李 敏，劉國棟，譚 凌

（1.重慶交通大學土木工程學院，重慶 400000）

土地利用/覆被類型的景觀格局是區(qū)域土地利用/覆被狀況的直接反映，揭示了不同土地利用類別（如城市土地、農(nóng)業(yè)土地等）斑塊的存在性、多樣性和空間分布等特征，開展土地利用/覆被的景觀格局研究對土地的管理與利用具有重要意義[1-7]?；诙鄷r序土地利用數(shù)據(jù)，選取適當?shù)木坝^格局指標，分析研究區(qū)的土地利用景觀格局變化影響的大小和強度，動態(tài)化深層次的表達與全面掌握研究區(qū)土地利用/覆被變化的過程及趨勢，有助于了解研究區(qū)域土地利用類型及階段性整體的變化狀況[8-11]。

本文以濟南市市中區(qū)為研究對象，首先應用ENVI5.3軟件平臺和采用IDL語言設計開發(fā)的包含隨機森林算法的EnMAPBox插件，對遙感影像實現(xiàn)隨機森林分類；其次計算10 a間土地轉(zhuǎn)移矩陣查看各土地利用類型轉(zhuǎn)換狀況；接下來利用Fragstats 4.2軟件，從斑塊類型和景觀水平兩方面選取景觀格局指數(shù)計算分析3期土地用變化景觀格局，以此了解研究區(qū)的土地利用情況。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究所用的影像范圍為隸屬于濟南市中心城區(qū)之一的市中區(qū)，地理位置于36°35′36″N～36°40′04″N，116°54′29″E～117°02′01″E之間，東西最大橫距17.5 km，南北最大縱距12.5 km，總面積為280 km2。該區(qū)地勢南高北低，坡差較大，南有群山，北依平原，最高處海拔高程為450.5 m，最低處海拔高程為30 m，屬暖溫帶半濕潤大陸性季風氣候[12]。

1.2 研究數(shù)據(jù)獲取

本文數(shù)據(jù)主要包括landsat影像、DEM、高分辨率影像和矢量數(shù)據(jù)等，詳細的數(shù)據(jù)來源與說明如表1所示。

表1 數(shù)據(jù)來源與說明

1.3 研究數(shù)據(jù)處理

數(shù)據(jù)處理過程如圖1所示，首先對landsat系列影像進行輻射定標、大氣校正和裁剪。為提升遙感影像分類精度，計算獲取NDVI、NDBI和MNDWI的光譜指數(shù)計算和紋理分析等專題特征數(shù)據(jù)。由于所選DEM數(shù)據(jù)的分辨率為90 m，所以對其進行重采樣為30 m分辨率后裁剪。經(jīng)過上述處理后，將各個時間段的多種數(shù)據(jù)合成作為基礎圖像。基于常用的分類體系和研究區(qū)實際情況對2005年、2010年和2015年3個時期的合成影像選擇合適的波段組合進行目視解譯，并將土地利用類型劃分為建設用地、耕地、林地、水體及其他土地這5種用地類型，選取適量的訓練樣本。為了檢驗分類效果，基于Google Earth Pro中研究區(qū)的相應年份的高分辨率影像選擇驗證樣本。

圖1 數(shù)據(jù)處理過程

本次實驗的隨機森林分類在EnMAP-Box下實現(xiàn)，將參數(shù)設置為默認值，即N為100，m為總特征參數(shù)個數(shù)M的算數(shù)平方根。對3個時期的合成影像依次進行分類，得到各時期的分類結(jié)果。本次實驗對各時期的分類結(jié)果進行了分類后處理。

2 數(shù)據(jù)與研究方法

2.1 隨機森林原理

隨機森林（RF）算法綜合了Bagging集成、CART決策樹和特征隨機選取思想[13]，通過隨機選擇向量生長構(gòu)成分類樹，每一棵樹都依賴于一個隨機向量，所有向量都是獨立分布的，每棵樹都會完全生長，不需要剪枝。每棵樹從隨機選出的幾個變量中最優(yōu)分裂產(chǎn)生，生成所有決策樹之后，用投票的方法對所有決策樹的分類結(jié)果進行綜合，獲得最終結(jié)果[14-15]。隨機森林構(gòu)建過程如圖2所示，應用隨機森林模型分類器需要設定2個重要參數(shù)：決策樹的棵數(shù)（Ntree）和完成分類所需的變量參數(shù)（Mtry）[16]。根據(jù)Breiman建議，設定m（隨機特征變量的個數(shù)）等于M（特征變量的總數(shù)）的平方根進行分類，當Ntree≥100時，各分類情況的oob誤差趨于穩(wěn)定，隨機森林未出現(xiàn)過擬合的現(xiàn)象，因此設置決策樹Ntree=100。

