冉 玥，查夏凌云，趙麗紅

(江西農(nóng)業(yè)大學(xué)國(guó)土資源與環(huán)境學(xué)院，330045，南昌)

0 引言

城市是人類活動(dòng)的聚集中心，社會(huì)、政治、經(jīng)濟(jì)、文化、自然等多因素共同作用聚合的產(chǎn)物。土地作為人類生存和發(fā)展的物質(zhì)基礎(chǔ)，土地利用分類信息在資源開發(fā)利用、城市擴(kuò)張規(guī)劃與研究、生態(tài)環(huán)境評(píng)價(jià)與保護(hù)等方面有著廣泛的應(yīng)用[1-2]。城市擴(kuò)張?jiān)谝欢ǔ潭壬戏磻?yīng)了一段時(shí)期內(nèi)地域經(jīng)濟(jì)的發(fā)展以及人口的增長(zhǎng)和遷移，因此對(duì)城市擴(kuò)張的研究對(duì)于社會(huì)發(fā)展及規(guī)劃有著重要的啟示意義。利用遙感圖像對(duì)土地利用進(jìn)行監(jiān)測(cè)和分類是一種常用的研究方法。

遙感技術(shù)的發(fā)展使得遙感數(shù)據(jù)的數(shù)量和類型更多更復(fù)雜，在應(yīng)用的過(guò)程中容易產(chǎn)生數(shù)據(jù)冗余，操作的過(guò)程也比較繁瑣?；谠朴?jì)算平臺(tái)的遙感大數(shù)據(jù)研究方法有著高效率、低成本、高穩(wěn)定性、易更新等特征。隨著近年來(lái)國(guó)內(nèi)外對(duì)地理云計(jì)算研究的深入，國(guó)內(nèi)市場(chǎng)上也涌現(xiàn)了一批以PIE-Cloud遙感云平臺(tái)、“四維地球”為代表的功能強(qiáng)大的產(chǎn)品。Google Earth Engine是由谷歌、卡內(nèi)基梅隆大學(xué)和美國(guó)地質(zhì)調(diào)查局聯(lián)合開發(fā)的云計(jì)算平臺(tái)，是目前世界上最先進(jìn)的PB級(jí)別地理數(shù)據(jù)科學(xué)分析及可視化平臺(tái)[3]。蒲東川[4]等使用GEE平臺(tái)，綜合利用光譜特征和獨(dú)立成分分析后的Landsat8OLI影像特征對(duì)北京市城鎮(zhèn)用地進(jìn)行提取；戴聲佩等[5]基于GEE平臺(tái)提供的Landsat8 OLI影像，分別采用隨機(jī)森林和支持向量機(jī)分類算法兩種不同的算法對(duì)海南島土地利用類型進(jìn)行了分類研究，結(jié)果表明隨機(jī)森林算法對(duì)各類地物信息的識(shí)別更加精確；方夢(mèng)陽(yáng)等[6]基于GEE平臺(tái)提供的黃河流域近千景Landsat影像，采用隨機(jī)森林分類算法對(duì)其進(jìn)行監(jiān)督分類并制作了黃河流域20年逐年土地覆蓋數(shù)據(jù)。鑒于此，本研究以南昌市為研究區(qū)，基于GEE平臺(tái)利用夜間燈光數(shù)據(jù)對(duì)城市建成區(qū)進(jìn)行提取，再選取2000—2020年間5期歷史影像數(shù)據(jù)監(jiān)測(cè)城市土地利用動(dòng)態(tài)變化，結(jié)合經(jīng)濟(jì)人口數(shù)據(jù)進(jìn)行剖析，對(duì)城市化擴(kuò)張的驅(qū)動(dòng)力進(jìn)行探析。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

