1987—2021年徐聞縣土地利用變化分析

摘" 要：基于Landsat遙感影像數據，對比4種常見監督分類方法的分類效果，其中最小距離法的分類效果最差，且精度僅有66.18%；最大似然法、神經網絡和支持向量機這3種方法分類效果的總體精度均超過90%，由于其中神經網絡擁有較高的精度和Kappa系數，因此選取神經網絡作為該研究的分類方法。研究發現徐聞縣的人工建筑用地、養殖池、低矮植被的面積呈現明顯的上升趨勢；而裸地、林業用地面積總體上處于面積衰減的趨勢。

關鍵詞：Landsat；徐聞縣；土地分類；土地利用變化；動態度分析

中圖分類號：F301.2" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2023）23-0040-04

Abstract： Based on Landsat remote sensing image data， the classification effects of four common supervised classification methods are compared， among which the minimum distance method is the worst， and the accuracy is only 66.18%. The overall accuracy of maximum likelihood method， neural network and support vector machine is 90%. Because the neural network has high accuracy and Kappa coefficient， the neural network is selected as the classification method of this study. The study found that the area of artificial building land， aquaculture ponds and low vegetation in Xuwen County showed an obvious upward trend， while the area of bare land and forestry land was in the trend of area decline.

Keywords： Landsat; Xuwen County; Land classification; land use change; dynamic degree analysis

土地利用變化可用來評價一個區域的發展狀況，并對自然資源進行更加合理的配置與利用。實時的土地覆被變化監測對于自然環境保護與恢復有著重要作用。隨著航空、航天和無人機等遙感平臺的發展，通過遙感技術來實現土地覆被變化的監測更為簡單、便捷。

基于面向對象的遙感圖像分類方法，根據歸一化植被指數（NDVI）、歸一化水指數（NDWI）、形狀和紋理等特征提取地物信息，并運用土地轉移矩陣可實現監測土地類型動態變化[1-2]。在采用Landsat遙感數據進行地物分類時，數字高程模型（DEM）因素對于分類精度有提升作用[3-4]。此外，其他環境變量，如地質、土壤、氣候對分類精度也有提升作用[5]。土地變化的驅動力，如人口、人口密度、GDP和產業增值等與土地利用變化息息相關[6-7]。

湛江市徐聞縣作為中國內陸的最南端，農業與水產養殖發展水平高、速度快，其土地類型在近幾十年來也發生了顯著變化。為研究徐聞縣的土地覆被變化，本研究采用Landsat-8 OLI_TIRS和Landsat-5遙感影像對其進行土地類型劃分和分類方法比較，從中獲取最優的分類方法，得出1987—2021年34年間徐聞縣的土地類型空間分布及其變化趨勢并分析其影響因素，為徐聞縣土地資源的合理利用與環境保護提供依據。

1" 研究區域與圖像預處理

1.1" 研究區概況

研究區為徐聞縣，其位于雷州半島最南端，臨近海南島，介于東經109°52′至110°35′，北緯20°13′至20°43′之間，土地總面積約為1 979 km2。徐聞縣地勢以北部較高，向東、西、南三面沿海傾斜，屬于低丘臺地地形。徐聞土地肥沃，屬熱帶季風氣候，農業為其第一產業，盛產菠蘿、香蕉、芒果等熱帶水果；因20世紀開始引入水產養殖，其水產產業也頗具規模，以對蝦、珍珠以及各類海魚為主。

1.2" 研究區地物類型概況

基于對Landsat-8遙感影像的目視解譯與地物類型分析，把徐聞縣的地物類型分為8大類，分別是人工建筑用地、林業用地、低矮植被、裸地、沙地、養殖池、紅樹林和水體。通過參照Google Earth的高分辨率遙感影像與Landsat-8遙感影像，在ENVI軟件上建立訓練樣本。Google Earth各地物實際影像如圖1所示。

1.3" 數據源

數據來自美國地質調查局（USGS）的Landsat-8 OLI_TIRS和Landsat-5衛星數據。Landsat-8 OLI_TIRS共有11個波段，其中OLI陸地成像儀有9個波段，TIRS熱紅外傳感器有2個波段，Landsat-5衛星搭載的傳感器為多光譜掃描儀系統（MSS）和專題制圖儀（TM）儀器。Landsat衛星每16 d可完成一次全球覆蓋。選取的數據為2021年12月3日的Landsat-8影像；2004年12月4日和1987年12月6日的Landsat-5影像，且影像無云或少云覆蓋。

1.4" 遙感圖像預處理

利用ENVI軟件首先對多光譜圖像進行輻射定標，然后使用FLAASH大氣校正模塊對遙感影像進行大氣校正。基于徐聞縣所在的緯度位置與衛星的過境時間，選取“Tropical（熱帶型）”作為大氣模型；氣溶膠模型選擇“rural（農村）”。在大氣校正后的遙感影像上利用阿里云數據可視化平臺提供的徐聞縣級轄區的矢量文件將徐聞縣裁剪出來。

1.5" 地物分類方法選擇

地物分類是指通過某種方法或原理，將地物根據其特征和共同點，分別劃分到各自相似度較高的某一地物類別，形成不同的地物類別集合。根據已知類別或訓練樣本對分類器進行訓練和監督，稱為監督分類。監督分類的基本過程包括選取訓練區→訓練→分類→成圖。基于2021年徐聞縣的遙感影像，利用最小距離法[8]、最大似然法[8]、支持向量機[8]和神經網絡[9-10] 4種監督分類方法對其進行分類，比較以上4種分類方法的分類精度，選取最優的分類方法。

