理探測(cè)器和GEE評(píng)價(jià)了甘南州土地利用變化的關(guān)鍵驅(qū)動(dòng)因素，得出高程和人口密度是其主要驅(qū)動(dòng)因素，同時(shí)經(jīng)濟(jì)發(fā)展也有顯著影響。

在信息提取方面，機(jī)器學(xué)習(xí)算法發(fā)展迅速，其中，RF算法具有較高的精度。相比于其他分類器，RF能有效處理大規(guī)模數(shù)據(jù)，且速度快，對(duì)異常值不敏感，有利于減少過擬合現(xiàn)象，可估計(jì)分類特征的重要性，并利于特征選擇和優(yōu)化。目前，國(guó)內(nèi)基于GEE平臺(tái)且融合多源遙感數(shù)據(jù)，特別是在融合光學(xué)遙感數(shù)據(jù)與雷達(dá)遙感數(shù)據(jù)的基礎(chǔ)上結(jié)合機(jī)器學(xué)習(xí)算法的研究相對(duì)較少，且基于GEE云平臺(tái)在時(shí)間聚合算法的基礎(chǔ)上融合多源數(shù)據(jù)的可行性有待驗(yàn)證，有必要在這一方向進(jìn)行深入探討。西安市作為中國(guó)西部地區(qū)的中心城市，近年來發(fā)展迅猛，土地利用/土地覆蓋格局變化強(qiáng)烈，對(duì)土地資源的全面開發(fā)使城市氣候與生態(tài)環(huán)境發(fā)生了顯著變化，人地矛盾日益突出。前人雖然在西安市土地利用/土地覆蓋方面做了大量工作，但對(duì)驅(qū)動(dòng)因素的綜合分析研究仍然非常薄弱。開展西安市土地利用格局時(shí)空變化及驅(qū)動(dòng)力分析，對(duì)于城市生態(tài)環(huán)境保護(hù)、人地關(guān)系協(xié)調(diào)以及土地利用合理規(guī)劃具有重要意義。

本文基于GEE平臺(tái)，利用Landsat影像合成年度最少云量影像，在提取光譜特征、紋理特征和地形特征的基礎(chǔ)上，輔以L 波段相控陣型合成孔徑雷達(dá)（Phased Array L-band Synthetic Aperture Radar，PALSAR）數(shù)據(jù)的后向散射特征，構(gòu)建分類特征集，利用隨機(jī)森林分類算法，實(shí)現(xiàn)西安市2010、2015和2019年的土地利用快速分類，提取各地類面積，探討西安市土地利用的時(shí)空格局。最后，運(yùn)用地理探測(cè)器的方法，考慮人口、生產(chǎn)總值（GDP）、第二產(chǎn)業(yè)生產(chǎn)總值、第三產(chǎn)業(yè)生產(chǎn)總值、坡度、坡向、降水量和地表溫度等多個(gè)因素，從社會(huì)和自然兩方面，對(duì)西安市土地利用變化的驅(qū)動(dòng)機(jī)制進(jìn)行分析，為西安市土地利用格局的優(yōu)化調(diào)整提供參考。

1 研究區(qū)概況及數(shù)據(jù)處理

1.1 研究區(qū)概況

西安市地處關(guān)中平原中部（圖1），位于107°40'E～109°49'E，33°42'N～34°45'N，北臨渭河，南依秦嶺。轄境東西長(zhǎng)約204 km，南北最大寬度約116 km，是陜西省的政治、經(jīng)濟(jì)和文化中心。西安市現(xiàn)轄新城區(qū)、碑林區(qū)、雁塔區(qū)、蓮湖區(qū)、未央?yún)^(qū)、灞橋區(qū)和長(zhǎng)安區(qū)等11個(gè)區(qū)以及藍(lán)田和周至兩個(gè)縣，總體地勢(shì)東南高，西北與西南低。該區(qū)域?qū)儆谂瘻貛О霛駶?rùn)大陸性季風(fēng)氣候，具有冷暖干濕四季分明的特點(diǎn)，年平均氣溫為13.0～13.7 ℃，年降水量為522.4～719.5 mm，由北向南遞增。截至2019年底，西安市常住人口1 020.35萬人，GDP突破9 621.19億元，西安市城市化速度快，人口、經(jīng)濟(jì)與土地資源的關(guān)系緊張，影響了西安市土地資源的承載力。

