基于多维特征优选支持向量机算法的城市土地利用变化遥感监测

周柱灿，郑云云，刘亚群

（1.重庆市规划和自然资源调查监测院，重庆 401120；2.中国科学院地理科学与资源研究所，北京 100101）

城市土地利用变化作为全球变化的重要组成部分，耦合气候变化和人类活动，影响着人类社会和生态系统的生存和发展[1-3]。城市土地利用变化在经济和人口增长的驱动下以空前速度在全球进行。至21世纪初，已有50%的全球人口居住于城市[4]。然而，过快的城市用地无序扩张会导致耕地和栖息地减少、生物多样性下降、交通拥挤、房地产泡沫、热岛效应、温室气体排放等负面影响，不利于社会进步和经济发展、粮食安全和生态保护[3，5-8]。实时准确获取土地利用分布信息是评估和应对这些社会-经济-生态负面影响的基础。早期的土地利用变化监测主要基于地面调查和统计资料，耗时费力，难以及时反映大尺度空间变化特征。自20世纪80年代起，遥感因具备快速、及时、准确获取大空间尺度地表信息的能力，被广泛应用于土地利用变化监测。在大空间尺度的城市土地利用变化长期监测研究中，具有较长收集历史的美国陆地卫星（Landsat）、Advanced Very High Resolution Radiometer（AVHRR）、Defense Meteorological Program Operational Line-Scan System （DMSP-OLS）、Moderate Resolution Imaging Spectroradiometer（MODIS）等中、低空间分辨率遥感数据应用最广泛。常采用归一化建筑指数 （normalized difference built-up index，NDBI）、归一化不透水面指数（normalized difference impervious surface index，NDISI）、遥感建筑用地指数 （index-based built-up index，IBI）、归一化植被 指 数 （normalized difference vegetation index，NDVI）、增强型植被指数（enhanced vegetation index，EVI）、基于NDVI或EVI等改进的夜间灯光指数等波谱指数识别城市用地[7-12]。然而，城市不透水地表与裸地、休耕地等存在光谱相似性，只使用单一或几个波谱指数难以区分。在小区域的城市土地利用变化监测研究中，常基于Systeme Probatoire d’Observation de la Terre（SPOT）、伊科诺斯卫星（IKONOS）、快鸟（QuickBird）等高空间分辨率影像开展面向对象分类，同时引入波谱、空间纹理等特征，能较好克服同谱异物现象[13-15]。但高空间分辨率影像较难获取，不适宜大区域长期监测研究。近年随着遥感和地理信息技术的迅速发展，中国高分系列、哨兵（Sentinel）系列等遥感卫星和中国环境与灾害监测预报小卫星星座、RapidEye、行星实验室（Planet Lab）等卫星星座的应用[16]，支持向量机（support vector machine，SVM）、机器学习、深度学习等算法的推广[17]，进一步提升了遥感数据的时、空、谱、辐等多维特征和数据处理能力，土地利用分布信息获取手段也由降维向多维特征融合发展，在提升识别精度时对降低数据冗余的考虑逐步减少。但目前城市土地利用变化遥感监测仍缺乏融合光谱、空间、时序等多维特征的研究[3]。在多维特征中，选择哪些特征参与分类，对提高分类精度至关重要，却往往被忽视，而且针对特定区域特定目标的地物识别，并非所有特征均有效。因此，目前急需有效的多维特征优选方法来提高识别精度。

此外，发展中国家城市土地利用变化及其负面影响通常大于发达国家，但未得到应有关注[18]。中国是世界最大的发展中国家，城市化率已从1978年改革开放时的15.80%增至2016年的57.35%[3]。作为中国西部唯一的直辖市，重庆市城市化率更是由1996年的19.09%激增至2016年的62.60%[19-20]。较之中国东南经济发达地区，西部城市土地利用变化引起的负面影响往往更严重。目前中国城市土地利用变化相关研究主要关注东南地区，而对生态环境脆弱的西部地区关注较少[3，8]。

