基于随机森林的土地利用分类与景观格局分析

李 敏，刘国栋，谭 凌

（1.重庆交通大学土木工程学院，重庆 400000）

土地利用/覆被类型的景观格局是区域土地利用/覆被状况的直接反映，揭示了不同土地利用类别（如城市土地、农业土地等）斑块的存在性、多样性和空间分布等特征，开展土地利用/覆被的景观格局研究对土地的管理与利用具有重要意义[1-7]。基于多时序土地利用数据，选取适当的景观格局指标，分析研究区的土地利用景观格局变化影响的大小和强度，动态化深层次的表达与全面掌握研究区土地利用/覆被变化的过程及趋势，有助于了解研究区域土地利用类型及阶段性整体的变化状况[8-11]。

本文以济南市市中区为研究对象，首先应用ENVI5.3软件平台和采用IDL语言设计开发的包含随机森林算法的EnMAPBox插件，对遥感影像实现随机森林分类；其次计算10 a间土地转移矩阵查看各土地利用类型转换状况；接下来利用Fragstats 4.2软件，从斑块类型和景观水平两方面选取景观格局指数计算分析3期土地用变化景观格局，以此了解研究区的土地利用情况。

1 研究区与数据源

1.1 研究区概况

研究所用的影像范围为隶属于济南市中心城区之一的市中区，地理位置于36°35′36″N～36°40′04″N，116°54′29″E～117°02′01″E之间，东西最大横距17.5 km，南北最大纵距12.5 km，总面积为280 km2。该区地势南高北低，坡差较大，南有群山，北依平原，最高处海拔高程为450.5 m，最低处海拔高程为30 m，属暖温带半湿润大陆性季风气候[12]。

1.2 研究数据获取

本文数据主要包括landsat影像、DEM、高分辨率影像和矢量数据等，详细的数据来源与说明如表1所示。

表1 数据来源与说明

1.3 研究数据处理

数据处理过程如图1所示，首先对landsat系列影像进行辐射定标、大气校正和裁剪。为提升遥感影像分类精度，计算获取NDVI、NDBI和MNDWI的光谱指数计算和纹理分析等专题特征数据。由于所选DEM数据的分辨率为90 m，所以对其进行重采样为30 m分辨率后裁剪。经过上述处理后，将各个时间段的多种数据合成作为基础图像。基于常用的分类体系和研究区实际情况对2005年、2010年和2015年3个时期的合成影像选择合适的波段组合进行目视解译，并将土地利用类型划分为建设用地、耕地、林地、水体及其他土地这5种用地类型，选取适量的训练样本。为了检验分类效果，基于Google Earth Pro中研究区的相应年份的高分辨率影像选择验证样本。

图1 数据处理过程

本次实验的随机森林分类在EnMAP-Box下实现，将参数设置为默认值，即N为100，m为总特征参数个数M的算数平方根。对3个时期的合成影像依次进行分类，得到各时期的分类结果。本次实验对各时期的分类结果进行了分类后处理。

2 数据与研究方法

2.1 随机森林原理

随机森林（RF）算法综合了Bagging集成、CART决策树和特征随机选取思想[13]，通过随机选择向量生长构成分类树，每一棵树都依赖于一个随机向量，所有向量都是独立分布的，每棵树都会完全生长，不需要剪枝。每棵树从随机选出的几个变量中最优分裂产生，生成所有决策树之后，用投票的方法对所有决策树的分类结果进行综合，获得最终结果[14-15]。随机森林构建过程如图2所示，应用随机森林模型分类器需要设定2个重要参数：决策树的棵数（Ntree）和完成分类所需的变量参数（Mtry）[16]。根据Breiman建议，设定m（随机特征变量的个数）等于M（特征变量的总数）的平方根进行分类，当Ntree≥100时，各分类情况的oob误差趋于稳定，随机森林未出现过拟合的现象，因此设置决策树Ntree=100。

图2 随机森林方法主要过程[17]

2.2 土地利用转移矩阵

土地利用格局的时空演变，不仅包括其数量、空间分布上的变化，其形状、地类、及组合方式的变化也是其研究的重点。土地利用转移矩阵可用于研究各种土地利用类型之间的转向情况[18]，体现了土地利用结构变化情况，包括地类间转出转入情况。转移矩阵的形式为：

