基于隨機森林模型的景觀格局動態(tài)研究

王銘愷 汪天偉

摘 要：以合肥市包河區(qū)作為主要研究區(qū)域，結(jié)合2011年和2016年2期Google Earth高分辨率遙感影像，采用近幾年流行的多分類器集成方案中的隨機森林模型進行基于像元的監(jiān)督分類，并以此為數(shù)據(jù)基礎(chǔ)進行景觀格局指數(shù)的提取，從而對合肥市包河區(qū)進行景觀格局變化分析。其中，2011年和2016年2期遙感影像分類總體精度分別為81%和82%，能夠滿足景觀格局分析的基本要求。實驗結(jié)果表明，2011-2016年間綠地、裸地和水域幾類均表現(xiàn)為減少趨勢，建筑用地和農(nóng)耕用地大量增加。耕地一直是合肥市包河區(qū)的優(yōu)勢景觀類型，但是這5年間，其斑塊密度、分散指數(shù)等幾類指數(shù)呈現(xiàn)增加趨勢，表明其正處于被蠶食分割的狀態(tài)之下，景觀破碎化嚴重。各類景觀類型的形狀均趨于復雜化，且正處于破碎化狀態(tài)。有些綠地斑塊的消失，使得綠地斑塊逐漸呈現(xiàn)出整體性，這也歸功于合肥市近幾年綠化措施的有效執(zhí)行。建筑用地逐漸由西北和中部向東南方向移動，體現(xiàn)出合肥市包河區(qū)近幾年濱湖新區(qū)的建設和發(fā)展迅速。

關(guān)鍵詞：高分辨率遙感影像；多分類器集成；隨機森林；景觀格局；合肥市

中圖分類號：P237 文獻標識碼：A 文章編號：2095-7866 （2018） 02-083-008

工業(yè)經(jīng)濟論壇 URL： http//www.iereview.com.cn DOI： 10.11970/j.issn.2095-7866.2018.02.011

Abstract： Taking Baohe District of Hefei City as the main research area， combining high-resolution remote sensing images of Google Earth in 2011 and 2016， and adopting the random forest model in the multi-classifier integration scheme popular in recent years for pixel-based supervision. The use of this is as the data basis for the extraction of landscape pattern index， so as to analyze the change of landscape pattern in Baohe District of Hefei City. Among them， the overall accuracy of the classification of land use type maps in 2011 and 2016 was 81% and 82%， respectively， which can meet the basic requirements of landscape pattern analysis. The experimental results show that between 2011 and 2016， the number of green lands， bare lands， and water areas showed a decreasing trend， and construction land and farming land increased significantly. Cultivated land has always been the dominant landscape type in Baohe District of Hefei City. However， in the past 5 years， the indices such as patch density and dispersal index have shown an increasing trend， indicating that they are under the state of being divided into pieces， and the landscape fragmentation is serious. The shapes of various landscape types tend to be complicated and are in a fragmented state. The disappearance of some patches of green space has gradually made the green patches appear integral， which is also due to the effective implementation of greening measures in Hefei in recent years. The construction land gradually moved from the northwest and the middle to the southeast， reflecting the rapid construction and development of the Binhu New Area in Hefei in recent years.

Key words： High-resolution Remote Sensing Imagery； Multiple Classifier Integration； Random Forest； Landscape Pattern； Hefei City

引言

景觀格局通常指景觀的空間結(jié)構(gòu)特征，是景觀異質(zhì)性的具體體現(xiàn)，它反映的是各種生態(tài)過程在不同尺度上的作用，包括景觀組成單元的類型、數(shù)目以及空間分布與配置[1]。其中，土地利用景觀格局是指不同大小和形狀的土地利用型斑塊在空間上的排列狀況，是人為因素和自然因素共同作用的結(jié)果，具有顯著的時空特征。

