基于隨機森林的土地利用變化及城市驅(qū)動分析①

方君君,沙晉明,周正龍,林淇昕

1(福建師范大學 地理科學學院,福州 350007)

2(福建師范大學 濕潤亞熱帶山地生態(tài)國家重點實驗室培育基地,福州 350007)

土地利用變化是地球系統(tǒng)的主要動態(tài)過程[1],變化動力主要由人為因素觸發(fā)[2].土地利用變化清楚地反映了人類活動與自然環(huán)境之間的相互作用[3].土地利用變化動態(tài)信息反映了地球的基本特征,也是我國長期關注的問題[4].根據(jù)城市人口比例,中國城市化率從1978年的18%上升到了2014年的55%[5].這種快速的城市擴張導致了其他土地類型的變化,福建省也面臨類似情況[6].隨著人工智能的發(fā)展,機器學習由于其優(yōu)勢在土地利用分類中得到廣泛應用,隨機森林目前已經(jīng)成為遙感分類機器學習中一種有效方法.不同研究者利用隨機森林對Landsat 數(shù)據(jù)進行了研究,證實該方法有效提高了分類精度[7,8].

研究證明城市的擴張是土地利用變化的主要驅(qū)動因素[9].國內(nèi)對土地利用變化的研究主要集中在驅(qū)動機制(如經(jīng)濟、政策)[10,11]及土地變化對其他方面(如生態(tài)系統(tǒng)服務價值、地表徑流、熱環(huán)境)的影響[12-14];楊華溢等[15]、李鋮等[16]針對地鐵建設對土地利用時空變化的影響也做了相關研究.但總體來說,較少考慮城市擴張本身對土地利用變化的驅(qū)動分析.

平潭以其獨特的地理優(yōu)勢吸引了政府的關注.它位于連接太平洋和臺灣海峽的主通道,是連接珠江三角洲和長江三角洲的戰(zhàn)略節(jié)點[17].2009年根據(jù)國務院《關于支持福建省加快建設海峽西岸經(jīng)濟區(qū)的若干意見》精神在平潭成立綜合試驗區(qū).2014年,設立中國(福建)自由貿(mào)易試驗區(qū),平潭片區(qū)列為其中.2016年,國務院發(fā)布《國務院關于平潭國際旅游島建設方案的批復》,平潭國際旅游島建設步入正軌.以上,使得平潭的經(jīng)濟改革進入國家戰(zhàn)略,城市得到快速發(fā)展.

基于此,本文以平潭主島海壇島作為研究區(qū),借助遙感和地理信息技術,定量分析了1984-2017年間5 個階段土地利用變化情況,并對城市擴張及擴張對其他地類的變化進行了詳細分析.以揭示該地區(qū)土地利用情況,為該區(qū)土地合理利用及協(xié)調(diào)可持續(xù)發(fā)展提供依據(jù).

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

海壇島(圖1)位于福建省福州市東部,與臺灣隔海相望(地理位置北緯25°22′～25°40′;東經(jīng)119°40′～119°54′),如圖1,面積286.08 km2.氣候為亞熱帶海洋性季風,年平均溫度19.6 ℃,多年平均降水1180.9 mm.地形以中部沿海平原為主,北部和南部主要為低山丘陵,最高海拔435 m.該地區(qū)原有植被遭到破壞,現(xiàn)有植被多為次生植被,多樣性低,結構簡單[18].它是中國沿海地區(qū)的一個典型例子,以其獨特的地理優(yōu)勢獲得特別關注.

