基于BP神经网络的山地城市景观格局时空特征分析

李辉王福海张晓媛陈丹

(1.重庆财经学院，重庆 401320；2.生态环境数据挖掘与集成应用重庆市重点实验室，重庆 401320；3.重庆大学，重庆 400044)

引言

近年来，随着我国经济社会的快速发展，如城市化程度的提高和生物多样性的减少等问题逐渐浮出水面。成渝双城经济圈作为西部高质量发展的重要增长极和内陆开放战略高地，这一区域必将进入快速发展时期。作为成渝双城经济圈中心城市的重庆中心城区城市化速度正在加快，城市土地利用类型在城市土地总面积中所占比例不断增加，从而影响城市的整体景观格局和生态过程。因此，研究重庆中心城区景观格局对成渝双城经济圈快速发展的城市规划管理具有十分重要的意义。

传统的景观格局分析方法大多是定性的，从景观生态学的角度分析景观格局的特征。最常见的定量分析方法是空间统计分析，通过计算不同类型土地的面积和比例，分析景观变化。利用马尔可夫转移矩阵分析某一类型土地的损失方向和一种新型土地的来源。但从实践情况来看，传统方法的精度不够高，分析结果与实际情况有较大偏差。

随着遥感技术的发展，一些学者将其应用于景观格局分析。常见的景观分类方法有无监督分类法和监督分类法。Lillesand通过实验指出，使用混合分类(即监督分类和无监督分类相结合)对图像进行分类可以获得更高的分类精度，而且随着神经网络的兴起，一些学者已经使用了反向传播(BP)神经网络(BP)来进行分类[1]。RAL网络对图像进行分类并获得更好的结果。基于这一发现，Mc Garigal等提出了一种景观度量的计算方法，广泛应用于城市景观格局分析，如植被格局、城市生长等学科的研究。景观度量可以定量描述和监测景观空间结构随时间的变化，但不能具体反映景观变化的方向和合理性。

焦利民提出了一个“逆S型函数”来表示城市土地的密度，可以识别城市建成区面积的大小，测量城市土地的紧凑性和扩张强度[2]。然而，其只讨论了城市土地利用的空间分布，没有分析城市发展过程中土地利用结构的变化。目前对景观格局的研究存在2个问题，不同景观类型的影像解释特征不清，导致了“同谱异物和同物异普”现象的盛行；这些分析大多基于景观度量，这种研究方法相对简单，不能反映城市快速发展过程中景观格局变化的复杂性。

基于上述问题，本研究将遥感技术与“逆S型函数”模型相结合，从多个角度对重庆中心城区2009—2018年景观格局演变进行定量分析。为了提高图像分类的准确性，采用灰度共生矩阵法对RapidEye和高分一号遥感影像的纹理特征进行了选择，并建立了基于纹理的BP神经网络模型；为了分析重庆中心城区快速发展过程中景观格局的时空特征，从景观空间特征、城市紧凑性、发展方向等方面，结合城市快速发展的方法，提出了城市快速发展过程中景观格局的时空特征。

1 研究区概况

本文以重庆中心城区(由渝中区、江北区、南岸区、九龙坡区、沙坪坝区、大渡口区、北碚区、渝北区、巴南区9个区组成)为研究区。研究区总面积约为5465km2，占重庆市总面积的6.63%。研究区从南北面向长江嘉陵江河谷倾斜，起伏较大，呈现“一山一槽二岭”的自然景观，是典型的特大山地城市。重庆中心城区是成渝双城经济圈经济发展的中心之一，对于带动成渝双城经济圈经济飞速发展具有重要的作用，选取重庆中心城区作为研究对象，对于山地城市景观格局时空分析研究具有理论与实践意义。

图1 研究区区位图

2 材料与方法

2.1 数据来源

本研究的时间段为2009—2018年。2009—2013年使用了RapidEye卫星图像，分辨率为6m；2014—2018年使用了国产高分一号卫星影像，分辨率为2m。时间序列的图像数据如表1所示。

表1 RapidEye和高分一号影像数据源表

利用图像可视化(ERDAS 2016和ArcGIS 10.2.2)平台对图像进行预处理。经过预处理后，根据需要的研究范围对图像进行裁剪。

2.2 研究方法

基于图像中提取的纹理特征，建立了基于BP神经网络的图像分类模型。通过选择景观指标，采用移动窗口，计算密度曲线等方法，分析了景观格局的时空特征。技术流程图如图2所示。

