衰退型資源城市土地利用時空變化及驅動因素分析

郭 平, 周 偉,2, 袁 濤,2, 韓 瑾

(1.中國地質大學(北京) 土地科學技術學院, 北京100083; 2.國土資源部土地整治重點實驗室, 北京100083)

?

衰退型資源城市土地利用時空變化及驅動因素分析

郭 平1, 周 偉1,2, 袁 濤1,2, 韓 瑾1

(1.中國地質大學(北京) 土地科學技術學院, 北京100083; 2.國土資源部土地整治重點實驗室, 北京100083)

利用具有較好分類性能的隨機森林分類算法，對焦作市1988年、1993年、2001年、2004年、2010年和2014年的多季節TM，ETM+,OLI數據分類后檢測其土地利用時空變化，得出土地利用變化數據信息，分析促使其土地利用類型轉變的主要驅動因素。結果表明：(1) 在遙感影像分類中，DEM的重要性程度大于其他變量。(2) 農用地面積在1993年達到最大；建設用地近26 a增長1倍多，近幾年增速放緩；林地面積近幾年有所增加。(3) 1993—2001年，裸地和農用地相互轉變最為劇烈，8 a間土地利用轉移綜合總量最大。2010—2014年綜合年均變化量最大；2001—2004年農用地和林地年均減少量最大，3 a間建設用地增長最為迅速。(4) 受自然因素的影響，建設用地和農用地的空間變化主要分布在中東部地區。裸地與人口密度呈現極顯著負相關，通過顯著性0.01水平檢驗。焦作市地均GDP總量每增加1%，建設用地面積增加0.12%。城市要尋求產業轉型，在保證未來新區發展建設的同時，也要保障糧食的供給。

土地利用類型; 衰退型資源城市; 驅動力; 隨機森林; 焦作市

資源型城市因資源開發利用而興起，我國資源型城市有262個，約占中國城市總量的1/3[1]。資源型城市的經濟發展，對全國經濟發展有著重大貢獻，引發愈多學者對資源城市的關注。近年來，很多資源城市的資源逐漸衰竭，導致城市發展后勁嚴重不足。在資源開采過程中，造成了土地破壞和浪費。產業轉型是城市可持續發展的路徑，而一個城市的產業布局和該城市的土地利用結構息息相關。客觀、準確、現實的土地利用數據信息是城市規劃和產業布局的基礎，獲取土地利用結構的時空動態信息，是實現城市土地資源優化配置和城市產業結構合理調整的重要舉措。因此，開展資源型城市土地利用變化檢測研究，尤其是對衰退型資源城市土地利用變化檢測研究顯得尤為重要。

已有學者對資源城市的土地利用變化進行研究，主要集中在指標化評價、份額分析法、模型評價法等[2]方面，基于統計數據靜態分析。有學者對土地利用動態變化檢測的研究，方法上采用傳統分類方法變化檢測[3-6]。本研究利用分類性能較好的隨機森林算法進行分類后變化檢測，研究焦作市近26 a來土地利用時空動態變化。焦作市是67個衰退型資源城市之一[7]，曾是重要的煤炭資源城市，依靠煤炭發展起來的“煤城”同樣面臨著資源型城市所固有的危機。焦作市通過城市產業轉型，改變城市產業結構，是城市轉型的典型案例，一度以“焦作現象”影響著周邊地區。本研究以焦作市為例，利用TM，ETM+，OLI數據對焦作市近26 a土地利用變化進行檢測，獲取土地利用數據信息，分析其土地利用變化規律。結合該地區人口、經濟發展狀況分析促使其土地利用類型變化的主要驅動因素，為土地利用結構調整和城市產業布局提供現實的參考依據。

1　研究區概況

焦作市位于河南省西北部，是河南省18個地市之一。地理坐標為北緯35°10′—35°21′，東經113°04′—113°26′，北傍太行，南臨黃河，與鄭州市、洛陽市等為鄰。焦作市屬于溫帶季風氣候，四季分明，年平均氣溫12.8～14.8℃，年降水量從北到南大致為600～1 200 mm。全市無霜期大致為190～230 d，一般可滿足農作物一年兩熟。全市總面積為4 071 km2，市域內地貌類型有山地、丘崗、平原、灘涂等，全市主要開發利用的土地資源為耕地、林地、建筑用地等三大類。該地區旅游風光秀美壯麗，有著豐富的自然資源、區位優勢明顯，也是河南省主要糧食高產區之一。到2014年末，全市總人口達到了368.49萬人，其中常住人口352.25萬人，城鎮化率達到53.21%。