式中，S为土地面积；n为土地利用的类型数；i和j分别为研究期前一期和后一期的土地利用类型。

2.3 景观格局指数

景观指数是指可以准确地描述和反映景观构成和空间布局等特征的一系列指数，可以高度概括景观格局信息的定量指标[18]。描述土地利用格局特征的景观指数较多，本文参考前人的研究成果[19]且结合本文需要选取斑块类型和景观水平2个方面，斑块类型方面选取斑块类型面积（CA），景观类型百分比（PLAND），斑块个数（NP），最大斑块指数（LPI），周长-面积分维数（PAFRAC），散布与并列指数（IJI），斑块结合度指数（COHESION）、平均斑块形状指数（SHAPE_MN）共8项指标。景观格局水平方面，选取斑块密度（PD）、边缘密度（ED）、周长-面积分维数（PAFRAC）、蔓延度（CONTAG）、分离度指数（SPLIT）、香浓多样性指数（SHDI）、香浓均匀度指数（SHEI）共6项指标。

3 结果与分析

3.1 样本可分离性计算与分析

要使最终的分类结果真实可靠，样本的选取至关重要，对样本进行可分离性计算，用Jeffries-Matusita参数来表示，该参数的值在0～2之间，如果该值大于1.9，说明样本之间的分离性好，属于合格样本；如果该值小于1.8，就需要重新编辑或者重新选择样本；如果该值小于1，就可以考虑将这两类土地类型合并成一种土地类型[20]。本次实验对3期合成遥感影像各选取了建设用地、耕地、林地、水体及其他土地5种土地类型的样本，进行可分离性计算。3期实验结果Jeffries-Matusita参数值都大于1.9，表明此次实验训练样本选取合适。

3.2 分类结果及精度评价

基于随机森林方法的各时期分类结果如图3所示，然后使用在Google earth Pro获得3期的验证样本对其进行精度评价。精度评价是遥感影像土地利用/土地覆盖分类的重要一环，对分类结果进行精度评价可以确定分类结果数据的可靠性，进而可以对分类方法进行分析评价，判断分类方法的适用性，对分类方法的研究和高精度分类结果的获取都有重要意义。混淆矩阵是常用的评价方法[21-22]，通过混淆矩阵可采用制图精度、用户精度、总体精度和Kappa系数等实现定量化精度评价数据。Kappa系数取值范围为0～1，当Kappa系数小于0.4时，说明分类结果的一致性较差；当Kappa系数介于0.4～0.75时，说明分类结果的一致性一般；当Kappa系数大于0.75时，说明分类结果的一致性良好。由表2可以看出，3期样遥感影像总体精度都大于94%，Kappa系数都大于0.9，此次分类结果良好。

图3 2005-2015年土地利用分类结果图

表2 2005～2015年土地利用类型精度评价

3.3 土地利用变化分析

土地利用转移矩阵的计算是以前一时期的分类结果为基础，求出3个时期土地利用类型间的相互转化量，分别得到2005-2010年、2010-2015年及2005-2015年间土地利用转移矩阵。

由表3可知，2005-2010年间，建设用地面积增加6.82 km2，主要的变化来自耕地和林地的减少；耕地面积增加4.89 km2，主要源于建设用地和林地的变化；林地面积减少6.93 km2，流失的林地主要转化为其他用地和耕地；水域面积减少0.19 km2，变化幅度不大，流失的水域面积主要转化为建设用地；其他用地面积减少4.59 km2，减少的用地面积主要转换为林地和耕地。2005-2010年间土地利用变化不明显，基本保持原有面貌，但随着人口的缓慢增加，建筑用地和耕地也会略有增加。

表3 2005－2010年土地利用变化转移矩阵/km 2

由表4分析可知，2010-2015年间，建设用地面积增加12.15 km2，主要的变化原因来自耕地和其他用地的减少；耕地面积减少23.63 km2，变化幅度较大，主要源于建设用地和其他用地的变化；林地面积增加12.67 km2，主要的变化源于耕地和其他用地；水域面积减少0.58 km2，流失的水域面积主要转化为建设用地和耕地，变化幅度不大；其他用地面积减少0.61 km2，减少的用地面积主要转换为林地和耕地。

表4 2010－2015年土地利用变化转移矩阵/km 2

通过表5分析可知，2010-2015年10 a间土地利用变化情况，建设用地面积增加18.95 km2，主要的变化源于耕地和林地的减少；耕地面积减少18.72 km2，变化幅度较大，主要源于建设用地和其他用地的变化；林地面积增加5.75 km2，主要的变化源于耕地和其他用地；水域面积减少0.79 km2，流失的水域面积主要转化为建设用地和耕地；其他用地面积减少5.19 km2，减少的用地面积主要转换为林地和耕地。

表5 2005-2015年土地利用变化转移矩阵/km 2

3.4 景观类型的格局变化分析

利用Fragstats 4.2软件，根据所选指标实现统计运算分析。表5表示2005年、2010年和2015年基于所选8种景观类型指标的指数结果。从景观类型面积（CA）、用地占比（PLAND）和最大类型斑块指数（LPI）整体来看，3个时段的用地类型特征都表现为建设用地＞耕地＞林地＞其他用地＞水域，说明建设用地是整个研究区的主要景观要素，组成了研究期内景观的基质类型。