圖1 研究區(qū)

1.2 數(shù)據(jù)源和預處理

本研究主要數(shù)據(jù)源是6 個時期的陸地衛(wèi)星遙感影像(1984、1990、1996、2003、2010和2017).影像下載自地理空間數(shù)據(jù)云平臺[19],數(shù)據(jù)詳情見表1.由于研究區(qū)位于濕潤亞熱帶地區(qū),影響分類的地物四季變化不明顯,可選擇不同季節(jié)影像進行土地利用信息的提取[20].對每期遙感影像進行輻射定標、大氣校正、地形校正和圖像配準預處理[21],按研究區(qū)矢量進行裁剪用于影像光譜指數(shù)的計算、主成分分析(PCA)和土地利用分類.光譜指數(shù)包括歸一化差值植被指數(shù)(NDVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、增強植被指數(shù)(EVI)和修改的歸一化水體指數(shù)(MNDWI),這些指數(shù)減少了由于地表坡度和傳感器觀測方向引起的相似土地特征的光譜變異.將主成分分析變量和光譜指數(shù)作為特征變量提高隨機森林土地利用分類的精度.谷歌地球影像用于分類訓練樣本的選擇,2000年和2010年Globeland30土地覆蓋數(shù)據(jù)集[22]作為分類后處理的參照.

表1 遙感影像詳細信息

2 研究方法與原理

2.1 隨機森林分類

隨機森林是利用多棵樹對樣本進行訓練并預測的一種分類器.該算法通過構造多個訓練集得到?jīng)Q策樹序列,即通過k輪訓練,得到一個分類器序列{h1(x),h2(x),…,hk(x)},構成一個多決策樹的分類器組合,最后通過投票產(chǎn)生輸出結果[23].隨機森林具有以下優(yōu)點:(1)其基礎學習器是決策樹,可以進行分類,也可進行回歸,在最終的分類時,可以輸出概率;(2)隨機森林的袋外無偏估計可以有效估計分類器的泛化誤差;(3)變量重要性估計也是隨機森林算法的重要優(yōu)點之一,被廣泛應用于特征篩選之中[24].在土地利用分類應用中,運算量沒有顯著提高的前提下提高了分類精度[25].ENVI 5.5擴展插件隨機森林分類器可以實現(xiàn)土地利用的分類.該過程有兩個關鍵參數(shù):生成樹個數(shù)和特征數(shù)量.決策樹個數(shù)決定了隨機森林總體規(guī)模,取值一般在100～10 000之間,值越大模型越收斂,模型運行時間增加,且當樹的個數(shù)不斷增加時,模型會出現(xiàn)過飽和現(xiàn)象[20].通過不斷試驗,此次分類確定該值為500.特征數(shù)量決定了決策樹的強度,值越大強度越大,但樹之間相關性也增大.此次特征數(shù)量由待分類影像波段數(shù)平方根原則確定.

根據(jù)國家土地覆蓋分類[26,27]和當?shù)亟?jīng)驗,確定了8 個土地利用類別(有林地、灌木林地、草地、耕地、建設用地、裸地、水域、濕地).對于光譜反射率變異性小的地物如水體,可以選擇少量的訓練樣本,而變異性較大的林地、灌木等,可以適當增加訓練樣本,但應保證每個地物最少50 個樣本的需求[28].樣本的選擇以谷歌地球歷史影像優(yōu)先,在沒有同期數(shù)據(jù)源的情況下以下載的遙感影像進行采集.對分類后結果的檢查,樣本的再次修改,可以減少錯分從而提高分類精度.

2.2 土地利用變化指數(shù)

用年平均變化率(ARC)和變化強度指數(shù)(CII)評價土地利用變化的時間分布.

ARC為單一土地利用動態(tài)度.它用于量化研究某一時期特定某類的面積動態(tài)比例,并進行跨期預測.利用ARC,對土地利用類型從初始年的增長率進行了標準化,以便于比較周期性土地利用變化.計算公式為:

其中,A1和A2分別是某一階段初始時間(T1)和終止時間(T2)的某地類面積,它們之間的年數(shù)為N.

CII指數(shù)考慮了研究區(qū)總面積,計算了各土地利用類型變化程度的比率,以證明其總體變化速度.較高的正CII值表明快速擴張,而負值被認為是收縮.計算公式為:

其中,TA是研究區(qū)總面積.Sun 等[29]將CII分為極低速(|CII|＜0.1)、低速(0.1≤|CII|＜0.2)、中速(0.2≤|CII|＜0.4)、快速(0.4≤|CII|＜0.7)和極快速(|CII|≥0.7)變化.

