基于Sentinel-1和Landsat 8 OLI数据的汝州市土地利用变化研究

2020-11-05 12:08王金亮
云南地理环境研究 2020年4期
关键词:汝州市土地利用精度

邓 飞,王金亮*

(1.云南师范大学 旅游与地理科学学院,云南 昆明 650500;2.云南省高校资源与环境遥感重点实验室,云南 昆明 650500;3.云南省地理空间信息技术工程技术研究中心,云南 昆明 650500)

0 引言

近年来汝州市凭借着优势的地理位置和深厚的文化底蕴,经济发展迅速,城市扩张加快,汝州市的土地利用发生了显著变化。土地利用变化与生态环境变化有密切关系,深入的研究区域土地利用变化可以为生态环境的研究和治理提供重要依据,对未来气候和社会经济具有明显的反馈作用[1]。另外土地利用变化监测对城乡规划、土地资源管理等方面有着重要的意义。

遥感技术作为新兴技术,相对于传统的土地利用调查,具有探测范围广,数据采集快,数据类型丰富,数据处理方便等优点,目前在土地利用变化监测中已经得到了广泛的应用。国内外学者研究方向也各有不同,有的利用多时相中低分辨率光学遥感影像对土地利用变化进行监测,有的利用多时相的高空间分辨率影像对土地利用分类。如叶红等[2]利用Landsat遥感影像对郑州市土地利用景观格局进行分析。其分类结果中,耕地、林地和水体的分类效果很好,但由于空间分辨率相对较低,交通用地、建设用地的提取效果相对较差。如陈启浩等[3]对广西横县某矿区的高分辨率航空遥感影像进行了土地利用分类。对于监测某些区域小范围的生态环境是非常有效的,但基于实际问题的应用,高分影像对于大面积的宏观监测,又体现出了数据量大,分类处理速度慢,数据获取困难等问题。也有不少学者运用雷达数据进行土地利用分类。如王树文等[4]对某一地区ERS-2 PRI数据进行土地利用的研究。虽然区分水体与建筑的能力较强,但在土地利用分类中总体分类精度不够高,对于林地、水体、裸地、耕地等区分能力较弱。

光学数据的优势在于其光谱信息丰富,可以更直观地区分地物,对植被和道路等光谱信息差别较大的区分能力强。但对于城市建筑物和道路的区分度就相对较弱,且容易受到外界天气因素的影响。合成孔径雷达SAR数据不受外界天气因素的影响,可以获取云覆盖下的图像信息,并且图像具有较好的纹理信息,可以弥补光学信息的不足[5]。因此可以运用不同的数据源,通过数据融合,结合各自的优点,进而提高分类精度。针对光学影像和SAR影像的融合研究也屡见不鲜。如郭交等[6]将Sentinel-1和Sentinel-2数据融合针对一类地物的进行研究。对于具有少量云层的融合图像,作物分类的总体准确度和Kappa系数得到极大改善。又如翟天林等[7]对Sentinel-1A和Landsat8 OLI运用Gram-Schmidt变换方法进行影像融合,选取不同的分类方法对融合影像进行分类,提取研究区土地利用信息,提取精度较融合之前有很大的提高,其中SVM分类法的分类精度要远高于传统分类法中的最大似然法。

以汝州市为例,将2015~2018年4期Landsat8 OLI和Sentinel-1A遥感影像,运用Gram-Schmidt变换方法进行影像融合,然后运用支持向量机的分类方法,对汝州市土地利用进行分类,并运用主成分分析的方法,对汝州土地利用变化进行驱动力分析,以便于更好的对该地区的土地资源管理和环境改善等方面提供科学的决策支持。

1 研究区概况和数据源1.1 研究区概况

汝州市位于河南省中西部。地理坐标为北纬33°56′~34°20′,东经112°31′~113°07′。北靠巍巍嵩山,南依茫茫伏牛,南北山连绵起伏向中部延伸,形成了丘陵和河川相间的地貌,总面积1 573 km2(图1)。该地域属暖温带大陆性季风气候,四季分明,春旱夏雨秋爽冬寒。汝州是汝瓷之都、曲剧故乡,是中国中部经济实力20强县,2018年年末全市总人口109.64万人,常住人口96.84万人。近年来在政府的有力领导下,汝州市的发展加快了步伐,教育园区的建立、城市中心的迁移和建设、乡村振兴政策的落实等使土地利用也发生变化。