圖2 隨機森林方法主要過程[17]

2.2 土地利用轉(zhuǎn)移矩陣

土地利用格局的時空演變，不僅包括其數(shù)量、空間分布上的變化，其形狀、地類、及組合方式的變化也是其研究的重點。土地利用轉(zhuǎn)移矩陣可用于研究各種土地利用類型之間的轉(zhuǎn)向情況[18]，體現(xiàn)了土地利用結(jié)構(gòu)變化情況，包括地類間轉(zhuǎn)出轉(zhuǎn)入情況。轉(zhuǎn)移矩陣的形式為：

式中，S為土地面積；n為土地利用的類型數(shù)；i和j分別為研究期前一期和后一期的土地利用類型。

2.3 景觀格局指數(shù)

景觀指數(shù)是指可以準確地描述和反映景觀構(gòu)成和空間布局等特征的一系列指數(shù)，可以高度概括景觀格局信息的定量指標[18]。描述土地利用格局特征的景觀指數(shù)較多，本文參考前人的研究成果[19]且結(jié)合本文需要選取斑塊類型和景觀水平2個方面，斑塊類型方面選取斑塊類型面積（CA），景觀類型百分比（PLAND），斑塊個數(shù)（NP），最大斑塊指數(shù)（LPI），周長-面積分維數(shù)（PAFRAC），散布與并列指數(shù)（IJI），斑塊結(jié)合度指數(shù)（COHESION）、平均斑塊形狀指數(shù)（SHAPE_MN）共8項指標。景觀格局水平方面，選取斑塊密度（PD）、邊緣密度（ED）、周長-面積分維數(shù)（PAFRAC）、蔓延度（CONTAG）、分離度指數(shù)（SPLIT）、香濃多樣性指數(shù)（SHDI）、香濃均勻度指數(shù)（SHEI）共6項指標。

3 結(jié)果與分析

3.1 樣本可分離性計算與分析

要使最終的分類結(jié)果真實可靠，樣本的選取至關(guān)重要，對樣本進行可分離性計算，用Jeffries-Matusita參數(shù)來表示，該參數(shù)的值在0～2之間，如果該值大于1.9，說明樣本之間的分離性好，屬于合格樣本；如果該值小于1.8，就需要重新編輯或者重新選擇樣本；如果該值小于1，就可以考慮將這兩類土地類型合并成一種土地類型[20]。本次實驗對3期合成遙感影像各選取了建設用地、耕地、林地、水體及其他土地5種土地類型的樣本，進行可分離性計算。3期實驗結(jié)果Jeffries-Matusita參數(shù)值都大于1.9，表明此次實驗訓練樣本選取合適。

3.2 分類結(jié)果及精度評價

基于隨機森林方法的各時期分類結(jié)果如圖3所示，然后使用在Google earth Pro獲得3期的驗證樣本對其進行精度評價。精度評價是遙感影像土地利用/土地覆蓋分類的重要一環(huán)，對分類結(jié)果進行精度評價可以確定分類結(jié)果數(shù)據(jù)的可靠性，進而可以對分類方法進行分析評價，判斷分類方法的適用性，對分類方法的研究和高精度分類結(jié)果的獲取都有重要意義。混淆矩陣是常用的評價方法[21-22]，通過混淆矩陣可采用制圖精度、用戶精度、總體精度和Kappa系數(shù)等實現(xiàn)定量化精度評價數(shù)據(jù)。Kappa系數(shù)取值范圍為0～1，當Kappa系數(shù)小于0.4時，說明分類結(jié)果的一致性較差；當Kappa系數(shù)介于0.4～0.75時，說明分類結(jié)果的一致性一般；當Kappa系數(shù)大于0.75時，說明分類結(jié)果的一致性良好。由表2可以看出，3期樣遙感影像總體精度都大于94%，Kappa系數(shù)都大于0.9，此次分類結(jié)果良好。