图2 技术流程图

2.2.1 基于纹理的反向传播(BP)神经网络分类

景观格局体系中层次最低的要素是均匀的景观单元，其向上分类符合类似相邻自然景观的自然体与景观单元之间的关系。根据景观分类的原则，结合研究资料和目的，将重庆市中心城区整个区域的景观分为以下组团(景观组团是多个类似景观功能区的有机组合)：森林景观群，包括林地、园林、草地等景观单元；农业景观群，包括旱地、菜地等景观单元；草地景观群，包括其他草地、牧草地等景观单元；水域景观群，包括长江、湖泊、河流等景观单元；建设用地景观群，包括城市、房屋、道路、乡村聚落等景观单元；其他景观群，包括裸地、滩涂等景观单元。

本文采用灰度共生矩阵(GLCM)方法提取重庆市中心城区图像的纹理特征。GLCM从图像中某个位置a(x，y)的像素开始，计算图像在圆形范围内灰度值为j，距离a为δ的像素(x+Δx，y+Δy)出现的概率p(i，j，δ，θ)。计算公式[3]：

p(i，j，δ，θ)={[(x，y)，(x+Δx，y+Δy)]

f(x，y)=i

f(x+Δx，y+Δy)=j，x=1，2…，Nx-1，y=1，2…，Ny-1}

式中，x、y是图像中的像素坐标；Nx、Ny分别是图像的行数和列数。

Haralick分别从统计特征、信息论特征、相关性特征和视觉纹理特征4个方面定义了14种纹理特征参数。灰度共生矩阵可以测量图像中的各种信息，特征图像可以直观地显示纹理的厚度和各个方向的特征。常见的统计特征是熵、对比度、能量和相关性。通过提取纹理特征，较好地解决了“同一物体光谱不同，同一物体光谱不同”的现象，提高了图像的分类精度[4]。

由于各波段之间仍存在一定的相关性，为了减少神经网络训练的计算时间和计算量，在主成分分析(PCA)后选择了第5波段(表面信息最丰富)和可见光红波段。提取了具有对比度(con)、角二阶矩(asm)、熵(ent)和相关度(cor)纹理特征的图像。

在提取纹理特征的基础上，采用一个隐层BP网络模型进行分类。神经网络的输入层是6个多光谱带和8个纹理图像。输出层为6个初始分类类别和1个其他类别，隐藏层和输出层的传递函数(即激活函数)采用对数逻辑，实现从输入层到输出层的高度非线性映射。对于BP神经网络的训练，需要确定训练模型中的几个重要参数，包括训练贡献阈值(C)、训练动量(M)、训练速率(R)、网络全局误差(E)和训练迭代次数(N)[5]。

2.2.2 景观测量分析方法

景观度量是定量地表示景观格局组成和不同景观类型的空间形态或分布的一种度量。Fragstats计算3个级别的度量，对应于马赛克中的每个面片，马赛克中的每个面片类型(类)，以及整个景观马赛克。景观指标数量较多，但指标中包含的景观信息的重复性和相关性较高，选择合适的指标进行研究是非常重要的。本文根据重庆市中心城区的区域特征和研究目标，选择景观水平的斑块密度(PD)和香农多样性指数(SHDI)[6，7]。

2.2.2.1 斑块密度

斑块密度表示1km2区域内一种特定景观类型的斑块数量。计算公式[8]：

PD值可以反映研究区景观的破碎化程度，单位面积斑块数越大，区域景观破碎化程度越高。

2.2.2.2 香农多样性指数

异质性是指区域内不同类型景观的混杂程度。高出度是指不同景观分布的平衡性和异质性较强。如果一个地区某一类型的景观表现出优越性，则该地区的景观格局不平衡，异质性低，不利于该地区的生态发展。香农多样性指数(SHDI)代表了研究区域景观的异质性。计算公式[9]：

