徐立晨, 耿 君, 朱璨陽, 徐杰銘, 涂麗麗, 黃建偉

(1.合肥工業(yè)大學(xué) 土木與水利工程學(xué)院,安徽 合肥 230009; 2.安徽農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院,安徽 合肥 230036)

0 引 言

土地利用/土地覆蓋(land use/land cover,LULC)變化是描述人類活動(dòng)對(duì)地表變化影響的最基本和最突出的特征,多用于區(qū)域和全球環(huán)境變化研究[1]。由于城市化進(jìn)程的迅速發(fā)展,很難實(shí)現(xiàn)對(duì)城市土地覆蓋變化(land cover change,LCC)的動(dòng)態(tài)監(jiān)測,衛(wèi)星遙感技術(shù)在監(jiān)測宏觀LULC變化方面發(fā)揮著不可替代的作用[2]。利用遙感技術(shù)或數(shù)據(jù)對(duì)LCC的相關(guān)研究涉及土地覆蓋的提取、動(dòng)態(tài)變化和驅(qū)動(dòng)力分析。文獻(xiàn)[3]研究Landsat 5 TM和Landsat 7 ETM+遙感圖像,制作了30 m分辨率的全球土地覆蓋分類圖;文獻(xiàn)[4]基于Landsat 8 OLI等衛(wèi)星遙感影像,實(shí)現(xiàn)了2010—2015年中國土地利用變化的動(dòng)態(tài)監(jiān)測。然而,在上述LCC研究中,大多數(shù)采用傳統(tǒng)的費(fèi)時(shí)費(fèi)力的數(shù)據(jù)采集和處理方法。

近年來,免費(fèi)遙感影像云處理平臺(tái)谷歌地球引擎(Google Earth Engine,GEE)的出現(xiàn)為地理空間分析提供了新的解決方案[5],它可以避免傳統(tǒng)的衛(wèi)星圖像處理步驟,如影像下載和預(yù)處理,大大提高了大尺度長時(shí)間序列LULC監(jiān)測的效率[6]?？焖侔l(fā)展的GEE得到了廣泛的應(yīng)用。文獻(xiàn)[7]在GEE平臺(tái)支持下,使用超過650 000張Landsat影像,繪制了2000—2012年間30 m分辨率的全球森林變化圖;文獻(xiàn)[8]使用2 116幅Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI衛(wèi)星影像,繪制了2015年北京的土地覆蓋類型圖;文獻(xiàn)[9]使用223張Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI衛(wèi)星影像,繪制了過去30年南京土地利用變化分類圖。上述相關(guān)研究往往側(cè)重于發(fā)達(dá)城市,對(duì)發(fā)展中但快速增長的城市研究很少。

進(jìn)入21世紀(jì)以來,合肥市經(jīng)濟(jì)高速增長,不可避免地導(dǎo)致城市擴(kuò)張和LCC。本文在GEE平臺(tái)海量數(shù)據(jù)資源和交互式大數(shù)據(jù)計(jì)算服務(wù)的支持下,利用多景Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI影像,繪制合肥市2000—2020年的長時(shí)間序列土地覆蓋圖,分析地物時(shí)空變化,對(duì)研究區(qū)20年間的植被覆蓋度(fractional vegetation cover,FVC)變化進(jìn)行研究,討論社會(huì)經(jīng)濟(jì)驅(qū)動(dòng)因素對(duì)研究區(qū)土地覆蓋類型變化的影響。

1 研究區(qū)域和研究方法

1.1 研究區(qū)域概況

合肥是中國安徽省省會(huì)(30°57′～32°32′N,116°41′～117°58′E),平均海拔20～40 m,地形以平原和丘陵為主,有9個(gè)縣和行政區(qū),總面積約為11 445.1 km2。

