基于遥感影像的上海市土地覆被变化及驱动力分析

杨丽君

(上海市地质调查研究院，上海市国土资源调查研究院，上海 200072)

0 引言

自20世纪90年代以来，全球环境变化研究领域逐渐加强了对土地利用/覆被变化(land use and cover change,LUCC)的研究。继“国际地圈与生物圈计划”和“全球环境变化人文计划”后，1995年发起了“土地利用/覆被变化”研究计划[1]，2005年又发布“全球土地计划”，以深化地球系统演化背景下人类—陆地环境系统的研究[2]。我国的LUCC 研究也已进行几十年，开展了一系列如土地利用变化监测、驱动力、变化趋势预测等方面的研究，研究对象集中于全国[3]、流域或区域[4-7]、城市[8-12]三个空间尺度，为如何规划、利用和节约有限的土地资源提供理论依据。

近30年来，上海城市规划建设和土地覆被格局都发生了翻天覆地的变化，其中土地规划和利用的问题不可小觑。国内学者对该地区的土地利用变化及其驱动力开展了一定的研究，并获得了一些成果。史利江等[10]运用航空影像人机交互目视解译方法结合GIS分析、数理统计方法分析了1994—2006年上海市土地利用的时空变化特征，以及人口、经济等因素对土地利用格局的影响。缪丽娟等[11]利用C5决策树分类方法提取遥感影像分类图，揭示了1990—2008年北京、上海城市用地格局变化的空间规律及异同点，并从人口、产业结构角度对城市化驱动机制进行了分析。李永浮等[12]采用地类转换矩阵法开展了浦东新区2009—2014年期间土地利用变化特征，并从城市人口、核心功能等方面分析浦东土地利用变化的影响因素。

在当前国家全面推进建立国土空间规划体系并监督实施的新形势下，根据上海市城市总体规划(2017—2035年)[13]，在严格控制城市规模的大背景下，必须坚持节约和集约利用土地，实现紧约束下的睿智发展。因此，深入开展土地覆被变化研究及驱动力分析对有效提高土地覆被利用效率，促进上海城市开发边界内空间紧凑集约，切实实现规划目标具有积极的现实意义。

1 数据来源及处理

1.1 数据来源

本文选取2006、2010与2015年三期的Landsat遥感(RS)影像数据对2006—2015年间上海市土地覆被类型的变化进行探究，数据来自地理空间数据云(http://www.gscloud.cn/)，具体参数见表1。

表1 影像详细信息表

1.2 数据处理

本文以ENVI4.7软件作为数据处理平台，遵循遥感影像处理的常规步骤，对数据进行了预处理、几何纠正、图像增强、图像融合及镶嵌等相关处理，因篇幅原因只阐述以下对信息提取比较关键的两点：

1)大气校正 利用FLAASH模块(Basic Tools-Preprocessing-Calibration Utilities-FLAASH)对三期影像进行大气校正，以降低云层和大气对影像光谱的影响，提高影像分类效果。尤其是2010年的Landsat7影像经过大气校正处理后，质量明显提升。

2)彩色合成 选取三个波段组合作为RGB通道并进行叠加处理后获得彩色影像以进行彩色合成。经过多种组合的尝试，最终选择采用标准假彩色合成(432)，效果比743组合要好，分类质量更优(见图1)。

1.3 图像解译

目前学术界中主流遥感图像的地物分类主要有非监督分类及监督分类两种。本研究选取监督分类的最大似然法作为基于传统统计分析学的代表，选取支持向量机作为模式辨别的代表来实现对地物进行分类。

1.3.1 类别判定

基于Landsat影像的最小分辨率及上海市区的土地覆被特征，本研究范围的土地覆被类型分为林地、耕地、草地、水域、建设用地和未利用地6类。

确定分类规则后在ENVI软件上建立ROI选取多边形样本，选取后可计算出若干个样本的可分离程度。可分离程度参数的数值均小于2，且参数越接近2即表明样本之间的可分离程度越高，样本选取质量越高，效果越好。一般情况下，大于1.5为及格样本。由2006、2010与2015年的ROI分离性报告(见图2～图4)看来，样本质量较佳。