景觀格局變化分析能夠了解在一定時期內(nèi)，一定地域內(nèi)不同景觀類型以及整體景觀的變化，通過驅(qū)動力分析來了解變化發(fā)生的原因，從而為區(qū)域今后發(fā)展提供思路。隨著遙感新技術(shù)的發(fā)展給景觀格局分析提供了新的解決方案，目前該方面的研究內(nèi)容一方面?zhèn)戎赜诜治鼍坝^格局變化的意義及驅(qū)動力因素，如Mander等從人類社會的角度研究了歐洲中北部的遙感影像，并分析引起景觀變化的主要因素[2]；Thomas等基于時間和空間兩個維度，分析并指出了不同的景觀格局所具有的敏感性及抗干擾性存在差別[3]； Usher等通過實踐其理論，論證了兩個主導因素（人為因素、自然因素）如何促進景觀結(jié)構(gòu)功能變化[4]；另一方面一些專家與學者將景觀格局與其他領(lǐng)域相結(jié)合，側(cè)重于對相關(guān)指數(shù)的計算與提取，從而為景觀格局分析提供新的解決途徑。Lee等基于GIS等技術(shù)，研究人為因素作為驅(qū)動力主要因素對Chiltern景觀格局變化的影響[5]；Kristensen等借助GIS技術(shù)，對1973-1995年間丹麥的Rostrup區(qū)域，受到農(nóng)業(yè)活動的影響而發(fā)生的景觀格局的變化進行研究[6]。

隨著計算機硬件以及遙感技術(shù)的發(fā)展，遙感影像的空間分辨率和時間分辨率逐漸提高。高分辨率遙感影像因蘊含復雜的地物及空間信息被廣泛應用于土地資源規(guī)劃及生態(tài)環(huán)境保護等領(lǐng)域。但其紋理及空間信息含量豐富且細節(jié)復雜，給遙感影像的處理及分析造成了更復雜的難題。隨機森林（Random Forest）是近幾年較為流行一種機器學習的分類方法，該方法作為一種構(gòu)造新型分類器的方法，為解決單一分類器分類特征單一、泛化性能差、選擇分類器主觀性強等問題，在遙感影像分類中獲得廣泛應用。

合肥市是安徽省的省會城市，其位于安徽省中部。21世紀初期，隨著合肥市城市化進程的加快，合肥市的經(jīng)濟發(fā)展迅速，特別是包河區(qū)下轄濱湖新區(qū)，其景觀格局發(fā)生了很大的變化，并衍生出一系列生態(tài)環(huán)境及土地需求矛盾。因此迫切需要對合肥市包河區(qū)近幾年的景觀格局變化特征進行研究及分析，并希望以此作為依據(jù)，為相關(guān)部門的規(guī)劃建設提供有效的科學依據(jù)。

本文結(jié)合2011年和2016年合肥市包河區(qū)2期高分辨率遙感影像，采用近幾年流行的多分類器集成方案中的隨機森林方法進行基于像元的監(jiān)督分類，并以此為數(shù)據(jù)基礎(chǔ)進行景觀格局指數(shù)的提取，從而對合肥市包河區(qū)進行景觀格局變化分析，為合肥市制定土地資源管理政策和城市發(fā)展戰(zhàn)略提供決策依據(jù)。

一、研究區(qū)概況

合肥市是安徽省省會城市，處中緯度地帶北緯N31°51′，東經(jīng)E117°16′。其地理位置優(yōu)越，位于長江、淮河之間，以平原丘陵為主。合肥市現(xiàn)轄市轄區(qū)有4個，包括包河區(qū)、瑤海區(qū)、廬陽區(qū)、蜀山區(qū)。除此之外還下轄4個縣（長豐縣、肥東縣、肥西縣、廬江縣）并代管1個縣級市（巢湖市）。合肥市區(qū)目前全市行政轄區(qū)總面積為11445.06平方公里，其中市區(qū)建成區(qū)面積為403平方公里，巢湖水面面積770平方公里。

本文研究區(qū)域為合肥市包河區(qū)，為中國安徽省合肥市下轄的一個城區(qū)，位于合肥市東南部，因合肥舊城東南的包河得名。其濱臨且位居巢湖西北，處長江與淮河之間，地理位置十分優(yōu)越。包河區(qū)北面毗鄰廬陽區(qū)、瑤海區(qū)，西依靠蜀山區(qū)，東鄰肥東縣，南鄰巢湖?？偯娣e340平方公里（其中巢湖水面面積70平方公里）。