圖1 研究區(qū)位置 Fig.1 Study area location

1.2 數(shù)據(jù)來源與處理

借助GEE平臺(tái)，選取了以下數(shù)據(jù)：1）地表反射率數(shù)據(jù)。采用USGS提供的Landsat TM/OLI 地表反射率數(shù)據(jù)，分辨率均為30 m。其中，2010年影像為L(zhǎng)andsat 5 TM數(shù)據(jù)，2015年和2019年的影像為L(zhǎng)andsat 8 OLI數(shù)據(jù)；2） 高程數(shù)據(jù)。采用美國(guó)航天飛機(jī)雷達(dá)地形測(cè)繪任務(wù)（Shuttle Radar Topography Mission，SRTM）的DEM 數(shù)據(jù)，分辨率為30 m；3）SAR數(shù)據(jù)。采用由日本宇宙航空研究開發(fā)機(jī)構(gòu)（Japan Aerospace Exploration Agency，JAXA）制作的Global PALSAR-2/PALSAR數(shù)據(jù)，分辨率為25 m；4）降雨數(shù)據(jù)。采用由美國(guó)氣象環(huán)境預(yù)報(bào)中心（National Centers for Environmental Prediction，NCEP）和美國(guó)國(guó)家大氣研究中心（National Center for Atmospheric Research，NCAR）聯(lián)合制作的NCEP產(chǎn)品，分辨率為1 000 m；5） 溫度數(shù)據(jù)。采用MOD11A2系列數(shù)據(jù)，該數(shù)據(jù)是由NASA發(fā)布的MODIS Level 1B數(shù)據(jù)經(jīng)過大氣和氣溶膠校正后生成的產(chǎn)品，分辨率為1 000 m。其他數(shù)據(jù)：主要包括西安市各區(qū)縣的社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)和人口密度數(shù)據(jù)。前者來源于西安市統(tǒng)計(jì)局（http://tjj.xa.gov.cn），主要使用了生產(chǎn)總值、第二產(chǎn)業(yè)生產(chǎn)總值、第三產(chǎn)業(yè)生產(chǎn)總值、社會(huì)消費(fèi)品零售總額以及全社會(huì)固定資產(chǎn)投資總額等指標(biāo)；人口密度來源于世界人口網(wǎng)格（GPWv4.11）數(shù)據(jù)集（https://sedac.ciesin.columbia.edu）。

首先，基于GEE API編程，通過年份篩選得到的3期遙感影像分別為57、39和67景，其中各年份影像獲取時(shí)間均為1—12月；其次，采用GEE中Simple Composite算法對(duì)每年原始衛(wèi)星影像數(shù)據(jù)進(jìn)行融合、裁剪等預(yù)處理，得到年度最少云量合成影像，提取光譜及紋理特征，對(duì)SAR數(shù)據(jù)提取后向散射特征，基于DEM數(shù)據(jù)提取高程、坡度和坡向等地形特征，基于GEE平臺(tái)構(gòu)建多維分類特征集；然后，利用RF分類算法完成西安市土地利用分類，基于單一土地利用動(dòng)態(tài)度分析土地利用變化情況；最后，在驅(qū)動(dòng)因子離散化的基礎(chǔ)上，利用地理探測(cè)器從社會(huì)和自然因子兩方面分析西安市土地利用變化的驅(qū)動(dòng)機(jī)制。研究技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖 Fig.2 Technical route chart

2 研究方法

2.1 土地利用分類特征選擇與分類算法

在參考土地利用分類體系的基礎(chǔ)上，結(jié)合研究區(qū)實(shí)際情況，并考慮地類的可判讀性，將西安市土地利用類型分為耕地、林草地、建設(shè)用地、水域和未利用地5類。通過人工目視解譯，利用Google Earth Pro歷史影像制作本地樣本數(shù)據(jù)，各地類樣本信息如表1所示。聯(lián)合Landsat影像、SAR影像和DEM數(shù)據(jù)，構(gòu)建了包括光譜特征（包括多種光譜指數(shù)）、紋理特征、地形特征和后向散射特征共4種特征用于后續(xù)分類，具體如表2所示。通過歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）影像提取灰度共生矩陣（Grey Level Co-Occurrence Matrix，GLCM），利用雷達(dá)數(shù)據(jù)提取VV、VH極化后向散射系數(shù)。

