基于隨機森林的成都市2015—2020 年土地利用變化檢測

李伊波，簡 季

（成都理工大學 地球科學學院，成都 610059）

土地利用是依照土地的屬性結合人類的勞動從而獲取相應回報的經濟行為，包括獲取諸多土地產品及相關服務[1]。土地利用變化檢測是氣候變化、人類生存活動等全球變化中的核心問題[2]。因而，對土地利用變化檢測的研究在環境保護、國土空間利用等方面意義重大，為土地業務等部門提供科學規劃依據[3]。

遙感影像分類在區域尺度土地利用信息提取方法主要有監督分類和非監督分類法[4-5]。監督分類主要有最大似然法、多級切割分類法、特征曲線窗口法等[6]。隨機森林、支持向量機、貝葉斯等方法應用較為成熟，取得了較好分類效果[7]。

本文以四川省成都市為研究區，選用2015 年和2020 年Landsat-8 遙感影像，利用GEE 平臺對數據進行裁剪、去云等預處理，采用隨機森林算法，得到了土地利用分類，同時得到分類結果Kappa 系數和總體精度，對成都市2015—2020 年土地利用變化檢測分析。

1 數據來源

1.1 主要數據獲取

Google Earth Engine（GEE）是以云計算為基礎，集科學分析、海量遙感數據處理、地理信息數據可視化于一體的綜合性平臺[8]。選取2015 年和2020 年Landsat-8 OLI 遙感影像數據作為此次實驗的數據源，影像分辨率30 m，使用SRTM 產品作為地形特征輔助數據，該數據可在GEE 平臺直接調用。

1.2 數據的預處理

上傳成都市矢量數據至GEE 平臺中，基于GEE 平臺在線的API 編程對Landsat-8 影像進行裁剪、拼接、大氣校正等處理，利用數據自身質量評價波段做去云處理，分別合成2015 年和2020 年Landsat-8 最小云量影像。

2 研究方法

2.1 樣本獲取

根據全國遙感監管土地利用分類現狀體系標準，選擇具有代表性的土地覆被類別，將其主要分為建設用地、水體、林地、草地、耕地及未利用地。使用目視解譯方法分別選取2015 年樣本點425 個和2020 年樣本點412 個，見表1。

表1 樣本數據點 個

2.2 特征選擇

為了獲得較優的分類結果，需在隨機森林模型中進行特征優化，選取NDVI、NDWI、NDBI 等特征波段，其中NDVI 指數在[-1，1]之間，林地草地的最高值接近于0.80，負數表示地類為云或水域，0 表示為裸地。NDWI 指數在[-1，1]之間，綠色植被取值趨近-0.2，水域指數最高值接近于0.7。NDBI 主要反映建筑分布情況，取值范圍為[-1，1]，正值表示建設用地，植被及水域值為負值。

2.3 隨機森林

隨機森林是一種由多棵分類決策樹組合構成的機器學習算法[9]。其原理為：假設需要訓練的數據集有若干個，使用隨機有放回的抽樣方法從目視解譯選出的樣本中抽取若干樣本，被抽到的樣本構成每一棵決策樹的訓練樣本集，訓練樣本約占原始樣本的2/3，剩下的1/3 數據作為測試樣本組成測試決策樹，根據決策樹枝節結點進行投票決定樣本的預測類別，最后得出分類結果。

2.4 精度評價方法及濾波后處理

混淆矩陣是表示精度評價的一種常用形式，在GEE平臺中利用混淆矩陣進行精度分析，驗證隨機森林算法分類效果[10]。用戶精度表示在分類結果中隨機挑出一個樣本，該樣本被分為土地類型和實際的土地類型一樣的概率；制圖精度表示假定某一地物真實為A 類，分類器將像元分為A 類的概率。