南昌位于我國(guó)的華東地區(qū)，江西中部偏北，位于東經(jīng)E115°27′～116°35′、北緯N28°09′～29°11′之間。全境以平原為主，地形東南相對(duì)平坦，西北丘陵起伏，水網(wǎng)密布，氣候濕潤(rùn)溫和，屬亞熱帶季風(fēng)區(qū)。全市總面積7 194.98 km2，平原占35.8%，水面占29.8%，轄6區(qū)3縣，設(shè)1個(gè)國(guó)家新區(qū)(贛江新區(qū))。2020年全市生產(chǎn)總值(GDP)達(dá)到5 745.51億元，常住人口達(dá)到538.29萬(wàn)人。

圖1 研究區(qū)概況

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

1.2.1 NPP/VIIRS夜間燈光數(shù)據(jù) “索米”國(guó)家極軌衛(wèi)星伙伴衛(wèi)星(Suomi National Polar-obrating Partnership or Suomi NPP)于2011年發(fā)射，其搭載的VIIRS傳感器上的DNB(Day Night Bands)波段能在500 m分辨率的尺度上對(duì)地表開展每天覆蓋一次的高靈敏度的夜光觀測(cè)，可以提供適用于地球系統(tǒng)的夜間可見光和近紅外光的全球日常測(cè)量科學(xué)和應(yīng)用。夜間燈光數(shù)據(jù)反映了夜晚地球表面的分區(qū)燈光強(qiáng)度，可以反映城市甚至小規(guī)模居民聚集地、車流等發(fā)出的微弱亮光，因此可以明顯區(qū)分城區(qū)和非城區(qū)[7]。本文選取2021年1—12月12期數(shù)據(jù)，使用GEE平臺(tái)的ImageCollection.median()函數(shù)對(duì)夜光數(shù)據(jù)集合創(chuàng)建中值圖像，通過(guò)計(jì)算所有匹配波段堆棧中的每個(gè)像素的所有值的中值實(shí)現(xiàn)。

1.2.2 Landsat5/8 TOA數(shù)據(jù) Landsat5 TOA和Landsat8 TOA數(shù)據(jù)集是分別由Landsat5 TM傳感器和Landsat8 OLI/TIRS(operation land imager/ thermal infrared sensor)傳感器經(jīng)過(guò)大氣校正和正射校正的地表反射率。本文選取GEE平臺(tái)上的2000年、2005年、2010年、2015年、2020年Landsat5/8 TOA數(shù)據(jù)集進(jìn)行研究，空間分辨率均為30 m。使用GEE提供的方法對(duì)影像進(jìn)行時(shí)間和研究區(qū)的選擇，進(jìn)行去云處理后，使用從夜光數(shù)據(jù)中提取的建成區(qū)進(jìn)行掩膜，得到研究區(qū)。

1.2.3 SRTM數(shù)據(jù) 航天飛機(jī)雷達(dá)地形任務(wù)(The Shuttle Radar Topography Mission，SRTM)數(shù)字高程模型產(chǎn)品由NASA提供，空間分辨率為30 m。

1.2.4 樣本數(shù)據(jù) 樣本通過(guò)加載不同的遙感影像圖層目視解譯獲取，共得到641個(gè)樣本數(shù)據(jù)。2000—2010年的樣本通過(guò)去云處理后的Landsat5 TOA影像，輔助以NDVI圖像進(jìn)行選取。2015年及以后的樣本選取依據(jù)影像為Sentinel-2數(shù)據(jù)的Level-1C產(chǎn)品，該產(chǎn)品提供正射校正的大氣頂層反射率，具有大范圍、高分辨率和多光譜成像特征，其中QA60 波段可以對(duì)影像中的卷云和厚云進(jìn)行消除，達(dá)到云掩膜的效果。分別使用GEE平臺(tái)的ee.Filter.lt(name, value)和ee.Filter.lte(name, value)方法隨機(jī)選擇70%的樣本作為訓(xùn)練樣本，30%為驗(yàn)證驗(yàn)本。

1.2.5 經(jīng)濟(jì)人口數(shù)據(jù) 本文經(jīng)濟(jì)和人口數(shù)據(jù)來(lái)自于2021年《江西省統(tǒng)計(jì)年鑒》和《南昌市統(tǒng)計(jì)年鑒》。

