基于Google Earth Engine平臺與復雜網絡的黃河流域土地利用/覆被變化分析

紀秋磊,梁 偉,*,傅伯杰,呂一河,嚴建武,張為彬,金 朝,蘭志洋

1 陜西師范大學地理科學與旅游學院, 西安 710119

2 中國科學院生態環境研究中心城市與區域生態國家重點實驗室, 北京 100085

3 西安谷博電子智能科技有限公司, 西安 710068

4 黃土高原土壤侵蝕與旱地農業國家重點實驗室, 楊凌 712100

土地系統中的土地利用/覆被變化(Land use/cover change,LUCC)既是環境變化的原因又是環境變化產生的結果[1],是全球環境變化的重要組成。土地利用/覆被是了解人類活動與生態環境之間復雜相互作用的重要信息來源,對于提高對全球可持續性發展和人地關系的認識至關重要[2]。黃河流域是中國重要的生態走廊和經濟地帶,但是卻遭受著水土流失和環境退化的困擾。脆弱的生態環境和不發達的社會經濟使黃河流域成為人與自然競爭的熱點區域。得益于政府實施的大規模生態保護和生態恢復工程,黃河流域及其中部地區(黃土高原)呈現出中國乃至全球最大的植被綠化趨勢[3]。但是近些年來,生態系統與人類之間的潛在競爭仍然激烈,并已經威脅到了黃河流域的可持續發展[4—5]。黃河流域在中國的生態安全和經濟社會發展方面具有十分重要的地位,中國政府已經將黃河流域生態環境保護和高質量發展作為一項重大的國家戰略,旨在改善環境,優化水資源配置,改善人民生活質量并促進黃河文化的傳承[6]。中國希望在黃河流域尋求更加綠色和可持續的發展策略,在環境保護與經濟增長之間找到平衡。在人口增長,資源消耗和環境變化的巨大壓力下,人類社會系統和生態系統的動態變化密集而復雜。為了了解該流域的過去及預測其未來,亟需連續長時間序列的土地利用/覆被信息和新的研究方法來揭示人與自然系統之間的相互作用關系。

在黃河流域相關的各領域相關研究中,已經有多種土地利用/覆被數據被使用,但是這些數據中的大部分都是單一某一年或者時間分辨率較低。黃土高原地勢起伏大,地表異質性強,復雜的地貌和土地特征影響著該區域的LUCC和生態系統的響應,現有數據的分類策略和分類系統無法準確地描述該地區特殊的土地轉變。借助Google Earth Engine(GEE)平臺及其中可免費獲取的大量遙感數據,可以方便快速地解譯土地利用/覆被圖,提供連續高分辨率的地類數據供LUCC分析。此外,傳統的LUCC分析通常采用在各個地類的角度比較量上的占比和變化,缺乏整體性和系統性。地理科學作為一個復雜巨系統[7],可以使用復雜系統的研究方法對其進行分析和討論。復雜網絡作為研究復雜系統的有力工具,已經廣泛應用在社會學[8]、互聯網[9]、疾病傳播[10]等研究領域中,并且已有部分研究使用了相關方法來分析一些小區域的LUCC[11—12]。但這些研究使用的土地利用/覆被數據的時間分辨率都不夠高,并不能細致系統地分析土地系統在時間上的連續變化。本研究借助GEE平臺生產的連續土地利用/覆被信息,以土地系統中的各種地類之間的轉移關系為研究對象,將地類視為網絡的節點、地類之間的轉化視為網絡的連邊,識別出控制土地系統的關鍵地類節點和轉移類型,并在網絡的整體結構性質上評價土地系統的穩定性,從而分析黃河流域土地系統的LUCC特征及其在時間上的變化趨勢,更好的理解黃河流域過去33年發生的變化以及此流域的人與自然和諧的可持續發展過程。