2.3 城市擴張類型

城市擴張可分為跨越式、邊緣式和填充式,可用景觀擴張指數(shù)(LEI)進行量化.計算公式為:

其中,Ao為新增城市圖斑緩沖區(qū)(向外1 m)與原有城市相交部分面積,Av為緩沖區(qū)與非城市用地相交面積.LEI=0,為跨越式擴張;0＜LEI≤50,為邊緣式擴張;50＜LEI≤100,為填充式擴張,詳見文獻[30].

2.4 類間變化檢測

基于轉(zhuǎn)移矩陣,計算了轉(zhuǎn)換程度(ET)和轉(zhuǎn)換狀況(CT).ET取值大于等于0,當ET=0,則該地類在研究期間趨于保持不變,當ET增加,表明該地類的轉(zhuǎn)換正在加強.然而,ET只反映變化的幅度,不反映變化的方向(擴張或收縮).因此,采用CT來進一步了解轉(zhuǎn)化的方向.CT在[-1,1]之間變化,當CT離0 越遠,該類就越不穩(wěn)定;當CT越接近0,被類型的雙向轉(zhuǎn)換越平衡.

為了闡明各地類面積對同時轉(zhuǎn)化程度的影響,基于Nourqolipour 等[31]計算了區(qū)域獨立動態(tài)變化(AILC).AILC的值越接近1,內(nèi)在動態(tài)損益(由該值符號決定)就越大,轉(zhuǎn)換受類大小的影響就越小.AILC值越小,表明該地類的轉(zhuǎn)換受類大小的影響越大.以上指數(shù)計算見表2.

表2 土地利用參數(shù)

3 結果分析

3.1 特征變量優(yōu)化及分類精度

實驗證明:在遙感影像中加入特征變量,可以提高隨機森林分類的精度.但加入變量過多會使得分類速度變慢.為了保證分類效率,根據(jù)特征變量重要性,從中選取前五個變量加入遙感影像進行分類,并對特征變量優(yōu)化前后分類的準確性進行比較.以2017年為例,隨機生成510 個檢驗點,對照谷歌地球進行地類的目視解譯,以其作為地表真實地類對分類結果進行精度評價.未加入特征變量的隨機森林總分類精度為77.94%,加入所有特征變量的總分類精度為84.05%,加入前五個特征變量的總分類精度為85.05%.

2017年最終的分類誤差矩陣如表3.建設用地的用戶精度最高,裸地的制圖精度最高,總Kappa 系數(shù)為0.8185,總分類精度為85.05%.對其他時期影像采用相似的方法進行分類及精度驗證,結果表明特征優(yōu)化后的隨機森林總分類精度均大于85%,滿足土地利用分類的精度目標,可用于分類后分析[32].

3.2 土地利用特征

土地利用空間分布如圖2.各時期總體來看,有林地主要分布在東北部、北部和西南區(qū)域;灌木林地分布在有林地四周;草地零星分布于研究區(qū);耕地主要分布于研究區(qū)中部偏北區(qū)域;建設用地以中東城市為核心,向四周擴張;水域集中在西部沿海區(qū)域和南部三十六腳湖;濕地分布于西部濱水區(qū)域.各土地利用類型面積比例見表4.耕地在6 個時期面積占比最大,裸地在5 個時期面積占比最小(除1990年濕地面積比例最小).林地(有林地和灌木林地)的占比在6 個時期分別為25.56%、27.71%、25.13%、26.36%、23.27%、27.77%,占據(jù)了研究區(qū)較大比例.建設用地在2017年達到22.43% (64.17 km2).

表3 2017年隨機森林分類結果誤差矩陣

3.3 土地利用變化特征

土地利用變化指數(shù)如圖3,不同階段不同土地利用類型變化有所差異.建設用地每階段都表現(xiàn)出擴張的趨勢(位于Y 軸右側),而其他地類在整個研究期均存在增加和減少兩種現(xiàn)象.根據(jù)圖3中CII可知,變化最明顯的是2010-2017 期間建設用地的增加,其次為1984-1996 期間耕地的減少.建設用地增加主要是由于2009年平潭綜合試驗區(qū)的成立推動了城市的發(fā)展,而耕地的減少可能跟1985年退耕還草政策有關.總體來看,屬于極快速變化的(|CII|≥0.7)還有:1984-1990年的水域和草地,1990-1996年的耕地,2003-2010年的灌木林地,2010-2017年的濕地及有林地.