2 研究方法

基于GEE云平臺(tái)，通過(guò)夜光數(shù)據(jù)劃分城市區(qū)域邊界，考慮到耕地及其他地類占地較少，將城市土地利用地類分為建筑、植被、水體、裸地4類，依次進(jìn)行特征構(gòu)建、特征優(yōu)化、樣本選取后，利用隨機(jī)森林的方法對(duì)城市建成區(qū)土地利用分類與精度評(píng)價(jià)。技術(shù)流程如圖2。

圖2 技術(shù)流程

2.1 城市建成區(qū)提取

利用夜間燈光數(shù)據(jù)提取城區(qū)的方法有很多種，如聚類閾值法、統(tǒng)計(jì)分析法，突變檢測(cè)法，經(jīng)驗(yàn)閾值法等。這些方法存在主觀性較強(qiáng)、穩(wěn)定性較差、工作量大和工作效率較低等問(wèn)題。由于燈光的溢出性，燈光范圍可能超出實(shí)際建成區(qū)邊界，因此閾值的確定很大程度上影響了提取的結(jié)果[8-9]。

最大類間方差法是一種自適應(yīng)閾值計(jì)算方法，又稱為大津算法(OTSU算法)，由日本學(xué)者大津展之(Nobuyuki Otsu)于1979年提出[10]。這種算法的目的是在應(yīng)用閾值對(duì)圖像進(jìn)行二值化分割后，使得目標(biāo)與背景之間的類間方差最大。最大類間差算法的優(yōu)越性在于它能夠自動(dòng)確定合適的閾值，且在GEE平臺(tái)的實(shí)現(xiàn)簡(jiǎn)便。對(duì)于圖像I(x,y),T為目標(biāo)和背景的分割閾值，即使類間方差最大的閾值，由遍歷的方法得到：

(1)

(2)

N0+N1=M×N

(3)

ω0=ω1=1

(4)

μ=ω0μ0+ω1μ1

(5)

g=ω0(μ0-μ)2+ω1(μ1-μ)2

(6)

g=ω0ω1(μ0-μ1)2

(7)

式中：ω0和ω1分別表示目標(biāo)和背景的像素點(diǎn)數(shù)占整幅圖像的比例，μ0和μ1分別為其平均灰度，圖像的總平均灰度記為g，μ表示類間方差。

本文通過(guò)NPP/VIIRS數(shù)據(jù)的“avg_rad”波段，用最大類間方差法進(jìn)行處理，最終將城市分為城市建成區(qū)和非建成區(qū)(圖4)。

圖3 夜間燈光數(shù)據(jù)(2021,南昌)

圖4 建成區(qū)提取結(jié)果

2.2 特征構(gòu)建

2.2.1 光譜指數(shù)特征 光譜指數(shù)特征在遙感影像分類中應(yīng)用廣泛，本文選取Landsat5/8 TOA影像中的6個(gè)原始波段(藍(lán)波段、綠波段、紅波段、近紅外波段、短波紅外1波段和短波紅外2波段)和4個(gè)遙感專題指數(shù)作為光譜特征來(lái)提高分類精度。調(diào)用GEE平臺(tái)的Image.normalizedDifference(bandnames)函數(shù)進(jìn)行計(jì)算，表達(dá)式為：(B1-B2)/(B1+B2)。該函數(shù)通過(guò)原始光譜特征波段分別計(jì)算歸一化植被指數(shù)(NDVI)，改進(jìn)歸一化水體指數(shù)(MNDVI)，歸一化建筑指數(shù)(NDBI)；運(yùn)用GEE的Image.expression(map,expression)函數(shù)計(jì)算增強(qiáng)型植被指數(shù)(EVI)。上述指數(shù)的計(jì)算公式如表 1，其中Rnir、Rr、Rb、Rg、Rswir分別為近紅外、紅、藍(lán)、綠、短波紅外波段的反射率。

表1 植被指數(shù)

