張海東

(錦州市規(guī)劃設(shè)計(jì)研究院有限公司，遼寧 錦州 121000)

土地利用變化已成為全球變化研究的熱點(diǎn)問題之一[1]，土地變化和利用程度不僅關(guān)系到經(jīng)濟(jì)和社會(huì)的發(fā)展，也對(duì)整個(gè)世界生態(tài)環(huán)境的可持續(xù)發(fā)展有很大影響[2]。土地利用是人類以社會(huì)發(fā)展和經(jīng)濟(jì)狀況為目的而進(jìn)行的對(duì)土地經(jīng)營(yíng)的一系列技術(shù)手段，而在全球環(huán)境變化研究中，土地利用動(dòng)態(tài)變化越來(lái)越被認(rèn)為是一個(gè)關(guān)鍵而迫切的研究課題[3]。對(duì)土地利用情況進(jìn)行精準(zhǔn)預(yù)測(cè)，可以為國(guó)家決策及規(guī)劃等部門提供重要參考依據(jù)。

隨著近年來(lái)我國(guó)城市化的飛速發(fā)展，城市的不斷擴(kuò)張，土地的利用也發(fā)生著巨大的變化，這將會(huì)對(duì)鄉(xiāng)村及城市的自然、經(jīng)濟(jì)、人文等方面產(chǎn)生巨大影響。由于城市人口逐漸增多，城市居民對(duì)土地的需求量也逐漸增大，但城市的土地有限，達(dá)到了“供不應(yīng)求”的狀態(tài)。文獻(xiàn)[4]對(duì)1971～2002年土耳其埃德倫特地區(qū)的土地利用變化和城市擴(kuò)張進(jìn)行了研究，同時(shí)研究了SAR圖像對(duì)于確定土地覆蓋類型對(duì)光學(xué)圖像的貢獻(xiàn)，以提高土地利用及覆蓋的準(zhǔn)確性。文獻(xiàn)[5]提出了一種土地利用變化預(yù)測(cè)的新方法，該方法為土地利用-覆蓋現(xiàn)狀圖結(jié)合Markov鏈模型預(yù)測(cè)類型數(shù)量和CLUE-S模型預(yù)測(cè)空間分布的土地利用變化預(yù)測(cè)方法，預(yù)測(cè)了研究區(qū)2012年和2020年的土地利用空間分布狀況。文獻(xiàn)[6]以長(zhǎng)沙市作為研究對(duì)象，利用1990～2010年長(zhǎng)沙市5期的Landsat TM/ETM遙感影像分析了長(zhǎng)沙市1990～2010年的土地利用數(shù)量結(jié)構(gòu)特征，并對(duì)長(zhǎng)沙市土地利用變化趨勢(shì)進(jìn)行了預(yù)測(cè)。文獻(xiàn)[7]利用2005～2014年兩個(gè)階段的IRS-P6衛(wèi)星影像數(shù)據(jù)，研究了某地區(qū)土地利用變化遙感監(jiān)測(cè)的技術(shù)方法和操作步驟。

利用遙感的手段進(jìn)行土地利用變化監(jiān)測(cè)[8]可以快速有效地獲取地區(qū)的土地利用信息。本文的研究采用“珠海一號(hào)”高光譜影像和Landsat影像，通過CART決策樹結(jié)合歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)的方法對(duì)鞍山市部分地區(qū)的土地利用變化進(jìn)行分析并預(yù)測(cè)。

1 研究區(qū)概況

鞍山市位于遼寧省中部，東經(jīng)122°10′～123°41′，北緯40°27′～41°34′，東部和北部與遼陽(yáng)縣毗鄰，西部與盤山縣和遼中縣交界，南部與大石橋市、莊河市、鳳城縣鄰接。四季分明，屬于溫帶季風(fēng)性氣候。鞍山市有較多的河流，如遼河、渾河等，水資源豐富。地勢(shì)地貌特征為東南高西北低，自東南向西北傾斜[9]。