圖2 土地利用時空分布

表4 1984-2017年間6 個時期土地利用類型面積占比統(tǒng)計(%)

圖3ARC 對每類土地利用面積動態(tài)比例進行了不同階段的量化.對有林地、灌木林地來講,2010-2017年變化最大,對應ARC為+6.92%和-6.53%;草地1984-1990年增加最多(ARC+8.14%);耕地只在1990～1996年增加,其余階段均減少;建筑用地持續(xù)增加,2010～2017年增速最大;水域在1 9 8 4-1990年增加最顯著,這可能跟1990年影像季節(jié)為夏季有關;濕地跟水域在不同階段表現(xiàn)出此消彼長的現(xiàn)象.

圖3 土地利用變化指數(shù)

3.4 城市擴張分析

城市不僅是土地利用類型,而且被認為是土地變更的主要驅(qū)動力[9],因此其擴張模式值得深入探討.圖4為城市擴張類型分布圖,表5為各階段城市擴張類型比例.綜合分析可知,各階段都以邊緣擴張為主,跨越擴張為輔.2010-2017年期間邊緣擴張比例最大,達到81.87%,擴張區(qū)主要位于西部海港區(qū)和西南濱海區(qū).1990-1996和2003-2010 期間,跨越擴張和邊緣擴張占了相當大比例,與同階段城市邊緣擴張比例接近,表明城市形態(tài)更加分散.盡管填充式擴張對于改變城市景觀走向飽和模式非常重要[33],但其在該島城市擴張中所占的比例最小,尤其是前十幾年(1984-1996年).1996-2003 期間,填充擴張比例大于跨越擴張比例,這主要是由于城市核心區(qū)的發(fā)展造成的.圖4還表明,與丘陵和山區(qū)相比,平原和低洼沿海地區(qū)更容易發(fā)展為城市用地.由于邊緣擴張的貢獻遠遠大于填充擴張,表明該研究區(qū)擴張趨勢大于其緊湊性,Yu和Zhou[34]指出這是城市快速擴張的特征表現(xiàn).

3.5 城市驅(qū)動分析

海壇島城市的發(fā)展跟其他土地利用的轉(zhuǎn)換情況見表6.研究期間,城市土地的轉(zhuǎn)入轉(zhuǎn)出存在較大差距.城市持續(xù)不變的區(qū)域從4.63 km2(1984-1990年)增加到20.04 km2(2010-2017年),增長了約4.33 倍.城市土地變化主要來源和去向均為耕地.整個研究期來看(1984-2017年),51.62 km2(55.90%)的擴張城市來自耕地.各階段來看,耕地轉(zhuǎn)為城市最大值為第5 階段(2010-2017年),城市轉(zhuǎn)為耕地最大為第4 階段(2003-2010年).

圖4 城市擴張類型

表5 城市擴張類型比例(%)

除耕地外,第1 階段城市擴張主要由裸地(4.72%)、灌木林地(3.81%)和濕地(3.77%)貢獻,損失主要為草地(23.84%)、水域(23.73%)和有林地(7.49%).第2 階段城市擴張幾乎全部(89.29%)來源于耕地(48.82%)、草地(26.52%)和灌木林地(13.95%),損失的也主要由這3 種地類占據(jù).第3 階段城市擴張來源于耕地(66.57%)、林地(13.75%)和草地(7.01%),損失為耕地(63.29%)、灌木林地(13.68%)和濕地(9.61%).第4 階段擴張源于耕地(55.55%)、林地(20.53%)和濕地(13.37%),損失為耕地(78.32%)、濕地(12.57%)和裸地(3.94%).最后階段耕地(50.33%)、濕地(24.82%)為主要擴張源,損失為耕地(62.55%)、林地(19.51%)和草地(13.71%).這表明,城市土地的轉(zhuǎn)換主要在于少數(shù)幾個主要類別上(耕地、林地、草地、濕地),且城市和主要地類之間存在著空間上的交換關系.