1.3.2 精度验证

在ENVI 4.7软件中，可使用混淆矩阵及ROC曲线作为评价标准。本研究选取混淆矩阵进行精度验证。分类结果的混淆矩阵具有多个评估指标，如卡帕系数(Kappa)和总体分类精度(OA)。本研究选取这两个指标来对分类结果进行评估。Kappa计算公式为：

通过对最大似然的分类成果评估得到3期图像的混淆矩阵，整理后得到最大似然法和支持向量机法2006、2010与2015年三期影像分类的总体精度和Kappa系数(见表2)。Kappa系数通常落在0～1之间，数值越高则表示一致性越高，即分类精度越高，0.81～1表示可信度极高。

通过对比最大似然法与支持向量机法，从混淆矩阵的两个评估指标来看，最大似然法的精确性高于支持向量机法。原因可能是影像的分辨率一般，无法展示出支持向量机的真正效果。比较后选取最大似然法作为本研究的最终分类手段。

表2 最大似然法和支持向量机法的总体精度和Kappa系数

2006、2010及2015年研究区域分类结果见图5。经过ENVI4.7软件分类后，三期的各类土地类型面积结果见表3。

表3 上海市土地覆被类型面积Tab.3 Shanghai land use type areakm2

2 结果分析

2.1 土地覆被变化分析

建立土地覆被变化模型可以清晰、直观地从定量分析的角度研究土地资源数量变化[14]。

2.1.1 上海市土地覆被变化

1)土地覆被动态度模型

土地覆被动态度模型可从定量分析角度清晰直观地研究土地资源数量变化[15]。

ⓐ单一土地覆被动态度可以反映出某个研究范围内一定时间段特定土地覆被利用类型的数目改变的具体状况[3]，具体公式为：K=(U2-U1)/U1×(1/(t2-t1))×100%，其中：K指单一土地覆被动态度的数值；U1、U2分别是研究区域中两个时间节点特定某一种土地覆被类型的面积数值；t1、t2分别为初期时间与末期时间。

利用ENVI4.7软件进行影像分类得到的2006、2010与2015年三年的各类土地覆被类型数据，整理后得到2006—2015年的单一覆被动态度(见表4)。

表4 2006—2015年上海市单一土地覆被动态度

计算得出2006—2015年上海市综合土地覆被动态度,2006—2010年为5.39%，2010—2015年为6.33%，2006—2015年为5.78%。

2)转移矩阵分析

土地覆被转移矩阵可描述研究范围内不同覆被类型间的转移变迁情况。本文选取ENVI4.7软件生成转移矩阵，通过将2006、2010与2015年上海土地覆被状况图进行空间叠加处理，然后对叠置后的土地覆被变迁专题图进行计算分析，得到土地转移矩阵，从而得到上海市内6种土地覆被之间彼此转化的结果(见表5、表6)。

表5 2006—2010年上海土地覆被转移矩阵

表6 2010—2015年上海土地覆被转移矩阵

整体上看：2006—2015年上海市林地与耕地面积都在逐渐萎缩减少；草地面积小幅度上升后增长迅速；水域面积增长后回落，绝对数值变化并不是很大；建设用地稳步上升；未利用地的年增长率达到了232.74%，这种情况应该与2010年上海市举行世博会及浦东机场填海扩建等有关，使得未利用地大幅度增加。而且，从综合土地覆被动态度大小来看，2006—2010年为5.39%，低于2010—2015年的6.33%，说明世博会之后土地覆被变化要比之前更为剧烈。

从转移矩阵不难看出：耕地的持续减少主要是因为转化成了林地和建设用地这两种土地覆被类型；草地面积前期虽与其他土地类型交换很大但绝对数量不大，后期草地增加主要由林地和建设用地转化而成；建设用地的增长主要由林地、耕地及未利用地减少再改变利用方式形成的。

2.1.2 市辖区土地覆被变化

为方便研究，本文将上海市的黄浦、徐汇、长宁、杨浦、虹口、普陀及静安这7个行政区合并为中心城区。通过土地覆被转移矩阵，结合2006、2010与2015年三期土地覆被分布图，能够得出2006—2015年6种土地覆被类型的变化图(见图6)，直观清楚地表现出特定6种土地覆被类型分布及增减情况：

