李伊波，簡(jiǎn) 季

（成都理工大學(xué) 地球科學(xué)學(xué)院，成都 610059）

土地利用是依照土地的屬性結(jié)合人類的勞動(dòng)從而獲取相應(yīng)回報(bào)的經(jīng)濟(jì)行為，包括獲取諸多土地產(chǎn)品及相關(guān)服務(wù)[1]。土地利用變化檢測(cè)是氣候變化、人類生存活動(dòng)等全球變化中的核心問(wèn)題[2]。因而，對(duì)土地利用變化檢測(cè)的研究在環(huán)境保護(hù)、國(guó)土空間利用等方面意義重大，為土地業(yè)務(wù)等部門(mén)提供科學(xué)規(guī)劃依據(jù)[3]。

遙感影像分類在區(qū)域尺度土地利用信息提取方法主要有監(jiān)督分類和非監(jiān)督分類法[4-5]。監(jiān)督分類主要有最大似然法、多級(jí)切割分類法、特征曲線窗口法等[6]。隨機(jī)森林、支持向量機(jī)、貝葉斯等方法應(yīng)用較為成熟，取得了較好分類效果[7]。

本文以四川省成都市為研究區(qū)，選用2015 年和2020 年Landsat-8 遙感影像，利用GEE 平臺(tái)對(duì)數(shù)據(jù)進(jìn)行裁剪、去云等預(yù)處理，采用隨機(jī)森林算法，得到了土地利用分類，同時(shí)得到分類結(jié)果Kappa 系數(shù)和總體精度，對(duì)成都市2015—2020 年土地利用變化檢測(cè)分析。

1 數(shù)據(jù)來(lái)源

1.1 主要數(shù)據(jù)獲取

Google Earth Engine（GEE）是以云計(jì)算為基礎(chǔ)，集科學(xué)分析、海量遙感數(shù)據(jù)處理、地理信息數(shù)據(jù)可視化于一體的綜合性平臺(tái)[8]。選取2015 年和2020 年Landsat-8 OLI 遙感影像數(shù)據(jù)作為此次實(shí)驗(yàn)的數(shù)據(jù)源，影像分辨率30 m，使用SRTM 產(chǎn)品作為地形特征輔助數(shù)據(jù)，該數(shù)據(jù)可在GEE 平臺(tái)直接調(diào)用。

1.2 數(shù)據(jù)的預(yù)處理

上傳成都市矢量數(shù)據(jù)至GEE 平臺(tái)中，基于GEE 平臺(tái)在線的API 編程對(duì)Landsat-8 影像進(jìn)行裁剪、拼接、大氣校正等處理，利用數(shù)據(jù)自身質(zhì)量評(píng)價(jià)波段做去云處理，分別合成2015 年和2020 年Landsat-8 最小云量影像。

2 研究方法

2.1 樣本獲取

根據(jù)全國(guó)遙感監(jiān)管土地利用分類現(xiàn)狀體系標(biāo)準(zhǔn)，選擇具有代表性的土地覆被類別，將其主要分為建設(shè)用地、水體、林地、草地、耕地及未利用地。使用目視解譯方法分別選取2015 年樣本點(diǎn)425 個(gè)和2020 年樣本點(diǎn)412 個(gè)，見(jiàn)表1。

表1 樣本數(shù)據(jù)點(diǎn) 個(gè)

2.2 特征選擇

為了獲得較優(yōu)的分類結(jié)果，需在隨機(jī)森林模型中進(jìn)行特征優(yōu)化，選取NDVI、NDWI、NDBI 等特征波段，其中NDVI 指數(shù)在[-1，1]之間，林地草地的最高值接近于0.80，負(fù)數(shù)表示地類為云或水域，0 表示為裸地。NDWI 指數(shù)在[-1，1]之間，綠色植被取值趨近-0.2，水域指數(shù)最高值接近于0.7。NDBI 主要反映建筑分布情況，取值范圍為[-1，1]，正值表示建設(shè)用地，植被及水域值為負(fù)值。

2.3 隨機(jī)森林

隨機(jī)森林是一種由多棵分類決策樹(shù)組合構(gòu)成的機(jī)器學(xué)習(xí)算法[9]。其原理為：假設(shè)需要訓(xùn)練的數(shù)據(jù)集有若干個(gè)，使用隨機(jī)有放回的抽樣方法從目視解譯選出的樣本中抽取若干樣本，被抽到的樣本構(gòu)成每一棵決策樹(shù)的訓(xùn)練樣本集，訓(xùn)練樣本約占原始樣本的2/3，剩下的1/3 數(shù)據(jù)作為測(cè)試樣本組成測(cè)試決策樹(shù)，根據(jù)決策樹(shù)枝節(jié)結(jié)點(diǎn)進(jìn)行投票決定樣本的預(yù)測(cè)類別，最后得出分類結(jié)果。

2.4 精度評(píng)價(jià)方法及濾波后處理

混淆矩陣是表示精度評(píng)價(jià)的一種常用形式，在GEE平臺(tái)中利用混淆矩陣進(jìn)行精度分析，驗(yàn)證隨機(jī)森林算法分類效果[10]。用戶精度表示在分類結(jié)果中隨機(jī)挑出一個(gè)樣本，該樣本被分為土地類型和實(shí)際的土地類型一樣的概率；制圖精度表示假定某一地物真實(shí)為A 類，分類器將像元分為A 類的概率。

眾數(shù)濾波處理能較好地剔除、合并和聚類破碎零星圖斑，使分類結(jié)果存儲(chǔ)為破壞程度最低的空間結(jié)構(gòu)，內(nèi)部原理關(guān)鍵在于能夠根據(jù)各個(gè)像元附近的眾數(shù)值替換相鄰像元。