各階段城市擴張的土地利用來源空間分布如圖5.5 個階段城市擴張主要來源均為耕地(表6),但空間分布卻有一定差異.第1 階段損失的耕地位于城市中心區(qū)附近,第2 階段集中在研究區(qū)中部,第3 階段在以上地區(qū)為基礎向外擴張,第4 階段則廣泛分布于研究區(qū)各部分,第5 階段集中在西南部和東南部.值得注意的是,第5 階段城市的擴張,水域和濕地有較大貢獻,且集中在西部和西南部濱海區(qū)域.

城市用地總變化從第1 階段(13.80 km2)到最后階段(54.45 km2)依次增加(表7).除最后階段由凈變化主導,其余階段總變化的主要部分為交換變化.在整個研究期間,凈變化為55.15 km2,大約是1984年城市面積的5.33 倍.總變化、凈變化和交換變化與土地利用類型的大小有關,這種地區(qū)依賴可能導致一些誤解[31].如整個研究期間,耕地占據(jù)了城市土地擴張的最大比例(圖5),部分原因可能是其占主導地位的規(guī)模.這種誤解可以通過AILC最小化.AILC從第1 階段的0.25一直下降到第3 階段的0.10,而后上升到0.45,但都遠小于其最大值1,這證實了城市轉(zhuǎn)換受土地利用類型大小的影響.ET在第1 階段最高(26.38),表明城市變化強烈,但在第3 階段有所下跌(14.37),最后階段也達到了25.62.CT前兩階段(0.32,0.33)高于隨后兩個階段(0.16,0.29),表明前兩階段城市比較不穩(wěn)定,更傾向于擴張.第3 階段CT值最小(0.16),表明其擴張和收縮比較平衡.最后階段CT值最大(0.62),說明此階段城市表現(xiàn)出極強烈的擴張現(xiàn)象.

表6 1984-2017年城市土地轉(zhuǎn)入轉(zhuǎn)出統(tǒng)計(km2)

圖5 城市擴張時空分布

表7 1984-2017年城市變化統(tǒng)計

類間轉(zhuǎn)換(增益和損失)、空間位移(交換變化)和其他指數(shù)(ET、CT、AILC)的量化提供了其他無法理解的詳細信息[35,36].這為城市擴張及擴張對其他地類變更的深入分析提供了有力幫助.

4 結論與展望

隨機森林分類,分類結果很大程度受樣本影響,本文通過高分辨率谷歌影像選擇純凈訓練樣本,借助特征變量和分類產(chǎn)品數(shù)據(jù)輔助,經(jīng)反復檢驗和樣本修改,對海壇島八大地類進行了分類提取,并獲得了較高的土地利用分類精度(6 個時期影像精度均高于85%),符合土地利用進一步分析要求.研究各階段耕地地類的面積始終最大,林地(有林地和灌木林地)次之,裸地最少.在土地利用變化方面,建設用地始終保持增長的趨勢,且在2010-2017年增速最快,這可能跟2009年平潭綜合試驗區(qū)的成立有較大關系.1984-1996年間耕地大面積減少,這可能跟退耕還草政策相關.

城市擴張類型以邊緣擴張為主,其次為跨越擴張.該島城市的發(fā)展對其他地類的變更有重要的驅(qū)動作用.城市土地的轉(zhuǎn)換主要體現(xiàn)在少數(shù)幾個主要類別上(耕地、林地、草地、濕地).耕地作為優(yōu)勢類,在各個階段都是城市擴張的主要來源和損失去向,但不同階段空間位置分布有所差異.

海壇島由于其特殊的地理位置獲得了特殊的關注.綜合試驗區(qū)、經(jīng)濟貿(mào)易區(qū)的成立,國際旅游島的定位,為該島的發(fā)展注入了不竭動力.城市的發(fā)展緊湊性較低導致耕地日益縮減,提出合適的海島型城市發(fā)展方案,從而實現(xiàn)各種土地利用類型的協(xié)調(diào),對該地區(qū)的可持續(xù)發(fā)展至關重要.