表1 訓(xùn)練樣本點(diǎn)信息 Table 1 Information of training points

表2 分類特征說明 Table 2 Description of classification features

采用目前廣泛應(yīng)用的土地利用分類方法—隨機(jī)森林算法進(jìn)行土地利用分類。RF是包含了多個(gè)決策樹的分類模型。首先，運(yùn)用Bootstrap方法進(jìn)行隨機(jī)且有放回地從訓(xùn)練集中抽取訓(xùn)練樣本；其次，對(duì)訓(xùn)練樣本建立決策樹模型，每棵決策樹都會(huì)投票給出一個(gè)分類選擇；最后，通過投票的多少?zèng)Q定其最優(yōu)的分類結(jié)果。本文利用ee.Classifier.smileRandomForest函數(shù)實(shí)現(xiàn)分類，該算法需要設(shè)置決策樹個(gè)數(shù)和結(jié)點(diǎn)特征數(shù)兩個(gè)參數(shù)。決策樹個(gè)數(shù)過多會(huì)影響模型效率，過少則影響模型精度，因此在兼顧效率和精度的同時(shí)，通過試驗(yàn)確定決策樹個(gè)數(shù)為250。結(jié)點(diǎn)特征數(shù)采用默認(rèn)值，為輸入特征總數(shù)的平方根。為獲得最佳分類精度，通過反復(fù)試驗(yàn)和分析，選取約70% 的樣本作為訓(xùn)練樣本，約30%的樣本作為驗(yàn)證樣本，分類精度采用總體分類精度和Kappa系數(shù)進(jìn)行評(píng)價(jià)。

2.2 土地利用程度指數(shù)

土地利用程度表征人類活動(dòng)對(duì)土地生態(tài)系統(tǒng)干擾的程度，其大小反映了土地利用程度的高低。參考莊大方等提出的分級(jí)指數(shù)（表3），土地利用程度指數(shù)計(jì)算公式如下：

表3 土地利用程度分級(jí)表 Table 3 Classification table of land use degree

式中代表地類的土地利用程度綜合指數(shù)；A代表第種土地利用類型的分級(jí)指數(shù)；C代表第種土地利用類型面積占比。

2.3 土地利用動(dòng)態(tài)度

單一土地利用動(dòng)態(tài)度指在一定時(shí)段內(nèi)某種土地利用類型的數(shù)量變化，計(jì)算公式如下：

式中為某地類土地利用動(dòng)態(tài)度，U、U分別為研究初期和末期某土地利用類型的面積（km2），為研究時(shí)長(zhǎng)（a）。

2.4 土地利用變化驅(qū)動(dòng)機(jī)制分析方法

地理探測(cè)器是用于探測(cè)空間分異性并揭示其背后驅(qū)動(dòng)機(jī)制的一種新的統(tǒng)計(jì)學(xué)方法，已廣泛應(yīng)用于土地利用驅(qū)動(dòng)機(jī)制分析。本文采用地理探測(cè)器中的因子探測(cè)器和交互探測(cè)器進(jìn)行驅(qū)動(dòng)機(jī)制分析。

1）因子探測(cè)器

探測(cè)因變量土地利用變化的空間分異性，以及驅(qū)動(dòng)因子對(duì)因變量土地利用變化的影響力大小，用值度量，計(jì)算表達(dá)式為

式中值為單因子對(duì)土地利用變化的影響力，∈[0, 1]，值越大，說明該驅(qū)動(dòng)因子對(duì)土地利用變化的影響越大；=1，...，；為因子的分層；N、分別為某一分層和整個(gè)區(qū)域的樣本數(shù)；σ、分別為某一分層和整個(gè)區(qū)域的方差和。SSW和SST分別為層內(nèi)方差之和（Within Sum of Squares）和全區(qū)總方差（Total Sum of Squares）。

