王春陽 湯子夢 吳喜芳 李長春 張合兵

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院， 焦作 454003; 2.河南理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院， 焦作 454003)

0 引言

土地資源是人們賴以生存和發(fā)展的基礎(chǔ)，隨著全球環(huán)境氣候不斷變化，溫室效應(yīng)日益加劇，人類發(fā)展過程中對土地的利用以及引起的土地覆蓋變化被認為是全球環(huán)境變化的重要組成部分[1]。土地利用分類圖是研究土地變化的前提，為生態(tài)服務(wù)和制定土地政策提供了依據(jù)[2]。伴隨著計算機技術(shù)的發(fā)展，土地利用/覆蓋變化的研究方法日新月異，傳統(tǒng)分類方法成本高，工程量大，且效果不佳[3]，機器學(xué)習如人工神經(jīng)網(wǎng)絡(luò)[4]、支持向量機[5]、決策樹[6]等是通過學(xué)習來獲取經(jīng)驗并改進自身性能的方法，受人為因素影響較小，分類精度較高，被廣泛應(yīng)用在遙感影像的分類中[7]。

機器學(xué)習的發(fā)展可以追溯到1990年，WARREN等[8]首次提出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，為機器學(xué)習的提出和發(fā)展奠定了基礎(chǔ)，隨后MITCHELL等[9]提出了機器學(xué)習的概念。運用機器學(xué)習算法對遙感影像進行分類，既提高了分類精度，又節(jié)約了成本，因此成為學(xué)者們研究的熱點[10-13]。在許多數(shù)據(jù)挖掘和機器學(xué)習的任務(wù)中，存在大量未標記的樣本和有限的標記樣本[14]，馬永建等[15]將植被指數(shù)NDVI值和紋理特征灰度共生矩陣能量值作為特征波段，基于U-Net模型實現(xiàn)了對GF-1號遙感影像荒漠地區(qū)耕地的提取，相比于傳統(tǒng)方法，分類精度得到了提高；王笑影等[16]基于R語言和隨機森林對Landsat 8 OLI影像進行土地覆蓋的監(jiān)督分類研究，該方法簡單實用但僅用于中小區(qū)域土地的快速分類的情景；陳磊士等[17]以Landsat 8和Sentinel-1A融合后的數(shù)據(jù)為實驗數(shù)據(jù)，分別采用卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法分類，結(jié)果發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)具有較好的分類結(jié)果；趙亞杰等[18]運用隨機森林算法對Sentinel-2和Landsat影像進行土地利用分類，實現(xiàn)了對地物的精細提??；陳義菁等[19]運用支持向量機算法實現(xiàn)了對Landsat影像的分類，對探究影響土地利用分類的變化提供了依據(jù)。大多數(shù)學(xué)者提出的機器學(xué)習算法雖然有較好的分類精度，但樣本需求量大、成本高，受人為因素影響干擾較大。半監(jiān)督學(xué)習具有僅使用少量標記樣本就可以達到分類效果的特點，成為近年來研究的熱點話題。半監(jiān)督機器學(xué)習算法適用于小樣本類型，它是同時使用標記和未標記的樣本來擬合模型。在某些情況下，添加未標記的數(shù)據(jù)可能使模型的準確性提高，在其他情況下可能會使準確率降低[20]。

為了最大化有限使用在半監(jiān)督機器學(xué)習算法中可用的監(jiān)督數(shù)據(jù)，本文提出基于粒子群算法優(yōu)化的半監(jiān)督概率神經(jīng)網(wǎng)絡(luò)框架，將其運用在中分辨率的Landsat影像中，獲得新鄉(xiāng)市土地利用分類圖。以新鄉(xiāng)市1996年、2004年、2013年、2020年4期遙感影像為例，解譯出不同時期的土地利用動態(tài)，通過監(jiān)測近14年內(nèi)的土地利用/覆蓋變化，分析新鄉(xiāng)市1996—2020年的土地利用轉(zhuǎn)移矩陣，為新鄉(xiāng)市人地關(guān)系研究和土地資源管理提供參考[21]，以期實現(xiàn)新鄉(xiāng)市各種土地利用資源與經(jīng)濟增長、社會穩(wěn)定、生態(tài)和諧共同發(fā)展。

