基于高分一號遙感影像的廣州市南沙區土地利用變化特征分析

陳廣成,余煌浩,李彬權*,陳 丞,許 棟,孫金彥

(1.廣州市南沙區水務局,廣東 廣州 510640;2.河海大學 水文水資源學院,江蘇 南京 210098;3.河海大學 水利水電學院,江蘇 南京 210098)

廣州市南沙區地處粵港澳大灣區地理幾何中心,是國家級新區、自由貿易試驗區、粵港澳全面合作示范區和廣州城市新核心區,近年來城市建設和經濟發展很快,土地利用發生顯著變化。2022年6月,國務院印發《廣州南沙深化面向世界的粵港澳全面合作總體方案》,給南沙賦予打造立足灣區、協同港澳、面向世界的重大戰略性平臺的新定位。近年來,南沙城市建設步伐加快,下墊面顯著變化,因此需要充分了解南沙城市化和經濟社會快速發展背景下土地利用變化特征,同時需要結合土地利用規劃分析土地利用類型時空尺度上的轉移特征,為水務、市政等領域發展規劃研究提供支撐。

土地利用既可以作為一種結果供決策者了解區域土地利用情況,繼而制定相關的土地政策,也可以作為水文模型的條件輸入。開展高精度的國家尺度長時間序列土地利用遙感監測,滿足國家資源保護與國家和區域可持續發展需求具有重要的戰略意義[1]。匡文慧等[2]采用Landsat 8 OLI、GF-2等衛星遙感數據,融合遙感大數據云計算和專家知識輔助人機交互解譯方法,建立了1980年末至2020年每隔5 a的30 m分辨率中國土地利用動態數據庫。Li等[3]基于深度學習框架、全球土地覆蓋產品(GLC)、開放街道地圖(OSM)和谷歌地球圖像,建立了中國第一張1 m分辨率的國家級土地覆蓋圖SinoLC-1。高精度的土地利用情況能夠更加準確地反映人類活動情況,Luo等[4]以土地利用情況量化了人類活動的情況,通過SWAT模型模擬徑流量,從而得到水文循環對人類活動的敏感性。鮑振鑫等[5]在VIC水文模型中輸入植被覆蓋數據,量化了氣候變化和人類活動對黃土高原窟野河流域水沙變化的影響。提供高精度土地利用數據不僅可以準確地了解當地土地利用及其變化,作為水文模型的土地利用輸入條件,還可以保障水文模型輸出結果的精度,從而更好地制定相關的水資源政策。

遙感影像為下墊面特征識別和分析提供了重要的數據基礎,主要包括Landsat系列影像、高分系列影像、Sentinel系列影像等原始遙感影像數據以及GlobeLand30等土地利用分析產品。謝火艷等[6]利用2000、2005、2014年Landsat TM遙感影像數據進行下墊面土地利用變化分析,結果表明:2000—2014年南沙區耕地面積不斷下降,而建筑用地面積逐年遞增。羅繼文等[7]基于全球地表覆蓋產品(GlobeLand30),采用土地利用變化動態度、土地利用轉移矩陣和重心遷移模型分析了南沙區2010、2020年土地利用時空變化,發現2010—2020年建筑面積顯著增加,圍海填地導致水體和海域面積大幅減少。Luo等[8]基于高分一號遙感數據和面向對象的圖像分析技術(OBIA)提取了福建龍巖的廢棄農田,證實了提高政府監管是抵消新增廢棄耕地重要且直接的途徑。采用遙感影像數據進行土地利用識別常見的方法有目視解譯、監督分類、非監督分類和深度學習等。其中,監督分類中有決策樹分類、最大似然分類、支持向量機分類以及隨機森林等算法[9]。柴旭榮等[10]利用Google Earth Engine云平臺和隨機森林監督分類法識別山西省不同時期土地覆被分類,對比驗證發現分類結果的總體精度達到86%～94%,比同期單時相分類結果的精度提高了5%～10%。由于傳統的監督分類算法存在耗時長、容易錯分漏分等問題,王春陽等[11]提出粒子群優化概率神經網絡的半監督分類算法,整體精度較隨機森林法、極大似然法和概率神經網絡算法提高了1.25%～6.57%,Kappa系數達到0.8以上。裴歡等[12]基于Landsat 8 OLI遙感影像,對比面向對象的支持向量機算法和K鄰近法,結果表明面向對象的支持向量機算法效果更好,總體精度達到85.67%。成淑艷等[13]在青海湖沙柳河流域運用6種監督分類器進行土地覆蓋分類,發現支持向量機分類器具有較好的分類識別結果。Boonpook等[14]使用Landsat 8圖像進行土地利用自動分類,發現使用基線網絡(SegNet、U-Net)的深度學習語義分割優于基于像素的機器學習算法(MLE、SVM、RF)。深度學習算法雖然較傳統機器學習算法精度有所提高,但是深度學習算法需要大量的訓練樣本,而且需要的遙感影像精度更高,當人眼都無法識別的土地類型,深度學習算法也無法將這種土地類型提取出來。因此本文結合區域的面積和遙感影像的空間精度,采用監督分類的支持向量機算法配合目視解譯和實地查勘,使南沙區土地利用分類結果更加準確。