因此，本研究以中国西部重庆市渝北区为例，提取了基于Landsat卫星Thematic Mapper、Enhanced Thematic Mapper Plus和Operational Land Imager（TM/ETM+/OLI）影像的多维特征，构建特征优化选择指标与模型，遴选最优特征组合，采用SVM算法准确识别了1996—2014年渝北区的城市土地利用分布，并分析了城市土地利用时空变化特征。

1 研究区及数据源

1.1 研究区概况

重庆渝北区（106°27′E～106°58′E，29°34′N～30°07′N）是中国西南部的重要增长极和城市新中心，地处“丝绸之路经济带”和“长江流域经济带”核心区、重庆都市发达经济圈和两江新区核心区（图1）。自1994年底撤县建区以来，渝北区城市化率由1995年的15.56%增至2016年的71.17%[21-22]。渝北区属亚热带季风气候，多年平均气温17.3℃，平均降雨量1 100 mm，平均日照时长1 340 h，无霜期319 d[23]。渝北区过境河流主要有长江、嘉陵江、御临河，境内山脉包括自西向东的华蓥山脉、铜锣山脉、明月山脉。

图1 重庆渝北区的地理位置Fig.1 The location of Yubei District in Chongqing

1.2 数据源及预处理

Landsat TM/ETM+/OLI遥感影像①来源https://glovis.usgs.gov/是本研究的数据源，用于识别渝北区1996、2002、2008和2014年的城市土地利用分布情况（表1）。所选影像时、空分辨率分别为16 d和30 m，行/列号为127/39、128/39，均为Level 1T产品，成像时间在8—9月，云覆盖均低于10%（研究区内低于5%）。所有影像均进行了系统几何和辐射校正、波段合成、条带去除、影像裁剪、辐射定标、大气校正等预处理。

表1 遥感数据源信息Table 1 The information of remote sensing data

其他数据源包括土地利用训练样本和验证样本，分别用于土地利用分类和分类结果精度评价。首先基于Google和Landsat影像目视解译获取真实样本集，再利用分层随机抽样法获取每一种地类训练样本100个和验证样本200个。考虑到渝北区地处山区、地块较破碎的实际情况，为保证样本代表性，每个样本设定2×2像元，训练和验证样本像元数占区域图像总像元数的比例分别为0.3%和0.6%。

2 研究方法

本研究首先提取TM/ETM+/OLI影像的31维特征，并对它们进行Min-max标准化，再基于提出的特征优选指标和模型，遴选最优特征组合进行SVM分类，识别1996—2014年渝北区城市土地利用分布，并解析其时空变化特征（图2）。根据以往研究的土地利用多级分类系统[2-3]，本研究关注的是城市用地、耕地、林地、草地、水域和未利用地6种一级地类。

图2 本研究的技术路线图Fig.2 The technology roadmap of this study

2.1 多维特征提取

1）光谱指数。NDBI可有效识别城市不透水地表[9]。NDVI是植被遥感研究中应用最广泛的光谱指数，有助于区分城市用地和植被[22]，但在植被覆盖度较低的建成区，NDVI受土壤背景噪声影响较大[3]。Huete[25]基于NDVI和大量观测数据提出可有效消除土壤背景干扰的土壤调节植被指数。改进型归一化水指数（modified normalized different water-index，MNDWI）可有效增强水域与其他地类的反差，减小水域与城市用地、水域与植被之间的光谱混淆[26]。Liu等[27-28]提出的归一化植被-水指数（normalized different vegetation-water index，NDVWI）集成了归一化植被指数（normalized different vegetation index，NDVI）和归一化水指数 （normalized different water index，NDWI） 的优势，在植被分类中表现出优于NDVI或NDWI的可分性（尤其在干旱半干旱地区），有助于细分植被（如耕地、林地和草地）。但NDVWI对植被冠层含水量的敏感程度随不同区域和时相的干旱程度差异而不同。因此，本研究引入干旱调节因子d，构建了干旱调节归一化植被-水指数（dNDVWI），以增强NDVWI应用的时空适应性。本研究提取NDBI、NDVI、土壤调节植被指数（soil adjust vegetation index，SAVI）、MNDWI、dNDVWI 5种光谱指数，其计算如下。

