向萬(wàn)淋,譚 萍,陳泊宇,陳 拾,唐菲菲,姬翠翠
(重慶交通大學(xué) 土木工程學(xué)院,重慶 400000)
城區(qū)土地覆被情況及時(shí)空演變特征能在一定程度上反映城市社會(huì)經(jīng)濟(jì)發(fā)展水平,預(yù)測(cè)城市的未來(lái)發(fā)展空間,以及影響城市人居環(huán)境的適宜性[1]。在城市化進(jìn)程不斷加快的大背景下,對(duì)重慶市高新區(qū)做土地覆被變化分析可及時(shí)為管理部門提供有效的土地覆被信息,可對(duì)將來(lái)的城市規(guī)劃、環(huán)境保護(hù)等方面產(chǎn)生積極的影響。如果通過常規(guī)的測(cè)繪方式來(lái)獲取土地覆被數(shù)據(jù),則會(huì)存在效率低、成本高、更新慢、周期長(zhǎng)等問題,而衛(wèi)星遙感技術(shù)具有宏觀視野、動(dòng)態(tài)監(jiān)測(cè)、信息獲取方便,圖像直觀及遙感信息的現(xiàn)時(shí)性、宏觀性、多時(shí)相性和立體覆蓋能力大等特點(diǎn),為生態(tài)資源調(diào)查、保護(hù)與開發(fā)、國(guó)土整治、環(huán)境監(jiān)測(cè)以及全球性研究提供了一種新的探測(cè)手段[2]。利用遙感研究城市變化可以確定城市建成區(qū)的變化量、變化位置和土地轉(zhuǎn)換類型,提高城市管理工作中空間信息提取效率,可促進(jìn)城市的可持續(xù)健康發(fā)展[3]。因此,本文將分析高新區(qū)直管園近二十年土地覆被變化情況并分析其變化趨勢(shì)。
重慶高新區(qū)直管園位于106°14′~106°25′E,29°22′~29°39′N,地處重慶主城區(qū)西部槽谷地帶,縉云山、中梁山縱貫?zāi)媳?,長(zhǎng)江、嘉陵江相向奔流,擁有寨山坪20 km2天然生態(tài)綠心,生態(tài)公園密布,溫泉富集。氣候?qū)儆趤啛釒Ъ撅L(fēng)氣候,陽(yáng)光充足,四季分明。高新區(qū)直管園包含西永微電園全域、沙坪壩區(qū)曾家鎮(zhèn)、西永街道、虎溪街道、香爐山街道、九龍坡區(qū)白市驛鎮(zhèn)、走馬鎮(zhèn)、含谷鎮(zhèn)、巴福鎮(zhèn)、金鳳鎮(zhèn)、石板鎮(zhèn)以及重慶市人民政府依法明確的其他區(qū)域。
本文采用遙感數(shù)據(jù)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)下載的Landsat 系列30 m空間分辨率數(shù)據(jù),分別為2000年7月22日Landsat 7 ETM+影像和2020年5月2日Landsat 8 OLI影像,空間分辨率為30 m×30 m,影像航帶號(hào)為128/39和128/40,含云量均低于5%,影像質(zhì)量較好。本次數(shù)據(jù)均進(jìn)行預(yù)處理,包括輻射定標(biāo)、大氣校正、圖像融合、圖像裁剪和圖像增強(qiáng)等。
采用土地覆被分類系統(tǒng)為國(guó)土資源部組織修訂的國(guó)家標(biāo)準(zhǔn)《土地利用現(xiàn)狀分類》(GB/T21010-2017),其中,土地利用現(xiàn)狀分類采用一級(jí)、二級(jí)兩個(gè)層次的分類體系,共分為12個(gè)一級(jí)類、73個(gè)二級(jí)類,結(jié)合實(shí)際情況的需要,選取了新國(guó)標(biāo)里的一級(jí)和二級(jí)分類的一部分,從而制定了重慶高新區(qū)Landsat影像2000年和2020年的分類體系,如表1所示。
表1 土地覆被分類系統(tǒng)