綜上可知,受限于遙感影像時空精度不高(如應用較為的廣泛的Landsat影像空間分辨率為30 m)以及下墊面復雜、不同地物影像相似度高等原因,大多數借助于數學算法自動解譯的下墊面分類成果精度不高,需要結合高精度影像、現場查勘等進行人工后處理,以提高精度。本文以廣州市南沙區為研究區域,選擇2016、2017、2022年高分一號PMS影像為遙感源數據,結合人工現場查勘,構建南沙區土地利用轉移矩陣,分析在城鎮化建設背景下的土地利用類型變化特征。

1 研究區情況

1.1 研究區概況

南沙區介于北緯22°26′～23°06′,東經113°13′～113°43′,是廣東省廣州市市轄區,位于珠三角的河網地帶、珠江三大出海口門,東臨獅子洋,南入南海,整個區域地勢低洼,四面環水,水網縱橫密布,河涌、湖塘眾多。南沙區面積約803 km2,由13個聯圍組成,即義沙圍、萬頃沙圍、龍穴圍、瀝心沙圍、缸瓦沙圍、蕉東聯圍、小虎島圍、沙仔島圍、高新沙圍、大坳圍、四六村圍、魚窩頭圍和番順聯圍,陸地面積約580 km2,外江水道面積約223 km2。南沙區地處亞熱帶季風氣候區,屬亞熱帶季風海洋氣候,由于背山面海,海洋性氣候顯著,氣候溫和濕潤,具有溫暖多雨、光熱充足、溫差較小、夏季長等氣候特征。南沙區包括3個街道、6個鎮,分別為南沙街、珠江街、龍穴街、東涌鎮、欖核鎮、大崗鎮、黃閣鎮、橫瀝鎮、萬頃沙鎮。截至2021年末,南沙區常住人口為90.04萬人,戶籍人口為51.75萬人,GDP為28 839億元,人口和GDP分別占廣州市的比例為4.8%和7.8%。

1.2 數據來源與預處理

高分一號搭載2種相機,即高分相機(PMS)和寬幅相機(WFV),PMS相機多光譜數據有4個波段,為常見的藍(band1,0.45～0.52 μm)、綠(band2,0.52～0.59 μm)、紅(band3,0.63～0.69 μm)、近紅外(band4,0.77～0.89 μm)4個可見光/近紅外波段,高分相機全色和多光譜空間分辨率分別為2、8 m,幅寬為60 km,側擺時重訪周期為4 d,不側擺時覆蓋周期為41 d,本研究采用的是多光譜和全色融合后的2 m真彩影像,影像時間范圍是2016—2022年,分析南沙區近5 a的土地利用變化情況。遙感數據的預處理步驟包括輻射定標、大氣校正、正射校正、圖像融合、圖像裁剪以及圖像配準,其中輻射定標采用的是遙感軟件的Radiometric Calibration功能,目的是消除傳感器本身的誤差,確定傳感器入口處的準確輻射值;大氣校正采用的是軟件的Dark Subtract功能,目的是為了消除大氣散射、吸收、反射引起的誤差;正射校正采用的工具是RPC Orthorectification Workflow,目的是消除地形的影響或相機方位引起的變形等。南沙區原始遙感影像由多景拼接而成,2017、2022年遙感影像均由3景拼接得到(圖1),各景的拍攝時間以及位置信息見表1。