式中：ρ（green）、ρ（red）、ρ（nir）和ρ（swir）分别为绿光（波长0.53～0.59 μm）、红光（波长0.64～0.67 μm）、近红外（波长0.85～0.88 μm）和短波红外波段（波长1.57～1.65 μm）的地表反射率。土壤调节因子l和干旱调节因子d随研究区域和目标变化有不同的适宜值，可通过参数优化或率定方法确定，本研究中二者分别取值为0.5和0.8。

2）穗帽变换，是增强光谱差异、减少数据冗余的有效降维方法[29]。本研究提取变换后的亮度（Brightness）、 绿度 （Greenness） 和湿 度 （Wetness）3个分量，分别有助于识别城市不透水地表、植被和水域。

3）最小噪声分离变换，是一种有效减少噪声干扰、增强影像光谱特征的特殊主成分分析[30]。变换后各分量的信噪比（或特征值）依次降低，本研究提取前3个分量。

4）高斯滤波，可有效增强比光谱特征更稳定的空间纹理特征[31]。本研究基于主成分变换的前2个主成分进行高斯高频和低频滤波2种变换，其中高通滤波可增强高频成分，锐化城市建筑和道路的边界，低通滤波可加强低频成分、平滑水域和农田等连片地类的内部细节。

5）灰度共生矩阵，是通过统计影像灰度的空间相关特征来提取空间纹理的方法[32]。本研究基于主成分变换的前2个主成分进行灰度共生矩阵变换，使用了平均值、方差、同质性、对比度、差异性、熵、二次矩、相关性8种统计值。

2.2 特征优化选择指标与模型

1）全局Jeffries-Matusita（J-M）距离。J-M距离是基于条件概率理论的可分性度量指标，可评价两种训练样本在某种特征组合时的可分性[3，33]。然而，实际分类关注的不仅是两种类别的分类精度。因此，本研究提出可评价所有样本类型整体可分性度量指标。

式中：JM为类别wf和wg的J-M距离（f≠g）；GJM为所有n种类型的全局J-M距离；Xfg为类别wf和wg的特征向量；p（Xfg/wf）和p（Xfg/wg）分别为类别wf和类别wg在Xfg上的条件概率密度函数。JM和GJM值越接近2可分性越高，其值小于1.5或小于1.75时说明可分性极低或较低，其值大于1.9说明可分性较高。

2）FOSM模型。针对特定研究目标、区域和训练样本，整体可分性随特征组合而变化。特征数不足时分类结果可能出现欠拟合，特征数过多时分类结果可能受低效噪声干扰出现过拟合，两者均会影响分类精度。因此，为防止分类结果出现欠拟合或过拟合，本研究构建了FOSM模型，当整体可分性最大（或最优）时，认为该特征组合最优、其分类精度最高。本研究首先将JM值小于1.5的单个特征剔除，剩余m种特征（m≤31）。

图3 最优特征选择流程图Fig.3 The flow chart for optimal features selection

2.3 支持向量机

支持向量机SVM基于训练样本统计信息，构建最大化各类别间隙的最优超平面（optimal hyperplane）来分类数据集，是一种适宜多维、复杂数据集分类的监督学习算法[3，17]。

2.4 小斑块去除和精度评价

本研究采用主要分析法[27]去除小于2×2像元（60 m×60 m，符合渝北区实际）的小斑块。基于误差混淆矩阵[3]评价1996—2014年渝北区城市土地利用分类结果的精度。