1.2 數(shù)據(jù)來源

Landsat衛(wèi)星系列提供連續(xù)且相對(duì)高分辨率的遙感影像,這些影像可以包含在GEE的公共數(shù)據(jù)檔案中,并用于監(jiān)控長期動(dòng)態(tài)LCC,本文使用Tier-1 Top of Atmosphere反射率影像數(shù)據(jù)。同時(shí),為了提高分類精度,使用GEE中的多種輔助數(shù)據(jù),包括數(shù)字高程模型數(shù)據(jù)和夜間燈光指數(shù)數(shù)據(jù),前者如航天飛機(jī)雷達(dá)地形測繪使命(Shuttle Radar Topography Mission,SRTM) 數(shù)據(jù),后者如美國國防氣象衛(wèi)星計(jì)劃衛(wèi)星搭載的線性掃描業(yè)務(wù)系統(tǒng)(Defense Meteorological Satellite Program Operation Linescan System,DMSP-OLS)傳感器數(shù)據(jù)、國家極軌合作/可見紅外成像輻射儀套件(National Polar-Orbiting Partnership Visible Infrared Imaging Radiometer Suite,NPP-VIIRS)傳感器數(shù)據(jù)。此外,合肥市行政區(qū)劃矢量數(shù)據(jù)來源于中國國家地理信息中心網(wǎng)站(http://ngcc.cn/ngcc/),在合肥市統(tǒng)計(jì)局網(wǎng)站(http://tjj.hefei.gov.cn/)上得到土地覆蓋類型變化的主要驅(qū)動(dòng)因素?cái)?shù)據(jù)。本研究中使用的6個(gè)數(shù)據(jù)集信息見表1所列。

表1 6個(gè)數(shù)據(jù)集的空間與時(shí)間分辨率

在本研究中,使用覆蓋研究區(qū)研究年份及其前后各1 a的影像,合成無云覆蓋影像。使用“ee.Algorithms.Landsat.simpleCloudScore”函數(shù),將云閾值設(shè)置為20,通過為圖像集合中的每個(gè)像元分配云分?jǐn)?shù)來開發(fā)云掩膜封裝算法。為了消除每年雨季和積雪對(duì)分類結(jié)果的影響,將日期范圍設(shè)定為每年3月1日至6月15日和7月16日至11月31日?；谶^濾圖像的可用性,創(chuàng)建5個(gè)圖像集合,相應(yīng)時(shí)間節(jié)點(diǎn)分別為2000年、2006年、2011年、2016年和2020年,每個(gè)研究年份連同前后各1 a的影像合成1期無云覆蓋影像。

1.3 樣本數(shù)據(jù)來源

監(jiān)督分類通常需要一定數(shù)量的訓(xùn)練樣本和驗(yàn)證樣本。傳統(tǒng)的研究方法通常使用人工目視解譯方法來獲得樣本點(diǎn),工作量很大,工作效率不高;本文采用一種獲取高精度樣本點(diǎn)的方法來減少工作量,該方法包括線上提取和線下檢驗(yàn)2個(gè)部分。

(1) 線上提取。根據(jù)研究區(qū)間,選擇基于2010年的GlobeLand30和MCD12Q1土地覆蓋產(chǎn)品,在GEE平臺(tái)進(jìn)行分層采樣,得到隨機(jī)樣本點(diǎn)。將2幅影像的地物屬性信息重新映射組合為本文所需的地物類型屬性,利用“StratifiedSample”函數(shù)對(duì)影像進(jìn)行分層采樣,得到總計(jì)1 200 個(gè)樣本數(shù)據(jù)點(diǎn)。

(2) 線下檢驗(yàn)。在線上提取的樣本點(diǎn)中,會(huì)出現(xiàn)個(gè)別錯(cuò)誤像元,需要通過線下Google Earth中的高分辨率遙感影像檢驗(yàn)來完善樣本數(shù)據(jù)。在分類過程中,將采集的樣本點(diǎn)中的70%用作訓(xùn)練樣本點(diǎn),30%作為驗(yàn)證樣本點(diǎn)。研究區(qū)5個(gè)時(shí)間節(jié)點(diǎn)影像數(shù)和樣本點(diǎn)數(shù)見表2所列。

表2 研究區(qū)5個(gè)時(shí)間節(jié)點(diǎn)影像數(shù)和樣本點(diǎn)數(shù)