本文選擇覆蓋重慶市高新區(qū)直管園2000年Landsat 7和2020年Landsat 8的衛(wèi)星數(shù)據(jù)通過ENVI 5.3軟件進(jìn)行兩期的土地覆被變化分析,先對(duì)遙感影像進(jìn)行預(yù)處理,基于支持向量機(jī)方法進(jìn)行監(jiān)督分類對(duì)所得的結(jié)果進(jìn)行分類后處理,得到兩期土地覆被結(jié)果,最后,結(jié)合Google Earth高分辨率衛(wèi)星影像采用精度系數(shù)和kappa系數(shù)進(jìn)行精度評(píng)定,同時(shí),列出轉(zhuǎn)移矩陣,通過對(duì)比和分析兩期的結(jié)果得到土地轉(zhuǎn)入和轉(zhuǎn)出的面積和土地變化的動(dòng)態(tài)趨勢(shì),計(jì)算土地覆被動(dòng)態(tài)度,從而得到重慶市高新區(qū)直管園的土地覆被變化結(jié)果。
支持向量機(jī)(Support Vector Machine,SVM)[4]通過建立最優(yōu)分類面,令距離分類面兩側(cè)最近的不同類別的樣本距離最大,進(jìn)而實(shí)現(xiàn)線性可分樣本的最優(yōu)分類。基本思想是,選擇合適于數(shù)據(jù)特點(diǎn)的核函數(shù),通過核函數(shù)將輸入向量映射到高維特征空間,在此空間中構(gòu)建最佳分類超平面,從而將空間中的數(shù)據(jù)點(diǎn)分離[5]。具體思路為:針對(duì)一個(gè)訓(xùn)練樣本集,機(jī)器隨機(jī)生成一個(gè)分類面;隨著該分類面的移動(dòng),對(duì)訓(xùn)練樣本進(jìn)行分類處理;直至不同類別的訓(xùn)練樣本恰好位于分類面兩側(cè),同時(shí)與分類面距離最近的不同類別樣本之間的距離最大,則此分類面為該樣本數(shù)據(jù)的最優(yōu)分類面[6]。其中,距離最優(yōu)分類面最近的訓(xùn)練樣本被稱為支持向量機(jī),同時(shí)也是分類難度最大的訓(xùn)練樣本[7],支持向量機(jī)擁有線性函數(shù)、多項(xiàng)式函數(shù)、徑向基函數(shù)和Sigmoid函數(shù),具有解決樣本少、高維數(shù)、非線性等優(yōu)點(diǎn),并具有較強(qiáng)的泛化能力[8]。
SVM最優(yōu)分類函數(shù):
(1)
3.2.1 土地覆被轉(zhuǎn)移矩陣
土地覆被變化監(jiān)測(cè)研究的核心內(nèi)容之一是計(jì)算土地覆被轉(zhuǎn)移矩陣,通過該矩陣可以很清晰的分析在一段時(shí)間內(nèi),人們對(duì)該區(qū)域土地利用的詳情和不同階段的利用管理,以及從某一地類轉(zhuǎn)變到其他地類的變化,從而實(shí)現(xiàn)土地覆被的動(dòng)態(tài)性監(jiān)測(cè)管理。
土地覆被轉(zhuǎn)移矩陣:
(2)
式中,Sij為研究區(qū)i類用地向j類用地轉(zhuǎn)化的面積;i為前一時(shí)期土地類型;j為后一時(shí)期土地類型;n為土地類型的數(shù)量。
3.2.2 土地覆被動(dòng)態(tài)度
單一土地覆被動(dòng)態(tài)度的概念是定量描述一段時(shí)間范圍內(nèi)的特定土地覆被類型變化程度。利用這一概念可以比較不同區(qū)域的土地轉(zhuǎn)變差異以及未來(lái)發(fā)展趨勢(shì)[9]。其公式為:
(3)
式中,K為研究時(shí)段內(nèi)某一土地覆被類型動(dòng)態(tài)度;Ua為研究初期某種土地覆被類型面積;Ub為研究末期同一土地覆被類型面積;T為研究時(shí)段,單位為年,本文研究2000~2020年高新區(qū)土地覆被變化,T為20 a。