近年來，焦作市發展重點項目、提高科技創新，尤其是在協調推進工業化、新型城鎮化和農業現代化等方面積極探索，城市社會經濟得到了較快發展。焦作也充分利用發展旅游業的有利條件，加大對旅游產業的扶持，積極實現從一個煤炭型城市向生態旅游城市的轉變，轉型成效明顯，成功從“黑色印象”轉向“綠色主題”。2014年焦作全市地區生產總值達1 846.32億元，人均生產總值達到52 477元。2014年地方財政收入為143.66億元，全年公共財政預算支出193.56億元，全年固定資產投資1 653.70億元。全市城鎮居民人均可支配收入達23 977.2元，農村居民人均純收入12 517.6元。

2　方法體系

2.1數據來源及預處理

在辨別一個城市發展過程中的土地利用變化，應該考慮到季節的變化，很難用一幅中分辨率的遙感影像來完全分離處于同一時間點的土地利用或土地覆蓋類型。很多地類難以分離，比如水體和山體陰影不容易區分，裸露地表、農用地、收割后的農用地和新建設用地也很容易混淆，植被有時也難以和周圍的土地區分開[8]。

焦作市主要農作物有小麥、玉米、棉花等，考慮到當地的季節變化和農作物生長周期條件，選取春季4—5月份和夏季7—8月份影像作為最佳研究數據。根據遙感數據的可獲取性和云量等對遙感影像的影響，分別選取1988年、1993年、2001年、2004年、2010年和2014年6個時間段的TM、ETM+、OLI影像。遙感影像均來源于USGS，統計數據均來源于《河南省統計年鑒》。USGS影像數據包括地表反射率和NDVI，EVI，SAVI，MSAVI，NDMI，NBR，NBR2光譜指數數據產品，前期并不需要做大氣校正、幾何校正、輻射定標等預處理，只需對影像進行裁剪、波段運算和波段合成等處理。所選取遙感影像數據見表1。利用ArcGIS 10.2創建500個30 m×30 m的隨機格網作為訓練樣本選取點，從Google Earth上截取研究區內歷史影像進行幾何校正后選取訓練樣本。訓練樣本采用分層隨機采樣的方法，按照80%為訓練樣本，20%為驗證樣本進行分層采樣。

表1　Landsat遙感影像信息

2.2研究方法

土地利用/覆蓋變化檢測算法很多，如多時相合成影像變化檢測、影像代數變化檢測、分類后比較法、光譜變化矢量分析等[9]，本研究選取分類后比較法對影像分類圖進行逐像元變化檢測。分類后比較法是一種定量的檢測方法，得到廣泛應用，但分類變化檢測的缺點是精度依賴于單幅影像分類結果的精度。因此，基于分類后變化檢測的研究，必須要有較好的分類方法。對于分類算法的研究應用，有厙向陽、馬利剛、王崇倡、鄭明國、Pal、Victor等對各種分類算法進行過研究實證[10-15]。已有研究表明[16-17]，隨機森林(Random Forests，RF)算法在很多遙感影像分類中甚至優于支持向量機和神經網絡算法。因此，本研究分類算法采用隨機森林算法。

隨機森林是Breiman于2001年提出的一種基于單棵決策樹算法的集成學習算法[18]。它以單棵分類決策樹作為基本模型，用Bagging方法制造有差異的訓練樣本集，并且在構建單棵樹時，隨機地選擇特征對內部節點進行屬性分裂。Bagging方法和CART算法的結合，再加上隨機選擇特征進行屬性分裂，使得RF能較好容忍噪聲，并具有較好的分類性能。

2.2.1變量重要性隨機森林能處理大量的輸入變量，通過有放回的boostrap采樣進行隨機特征變量選取，在分類過程中能評估各個輸入變量對分類的重要性，無需進行剪枝操作，而是最大深度地對變量進行分枝[18]。隨機森林模型需要兩個人工控制的參數，一個是分類樹的個數n，另一個是在生長單棵樹過程中每個節點處的預測變量個數mtry。模型參數采用默認的n=500，mtry=sqrt(m)(m為變量個數，本研究中m=39)，通過R語言的RandomForest包編程實現分類模型。原則上均統一選取TM影像進行分析，根據數據獲取原則和考慮到ETM+和OLI與TM影像的數據差異，選用ETM+和OLI中與TM影像對應的可見光、近紅外、中紅外和遠紅外波段進行遙感專題指數運算。6期數據最后參與分類的波段變量個數為39個，如圖1所示。

