基于BP神經網絡的山地城市景觀格局時空特征分析

李輝王福海張曉媛陳丹

(1.重慶財經學院，重慶 401320；2.生態環境數據挖掘與集成應用重慶市重點實驗室，重慶 401320；3.重慶大學，重慶 400044)

引言

近年來，隨著我國經濟社會的快速發展，如城市化程度的提高和生物多樣性的減少等問題逐漸浮出水面。成渝雙城經濟圈作為西部高質量發展的重要增長極和內陸開放戰略高地，這一區域必將進入快速發展時期。作為成渝雙城經濟圈中心城市的重慶中心城區城市化速度正在加快，城市土地利用類型在城市土地總面積中所占比例不斷增加，從而影響城市的整體景觀格局和生態過程。因此，研究重慶中心城區景觀格局對成渝雙城經濟圈快速發展的城市規劃管理具有十分重要的意義。

傳統的景觀格局分析方法大多是定性的，從景觀生態學的角度分析景觀格局的特征。最常見的定量分析方法是空間統計分析，通過計算不同類型土地的面積和比例，分析景觀變化。利用馬爾可夫轉移矩陣分析某一類型土地的損失方向和一種新型土地的來源。但從實踐情況來看，傳統方法的精度不夠高，分析結果與實際情況有較大偏差。

隨著遙感技術的發展，一些學者將其應用于景觀格局分析。常見的景觀分類方法有無監督分類法和監督分類法。Lillesand通過實驗指出，使用混合分類(即監督分類和無監督分類相結合)對圖像進行分類可以獲得更高的分類精度，而且隨著神經網絡的興起，一些學者已經使用了反向傳播(BP)神經網絡(BP)來進行分類[1]。RAL網絡對圖像進行分類并獲得更好的結果。基于這一發現，Mc Garigal等提出了一種景觀度量的計算方法，廣泛應用于城市景觀格局分析，如植被格局、城市生長等學科的研究。景觀度量可以定量描述和監測景觀空間結構隨時間的變化，但不能具體反映景觀變化的方向和合理性。

焦利民提出了一個“逆S型函數”來表示城市土地的密度，可以識別城市建成區面積的大小，測量城市土地的緊湊性和擴張強度[2]。然而，其只討論了城市土地利用的空間分布，沒有分析城市發展過程中土地利用結構的變化。目前對景觀格局的研究存在2個問題，不同景觀類型的影像解釋特征不清，導致了“同譜異物和同物異普”現象的盛行；這些分析大多基于景觀度量，這種研究方法相對簡單，不能反映城市快速發展過程中景觀格局變化的復雜性。

基于上述問題，本研究將遙感技術與“逆S型函數”模型相結合，從多個角度對重慶中心城區2009—2018年景觀格局演變進行定量分析。為了提高圖像分類的準確性，采用灰度共生矩陣法對RapidEye和高分一號遙感影像的紋理特征進行了選擇，并建立了基于紋理的BP神經網絡模型；為了分析重慶中心城區快速發展過程中景觀格局的時空特征，從景觀空間特征、城市緊湊性、發展方向等方面，結合城市快速發展的方法，提出了城市快速發展過程中景觀格局的時空特征。

1 研究區概況

本文以重慶中心城區(由渝中區、江北區、南岸區、九龍坡區、沙坪壩區、大渡口區、北碚區、渝北區、巴南區9個區組成)為研究區。研究區總面積約為5465km2，占重慶市總面積的6.63%。研究區從南北面向長江嘉陵江河谷傾斜，起伏較大，呈現“一山一槽二嶺”的自然景觀，是典型的特大山地城市。重慶中心城區是成渝雙城經濟圈經濟發展的中心之一，對于帶動成渝雙城經濟圈經濟飛速發展具有重要的作用，選取重慶中心城區作為研究對象，對于山地城市景觀格局時空分析研究具有理論與實踐意義。

圖1 研究區區位圖

2 材料與方法

2.1 數據來源

本研究的時間段為2009—2018年。2009—2013年使用了RapidEye衛星圖像，分辨率為6m；2014—2018年使用了國產高分一號衛星影像，分辨率為2m。時間序列的圖像數據如表1所示。

表1 RapidEye和高分一號影像數據源表

利用圖像可視化(ERDAS 2016和ArcGIS 10.2.2)平臺對圖像進行預處理。經過預處理后，根據需要的研究范圍對圖像進行裁剪。

2.2 研究方法

基于圖像中提取的紋理特征，建立了基于BP神經網絡的圖像分類模型。通過選擇景觀指標，采用移動窗口，計算密度曲線等方法，分析了景觀格局的時空特征。技術流程圖如圖2所示。