2.2.2 紋理特征 紋理是圖像的一個(gè)重要屬性，是圖像灰度在空間上以一定形式變化而產(chǎn)生的圖案。灰度共生矩陣(Gray-Level Co-occurrence Matrix，GLCM)是一種被廣泛應(yīng)用的紋理統(tǒng)計(jì)分析方法[11]，穩(wěn)定性較強(qiáng)，在影像分類中有著廣泛的應(yīng)用。18個(gè)紋理特征可以由GEE提供的glcmTexture(size, kernel, average)方法快速計(jì)算。由于歸一化植被指數(shù)(NDVI)可以有效區(qū)分植被與非植被，利用Landsat影像計(jì)算歸一化植被指數(shù)(NDVI)，基于NDVI構(gòu)建紋理特征。為了避免冗余，選取研究中最常用的6個(gè)特征：角二階矩(B8_asm)、對(duì)比度(B8_contrast)、相關(guān)性(B8_corr)、方差(B8_var)、熵(B8_ent)、逆差矩(B8_idm)。

2.2.3 地形特征 基于GEE平臺(tái)ee.Terrain.products(input)方法計(jì)算海拔高度、坡度、坡向、山體陰影，以此構(gòu)建地形特征。

2.3 特征優(yōu)化方法

隨機(jī)森林分類方法涉及到地物的光譜、形狀、紋理和地形特征，可用于構(gòu)建光譜特征指數(shù)的特征數(shù)量龐大。當(dāng)使用全部特征輸入分類器時(shí)，運(yùn)算的效率和精度都會(huì)降低，在有限樣本的情況下，會(huì)導(dǎo)致“維數(shù)災(zāi)難”[12]。因此需要進(jìn)行特征優(yōu)化，選擇對(duì)分類精度更有效的特征。本文使用SEaTH算法對(duì)特征進(jìn)行優(yōu)化，該算法根據(jù)特征相關(guān)性，類間距離和類內(nèi)距離對(duì)特征進(jìn)行評(píng)價(jià)，然后綜合利用多種評(píng)價(jià)結(jié)果獲取最優(yōu)的特征子集。在SEaTH算法中，利用Jeffries-Matudita距離(簡(jiǎn)稱J-M距離，本文簡(jiǎn)稱為J)來(lái)衡量類間可分性。分別設(shè)2個(gè)不同的類別為C1和C2，J-M距離可以表示為：

J=2(1-e-B)

(8)

(9)

式中：B表示距離計(jì)算因子，mi和σ^2i(i=1，2)分別代表類C1和C2某特征分布的均值和方差。J的取值范圍為[0-2]，2表示C1和C2在某個(gè)特征上可以完全分開；反之，0表示這2個(gè)類在這個(gè)特征上可以完全混淆。J越接近2，可分性越好；J越接近0，可分性越差[13-14]。

2.4 隨機(jī)森林分類

隨機(jī)森林(Random Forest)是集成學(xué)習(xí)中一種典型的Bagging算法，在此基礎(chǔ)上綜合了Cart決策樹和特征隨機(jī)選取的思想。從原始樣本中采用Bootstrap重抽樣技術(shù)隨機(jī)抽選樣本，再采用節(jié)點(diǎn)的隨機(jī)分裂技術(shù)構(gòu)建大量決策樹。由于每一顆決策樹都從數(shù)據(jù)集中隨機(jī)采樣進(jìn)行訓(xùn)練，每顆決策樹輸出的結(jié)果同時(shí)具有相似性和差異性，使得最終得到的結(jié)果高效且穩(wěn)定。除此之外，在抽樣過(guò)程中未被抽取的樣本稱為袋外(Out of bag，OOB)數(shù)據(jù)，利用部分OOB數(shù)據(jù)可以對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和特征重要性評(píng)價(jià)。隨機(jī)森林算法需要定義的參數(shù)有2個(gè)：決策樹的數(shù)量(Ntree)和構(gòu)建分類樹時(shí)從所有特征中隨機(jī)選取的Mtry個(gè)特征。根據(jù)研究，隨機(jī)抽取的特征變量個(gè)數(shù)通常為特征變量總數(shù)的平方根，當(dāng)Ntree≥100時(shí)，各分類情況的OOB誤差趨于穩(wěn)定，Ntree一般不大于1 000?？紤]到分類精度和運(yùn)行速度，設(shè)置Ntree=100[15-17]。