2）交互探測(cè)器

用于識(shí)別不同驅(qū)動(dòng)因子之間的交互作用，評(píng)估兩個(gè)因子交互作用時(shí)對(duì)解釋力的影響。

地形、氣候等自然因素是影響土地利用變化的基本控制因素，與此同時(shí)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展，人類活動(dòng)加劇了土地利用方式的改變。因此，鑒于自然因素和人類活動(dòng)對(duì)土地利用的綜合影響，同時(shí)考慮研究區(qū)的實(shí)際情況和指標(biāo)的可獲取性、科學(xué)性和定量性，從社會(huì)和自然兩方面選取了11個(gè)因子（表4）進(jìn)行分析，其中社會(huì)因子以縣區(qū)為研究單元，即每個(gè)縣區(qū)的網(wǎng)格值均為其年鑒統(tǒng)計(jì)值。利用地理探測(cè)器進(jìn)行驅(qū)動(dòng)因子分析時(shí)，需要結(jié)合研究區(qū)實(shí)際情況，將驅(qū)動(dòng)因子連續(xù)變量進(jìn)行適當(dāng)離散化。借助ArcGIS 10.2平臺(tái)，對(duì)研究區(qū)11個(gè)社會(huì)和自然探測(cè)因子進(jìn)行離散化，通過構(gòu)建1 595個(gè)2.5 km×2.5 km格網(wǎng)，提取每個(gè)格網(wǎng)中心點(diǎn)對(duì)應(yīng)的驅(qū)動(dòng)因子作為自變量、土地利用程度指數(shù)為因變量，將輸入到GeoDetector中進(jìn)行匹配。參考Cao等對(duì)驅(qū)動(dòng)因子離散化分類方法的研究，結(jié)合西安市人口分布特點(diǎn)和區(qū)域特征進(jìn)行離散化。其中，坡度因子采用等間距分類方法；考慮到秦嶺地區(qū)人口稀疏，且所占總面積較大，人口密度因子采用幾何斷點(diǎn)法，該方法能使各區(qū)間的數(shù)值變化大致相同，有利于在每組人口區(qū)間上考慮更多的地類。自然斷點(diǎn)方法能根據(jù)數(shù)據(jù)的內(nèi)在屬性進(jìn)行恰當(dāng)?shù)姆纸M，因此，其余因子采用效果較好的自然斷點(diǎn)法分類。驅(qū)動(dòng)因子及離散化方法如表4。

表4 驅(qū)動(dòng)因子及離散化方法 Table 4 Driving factors and discretization methods

3 結(jié)果分析

3.1 土地利用分類精度評(píng)價(jià)

利用驗(yàn)證樣本進(jìn)行混淆矩陣的精度分析，結(jié)果如表5所示。

表5 不同特征組合的分類精度 Table 5 Classification accuracy of different feature combinations

由表5可見，協(xié)同使用光譜、紋理、地形和SAR后向散射特征獲得了最高精度。西安市2010、2015和2019年3期最高總體精度分別為92.30%、86.66%和90.78%，對(duì)應(yīng)Kappa系數(shù)分別為0.89、0.81和0.88，滿足分析要求。與單獨(dú)使用光譜特征（總體精度分別為87.14%、81.33%和88.81%）的分類相比，同時(shí)加入紋理和地形特征后，總體精度分別提高了1.32、4.00和1.32百分點(diǎn)；在使用光譜、地形和紋理特征（總體精度分別為88.46%、85.33%和90.13%）的基礎(chǔ)上融入SAR特征后，各年份總體精度分別提升了3.84、1.33和0.65百分點(diǎn)，Kappa系數(shù)分別提高了0.06、0.02和0.01。可見，融合SAR信息有助于改善分類精度。同時(shí)，為了說明SAR信息對(duì)分類的貢獻(xiàn)，在GEE中采用explain()算法模塊對(duì)所有特征進(jìn)行重要性排序，其中，3期VH、VV的后向散射系數(shù)的重要性平均值為140.98、109.52和104.37，說明SAR信息對(duì)分類貢獻(xiàn)較大。