1.4 研究方法

隨機(jī)森林(random forest,RF)算法是一種相對(duì)較新的機(jī)器學(xué)習(xí)算法;RF分類器是一種優(yōu)秀的分類器,它使用多棵樹來訓(xùn)練和預(yù)測樣本[10],采用自助式重采樣技術(shù),在生成訓(xùn)練集時(shí),為每個(gè)訓(xùn)練集構(gòu)造1個(gè)決策樹,在節(jié)點(diǎn)中查找要分割的特征,并隨機(jī)提取一些特征,然后在特征中找到最優(yōu)解,將其應(yīng)用于節(jié)點(diǎn)分割。因此,RF算法具有良好的精度,可以有效地用于大型土地覆蓋數(shù)據(jù)集[11]。

為了提高分類精度,選擇多種特征變量,如多種光譜波段、SRTM數(shù)據(jù)、DMSP-OLS數(shù)據(jù)、NPP-VIIRS數(shù)據(jù)和光譜特征指數(shù),作為RF算法模型的輸入變量數(shù)據(jù)。光譜特征指數(shù)包括歸一化植被指數(shù)(normalized difference vegetation index,NDVI)INDV、歸一化水體指數(shù)(normalized difference water index,NDWI)INDW、修正歸一化水體指數(shù)(modified normalized difference water index,MNDWI)[12]IMNDW和歸一化建筑指數(shù)(normalized difference built-up index,NDBI)INDB,添加這些變量可以提高植被、水體和建成區(qū)的分類精度,突出特征信息。上述4個(gè)光譜特征指數(shù)的計(jì)算公式如下:

INDV=(ρnir-ρred)/(ρnir+ρred)

(1)

INDW=(ρgreen-ρnir)/(ρgreen+ρnir)

(2)

IMNDW=(ρgreen-ρswir1)/(ρgreen+ρswir1)

(3)

INDB=(ρswir1-ρnir)/(ρswir1+ρnir)

(4)

其中,ρgreen、ρred、ρnir、ρswir1分別為Landsat 5 TM、Landsat 7 ETM+中第2波段至第5波段反射率,同時(shí)為Landsat 8 OLI第3波段至第6波段反射率。

(5)

對(duì)LCC圖像的處理步驟如圖1所示。

圖1 土地覆蓋制圖和機(jī)理分析流程圖

1.5 影像分類和精度評(píng)定

在GEE平臺(tái)上使用RF分類器將獲得的復(fù)合物分為以下4個(gè)土地覆蓋類別:① 植被,包括農(nóng)田、林地和草地等;② 水體,包括河流、湖泊、水庫、池塘、泥灘和濕地等;③ 建成區(qū),包括城鄉(xiāng)地區(qū)、工礦用地和住宅用地等;④ 裸地,主要包括裸地、鹽堿地和裸石礫石地等。

在RF算法模型中,每個(gè)節(jié)點(diǎn)上用于分割的決策樹和特征的數(shù)量對(duì)分類結(jié)果至關(guān)重要。本文采用具有不同決策樹的RF分類器,并將決策樹的數(shù)目設(shè)置為30;模型輸入?yún)?shù)包括原始光譜波段、多種輔助數(shù)據(jù)和4個(gè)光譜特征指數(shù)。

在GEE中使用混淆矩陣的形式計(jì)算基于Landsat影像分類結(jié)果的精度,包括總體精度、Kappa系數(shù)、用戶精度和生產(chǎn)者精度。

2 結(jié)果和分析

2.1 精度評(píng)估

5個(gè)時(shí)間節(jié)點(diǎn)研究區(qū)地物分類的總體精度和Kappa系數(shù)結(jié)果見表3所列。

表3 5個(gè)時(shí)間節(jié)點(diǎn)地物總體精度和Kappa系數(shù)評(píng)估結(jié)果

由表3可知,評(píng)估分類總體精度在91%以上,Kappa系數(shù)在0.85以上。在所有分類地物中,水體的分類精度較高,通過進(jìn)一步計(jì)算分析,得到水體的用戶精度和生產(chǎn)者精度都在95%以上,可見2種水體指數(shù)對(duì)于分類結(jié)果具有較大的影響;與地表水體相比,建成區(qū)和裸地的分類精度相對(duì)較低,建成區(qū)和裸地難以區(qū)分是由于它們具有相似的光譜特征,對(duì)其分類時(shí)會(huì)出現(xiàn)較大相互判別錯(cuò)誤,其分類結(jié)果會(huì)出現(xiàn)較大偏差?？傮w而言,各時(shí)期分類結(jié)果的總體精度較高,表明4種土地覆蓋類型與相應(yīng)的驗(yàn)證數(shù)據(jù)集具有較強(qiáng)的一致性,不同時(shí)期影像的分類結(jié)果可用于評(píng)估區(qū)域土地覆蓋格局和分析土地利用變化情況。