2 數(shù)據(jù)來(lái)源與研究方法

2.1 數(shù)據(jù)來(lái)源

本文采用的Landsat數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云和USGS，“珠海一號(hào)”高光譜影像來(lái)源于(https://www.myorbita.net/index.aspx)。

2.2 數(shù)據(jù)分析

為了使實(shí)驗(yàn)結(jié)果具有可比性，采用Landsat數(shù)據(jù)和“珠海一號(hào)”數(shù)據(jù)。Landsat衛(wèi)星傳感器較強(qiáng)的光譜分辨率使得該傳感器對(duì)土地利用變化信息有了很高的提取能力。“珠海一號(hào)”數(shù)據(jù)具有高光譜分辨率和高空間分辨率的特點(diǎn)，而且其特色的高光譜數(shù)據(jù)對(duì)于土地利用變化信息的提取提供了巨大的幫助。利用Landsat數(shù)據(jù)與“珠海一號(hào)”數(shù)據(jù)進(jìn)行土地利用變化監(jiān)測(cè)及預(yù)測(cè)有一定的研究意義。

2.3 研究流程

本文將2009年、2014年Landsat影像經(jīng)過融合、校正、裁剪的預(yù)處理后，計(jì)算NDVI并進(jìn)行波段合成。2019年的“珠海一號(hào)”高光譜影像，經(jīng)過預(yù)處理后，計(jì)算NDVI指數(shù)進(jìn)行波段合成，將波段合成后的影像進(jìn)行CART決策樹分類，得到了三期分類后的影像，對(duì)研究區(qū)域進(jìn)行監(jiān)測(cè)與預(yù)測(cè)，并結(jié)合數(shù)據(jù)分析鞍山市部分地區(qū)土地變化情況。研究流程如圖1所示。

圖1 技術(shù)路線圖

2.4 研究方法

2.4.1 遙感影像的預(yù)處理

(1)遙感影像的輻射定標(biāo)、大氣校正

本文采用的輻射定標(biāo)是將傳感器記錄的數(shù)字量化值(DN)轉(zhuǎn)換為絕對(duì)輻射亮度值(輻射率)的過程[10]。為了結(jié)合NDVI指數(shù)對(duì)鞍山市部分地區(qū)的土地利用變化進(jìn)行監(jiān)測(cè)，對(duì)影像進(jìn)行大氣校正獲取地物真實(shí)的表面反射率。

(2)遙感影像的波段合成

NDVI指數(shù)：指遙感影像中，近紅外波段的反射值與紅光波段的反射值之差與兩者之和的比值，是遙感觀測(cè)植被覆蓋度的一個(gè)重要因子[11]。

NDVI=(BandNIR-BandR)/(BandNIR+BandR)

(1)

式中，BandR是紅光波段；BandNIR是近紅外波段。其中Landsat數(shù)據(jù)的BandR和BandNIR分別是第1波段和第5波段[12]；“珠海一號(hào)”的BandR和BandNIR分別是第12波段和第27波段。

2.4.2 CART決策樹分類

CART模型最早由Breiman等人提出，在統(tǒng)計(jì)學(xué)和研究應(yīng)用技術(shù)中普遍使用[13]。CART決策樹以二叉樹的形式給出，由CART模型構(gòu)建的決策樹在大多數(shù)情況下更加準(zhǔn)確，且對(duì)于數(shù)據(jù)復(fù)雜、變量較多的數(shù)據(jù)處理效果更好。為了提高分類的精度，便于理解和使用，本文構(gòu)建CART決策樹，首先對(duì)目標(biāo)變量的訓(xùn)練數(shù)據(jù)進(jìn)行循環(huán)分析，形成二叉樹形式，然后形成訓(xùn)練樣本并計(jì)算最小基尼信息，從而計(jì)算樣本類型的基尼指數(shù)。找出樣本類型中最優(yōu)的特征以及閾值，根據(jù)最優(yōu)的閾值將樣本進(jìn)行劃分，分為兩類，經(jīng)過剪枝處理，判斷最優(yōu)的切分點(diǎn)，并對(duì)所有的樣本數(shù)據(jù)進(jìn)行計(jì)算，從而生成CART決策樹。