3 结果与分析

3.1 多维影像特征比较分析

本研究提取了2014年渝北区TM/ETM+/OLI影像的31维特征，并进行Min-max标准化，使它们的值介于[-1，1]（图4—图5）。NDBI（简写为I1）有利于区分城市用地与其他地类以及植被细分（区分耕地、林地、草地），但难以区分水域和植被。NDVI（I2）可有效区分城市用地、植被和水域，但由于植被覆盖度高时I2值易饱和，难以细分植被。SAVI（I3）在NDVI的基础上增强了植被细分能力。MNDWI（I4）有效增强了水域、城市用地、植被之间的光谱差异，但仍无法很好识别河道较窄、易与岸边地物混淆的御临河。dNDVWI（I5）能有效区分城市用地与植被，且进一步增强了植被细分能力，但减少了水域与其他地类的光谱差异。这5种光谱指数在土地利用分类中各有不同优缺点，然而它们均无法有效识别狭小水域（如御临河），因此，仅使用1种或全部这5种常用光谱指数都难以达到最佳分类效果。穗帽变换后的亮度（T1）、绿度（T2）、湿度（T3）这前3个分量在分类中各有所长，其中T1能较好突出城市用地和耕地与其他地类的区分，但难以区分城市用地和耕地以及细分植被；T2可有效区分城市用地和植被以及细分植被，但难以区分城市用地和水域；T3可有效区分水域和其他用地，但难以区分城市用地和植被，且难以识别狭小水域（图4）。由这3个分量的RGB合成图可见，其组合的分类能力大于任一单独分量，尤其是明显提升了狭小水域的识别能力，并保留了较强的植被细分能力[图6（a）]。

最小噪声分离后的前3个分量（M1、M2、M3）的信噪比递减，其中M1能有效区分城市用地和植被以及细分植被，M2能有效识别水域、林地，M3由于信噪比较小，无法有效帮助地物识别（图4）。因此，这3个分量组合时，虽增强了城市用地、水域、植被之间的光谱差异，但由于M3的噪声干扰，组合在植被细分上的能力有所降低[图6（b）]。高斯高通滤波主要用于锐化地物边缘信息，但由于渝北区地块较破碎，且Landsat影像空间分辨率仅30 m，对PCA前2分量的高斯高通滤波变换（H1、H2）均不利于地物分类（图4）。相反，对PCA前2分量的高斯低通滤波（L1、L2）较好消除了地物内部的“椒盐噪声”，能有效区分城市用地和植被以及细分植被，但对水域识别效果不佳（图4）。PCA第1分量的灰度共生矩阵分别基于平均值、方差、同质性、对比度、差异性、熵、二次矩、相关性8种统计值开展，依次得到C11～C18等8个特征；PCA第2分量的灰度共生矩阵也基于以上统计值开展，依次得到C21～C28等8个特征（图5）。其中C11、C22可有效区分城市用地和植被、水域和植被以及细分植被，但无法有效区分城市用地和水域。C13有助于识别城市用地，但无法区分植被和水域。C22、C24、C25可有效区分水域和其他地类，尤其有助于识别狭小水域。C12、C14、C15能帮助识别少量城市用地，C16、C17可有效识别少量林地，但由于它们在识别其他地物时噪声太大，均不利于分类。C18、C23、C26、C27、C28的噪声较大，不利于区分地类。

图4 渝北区2014年Landsat影像的光谱指数、穗帽变换、最小噪声分离、高斯滤波特征Fig.4 Features of spectral indexes,tasselled cap transformation,minimum noise fraction rotation and gaussian filtering based on the Landsat images of Yubei District in 2014

图5 渝北区2014年Landsat影像的灰度共生矩阵特征Fig.5 Features of gray level co-occurrence matrix based on the Landsat images of Yubei District in 2014

图6 穗帽变换和最小噪声分离后特征的RGB合成影像Fig.6 RGB composite images based on the features of tasselled cap transformation and minimum noise fraction rotation