綜合土地覆被動(dòng)態(tài)度表達(dá)的是區(qū)域整體土地覆被變化程度,計(jì)算公式如下:
(4)
式中,LC為綜合土地覆被動(dòng)態(tài)度;ΔLUi-j為研究時(shí)段內(nèi)第i類土地覆被類型轉(zhuǎn)化為其他類土地覆被類型面積的絕對(duì)值;LUi為研究時(shí)段初期第i類土地覆被類型的面積;T為研究時(shí)段長(zhǎng)度,本文研究2000~2020年高新區(qū)土地覆被變化,T為20 a。
采用總體精度(Overall Accuracy,OA)和Kappa系數(shù)對(duì)土地利用分類結(jié)果進(jìn)行評(píng)價(jià)。Kappa系數(shù)用于檢驗(yàn)遙感影像分類結(jié)果的一致性;總體精度指所有被正確分類的像素所占的比例[10]。
總體精度:
(5)
Kappa系數(shù):
(6)
式中,OA為所有正確分類的對(duì)象個(gè)數(shù)與所有對(duì)象數(shù)量的比值;N為像素總數(shù);Xii為某一類別i的正確分類數(shù)量;Xi+為該類別的像元總數(shù);X+i為參考數(shù)據(jù)中該類別的像元總數(shù)。Kappa系數(shù)通常落在0~1之間,Kappa越趨于1,說(shuō)明分類結(jié)果具有很高的一致性。
以2000年Landsat 7 ETM+與2020年Landsat 8 OLI影像為數(shù)據(jù)源,采用支持向量機(jī)的分類方法對(duì)兩期影像進(jìn)行分類,通過分類后處理與人機(jī)交互后得到兩期分類結(jié)果圖,如圖1所示,同時(shí),采用Google Earth高分辨率影像數(shù)據(jù)對(duì)結(jié)果進(jìn)行精度評(píng)定,得到2000年影像分類結(jié)果總精度為 80.75%,Kappa 系數(shù)為 0.775 5;2020 年影像分類結(jié)果總精度為 90.54%,Kappa 系數(shù)為 0.886 9。然后,通過ArcGIS分析兩期分類后圖像,統(tǒng)計(jì)高新區(qū)2000年與2020年兩期土地覆被各地類面積,如表2所示。
由表2和圖1可知,高新區(qū)各地類面積呈上升趨勢(shì)的有草地、道路、建筑用地和未利用裸地,面積呈下降趨勢(shì)的有耕地、林地和水域。
圖 1 2000年與2020年土地覆被分類圖
(1)耕地和建筑用地的變化最大,耕地的面積從原來(lái)的163.04 km2減少到60.41 km2,平均每年減少5.13 km2。建筑用地從2000年的面積占比4.12%增加到2020年面積占比21.96%,年均增加0.89%,占地面積從13.53 km2增加到72.23 km2。
其中,虎溪街道、陳家橋街道、白市驛鎮(zhèn)、含谷鎮(zhèn)和巴福鎮(zhèn)的建筑用地增加較多。
(2)其次,變化較大的有草地和未利用裸地,草地的面積在20年期間增加了22.39 km2,由原來(lái)的9.5 km2增加到31.9 km2,年均增加1.12 km2。未利用裸地從2000年的面積占比0.33%增加到2020年的7.52%,年均增長(zhǎng)1.18 km2。未利用裸地在西永街道和曾家鎮(zhèn)增加較多。
(3)道路的變化也十分明顯,從2000年的8.1 km2增加到2020年的23.46 km2,年均增長(zhǎng)0.77 km2。
(4)林地和水域的面積都有少量減少,林地的面積由原來(lái)的127.84 km2減少到113.06 km2,年均減少0.74 km2。水域的面積總體上減少了2.68 km2。
4.2.1 土地覆被轉(zhuǎn)移矩陣
