泰安市土地利用遙感數據分析與預測

李 鵬 路英川 趙由之 王 浩 劉根源

(中國地質調查局地球物理調查中心, 河北 廊坊 065000)

0 引言

土地利用現狀是自然條件和人類活動綜合作用的結果,是土地由自然生態系統向人工生態系統轉變的過程[1-2]。隨著經濟的飛速發展和人口的急劇增長,土地利用出現了許多問題：人類開發利用土地資源發展社會經濟的同時,土地覆蓋形態發生很大改變,這種改變影響到整個自然生態系統[3-4];也嚴重影響了經濟的可持續發展,阻礙了人類文明的進步。在生態文明建設背景下,如何科學研究人類活動導致的自然生態環境變化及其相互關系和作用機理成為當下的研究熱點和難點問題。遙感技術以其獲取數據信息速度快、范圍廣、周期短、限制條件少為研究的開展提供了先進技術條件和基礎數據保障。近年來,遙感技術得到了飛速的發展[5-10]。國內外專家學者通過對時序高分辨率遙感影像的分類處理,得到各地類的面積,研究各地類的變化規律并人為進行早期干預,使土地利用朝著可持續的方向前進[11]。

通過對獲取的泰安市遙感影像進行處理和分析,本文提取并總結出泰安市2013—2021年的土地利用現狀及發展變化趨勢,嘗試探尋其土地利用中存在的問題并積極尋求解決辦法。研究成果為未來泰安市的整體發展與國土空間規劃,科學地推動城市化進程服務提供了參考。

1 研究區概況

泰安市由泰山區、岱岳區、新泰市、肥城市、寧陽縣、東平縣6個縣市區組成,土地總面積7.76×105hm2。泰山地處華北大平原的南北通道與黃河中下游的東西通道交叉樞紐之側,地貌環境復雜,由多種地形群體組合而成,包括沖洪積臺地、剝蝕堆積丘陵、構造剝蝕低山和侵蝕構造中低山四大類型,由低而高、層巒疊嶂、凌空高聳、勢如巍峨。泰山獨特的地理位置和自然景觀對泰山文化的弘揚和影響的擴大,起著極為重要的作用。泰安市土地資源豐富,擁有山地、丘陵、平原、洼地、湖泊等多種土地資源。泰安市植被豐富,樹木蔥郁,水源充足,地勢復雜,為各類動物的覓食、棲息提供了良好的條件[12-14]。

2 研究方法與數據

2.1 數據來源與預處理

本研究采用數據為Landsat影像和高分三號影像。其中,Landsat影像數據主要用于泰安市耕地、林地、建筑用地、交通用地、水域、未利用地的分類,分別為2013年、2015年、2017年、2019年、2021年Landsat8影像各1景。高分三號影像數據主要用于探索泰安市建設用地和交通用地的智能解譯方法。本文的研究方法如圖1所示。

圖1 作業流程圖

遙感圖像預處理采用圖像可視化環境處理平臺軟件(the environment for visualizing images,ENVI)。ENVI是美國Exelis Visual Information Solutions公司開發的遙感圖像處理平臺,它以其豐富強大的圖像處理功能和現有最為良好的交互性能,面向廣闊領域的應用案例,服務于不同層次用戶的模型開發工具以及與地理信息系統(geographic information system,GIS)的高度整合,為遙感及相關應用領域的用戶提供了內容豐富、功能強大而操作友好的圖像處理軟件,代表了遙感圖像處理系統未來的發展趨勢。圖像預處理流程如下：

(1)幾何校正。根據影像像元的坐標(圖像坐標)與目標地物的地理坐標(地圖坐標)的對應關系,消除原始遙感影像的幾何變形。

(2)影像融合。按照一定的規則(或算法)將在空間、時間、波譜上冗余或互補的多源遙感數據進行運算處理,獲得具有新的空間、波譜、時間特征的合成影像數據。優化數據比任何單一數據更精確,信息也更豐富。影像融合不僅僅是數據間的簡單復合,更強調信息的優化,以突出有用的專題信息,消除或抑制無關的信息,改善目標識別的影像環境,從而增強解譯的可靠性,減少模糊性(即多義性、不確定性和誤差),提高分類精度,擴大應用范圍和效果[15-18]。

(3)影像裁剪。按照研究區域范圍,從優化后的遙感影像中裁切研究區。常見的方式是依照自然邊界進行裁剪。

2.2 監督分類

參考自然資源部組織修訂的國家標準土地利用現狀分類,本文采用最大似然分類法在ENVI中對研究區域做監督分類[19-23],將泰安市遙感影像主要分為耕地、林地、建筑用地、水域四類。監督分類最終生成的泰安市2021年的土地利用分類圖,如圖2所示。

圖2 監督分類結果圖

2.3 深度學習智能解譯

國內外學者在近幾年可獲取的遙感影像增多,傳統的監督分類方法已經無法滿足日益增長的大數據量的影像處理需求。深度學習智能解譯方法采用更復雜的神經網絡結構,可自動解譯大數據量的遙感影像特征。