2.4.3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

神經(jīng)網(wǎng)絡(luò)進(jìn)行映射辨識(shí)方法絕大部分是通過訓(xùn)練大量的樣本，為了達(dá)到計(jì)算目的，經(jīng)過神經(jīng)網(wǎng)絡(luò)內(nèi)部的算法不斷計(jì)算樣本的權(quán)值。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是由正向和反向兩種傳播方式組成。在正向傳播過程中，輸入的信息從輸入層經(jīng)過隱含層單元每一層的處理后傳向輸出層，每一層的神經(jīng)元狀態(tài)只會(huì)對(duì)下一層神經(jīng)元產(chǎn)生影響。而反向傳播的條件則是輸出層達(dá)不到期望的輸出，從而將誤差信號(hào)退回到原來(lái)的路徑，隨后修改每一層神經(jīng)元的權(quán)值，從而使得誤差信號(hào)最小[14]。

本文采用Train訓(xùn)練函數(shù)，該函數(shù)是一個(gè)兩層的網(wǎng)絡(luò)函數(shù)，可設(shè)定最大訓(xùn)練次數(shù)。設(shè)定的訓(xùn)練次數(shù)為300，訓(xùn)練次數(shù)達(dá)到300時(shí)訓(xùn)練停止；設(shè)定兩個(gè)閾值，分別為均方誤差和梯度，樣本數(shù)據(jù)超過任何一個(gè)閾值時(shí)，訓(xùn)練結(jié)束。采用神經(jīng)網(wǎng)絡(luò)對(duì)鞍山市部分地區(qū)進(jìn)行土地利用變化情況的擬合模擬，分類時(shí)結(jié)合CART決策樹可得到較高的分類精度，所以擬合預(yù)測(cè)的效果較為理想。

3 結(jié)果與分析

3.1 分類規(guī)則及結(jié)果

圖2所示為本文CART決策樹的分類規(guī)則，2009年和2014年的影像均為L(zhǎng)andsat影像，本文以2014年分類規(guī)則為例，根據(jù)Landsat影像的波段特性，可用于區(qū)分陸地地物類別、海洋、植物和化學(xué)的研究；根據(jù)“珠海一號(hào)”高光譜影像的波段特性，可以對(duì)植被、水體、土壤等地物進(jìn)行區(qū)分，利用各個(gè)波段的DN值及其地物的閾值范圍進(jìn)行CART決策樹規(guī)則的構(gòu)建。

圖2 決策樹分類規(guī)則

根據(jù)分類規(guī)則，得到2009年、2014年和2019年鞍山市部分地區(qū)的分類結(jié)果，如圖3所示。

圖3 2009年、2014年、2019年CART決策樹分類圖像

本文的分類方法采用CART決策樹算法，可以簡(jiǎn)化決策樹的分支，提高生成決策樹的效率和分類的精度，分類結(jié)果的混淆矩陣如表1～表3所示。

表1 2009年混淆矩陣/個(gè)

表2 2014年混淆矩陣/個(gè)

表3 2019年混淆矩陣/個(gè)

3.2 變化監(jiān)測(cè)結(jié)果及分析

根據(jù)分類結(jié)果通過分類后比較法得到兩個(gè)時(shí)間段的土地利用變化情況[15]，如表4和表5所示，并根據(jù)變化結(jié)果分析鞍山市的發(fā)展情況。