圖2 技術流程圖

2.2.1 基于紋理的反向傳播(BP)神經網絡分類

景觀格局體系中層次最低的要素是均勻的景觀單元，其向上分類符合類似相鄰自然景觀的自然體與景觀單元之間的關系。根據景觀分類的原則，結合研究資料和目的，將重慶市中心城區整個區域的景觀分為以下組團(景觀組團是多個類似景觀功能區的有機組合)：森林景觀群，包括林地、園林、草地等景觀單元；農業景觀群，包括旱地、菜地等景觀單元；草地景觀群，包括其他草地、牧草地等景觀單元；水域景觀群，包括長江、湖泊、河流等景觀單元；建設用地景觀群，包括城市、房屋、道路、鄉村聚落等景觀單元；其他景觀群，包括裸地、灘涂等景觀單元。

本文采用灰度共生矩陣(GLCM)方法提取重慶市中心城區圖像的紋理特征。GLCM從圖像中某個位置a(x，y)的像素開始，計算圖像在圓形范圍內灰度值為j，距離a為δ的像素(x+Δx，y+Δy)出現的概率p(i，j，δ，θ)。計算公式[3]：

p(i，j，δ，θ)={[(x，y)，(x+Δx，y+Δy)]

f(x，y)=i

f(x+Δx，y+Δy)=j，x=1，2…，Nx-1，y=1，2…，Ny-1}

式中，x、y是圖像中的像素坐標；Nx、Ny分別是圖像的行數和列數。

Haralick分別從統計特征、信息論特征、相關性特征和視覺紋理特征4個方面定義了14種紋理特征參數。灰度共生矩陣可以測量圖像中的各種信息，特征圖像可以直觀地顯示紋理的厚度和各個方向的特征。常見的統計特征是熵、對比度、能量和相關性。通過提取紋理特征，較好地解決了“同一物體光譜不同，同一物體光譜不同”的現象，提高了圖像的分類精度[4]。

由于各波段之間仍存在一定的相關性，為了減少神經網絡訓練的計算時間和計算量，在主成分分析(PCA)后選擇了第5波段(表面信息最豐富)和可見光紅波段。提取了具有對比度(con)、角二階矩(asm)、熵(ent)和相關度(cor)紋理特征的圖像。

在提取紋理特征的基礎上，采用一個隱層BP網絡模型進行分類。神經網絡的輸入層是6個多光譜帶和8個紋理圖像。輸出層為6個初始分類類別和1個其他類別，隱藏層和輸出層的傳遞函數(即激活函數)采用對數邏輯，實現從輸入層到輸出層的高度非線性映射。對于BP神經網絡的訓練，需要確定訓練模型中的幾個重要參數，包括訓練貢獻閾值(C)、訓練動量(M)、訓練速率(R)、網絡全局誤差(E)和訓練迭代次數(N)[5]。

2.2.2 景觀測量分析方法

景觀度量是定量地表示景觀格局組成和不同景觀類型的空間形態或分布的一種度量。Fragstats計算3個級別的度量，對應于馬賽克中的每個面片，馬賽克中的每個面片類型(類)，以及整個景觀馬賽克。景觀指標數量較多，但指標中包含的景觀信息的重復性和相關性較高，選擇合適的指標進行研究是非常重要的。本文根據重慶市中心城區的區域特征和研究目標，選擇景觀水平的斑塊密度(PD)和香農多樣性指數(SHDI)[6，7]。

2.2.2.1 斑塊密度

斑塊密度表示1km2區域內一種特定景觀類型的斑塊數量。計算公式[8]：

PD值可以反映研究區景觀的破碎化程度，單位面積斑塊數越大，區域景觀破碎化程度越高。

2.2.2.2 香農多樣性指數

異質性是指區域內不同類型景觀的混雜程度。高出度是指不同景觀分布的平衡性和異質性較強。如果一個地區某一類型的景觀表現出優越性，則該地區的景觀格局不平衡，異質性低，不利于該地區的生態發展。香農多樣性指數(SHDI)代表了研究區域景觀的異質性。計算公式[9]：