1 研究區概況

本文的研究區域覆蓋了黃河流域和黃土高原(圖1),總面積為96.7萬km2,約為中國陸地領土的十分之一。黃河流域是中華文明的發源地,為約1.07億人的主要淡水源,擁有1260萬hm2耕地并生產了中國18%的糧食。黃土高原位于黃河流域的中部,是中國四大高原之一,生態環境脆弱,水土流失嚴重。由于數千年的土壤侵蝕和環境問題,黃土高原70%的地區已經布滿丘陵和溝壑,是黃河泥沙的主要來源[13]。研究區地形復雜,包括山脈,盆地,亞高原,溝壑,丘陵和沖積平原等地貌類型,海拔-52—6254 m,中西部為半干旱氣候,東部為半濕潤氣候。

圖1 研究區范圍示意圖

2 數據和方法

2.1 土地利用/覆被數據解譯

2.1.1數據來源及獲取

GEE是由谷歌云計算驅動的地學數據庫及數據處理平臺,其中包含PB級的遙感影像和地球科學數據,具有行星級的運算處理能力,為研究和開發人員提供了一個方便快捷的數據采集、處理和分析平臺[14]。本研究使用了33年的Landsat影像數據和其他輔助數據來解譯1986—2018年黃河流域的年度土地利用/覆被圖(表1)。所有這些數據都可以在GEE中直接免費獲得。

表1 本研究使用的數據集

Landsat計劃是美國地質調查局(United States Geological Survey,USGS)和美國國家航空航天局(National Aeronautics and Space Administration,NASA)的聯合項目,以30 m的空間分辨率記錄整個地球表面,并提供了幾十年的全球地表觀測數據。由于2003年5月31日Landsat 7衛星的機載掃描行校正器出現的故障,所有之后的Landsat 7 ETM+圖像都存在數據丟失條帶的問題[15],本研究選擇了使用1986年至2011年的Landsat 5、2012年的Landsat 7和2013年至2018年的Landsat 8的地表反射率數據,這些數據都已經完幾何精校正和大氣校正,并且包括了使用CFMASK算法生成的云、陰影、水和雪的掩模波段。SRTM(Shuttle Radar Topography Mission)數字高程數據由NASA噴氣推進實驗室(Jet Propulsion Laboratory,JPL)提供,分辨率為30 m。全球SRTM地形多樣性數據計算自SRTM數字高程數據,它表征了物種可將某地作為棲息地的各種濕度和溫度條件,意味著更多樣的地形氣候生態位可以支持物種更高的持久性和多樣性[16]。

2.1.2土地利用/覆被分類系統

根據所使用數據的特性和黃河流域的區域特征,本研究設計了適用于黃河流域的分類系統(表2)。草地生態系統是研究區域最重要的生態系統之一,不同地區的草地因氣候條件差異造成生長狀況不同,本研究根據草地覆蓋度將草地分為低、中、高覆蓋草地。此外,自1999年實施的退耕還林工程至今已有20年,作為促進農村生態和經濟發展的重要措施,退耕還林工程鼓勵農戶種植林木,其中經濟林木(例如果樹)占了很大比例。同時,作為溝道治理工程和水土保持工程的重要措施,廣泛分布在黃土高原上的以種植果樹和農作物為主的人工梯田在減輕水土流失和加強農業生產方面發揮著重要作用。因此,本研究的分類系統增加了“果園和梯田”類別,將農業用地分為了“谷物農田”和“果園和梯田”兩類。本研究的分類系統共定義了7個一級類別,15個二級類別,每個類別的名稱及詳細說明見表2。

表2 本研究的地類分類系統

2.1.3分類和驗證

針對連續年度土地利用/覆被數據的生產,本研究使用了一個高效的融合多變量要素的土地利用/覆被類型分類框架(圖2)。數據生產過程完全基于GEE平臺,包括Landsat數據的預處理、年度影像合成、訓練樣本繪制、分類與回歸樹(Classification and Regression Trees,CART)[17]算法分類、結果優化和結果的評估。

