基于DEM的土地利用空间格局分析

陈柯欣

摘  要： 为了了解普兰店市景观类型变化与地形分布的关系，本文利用2000和2010年Landsat 5 TM遥感影像，在ENVI5.3软件的支持下，获取普兰店土地利用类型，并基于DEM数据获取高程、坡度、坡向，将土地利用数据与三者相叠加分析，研究发现：（1）2000～2010年普兰店市土地利用类型变化具有主明显的坡向型特征，集中在半阴坡、阴坡、半阳坡上。（2）2000～2010年普兰店市土地利用类型变化量随着坡度增加而减少。（3）2000～2010年普兰店市土地利用类型变化量主要集中在0～200 m高程级别上。该研究结果可为普兰店市土地利用规划部们提供帮助。

关键词： 遥感;监督分类;DEM;土地利用分類;普兰店市

【Abstract】： In order to understand the relationship between landscape type change and topographic distribution in Pulandian City， this paper uses the Landsat 5 TM remote sensing image of 2000 and 2010 to classify the land use types of Pulandian city with the support of ENVI 5.3 software. It based on DEM data to obtain the elevation， slope and aspect .The land use data is superimposed on the analysis of the three. The research finds that： （1） From 2000 to 2010， the land use type change in Pulandian City has the main obvious slope-oriented characteristics， concentrated in the semi-shady slope and shady slope， and half sunny slope. （2） From 2000 to 2010， the amount of land use change in Pulandian City decreased with the increase of slope. （3） The amount of land use change in Pulandian City from 2000 to 2010 was mainly concentrated at the elevation level of 0-200 m. The results of this study can help the land use planning department of Pulandian City.

【Key words】： Remote sensing; Supervised classification; The land use classification; Pulandian city

0  引言

随着城市化、工业化进程加快，土地利用变化（LUCC）这一研究问题备受关注，如何在有限的土地资源范围内合理规划布局成了国内外学者关注的重点[1-2]。土地利用变化对大气、土壤、水等自然资源和人类居住环境等有着直接或间接的影响。随着科学技术的不断发展和进步，遥感技术以其观测面积大、时效性强、具有周期动态性、数据的综合性和可比性强、经济性等应用到土地利用的变化监测中来[3]。将遥感技术（RS）与地理信息技术（GIS）结合可以有效准确的分析土地利用变化信息[4]。数字高程模型（DEM）数据用于表达地形、地貌信息[5]。将地形因素与土地利用变化相叠加分析，将对农业结构规划、土地利用调整起到关键的作用，促进人与环境和谐发展[6]。本文采用监督分类的分类方法，对大连市普兰店2000年和2010年两期遥感影像进行分类，并将结果与高程、坡度、坡向数据叠加分析来了解普兰店市土地利用变化的地形分布特征。

1  数据和方法

1.1  研究区概况

普兰店市位于辽宁省大连市境内，辽东半岛南部，县级市，距大连市区48km，介于东经121°50?33?至122°36?15?，北纬39°18?25?至39°59?00?之间，其地理位置有独特的优势，与韩国、日本隔海相望，南与金州新区毗连，北通沈阳，东西连渤、黄二海。地属北温带季风气候区，四季分明，光照充足，地势北高南低，西高东低[7]。

1.2  数据源

本文选用地理空间数据云（http：//www.gscloud.cn）下载的Landsat5 2000年9月17日和2010年9月13日TM 4期遥感影像作为土地分类的基础数据和30 m DEM数据，尽量选择同一月份数据，有利于进行土地类型比较分析。将Google Earth历史数据作为分类辅助数据和精度验证数据。选择7，4，2波段有利于地物的识别，首先将4井影像两两拼接，然后利用普兰店的矢量边界进行数据裁剪。

1.3  研究方法

1.3.1  监督分类

依据研究区地物的可识别性和国家2017年出台的《土地利用现状分类》（GB/T 21010-2017）土地利用分类标准，将研究区分为居民地、林地、水域、盐田和养殖塘、耕地5大类。在研究区范围内根据目视解译选择有代表性的训练场地作为分类样本ROI（Region of，利用ROI用来识别没有训练的非样本数据，这一过程称之为监督分类[8]。最后将分类后的结果进行小图斑去除和精度验证。

1.3.2  地形数据提取和分层

利用DEM数据在Arcgis 空间分析模块表面分析工具中提取坡度、坡向数据。

（1）该文结合普兰店的土地利用特点和地形特征，将高程分为7级，100 m为一级;

（2）坡度的划分则依据《土地利用更新调查技术规定》以及动力和重力学原理，分为平地（0°～2°）、缓平地（2°～6°）、缓地（6°～15°）、斜坡（15°～25°）、缓陡坡（25°～35°）、陡坡（> 35°）6级[9];