圖3 2005-2015年土地利用分類結(jié)果圖

表2 2005～2015年土地利用類型精度評價

3.3 土地利用變化分析

土地利用轉(zhuǎn)移矩陣的計算是以前一時期的分類結(jié)果為基礎，求出3個時期土地利用類型間的相互轉(zhuǎn)化量，分別得到2005-2010年、2010-2015年及2005-2015年間土地利用轉(zhuǎn)移矩陣。

由表3可知，2005-2010年間，建設用地面積增加6.82 km2，主要的變化來自耕地和林地的減少；耕地面積增加4.89 km2，主要源于建設用地和林地的變化；林地面積減少6.93 km2，流失的林地主要轉(zhuǎn)化為其他用地和耕地；水域面積減少0.19 km2，變化幅度不大，流失的水域面積主要轉(zhuǎn)化為建設用地；其他用地面積減少4.59 km2，減少的用地面積主要轉(zhuǎn)換為林地和耕地。2005-2010年間土地利用變化不明顯，基本保持原有面貌，但隨著人口的緩慢增加，建筑用地和耕地也會略有增加。

表3 2005－2010年土地利用變化轉(zhuǎn)移矩陣/km 2

由表4分析可知，2010-2015年間，建設用地面積增加12.15 km2，主要的變化原因來自耕地和其他用地的減少；耕地面積減少23.63 km2，變化幅度較大，主要源于建設用地和其他用地的變化；林地面積增加12.67 km2，主要的變化源于耕地和其他用地；水域面積減少0.58 km2，流失的水域面積主要轉(zhuǎn)化為建設用地和耕地，變化幅度不大；其他用地面積減少0.61 km2，減少的用地面積主要轉(zhuǎn)換為林地和耕地。

表4 2010－2015年土地利用變化轉(zhuǎn)移矩陣/km 2

通過表5分析可知，2010-2015年10 a間土地利用變化情況，建設用地面積增加18.95 km2，主要的變化源于耕地和林地的減少；耕地面積減少18.72 km2，變化幅度較大，主要源于建設用地和其他用地的變化；林地面積增加5.75 km2，主要的變化源于耕地和其他用地；水域面積減少0.79 km2，流失的水域面積主要轉(zhuǎn)化為建設用地和耕地；其他用地面積減少5.19 km2，減少的用地面積主要轉(zhuǎn)換為林地和耕地。

表5 2005-2015年土地利用變化轉(zhuǎn)移矩陣/km 2

3.4 景觀類型的格局變化分析

利用Fragstats 4.2軟件，根據(jù)所選指標實現(xiàn)統(tǒng)計運算分析。表5表示2005年、2010年和2015年基于所選8種景觀類型指標的指數(shù)結(jié)果。從景觀類型面積（CA）、用地占比（PLAND）和最大類型斑塊指數(shù)（LPI）整體來看，3個時段的用地類型特征都表現(xiàn)為建設用地＞耕地＞林地＞其他用地＞水域，說明建設用地是整個研究區(qū)的主要景觀要素，組成了研究期內(nèi)景觀的基質(zhì)類型。

建設用地方面，2005-2015年間占地面積占比（PLAND）不斷加大，最大斑塊指數(shù)（LPI）逐步增長，結(jié)合度指數(shù)（COHESION）也不斷增大，斑塊數(shù)量（NP）前期減少后期增加，但增加變化幅度不大，說明建設用地斑塊在不斷聚集的同時，其周邊的景觀類型也變得多樣性。周長-面積分維度（PAFRAC）前期減少后期增加，說明這一時期內(nèi)斑塊形狀表現(xiàn)為先趨于簡單后趨向復雜。這也說明隨著經(jīng)濟發(fā)展和人口增多，城市建設用地需求增大。

水域面積占整個研究區(qū)面積的比例較小，所以景觀類型百分比（PLAND）變化不大，散布與連接指數(shù)（IJI）變化幅度較大，最大斑塊指數(shù)（LPI）和斑塊結(jié)合度指數(shù)（COHESION）總體上都呈現(xiàn)出先增加后降低趨勢，反映了水域受到人類活動的影響較大。

林地方面用地類型面積（CA）、占地面積占比（PLAND）都呈先下降后上升趨勢，最大斑塊指數(shù)（LPI）、散布與連接指數(shù)（IJI）和斑塊結(jié)合度指數(shù)（COHESION）總體上都呈現(xiàn)出增加趨勢。