3.2 土地利用結(jié)構(gòu)變化分析

協(xié)同利用研究區(qū)的光譜、紋理、地形和SAR后向散射特征進(jìn)行土地利用分類，得到西安市三期土地利用空間分布圖（圖3）及各地類面積占比圖（圖4）。由圖可知，西安市土地利用以林草地和耕地為主，兩大地類面積占總面積的85%以上。2010年，兩大地類面積占比分別為49.75%和37.92%；到2019年，兩大地類所占面積比例分別為50.61%和33.47%。2010—2019年西安市林草地面積總體呈現(xiàn)先減少后微弱增加的趨勢(shì)，占比上升約0.86百分點(diǎn)，是西安市占比最大的土地利用類型，約占總面積一半以上；耕地面積呈現(xiàn)持續(xù)萎縮態(tài)勢(shì)，是所有地類中萎縮面積最大的類型，所占比例從2010年的37.92%減少至2015年的37.33%，到2019年，減少到33.47%，約減少了451.13 km，變化幅度較大。其中，2015—2019年的萎縮速率明顯快于2010—2015年，但仍是西安市土地利用類型中的第二大地類；建設(shè)用地呈現(xiàn)增加態(tài)勢(shì)，2010年面積為1 056.9 km，2015年面積為1 289.73 km，到2019年面積達(dá)到1 529.01 km，2010—2015年與2015 —2019年增量分別為232.83 km和239.28 km，漲幅分別為22%和19%，其中，相比于其他面積增加的地類，建設(shè)用地的面積增幅最大；水域面積持續(xù)減小，減小面積為30.27 km，2010—2015年和2015—2019年減少幅度分別為10%和23%；未利用地面積呈現(xiàn)縮減的趨勢(shì)，2010年未利用地面積占比為0.91%，2019年占比為0.14%，減少約0.77百分點(diǎn)，面積減少了約78.28 km。

圖3 2010—2019年西安市土地利用分類圖 Fig.3 Land use classification maps in Xi′an during 2010-2019

圖4 2010—2019年西安市各地類面積占比 Fig.4 Area percentages of each land type in Xi′an during 2010-2019

3.3 土地利用動(dòng)態(tài)特征分析

單一土地利用動(dòng)態(tài)度表示各土地利用類型的變化速度，根據(jù)西安市土地利用分類數(shù)據(jù)，計(jì)算2010—2015年、2015—2019年和2010—2019年三期單一土地利用動(dòng)態(tài)度（圖5）。總體來講，建設(shè)用地的動(dòng)態(tài)度一直處于最高水平，三期分別為4.41%、4.63%及4.96%，呈現(xiàn)出逐年擴(kuò)張的態(tài)勢(shì)，且2015—2019年增長(zhǎng)速率最快；林草地的動(dòng)態(tài)度次之，三期分別為-0.55%、1.05%及0.15%，在2015年后出現(xiàn)正數(shù)，總體表現(xiàn)出“減少-增加”趨勢(shì)；耕地的動(dòng)態(tài)度三期均為負(fù)數(shù)，表明耕地具有不斷縮減的趨勢(shì)，2010—2015年、2015—2019年和2010—2019年的動(dòng)態(tài)度分別為-0.32%、-2.59%和-1.31%，且耕地面積2015—2019年的變化幅度大于2010—2015年的變化幅度；水域的單一土地利用動(dòng)態(tài)度在研究時(shí)段內(nèi)都為負(fù)數(shù)，說明水域面積不斷減小，動(dòng)態(tài)度分別為-2.01%、-5.77%和-3.42%；未利用地的波動(dòng)現(xiàn)象較為明顯，其面積急劇減少，由圖可見雖然未利用土地的波動(dòng)大，但所占比例較小，從總體上看減少的面積仍然較小。

圖5 2010—2019年西安市單一土地利用動(dòng)態(tài)度 Fig.5 Single land use dynamic degree in Xi′an from 2010 to 2019

3.4 土地利用格局時(shí)空變化分析

圖6為2010—2015年、2015—2019年西安市土地利用類型轉(zhuǎn)移圖。其中，西安市土地利用變化主要表現(xiàn)為建設(shè)用地面積的擴(kuò)張和耕地面積的減少。各地類轉(zhuǎn)移情況如下：1）耕地轉(zhuǎn)移。由圖可見，耕地面積變化量最大，面積逐年減小，2010—2015年耕地轉(zhuǎn)出了637.39 km2，其中69.42%轉(zhuǎn)為建設(shè)用地，24.2%轉(zhuǎn)化為林草地，其余轉(zhuǎn)為水域和未利用地；2015—2019年耕地減少趨勢(shì)與前期相同，耕地轉(zhuǎn)化為建設(shè)用地最多，其次是林草地，轉(zhuǎn)化為水域和未利用地較少；2）林草地轉(zhuǎn)移。林草地面積呈現(xiàn)先減后增的態(tài)勢(shì)，總體略增；2010—2015年有296.10 km2的林草地轉(zhuǎn)化為其他地類，主要轉(zhuǎn)化為耕地和建設(shè)用地，占比分別為93.91%和4.16%；2015—2019年林草地轉(zhuǎn)入了336.67 km2，主要來自耕地，占比為86.94%；