1 研究方法和數(shù)據(jù)來源

1.1 研究區(qū)概況

新鄉(xiāng)市地理位置示意圖如圖1所示，新鄉(xiāng)市位于河南省的北部，地處北緯34°53′～35°50′，東經(jīng)113°23′～114°59′，南臨黃河，與鄭州市、開封市隔河相望；北依太行山，與鶴壁市、安陽市毗鄰；西連焦作市，與晉東南接壤；東接濮陽市，與魯西相連，是國家重要的綜合交通樞紐，也是豫北的經(jīng)濟、交通、教育、商貿(mào)物流中心；年平均氣溫14℃[22]，7月最熱，平均氣溫27.3℃；1月最冷，平均氣溫0.2℃，年平均降水量656.3 mm，6—9月降水量最大，且多暴雨。新鄉(xiāng)市自然條件和土地耕作條件好，是中國糧棉生產(chǎn)區(qū)、國家優(yōu)質(zhì)小麥生產(chǎn)基地和河南省畜牧生產(chǎn)加工基地，是農(nóng)業(yè)大市[23]。截至2020年11月，新鄉(xiāng)市的常住人口625.29萬人，全市的農(nóng)林牧業(yè)產(chǎn)值、糧食產(chǎn)量、居民消費水平大幅度提高。

圖1 新鄉(xiāng)市地理位置示意圖Fig.1 Geographical location map of Xinxiang City

1.2 數(shù)據(jù)來源與預(yù)處理

根據(jù)新鄉(xiāng)市的地理位置特點及獲取遙感影像需滿足的實驗需求，本研究所使用的4期影像數(shù)據(jù)均來源于美國地質(zhì)調(diào)查局(USGS)網(wǎng)站(https:∥earthexplorer.usgs.gov/)，由于受到Landsat數(shù)據(jù)影像品質(zhì)的影響，無法下載到同一個月份的影像。為了保證實驗結(jié)果的可靠性，選取了時間上相對較接近的影像數(shù)據(jù)(6、7、8月)。選取1996年、2004年、2013年、2020年的6月或7月或8月的影像，所選的影像云量均在5%以下，該時期的影像品質(zhì)較高便于土地利用/覆蓋變化的研究。新鄉(xiāng)市面積較大，覆蓋研究區(qū)需要由行列號為123-36、124-35、124-36的3景影像拼接而成，空間分辨率為30 m，本次研究使用的數(shù)據(jù)分別為：1996年7月獲取的Landsat TM數(shù)據(jù)，2004年6月獲取的Landsat TM數(shù)據(jù)，2013年7月獲取的Landsat OLI數(shù)據(jù)和2020年8月獲取的Landsat OLI數(shù)據(jù)。

首先結(jié)合《全國遙感監(jiān)測覆蓋分類體系》建立的參考框架，綜合考慮新鄉(xiāng)市土地利用類型的特點，將研究區(qū)土地利用/覆蓋類型確定為耕地、林地、水體、建設(shè)用地、草地、其他用地6類[24]，遙感影像的解譯如表1所示。具體的實驗步驟為：首先使用ENVI 5.3軟件對遙感影像進行輻射定標、大氣校正、裁剪、拼接等預(yù)處理工作[25]，使遙感影像的圖像更加清晰、更加突出物體的標識；其次基于預(yù)處理后的遙感影像使用ENVI 5.3軟件進行6類樣本點的選取，將樣本點和原始影像均轉(zhuǎn)換為算法所需的.mat格式；然后基于Matlab 2019a平臺運用粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的半監(jiān)督算法、概率神經(jīng)網(wǎng)絡(luò)半監(jiān)督算法進行分類，進行對比的隨機森林法和最大似然法，則采用ENVI 5.3軟件完成分類，并用ArcGIS軟件制作新鄉(xiāng)市的土地利用分類圖；最后對新鄉(xiāng)市1996—2020年土地利用的時空變化進行分析。實驗流程如圖2所示。