利用ArcGIS進(jìn)行土地覆被轉(zhuǎn)移矩陣與土地覆被轉(zhuǎn)移圖的制作與分析,如表3和圖2所示。
表 3 2000~2020年高新區(qū)土地覆被轉(zhuǎn)移矩陣/km2
圖 2 2000~2020年土地覆被轉(zhuǎn)移圖
由表3和圖2可知,7種地類都存在轉(zhuǎn)出與轉(zhuǎn)入的情況。
(1)草地主要轉(zhuǎn)為了建筑用地(4.23 km2),主要來(lái)源為耕地(15.68 km2),草地面積總共增加22.39 km2,年均變化1.12 km2。
(2)道路向建筑用地轉(zhuǎn)換最多(2.29 km2),道路的主要來(lái)源為林地(10.75 km2)與耕地(9.15 km2),年均變化0.77 km2。
(3)耕地在研究期間向林地轉(zhuǎn)化最多,達(dá)到69.69 km2。耕地在一定程度上有一些轉(zhuǎn)入,主要體現(xiàn)在金鳳鎮(zhèn),其中,轉(zhuǎn)入最多的為林地(24.16 km2),雖然耕地在這20年內(nèi)減少了102.64 km2,但耕地現(xiàn)如今仍占有很大面積(60.41 km2),占所有地類的18.37%。
(4)建筑用地在研究期間很少轉(zhuǎn)化為其他類型的地類,轉(zhuǎn)入主要有林地(29.75 km2)和耕地(26.96 km2),在研究期間建筑用地總共增加了58.69 km2,平均每年增加2.94 km2,增長(zhǎng)十分迅速。主要增長(zhǎng)地區(qū)在虎溪街道、陳家橋街道、白市驛鎮(zhèn)、含谷鎮(zhèn)和巴福鎮(zhèn)等。
(5)林地轉(zhuǎn)出面積在整個(gè)地類中排名第二,達(dá)到90.39 km2,主要轉(zhuǎn)化為了建筑用地(29.75 km2),但林地轉(zhuǎn)入面積也達(dá)到了75.6 km2,主要來(lái)源為耕地(69.69 km2),在石板鎮(zhèn)、走馬鎮(zhèn)和白市驛鎮(zhèn)表現(xiàn)最為突出。
(6)水域在整體上變化不大,在研究期間總體上減少了2.68 km2。
(7)未利用裸地在2000年占地面積為1.09 km2,在研究期間轉(zhuǎn)出面積達(dá)到1.09 km2,幾乎全部轉(zhuǎn)化為了其他土地類型,其轉(zhuǎn)入達(dá)到24.73 km2,主要增加在西永街道、虎溪街道、陳家橋街道和曾家鎮(zhèn)。
4.2.2 土地覆被動(dòng)態(tài)度
4.2.2.1 單一土地覆被動(dòng)態(tài)度分析
高新區(qū)2000~2020年單一地類土地覆被動(dòng)態(tài)度指數(shù)如表4所示。
表4 單一土地覆被動(dòng)態(tài)度
由表4可知:(1)草地的動(dòng)態(tài)度為11.78%,在研究期間草地面積呈上升趨勢(shì),且變化較大;(2)道路的面積呈上升趨勢(shì),其動(dòng)態(tài)指數(shù)為9.49%;(3)耕地在研究期間總體呈下降趨勢(shì),其動(dòng)態(tài)度為3.15%;(4)建筑用地的動(dòng)態(tài)指數(shù)為21.68%,是其中第二高的,其整體呈上升趨勢(shì);(5)林地和水域的動(dòng)態(tài)指數(shù)分別為-0.58%和-2.33%,都有所減少;(6)未利用裸地的動(dòng)態(tài)指數(shù)高達(dá)108.12%,表明高新區(qū)還在快速發(fā)展,因其基數(shù)較小,導(dǎo)致其變化程度很大。
4.2.2.2 綜合土地覆被動(dòng)態(tài)度分析