圖2 本研究的長時間年度土地利用/覆被數據生產的工作流程

經過云量篩選后(云覆蓋率<10%),從1986年到2018年,在研究區域總共獲得了17080景Landsat影像,其中包括12957景的Landsat 5、527景的Landsat 7和3596景的Landsat 8影像,平均每年獲得517景影像,并且更多的影像分布在高緯度地區。為了使用足夠數量的高質量Landsat影像用于目標年份的分類,本研究選擇24個月為影像選擇的時間窗口。將目標年時間窗口中的Landsat數據進行篩選、去云和數據修復后,使用中位數合成方法合成研究區域的年度影像。除了Landsat本身的6波段(藍、綠、紅、近紅外、短波紅外1、短波紅外2),還加入了高程、坡度、SRTM地形多樣性數據和四個遙感指數作為年度分類的特征集,使用的四個遙感指數包括歸一化建筑指數(Normalized Difference Built-up Index,NDBI)[18]、歸一化濕度指數(Normalized Difference Moisture Index,NDMI)[19]、土壤調節植被指數(Soil Adjusted Vegetation Index,SAVI)[20]和歸一化植被指數(Normalized Difference Vegetation Index,NDVI)[21]。另外還加入了最大NDVI和最小NDVI(目標年份內對應位置上所有影像像素NDVI值的95%和5%分位數)來幫助區分落葉和常綠植被。

用于訓練的每個目標年的參考樣本均勻地分布在研究區域內,在這些參考樣本中提取出用于分類器訓練的特征值。參考樣本是在GEE中借助Landsat的RGB真彩色合成影像和Google Earth高分辨率圖像進行視覺判斷并手動繪制的。針對這種規模大類別多的分類,比較了多種監督分類方法的適用性和效率,本研究選擇了CART作為分類器算法。CART分類器由基于數據集中變量的規則集合構建預測模型,對數據空間進行遞歸劃分,根據每個數據空間分區內的預測變量和目標變量來擬合預測模型,最后獲得完整的決策樹。針對分類過程中的過度擬合現象,CART算法使用交叉驗證對決策樹進行修剪。如果樹枝保持較高的準確率,則保留該樹枝,否則將其刪除,最后,獲得能夠模擬數據集的最優二叉樹。在每年的分類中,隨機使用80%的參考樣本參加訓練,其余20%用于驗證分類器的訓練精度。為了進一步優化分類結果,本研究使用分類器對每一年進行10次分類,并將它們眾數合成。然后在時間序列的分類結果中使用眾數時間滑動窗口進一步調整數據集的時間一致性,滑動窗口會將焦點年度的土地類別標簽更新為時間窗口內所有類別標簽的眾數值。本研究在33年中使用參考樣本測試了3年和5年滑動窗口,最后選擇了效果更好的5年窗口。通過這些有效的分類和優化策略,最后生產出一套黃河流域90 m的連續年度土地利用/覆被數據集。

受限于高分辨率Google Earth圖像在時間上各不相同的可用性,本研究使用隨機采樣方法從Google Earth高分辨率圖像中收集了分布在2001年至2018年的1000個帶有高分辨率圖像的空間隨機驗證點對結果進行評估(圖3)。驗證結果顯示數據準確性良好,7個一級類的準確率達到82.6%,15個二級地類的總體準確率為74.7%。混淆矩陣顯示分類器在積雪和冰,高覆蓋草地和常綠針葉林(F1-score分別為0.92、0.92和0.91)的分類中表現更好,但在中覆蓋度草地,低植被覆蓋地表和低覆蓋草地上表現稍差(F1-score分別為0.55、0.61和0.67)(表3)。在沙漠和裸土與低植被覆蓋地表之間,以及在谷物農田與果園和梯田之間存在一些錯誤分類,但它們仍屬于相同的一級類別。此外,由于低覆蓋度草本植物的光譜特征與收獲后的農田相似,因此谷物農田易被誤分類為低覆蓋草地。