二、數(shù)據(jù)來源與研究方法

（一）數(shù)據(jù)資料收集與處理

本文的主要研究數(shù)據(jù)為Google Earth截取的高分辨率遙感影像，包括2011年4月和2016年7月合肥市包河區(qū)全色影像數(shù)據(jù)，遙感影像為金字塔模型，其空間分辨率為1.24m。

（二）訓練樣本選擇

根據(jù)《土地利用現(xiàn)狀分類（GB/T 21010-2007）》，綜合影像與實驗地區(qū)的地理情況，并結(jié)合合肥市包河區(qū)土地資源的利用情況和特征以及遙感影像的特點，將合肥市包河區(qū)劃分為綠地（Greenbelt）、裸地（Wasteland）、建筑用地（Buildings）、耕地（Farmland）和水域（Water）5種地物類型。訓練樣本類別間距盡可能大，樣本質(zhì)量盡可能高，即遵循“好而不同”的采樣原則。

本文在多分類器集成實驗中采用ENVI5.0作為影像預處理平臺，并在遙感影像中圈劃特征區(qū)域的像元訓練樣本。其中，每一類別訓練樣本個數(shù)分別為15000。訓練樣本與測試樣本容量配比大約為1：50。五種典型地物類型訓練樣本如圖1所示。

另外，本文在像元訓練樣本數(shù)據(jù)集的選取數(shù)量較大，樣本容量達到75000，因此樣本精度不是很大，可能會出現(xiàn)類間距離小，類內(nèi)距離大的情況，但是在基于像元分類領(lǐng)域的樣本選取上還是很具有代表性。

（三）隨機森林模型

隨機森林（Random Forest）是并行式集成學習方法中比較經(jīng)典的算法，其相當于Bagging算法的一個拓展及延伸[7]，即在以決策樹為基學習器構(gòu)建Bagging集成的基礎(chǔ)上，進一步在決策樹的訓練過程中引入了隨機屬性選擇[8]。

隨機森林的集成系統(tǒng)的建立方案基本與Bagging相同，同樣基于不同樣本的構(gòu)造方式，并采用并行結(jié)構(gòu)。通過對初始訓練集的像元特征向量集合進行有放回的隨機抽樣（假設選取m個像元），然后對抽取出的訓練樣本集選取個體分類器（即決策樹）進行分類。如此按照同樣的隨機抽樣方法對初始的像元特征訓練集抽取相同數(shù)量的子樣本，并采用同種基分類器對該子樣本進行分類，選取的子樣本個數(shù)達到一定標準（假設為T），最后采用投票的方法對這些個體分類器的分類精度進行投票，從而篩選出最優(yōu)的分類結(jié)果。特別地，傳統(tǒng)的決策樹在對測試集進行類別劃分的時候采取在類別集合中尋優(yōu)的基本原則，即在每一個節(jié)點均進行選擇最好的類別標簽進行劃分。而隨機森林模型中的基分類器首先對類別標簽集合進行隨機抽樣，從中抽取樣本容量為k的子集用于劃分屬性，隨后在子集中進行尋優(yōu)來劃分測試集。

利用隨機森林算法處理遙感影像分類流程圖描述如圖2所示。

（四）景觀格局指數(shù)提取

景觀格局研究中，景觀格局指數(shù)用來反映景觀各方面特征及其隨時間變化所產(chǎn)生影響。它能夠量化地表征景觀格局，濃縮其信息[9]。根據(jù)研究區(qū)的實際情況，結(jié)合各指標的表征作用。本文從兩個層級對景觀格局進行研究，分別是類別層級（Class Level）和景觀層級（Landscape Level）[10]。分別計算各種不同類型的景觀指數(shù)（Landscape Metrics），然后再利用這些景觀指數(shù)進行合肥市包河區(qū)土地利用情況的變化分析。各個景觀指數(shù)計算公式及生態(tài)學意義在Fragstats4.1軟件中均有具體說明。