圖6 2010—2019年西安市土地利用類型轉(zhuǎn)移圖 Fig.6 Land use type transition map in Xi′an from 2010 to 2019

3）建設(shè)用地轉(zhuǎn)移。建設(shè)用地大幅擴(kuò)張，前期轉(zhuǎn)入面積535.98 km2，其中82.55%來自耕地，12.61%來自未利用地；后期轉(zhuǎn)入面積為471.74 km2，其中耕地轉(zhuǎn)入401.42 km2，占比達(dá)85.09%；4）水域轉(zhuǎn)移。兩個(gè)時(shí)段水域面積分別轉(zhuǎn)出了53.38 km2和42.21 km2，前期轉(zhuǎn)為其他地類的面積排序?yàn)楦?建設(shè)用地>林草地>未利用地，后期轉(zhuǎn)為其他地類的面積排序?yàn)榻ㄔO(shè)用地>林草地>耕地>未利用地；5）未利用地轉(zhuǎn)移。未利用地面積總體呈現(xiàn)收縮態(tài)勢(shì)，兩個(gè)時(shí)段均主要流向建設(shè)用地，占比分別為81.23%和83.2%，其次流向耕地，占比分別為13.68%和10.17%。

圖7為2010—2015年與2015—2019年兩期土地利用變化圖，由于考慮到兩期土地利用空間變化特征較為相似，故將兩期進(jìn)行一并分析。從空間演變特征來看，耕地轉(zhuǎn)出類型以建設(shè)用地為主，主要分布在長(zhǎng)安區(qū)的中部、未央?yún)^(qū)、鄠邑區(qū)及北部的高陵區(qū)、閻良區(qū)；其次為林草地，主要分布在東南部的藍(lán)田縣及西南部的周至縣；其他轉(zhuǎn)出類型面積較少，較為分散。林草地轉(zhuǎn)向耕地的區(qū)域分布在藍(lán)田縣、長(zhǎng)安區(qū)及鄠邑區(qū)等區(qū)域；林草地轉(zhuǎn)向建設(shè)用地、水域和未利用地面積較少，空間特征不明顯。建設(shè)用地圍繞雁塔區(qū)、蓮湖區(qū)等中心城區(qū)向外擴(kuò)張，其轉(zhuǎn)入主要來自于耕地和未利用地，耕地轉(zhuǎn)向建設(shè)用地區(qū)域主要發(fā)生在主城區(qū)外圍；未利用地轉(zhuǎn)向建設(shè)用地集中分布在雁塔區(qū)、新城區(qū)、碑林區(qū)和蓮湖區(qū)等地區(qū)。水域轉(zhuǎn)向耕地區(qū)域主要分布在臨潼區(qū)、閻良區(qū)和高陵區(qū)；水域轉(zhuǎn)向林草地區(qū)域較少，且空間特征不明顯；水域轉(zhuǎn)向建設(shè)用地區(qū)域主要發(fā)生在未央?yún)^(qū)和蓮湖區(qū)等區(qū)域。建設(shè)用地是未利用地轉(zhuǎn)出的主要類型，集中分布中心城區(qū)，其次零星分布在閻良區(qū)和高陵區(qū)；未利用地其他轉(zhuǎn)出類型較少，空間特征不明顯。

圖7 2010—2019年西安市土地利用類型空間變化圖 Fig.7 Spatial change of land use types in Xi′an from 2010 to 2019

3.5 土地利用變化驅(qū)動(dòng)機(jī)制分析

因子分析結(jié)果如圖8所示。由圖可見，2010年各因子對(duì)西安市土地利用程度的解釋力從大到小為X7（0.679 0）>X11（0.676 6）>X8（0.608 2）>X10（0.418 0）>X1（0.391 1）>X2（0.261 2）>X3（0.256 9）>X4（0.249 6）=X6（0.249 6）>X5（0.177 8）>X9（0.009 0）。其中高程對(duì)土地利用程度影響最大，其次是地表溫度、坡度和降雨量等自然因子，說明自然因子對(duì)土地利用時(shí)空演變格局影響顯著。人口密度的解釋力為0.391 1，可見人口密度也是推動(dòng)土地利用變化的重要驅(qū)動(dòng)因子。

圖8 2010—2019年驅(qū)動(dòng)因子探測(cè)結(jié)果 Fig.8 Detection results of driving factors from 2010 to 2019