式中，Pi表示第i个种占总数的比例。SHDI值的范围为SHDI≥0；SHDI越大，斑块类型的混合程度和异质性越大，斑块类型在景观中的分布越来越均衡。

根据所选景观指标的计算结果，采用移动窗口法对景观格局进行了进一步的分析。采用移动窗口法计算“计算窗口”中选择的景观指标，输出相应的栅格地图，观察景观格局的空间变异性。此外，该方法还可以从景观空间格局中澄清信息。与传统的基于整体特征的分析方法相比，采用移动窗口法对景观格局进行空间梯度分析，可以实现局部区域景观尺度的量化和空间可视化，从而更加清晰展示景观格局的动态空间变化，揭示景观内部结构的差异。

2.2.2.3 城市密度曲线

城市密度分析一直是建设用地扩张研究的重点。本文采用同心圆划分法计算了各环线的建设用地密度，并根据建设用地密度变化与距市中心距离的关系，分析了建设用地空间变化规律。

在python的基础上，采用最小二乘法拟合城市土地利用的逆S型函数。计算公式：

式中，f为建设用地密度；r为距城市中心的距离；e为欧拉值；α、c为常数；D为城市中心的最大半径[10-14]。

3 结果与分析

RapidEye遥感影像和高分一号遥感影像分类结果满足本研究精度要求，分类结果如图3所示。

3.1 景观度量的时空特征分析

景观层面的斑块密度(PD)和香农多样性指数(SHDI)可以反映景观格局的基本空间特征，如破碎化程度和异质性，重庆中心城区PD和SHDI的计算结果如表2所示。PD和SHDI的变化趋势如图4、图5所示所示。2009—2018年，重庆中心城区景观局呈下降趋势，而渝北区景观局呈上升趋势。

斑块密度(PD)反映了研究区域周围土地的碎片化程度。本文在对重庆中心城区斑块密度进行计算的基础上，对重庆中心城区斑块破碎程度进行了分析。为了具体分析重庆中心城区不同区域的景观变化，研究区采用了1公里动窗法。计算值被分配到窗口的网格中心，计算整个城市(1km尺度)景观水平上的PDS，见图4。

表2 斑块密度(PD)和香农多样性指数(SHDI)在景观层面的计算结果

图3 2009—2018年重庆市景观分类结果

图4 2009—2018年重庆市中心城区斑块密度(PD)变化

如图5所示，2009—2018年，重庆中心城区斑块密度变化并不明显，斑块密度较高的区域主要集中在巴南区南部、南岸区东部、北碚区北部、沙坪坝区西部和九龙坡区西部。这是因为这些区域主要是由耕地、水域、村庄组成，处于农业景观群、城市景观群、水域景观群、森林景观群的交汇点，景观类型迅速转变，破碎后程度较高。斑块密度较低的区域主要位于重庆中心城区建成区，2009—2018年，斑块密度较低的区域面积有所增加，主要是往建成区周边缓慢扩张，这表明重庆中心城区建成区用地更加紧凑，较小的建筑斑块被连接并合并为较大的斑块。

图5 2009年、2014年和2018年全区斑块密度(PD)的空间分布

SHDI可以用来测量景观异质性。根据重庆中心城区SHDI的计算结果，对重庆中心城区SHDI进行了分析。研究期间，重庆中心城SHDI总体呈先上升再下降趋势。重庆中心城区景观格局的分布总体上趋于平衡。整个城市(1km比例尺)的SHDI计算结果见图6。随着城市的扩张和发展，重庆中心城的整体景观分布变得越来越平衡，原有的大型农业景观群被分割成小块，转化为其他类型的景观群。

图6 2009—2018年重庆市中心城区香农多样性指数(SHDI)变化

3.2 城市土地密度分布格局

重庆中心城区被长江、嘉陵江、铜锣山和中梁山分为中部、北部、南部、西部、东部5大片区。由于重庆中心城区特殊的地理位置，本文选择渝中区朝天门作为为圆心，将重庆中心城去分为32个环，每2km 1个，如图7所示。2009年、2014年和2018年各圈建设用地密度计算结果如图5所示，2009年、2014年和2018年城市土地利用密度拟合曲线如图8、图9所示。