表1 新鄉(xiāng)市土地利用分類及遙感解譯特征Tab.1 Land use classification and remote sensing interpretation signs in Xinxiang City

圖2 實驗流程圖Fig.2 Experimental flow chart

2 實驗方法

針對遙感影像分類中需要大量標記樣本和分類精度較低的問題，提出了一種以半監(jiān)督為主體，將粒子群優(yōu)化與概率神經(jīng)網(wǎng)絡(luò)框架相融合的一種分類算法。首先，利用粒子群優(yōu)化算法生成最優(yōu)參數(shù)；其次，利用上述最優(yōu)參數(shù)的概率神經(jīng)網(wǎng)絡(luò)分類器，根據(jù)標注的訓(xùn)練樣本計算每個像素的類別概率，預(yù)測每個像素的類別；然后利用香農(nóng)熵篩選高置信度的無標記樣本，并將其添加到原始訓(xùn)練集中進行新一輪的預(yù)測，自我訓(xùn)練使用模型自己對未標記數(shù)據(jù)的預(yù)測結(jié)果，將其添加到已標記的數(shù)據(jù)集中，選擇置信度高的預(yù)測樣本將其添加到已標記的數(shù)據(jù)集中，不斷地重新訓(xùn)練這個模型，直到?jīng)]有更多可信的預(yù)測結(jié)果為止。這種算法可以滿足訓(xùn)練樣本較少的情況，將大量無標記的樣本轉(zhuǎn)換為有標記的樣本，同時使用標記樣本和未標記樣本數(shù)據(jù)來擬合出能夠真實反映類別信息的分類器，分類成本較低，分類精度不斷提高。本研究首先選取樣本總數(shù)的5%作為訓(xùn)練樣本加入到訓(xùn)練樣本集中，依次增加樣本數(shù)的10%進行迭代，算法流程如圖3所示。

圖3 實驗算法流程圖Fig.3 Flow chart of experimental algorithm

2.1 粒子群優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)

2.1.1概率神經(jīng)網(wǎng)絡(luò)分類器

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic neural network, PNN)是SPECHT[26]在1988年提出的一種神經(jīng)網(wǎng)絡(luò)模型。這種模型是以指數(shù)替代神經(jīng)網(wǎng)絡(luò)常用的S型激活函數(shù)，進而構(gòu)造出能夠計算非線性判別邊界的概率神經(jīng)網(wǎng)絡(luò)，該判定界面接近于貝葉斯的最佳判定面。概率神經(jīng)網(wǎng)絡(luò)主要用于分類和識別領(lǐng)域，其中在分類方面應(yīng)用最廣泛，這種網(wǎng)絡(luò)模型已經(jīng)被廣泛應(yīng)用在非線性濾波、模式分類、聯(lián)想記憶和概率密度估計中[27]。這種模型分類錯誤率較低，風險比較小，但將其應(yīng)用到Landsat遙感影像方面的研究較少。本研究將概率神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在遙感影像中，并對遙感影像數(shù)據(jù)中的地物信息進行分類，運用粒子群優(yōu)化算法選取最優(yōu)分類參數(shù)，使分類精度達到理想的結(jié)果。

概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型大致分為輸入層、樣本層、求和層和競爭層。在輸入層中，網(wǎng)絡(luò)計算輸入向量與所有訓(xùn)練樣本向量之間的距離；樣本層里神經(jīng)元的數(shù)量是訓(xùn)練樣本的數(shù)量；求和層是將樣本層的輸出按類相加，相當于n個加法器；競爭層的神經(jīng)元數(shù)量為1，最后的結(jié)果也是由競爭層輸出，輸出的結(jié)果只有1個1，其他的結(jié)果都是0。

2.1.2粒子群優(yōu)化算法

粒子群優(yōu)化算法具有快捷、收斂速度較快等優(yōu)勢[28]，但作為一種仿生算法，粒子群優(yōu)化算法數(shù)學(xué)理論基礎(chǔ)尚不完善，因而需要在理論基礎(chǔ)上進一步研究和討論。