分時(shí)段看，2015年加快土地利用變化的主要驅(qū)動(dòng)因子為高程、坡度、降雨、地表溫度和人口密度等，說明自然因子仍是主導(dǎo)因素；生產(chǎn)總值、第二產(chǎn)業(yè)生產(chǎn)總值等5個(gè)社會(huì)因子的值均大于0.173 7，較2010年明顯提高，說明社會(huì)因子在土地利用變化中起著越來越重要的作用。相比2010年，人口密度快速增長(zhǎng)，解釋力值顯著增強(qiáng)，為0.494 4，可見人口密度對(duì)西安市土地利用變化具有重要影響。2019年影響土地利用的主要驅(qū)動(dòng)因子包括高程、坡度、降雨、地表溫度和生產(chǎn)總值，說明隨著經(jīng)濟(jì)發(fā)展，社會(huì)因子的驅(qū)動(dòng)力進(jìn)一步加強(qiáng)，而人口密度的值減小，解釋力減弱。這一時(shí)期，自然、社會(huì)因子解釋力值均大于0.3，說明該時(shí)期土地利用已轉(zhuǎn)變?yōu)槎嘁蜃庸餐s束的情形。相較于其他自然、社會(huì)因子，2010—2019年坡向?qū)ν恋乩贸潭扔绊懛浅Ｐ??？傊?，地形等自然因子影響植被分布狀況、人類活動(dòng)范圍，決定了西安市土地利用的空間分布格局，但由于西安市地理位置優(yōu)越，經(jīng)濟(jì)發(fā)展迅速，人類活動(dòng)對(duì)土地利用的干預(yù)越來越強(qiáng)，社會(huì)因子也成為影響西安市土地利用空間分布格局的關(guān)鍵因子。

交互探測(cè)器用來探測(cè)因子之間的交互作用相對(duì)于單因子是否會(huì)增加或減少對(duì)因變量的解釋力，探測(cè)結(jié)果如圖9所示。各年份因子交互作用均呈現(xiàn)雙因子增強(qiáng)或非線性增強(qiáng)的特點(diǎn)，由此說明西安市土地利用變化是多因子共同作用的結(jié)果。各年份交互作用效果具有很大相似性，因此，以2019年為例進(jìn)行分析。由圖9 c可見，坡度和高程的交互作用最強(qiáng)，達(dá)到了0.75；高程與生產(chǎn)總值、溫度與坡度疊加后的解釋力度次之，達(dá)0.74；生產(chǎn)總值、第二產(chǎn)業(yè)生產(chǎn)總值等5個(gè)社會(huì)指標(biāo)單因子解釋力均不超過0.32，與高程、坡度、降雨、溫度等因子疊加后解釋力均大于0.61，表明這些社會(huì)因子并不是獨(dú)立影響土地利用變化，與其他因子共同作用后影響力更強(qiáng)；此外解釋力最小的人口因子與其他因子疊加后影響力也有所提升，最高達(dá)到0.71。

圖9 2010—2019年驅(qū)動(dòng)因子交互作用結(jié)果 Fig.9 Interaction results of driving factors from 2010 to 2019

總之，各因子與高程、坡度因子疊加后的影響力增強(qiáng)，主要是因?yàn)檠芯繀^(qū)南部秦嶺地區(qū)海拔較高，主城區(qū)海拔低，人類活動(dòng)復(fù)雜，使得其他因子受到了高程的影響，這與張澤等的研究結(jié)果一致。由此可見，這一時(shí)期社會(huì)因子和自然因子共同推動(dòng)了西安市土地利用的變化。

4 討 論

為協(xié)調(diào)西安市的人地關(guān)系，對(duì)土地利用做出合理規(guī)劃，以促進(jìn)社會(huì)經(jīng)濟(jì)和生態(tài)環(huán)境的可持續(xù)發(fā)展，本文基于GEE云平臺(tái)結(jié)合隨機(jī)森林算法完成了西安市土地利用分類，得到的三期分類圖精度均在86.5%以上，結(jié)果較為理想。