图1 研究区地理位置Fig.1 Location of the study area

1.2 数据源

从地理空间数据云(http://www.gscloud.cn)免费获取2015~2018年的Landsat8 OLI影像(表1);从欧洲航天局Copernicus Open Access Hub(https://scihub.esa.int)免费下载2015~2018年的Sentinel-1影像(表2);其他数据:汝州市矢量边界、30 m DEM数字高程数据、百度地图高分影像、2015~2018年汝州市统计年鉴等。

表1 Landsat8 OLI影像信息(Level-1级数据)Tab.1 Landsat8 OLI image information(Level-1 data)

表2 Sentinel-1影像信息(Level-1级数据)Tab.2 Sentinel-1 image information(Level-1 data)

2 研究方法

2.1 技术路线

分别对Landsat8影像和Sentinel-1影像进行数据预处理,将两种数据运用Gram-Schmidt变换方法进行影像融合。结合百度地图高分影像选择各期的分类和检验样本,运用支持向量机的分类方法,对融合后遥感影像进行分类,并对分类结果进行精度评价(图2)。

图2 技术路线Fig.2 Technical route

综合2015~2018年的汝州市土地利用分类结果,运用ArcGIS空间分析功能对汝州市土地利用分类结果进行变化研究,得出不同地类的变化面积以及汝州市土地利用整体的变化趋势,并结合汝州市的DEM数据分析各地类分布的地理位置。结合汝州市统计年鉴数据,从社会经济角度运用主成分分析法对汝州市土地利用变化驱动力进行分析。

2.2 Gram-Schmidt变换图像融合

Gram-Schmidt变换是线性代数和多变量统计中常用的方法,它通过正交化消除冗余信息[8]。一般来说,Gram-Schmidt在大多数数据融合中都比较精确,效果最好的表现在具有相同表面特征的图像中。

基于GS变换融合SAR影像和多光谱影像的步骤[9]:

(1)使用低空间分辨率的多光谱影像(Landsat8 OLI)模拟高空间分辨率波段影像(Sentinel-1A VV极化),并使用模拟的高分辨率波段作为GS变换第一个波段;

(2)对模拟的高分辨率波段和低分辨率多光谱影像进行GS正变换;

(3)通过计算模拟的高分辨率波段影像和原始的高空间分辨率波段影像的协方差矩阵来进行直方图匹配,得到匹配后的高空间分辨率波段影像;

(4)将经过匹配的高空间分辨率波段影像作为GS变换后的第一个波段,进行GS逆变换,即可得到融合的多光谱影像。

2.3 支持向量机分类

支持向量机(Support Vector Machines),简称SVM,是建立在统计学习理论基础上的一种新型的机器学习方法。SVM具有结构和经验最小化的特点,在有限样本的前提下使样本之间的分离程度最大化,并且对非线性样本的处理收敛度较好。在遥感图像分类方法中,无论是运算处理速度,还是分类结果精度方面都展现出其优势[10]。其最优分类函数为[11]:

f(x)=sgn[(ω·x)+b]

(1)

常用的核函数类型有:线性核函数、多项式函数、径向基函数、sigmoid核函数。由于径向基函数在处理多维数据时具有较好的结果,尤其对于土地利用的分类更能展现出其处理速度快、分类精度高等优势。因此本文采用径向基函数作为SVM的核函数对影像进行分类[12]。

2.4 综合分析法

土地利用的驱动力分为内部驱动力和外部驱动力[13]。内部驱动力主要有地理位置、气候变化等自然因素;外部驱动力主要有人口、政策、经济等人文因素。内部驱动力宏观上影响着土地利用的空间布局,它的影响是长期的,具有一定的自然规律;外部驱动力可以在很短的时间改变土地利用,并且与人文、经济、产业发展有着密切关系。