分類結(jié)果用于景觀格局指數(shù)提取流程如圖4所示。由圖3可知，分類好的結(jié)果為帶有類別標簽的圖像矩陣，每種地物類別被賦予不同的顏色。首先將分類結(jié)果在ArcGIS10.0中進行柵格矢量化，從而提取出分類結(jié)果圖中斑塊的個數(shù)。然后對矢量化后的數(shù)據(jù)進行地理配準及坐標系加入，用以計算斑塊的面積及周長。最后進行數(shù)據(jù)柵格化生成tif格式圖像，然后導入到Fragstats4.1軟件中進行景觀格局指數(shù)的計算與提取。

三、結(jié)果與分析

為了解分類結(jié)果的準確度，本文建立在地面調(diào)查與查閱往年土地使用情況資料的基礎(chǔ)上，在遙感影像上選取處于不同位置，且總面積約為研究區(qū)總面積2%的多個區(qū)域作為訓練集進行監(jiān)督檢驗，同時采取誤差混淆矩陣關(guān)系表進行各地物類別及整體分類的精度評價。測試集采用重采樣后分辨率為2000×2000的研究區(qū)影像。另外，為突出分類顯示效果，本文遙感解譯圖均通過ArcGIS10.0進行地理配準后，按照行政邊界進行裁剪。經(jīng)過檢驗后顯示，2011年和2016年的2期土地利用類型圖的分類總體精度分別為81%和82%。

（一）斑塊類別層級景觀格局分析

利用Fragstats4.1軟件得到軟件計算所得到的類別層級的斑塊類型面積（CA）與斑塊數(shù)量（NP）2個景觀指數(shù)，反映出合肥市2011和2016年合肥市包河區(qū)土地利用變化情況（如表1所示）。由表1可知，2011年，合肥市包河區(qū)土地利用類型以耕地、建筑用地和水域為主，占研究區(qū)總面積的72.32%。其主要是由于研究范圍內(nèi)有部分巢湖水域，且靠近肥西縣邊界，會有許多農(nóng)耕用地。2011-2016年間，由于合肥市包河區(qū)政策導向和經(jīng)濟發(fā)展，以及近幾年濱湖新區(qū)的發(fā)展建設，包河區(qū)建筑用地面積變化劇烈，增加了22.94%。變化最為劇烈的景觀類型為綠地，減少了45.71%，同時水域面積也下降了8.78%。2011-2016年間，合肥市包河區(qū)在裸地、水域和綠地大量減少的趨勢下，建筑用地和耕地均呈現(xiàn)出大量增加的趨勢。至2016年，合肥市包河區(qū)的土地利用類型依舊以耕地、建筑用地和水域為主，三者的總量達到了研究區(qū)總面積的83.27%。

由斑塊數(shù)量（NP）可知，2011-2016年間，所有類型的斑塊數(shù)量均增加，除水域增加幅度不大，其他四類景觀的斑塊數(shù)量增加量均超過2011年斑塊數(shù)量，這也說明整個研究區(qū)的景觀破碎化嚴重，這也與研究區(qū)的經(jīng)濟發(fā)展和建設有關(guān)。

利用Fragstats4.1軟件計算得到2期各景觀要素斑塊類別層級景觀指數(shù)如表2和表3所示。結(jié)合表2和表3可以發(fā)現(xiàn)，2011-2016年間，耕地在面積大量增加的同時，斑塊數(shù)量和斑塊密度也逐漸增加，但斑塊密度增加幅度較大，由15.99增加到57.71，表明農(nóng)耕用地在發(fā)生破碎化。另外，總邊緣長度（TE）的增加，說明人類活動對耕地影響較大，這也與這段時間內(nèi)農(nóng)耕用戶侵占農(nóng)田建造房屋的現(xiàn)象有一定聯(lián)系。農(nóng)耕地的破碎化導致系統(tǒng)不能同時吸引大量物種，這也使得農(nóng)耕地的抵抗害蟲害鳥干擾的能力加強，當發(fā)生病蟲害時，農(nóng)耕地破碎化反而能抑制害蟲傳播。