表1 不同景號影像對應的信息

a)2017年

2 數據與方法

2.1 遙感解譯

由于高分一號PMS數據精度較高,采用支持向量機算法對南沙區整體進行遙感解譯需要大量計算資源且耗時較長,因此將南沙區拆分為13個聯圍分別進行遙感解譯。利用監督分類算法進行遙感解譯結果的精度很大程度上取決于分類樣本的類別數量和分類樣本的選擇。樣本的類別數量太多會導致解譯過程非常緩慢,類別數量太少則會導致解譯結果過于粗糙,因此選擇合適的類別數量和選擇典型的分類樣本對遙感解譯結果至關重要。本文根據目前大多數水利應用需求,將南沙區土地利用類型定義為4種類型,分別為不透水面、耕地、林草地和水域,其中水域和不透水面具有較高的區分度(即樣本分離度高于1.8),不透水面、耕地、林草地和水域分類樣本的選擇較為簡單,需要特別注意的是水域分類樣本的選擇。南沙區分布著廣泛的水產養殖池塘,其中部分比例的池塘鋪上了白色塑料膜,目的是為了保持恒溫養蝦,鋪膜池塘在遙感影像上顯示為白色(圖2),此顏色易被識別為白色建筑物(即二者分離度太低)。因此在選擇水域樣本時,需要把鋪設塑料膜的池塘單獨歸為一類,監督分類完成后再將鋪膜池塘合并到水域當中,最后還需要對水域的分類結果進行檢查和人工調整。

a)東涌鎮

2.2 實地查勘

實地查勘驗證是檢查遙感解譯結果最直觀的方法,針對土地利用分類中存疑的結果,對相關的地點進行了實地查勘。本文查勘的時間為2023年3月15、16日,考察的地點分布在黃閣鎮、南沙街、東涌鎮、大崗鎮、橫瀝鎮和萬頃沙鎮。表2為實地調查的相關結果。

表2 實地查勘結果的驗證

通過對實地查勘和遙感解譯的土地利用結果分析,水域和林草地的識別精度較高,由于部分耕地種植花卉和草皮,所以存在部分耕地與林草地之間的錯誤劃分,種植作物的耕地和沒有種植作物的耕地都能準確地解譯出來。不透水面主要包括建筑物(群)和道路等,其中建筑物群由于色彩混雜,不易識別完整,因此需要通過后續的目視解譯修改進而提高不透水面的識別精度。

2.3 分類精度評價

在各聯圍隨機抽取一定數量樣本進行精度驗證,隨機選取各類型的樣本作為分類的驗證數據集,對南沙區整體進行精度驗證。其中2017年各聯圍共抽取534個樣本,2021年各聯圍共抽取517個樣本,運用總體精度(OA)和Kappa系數來評價驗證結果好壞,2個指標越趨近于1,代表精度越高,南沙區各聯圍抽取樣本驗證精度見表3。

表3 南沙區各聯圍抽樣樣本驗證精度

由表3可知,2017、2021年南沙區各聯圍抽樣樣本總體精度均高于90%且Kappa系數均高于0.85,由此可知,通過支持向量機解譯得到的南沙區2017、2021年土地利用產品能達到精度要求且能滿足水文模型下墊面數據的輸入要求。

2.4 土地利用轉移矩陣構建

土地利用轉移矩陣是馬爾科夫模型在土地利用變化方面的應用,來源于系統分析中系統狀態與狀態轉移的定量描述[15]。土地利用轉移矩陣以矩陣的形式將2個不同時期的土地覆蓋類型之間相互轉換的數量關系展現出來,可以全面地反映出一個區域土地覆蓋類型的數值和轉移方向,土地利用轉移矩陣具體的表現形式見表4。通常TL表示上一個時相,TN表示下一個時相。C1—Cn表示n種不同的土地覆蓋類型。土地利用轉移矩陣中的行表示上一個時相的土地利用類型,列表示下一個時相的土地利用類型。Sij表示TL—TN期間土地類型Ci轉換為土地類型Cj的面積大小,Si*表示上一個時相Ci土地類型面積的總和,S*j表示下一個時相Cj土地類型面積的總和。Si*-Sii為Ci土地類型的流出量,即上一個時相Ci類型土地中轉移為下一個時相其他土地類型的面積總和。S*j-Sjj表示土地類型的流入量,即下一個時相Cj類型土地中由上一個時相其他類型土地轉變而來的面積總和。