式中，Pi表示第i個種占總數的比例。SHDI值的范圍為SHDI≥0；SHDI越大，斑塊類型的混合程度和異質性越大，斑塊類型在景觀中的分布越來越均衡。

根據所選景觀指標的計算結果，采用移動窗口法對景觀格局進行了進一步的分析。采用移動窗口法計算“計算窗口”中選擇的景觀指標，輸出相應的柵格地圖，觀察景觀格局的空間變異性。此外，該方法還可以從景觀空間格局中澄清信息。與傳統的基于整體特征的分析方法相比，采用移動窗口法對景觀格局進行空間梯度分析，可以實現局部區域景觀尺度的量化和空間可視化，從而更加清晰展示景觀格局的動態空間變化，揭示景觀內部結構的差異。

2.2.2.3 城市密度曲線

城市密度分析一直是建設用地擴張研究的重點。本文采用同心圓劃分法計算了各環線的建設用地密度，并根據建設用地密度變化與距市中心距離的關系，分析了建設用地空間變化規律。

在python的基礎上，采用最小二乘法擬合城市土地利用的逆S型函數。計算公式：

式中，f為建設用地密度；r為距城市中心的距離；e為歐拉值；α、c為常數；D為城市中心的最大半徑[10-14]。

3 結果與分析

RapidEye遙感影像和高分一號遙感影像分類結果滿足本研究精度要求，分類結果如圖3所示。

3.1 景觀度量的時空特征分析

景觀層面的斑塊密度(PD)和香農多樣性指數(SHDI)可以反映景觀格局的基本空間特征，如破碎化程度和異質性，重慶中心城區PD和SHDI的計算結果如表2所示。PD和SHDI的變化趨勢如圖4、圖5所示所示。2009—2018年，重慶中心城區景觀局呈下降趨勢，而渝北區景觀局呈上升趨勢。

斑塊密度(PD)反映了研究區域周圍土地的碎片化程度。本文在對重慶中心城區斑塊密度進行計算的基礎上，對重慶中心城區斑塊破碎程度進行了分析。為了具體分析重慶中心城區不同區域的景觀變化，研究區采用了1公里動窗法。計算值被分配到窗口的網格中心，計算整個城市(1km尺度)景觀水平上的PDS，見圖4。

表2 斑塊密度(PD)和香農多樣性指數(SHDI)在景觀層面的計算結果

圖3 2009—2018年重慶市景觀分類結果

圖4 2009—2018年重慶市中心城區斑塊密度(PD)變化

如圖5所示，2009—2018年，重慶中心城區斑塊密度變化并不明顯，斑塊密度較高的區域主要集中在巴南區南部、南岸區東部、北碚區北部、沙坪壩區西部和九龍坡區西部。這是因為這些區域主要是由耕地、水域、村莊組成，處于農業景觀群、城市景觀群、水域景觀群、森林景觀群的交匯點，景觀類型迅速轉變，破碎后程度較高。斑塊密度較低的區域主要位于重慶中心城區建成區，2009—2018年，斑塊密度較低的區域面積有所增加，主要是往建成區周邊緩慢擴張，這表明重慶中心城區建成區用地更加緊湊，較小的建筑斑塊被連接并合并為較大的斑塊。

圖5 2009年、2014年和2018年全區斑塊密度(PD)的空間分布

SHDI可以用來測量景觀異質性。根據重慶中心城區SHDI的計算結果，對重慶中心城區SHDI進行了分析。研究期間，重慶中心城SHDI總體呈先上升再下降趨勢。重慶中心城區景觀格局的分布總體上趨于平衡。整個城市(1km比例尺)的SHDI計算結果見圖6。隨著城市的擴張和發展，重慶中心城的整體景觀分布變得越來越平衡，原有的大型農業景觀群被分割成小塊，轉化為其他類型的景觀群。

圖6 2009—2018年重慶市中心城區香農多樣性指數(SHDI)變化

3.2 城市土地密度分布格局

重慶中心城區被長江、嘉陵江、銅鑼山和中梁山分為中部、北部、南部、西部、東部5大片區。由于重慶中心城區特殊的地理位置，本文選擇渝中區朝天門作為為圓心，將重慶中心城去分為32個環，每2km 1個，如圖7所示。2009年、2014年和2018年各圈建設用地密度計算結果如圖5所示，2009年、2014年和2018年城市土地利用密度擬合曲線如圖8、圖9所示。