2.5 精度評(píng)價(jià)

混淆矩陣(Confusion Matrix)又稱為誤差矩陣，是一種n行n列的矩陣(n為類別數(shù))，在研究中常用來(lái)評(píng)價(jià)精度[18]。運(yùn)用GEE平臺(tái)的ImageCollection.errorMatrix(actual, predicted, order)函數(shù)可以利用驗(yàn)證樣本計(jì)算混合矩陣，得到總體精度(Overall Accuracy，OA)和Kappa系數(shù)，作為精度評(píng)價(jià)指標(biāo)。

P0=Tr/N

(10)

式中：總體分類精度用Po表示；Tr為正確分類的像元個(gè)數(shù)；N為研究區(qū)像元個(gè)數(shù)。

Pe=(a1×b1+a2×b2+…+ac×bc)/N×N

(11)

K=(P0-Pe)/1-Pe

(12)

式中：K為Kappa系數(shù)；Po代表總體分類精度。

2.6 城市土地利用變化和擴(kuò)長(zhǎng)度量

本文選用土地利用變化面積△S、土地利用變化速率v、土地利用擴(kuò)張強(qiáng)度K、土地利用度LUD4個(gè)指標(biāo)來(lái)衡量城市土地利用變化和擴(kuò)張，計(jì)算公式分別為：

△S=Sb-Sa

(13)

(14)

(15)

(16)

其中：Sa和Sb分別為研究初期和末期的建筑用地面積，△T為a―b時(shí)刻的研究時(shí)段間隔，Dab為從a―b時(shí)刻新開發(fā)的建筑用地面積，Li是區(qū)內(nèi)第i類土地利用強(qiáng)度分級(jí)指數(shù)(表 2)；Ai是第i類土地利用類型在區(qū)內(nèi)所占的百分比[19]。依照擴(kuò)張強(qiáng)度將城市擴(kuò)長(zhǎng)類型分為5類[20](表 3)。

表2 土地利用強(qiáng)度分級(jí)表

表3 城市擴(kuò)張強(qiáng)度分級(jí)表

利用土地利用轉(zhuǎn)移矩陣評(píng)估區(qū)域土地利用變化的結(jié)構(gòu)特征與各用地類型變化的方向。該方法來(lái)源于系統(tǒng)分析中對(duì)系統(tǒng)狀態(tài)與狀態(tài)轉(zhuǎn)移的定量描述，在研究中應(yīng)用廣泛[21]。

3 結(jié)果與分析

3.1 特征優(yōu)化結(jié)果

將4種類別(C1建筑，C2裸地，C3植被，C4水體)兩兩組合，對(duì)特征構(gòu)建得到的6個(gè)原始光譜特征、4個(gè)指數(shù)特征、6個(gè)紋理特征和4個(gè)地形特征通SEaTH算法進(jìn)行優(yōu)化，分別計(jì)算J-M距離。從20個(gè)特征(圖5)中選取最接近2的12個(gè)最優(yōu)特征(表 5)。本文主要對(duì)城市擴(kuò)張進(jìn)行研究，故只選取類別組合為建筑-裸地(C1-C2)、建筑-植被(C1-C3)、建筑-水體(C1-C4)計(jì)算J-M距離。結(jié)果如表 4。

圖5 不同特征數(shù)據(jù)的均值

表4 不同類別組合的J-M距離

表5 特征優(yōu)化結(jié)果

3.2 分類結(jié)果與精度評(píng)價(jià)

利用OA和Kappa系數(shù)對(duì)5年的分類結(jié)果(圖 5)的精度進(jìn)行評(píng)價(jià)(圖 6)。結(jié)果表明5期不同年份的分類結(jié)果的精度較高，平均OA和Kappa系數(shù)分別為96.81%和94.56%。