由分散指數(shù)（SPLIT）可知，裸地分散指數(shù)由305.39增加為3612.98，說明裸地破碎化嚴重。與此相反，綠地的分散指數(shù)由1639.90減少為706.24，說明合肥市包河區(qū)的綠化逐漸趨于規(guī)?；Ⅲw系化。2011年-2016年間，裸地和綠地的面積均有不同程度的減小，可能轉(zhuǎn)化為耕地或者建筑用地。

2011-2016年間，建筑用地面積逐漸增加，其主要原因可能是其他類型斑塊（如裸地和綠地）轉(zhuǎn)化而來。由表2和表3對比可知，建筑用地在2011-2016年間總邊緣長度（TE）變化最大，由原來的1847385.48m增加到6296763.19m，其斑塊密度（PD）變化也很大，由9.90增加到67.31，說明其受人類活動影響較大。另外，由遙感解譯圖（圖5）結(jié)果可知，建筑用地逐漸由西北區(qū)域向東南方向巢湖邊移動，這也反映出近幾年濱湖新區(qū)的建設效果明顯。

2016年水域面積相對于2011年除面積稍有縮小，其它指數(shù)均無明顯變化，說明整個包河區(qū)對水域的生態(tài)保護措施得當。另外，最大斑塊指數(shù)（LPI）由2011年的23.24%減少為21.84%，說明占據(jù)水域面積最大的巢湖水域面積稍有減少，但整體生態(tài)完好。

（二）總體景觀層級景觀格局分析

利用Fragstats4.1軟件得到合肥市2011和2016年總體景觀層級上的景觀指數(shù)（如表4所示）。由表4可知，2011-2016年研究區(qū)斑塊密度（PD）由59.28增加到214.94，表明整個研究區(qū)的景觀破碎化程度正在日益加深。聚集度指數(shù)（CONTAG）由原來的38.06%減少到33.15%，表明研究區(qū)內(nèi)同種土地利用類型的空間聚集程度降低，空間分布逐漸趨向于分散，不同土地利用類型之間的共同邊緣數(shù)量增加。2011-2016年間，研究區(qū)Shannon多樣性指數(shù)（SHDI）減少但不明顯，僅由原來的1.57減少到1.47，說明研究區(qū)內(nèi)的景觀異質(zhì)性稍微減小，景觀豐富度與多樣性減少，景觀受到其他斑塊類型支配的作用增加。Shannon均勻度指數(shù)（SHEI）減少，表明研究區(qū)內(nèi)景觀分布沒有以前均勻，這也與城市化程度加快，建筑用地侵蝕其他土地類型有關(guān)。景觀形狀指數(shù)（LSI）由2011年的67.45增加到2016年的144.49，說明整個研究區(qū)的景觀格局在自然和人為因素的干擾下，形狀逐漸趨于復雜。一般而言，形狀指數(shù)與許多跨界的生態(tài)過程息息相關(guān)，即能量、物質(zhì)及有機體穿越斑塊邊界的移動，同時形狀越復雜，受邊緣效應影響的棲息地就會增加[11]。

四、結(jié)論與討論

隨機森林是集成學習中的經(jīng)典算法，其能夠有效地解決傳統(tǒng)單一分類器在自身局限性下無法進一步提高分類進度的問題。與單一分類器相比，隨機森林的優(yōu)勢很明顯，其泛化性能更好，且自由度高、穩(wěn)定性強。特別地，隨機森林的基分類器的多樣性不僅來自樣本擾動，還來自屬性擾動，這使得其最終集成的分類的泛化效果可以通過個體分類器的差異進一步提升。本文基于隨機森林模型的方法對高分辨率遙感影像進行基于像元的分類，2期分類總體精度均在80%以上，能夠滿足后續(xù)景觀格局分析的基本需求。