圖1　平均減少精度和平均減少Gini值

圖1中PC，IC，MNF分別為主成分變換、獨立成分變換和最小噪音變換前三個分量，Brightness，Greenness，Third為纓帽變換的三個分量，SNDBI為仿歸一化建筑指數，NDⅡ為歸一化紅外指數，NBR為歸一化燃燒率，GNDVI為綠度歸一化植被指數，RI為紅色植被指數，RRI為居民地比值指數，IBI為建筑指數，ARVI為大氣抗阻指數，VARI為抗大氣指數。

隨機森林能評估分類過程中各特征變量的重要性程度，這對于了解每個變量是如何影響分類模型很重要。對于數據變量較多的情況，隨機森林能達到降維的效果，能夠識別重要的變量，能夠選擇對分類精度有所提高的變量。通常為了評估既定變量的重要性，隨機森林模型不會去考慮既定變量，而繼續考慮剩余的變量，通過袋外誤差評估來測量平均減少精度(Mean Dcrease Accuracy)和平均減少基尼值(MeanDcrease Gini)。對于變量重要性的估測，是通過修改的OOB(Out-Of-Bag)子集和原有數據精度得到的平均差異來確定每個變量的重要性，Gini重要性估測每個變量在森林的所有樹中Gini不純度的減少量。為了減少特征維數和減少訓練分類模型的時間，通過模型重要性估測、袋外誤差和Gini系數來選擇最重要的變量，圖1中的平均減少精度和平均減少基尼值表明了每個變量重要性的趨勢。

變量重要性如圖1所示，平均減少精度衡量把一個變量的取值變為隨機數，隨機森林預測準確性的降低程度，該值越大，代表該變量的重要性越大。平均減少基尼值是通過Gini指數計算每個變量對分類樹每個節點上觀測值的異質性的影響，從而比較變量的重要性。該值越大表示該變量的重要性越大[19]。圖中可以看出DEM和地表反射率的band5的平均減少精度是最大的，說明兩個波段對于分類的重要程度最大。但同時兩個波段的平均減少Gini值也是最大的，說明兩個波段在每顆分類樹的觀測值上異質性，即節點不純度也是最大的。總體來說，DEM對于分類過程是重要的，因為地表存在各種各樣的起伏，尤其是山地丘陵地區，各土地類型的三維空間面積(地表真實面積)并不能完全與二維遙感影像中獲取的面積等同[20]。因此在分類過程中考慮到DEM必然會對分類精度有所提高。

2.2.2隨機森林模型分類性能在RF模型訓練中，有近1/3的樣本數據可能未被Bagging生成的訓練集所選中，而這1/3的數據就作為袋外數據，被用來估計該分類器的泛化性能，這種方法被稱為袋外估計，所得到的數據值就是袋外誤差[21]。袋外誤差越小，代表生成模型的性能越好，分類結果越可靠，反之越差。對分類結果利用混淆矩陣定量驗證，再通過目視對比的定性檢驗。6期影像分類模型運行的袋外誤差和分類精度如表2所示。

表2　袋外誤差、總體精度和Kappa系數值

3　結果與分析

3.1土地利用類型統計分析

運用隨機森林模型得到分類灰度影像，利用ENVI 4.8對分類結果進行Density Slice，得到分類RGB圖像，并對各地類進行統計百分比，得到如圖2所示的結果。

圖2　土地利用類型面積占總面積比例

從圖2中可以看出，水域1988—2014年基本上保持不變，最小值為1.68%，最大值為2.38%。建設用地呈現逐期遞增的趨勢，其中1993—2001年的增幅最大，建設用地增幅分別為1.25%，3.19%，2.36%，0.15%和1.01%。建設用地的逐年遞增符合正常的增長趨勢，隨著經濟的發展和人口的增長，建設用地必然呈現增長的態勢。林地1988—2014年總體變化不是很大，但近幾年林地面積顯然有所增加，2010—2014年4 a期間，林地共增長0.94%。1988—2014年6期裸地變化幅度分別為-4.66%，-13.67%，0.95%，-1.73%和0.82%，從1988—2001年下降幅度最大，從占地面積比為39.7%下降到20.37%，整體下降了18.33%。其中，1993—2001年的8 a期間，下降趨勢最為明顯，之后就呈現小幅度波動。農用地整體呈現一個先增后降的趨勢，變化幅度分別為4.05%，8.44%，-2.46%，0.59%和-2.78%。1993—2001年的增長幅度最大，從2010—2014年的下降幅度最大。