3.2 最优特征组合遴选及分类精度验证

本研究基于全局J-M距离比较了不同特征及组合对土地利用分类的可分性，并利用FOSM模型遴选了适合渝北区分类的最优特征组合（图7）。NDBI、 NDVI、 SAVI、 MNDWI、 dNDVWI （I1、I2、I3、I4、I5）的全局J-M距离（GJM）从高至低为I5＞I3＞I2＞I1＞I4，但均低于这5种光谱指数的组合（5I）（图7）。穗帽变换前3个分量均有助于土地利用分类，其中绿度（T2）的GJM高于亮度（T1）、湿度（T3），3个分量组合时（3T）分类效果更高，因此组合5I+T2的GJM高于5I+T1（或T3），5I+3T高于5I+T2。最小噪声分离变换前2个分量（M1、M2）均有助于分类，M1的GJM高于M2，第3分量（M3）噪声较多，不利于分类，因此前2分量组合（2M）的GJM大于前3分量组合（3M），组合5I+3T+2M的GJM高于5I+3T+M1（或M2或M3或3M）。可能是由于Landsat影像的空间分辨率仅30 m，高斯高通滤波的特征（H1、H2）未能突出地物轮廓，反而抑制了可分性，二者组合时（2H）抑制效果更大；低通滤波的特征（L1、L2）有效抑制了同种地物内部的“椒盐噪声”，促进了可分性，且二者组合时（2L）促进效果更佳；因此，5I+3T+2M+H1（或H2或2H）的GJM低于5I+3T+2M，5I+3T+2M+2L的GJM高于5I+3T+2M+L1（或L2）。PCA第1、2主成分的灰度共生矩阵变换后各特征（C11～C18和C21～C28）中，基于平均值变换的特征（C11、C21）可有效提升可分性，第2主成分的基于方差、对比度、差异性的灰度共生矩阵（C22、C24、C25）可帮助识别水域（尤其是狭小水域），且它们分别组合时效果更好；其他特征噪声较大，均不利于分类。因此，5I+3T+2M+2L+C11+C21+C22+C24+C25的GJM最高，为最优特征组合。

图7 Landsat影像的不同特征及其组合的全局J-M距离Fig.7 GJM values of different features and their combinations based on the Landsat images

基于最优特征组合开展SVM分类，识别1996、2002、2008和2014年渝北区土地利用分布，采用主要分析法去除小于2×2像元的小斑块，并基于误差混淆矩阵评价1996—2014年渝北区城市土地利用分类结果的精度。评价结果表明，各地类的制图和用户精度均在85%以上，其中城市用地的分类精度均高于90%，水域的分类精度最高，未利用地的精度最低，城市用地与未利用地、耕地和林地、耕地与草地、林地和草地之间的混淆较多（表2）。

表2 1996—2014年渝北区城市土地利用分类精度Table 2 Classification accuracy of urban land uses in Yubei district from 1996 to 2014

3.3 城市土地利用时空格局变化

1996—2014年，渝北区城市用地持续扩张（图8）。1996年，城市用地围绕市中心和机场呈“两中心”形式分布于西南部[图8（a）]；2002年，沿着两中心间的轴线有小幅扩张[图8（b）]；2008年，“点-轴”式扩张加速[图 8（c）]；2014 年，围绕“点-轴”向西北进一步扩张，同时在中南部新增了大量城市用地[图8（d）]。林地主要分布于（自西向东）华蓥山脉、铜锣山脉、明月山脉，耕地主要分布于三大山脉间的谷地（图8）。1996—2014年，虽然华蓥山脉有部分坡耕地退耕（或撂荒）成为林地，但三大山脉间的谷地上有大量林地被开荒成耕地，同时城市周边大量林地和耕地被城市用地扩张侵占，因此，林地面积持续减少、耕地总面积变化较少。1996—2002年，铜锣山脉北部的部分林地和未利用地开荒为耕地，而后部分耕地又退耕（或撂荒）成为林地。2008—2014年，城市内部新增了少量林地（城市绿地）。草地零星分布于林地和耕地内部，在城市扩张、耕地开荒、退耕还草等共同影响下，面积变化较少。水域主要有东南边境的长江、西南边境的嘉陵江、中部的御临河和水库、湖泊，城市扩张的同时在城市内部新增了少量水域（人工湖泊和人工湿地等），但由于天然水域面积减少，水域总面积小幅减少。