在粒子群算法中，每一個粒子群代表一個可能的解，整個種群通過競爭和協(xié)作實現(xiàn)多維空間中對最優(yōu)解的探索[29]。在D維空間中，每個粒子被視作一個解，由當前位置X=(xi1,xi2,…,xiD)和當前速度Vi=(vi1,vi2,…,viD)組成，對于全局粒子群算法，粒子群Xi依據(jù)其歷史最優(yōu)值Pi=(pi1,pi2,…,piD)和全局最優(yōu)值Pg=(pg1,pg2,…,pgD)迭代更新。每個粒子更新位置和速度可以表示為

(1)

(2)

式中t——當前進化的次數(shù)

c1、c2——正加速度常數(shù)

r1、r2——[0，1]之間的隨機數(shù)

ω——慣性權(quán)重

2.1.3粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)過程

概率神經(jīng)網(wǎng)絡(luò)的相關(guān)結(jié)構(gòu)和對應(yīng)神經(jīng)元的數(shù)目由訓(xùn)練樣本數(shù)據(jù)的數(shù)量和類別確定，網(wǎng)絡(luò)模型的性能取決于網(wǎng)絡(luò)的參數(shù)，而粒子群算法計算簡單、收斂速度快，通過迭代獲得最優(yōu)解，可有效選取概率神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)。首先隨機初始化粒子的位置和速度，構(gòu)建網(wǎng)絡(luò)，通過適應(yīng)度函數(shù)f(xi)計算各個粒子的適應(yīng)度，從而選取出個體的局部最優(yōu)位置和全局最優(yōu)位置，然后進行迭代，將得出的每個粒子的適應(yīng)度與局部最佳位置的適應(yīng)度相比，若當前適應(yīng)度更大，則用當前粒子的位置作為全局最佳位置，不斷進行迭代，更新個體的極值和群體極值。若滿足條件則迭代終止，輸出最優(yōu)解；若未滿足條件，則不斷重復(fù)上述步驟直到滿足條件為止。本文使用粒子群優(yōu)化算法對概率神經(jīng)網(wǎng)絡(luò)的spread參數(shù)進行優(yōu)化，利用粒子群的粒子間協(xié)同合作與知識共享對spread速度和位置進行準確定位，找到最佳的輸入值，有效提高了概率神經(jīng)網(wǎng)絡(luò)分類模型的性能，從而最終能夠得到最佳的土地分類結(jié)果，流程如圖4所示。

圖4 粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)流程圖Fig.4 Flow chart of probabilistic neural network for particle swarm optimization

2.2 自訓(xùn)練半監(jiān)督機器學(xué)習算法

YAROSKY首先提出了自訓(xùn)練半監(jiān)督算法[30]，該算法是先用有標記的樣本去訓(xùn)練一個分類器，本文所采用的分類器是概率神經(jīng)網(wǎng)絡(luò)，然后利用分類器對無標記的樣本進行概率預(yù)測，根據(jù)獲得的置信度，選擇一些高置信度且無標記的樣本加入到原始訓(xùn)練集中作為新的訓(xùn)練樣本集，重復(fù)這個過程直到完成給定的迭代次數(shù)。本文算法在多次迭代的分類精度中選擇了一個最大精度，避免迭代次數(shù)過多出現(xiàn)過度擬合現(xiàn)象。若有原始已標記樣本集L={(x1,y1),(x2,y2),…,(xm,ym)},無標記樣本集U={(xm+1),(xm+2),…,(xn)}，迭代的次數(shù)為K，算法流程為：