根據圖2趨勢分析，水域和林地面積波動較小，建設用地逐年遞增，主要變化是在農用地和裸地相互轉化。各地類的相互轉移量和轉移的空間分布情況，通過土地利用變化檢測得出。

圖3中畫出了1988—2014年建設用地每期占比，通過模擬得出建設用地線性增長趨勢線，R2=0.928，擬合度較好，1988—2014年建設用地呈現線性趨勢增長，符合預期中的建設用地變化。如果當前趨勢繼續發展，建設用地將繼續擴張。從1988年的7.32%增長到2014年的15.28%，近26 a來建設用地面積增長1倍多。建設用地將繼續穩定增長，但增長趨勢放緩。

圖3　建設用地變化趨勢

3.2土地利用類型時空變化分析

圖4中給出了1988—2014年焦作市土地利用空間分布狀況，焦作市北部為太行山脈，南部為黃河和沿河灘涂。受到地形因素的影響，建設用地的擴張主要為中部地區和南部地區，主要占用周圍的農用地。農用地向南有所擴張，不斷占用沿河灘涂。林地和水域空間分布變化不大，裸地整體面積不斷減少。

為了更精確地對比土地利用變化結果，通過ENVI 4.8算出地類間土地利用轉移矩陣，并對數據進行整理分析，所得結果如圖5所示。

圖4　土地利用類型空間分布

圖5　土地利用增減量和變化趨勢圖

圖5A為近26 a來6期影像數據土地利用類型的增加和減少的變化情況，圖5B為土地利用總體變化趨勢。圖5A中正數表示當前地類的增加量，即其他用地類型轉變為當前地類，負數表示當前地類減少量，即當前地類轉化為其他用地類型。圖中可以看出，裸地和農用地是變化最大的兩種地類。1988—1993年和1993—2001年兩期數據中可以看出，農用地的變化是呈現正增長的，即農用地轉變成其他地類的量小于其他地類轉為農用地的量，兩期數據農用地的增長量分別為9 239.74，10 495.6 hm2，土地利用轉移矩陣表明，農用地轉變為裸地的量最大，為7 426.52 hm2，而裸地轉為農用地的量也是最大的，為17 864.81 hm2。因此，1988—2001年13 a期間，主要是農用地和裸地的相互轉化最大，農用地總體表現為增加的趨勢。2004—2010年6 a期間，農用地的整體變化基本平穩，2001—2004年和2010—2014年兩期數據說明，農用地的總體變化是呈現負增長的，農用地的減少量分別為5 828.66 hm2，7 067.37 hm2。在2001年以后，隨著城市的發展，其他用地類型開始占用農用地，農用地總量開始下降。

林地的總體變化波動性不大，主要是2001—2004年略微有所減少，但2004年以后，林地面積總量開始增長，約為5 652.53 hm2。建設用地表現為逐期增長的趨勢，但是增幅有所不同，主要以1993—2001年的增幅最大，建設用地增長量為8 673.34 hm2，主要原因也是這期數據的時間間隔較長，所以建設用地總增長量最大。但這8 a期間城市擴張速度是否最大，還得通過年均建設用地變化量得出。2004—2010年增幅最小，增長量為1 468.54 hm2。水域的變化趨勢最為穩定，變化量不是很大，每期變化均呈現小幅度的波動。裸地的總體變化幅度是最大的，主要是裸地和農用地的相互轉移。其中1988—2001年裸地急劇減少，大多數轉變成了農用地，兩期數據裸地減少量分別為10 076.74，20 313.19 hm2，其中以1993—2001年的減少幅度最大。之后的13 a內，裸地均有不同幅度的變化，但變化量沒有前兩期數據那么大，后面三期數據中裸地的變化量分別為2 088.74，-6 460.48，-4 565.44 hm2。