緊湊型城市的城市用地密度較高，而城市中心周圍的土地密度較低，因此緊湊型城市的密度曲線較陡，擴張型城市的密度曲線較緩。由圖8可知，重慶中心城區建設用地密度曲線既不同于緊湊型城市的密度曲線較陡，也不同于擴張型城市的密度曲線較緩，而是出現階梯型降低的趨勢。特別是在離圓心10km和22km出現2個波峰，這主要是由重慶中心城區獨特的地形造成的。

圖7 同心圓劃分

圖8 重慶中心城區建設用地密度

城市土地利用密度函數曲線的斜率可以用來反映城市土地利用的總密度。曲線急劇下降部分的坡度用來反映城市的緊湊性。緊實度定義為擬合曲線二階導數最小值和最大值對應的半徑差值與最大半徑之比，該差值為K=(r2-r1)/D。

以往的研究指出，緊湊型城市通常有一個狹窄的區域，包括市中心和郊區。r1和r2之間的差異很小，所以K值很小。另外，K值大的城市是低密度或分散的城市。重慶中心城區2009—2018年擬合參數值及計算K值見表3，可見K值逐漸減小。到2018年，K值下降32.6%，說明重慶中心城區發展越來越緊湊。

表3 2009—2018年重慶中心城區擬合參數值及K值

同時，對于城市用地的擬合密度函數，D參數是主要城區半徑的估計值。D值增加表明城市的發展。如表3所示，2009—2018年，重慶中心城區的D值從35.179增加到46.656，表明城市邊界到市中心的距離從35.179km增加到46.656km，重慶中心城區過去10年D值的變化如圖10所示。城市面積迅速擴大，特別是2012—2016年。如圖11所示，在研究期間，重慶中心城區的城市面積顯著擴大。

圖10 2009—2018年重慶市中心城區D值計算結果

研究結果表明，重慶中心城區的商業和政治中心在研究期間仍處于渝中區、江北區、沙坪壩區、南岸區、九龍坡區、大渡口區6個老城區，促進了整個城市的發展，結果是開發模式內部趨于緊湊；由于重慶中心城區的快速發展和產業結構的不斷調整，老城區建設用地不能滿足工商業建設的需要。中心城區迅速擴展到北碚區、渝北區和巴南區。

圖11 城市邊界擴展分析圖

4 討論和結論

本文提出了一種基于紋理的景觀分類方法，以及一種基于景觀度量、城市土地利用密度等多角度的景觀分析方法，分析了重慶中心城區城市化過程中面臨的各種挑戰，如城市破碎化程度的提高和連通性的降低，以及城市化過程中面臨的各種挑戰。研究結果可為生態城市建設和城市空間布局優化提供科學有效的技術支持和數據支持。本文通過提取紋理特征，建立了一種基于紋理的BP神經網絡分類模型，提高了圖像分類的準確性，并從景觀生態學角度介紹了相似的功能分類方法，對市的景觀進行了分類。分類為多個組團，包括森林景觀群、農業景觀群、草地景觀群、水域景觀群、建設用地景觀群6個景觀單元。分析了景觀格局的2個方面，景觀尺度的時空特征和城市土地密度分布格局的時空演化。

此外，本文還得出了2個主要結論。重慶中心城區不同景觀類型的異質性增加。但由于中心城區的快速發展，景觀類型分布不均，景觀格局異質性下降；城鄉邊界的破碎化程度高于中心城區；北部地區的景觀尺度比南部地區更為強烈；北部地區的開發狀況好于南部地區。利用基于城市土地利用密度的反S曲線擬合定量計算重慶中心城區的壓實度。在研究期間，K值從0.75252670降低到0.56741766，表明發展趨向于向內收縮；同時，通過計算城市半徑D，定量分析了重慶中心城區城區對外擴張的現狀。

由于許多景觀指標在測量景觀特征時是一致的，所以本文只選擇了2個能夠反映景觀特征變化的指標。在未來的研究中，應使用更多的景觀度量，如有效網格大小、歐幾里得最近鄰或分布指數，以更準確地識別城市空間結構的變化。根據重慶中心城區建設用地景觀格局分析結果，本文的研究方法和程序具有較好的適用性。在重慶中心城區未來的規劃和發展中，應加強對耕地和林地的保護，防止森林和農田景觀的持續退化。同時，在城市擴張過程中，要注意各種景觀的匹配和銜接。減少城市快速擴張過程中出現的人地矛盾，確保景觀結構的合理性和有序性，從而有效地發揮中心城區的輻射效應，促進重慶中心城區城市圈的均衡發展及和諧進步。