(1)利用已標記樣本集L訓(xùn)練得到模型p。

(2)利用分類器p對無標記樣本集U進行標記，選擇置信度較高的m個樣本，記作L′，并將其從無標記樣本中刪除。

(3)利用L∪L′對選擇的分類器進行反復(fù)訓(xùn)練。

(4)重復(fù)步驟(2)和步驟(3)，直到迭代條件滿足時為止。

3 實驗結(jié)果分析

3.1 分類算法結(jié)果分析

選取新鄉(xiāng)市1996年、2004年、2013年和2020年的Landsat影像作為實驗數(shù)據(jù)，運用粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的半監(jiān)督算法分類時，選取5%的訓(xùn)練樣本，迭代3次每次增加總樣本的10%擴充訓(xùn)練樣本集，最后訓(xùn)練樣本集總數(shù)為總樣本的35%，剩下的用來檢驗分類精度。新鄉(xiāng)市各年份各類別輸入的樣本總數(shù)和訓(xùn)練樣本總數(shù)如表2～5所示。獲得各年份的土地利用分類圖，分類總體精度達到97%，Kappa系數(shù)均達到0.8。為了對比算法的分類精度，與隨機森林、最大似然法和概率神經(jīng)網(wǎng)絡(luò)半監(jiān)督算法進行了對比實驗，各算法的分類結(jié)果如圖5所示。

表2 新鄉(xiāng)市1996年總樣本、訓(xùn)練樣本和驗證樣本數(shù)Tab.2 Total samples, training samples and verified samples in Xinxiang City in 1996

表3 新鄉(xiāng)市2004年總樣本、訓(xùn)練樣本和驗證樣本數(shù)Tab.3 Total samples, training samples and verified samples in Xinxiang City in 2004

由圖5可知，隨機森林法和最大似然法在進行林地與其他用地的分類時，錯分、漏分現(xiàn)象較為嚴重，較為明顯的地方在圖中已用紅色區(qū)域圈出，概率神經(jīng)網(wǎng)絡(luò)算法分類效果較其他2種算法好。在較難區(qū)分的林地和草地中，本文算法可將2種地物區(qū)分出來，而隨機森林法和最大似然法將2種地物歸為1種地物來劃分，概率神經(jīng)網(wǎng)絡(luò)算法將1996年的部分林地劃分為草地，如圖5b所示，最大似然法也未能將2020年林地準確區(qū)分出來，如圖5o所示；在進行水體分類時，最大似然法和概率神經(jīng)網(wǎng)絡(luò)算法未能將2004年的水體準確區(qū)分出來，如圖5f、5g所示；對于耕地和建筑物分類效果不能滿足要求；對其他用地進行分類時，2013年分類錯分最為明顯，如圖5k、5l所示，2種算法將新鄉(xiāng)市西北部的區(qū)域幾乎都認為是其他用地，分類效果較差。在精度評定方面本文選取總體精度和Kappa系數(shù)2個評價指標，從表6可以看出，和其他3種算法相比，本研究提出的半監(jiān)督算法精度提高了1.25～6.57個百分點，Kappa系數(shù)也達到0.8以上，有效提高了分類總體精度，彌補了其他算法錯分漏分的情況。

表4 新鄉(xiāng)市2013年總樣本、訓(xùn)練樣本和驗證樣本數(shù)Tab.4 Total samples, training samples and verified samples in Xinxiang City in 2013

表5 新鄉(xiāng)市2020年總樣本、訓(xùn)練樣本和驗證樣本數(shù)Tab.5 Total samples, training samples and verified samples in Xinxiang City in 2020

除此之外，本研究提出的算法因融合了半監(jiān)督，所以適應(yīng)訓(xùn)練樣本少的情況，為了使實驗結(jié)果對比更清晰，選擇了一個小區(qū)域進行對比實驗，各年份所選的區(qū)域如圖6所示。分別選取了樣本數(shù)的5%、10%，每次迭代過程中都會新加入5%的訓(xùn)練樣本到測試集中作為訓(xùn)練樣本集，在對比分析不同樣本數(shù)的分類精度時發(fā)現(xiàn)，當選取訓(xùn)練樣本數(shù)為總數(shù)的5%時，1996年、2004年、2013年、2020年分類精度依次為95.15%、95.93%、98.13%、95.57%；當選取樣本數(shù)為10%時，分類精度依次為94.08%、95.45%、97.62%、95.97%。2種樣本數(shù)量的分類精度均保持在理想狀態(tài)，對比可以發(fā)現(xiàn)當選取的樣本數(shù)量為5%時，各地物分類的精度也很高，和樣本數(shù)量為10%在分類效果和分類精度上幾乎沒有差別，在較難區(qū)分的草地和林地，分類效果也較好，因此當訓(xùn)練樣本較少時，本研究提出的算法仍然滿足精度要求，各年份的土地利用分類如圖7所示。