2.2 土地覆蓋的時(shí)空變化

利用RF算法生成研究區(qū)2000年、2020年土地覆蓋分類圖,如圖2所示。利用ArcGIS 10.2軟件的疊加函數(shù),得到研究區(qū)2000—2020年LCC轉(zhuǎn)移矩陣,見表4所列。

圖2 研究區(qū)2000年、2020年土地覆蓋分類結(jié)果

表4 2000—2020年研究區(qū)LCC轉(zhuǎn)移矩陣 單位:km2

由圖2、表4可知,合肥地區(qū)城市化呈現(xiàn)多核、多中心輻射到周邊地區(qū)的結(jié)構(gòu)模式,建成區(qū)以不同中心為中心點(diǎn)向外擴(kuò)散。

近20年來,城市的建成區(qū)面積逐漸擴(kuò)大,由419.72 km2逐漸增加到1 530.20 km2,其中在2000—2006年增長最快,增長率為90.46%;2011—2016年也以35.33%的增長率快速增加;建成區(qū)總面積增加1 110.48 km2,增長率約為264.58%。水體面積也在持續(xù)增加,增加面積約為415.14 km2,增長率約為39.54%;裸地面積也在不斷增加,增加總面積約為126.94 km2。

根據(jù)(5)式計(jì)算FVC。由表4可知:81.3%的植被面積(8 062.25 km2)保持不變;4.3%的植被面積(426.97 km2)轉(zhuǎn)化為水體;12.9%的植被面積(1 279.92 km2)轉(zhuǎn)化為建成區(qū),這也是植被面積轉(zhuǎn)化為其他土地特征的最大部分,意味著合肥市建設(shè)用地面積不斷增加,城市化進(jìn)程明顯加快;1.4%的植被面積(142.89 km2)轉(zhuǎn)化為裸地?？傮w而言,由于合肥市經(jīng)濟(jì)和城市化的快速發(fā)展,近20年來植被面積快速減少(約占植被面積的18.7%)。

合肥市2000—2020年FVC時(shí)空分布變化如圖3所示。

圖3 合肥市2000—2020年FVC時(shí)空分布變化

城市化的快速擴(kuò)張不可避免地需要占用郊區(qū)或周邊農(nóng)村地區(qū),導(dǎo)致植被區(qū)主要轉(zhuǎn)化為建成區(qū)。為了進(jìn)一步分析植被覆蓋的時(shí)空變化,需要區(qū)分合肥市2000年、2020年的邊界。使用描繪邊界的方法繪制2000年、2020年城區(qū)的邊界,分別如圖3a、圖3b所示。2000年合肥的城區(qū)邊界可以看作是2020年時(shí)合肥的老城區(qū)邊界(圖3c虛線內(nèi)的區(qū)域),而過去20年的城區(qū)擴(kuò)張區(qū)域則為圖3c中虛線和實(shí)線之間的區(qū)域。

繪制2個(gè)區(qū)域后,可以看出明顯的FVC時(shí)空變化規(guī)律如下:

(1) 實(shí)線和虛線之間67.9%的區(qū)域中FVC變化值小于0,表明該區(qū)域的FVC呈現(xiàn)明顯的下降趨勢,這是由于合肥市在2000—2020年期間建設(shè)了濱湖新區(qū)、高新區(qū)和經(jīng)開區(qū)3個(gè)新區(qū)。其中,濱湖新區(qū)位于合肥市東南部,高新區(qū)和經(jīng)開區(qū)位于合肥市西南部。