圖6 2000—2020年土地利用覆被分類結(jié)果

圖7 分類結(jié)果精度評(píng)價(jià)

統(tǒng)計(jì)可知，2000年、2005年、2010年、2015年、2020年建筑用地面積分別占南昌市建成區(qū)總面積的31.41%、43.17%、51.43%、69.77%、79.42%。由圖6可知，從2000—2020年，城市擴(kuò)張趨勢(shì)表現(xiàn)為以南昌市老城區(qū)(包括東湖區(qū)和西湖區(qū))為中心，向西部地區(qū)(新建區(qū))、南部地區(qū)(南昌縣)、東北部地區(qū)(青山湖區(qū))擴(kuò)張，呈現(xiàn)“南延北控，西進(jìn)東拓”的擴(kuò)張?zhí)卣?。由于從燈光?shù)據(jù)中提取到的進(jìn)賢縣和安義縣建成區(qū)所占面積較小，且經(jīng)濟(jì)發(fā)展水平較其他區(qū)域較落后，本文不將上述二縣納入主要分析范圍。

3.3 城市土地利用與擴(kuò)張分析

南昌市20年建筑用地變化面積、變化速率、擴(kuò)張速率如表 6。在2000—2005年、2010—2015年屬于低速擴(kuò)張型，在2005—2010年、2015—2020年屬于緩慢擴(kuò)張型。

表6 建筑用地變化面積、變化速率與擴(kuò)張速率

2000—2010年和2010—2020年的土地利用轉(zhuǎn)移矩陣分別如表7和表 8，在提取的建成區(qū)范圍內(nèi)，由植被和裸地轉(zhuǎn)為建筑用地的面積最多，在2000―2010年轉(zhuǎn)換的面積分別占建成區(qū)總面積的17%和10%，在2010―2020年轉(zhuǎn)換的面積則分別占建成區(qū)總面積的16%和14%。

表7 土地利用轉(zhuǎn)移矩陣(2000—2010年)

表8 土地利用轉(zhuǎn)移矩陣(2010—2020年)

2000年、2005年、2010年、2015年、2020年南昌市建成區(qū)的土地利用度依次為：2.41、2.65、2.85、3.31、3.55，總體呈逐年上升的趨勢(shì)。大量的裸地、植被和水體轉(zhuǎn)換為建筑用地。從2000—2005年，在青云譜區(qū)，位于南昌西郊的象湖附近區(qū)域、以瑤湖、艾溪湖為中心的青山湖區(qū)的東部地區(qū)，以及以南昌縣為代表的北部地區(qū)為城市擴(kuò)張的主要區(qū)域，表現(xiàn)為建筑用地增加面積大；從2005―2015年，南昌建城區(qū)逐漸開始向西部擴(kuò)張，主要集中在紅谷灘區(qū)和新建區(qū)；從2015年開始，建筑用地的開發(fā)主要集中在贛江新區(qū)和九龍湖區(qū)域。

隨著社會(huì)的發(fā)展，居民生活水平的提高刺激了對(duì)第二產(chǎn)業(yè)和第三產(chǎn)業(yè)的需求，尤其是文化教育、娛樂(lè)飲食、社會(huì)保險(xiǎn)等服務(wù)類行業(yè)的需求。學(xué)校、綜合體、醫(yī)療服務(wù)、房地產(chǎn)的進(jìn)駐和體系優(yōu)化往往吸引了人口的流動(dòng)，帶來(lái)了經(jīng)濟(jì)的繁榮，人口與經(jīng)濟(jì)的相互作用共同推進(jìn)了城市化。南昌市20年人口總體呈增長(zhǎng)趨勢(shì)，增加24.44%；經(jīng)濟(jì)發(fā)展迅猛，增長(zhǎng)12.06倍，其中，從2000—2010年這10年的發(fā)展尤為顯著，地區(qū)生產(chǎn)總值增長(zhǎng)4.50倍，從2000―2020年經(jīng)濟(jì)穩(wěn)步發(fā)展，地區(qū)生產(chǎn)總值增長(zhǎng)2.67倍；相應(yīng)的建筑面積隨著經(jīng)濟(jì)人口的上漲而上升，增加2.52倍。