表4 土地利用轉移矩陣

3 結果

3.1 土地利用分類結果

圖3為南沙區2017、2021年土地利用情況,圖4為南沙區2017—2021年土地利用變化情況。由圖3、4可知,黃閣鎮、南沙街、東涌鎮和橫瀝鎮東部、大崗鎮南部的不透水面面積顯著增加,林草地主要分布在黃閣鎮、南沙街和大崗鎮,林草地和耕地面積變化不大,水域主要分布在萬頃沙街、龍穴街、大崗鎮南部和東涌鎮東部,面積顯著減少。不透水面面積的增加主要來自于耕地和水域的轉移,其中,耕地面積在東涌鎮、大崗鎮、橫瀝鎮、珠江街和萬頃沙鎮少量減少,水域面積在黃閣鎮東部的聯圍、龍穴街中部以及萬頃沙鎮南部大量減少,這些區域的水域多轉化為不透水面。黃閣鎮和南沙街的城市化建設程度較高,耕地與水域向城鎮不透水面轉移;其余鎮街也有不同程度的城鎮化發展導致不透水面增加,比如耕地分布較多的東涌鎮和大崗鎮均存在小規模的耕地面積減少。

a)2017年

圖4 南沙區2017—2021年土地利用變化情況

3.2 土地利用轉移矩陣

由表5可知,2017年南沙區不透水面、耕地、林草地和水域的面積分別為137.81、281.46 、60.05、323.68 km2,水域是南沙區分布最多的土地利用類型,比例高達40%,耕地和不透水面的分布其次,比例分別為35%和17%。2021年,僅有不透水面增加14.39 km2,其余3種土地類型面積均減少,耕地、林草地和水域的面積分別減少1.95、1.80、10.63 km2。在4種土地利用類型中,不透水面面積變化最為顯著,增幅為10%,水域面積變化次之,減少3%。

表5 南沙區2017—2021年土地利用轉移矩陣 單位:km2

在不透水面與耕地的轉移中,耕地有52.14 km2變為不透水面,不透水面有44.08 km2變為耕地,不透水面從耕地獲得8.06 km2的凈增加量。在不透水面與林草地的轉移中,林草地有6.36 km2變為不透水面,不透水面有7.50 km2變為林草地,林草地從不透水面獲得1.14 km2的凈增加量。在不透水面與水域的轉移中,水域有17.82 km2變為不透水面,不透水面有10.34 km2變為水域,不透水面從水域獲得7.48 km2的凈增加量。總體來看,不透水面在2017—2021年共增長14.39 km2,主要來源于耕地和水域的轉移,比例高達56%和52%。

在耕地與林草地的轉移中,林草地有15.25 km2變為耕地,耕地有12.22 km2變為林草地,耕地從林草地獲得3.03 km2的凈增加量。在耕地與水域的轉移中,水域有18.78 km2變為耕地,耕地有15.71 km2變為水域,耕地從水域獲得3.07 km2的凈增加量。總體來看,耕地的面積變化不大,2017—2021年減少1.95km2,不透水面對耕地的占用最大,面積為8.06 km2,而耕地也從林草地和水域的開墾中獲得了6.1 km2土地的補充。

在林草地與水域的轉移中,水域有3.53 km2變為林草地,林草地有3.45 km2變為水域,林草地從水域獲得0.08 km2的凈增加量。林草地在4種土地利用類型中面積變化最小,僅減少了1.80 km2,而水域則與之相反,變化非常明顯,在2017—2022年共減少10.63 km2,不透水面對水域的占用為7.48 km2,比例高達70%,耕地對水域的占用次之,面積為3.07 km2。

3.3 與2025年土地利用規劃對比

圖5為南沙區2012—2025年土地利用規劃,對比圖3中2021年土地利用現狀可以發現:南沙街與黃閣鎮的下墊面類型規劃內容基本完成,這也是南沙區近5 a不透水面主要增長的區域,東涌鎮、欖核鎮、大崗鎮、橫瀝鎮以及龍穴街雖然還沒有達到規劃的建設內容,但均有不同程度的發展;另外,珠江街和萬頃沙鎮還遠遠沒有達到相應規劃的下墊面建設要求。

圖5 南沙區2012—2025年土地利用規劃[16]

4 分析與討論

2017—2021年,南沙區土地利用僅有不透水面面積增加,而耕地、林草地和水域都有不同程度的減少,即“一增三減”,這與劉鋒等[17]研究結果一致,其研究指出近20 a廣州市的土地利用呈現“一增五減”的特點,即建設用地總體面積增加,耕地、林地、草地、水域、未利用地總計面積減少,建筑用地占用耕地、林地的情況突出。樊舒迪等[18]也發現1995—2020年廣州市的建設用地呈現“穩定—緩慢增加—劇烈增加”的趨勢,而耕地呈現出“緩慢減少—穩定—大幅減少”的趨勢,林草地整體呈現單調減少的趨勢。