表3 獨立驗證點集的混淆矩陣

圖3 在Google Earth中收集的1000個獨立的空間隨機驗證點的分布。

2.2 復雜網絡視角下的地類轉移

將黃河流域的土地系統視為一個復雜系統,基于復雜網絡方法,結合GEE得到的黃河流域連續年度LUCC信息,構建土地利用/覆被轉移網絡。其中網絡的節點為各個地類,連邊為兩個地類連續兩年之間的轉移關系。描述LUCC的復雜網絡屬于有向有權網絡,連邊由轉出地類指向轉入地類,連邊的權重為地類轉化的面積。基于此所構建的全時期土地利用/覆被轉移網絡見圖4,網絡中節點的大小表征著地類節點的度,連邊的粗細表征著地類轉移的面積,連邊的顏色表征轉移發生的年份。節點的不同顏色代表著根據連邊的中介中心性監測出的不同社區結構[22],即從土地系統中劃分出的包含更加緊密聯系的地類節點的土地子系統。本文對全時期土地利用/覆被轉移網絡中節點進行分析的度量指標主要包括:中介中心性[23]、度[24]、接近中心性[25]和結構多樣性[26](表4)。

圖4 全時期地類轉移網絡和網絡的社區結構

為了進一步探究黃河流域土地系統過去33年在時間尺度上的變化,將全時期土地利用/覆被轉移網絡拆分成32個兩年之間的土地利用/覆被轉移子網絡,每一年的土地類型作為網絡中的節點,每連續兩年之間的土地利用/覆被轉移作為網絡的連邊。計算出每兩年之間土地利用/覆被轉移子網絡的度量指標,分析時間序列子網絡度量指標的變化,從而揭示黃河流域土地系統結構的變化規律,使用的網絡結構度量指標包括:平均最短路徑長度[27]、網絡密度[28]和網絡傳遞性[29](表4)。

表4 網絡結構度量指標及說明

3 結果與討論

3.1 土地利用/覆被變化時空分析

1986—2018年間,黃河流域最主要的地類是草地,平均占總面積的42.9%,其中包括分布于黃河流域上游的高覆蓋草地(18.8%)、黃土高原西北部的中覆蓋草地(12.5%)和中部的旱生的低覆蓋草地(11.6%)。其次是分布在平原及丘陵溝壑區的農業用地,谷物農田與果樹和梯田面積相當,共占黃河流域總面積的29.6%。接下來依次是包括三類森林類型的林地(12.9%),灌叢(3.0%)和城市及建設用地(3.0%)。水體面積最小(2.2%),主要分布在黃河源區和黃河干流(圖5)。

圖5 2018年黃河流域土地利用/覆被的空間分布及研究期間各一級土地利用/覆被類型的平均面積百分比

研究期間內,黃河流域的土地利用/覆被在總面積和空間格局上發生了重大變化,通過各類土地利用/覆被類型變化速率的可視化圖,可以明顯的觀察出LUCC的時空特征。根據各個地類的變化速率及空間分布,使用k均值聚類算法識別出了黃河流域的五個LUCC模式(圖6),如下:(1)不變或者很小變化,(2)伴隨耕地流失的城市擴張,(3)草地恢復,(4)果園和梯田擴張,(5)森林增加。

33年間黃河流域的LUCC呈現出明顯的時空特征。城市及建設用地面積增長了88%,谷物耕地面積減少了15%,且都主要分布在黃河的中下游地區(圖6)。1986年至2018年的土地利用/覆被轉移矩陣顯示從谷物耕地向城市及建設用地的轉移占了總變化面積的5.7%(20200 km2),這些城市擴張主要發生在一些城市及其周圍的農村地區,并在2000年之后加速發展(圖6)。這對保障地方和區域糧食安全提出了巨大挑戰。因此,為了滿足不斷增長的糧食需求和實現地區可持續發展,應考慮通過農業集約化和更好的土地管理措施來增加糧食收獲面積,并避免過度耕作和農業污染,保護耕地,守住耕地紅線。