建设用地方面，2005-2015年间占地面积占比（PLAND）不断加大，最大斑块指数（LPI）逐步增长，结合度指数（COHESION）也不断增大，斑块数量（NP）前期减少后期增加，但增加变化幅度不大，说明建设用地斑块在不断聚集的同时，其周边的景观类型也变得多样性。周长-面积分维度（PAFRAC）前期减少后期增加，说明这一时期内斑块形状表现为先趋于简单后趋向复杂。这也说明随着经济发展和人口增多，城市建设用地需求增大。

水域面积占整个研究区面积的比例较小，所以景观类型百分比（PLAND）变化不大，散布与连接指数（IJI）变化幅度较大，最大斑块指数（LPI）和斑块结合度指数（COHESION）总体上都呈现出先增加后降低趋势，反映了水域受到人类活动的影响较大。

林地方面用地类型面积（CA）、占地面积占比（PLAND）都呈先下降后上升趋势，最大斑块指数（LPI）、散布与连接指数（IJI）和斑块结合度指数（COHESION）总体上都呈现出增加趋势。

耕地利用方面，2005-2010年间其用地类型面积（CA）、占地面积占比（PLAND）和最大斑块指数（LPI）都呈上升趋势，表明其他类型的用地转转换为耕地供人们使用，而2010-2015年间用地类型面积（CA）、占地面积占比（PLAND）和最大斑块指数（LPI）都呈减少趋势，表明耕地用地减少，伴随人类活动与社会发展以及城市化建设，大量耕地被占用的现象十分严重。散布与并列指数（IJI）总体变化不大，斑块结合度指数（COHESION）先升后保持不变，表明耕地景观与其他景观类型斑块间形成较为良好的连接性。

其他用地方面，其用地类型面积（CA）、用地占比（PLAND）和斑块数量（NP）都呈现下降趋势，说明随经济水平的发展，其他用地的景观占有率逐步减小，其他用地未来可能将继续向其余优势类型土地转移。最大斑块指数（LPI）逐年降低，表明该斑块分离程度升高，破碎化加深。面积加权平均形状指数（SHAPE_MN）呈先升后下降趋势，总体上土地斑块形状趋于更加规则化和简单化。周长-面积分维数（PAFRAC）变换不大，散布与连接指数（IJI）和斑块结合度指数（COHESION）呈增加趋势，表明其他用地土地斑块与其他的景观类型相邻程度增加，比邻概率较高。

3.5 景观水平的格局变化分析

2005-2015年景观水平格局变化结果如表6所示，从3个方面分析，首先由斑块密度指数（PD）及边界密度指数（ED）可得，研究区斑块密度（PD）先减后增，整体看，景观连续性趋向增强；边界密度（ED）先减后增，这是由于优势景观斑块向周边景观扩张，导致了斑块之间的边缘总长度的增长，从而使得边界密度上升。说明在城市化背景下，城市建设速度十分迅速，城市变得密集，连接性增强；其次从蔓延度指数（CONTAG）及分离度指数（SPLIT）结果看，2005-2010年间，蔓延度指数（CONTAG）在增加，说明这5 a间不同土地利用类型之间的聚集程度增加。2010-2015年间蔓延度指数（CONTAG）略有下降，说明这5 a间不同土地利用类型之间的聚集度程度略有降低，但是变化幅度不大。

表6 2005-2015年景观斑块类型指数

2005-2015年间，分离度指数（SPLIT）逐步下降，说明随着城市整体景观斑块形成规模，单个斑块面积变大，景观趋向聚合；研究区香浓多样性指数（SHDI）和香浓均匀度指数（SHEI）都呈现下降的趋势且变化幅度不大，证明城市景观具备了较为完备的多样性特征。香农多样性指数与香农均匀性指数的下降，也说明单元土地利用景观类型对整个景观的影响力更趋于均衡化，随着社会经济发展水平的提升，优势土地利用景观类型逐步向周边景观扩张，导致景观多样性及景观均匀度下降，如表7所示。

表7 2005-2015年景观水平指数

4 结语

本次实验综合利用中等分辨率Landsat TM、Landsat 8 OLI的3期影像和专题特征数据，采用随机森林的机器学习方法经多次实验获得较优的土地利用分类结果，通过土地利用转移矩阵和景观格局指数等多方面运算对研究区域进行土地利用变化分析。研究发现，研究区域主要以建设用地为主，并且不同阶段土地利用变化存在差异。

未来还需要从以下3个方面改进研究工作：①为了提升精度，应结合野外实际考察点进行分类；②对于专题特征的选择可进行多种组合的验证以此辅助提升影响分类精度；③可从景观格局变化对土地利用变化的影响程度与强度的角度，探索景观格局和土地利用变化间的联系。