从草地变化来看，浦东新区、崇明县和中心城区的草地面积增幅不大，其他行政区均明显增加，且集中于闵行区及奉贤区一带，青浦区西北部的草地覆被有减少的迹象。

从耕地变化来看，新增耕地主要集中于崇明县，少数新增耕地分布于浦东新区及青浦区，其他郊区耕地都呈现出减少的态势，说明上海市对农业发展的依赖性和重视性降低。

从林地变化来看，2006年林地主要集中分布于崇明县、奉贤区和浦东新区的边缘地带；2015年，崇明县的林地面积较2006年略微下降；林地在城区、浦东新区和闵行区也呈现减少趋势；新增的林地集中分布于上海西部的青浦区和松江区。

建设用地变化方面，中心城区、浦东新区、闵行区、宝山区和嘉定区的建设用地变化幅度较小；崇明县建设用地增长的同时，其东南部建设用地有部分也转化为了耕地；其他行政区的建设用地也表现出不断增长的趋势。

新增的未利用地主要集中于崇明县，崇明县东南部的少量未利用地被加以改造成林地。其他行政区的未利用地也都呈现增长趋势，可能是为下一步的土地改造做准备。

2.2 驱动力分析

土地覆被利用类型的改变主要受自然地理、人类社会经济及土地覆被管理等因素的影响。在针对土地类型变动的驱动力作用研究中，较为主流和有效的定量分析方法为主成分分析法[16]。主成分分析通过降维，将若干个参数转化为少数几个综合参数，可简单变量，使结果更科学有效[17]。从2006年至2015年的土地覆被利用变动来看，耕地是其中变化最为明显的土地类型，所以本研究将以耕地为例，结合《上海统计年鉴》数据，对耕地变动的驱动因子进行定量分析研究。

经过综合考量，本研究利用SPSS 22.0软件将2006—2015年的数据作为样本，再从影响耕地利用变化的社会经济因子中选取了15个指标。首先对耕地及15个社会经济因子进行相关分析，结果见表7，其中居民消费水平、房屋竣工的面积大小、第一产业产值比例和地方财政收入与支出都与耕地面积存在较为显著的相关关系，需使用主成分分析进一步探究。

表7 耕地面积与15个社会经济因子相关分析表

由表8知，变量相关系数矩阵有两个特征值明显比1大，即11.413及2.492，与之对应的第一、第二主成分的贡献率分别为71.329%和15.577%，还有一个特征值略大于1，即1.003，贡献率为6.268%。三个比1大的特征值所属的主成分累计贡献率达到了93.173%，故利用前三个主成分可囊括绝大部分的有效信息[18]。

表8 耕地面积驱动力因子的主成分特征值和贡献率

由表9知，全市居民消费水平、户籍人口和建筑业总产值与第一主成分的正相关关系最大；第二主成分主要与人口自然增长率存在正相关关系。由此表明，耕地面积的变化与近年来上海市居民生活水平的逐步提高、人口的不断攀升，以及建筑业的快速发展有很大的关系，这些因素是引起耕地面积变动的主要驱动力因子。

表9 耕地覆被的驱动力因子载荷矩阵

3 结论与展望

本文利用数理统计分析手段并结合RS及GIS技术，客观分析了上海市2006—2015年土地覆被类型变化的具体状况，分析了6种土地覆被类型变迁的数量、空间和幅度特征。同时使用SPSS 22.0软件探究了上海市耕地面积变动的主要驱动力，即为全市居民消费水平、户籍人口、建筑业总产值和人口自然增长率。从研究的结果来看，本文有助于上海市政府对土地覆被变化的思考，并提供了科学性建议，认为其关键在于提高土地利用效率。

利用遥感和图像分类技术对地物进行解译再作分析已成为地理学研究的一种主流方法，但由于多种因素的限制，尚存在不足，未来将会从以下几个方面开展后续研究：1)选取更高精度的遥感影像并尝试多种有效分类手段，提高分类精度质量；2)因经济驱动机制和人口驱动机制的极度复杂性，要着重围绕经济和人口对土地变迁的驱动机制开展探究。