數據結果顯示,伴隨著沙漠和低植被覆蓋地表面積的減少,在毛烏素沙地出現了連續的草地面積增長的區域(圖6),表明了國家生態系統保護政策如退耕還林還草和天然林保護工程的效益明顯[30]。1986—2018年,研究區內的沙漠裸土面積減少了24%(9637 km2),表明該區域的植被覆蓋正在逐漸恢復。但是黃河流域的某些地區仍面臨著土地退化的問題,通過對LUCC的分析,本研究還發現了黃河源區嚴重的水體萎縮,消失的水體中大部分退化為低植被覆蓋地表或高覆蓋度的草地(圖6),這些變化主要是由于人類活動壓力增加(例如過度放牧)和升溫引起的多年凍土融化導致的水量下降[31—32]導致。水體面積的減少可能會使這個脆弱的生態系統轉變為不可逆的狀態,造成嚴重的生態環境問題,還可能會影響到黃河中下游地區的水資源供給。

圖6 黃河流域土地利用/覆被變化模式及各地類面積變化的時空分布

黃河流域的森林和草地基本表現為減少-增加-減少的變化趨勢。最開始的減少主要因為該地區早期的環境破壞和農業開墾,之后的增加主要來源是退耕還林還草等環境保護政策帶來的植被恢復,再次減少主要來自農業發展和森林管理對土地利用的改變作用。據報道,1999—2012年寧夏、陜西和山西省的綠化總面積達到3.8×104km2(占三省面積的11%)[33],大規模的植樹造林導致了森林的快速增加[34—35]。2011年,第一輪退耕還林所有林種補償全部到期[36]。2012年后,在集中連片貧困的山區,如六盤山和呂梁山等地,出現了森林流失現象。在這些地區,一旦政府補償結束或補償不足,居住在這些山區和丘陵地帶的農民可能會再次將其土地上的林地轉變為農業用途[37—40]。另一方面,LUCC信息還表明,大多數損失的森林已轉變為果園和梯田,1986年至2018年的土地利用/覆被轉移矩陣顯示由林地,草地和谷物耕地到果園和梯田的轉移占了總變化面積的19.8%(69586 km2),是最主要的LUCC類型。大量的土地向果園和梯田的轉移反映了退耕還林還草政策的變化,具體而言,與第一輪退耕還林還草工程(1990—2007年)相比,該工程的第二輪(于2014年啟動)更加鼓勵農民發展經濟林業,比如種植果樹、藥材等,旨在使貧困的群體擺脫貧困并促進農村的經濟發展,鼓勵經濟林木種植,增加其經濟補償[41]。但這可能導致了森林的流失,2014年后果園和梯田面積的迅速擴張進一步證實了這一點。草地面積變化的原因也同樣可以解釋。流域內草地面積的變化和部分的林地的萎縮提醒人們需要繼續發展和鞏固退耕還林還草工程的成果,在提高農業質量效益和保障農民收入的同時,人們還需要進一步加強對生態林地的保護。此外結果還證明LUCC的長期持續監測對于評價和評估相關環境政策的現有成就至關重要。

3.2 地類節點分析

本研究基于全時期土地利用/覆被轉移網絡對各個地類的轉移特點進行分析,探究它們在網絡中的地位和作用。節點的度只能在一定程度上表征節點的重要程度。然而中介中心性,即介數,則能在考慮網絡整體連通性的角度考察節點重要地位。地類節點的介數越大表明越多的土地利用/覆被轉移路線會經過此節點,則該地類節點越關鍵越重要。本文把各個地類節點的度量結果按照中介中心性進行排序列于表5中,在全時期土地利用/覆被轉移網絡中,高覆蓋草地、低植被覆蓋地表和落葉常綠混交林等地類節點不僅中介中心性強,而且度值、接近中心性也同樣較高,這些關鍵地類節點在LUCC中起到類似橋梁的過渡作用,比如中覆蓋草地→高覆蓋草地→灌叢/林地的轉化,或者耕地→低植被覆蓋地表→中/低覆蓋草地等。它們對土地系統的轉化模式起到控制作用,是土地系統中的關鍵地類節點。接近中心性越大表示該節點的地類越容易與其他地類發生轉移。較高的結構多樣性表示該地類節點和其他節點之間存在更多的突破社區結構的關鍵連接。果園和梯田、谷物耕地和城市及建設用地都有較高的接近中心性和結構多樣性,并被聚類到同一個社區之中(圖4),這表明它們是社區結構中較活躍的社區,它們之間的互相轉化是土地系統中比較重要的轉移類型,這與人類活動密切相關。結果顯示在全部15種地類中,最不活躍的地類節點是常綠針葉林、積雪和冰和灌叢,它們的中介中心性、度、接近中心性和節點結構多樣性都比較低,主要是因為它們在區域內的面積占比很小且不易發生轉移。