由圖2可以看出，上述的監督分類方法中，最小距離法的分類效果最差，總體精度僅有66.18%，Kappa系數0.61；最大似然法、神經網絡、支持向量機這3種分類方法分類效果較好，總體精度均達到90%以上，其中神經網絡的總體精度與Kappa系數略高于最大似然法與支持向量機，因此選擇神經網絡作為本研究的分類方法。

2" 結果與分析

2.1" 徐聞縣土地利用變化特征

1987、2004和2021年的徐聞縣各土地利用類型情況如表1和圖3所示。從表1可以看出，1987—2021年徐聞縣轄區內的地物類型以裸地和植被為主。其中裸地、低矮植被和林業用地在整個徐聞縣面積最廣。1987年裸地面積超過800 km2，到2021年，裸地面積縮減明顯，多數面積被低矮植被類型替代；低矮植被面積在34年間持續擴張，到2021年徐聞縣境內均勻分布，覆蓋范圍廣，占地比重高；林業用地在1987年占地廣大，到了2004年，林業用地面積上漲，而2021年面積相較之前呈縮減趨勢。在34年間，人工建筑用地擴張明顯，境內占比增加，紅樹林面積先減少后增加；水體和沙質土地面積變化均不大；養殖池在34年間呈現集中式擴展規模。

利用ENVI和ArcGIS軟件統計得到了徐聞縣各研究年份土地類型的占比，從圖3土地類型的占比圖可以看出，除了水體和紅樹林，其余地物類型的占比波動較為明顯，其中裸地的占比從43.2%降到20.4%，減少了22.8%；低矮植被的占比從31.3%增加到48.5%，增加了17.2%；人工建筑用地從2.3%漲到了10.2%；林業用地的占比從14%降到10.6%；養殖池的占比從0.5%增加到2.7%。

2.2" 土地利用動態度分析

為了能更直觀地表示徐聞縣在1987—2021年這34年間的土地類型的數量變化狀況，分別對1987—2004年和2004—2021年進行單一土地利用動態度變化分析，結果見表2。

在土地利用動態度中，人工建筑用地、低矮植被和養殖池呈現持續的增長趨勢，人工建筑用地的增長速度不斷加快，而低矮植被和養殖池的增長速度放緩；沙地、裸地均呈現持續減少的趨勢；林業用地的變化趨勢表現為先增后減，且減少的速度大于增加的速度，導致了林業用地面積總體上處于減少的態勢；而紅樹林和水體呈現先減后增的趨勢，其中紅樹林在2004—2021年的增長速度高于1987—2004年的減少速度，在2021年恢復到了接近1987年的紅樹林面積水平。這主要是由于國家對紅樹林的保護愈加重視，紅樹林的面積也得到了較好的恢復。

總體來看，徐聞縣的土地覆被變化呈現出人工建筑用地擴張迅速，低矮植被覆蓋面擴大，林業用地的面積呈現減少的趨勢。在這34年間，由于徐聞縣本身不斷地發展，促使建筑用地向外圍擴張，農業的快速崛起也促進了裸地的開墾及低矮植被的面積增長，但高速的發展也破壞了原有的生態環境。

3" 結論

本研究以徐聞縣為研究區域，基于1987、2004和2021年的Landsat-8 OLI_TIRS和Landsat-5遙感影像數據，對比了最小距離法、最大似然法、神經網絡和支持向量機4種監督分類方法的分類效果，結果發現神經網絡的總體精度和Kappa系數最高，故采用神經網絡方法對徐聞縣進行土地利用分類。對1987—2021年的徐聞縣各地物的變化狀況進行分析，發現人工建筑用地、低矮植被具有較為明顯的擴張趨勢，而裸地、林業用地面積衰減嚴重，紅樹林生態恢復效果明顯。

參考文獻：

[1] 康乾坤，于皓，王宗明，等.1990—2015年烏蘇里江流域土地覆被變化[J].水土保持通報，2020，40（4）：312-320，345.

[2] 李卓，韓文超，胡起源，等.融合光譜混合分解與面向對象的土地利用/覆被分類[J].農業工程學報，2021，37（17）：225-233.

[3] 張露洋，雷國平，郭一洋，等.基于Landsat影像的面向對象土地利用分類——以下遼河平原為例[J].應用基礎與工程科學學報，2021，29（2）：261-271.

[4] 張紅梅，吳基文，劉星，等.特征提取和決策樹法土地利用遙感分類[J].測繪科學，2014，39（10）：53-56.

[5] ZEFERINO L B， DE S L F T， DO A C H， et al. Does environmental data increase the accuracy of land use and land cover classification？[J]. International Journal of Applied Earth Observations and Geoinformation， 2020，91：102128.

[6] 張宇晗，張兵華，彭琳，等.福州市2005—2020年土地利用變化及驅動因素研究[J].福州大學學報（自然科學版），2022，50（3）：408-416.

[7] 張雪英.1990—2020年遼西地區土地利用變化及驅動力分析[J].無線電工程，2021，51（8）：711-719.

[8] 趙忠明，孟瑜，汪承義，等.遙感圖像處理[M].北京：科學出版社，2014.

[9] 孫向宇.基于能值分析的土地可持續利用評價及對策研究[D].武漢：華中農業大學，2011.

[10] 可華明.基于GA的BP神經網絡在遙感圖像分類中的應用研究[D].昆明：云南師范大學，2007.