眾數濾波處理能較好地剔除、合并和聚類破碎零星圖斑，使分類結果存儲為破壞程度最低的空間結構，內部原理關鍵在于能夠根據各個像元附近的眾數值替換相鄰像元。

3 結果精度評價及變化分析

3.1 分類結果

圖1 為隨機森林初始分類經眾數濾波優化后的成都市2015—2020 年土地覆被空間特征分類圖，優化后使分類結果結構層次感更強更平滑。如圖1 所示，成都市土地利用在西南和西北地區主要以林地、丘陵和山地為主，龍泉山脈位于成都平原東部區域，是成都平原和川中丘陵的分界線，林地分布特征在山脈上較為顯著，此外龍泉山脈上還分布有農耕地。市中心區域以平原為主，建筑用地在中部地區分布廣泛，東部地區屬于四川盆地盆底平原，主要以平原和部分低丘陵為主，坡度平緩、土壤肥沃，使得耕地較集中分布在中東部地區。

圖1 2015—2020 年成都市土地利用分類

3.2 精度評價

實驗分別計算了用戶精度和制圖精度，以此來全面的剖析不同地類之間分類結果的異同性。在生產者精度方面，兩年份的建設用地、水域、林地和耕地分類精度較高且穩定，波動不是很大，但草地和其他用地的用戶精度和制圖精度較差，這是因為草地和未利用地在2015 和2020 年份的影像上產生錯分或漏分現象，主要原因是影像空間分辨率限制以及遙感普遍存在同物異譜、異物同譜現象，且由于成都市域最低與最高海拔高度相差較大，周邊地形地貌較復雜，隨著人口急劇增加以及不定期的人口流動，使該地區原有的草地以及未利用地發生了較為明顯的地形地貌變化（表2、表3）。

表2 2020 年數據混淆矩陣表

表3 2015 年數據混淆矩陣表

3.3 土地利用類型變化分析

由表4 可知，成都市2020 年建設用地較2015 年的變化最大，增加153.72 km2，主要由耕地轉入；水域的面積變化較小，較2015 年增加5.11 km2，主要由耕地和建設用地轉入；林地較2015 年減少85.11 km2，主要流向耕地；草地的面積增加較為明顯，主要由林地轉入；耕地的面積較2015 年減少63.18 km2，主要流向林地和建設用地；其他用地的面積減少103.24 km2，主要流向林地及耕地。

表4 2015—2020 年土地利用轉移矩陣 km2

成都市2015 年及2020 年土地利用分布情況有較顯著的變化，林地和草地主要分布在地勢較高地區，由于耕地較多流向建設用地，近幾年當地政府通過土地復墾及土地綜合整治補充耕地面積，提高耕地質量，減緩了耕地面積的減小幅度，東部區域草地變化呈增多趨勢稍為顯著。建設用地變化最為明顯，變化趨勢主要以成都主城區為核心，成輻射狀向四周逐步蔓延，主要因為成都市積極落實新一輪規劃，近幾年成都市經濟發展迅速，加快了主城區的建設和發展，意味著成都闊步邁向“雙城時代”。

4 結論

本文以Landsat-8 數據為數據源，利用GEE 遙感平臺，分別對2015 年和2020 年影像數據進行裁剪，去云等預處理，并加入NDVI、NDWI、NDBI 等特征波段，采用隨機森林算法實現了2015—2020 年成都市土地利用分類及變化檢測，得到的結論：①GEE 遙感云在線平臺能夠給用戶提供長時序多元化數據，使用戶高效地完成數據處理，相較于傳統的研究流程，GEE 具有更高的計算效率及更遠的發展潛力。②基于GEE 平臺和隨機森林算法模型得到的土地覆被信息提取和分類精度與遙感影像質量及空間分辨率有較強的關聯，眾數濾波能較好地消除或減弱分類結果“椒鹽噪聲”的現象，使分類結果更加平滑。③成都市近幾年經濟迅速增長，城市布局由原來的單極發展向“雙城”時代邁進，產業多方位融合發展，且隨著人口數量不斷增加，公共服務建設和基礎建設的用地增加，推動城市建設用地擴大，促使主城區面積大幅增加。