根據南沙區2012—2025年土地利用規劃可知,南沙區不透水面面積的增加是土地利用規劃導致的,雖然現狀2021年遠未達到規劃的不透水面要求,但總體上南沙區各個鎮和街道不透水面都有顯著的增加,原本覆蓋不透水面較多區域黃閣鎮和南沙街繼續增多,不透水面覆蓋較少的區域也隨著的規劃的推進在不斷增多。南沙區不透水面的顯著增加反映了南沙區城市化進程的加快,這體現了南沙區作為“三區一中心”定位背景下全面推進南沙城市建設的努力[19]。不透水面面積的增加必然會導致其余類型土地面積的減少,在這5 a,南沙區耕地面積僅減少了1.95 km2,考慮解譯誤差情況下可以認為沒有變化。在國家方面,對于違法違規占用耕地會受到嚴厲的處罰,任何占用耕地的規劃都需要獲得相關部門的批準。在南沙區土地利用總體規劃中明確了“南沙區耕地保有量、基本農田保護面積保持不變”這一前提。南沙區耕地面積基本保持不變主要是由于國家和地方的政策導致的,在國家和地方嚴格控制耕地面積和禁止違規占用耕地面積的情況下,南沙區耕地面積近5 a來基本保持穩定。南沙區林草地面積在5 a內減少了1.8 km2,南沙區林草地面積最大的區域主要為黃山魯森林公園、十八羅漢森林公園和南沙濕地,其中黃山魯森林公園和十八羅漢森林公園海拔較高,區域周圍分布著密集的建筑物,人口較多,這兩個公園不僅可以供當地居民休閑娛樂也是當地重要的景區,因此,林草地面積在南沙區沒有太大變動。由于耕地和林草地面積變化不大,剩下的水域自然會更多地受到不透水面的侵占。南沙區分布著豐富的水產養殖池塘,根據實地考察發現,在養殖季節許多池塘的水已經被抽干,說明南沙區的許多池塘早已不承擔養殖的任務,有些池塘慢慢演化成林草地或耕地,也有池塘被填滿后在上面修建房屋。水域的顯著減少一方面受到耕地紅線的影響,另一方面水域所帶來的經濟效益遠沒有不透水面高,因此這是經濟規律的發展結果。

有研究表明水域和林草地的減少會影響當地的生態環境[20],肖紅等[21]在生態空間識別結果的基礎上,參考生態紅線數據、遙感影像和土地利用數據調整生態空間初步結果,得到南沙區生態空間面積為410 km2,占比為51%,涵蓋了主要的生態功能區和生態脆弱區。社會經濟的發展與生態環境的保護并不完全矛盾,但經濟的發展離不開建設用地的增加,因此需要在社會經濟發展與生態環境保護中尋找平衡。

5 結語

a)本文選擇空間分辨率為2 m的高分一號PMS數據作為廣州南沙區土地利用分類的原始遙感數據,利用解譯效果更好的支持向量機算法解譯遙感影像,在選擇訓練樣本時,單獨考慮了鋪膜池塘的樣本,大大提高了水域的識別準度;通過實地查勘提升了訓練樣本的可信度,同時也修正了分類有誤的土地利用類型;修正后的土地利用產品總體精度高于90%且Kappa系數高于0.85,能夠達到精度要求。

b)建立2017—2021年南沙區土地利用轉移矩陣,以描述南沙區土地利用的變化情況。南沙區在開發大量建筑用地的同時侵占了大片水域,在萬頃沙鎮和龍穴街表現尤為明顯,耕地在這一過程中受影響較小。根據《廣州南沙新區城市總體規劃(2012—2025)》,珠江街和萬頃沙鎮尚有很大一部分城市建設規劃內容未完成。

c)本次研究采用的是高精度遙感影像,對土地利用的描述較為準確,但目前主流的解譯算法精度不高,監督分類樣本的人工選擇會給分類結果帶來較大的不確定性,建筑物群由于色彩混雜,解譯的效果遠不如耕地、水域和林草地的效果好,因此需要耗費大量時間修正不透水面。在后續研究中,可采用深度學習算法進行遙感影像解譯,提高結果精度。