主成分分析是将原始多个指标线性转化为若干个可以充分反映整体信息的独立指标,有利于进一步分析[14]。在主成分分析中,提取的每个主成分是多个指标的线性组合。另外其在提取的过程中,尽可能地保留了原始变量的信息,且保证彼此不相关。使用SPSS 20.0软件集成的主成分分析工具,选取一定量的经济发展指数作为变量,对外部驱动力进行提取和分析。

3 结果与分析

3.1 分类精度评价

经过预处理的Landsat8 OLI全色和多光谱融合后的15 m分辨率的影像(图3),经过预处理后的Sentinel-1A VV极化波段与Landsat8 OLI多光谱融合后的10 m分辨率的影像(图4)。

图3 2018年OLI全色和多光谱融合影像Fig.3 2018 OLI pan and multi-spectral fusion image

图4 2018年VV极化与OLI多光谱融合影像Fig.4 2018 VV polarization and OLI multispectral fusion image

参考相同时相的百度地图高分影像,在ENVI中选取各地类的分类和检验样本,然后将两幅影像均用基于SVM的监督分类进行土地利用分类,并进行精度评价。统计计算混淆矩阵(表3、4)得出分类的整体精度以及各地类的分类精度。结果(表5)表明,无论是总体精度还是Kappa系数2018年SAR融合影像比2018年全色融合影像分别高出1.45%、0.019 7。另外不同地类的精度评价中(表6),2018 SAR融合影像分类中耕地、林地和建设用地整体精度都有较小提高,这就是结合了SAR影像后影像在建筑物与耕地等地类的区分度有所增强,进而提高了分类的精度。在分类样本选取中,发现裸地的光谱反射率与建筑极为相似,因此对其分类需结合纹理信息和几何信息,而SAR融合影像恰好增强了这方面的特征,裸地的生产者精度较融合前提高了10.31%。但裸地的分类精度仍然较低,这是因为河滩等部分的植物与耕地以及山区砂石裸地与建筑物在影像上很难分辨。

表3 2018年OLI全色和多光谱融合影像混淆矩阵Tab.3 2018 OLI pan and multi-spectral fusion image confusion matrix

表4 2018年VV极化与OLI多光谱融合影像混淆矩阵Tab.4 2018 VV polarization and OLI multispectral fusion image confusion matrix

表5 整体精度指数Tab.5 Overall accuracy index

表6 各地类整体精度 %Tab.6 Overall accuracy of each class %

土地类型“其他”是影像云层覆盖区,融合后的影像,生产者精度高达99.03%,但是用户精度较低,这是由于融合后,云层的阴影部分与建设用地的特征相似,无法较好的分辨。而未融合的反而直接通过光谱特征直接进行分类,没有多特征的影响,因此融合有利也有弊,特征维数增加可能会影响到个别地类的分类精度。但是大多地类分类结果精度还是比融合前要高。因此融合后的影像能提高整体分类的精度是毋庸置疑的。

3.2 分类结果分析

对两期影像的土地利用分类结果进行定量化制图分析,得到2015~2018年汝州市各地类面积变化图(图5)。从土地利用变化图可以看出汝州市各地类的整体变化趋势,建设用地整体呈增加趋势,林地面积正在增加,耕地面积逐渐减少,水体的储存量和径流量变化较小。

在Arc GIS中对两期土地利用图进行叠置分析,通过分析属性表得到2015~2018年汝州市土地利用变化的转移矩阵(表7),从表中可知2015~2018年土地利用变化很大,其中变化量最大的是耕地从922.46 km2减少到755.55 km2,主要转化成林地和建设用地,其次是林地从400.97 km2增加到530.66 km2,主要来源是耕地,第三是建设用地

图5 2015~2018年汝州市各地类面积

Fig.5 Regional area of Ruzhou City from 2015 to 2018

从232.20 km2增加到261.96 km2,主要来源是耕地,但是2015~2018年建设用地不变的面积却只有170.14 km2,这是两期分类精度的差异而造成的。水体的分类结果变化率最大,其中有将近1/4的面积都转化为建设用地,这是由于近几年汝河的储水量以及径流量较小,河滩面积较大,而河滩的影像特征又与建筑物相似,分类精度不够,因此大部分河滩被分为建筑。