耕地利用方面，2005-2010年間其用地類型面積（CA）、占地面積占比（PLAND）和最大斑塊指數(shù)（LPI）都呈上升趨勢，表明其他類型的用地轉(zhuǎn)轉(zhuǎn)換為耕地供人們使用，而2010-2015年間用地類型面積（CA）、占地面積占比（PLAND）和最大斑塊指數(shù)（LPI）都呈減少趨勢，表明耕地用地減少，伴隨人類活動與社會發(fā)展以及城市化建設，大量耕地被占用的現(xiàn)象十分嚴重。散布與并列指數(shù)（IJI）總體變化不大，斑塊結(jié)合度指數(shù)（COHESION）先升后保持不變，表明耕地景觀與其他景觀類型斑塊間形成較為良好的連接性。

其他用地方面，其用地類型面積（CA）、用地占比（PLAND）和斑塊數(shù)量（NP）都呈現(xiàn)下降趨勢，說明隨經(jīng)濟水平的發(fā)展，其他用地的景觀占有率逐步減小，其他用地未來可能將繼續(xù)向其余優(yōu)勢類型土地轉(zhuǎn)移。最大斑塊指數(shù)（LPI）逐年降低，表明該斑塊分離程度升高，破碎化加深。面積加權(quán)平均形狀指數(shù)（SHAPE_MN）呈先升后下降趨勢，總體上土地斑塊形狀趨于更加規(guī)則化和簡單化。周長-面積分維數(shù)（PAFRAC）變換不大，散布與連接指數(shù)（IJI）和斑塊結(jié)合度指數(shù)（COHESION）呈增加趨勢，表明其他用地土地斑塊與其他的景觀類型相鄰程度增加，比鄰概率較高。

3.5 景觀水平的格局變化分析

2005-2015年景觀水平格局變化結(jié)果如表6所示，從3個方面分析，首先由斑塊密度指數(shù)（PD）及邊界密度指數(shù)（ED）可得，研究區(qū)斑塊密度（PD）先減后增，整體看，景觀連續(xù)性趨向增強；邊界密度（ED）先減后增，這是由于優(yōu)勢景觀斑塊向周邊景觀擴張，導致了斑塊之間的邊緣總長度的增長，從而使得邊界密度上升。說明在城市化背景下，城市建設速度十分迅速，城市變得密集，連接性增強；其次從蔓延度指數(shù)（CONTAG）及分離度指數(shù)（SPLIT）結(jié)果看，2005-2010年間，蔓延度指數(shù)（CONTAG）在增加，說明這5 a間不同土地利用類型之間的聚集程度增加。2010-2015年間蔓延度指數(shù)（CONTAG）略有下降，說明這5 a間不同土地利用類型之間的聚集度程度略有降低，但是變化幅度不大。

表6 2005-2015年景觀斑塊類型指數(shù)

2005-2015年間，分離度指數(shù)（SPLIT）逐步下降，說明隨著城市整體景觀斑塊形成規(guī)模，單個斑塊面積變大，景觀趨向聚合；研究區(qū)香濃多樣性指數(shù)（SHDI）和香濃均勻度指數(shù)（SHEI）都呈現(xiàn)下降的趨勢且變化幅度不大，證明城市景觀具備了較為完備的多樣性特征。香農(nóng)多樣性指數(shù)與香農(nóng)均勻性指數(shù)的下降，也說明單元土地利用景觀類型對整個景觀的影響力更趨于均衡化，隨著社會經(jīng)濟發(fā)展水平的提升，優(yōu)勢土地利用景觀類型逐步向周邊景觀擴張，導致景觀多樣性及景觀均勻度下降，如表7所示。

表7 2005-2015年景觀水平指數(shù)

4 結(jié)語

本次實驗綜合利用中等分辨率Landsat TM、Landsat 8 OLI的3期影像和專題特征數(shù)據(jù)，采用隨機森林的機器學習方法經(jīng)多次實驗獲得較優(yōu)的土地利用分類結(jié)果，通過土地利用轉(zhuǎn)移矩陣和景觀格局指數(shù)等多方面運算對研究區(qū)域進行土地利用變化分析。研究發(fā)現(xiàn)，研究區(qū)域主要以建設用地為主，并且不同階段土地利用變化存在差異。

未來還需要從以下3個方面改進研究工作：①為了提升精度，應結(jié)合野外實際考察點進行分類；②對于專題特征的選擇可進行多種組合的驗證以此輔助提升影響分類精度；③可從景觀格局變化對土地利用變化的影響程度與強度的角度，探索景觀格局和土地利用變化間的聯(lián)系。