(2) 虛線內(nèi)部66.1%的區(qū)域中FVC變化值大于0,說明合肥老城區(qū)FVC呈上升趨勢,表明合肥市中心的生態(tài)環(huán)境正在恢復(fù)和改善。

(3) 總體來看,隨著合肥市的城市化建設(shè),近20年來植被面積明顯減少,而合肥市老城區(qū)植被面積和生態(tài)承載力明顯增加,意味著在過去20年里,合肥同時(shí)經(jīng)歷了經(jīng)濟(jì)的快速發(fā)展和環(huán)境保護(hù)的改善。

2.3 土地覆蓋的驅(qū)動(dòng)力分析

影響LCC的社會(huì)經(jīng)濟(jì)因素是復(fù)雜的,因此,選擇合適的驅(qū)動(dòng)因素是分析LCC的關(guān)鍵[14]。人類經(jīng)濟(jì)活動(dòng)影響著LCC,人口的增加導(dǎo)致不同土地覆蓋類型的變化。

2000—2020年,合肥市加大戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展力度,推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整,加快轉(zhuǎn)型步伐,本研究選取5個(gè)時(shí)間節(jié)點(diǎn)年末總?cè)丝凇DP、建成區(qū)面積和植被面積,進(jìn)行合肥市LCC變化分析,結(jié)果如圖4所示。

圖4 2000—2020年合肥市4個(gè)LCC參數(shù)變化曲線

近20年來,國家和安徽省先后批準(zhǔn)建設(shè)合肥濱湖新區(qū)、高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)(高新區(qū))和經(jīng)濟(jì)技術(shù)開發(fā)區(qū)(經(jīng)開區(qū));此外,合肥也被確立為綜合性國家科學(xué)中心之一?；谏鲜稣?合肥正積極加快經(jīng)濟(jì)發(fā)展和城市建設(shè)。從圖4可以看出,總?cè)丝?、GDP和建成區(qū)面積的總體變化趨勢相似,植被面積變化趨勢則相反。為了定量評(píng)估4個(gè)參數(shù)之間的相關(guān)性,計(jì)算4個(gè)參數(shù)曲線之間的相關(guān)系數(shù),結(jié)果見表5所列。由表5可知,所有相關(guān)系數(shù)的絕對(duì)值均大于0.85。因此,人口增長和社會(huì)經(jīng)濟(jì)發(fā)展是合肥市土地覆蓋結(jié)構(gòu)變化的2個(gè)重要因素。

表5 4個(gè)參數(shù)曲線相關(guān)系數(shù)矩陣

3 結(jié) 論

經(jīng)濟(jì)發(fā)展的高速增長不可避免地導(dǎo)致LCC發(fā)生巨大變化,尤其是郊區(qū)和農(nóng)村周圍的植被和水體。合肥市在過去20年中經(jīng)濟(jì)快速增長,本文借助GEE平臺(tái)強(qiáng)大的海量數(shù)據(jù)處理和并行計(jì)算能力,基于構(gòu)建的樣本數(shù)據(jù)和輔助數(shù)據(jù),結(jié)合強(qiáng)大的RF算法,利用多景Landsat TM、ETM+和OLI衛(wèi)星遙感影像,生成具有較強(qiáng)時(shí)效性的多年土地覆蓋產(chǎn)品,對(duì)合肥市2000—2020年的LCC進(jìn)行分析研究。結(jié)果表明:在過去的20年中,植被面積減少18.7%,大部分植被減少區(qū)域集中在合肥市東南部和西南部,這與合肥市在此期間大力建設(shè)3個(gè)新區(qū)密切相關(guān);水體面積增加415.14 km2,增長39.54%。經(jīng)濟(jì)的快速發(fā)展和人口的迅速增長是導(dǎo)致植被面積減少和建成區(qū)面積擴(kuò)張的主要驅(qū)動(dòng)力因素。通過分析研究區(qū)FVC的時(shí)空變化可知,合肥市FVC呈現(xiàn)顯著減少特征,而老城區(qū)的FVC呈現(xiàn)增加態(tài)勢。本文研究結(jié)果可為區(qū)域后續(xù)的LCC研究以及環(huán)境保護(hù)政策制定和改善提供基礎(chǔ)數(shù)據(jù)支持。