同時本文借助RS和GIS技術(shù)，并配合量化的景觀指數(shù)，針對合肥市包河區(qū)土地利用景觀格局結(jié)構(gòu)和變遷進行分析。

由斑塊類型層級景觀指數(shù)得知，2011-2016年間綠地、裸地和水域幾類均表現(xiàn)為減少趨勢，建筑用地和農(nóng)耕用地大量增加。至2016年，合肥市土地利用類型以建筑用地、水域和耕地為主，其中耕地面積最大，其次為建筑用地和水域。耕地一直是合肥市包河區(qū)的優(yōu)勢景觀類型，但是這5年間，其斑塊密度、分散指數(shù)等幾類指數(shù)呈現(xiàn)增加趨勢，表明其正處于被蠶食分割的狀態(tài)之下，景觀破碎化嚴重。 各類景觀類型的形狀均趨于復雜化，且正處于破碎化狀態(tài)。有些綠地斑塊的消失，使得綠地斑塊逐漸呈現(xiàn)出整體性，這也歸功于合肥市近幾年綠化措施的有效執(zhí)行。2011-2016年間，建筑用地和耕地發(fā)生破碎化情形，斑塊面積、斑塊數(shù)量和斑塊密度逐漸增加，2016年后建筑用地和耕地斑塊數(shù)量的增加主要由其他斑塊轉(zhuǎn)化而來，且建筑用地逐漸由西北和中部，逐漸向東南方向移動，體現(xiàn)出合肥市近幾年濱湖新區(qū)的建設和發(fā)展迅速。

由總體景觀水平景觀指數(shù)得知，合肥市包河區(qū)景觀的破碎化程度日益加深；景觀形狀指數(shù)的增加，說明整個研究區(qū)的景觀格局在自然和人為因素的干擾下，形狀逐漸趨于復雜，且同種土地利用類型的景觀空間分布趨于分散化；Shannon多樣性和Shannon均勻度指數(shù)的減少，意味著整體景觀在自然和人為因素的干擾下，形狀趨于復雜化。

針對合肥市包河區(qū)存在的裸地、綠地面積銳減，建筑用地面積激增、景觀破碎化日益加劇等問題，有關(guān)部門應根據(jù)當?shù)氐淖匀坏乩項l件、社會經(jīng)濟狀況和不同行政區(qū)的土地利用格局存在的不同問題，因地制宜制定土地利用和管理政策，合理利用土地資源，保護合肥市包河區(qū)的生態(tài)環(huán)境，促進其可持續(xù)發(fā)展。

參考文獻

[1] 王耀宗. 陜北黃土高原退耕還林還草工程生態(tài)效益評價[D].西北農(nóng)林科技大學，2010.

[2] Mander，Rob H.G. Jongman. Human impact on rural landscapes in central and northern Europe[J]. Landscape and Urban Planning，1998，41：149-153.

[3] Michael F. Thomas. Landscape sensitivity in time and space-an introduction[J]. Catena， 2001， 42（2）， 83-98.

[4] Michael B. Usher. Landscape sensitivity： from theory to practice[J]. Catena，2001，42： 375-383.

[5] John T. Lee. The role of GIS in landscape assessment： using land-use-based criteria for an area of the Chiltern Hills Area of Outstanding Natural Beauty[J]. Land Use Policy， 1999，6（1）， 23-32.

[6] S.P.Kristensen. Agricultural land use and landscape changes in Rostrup， Denmark： Processes of intensifica-tion and extensification[J]. Landscape and Urban Plan-ning， 1999，46（13）：117-123.

[7] 范娜娜. 基于自適應模型和多特征融合的目標跟蹤算法研究[D].哈爾濱工業(yè)大學，2016.

[8] 王超. 基于激光掃描儀的ETC系統(tǒng)設計與實現(xiàn)[D].華南理工大學，2016.

[9] 么欣欣，韓春蘭，劉洪彬，錢鳳魁. 基于RS與GIS的沈陽市土地利用及景觀格局變化[D].水土保持研究，2014（02）：1005-3409.

[10] 董曉曉. 西部生態(tài)脆弱區(qū)土地生態(tài)狀況評價及預測[D].山東農(nóng)業(yè)大學，2014.

[11] Carlson A，Hartman G.Tropical forest fragmentation and nest predation—an experimental study in an eastern arc montane forest， zania[J].Biodiversity & Conserva-tion，001，0（7）：1077-1085.