圖6A為1988—2014年土地利用類型年際平均增減變化情況，從圖中可以看出，2010—2014年的土地類型年均增減總量是最大的，這4 a中，土地類型相互轉移最為明顯，以農用地和裸地的變化最大，水域變化幅度較小。1993—2001年8 a間年均增減總量最小。從圖6B中可以看出，1988—2001年和2004—2010年，農用地的年均變化均是增加的，1988—1993年年均農用地增長量最大。其余兩期數據的農用地年均變化都是負增長，年均減少量基本持平。林地的變化以2004年以后逐年增加，2001—2004年林地年均變化呈負增長，3 a間林地有所減少。建設用地的年均變化均處于X軸以上，表明建設用地從1988年以來每年都有增加，其中以2001—2004年和2010—2014年的年均增加量最大，分別為1 661.9，1 427.0 hm2，表明城市建設用地擴張在這幾年里最為明顯，城市發展較快。其余幾期年均增幅較小，城市發展增速有所放緩。水域年均變化以2001—2004年3 a間最為突出，且表現為正增長狀態，其他幾期水域面積基本平穩，年均整體面積變化不大。裸地除了2001—2004年期間年均變化呈正增長之外，其他年份均表現為負增長，裸地正在逐年減少，以1988—2001年裸地的年均減少面積最大。

圖6　土地利用類型年均增減量和年均變化趨勢

3.3驅動因素分析

3.3.1自然和政策因素對土地利用的影響焦作市南臨黃河，灘涂裸地主要分布在南部沿河區域，受到氣候變化和地球自轉偏向力的影響，黃河流量季節性變化，河流整體向南不斷偏移，河流水體和灘涂裸地相互轉移，且變化量較大。林地主要分布在北部山丘地區和西部少數地區，以及居名點周圍和農用地周圍兼有零星林地，林地總體變化率不大。但近幾年，除了焦作市旅游業的不斷發展，政府部門也不斷重視生態環境問題，出臺很多相關政策，加強生態保護建設和加大林業建設，從而林地面積近幾年有所增加。國家1986年頒布的《土地管理法》，重視土地的合理利用和保護耕地，焦作市自1988年以后，農用地面積整體水平持續增加。自1999年基本農田保護條例實施以后，作為河南省糧食主產區，進一步加強了基本農田的有效保護。2011年9月，國務院出臺《國務院關于支持河南省加快建設中原經濟區的指導意見》，有效地推進了焦作市工業化、城鎮化與農業現代化進程。

3.3.2人口因素對土地利用的影響人口和經濟是人類社會發展最明顯的驅動力，是最不容忽略的重要因素。通過SPSS 17分析用地類型與人口和經濟因素的相關性，求出Pearson相關系數，檢驗其相關性。人口因素包括人口密度、城鎮化率，經濟因素包括地均GDP、地均第一產業產值、地均第二產業產值、地均第三產業產值。SPSS相關性分析數據見表3。

建設用地與人口密度和城鎮化率呈現極顯著線性正相關，相關系數分別為0.973，0.947，通過信度水平為0.01檢驗。很顯然，人口增長和城鎮化快速發展，必然需要大量建設用地為支撐。農用地與人口密度呈現顯著線性正相關性，相關系數為0.874，通過信度水平為0.05的顯著性檢驗。人口的增長必然導致對糧食需求的增加，糧食的增長要么依靠單位面積產量的提高，要么就增加種植面積。在當前條件下，焦作市要想增加糧食產量，只有通過增加種植面積。裸地與人口密度呈現極顯著線性負相關，相關系數為-0.976，通過信度0.01檢驗。人口增加必然加大土地利用強度，因此裸地面積必然會不斷減少。