研究區(qū)內(nèi)2000~2020年階段綜合土地覆被動(dòng)態(tài)度為1.9%,可見整體上高新區(qū)在2000~2020年土地覆被類型轉(zhuǎn)變較快。其中對(duì)綜合動(dòng)態(tài)度影響較大的地類有建筑用地、耕地、林地和未利用裸地。
研究期間各地類土地覆被面積和面積轉(zhuǎn)移均有較大變化,分析其原因主要是政策主導(dǎo)下的良性改變,促進(jìn)高新區(qū)科學(xué)城地區(qū)農(nóng)村結(jié)構(gòu)調(diào)整,加快城市化進(jìn)程,同時(shí)改善了生態(tài)環(huán)境,如退耕還林政策的實(shí)施,使陡坡耕地的面積減少[11],耕地主要向林地和裸地轉(zhuǎn)化;其次,城市化進(jìn)程的加快,以及2016年《成渝城市群發(fā)展規(guī)劃》[12]和2020年推動(dòng)成渝地區(qū)雙城經(jīng)濟(jì)圈建設(shè)策略的提出[13],隨著建設(shè)進(jìn)行,多種地類轉(zhuǎn)向了建筑用地、道路、未利用裸地和草地等。2016年獲批建設(shè)國(guó)家自主創(chuàng)新示范區(qū),納入中國(guó)(重慶)自由貿(mào)易試驗(yàn)區(qū)范圍后,重慶高新區(qū)直管園作為發(fā)展建設(shè)中心腹地,先后規(guī)劃并建設(shè)了重慶大學(xué)城、西永微電園、保稅區(qū)等重要發(fā)展區(qū)域,逐漸建立起日漸強(qiáng)厚的基礎(chǔ)科技和電子產(chǎn)業(yè)基地,大量的產(chǎn)業(yè)科研基礎(chǔ)設(shè)施的規(guī)劃建設(shè)導(dǎo)致該研究區(qū)域土地覆被空間布局發(fā)生重大變化。
本文通過對(duì)重慶市高新區(qū)直管園2000年和2020年Landsat遙感影像采用支持向量機(jī)的監(jiān)督分類以及分類后的人機(jī)交互處理,采用Google Earth 高分辨率影像數(shù)據(jù)對(duì)結(jié)果進(jìn)行精度評(píng)定得出以下結(jié)論:
(1)通過支持向量機(jī)的監(jiān)督分類對(duì)圖像進(jìn)行分類效果較好, 2000年的Landsat 7 ETM+的影像分類結(jié)果總精度為 80.75%,Kappa 系數(shù)為 0.775 5;2020 年Landsat 8 OLI 影像分類結(jié)果總精度為 90.54%,Kappa 系數(shù)為 0.886 9。
(2)重慶市高新區(qū)直管園2000年的土地覆被類型主要以耕地和林地為主,2020年該區(qū)域土地覆被類型主要為建筑用地和林地。
(3)在2000~2020年間,各個(gè)地類所占比例發(fā)生較大的變化。2020年的建筑面積比2000年的建筑面積多了5.34倍,總增加58.69 km2,年均增加2.94 km2,新增面積主要來(lái)源于耕地,表明高新區(qū)直管園的城市化進(jìn)程加快;耕地的面積減少了102.64 km2,其中,有69.69 km2轉(zhuǎn)化為了林地。
(4)近20年間,研究區(qū)內(nèi)各土地覆被類型都存在轉(zhuǎn)入與轉(zhuǎn)出,轉(zhuǎn)入最多的是建筑用地,最少的是水域,轉(zhuǎn)出最多的是耕地,最少的是建筑用地。
本文研究分析了重慶市高新區(qū)直管園土地覆被時(shí)空變化,但仍存在一些問題,例如在選取訓(xùn)練樣本和精度評(píng)價(jià)時(shí)都是對(duì)照Google Earth 高分辨率衛(wèi)星影像進(jìn)行的,會(huì)存在目視判別和人為操作的誤差。其次,只采取了支持向量機(jī)方法,導(dǎo)致一些地類區(qū)分度不夠,比如建筑用地與道路,因此,仍需進(jìn)一步研究,譬如增加紋理信息等方式提高分類精度。