由于本次分类影像分辨率较低,所以没有将草地列为分类的类别中,因此耕地和林地面积相对实际面积会相对偏大。但是可以整体的看出土地利用的变化,并且可以通过转移矩阵量化分析土地利用变化的面积,提供较为科学的依据。

表7 2015~2018年汝州市土地利用变化转移矩阵Tab.7 Land use change transfer matrix of Ruzhou City in 2015-2018 km2

3.3 驱动力分析

3.3.1 自然因素

自然因素是在长时间尺度上影响着土地利用的变化,其中气候、地形、土壤、水文等都是重要的因子。虽然自然因素对短期的土地利用变化影响较小,但却与土地利用的分布有着密不可分的联系,人们最擅长的就是因地制宜,在不同的地形进行相应的生产活动。

3.3.1.1 气候因素

受经纬度和地形的影响,特定的区域有着别具一格的区域性气候,通过查询汝州市2015~2018年的统计年鉴,统计出了汝州市2015~2018年年平均气温和降水量(表8),年平均气温温和,平均年降水量也逐年增加,说明降水丰沛,为林区树木的生长提供了有利的自然条件,林地的面积也从2015年的400.97 km2增加到2018年的530.66 km2。

表8 年平均气温及降水量变化Tab.8 Annual average temperature and precipitation changes

3.3.1.2 地理因素

运用ArcGIS软件,结合汝州市DEM数据对土地利用进行坡度和坡向可视化分析,得到2015~2018年的土地利用晕渲图(图6、7、8、9),可以清楚地看汝州市土地利用的整体变化趋势,以及各地类的地形分布状况。汝州市的平均海拔为225 m地势整体较为平缓,在坡度小、海拔低的平缓地区耕地和建设用地分布较广,在坡度大、海拔高的

图6 2015年土地利用晕渲图Fig.6 2015 land use shading map

图7 2016年土地利用晕渲图Fig.7 2016 land use shading map

图8 2017年土地利用晕渲图Fig.8 2017 land use shading map

图9 2018年土地利用晕渲图Fig.9 2018 land use shading map

地方林地分布较广。通过观察分析可知市区的建设正在向外扩张,小部分市区周围的耕地按照市区的规划变为建设用地;耕地逐年减少,坡度较大的地区的耕地逐渐变成林地,北部、东北部以及西南部山区变化最为明显。林地逐年增加,并且多分布在坡度较大的地方。

3.3.2 人文因素

人类活动对土地利用的影响主要是通过社会生产活动而起作用。社会经济和政治文化因素对于短时间尺度的土地利用变化起着主要的作用。中国城镇化的脚步不断加大,汝州市的城镇化的速度也日趋加快,人们在解决温饱问题后,开始追求土地经济效益,大到政府小到家庭都知道农业的收益远低于比工业和服务业,因此政府扩大投资规模,规划土地布局,而部分农民转租土地外出务工,或是旱地退耕种植经济林,使得土地利用逐渐发生变化。

3.3.2.1 政策因素

中国将农村土地耕地坡度划分为5个等级:≤2°、2°~6°、6°~15°、15°~25°、>25°。根据中国《水土保护法》,坡度在25度以上的耕地应逐步将退耕还林还草。而汝州市坡度较大的地区也占到了一定的比重,并且大部分都是临时性耕地,按照政策都应该逐步退耕。

在汝州市城乡规划的“1573”全域发展战略中,建设全域一体、宜业宜游的现代化区域性中心城市,打造省级经济技术开发区、商务中心区、科技教育园区等“七大园区”,规划建设老城片区、新城片区、产城片区三大片区,使得建设用地的面积不断增加;另外汝瓷小镇、温泉小镇、云禅小镇3个国家级特色小镇和小屯镇、临汝镇、寄料镇3个国家级重点镇的建设,成为了土地利用变化的重要政策因素,各乡镇对土地利用进行了整体的配置,建设用地、耕地和林地都随着小镇的建设而发生较大变化。

3.3.2.2 社会经济因素

结合汝州市2015~2018年统计年鉴,选取能够反映社会经济发展进程的13个重要指标作为变量:X1年末总人口/万人、X2人均GDP/元、X3第一产业占GDP比重/%、X4第二产业占GDP比重/%、X5第三产业占GDP比重/%、X6城镇人口数、X7农村人口数、X8粮食总产量/万吨、X9林业产值/亿元、X10农业总产值/亿元、X11牧业总产值/亿元、X12城镇居民人均纯收入/元、X13农民人均纯收入/元。这些指标与土地的变化有着密切的联系。