图8 渝北区城市土地利用时空分布Fig.8 Urban land use maps of Yubei District

渝北区城市用地面积由1996年的3.70×103hm2持续扩张至2014年的22.87×103hm2，扩张了19.17×103hm2（518.11%）（表3）。1996—2002年，城市用地扩张速度较慢（0.35×103hm2/a），对耕地侵占较少，耕地面积增加3.60×103hm2。2002—2014年，城市用地扩张速度较快，耕地面积呈减少趋势，其中2002—2008年城市用地扩张速度最快（1.59×103hm2/a），耕地面积减少速度也最快（-0.33×103hm2/a）。除了城市用地扩张，耕地减少的原因还包括退耕还林还草和耕地撂荒。1996—2014年，耕地先增后减的趋势导致其总面积仅减少0.20×103hm2。林地面积减少幅度不断下降，2002—2008年、2008—2014年较1996—2002年的减少幅度分别下降0.22×103hm2、2.48×103hm2，这主要是退耕还林和撂荒的影响。1996—2014年，草地和水域的变化很小，分别减少0.19×103hm2和0.05×103hm2。未利用地在城市用地扩张的影响下持续减少，其中2002—2008年减少最多（2.63×103hm2），这是由于在此期间城市用地扩张最快。

表3 1996—2014年渝北区城市土地利用面积变化Table 3 Changes in the area of urban land uses in Yubei district from 1996 to 2014单位：103hm2

3.4 城市土地利用类型转移

1996—2014年，渝北区城市土地利用类型转移主要发生在城市用地、耕地和林地这三种地类之间（图9）。在渝北区西南部和中南部，有大量耕地和林地、少量草地转出为城市用地，这些转移不利于区域粮食和生态安全。耕地与林地之间的类型转移主要发生在三大山脉及其谷地，其中在西北部的华蓥山脉主要是耕地通过退耕（或撂荒）还林转移为林地，而在铜锣山脉和明月山脉及其谷地主要是林地通过开荒转移为耕地。减少的草地主要是转移为城市用地，可能少部分随时间推移生长为灌木等林地；新增的草地主要由林地和耕地转移而来。

图9 渝北区1996—2014年城市土地利用类型转移Fig.9 Land use conversions from 1996 to 2014 in Yubei District

1996—2014年，渝北区有51.16%的总土地面积（74.56×103hm2）发生了类型转移（表4）。城市用地总面积的91.69%（20.97×103hm2）是由其他五种地类转移而来，其中耕地和林地分别贡献了11.97×103hm2和7.61×103hm2，分别占总转入城市用地面积的57.08%和36.29%；草地、水域和未利用地对新增城市用地的贡献很小。耕地与林地之间的转移最多，1996—2014年，有24.94×103hm2林地转移为耕地，有15.98×103hm2耕地转移为林地。46.03%的转出水域是由于城市用地扩张侵占导致，48.28%的新增水域来源于未利用地。减少的未利用地主要转移为耕地（35.44%）和林地（46.38%）。

表4 1996—2014年渝北区土地利用类型转移矩阵Table 4 Land use conversion matrix of Yubei District from 1996 to 2014

4 讨论

4.1 多维特征优化选择的优势及未来研究议题

不同变换可便捷提取多维影像特征，但各特征在土地利用分类中往往各有优劣，使用单一特征难以达到理想分类效果。NDBI能有效识别城市用地，但难以区分植被和水域；常用于分类的NDVI也不能有效细分植被；dNDVWI增强了植被细分能力，但弱化了水域识别能力；MNDVWI能有效识别水域，但无法很好地识别狭小水域以及细分植被；PCA第2主成分经过基于方差、对比度或差异性的灰度共生矩阵变换后，可有效识别狭小水域，却无法区分其他地类。因此，只有集成多维特征时才能更好地取长补短、提升分类精度。然而，由于针对特定研究区和目标，各特征的适应性有所差异，即最优特征组合随研究时空、目标等差异而不同；在先验知识不足时，无法保证所提取的特征对特定研究时空和目标均有效；掺杂无效特征时反而会降低分类精度。因此，基于本研究提出的特征优化选择指标（GJM）与FOSM模型，可从不同特征集中高效遴选适宜不同研究时空和目标的最优特征组合。