利用地理探測(cè)器分析西安市土地利用變化的驅(qū)動(dòng)力，發(fā)現(xiàn)高程和坡度是西安市土地利用動(dòng)態(tài)變化的主要驅(qū)動(dòng)因子，究其因很大程度上是因?yàn)榈匦我蛩氐南拗?，使人類活?dòng)大多集中在中北部，對(duì)土地利用的程度較大。此外，人類活動(dòng)在后期的影響加深，這與已有研究結(jié)果較為吻合。但考慮到數(shù)據(jù)的代表性，本文僅從自然和經(jīng)濟(jì)兩方面選取了11個(gè)指標(biāo)，而未考慮政策、制度因子，下一步將納入政策、制度因子，構(gòu)建更為完善的土地利用變化驅(qū)動(dòng)指標(biāo)體系。此外，本文僅從西安市整體的角度研究其驅(qū)動(dòng)因素，但西安市各個(gè)縣區(qū)社會(huì)經(jīng)濟(jì)基礎(chǔ)和發(fā)展?fàn)顩r有所不同，充分考慮地區(qū)的差異性，將是下一步的研究方向。

5 結(jié) 論

本文基于GEE云平臺(tái)，聯(lián)合Landsat光學(xué)影像和PALSAR雷達(dá)數(shù)據(jù)，通過構(gòu)建光譜、地形、紋理和后向散射特征4種特征變量，利用隨機(jī)森林算法完成了西安市土地利用分類，定量分析了2010、2015和2019年西安市土地利用的時(shí)空格局，最后基于地理探測(cè)器從自然因子和社會(huì)因子兩方面，探討了西安市土地利用變化的驅(qū)動(dòng)機(jī)制，主要結(jié)論如下：

1）GEE云平臺(tái)具有數(shù)據(jù)處理方便、運(yùn)算能力強(qiáng)、能有效解決數(shù)據(jù)分辨率不一致等問題的優(yōu)勢(shì)，且隨機(jī)森林算法分類精度較高，2010、2015和2019年分類總體精度分別為92.30%、86.66%和90.78%，對(duì)應(yīng)Kappa系數(shù)分別為0.89、0.81和0.88，聯(lián)合PALSAR數(shù)據(jù)能有效提高分類精度。

2）西安市主要土地利用類型為林草地和耕地，兩者合計(jì)占整個(gè)研究區(qū)面積的85%以上。2010—2019年耕地面積呈現(xiàn)大幅減小的趨勢(shì)，十年間縮減了451.13 km，主要集中在長(zhǎng)安區(qū)的中部、未央?yún)^(qū)、鄠邑區(qū)及北部的高陵區(qū)、閻良區(qū)；林草地表現(xiàn)為先減后增的趨勢(shì)，中南部及東部地區(qū)變化較為明顯；建設(shè)用地呈現(xiàn)出劇烈擴(kuò)張的局面，新增加的建設(shè)用地集中分布在中心城區(qū)外圍，且不斷向外擴(kuò)張，由2010年的1 056.9 km2擴(kuò)張至2019年的1 529.01 km2，主要來源于耕地和林草地；水域和未利用地總體呈現(xiàn)出面積逐年減少但變化不大的特征，分布較為分散。

3）在西安市土地利用格局變化的過程中，地形、溫度和降雨等自然因子始終占據(jù)主導(dǎo)地位，生產(chǎn)總值、第二產(chǎn)業(yè)生產(chǎn)總值等社會(huì)因子是土地利用變化的重要因子，且解釋力不斷增大，而人口解釋力先增大后減少。地形、溫度與生產(chǎn)總值疊加后的交互作用達(dá)到了較高水平，說明西安市土地利用變化格局是各種因子共同作用的結(jié)果。

基于GEE聯(lián)合多源遙感數(shù)據(jù)，采用隨機(jī)森林分類和地理探測(cè)器分析可有效反映土地利用格局時(shí)空變化及其驅(qū)動(dòng)機(jī)制。近十年來，西安市城市建設(shè)發(fā)展迅速，在經(jīng)濟(jì)全球化的背景下，政府應(yīng)加大產(chǎn)業(yè)結(jié)構(gòu)和用地結(jié)構(gòu)調(diào)整，加強(qiáng)土地資源的優(yōu)化配置。在城鄉(xiāng)建設(shè)過程中，應(yīng)嚴(yán)控耕地、林草地等轉(zhuǎn)建設(shè)用地，土地政策的制定和城市發(fā)展需兼顧生態(tài)環(huán)境保護(hù)和經(jīng)濟(jì)協(xié)調(diào)發(fā)展。