3 結(jié)果精度評(píng)價(jià)及變化分析

3.1 分類結(jié)果

圖1 為隨機(jī)森林初始分類經(jīng)眾數(shù)濾波優(yōu)化后的成都市2015—2020 年土地覆被空間特征分類圖，優(yōu)化后使分類結(jié)果結(jié)構(gòu)層次感更強(qiáng)更平滑。如圖1 所示，成都市土地利用在西南和西北地區(qū)主要以林地、丘陵和山地為主，龍泉山脈位于成都平原東部區(qū)域，是成都平原和川中丘陵的分界線，林地分布特征在山脈上較為顯著，此外龍泉山脈上還分布有農(nóng)耕地。市中心區(qū)域以平原為主，建筑用地在中部地區(qū)分布廣泛，東部地區(qū)屬于四川盆地盆底平原，主要以平原和部分低丘陵為主，坡度平緩、土壤肥沃，使得耕地較集中分布在中東部地區(qū)。

圖1 2015—2020 年成都市土地利用分類

3.2 精度評(píng)價(jià)

實(shí)驗(yàn)分別計(jì)算了用戶精度和制圖精度，以此來(lái)全面的剖析不同地類之間分類結(jié)果的異同性。在生產(chǎn)者精度方面，兩年份的建設(shè)用地、水域、林地和耕地分類精度較高且穩(wěn)定，波動(dòng)不是很大，但草地和其他用地的用戶精度和制圖精度較差，這是因?yàn)椴莸睾臀蠢玫卦?015 和2020 年份的影像上產(chǎn)生錯(cuò)分或漏分現(xiàn)象，主要原因是影像空間分辨率限制以及遙感普遍存在同物異譜、異物同譜現(xiàn)象，且由于成都市域最低與最高海拔高度相差較大，周邊地形地貌較復(fù)雜，隨著人口急劇增加以及不定期的人口流動(dòng)，使該地區(qū)原有的草地以及未利用地發(fā)生了較為明顯的地形地貌變化（表2、表3）。

表2 2020 年數(shù)據(jù)混淆矩陣表

表3 2015 年數(shù)據(jù)混淆矩陣表

3.3 土地利用類型變化分析

由表4 可知，成都市2020 年建設(shè)用地較2015 年的變化最大，增加153.72 km2，主要由耕地轉(zhuǎn)入；水域的面積變化較小，較2015 年增加5.11 km2，主要由耕地和建設(shè)用地轉(zhuǎn)入；林地較2015 年減少85.11 km2，主要流向耕地；草地的面積增加較為明顯，主要由林地轉(zhuǎn)入；耕地的面積較2015 年減少63.18 km2，主要流向林地和建設(shè)用地；其他用地的面積減少103.24 km2，主要流向林地及耕地。

表4 2015—2020 年土地利用轉(zhuǎn)移矩陣 km2

成都市2015 年及2020 年土地利用分布情況有較顯著的變化，林地和草地主要分布在地勢(shì)較高地區(qū)，由于耕地較多流向建設(shè)用地，近幾年當(dāng)?shù)卣ㄟ^(guò)土地復(fù)墾及土地綜合整治補(bǔ)充耕地面積，提高耕地質(zhì)量，減緩了耕地面積的減小幅度，東部區(qū)域草地變化呈增多趨勢(shì)稍為顯著。建設(shè)用地變化最為明顯，變化趨勢(shì)主要以成都主城區(qū)為核心，成輻射狀向四周逐步蔓延，主要因?yàn)槌啥际蟹e極落實(shí)新一輪規(guī)劃，近幾年成都市經(jīng)濟(jì)發(fā)展迅速，加快了主城區(qū)的建設(shè)和發(fā)展，意味著成都闊步邁向“雙城時(shí)代”。

4 結(jié)論

本文以Landsat-8 數(shù)據(jù)為數(shù)據(jù)源，利用GEE 遙感平臺(tái)，分別對(duì)2015 年和2020 年影像數(shù)據(jù)進(jìn)行裁剪，去云等預(yù)處理，并加入NDVI、NDWI、NDBI 等特征波段，采用隨機(jī)森林算法實(shí)現(xiàn)了2015—2020 年成都市土地利用分類及變化檢測(cè)，得到的結(jié)論：①GEE 遙感云在線平臺(tái)能夠給用戶提供長(zhǎng)時(shí)序多元化數(shù)據(jù)，使用戶高效地完成數(shù)據(jù)處理，相較于傳統(tǒng)的研究流程，GEE 具有更高的計(jì)算效率及更遠(yuǎn)的發(fā)展?jié)摿?。②基于GEE 平臺(tái)和隨機(jī)森林算法模型得到的土地覆被信息提取和分類精度與遙感影像質(zhì)量及空間分辨率有較強(qiáng)的關(guān)聯(lián)，眾數(shù)濾波能較好地消除或減弱分類結(jié)果“椒鹽噪聲”的現(xiàn)象，使分類結(jié)果更加平滑。③成都市近幾年經(jīng)濟(jì)迅速增長(zhǎng)，城市布局由原來(lái)的單極發(fā)展向“雙城”時(shí)代邁進(jìn)，產(chǎn)業(yè)多方位融合發(fā)展，且隨著人口數(shù)量不斷增加，公共服務(wù)建設(shè)和基礎(chǔ)建設(shè)的用地增加，推動(dòng)城市建設(shè)用地?cái)U(kuò)大，促使主城區(qū)面積大幅增加。