本研究仅提取Landsat的31维影像特征（并非均有效），还有哪些其他有效特征值得关注？本研究各特征及组合在渝北区土地利用分类中表现出的优劣性，是否适宜其他相似数据源（如HJ-1、Sentinel-2等）或地区（如重庆其他地区、成都等）？多维特征如何响应不同时空尺度和数据源？哪些特征具有更强的时空和数据适应性？此外，未来研究应注重揭示最优特征组合对不同训练样本集、不同可分性评价指标（如GJM、信息熵、最佳波段指数等）的响应机理。研究这些重要议题是未来获取具有更强适应性的有效特征（集）和最优特征组合（集）的关键。此外，训练样本集的代表性和数量也影响分类精度；高代表性的训练样本数量越多，对应分类精度越高。因此，未来研究可通过提升训练样本的代表性和数量，尽量囊括同种类型的所有可能形式，来降低“同物异谱”的负面影响，提高分类精度。

4.2 城市土地利用变化的原因、影响及对策

经济和人口增长共同影响着城市居民单体及总体需求量的提升，是促进城市用地扩张的主要驱动力[3]。尤其在耦合政策推动的影响下，即1994年“撤县建区”，导致1996—2014年渝北区城市用地加快扩张，并在2000年“西部大开发”进一步推动下，城市用地扩张速度达到最大[23]。虽然城市用地过快扩张促进了经济和人口增长，然而，这种粗放型扩张同时增加了城市系统的需求，加剧了对环境的压力，导致耕地和生态用地过度消耗，不利于城市可持续发展[3，34]。

城市化过程中的土地利用难免与生态保护产生冲突，但不应只关注经济效益，应同时兼顾与居民福祉息息相关的生态系统服务[35-36]。因此，未来城市土地规划和管理应合理收紧城市增长边界，高效利用存量（如棚户区改造）和增量（如鼓励使用未利用地）城市用地以复兴城市中心和棕地（brownfields），加强土地管理和保护政策，并引入精明增长（smart growth）来帮助遏制城市蔓延、发展紧凑绿色城市[3]。

5 结论

综合多维影像特征是提升土地利用分类精度的有力手段，但并非所有特征均能提升分类效果，掺杂无效特征反而会降低分类精度。为此，提出了简便易复制的特征优化选择指标（全局J-M距离）和FOSM模型，渝北区城市土地利用分类实践证实了它们可帮助快速高效地遴选最优特征组合方案，有利于提高分类精度。实践还证实，提取的31维影像特征并非对本研究均有效，部分特征抑制了分类精度（如高斯滤波对地块破碎地区的分类效果不佳）。因此，提取具有区域针对性的特征集合对提升分类精度至关重要。此外，不同训练样本集对应的最优特征组合可能存在差异，高代表性的训练样本对提升分类精度也很重要，未来相关研究应关注样本和多维特征集成组合的优化选择。同时，随着遥感数据量及维度的增加，需要综合考量样本与特征优选模型的有效性及复杂度，以便及时准确识别地物。

1996—2014年，渝北区城市用地加速扩张了19.17×103hm2，主要侵占城市周边的耕地和林地，不利于粮食安全和生态保护。因此，未来城市化进程应注重高效利用新增城市用地和高效再利用现有低效城市用地，严控城市增长边界，加强耕地保护和生态建设。可能是受占补平衡等政策影响，渝北区退耕（或撂荒）还林还草的同时普遍存在耕地开荒现象，这或将减少生态保护措施的效力。在“西部大开发”战略、“一带一路”倡议等引导下，未来中国西部城市用地扩张将进一步加快，难免与生态保护存在冲突，未来城市土地利用开发过程中，研究者和决策者应注重使用情景分析和多目标规划等手段优化管理社会-经济-生态效益的权衡与协同，促进城市可持续发展。