表4 2009～2014年變化監(jiān)測(cè)矩陣/ha

表5 2014～2019年變化監(jiān)測(cè)矩陣/ha

本文設(shè)定鞍山市的土地利用類型主要為耕地、林地、草地、建設(shè)用地、水體和未利用地六大類。由變化監(jiān)測(cè)結(jié)果得出：在近10年的時(shí)間內(nèi)，該區(qū)域耕地面積在逐年減少，這些耕地包括了水邊的裸露土地、植被極其稀少的土地以及未利用的空地。其他各類土地利用類型都有不同程度的微增，這也意味著鞍山市在接下來(lái)的時(shí)間里可利用的空地越來(lái)越少。10年間，該區(qū)域建設(shè)用地的面積由162.28 ha變?yōu)?52.46 ha，說明人居生活質(zhì)量得以提高，經(jīng)濟(jì)發(fā)展迅速，建設(shè)用地增多；而由林地、草地和水體組成的“藍(lán)綠空間”的面積也都有所增加，說明該地區(qū)由于城市建設(shè)用地造成的熱島效應(yīng)可以由“藍(lán)綠空間”成分的增多得以部分抵消；耕地的面積有所減少，說明該地區(qū)一部分的耕地轉(zhuǎn)變?yōu)椤八{(lán)綠空間”及建設(shè)用地，當(dāng)?shù)赜休^好的綠色生態(tài)性用地布局。

3.3 預(yù)測(cè)結(jié)果及精度檢驗(yàn)

根據(jù)2009年和2014年的變化結(jié)果，通過神經(jīng)網(wǎng)絡(luò)方法對(duì)下一時(shí)間段的數(shù)據(jù)進(jìn)行擬合及預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果如圖4所示。

圖4 預(yù)測(cè)結(jié)果

采用2009年和2014年的Landsat分類數(shù)據(jù)對(duì)2019年的“珠海一號(hào)”數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)誤差計(jì)算公式為：

(2)

式中，Φ為預(yù)測(cè)的誤差；Ai為2019年分類的面積；Aj為2019年預(yù)測(cè)的面積。經(jīng)過計(jì)算，總體精度為95.93%，如表6所示，滿足預(yù)測(cè)的精度要求。

表6 2019年預(yù)測(cè)誤差

4 結(jié) 論

本文通過對(duì)鞍山市2009年、2014年和2019年三期遙感影像的校正、融合和裁剪預(yù)處理以及CART決策樹分類，對(duì)分類結(jié)果進(jìn)行分類后比較獲取了鞍山市土地利用的變化信息，并對(duì)鞍山市土地利用變化情況進(jìn)行預(yù)測(cè)。結(jié)論如下：

(1)以兩期Landsat影像和“珠海一號(hào)”影像為主要數(shù)據(jù)源，對(duì)鞍山市近幾年的土地利用情況進(jìn)行監(jiān)測(cè)。結(jié)果表明：鞍山市沿海地區(qū)建設(shè)用地、草地、林地以及水體面積逐漸增大，耕地面積逐漸減小，但總體上各類土地覆蓋面積變化不大。

(2)本文采用的神經(jīng)網(wǎng)絡(luò)模型對(duì)于土地利用分類的預(yù)測(cè)具有一定的可靠性。由預(yù)測(cè)結(jié)果得知：鞍山市部分地區(qū)建設(shè)用地以及水體面積將會(huì)繼續(xù)增大，而草地和耕地將會(huì)減少，符合近年來(lái)鞍山經(jīng)濟(jì)不斷上升的實(shí)際情況。

(3)“珠海一號(hào)”高光譜衛(wèi)星在入軌前預(yù)選了32個(gè)波段，波段數(shù)量眾多，植被在近紅外波段以及紅光波段高吸收，經(jīng)過處理，該數(shù)據(jù)可以得到更高精度的土地利用變化監(jiān)測(cè)結(jié)果，“珠海一號(hào)”高光譜影像對(duì)于土地進(jìn)行變化監(jiān)測(cè)及預(yù)測(cè)有很好的作用。