（3）对于地面任何一点来说，坡向表征了该点高程值改变量的最大变化方向。在输出的坡向数据中，正北方向为0°，顺时针方向计算，取值范围为0°～360°。在该文中将其分为无坡向（-1°）、阳坡（157.5°～247.5°）、半阳坡（247.5°～292.5°、112.5°～157.5°）、半阴坡（67.5°～112.5°、292.5°～337.5°）和阴坡（337.5°～ 22.5°、22.5°～67.5°）5级[9]。

2  结果和分析

2.1  分类结果

分类结果如图1、2所示，依据每个类随机选择20个精度验证点，分类精度分布为74.00%，78.22%，满足地形分析的需求。从1图和表1中可以看出，耕地面积增加了108.94 km2，居民地增加99.70 km2，林地面积减少最多共减少了205.95 km2，库塘水域面积增加23.22 km2。这种变化趋势反映了，随着人口的数量的增多，对建筑用地和粮食的需求增大，导致了林地的面积被侵占减少。

2.2  地型数据叠加

地形分级分析数据如图3所示，土地利用变化数据如表2、3、4。从中可以看出面积的转移变化，林地发生转移面积最大，说明10年内林地破坏最为严重，林地向耕地转移388.60 km2，林地向居民地转转移67.89 km2，林地向养殖塘和盐田转移3.81 km2。其次是各类向居民地转移的面积变化，耕地向居民地82.16 km2，养殖塘和盐田向居民地转移20.77 km2，居民地向其它土地利用类型相对较小，说明10年内随着人口增加对建筑用地需求增多，居民地面积  增加。

（1）将坡向分级数据叠加土地利用变化进行统计分析，结果如表2，2000～2010年普兰店市土地利用类型变化主要集中在半阴坡、阴坡、半阳坡上，面积分别为：225.62 km2，237.82 km2，225.62 km2。在阳坡和无坡向的面积转移相对较小，分别为：193.84 km2，28.50 km2。其中林地向耕地的转化在阳坡、半阳坡、半阴坡、阴坡较多，耕地、林地向居民用地的转换主要发生在阴坡较多，这些土地利用变化空间分布符合自然规律，同时也说明土地利用变化中坡向具有显著的特征。

（2）将坡度分级叠合土地利用变化图进行统计分析可发现，2000～2010年普兰店市土地利用类型变化量随着坡度增加而减少。变化主要集中在缓平地、平地、缓地上，其中缓平地面积变化435.60km2，平地面积变化323.87 km2，缓地面积变化152.96 km2。其中林地向耕地的转移变化在缓平地和平地上发生变化最大，分别为：182.91 km2，155.27 km2。林地到居民地的变化主要集中在平地和缓平地上，分别为：22.71 km2，31.51 km2。

（3）将高程分级叠合土地利用变化图进行统计分析，如表3所示，2000～2010年普兰店市土地利用类型变化量主要集中在0～200 m高程级别上。0～  100 m高程上面积变化了742.50 km2，100～200 m高程上面积变化了159.98 km2。在0～100 m高程上，林地向耕地的转换最大，共转移了343.18 km2。

3  结论和展望

（1）普兰店市土地利用类型变化具有主明显的坡向型特征，集中在半阴坡、阴坡、半阳坡上。

（2）普兰店市土地利用类型变化量随着坡度增加而减少。

（3）普兰店市土地利用类型变化量主要集中在0～200 m高程级别上。

利用土地利用变化数据与该区域坡度、坡向、高程叠加分析，并结合当地的社会经济情况，进行该区域土地利用结构调整，可以实现该区域环境、经济、社会三效益的统一。本文采用的分类方法为传统的分类方法，下一步将选择更优的分类算法随机深林和支持向量机[10]等算法提升分类的整体精度。

参考文献

张瑞. 基于DEM的靖边县土地利用变化分析[D]. 陕西： 西安科技大学， 2013.

何志斌. 昆明市主城區热岛效应特征及驱动机制分析[J]. 软件， 2018， 39（7）： 152-156.

柏叶辉， 李向新， 钟舒怡. 深圳市 1988-2018 年海岸线时空演变分析[J].软件， 2018， 39（10）： 133-138.

信冠栋， 施昆， 吕晓阳. 遥感动态监测模型在拉市海湿地保护区土地利用中的研究[J].软件， 2018， 39（4）： 170-175.

朱俊聪. INSAR 高精度 DEM 提取方法及其精度分析[J]. 软件， 2018， 39（10）： 170-174.

程震， 舒晓波， 谢菲， 等. 基于DEM的安福县土地利用空间格局分析[J]. 农村经济与科技， 2011， 22（4）： 4-6.

林明雪. 基于RS和GIS普兰店市景观格局变化研究[D]. 辽宁： 辽宁师范大学， 2015.

朱文泉， 林文鹏. 遥感数字图像处理—原理与方法[M]. 北京： 高等教育出版社， 2015.

代冬梅， 吴国平， 司惠超. 基于DEM的浏阳市土地利用空间格局分析[J]. 安徽农业科学， 2009， 37（3）： 1231-1234.

黄衍， 查伟雄. 随机森林与支持向量机分类性能比较[J]. 软件， 2012， 33（6）：107-110.