表6 新鄉(xiāng)市土地利用/覆蓋變化總體精度評價Tab.6 Overall accuracy evaluation of land use/coverage change in Xinxiang City

圖6 各年份研究區(qū)位置圖Fig.6 Location map of study area for each year

圖7 不同樣本數(shù)的土地利用分類圖Fig.7 Land use classification maps for different sample numbers

3.2 土地利用變化時空特征

3.2.1土地利用時間變化特征

利用本文方法獲得新鄉(xiāng)市4年的土地利用分類圖，然后利用ArcGIS平臺的空間分析和統(tǒng)計功能，根據(jù)土地利用分類圖，獲得每一類的土地利用面積，分析土地利用變化的原因。新鄉(xiāng)市各土地利用類型面積如表7所示。

從表7可以看出，在1996—2020年期間，耕地面積總體呈增加趨勢，從1996年的4 377.86 km2增加到4 810.95 km2，增加了9.9%；建設(shè)用地面積從1996年到2020年增加了近38%；其他用地的面積相對減少，由1996年的729.40 km2減少到354.16 km2，面積減少了52%；草地面積由1996年的974.30 km2減少到465.21 km2，減少了52%；水體的面積幾乎沒有大的波動。由此看出，近14年來由于新鄉(xiāng)市經(jīng)濟飛速發(fā)展，社會基礎(chǔ)設(shè)施的不斷增加、生活水平的不斷改善、人口的不斷增多導(dǎo)致對住房和工業(yè)的需求增多，從而導(dǎo)致建筑面積的不斷擴張，其他用地面積不斷減少。除此之外，由于人口數(shù)量的急劇增加，導(dǎo)致對糧食新的需求不斷增加，耕地面積不斷增加，草地面積急劇減少。

表7 新鄉(xiāng)市各年份土地利用類型面積Tab.7 Area statistics of various land use types in Xinxiang City km2

土地利用轉(zhuǎn)移矩陣是定量研究土地利用類型間相互轉(zhuǎn)換的數(shù)量和方向的主要方法，它能夠具體反映土地利用變化的結(jié)構(gòu)特征和各類型間的轉(zhuǎn)移方向。以新鄉(xiāng)市1996年和2020年的土地利用數(shù)據(jù)為基礎(chǔ)，利用ArcGIS軟件進行疊加分析，獲得土地利用轉(zhuǎn)移數(shù)據(jù)，并利用Excel制作轉(zhuǎn)移矩陣，如表8所示。結(jié)果表明，新鄉(xiāng)市土地利用的主要變化趨勢為耕地和建設(shè)用地面積在增加，其中耕地轉(zhuǎn)換為建設(shè)用地的面積最大。具體的流向為：草地主要流轉(zhuǎn)為耕地和建設(shè)用地；耕地主要流轉(zhuǎn)為建設(shè)用地和其他用地；建設(shè)用地主要流轉(zhuǎn)為耕地；林地主要流轉(zhuǎn)為草地；水體部分被開發(fā)為建設(shè)用地，部分作為耕地；其他用地轉(zhuǎn)換為耕地、草地和建設(shè)用地。

表8 1996—2020年新鄉(xiāng)市土地利用轉(zhuǎn)移矩陣Tab.8 Land use transfer matrix of Xinxiang City from 1996 to 2020 km2

3.2.2土地利用空間變化特征

由于耕地和建設(shè)用地是新鄉(xiāng)市主要的2種土地利用類型，所以選取這2種土地利用類型來分析新鄉(xiāng)市土地利用空間變化特征。1996—2020年間，新鄉(xiāng)市土地利用變化總體上表現(xiàn)為耕地的增加和建設(shè)用地的擴張。新鄉(xiāng)市1996—2020年建設(shè)用地和耕地空間分布如圖8所示。