本文以UNet網絡為基礎框架進行模型訓練。UNet網絡是一種編碼-解碼結構,主要由卷積層、池化層、激活函數與反卷積層構成。采用1 m分辨率的遙感影像制作圖斑切片樣本庫,對UNet模型進行訓練、驗證,獲取適用于泰安地區使用的深度學習模型,并將其應用于局部建設用地地物信息的提取。操作流程如圖3所示。

圖3 深度學習智能解譯流程

本文重點針對建設用地等局部特征進行智能解譯提取,得到的局部特征分類如圖4所示。

(a)遙感影像圖

(b)局部特征分類圖

在建設用地的提取分類中,深度學習的智能解譯方法較傳統監督分類方法,大大節省了人力,提高了解譯速度,且取得了較好的效果。這為泰安地區高分辨遙感影像解譯深度學習模型的構建,大面積開展土地利用分類做了有益嘗試。

3 結果分析

根據圖像處理的最終面積結果,獲得水域、耕地、林地、建筑用地四種地類的面積，如表1所示。

表1 四種地類面積統計表 單位：hm2

制作水域、耕地、林地、建筑用地四類土地利用的變化曲線圖,如圖5所示。

(a)水域面積變化

由上面的數據可知：近年來,隨著泰安市城市的發展和擴張,耕地的面積在逐年減少,每年的減少值大約為總耕地面積的0.6%。林地、建筑用地的面積在逐年增加,其中林地平均每年的增加值為6 000 hm2,建設用地平均每年增加值為1 500 hm2。水面的面積處于動態平衡中,總體變化不大。建設用地的增加主要是城市的建筑用地,包括新興樓盤、公共建設用地和工業建筑用地;林地的增加主要是泰安山區所占面積較大,常年植樹造林的結果;耕地的減少主要是由于建設用地和林地的增加造成的,前者是主要原因;水域面積變化較小,處于動態平衡中。

根據國家“十三五”規劃定量指標中的耕地保有量18.65億畝和森林覆蓋率23%的目標,結合泰安市土地利用總體規劃,十四五時期為了全面實現泰安市土地利用規劃具體目標,暨耕地面積達到360 000 hm2(較2021年增加2 171 hm2)、基本農田保護區面積達到310 000 hm2、林木覆蓋率提高到36%、土地利用率提高到90%。首先,必須嚴格控制新增建設占用耕地,實現耕地占補平衡,同時開發復墾耕地,以補充耕地減少量,堅決守住耕地保護紅線。其次,必須深入落實生態保護要求,宜林則林宜草則草,保護水源水質,生態環境才能明顯改善。再者,應適度開發未利用土地,切實提高土地集約化利用程度。最后,應充分認識到土地利用規劃的復雜性和艱巨性,堅持整體思維和系統認知,從系統的要素構成、互作機理和耦合作用來探索問題解決的途徑,堅持“山水林田湖草是一個生命共同體”,將跨學科研究和現代系統技術方法作為解決重大關鍵問題的首選項,便捷化調查監測評價,立足實際,健全制度機制,久久為功。展望泰安市2030年土地利用遠景如下：

(1)耕地面積保有量為360 000 hm2并逐年數量趨于穩定,實現耕地的動態平衡可持續發展。

(2)農林牧用地比例協調,居民點等建設用地得到集約利用。

(3)土地利用率可望提高到92%。未利用土地中,除難以利用的裸巖石礫地和部分難以利用的田坎外,全部得到利用。

(4)林地面積達到302 700 hm2,并逐步將森林覆蓋率達到39%,生態環境大為改善,水土流失基本得到控制。

4 結束語

通過對泰安市遙感影像的獲取、處理與分析及深度學習智能解譯方法的探索等操作,統計了泰安市近年來的土地利用現狀及發展變化趨勢,得到結論如下：

(1)遙感影像在土地利用分析與預測研究中有著明顯的優勢。遙感影像的分類方法取得了優良的分類效果。綜合監督分類與深度學習智能解譯,可對泰安市遙感影像實現總體及局部的綜合土地利用分類,完成對實驗區總體及局部的精細化分析及預測。

(2)研究區土地利用變化趨勢明顯。從總體上看,2013—2021年間,泰安市建設用地平均每年增加值為1 500 hm2,林地有少量增加,水域處于動態平衡中,總體變化不大。與此相對的,耕地每年約以0.6%的速度在減少。

(3)全市應逐年實現耕地總量動態平衡有余,并努力做到耕地質量逐步提高。農業用地得到有效保護和綜合整治。城鎮用地規模合理,農村居民點用地總規模縮小。未利用土地資源得以適度開發,荒山多數得到綠化;挖損、塌陷、壓占等破壞的土地得以復墾;土地整理由點到面全面展開;土地利用結構和布局得到優化;土地利用率和產出率明顯提高;土地利用與社會經濟協調發展。