表5 全時期土地利用/覆被轉移網絡地類節點度量統計

3.3 土地系統穩定性分析

不同時期的土地系統的穩定性存在差異,通過對時間序列的連續兩年之間土地利用/覆被轉移網絡結構的度量進行分析,討論黃河流域土地系統在時間尺度上的變化特征。本研究計算了三個網絡結構的統計度量指標(圖7)。平均最短路徑反應了網絡的穩定性,平均最短路徑越小代表該網絡中的網絡節點之間越能更容易地相互連接,表明網絡越活越,土地系統越不穩定。網絡密度和網絡傳遞性相同,值越高說明地類之間發生轉移的概率越大,土地系統越活躍。

圖7 1986—2018年時間序列土地利用/覆被轉移網絡結構度量統計的變化

結果表明黃河流域土地系統在1993—1998年迎來了第一次不穩定時期,轉移網絡的平均最短路徑長度較小,網絡密度和網絡傳遞性較高。該時期土地系統的變化主要是天然植被的減少和農業用地的增加。自1990年以來,由于人口的快速增長和生活水平的提高,人們對糧食消費的需求不斷增加,但耕地資源卻仍然有限。為了遏制耕地的持續減少并確保糧食安全,中國政府在20世紀90年代后期提出了一系列的耕地保護政策和法律(如《土地管理法》、《基本農田保護條例》和耕地補償政策等)。在政府政策和經濟利益的驅動下,大量的草地和未利用土地被開墾為農田[42],特別是在山西、內蒙古、青海、寧夏和甘肅等省和自治區。大量的人類開墾活動導致耕地面積的增加并致使土地系統出現一定的不穩定性。

黃河流域土地系統的第二次活躍時期出現在2001—2007年,黃河流域正處于退耕還林工程的第一輪時期(1999—2007年)。這時各個網絡的平均最短路徑長度又出現降低,且網絡密度和網絡傳遞性較高,此時正處于退耕還林還草工程的初期,并取得了一定顯著成果,結果顯示在此期間,黃河流域的林地面積逐步增加且谷物耕地面積不斷減少(圖6)。

2011—2014年是黃河流域土地系統的第三次不穩定時期,該時期有大量的林地、草地和谷物耕地轉移向果園和梯田。正如前文分析,為進一步鞏固退耕還林還草工程的成果并加強貧困地區的扶貧工作,中國政府于2014年開始了新一輪的融資,退耕還林還草工程進入第二階段。得益于退耕還林還草和農業綜合開發等相關國家政策的不斷投資,導致該區域的果樹和梯田面積的不斷增長[43—44]。谷物耕地的面積減少與果園和梯田面積的增加表明該地區的農業產業結構發生了變化,這些增加的經濟林木不僅增加了該區域的植被覆蓋,而且還增加了農戶的收入[35,45],促進著社會經濟發展與環境保護之間雙贏局面的實現。果園和梯田的大量增加表明中國正朝著實現生計安全,經濟增長和生態平衡的可持續發展目標邁進。實際上,中國已通過各種政策手段為實現全球可持續發展目標(SDGs)做出了巨大的努力[39,46]。最近的一項研究表明,從1978年到2015年,中國在針對土地系統的16個主要可持續發展項目上的投資總額為3785億美元,遠遠超過了其他全球重要的國家可持續發展項目[39]。這些可持續發展項目通過森林生態保護、草地系統恢復和農業產業發展,大大改善了自然環境和農村地區的生活質量并提高了農業生產效率,促進了人類和自然系統的可持續發展,體現了中國環境政策與環境治理的成就[39,47]。但是研究結果也表明強烈的人類活動將影響土地系統的穩定性,使土地系統壓力增大。并可能會帶來一系列生態環境問題,建議流域的未來發展著重于挖掘土地利用潛力,提升土地利用效率,進一步加強生態服務型用地的保護,實現土地資源的科學可持續利用。