利用SPSS 20.0软件计算得到特征值及各成分贡献率(表9)及旋转后的主成分载荷矩阵(表10)。从表9可以看出,第一、第二和第三主成分的累积贡献率已达到100%,表明前3个成分提供了原始数据的充分信息并完全满足分析要求。从表10可以看出:第一主成分与X5,X12的相关性最大,与X1,X2,X6,X13也有较大的相关性,与X7呈较大的负相关;第二主成分与X10具有较大的正相关性;第三主成分与X11有较大的相关性。

城镇化进程加快,农村人口逐年减少,劳动力转移,进而导致耕地面积减少;产业结构调整,从原来的农产品直接售卖,到现在逐步向特色产品加工、餐饮业、旅游业等第三产业的发展;人均收入逐年提升,人们的生活水平也在逐步提高,农民的主要收入来源也从粮食收入转变成打工收入。综上,影响汝州市的土地利用变化的社会经济因素为经济发展、产业结构调整、农业结构调整等城镇化进程。

表9 特征值及各成分贡献率Tab.9 Characteristic values and contribution rates of each component

表10 主成分荷载矩阵Tab.10 Principal component load matrix

4 结论与讨论

(1)多光谱影像与SAR影像融合后的影像不仅具有多光谱影像的光谱信息,还融合了SAR影像的纹理信息,使融合后的影像特征更加丰富,增强了建筑和水体的区分度,提高了土地利用的整体分类精度,其中2018年SAR融合影像分类的总体精度,Kappa系数比没融合影像分类分别提高1.45%、0.0197。但是融合方法较为单一,融合精度还有待提高,因此后面可以将研究方向转向运用不同的融合方法对图像进行融合对比,并将相应的算法集成为简单的工具箱,确保算法应用的普适性以及理论知识的共享和实际应用。

(2)在过去4年中,汝州市的土地利用发生了较大的变化,耕地面积明显减少,尤其是坡度较大的地区,林地面积逐渐增加,这说明了生态保护政策得到了落实,同时也守住了耕地面积的红线;城市面积趋于增长趋势,建设用地逐渐增加,说明城市化进程正在逐步加快。由于影像空间分辨率的限制,本研究分类的类别比较宽泛,但是整体的土地利用变化趋势及空间分布还是能够体现出来的。

(3)根据主成分分析的结果,可以得到汝州市近4年的经济发展迅速、第三产业比重逐年增加、城镇化率正在逐年增加、农村人口正在逐年减少、人们的生活水平在逐渐提升,这些都和国家政策落实,乡村振兴计划逐步实施,生态保护措施加强,产业结构调整等息息相关。这些因素与土地利用变化都有着直接的关系。

(4)从汝州市的土地利用变化情况来看,其发展从整体上呈良好的趋势,有完善的规划和落实。从驱动力的视角来看,汝州市的发展动力正在转型,从第一产业向第二、三产业,从房地产开发到特色小镇,进而对土地利用产生影响。此外,转型过程中城市绿化、生态保护等方面还存在一些问题,对此提出以下几点建议:①以建设生态宜居城市为目标,对城市规划区绿化面积加大力度;②对于水资源要做好保护,在开发旅游景区的同时,制定并落实相应的保护政策,维持当地的生态平衡;③加大退耕还林政策的实施力度,尤其是山体破坏较为明显的地区,更要切实认真实施;④乡村振兴战略要因地制宜,发展和引进先进的农业生产资料,为农业结构调整、第三产业的发展提供支持,进而为农民提供更多的就业机会,增加农民的收入。

猜你喜欢
汝州市土地利用精度
热连轧机组粗轧机精度控制
汝州市
超高精度计时器——原子钟
《汝州市地质矿产志》出版发行
分析误差提精度
汝州市四家成功创建省级园林单位(小区)
习作点评
基于DSPIC33F微处理器的采集精度的提高
土地利用生态系统服务研究进展及启示
滨海县土地利用挖潜方向在哪里