表3　SPSS相關性分析

注:表中*表示顯著性水平<0.05，兩者顯著相關；**表示顯著性水平<0.01，兩者極顯著相關。

3.3.3經濟因素對土地利用的影響通過相關分析可知，建設用地與地均GDP和地均第二產業產值呈現顯著線性正相關，相關系數分別為0.821，0.826，一致通過信度水平為0.05檢驗。一個城市經濟發展、GDP提高，工業是重要的支撐和重要產值來源。根據我國建設數量變化與GDP回歸關系[22]，建立焦作市建設用地面積變化和地均GDP的回歸關系式為Y=0.0269X0.1246(Y為建設用地面積，X為地均GDP)，R2=0.8951，擬合度較好，即焦作市地均GDP總量每增加1%，建設用地面積增加0.12%。建設占用其他用地是支持經濟發展的一種代價性損失，是經濟發展的必然趨勢。農用地與地均第一產業產值呈現顯著線性正相關性，相關系數為0.874，通過信度水平為0.05的顯著性檢驗。增加種植面積，糧食產量就會增加，必然導致第一產業生產總值增加，因此農用地和地均第一產業產值表現為正相關符合實際情況。林地與地均第三產業產值呈現顯著線性正相關，相關系數為0.821，通過信度為0.05檢驗。近年來，焦作市大力發展旅游產業。結合焦作市實地情況可知，當地旅游業主要以自然風景區為主，因此地均第三產業產值增加，林地面積也有所增加。

4　結論與討論

4.1結 論

(1) 隨機森林分類算法的應用，在減小特征維數約束的情況下提高分類精度和減少程序運算時間，增強模型泛化和解釋的能力。分類結果表明，DEM在遙感分類中重要性程度相比最大，DEM對分類精度有所提升。土地利用變化數據表明，裸地和農用地是變化最大的兩種地類。2001—2004年間，平均每年農用地和林地減少量最大，而焦作市城市擴張在這3 a里表現最為明顯；2004年以后，焦作市建設用地增速有所放緩。

(2) 驅動因素分析表明，受自然因素影響，焦作市林地和水域變化主要分布在北部和南部。人口密度和城鎮化率均與建設用地呈現顯著正相關，人口增長迫使建設占用其他用地，裸地和農用地面積明顯減少。裸地與人口密度表現為極顯著負相關；建設用地與地均GDP和地均第二產業產值呈正相關，并且建設用地與地均GDP回歸關系式表明，焦作市地均GDP總量每增加1%，建設用地面積增加0.12%。

(3) 焦作市隨著資源枯竭和經濟增長放緩，城市產業轉型中，替代產業對土地的需求量增加，規劃期內所持有的存量土地受到破壞和污染，必須要有新的增量土地及時供應，才能滿足產業發展的需求。由此看出，焦作市要想得到轉型發展，對土地的依賴性仍然很大。為此，得優化土地利用計劃，實施更靈活的供地政策以保障焦作市城市轉型發展中對土地的訴求，適當調整土地供應計劃，以切實保證糧食產量和未來新區發展建設的需要。

4.2討 論

高質量的訓練樣本能增加影像分類的準確度，使得變化檢測的研究結果更可靠[8]。對于選用中分辨率影像來說，則難以獲取考慮到研究區影響因素(如季節、土壤、氣候等)所對應時間點相近的高分影像作為參考數據。因此，對于監督分類來說，如何選取高質量的樣本和提高分類精度和準確性，依然大有前景。

本研究從焦作市作為衰退型資源城市的視角，探討城市產業轉型背景下，其土地利用和變化表現趨勢。下一步需對全國262個資源型城市或67個衰退型資源城市的土地利用變化進行全面研究，深入對比分析資源型城市或衰退型資源城市土地利用所表現出的特點，從而挖掘出焦作市的特有特點，同時這也將作為下一步的研究繼續深入。

致謝：本文特別感謝來自印第安納州立大學的謝燕華博士師兄的悉心指導和幫助，也感謝我們團隊各位同門的幫助和修改。

[1]劉力剛,羅元文.資源型城市可持續發展戰略[M].北京:經濟管理出版社,2006.

[2]孫紀.資源型城市土地利用的空間效應[D].沈陽:沈陽師范大學,2014.

[3]Nyoungui A N, Tonye E, Akono A. Evaluation of speckle filtering and texture analysis methods for land cover classification from SAR images[J]. International Journal of Remote Sensing,2002,23(9):1895-1925.

[4]劉春悅,張樹清,江紅星,等.對應分析在多時相遙感影像分類前變化檢測中的應用:以江蘇省鹽城市為例[J].資源科學,2008,30(9):1409-1414.

[5]吳柯,牛瑞卿,王毅,等.基于PCA與EM算法的多光譜遙感影像變化檢測研究[J].計算機科學,2010,37(3):282-284.

[6]尤淑撐,劉順喜,李小文,等.基于空間約束關系的土地利用/覆被遙感分類方法研究[J].農業工程學報,2005,21(9):51-55.

[7]袁國華,鄭娟爾,王世虎.資源型城市土地利用政策研究[M].北京:地質出版社,2014.