紧凑型城市的城市用地密度较高，而城市中心周围的土地密度较低，因此紧凑型城市的密度曲线较陡，扩张型城市的密度曲线较缓。由图8可知，重庆中心城区建设用地密度曲线既不同于紧凑型城市的密度曲线较陡，也不同于扩张型城市的密度曲线较缓，而是出现阶梯型降低的趋势。特别是在离圆心10km和22km出现2个波峰，这主要是由重庆中心城区独特的地形造成的。

图7 同心圆划分

图8 重庆中心城区建设用地密度

城市土地利用密度函数曲线的斜率可以用来反映城市土地利用的总密度。曲线急剧下降部分的坡度用来反映城市的紧凑性。紧实度定义为拟合曲线二阶导数最小值和最大值对应的半径差值与最大半径之比，该差值为K=(r2-r1)/D。

以往的研究指出，紧凑型城市通常有一个狭窄的区域，包括市中心和郊区。r1和r2之间的差异很小，所以K值很小。另外，K值大的城市是低密度或分散的城市。重庆中心城区2009—2018年拟合参数值及计算K值见表3，可见K值逐渐减小。到2018年，K值下降32.6%，说明重庆中心城区发展越来越紧凑。

表3 2009—2018年重庆中心城区拟合参数值及K值

同时，对于城市用地的拟合密度函数，D参数是主要城区半径的估计值。D值增加表明城市的发展。如表3所示，2009—2018年，重庆中心城区的D值从35.179增加到46.656，表明城市边界到市中心的距离从35.179km增加到46.656km，重庆中心城区过去10年D值的变化如图10所示。城市面积迅速扩大，特别是2012—2016年。如图11所示，在研究期间，重庆中心城区的城市面积显著扩大。

图10 2009—2018年重庆市中心城区D值计算结果

研究结果表明，重庆中心城区的商业和政治中心在研究期间仍处于渝中区、江北区、沙坪坝区、南岸区、九龙坡区、大渡口区6个老城区，促进了整个城市的发展，结果是开发模式内部趋于紧凑；由于重庆中心城区的快速发展和产业结构的不断调整，老城区建设用地不能满足工商业建设的需要。中心城区迅速扩展到北碚区、渝北区和巴南区。

图11 城市边界扩展分析图

4 讨论和结论

本文提出了一种基于纹理的景观分类方法，以及一种基于景观度量、城市土地利用密度等多角度的景观分析方法，分析了重庆中心城区城市化过程中面临的各种挑战，如城市破碎化程度的提高和连通性的降低，以及城市化过程中面临的各种挑战。研究结果可为生态城市建设和城市空间布局优化提供科学有效的技术支持和数据支持。本文通过提取纹理特征，建立了一种基于纹理的BP神经网络分类模型，提高了图像分类的准确性，并从景观生态学角度介绍了相似的功能分类方法，对市的景观进行了分类。分类为多个组团，包括森林景观群、农业景观群、草地景观群、水域景观群、建设用地景观群6个景观单元。分析了景观格局的2个方面，景观尺度的时空特征和城市土地密度分布格局的时空演化。

此外，本文还得出了2个主要结论。重庆中心城区不同景观类型的异质性增加。但由于中心城区的快速发展，景观类型分布不均，景观格局异质性下降；城乡边界的破碎化程度高于中心城区；北部地区的景观尺度比南部地区更为强烈；北部地区的开发状况好于南部地区。利用基于城市土地利用密度的反S曲线拟合定量计算重庆中心城区的压实度。在研究期间，K值从0.75252670降低到0.56741766，表明发展趋向于向内收缩；同时，通过计算城市半径D，定量分析了重庆中心城区城区对外扩张的现状。

由于许多景观指标在测量景观特征时是一致的，所以本文只选择了2个能够反映景观特征变化的指标。在未来的研究中，应使用更多的景观度量，如有效网格大小、欧几里得最近邻或分布指数，以更准确地识别城市空间结构的变化。根据重庆中心城区建设用地景观格局分析结果，本文的研究方法和程序具有较好的适用性。在重庆中心城区未来的规划和发展中，应加强对耕地和林地的保护，防止森林和农田景观的持续退化。同时，在城市扩张过程中，要注意各种景观的匹配和衔接。减少城市快速扩张过程中出现的人地矛盾，确保景观结构的合理性和有序性，从而有效地发挥中心城区的辐射效应，促进重庆中心城区城市圈的均衡发展及和谐进步。