3.4 不確定性

數據評估顯示本研究生產的土地利用/覆被數據準確可靠,后續網絡分析結果合理。但是其仍然存在一些缺陷。首先,生產的土地利用/覆被數據的質量受到Landsat影像質量和數量的限制。此外,本研究中使用的訓練數據和驗證數據都是由人工采集,并且缺少2000年之前的參考資料,這些都會給數據生產和評估帶來較大的不確定性。另一方面數據產品的不確定性也會為隨后的分析帶來誤差,比如地類面積的評估和地類轉移網絡的構建與分析。本研究的數據生產流程完全基于GEE平臺強大的云存儲和云計算能力,大大減輕了本地數據存儲和數據處理的壓力。因此,盡管存在上述不足和不確定性,本研究獨特且適合研究區域的分類系統和包含多源數據的分類方法仍然可以靈活有效地生產此類長時間序列的土地利用/覆蓋動態數據,并對研究區域的土地系統進行系統性分析。

4 結論

本研究基于GEE大數據處理平臺和復雜網絡分析方法,解譯并分析了黃河流域的年度連續LUCC,對黃河流域的土地保護和管理工作有重要參考意義。基于1000個獨立驗證點進行的評估表明本研究生產的覆蓋黃河流域1986年至2018年的年度土地利用/覆被數據集7個一級類別的總體準確度為82.6%,15個二級類別的總體準確度為74.7%。分析結果表明,由政策、社會和經濟因素共同驅動的黃河流域的LUCC在整個研究期間呈現出復雜的時空特征。最主要的LUCC是由林地、草地和谷物耕地向果園和梯田的轉移(占所有變化面積的19.8%)。其次是由谷物耕地向城市及建設用地的轉移(占所有變化面積的5.7%)。研究區LUCC主要的模式包括:不變或很小的變化、伴隨耕地流失的城市擴張、草地恢復、果園和梯田擴張和森林增加。接下來本研究借助復雜網絡方法分析了黃河流域土地系統的關鍵地類和系統穩定性的時間變化。土地利用/覆被轉移網絡中的高覆蓋草地、低植被覆蓋地表和落葉常綠混交林和其他地類的轉移頻繁,中介中心性和度值較高,是黃河流域土地系統中的關鍵地類節點。另外和人類活動密切相關的果園和梯田、谷物耕地和城市及建設用地節點都有較高的結構多樣性、接近中心性,是一組較活躍的網絡社區節點,它們之間的轉移是土地系統中重要的轉移類型。時間序列的土地利用/覆被轉移網絡分析表明黃河流域的土地系統在1993—1998年、2001—2007年、2011—2014年存在三個不穩定時期,這三個不穩定時期的出現可能分別由大量的農業土地開發、退耕還林還草工程和果園梯田的大量增加導致。土地系統內各地類的變化和相互轉移信息,是理解流域內社會、經濟以及自然相互作用動態演化的關鍵。基于這些數據以及分析結果,能進一步理解土地系統在社會與環境互饋中的作用,為環境變化下黃河流域生態系統保護、高質量發展和流域可持續管理政策的制定提供支撐。對黃河流域的長時間土地利用/覆被動態的系統性分析提供了關于環境政策和社會經濟活動對土地系統造成何種影響的見解,表明黃河流域正朝著實現農民生計安全,區域經濟增長和生態環境保護的可持續發展的目標邁進,突顯了基于地學大數據處理平臺和復雜系統分析方法的LUCC分析對于理解人與自然系統之間相互作用的重要性,并有助于實現區域的高質量和可持續發展。