[8]Schneider A. Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach[J]. Remote Sensing of Environment,2012,124:689-704.

[9]詹森.遙感數字影像處理導論[M].北京:機械工業出版社,2007.

[10]厙向陽,薛惠鋒,雷學武,等.基于分類規則挖掘的遙感影像分類研究[J].遙感學報,2006,10(3):332-338.

[11]Ma L, Deng J, Yang H, et al. Urban landscape classification using Chinese advanced high-resolution satellite imagery and an object-oriented multi-variable model[J]. Frontiers of Information Technology & Electronic Engineering,2015,16:238-248.

[12]王崇倡,郭健,武文波.基于ERDAS的遙感影像分類方法研究[J].測繪工程,2007,16(3):31-34.

[13]鄭明國,蔡強國,秦明周,等.一種遙感影像分類精度檢驗的新方法[J].遙感學報,2006,10(1):39-48.

[14]Pal M, Mather P M. An assessment of the effectiveness of decision tree methods for land cover classification[J]. Remote sensing of environment,2003,86(4):554-565.

[15]Rodriguez-Galiano V F, Chica-Olmo M, Abarca-Hernandez F, et al. Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture[J]. Remote Sensing of Environment,2012,121:93-107.

[16]Na X, Zhang S, Zhang H, et al. Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area[J]. Chinese Geographical Science,2009,19(2):177-185.

[17]楊耘,徐麗,顏佩麗.條件隨機場框架下基于隨機森林的城市土地利用/覆蓋遙感分類[J].國土資源遙感,2014,26(4):51-55.

[18]Breiman L. Random forests[J]. Machine Learning,2001,45(1):5-32.

[19]李欣海.隨機森林模型在分類與回歸分析中的應用[J].應用昆蟲學報,2013,50(4):1190-1197.

[20]崔步禮,李小雁,姜廣輝,等.基于DEM的山地丘陵區土地利用/覆被研究:以青海湖流域為例[J].自然資源學報,2011,26(5):871-880.

[21]林成德,彭國蘭.隨機森林在企業信用評估指標體系確定中的應用[J].廈門大學學報:自然科學版,2007,46(2):199.

[22]吳郁玲,曲福田.中國城市土地集約利用的影響機理:理論與實證研究[J].資源科學,2007,29(6):106-113.

Analysis on the Temporal and Spatial Change of Land Use and Its Driving Factors of Declining Resources-Based City

GUO Ping1, ZHOU Wei1,2, YUAN Tao1,2, HAN Jin1

(1.SchoolofLandScienceandTechnology,ChinaUniversityofGeosciences(Beijing),Beijing100083,China; 2.KeyLaboratoryofLandRegulationMinistryofLandResources,Beijing100083,China)

Multi-seasonal TM, ETM+ and OLI remote sensing images data of Jaozuo City in 1988, 1993, 2001, 2004, 2010 and 2014 were classified by using Random Forests algorithm. The dynamic of land use/cover was then obtained and related to the main driving factors. The results showed that: (1) DEM was more important than other variables during the process of classification, especially for forest; (2) the area of agricultural land reached the maximum in 1993, construction area increased doubled in the past 26 years, but the growth rate slowed the slowdown trend in recent years, while forest area only increased in recent years; (3) the bare land and farmland experienced the most dramatic change during the period from 1993 to 2001, the annual decrement of agricultural land and forest land was the largest during the period from 2001 to 2004, and the construction land increased the most rapid in 3 years, the annual change was the largest during the period from 2010 to 2014 in terms of all the land uses/covers; (4) the contruction land and agricultural land were mainly located in the middle and eastern regions due to the constraint of topography. The bare land and population density showed the significantly negative correlation (p<0.01). The 1% increase of GDP resulted from 0.12% increase of oconstruction land area in Jiaozuo City. This study indicates that farmland should be protected to meet food demand during the process of industrial transformation.

land use type; declining resources-based city; driving factors; Random Forests; Jiaozuo City

2015-12-15

2016-01-07

郭平(1990—),男,貴州畢節市人,碩士生,主要研究方向為3S技術及應用。E-mail:yrguoping@163.com

周偉(1972—),男,甘肅會寧人,教授,博士,主要研究方向為土地資源管理。E-mail:zhouw@cugb.edu.cn

F301.24

A

1005-3409(2016)04-0191-08