耕地是新鄉(xiāng)市占比較大的土地利用類型，主要分布在地勢比較平坦的東西部地區(qū)和南部的臨黃河地區(qū)，西北部輝縣山地較多、中部地區(qū)人口較多建筑用地分布較為密集，因此這2個區(qū)域耕地面積較少。總體來看，1996—2020年新鄉(xiāng)市耕地面積總體呈增加趨勢，增加了433.21 km2。從不同時期來看，1996—2004年耕地面積減少，如新鄉(xiāng)市東南部地區(qū)長垣市。2004—2020年耕地面積有所增加，因為2005年新鄉(xiāng)市進行了行政區(qū)劃的調(diào)整，對農(nóng)田實施了保護措施，耕地面積減少的趨勢得到了改善。此外，國土資源部頒布的《國土資源部辦公廳關(guān)于印發(fā)市縣鄉(xiāng)及土地利用總體規(guī)劃編制指導(dǎo)意見的通知》和河南省頒布的《批轉(zhuǎn)省國土資源廳關(guān)于做好土地利用總體規(guī)劃修編工作指導(dǎo)意見的通知》這些政策，推進新鄉(xiāng)市進行復(fù)墾和開發(fā)，這也是新鄉(xiāng)市耕地面積不斷增加的原因之一。

新鄉(xiāng)市的建設(shè)用地主要集中在中心市區(qū)新鄉(xiāng)縣，并不斷向外擴張。輝縣市西北部緊鄰太行山脈，山地丘陵面積較多，因此建設(shè)用地分布較少但卻是林地的主要分布區(qū)域；新鄉(xiāng)市南部的延津縣和封丘縣的建設(shè)用地變化不太明顯；新鄉(xiāng)市東南部的長垣市是重要的工業(yè)區(qū)，近年來建設(shè)用地面積也在不斷增加。此外，新鄉(xiāng)市是河南省中原地區(qū)的重要工業(yè)基地，工業(yè)生產(chǎn)總值較高，工業(yè)廠房的建設(shè)也在不斷加快，進而導(dǎo)致建設(shè)用地增加。此外，人口的增長、城市化進程的加快、城市擴張均成為新鄉(xiāng)市建設(shè)用地面積不斷增加的原因。

4 結(jié)論

(1)提出了一種基于粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的半監(jiān)督融合算法，該算法使用粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)分類器，使得分類器的性能更加優(yōu)越，還融合了半監(jiān)督適合小樣本的優(yōu)勢。該算法在分類時可以使用少量的標記樣本，解決了傳統(tǒng)分類方法對標記樣本數(shù)量要求高、分類精度低、成本高、錯分漏分嚴重的問題，相比于其他3種傳統(tǒng)算法，分類精度提高了1.25～6.57個百分點。由此得出，本研究提出的機器學(xué)習算法應(yīng)用在Landsat影像的復(fù)雜地形區(qū)土地利用/土地覆蓋分類中有速度快、準確率高、外界因素影響較小等優(yōu)勢，表現(xiàn)出了較強的適應(yīng)性，運用機器學(xué)習算法獲得土地利用/覆蓋信息，并制定合理的政策成為未來研究的熱點。

(2)對新鄉(xiāng)市近年來土地利用現(xiàn)狀進行分析，有利于解決新鄉(xiāng)市目前存在的土地問題并為未來的土地利用決策提供依據(jù)。新鄉(xiāng)市1996—2020年間耕地面積和建設(shè)用地面積分別增加了433.21 km2和537.11 km2；其他用地面積和草地面積均呈現(xiàn)出減少的趨勢，水體面積變化小，14年間僅減少了3.45 km2；在土地流轉(zhuǎn)方面，草地流轉(zhuǎn)為耕地和建設(shè)用地的面積最大，變化最明顯，水體的轉(zhuǎn)換情況不是很突出，其他用地多轉(zhuǎn)為草地和建設(shè)用地，耕地多轉(zhuǎn)為建設(shè)用地。1996—2020年新鄉(xiāng)市土地利用變化主要受到城市化水平的提高，經(jīng)濟的增長以及國家的方針和地方的政策等多方面的共同影響。研究揭示了新鄉(xiāng)市的近14年的土地利用變化特征，為該地區(qū)進一步合理開發(fā)和利用土地提供理論依據(jù)。