南昌市近10年各區(qū)縣常住人口數(shù)變化如圖 8，老城區(qū)(東湖區(qū)、西湖區(qū))常住人口數(shù)呈下降趨勢(shì)，其中，東湖區(qū)2020年的常住人口比2011年下降了11.41%；除這3個(gè)區(qū)域外其他區(qū)域均呈上漲趨勢(shì)。其中，2020年紅谷灘區(qū)的常住人口數(shù)比2011年增長(zhǎng)了1.29倍，高新開發(fā)區(qū)和經(jīng)濟(jì)開發(fā)區(qū)的增長(zhǎng)率則分別達(dá)到了82.08%和59.18%。整體看來(lái)，老城區(qū)的人口正在逐漸向郊區(qū)遷移，大學(xué)城、工業(yè)、高新產(chǎn)業(yè)和資本的引入在很大程度上引導(dǎo)了人口的流動(dòng)。

圖8 2000—2010年土地利用變化圖

圖9 2010—2020年土地利用變化圖

圖10 研究區(qū)建設(shè)用地、經(jīng)濟(jì)和人口直方圖

圖11 近10年南昌市各區(qū)縣常住人口變化

4 結(jié)論與展望

本研究基于GEE平臺(tái)，利用NPP/VIIRS年度夜間燈光數(shù)據(jù)對(duì)南昌市城市建成區(qū)提取，對(duì)Landsat5/8 TOA年度數(shù)據(jù)(2000年、2005年、2010年、2015年、2010年)構(gòu)建光譜指數(shù)特征、紋理特征、地形特征等指數(shù)，基于SEaTH算法對(duì)特征進(jìn)行優(yōu)化，最后采用隨機(jī)森林算法進(jìn)行土地利用覆被分類，并進(jìn)行精度評(píng)價(jià)，主要結(jié)論如下。

1)利用最大類間方差法和夜光數(shù)據(jù)可以提取較為精準(zhǔn)的建成區(qū)范圍，采用隨機(jī)森林算法，基于優(yōu)化后的特征進(jìn)行分類可以得到較為準(zhǔn)確的分類結(jié)果，平均總體精度和Kappa系數(shù)分別為96.81%和94.56%，與傳統(tǒng)遙感分析操作方式相比效率更高。

2)南昌市建成區(qū)在2000—2010年、2010—2020年2個(gè)時(shí)間段分別經(jīng)歷了從低速到緩慢的擴(kuò)張，擴(kuò)張保持了與規(guī)劃一致的“西進(jìn)、東拓、北控、南延”趨勢(shì)，土地利用度的逐年緩慢上升反映了土地利用規(guī)劃對(duì)土地資源合理利用的控制效果，經(jīng)濟(jì)發(fā)展和人口的穩(wěn)步上升促使建設(shè)用地的增加。

3)基于GEE平臺(tái)的數(shù)據(jù)處理方式與傳統(tǒng)模式相比在流程上省去了大量繁瑣的重復(fù)操作，在保證精度的前提下提高了數(shù)據(jù)處理的效率，處理過(guò)程透明可視，代碼可復(fù)用性強(qiáng)，在糾錯(cuò)和優(yōu)化上有極大的優(yōu)勢(shì)。

本文仍存在不足，燈光數(shù)據(jù)提取精度有待提高，部分位于郊區(qū)的城區(qū)未被精確提?。豢紤]到從燈光數(shù)據(jù)中提取出的建成區(qū)所含耕地面積較小，沒有將耕地加入分類，對(duì)土地利用度的計(jì)算有一定的影響；其次，隨機(jī)森林分類方法仍存在“椒鹽現(xiàn)象”，在后續(xù)的研究中可以采用其他方法解決該問(wèn)題。