基于Landsat8影像的蚌埠市淮上区土地利用变化及预测分析

白洪伟，陈燕飞，曹倩倩，李致春，张慧妮

(1.宿州学院 环境与测绘工程学院，安徽 宿州 234000；2.宿州学院 数学与统计学院，安徽 宿州 234000)

土地利用是指人类从多方面角度出发，采取一系列的技术手段，根据土地的属性，获得物质产品和服务的经济活动。具体表现在土地面积、空间分布、土地质量等相关方面的变化[1]。土地利用变化可以记录人们活动如何改变地球表面特征的结构格局[2-3]。土地被合理地利用，我们生活的环境才能更加美好，社会发展才会更井然有序地前行，同样土地资源的合理利用也是人与自然和谐相处的前提条件之一[4]。

文章以安徽省蚌埠市淮上区为研究区域，分别以2013年、2017年以及2020年的Landsat 8影像作为初始数据研究安徽省蚌埠市淮上区的土地利用变化情况。利用ENVI 5.3软件的监督分类工具结合三种分类方法对淮上区进行分类研究，并对三种分类方法的精度进行评价，选择最合适的分类方法所得出的相关数据对土地利用的结果进行分析及预测，从而使土地达到可持续发展的目的。

1 研究区概况及数据源

淮上区属于安徽省蚌埠市的下辖区，它在淮河的北面，同时也位于蚌埠市北部，介于北纬32°57′—33°05′东经117°14′—119°08′之间。东边是固镇，西边是怀远县，南边隔着淮河与蚌山区、禹会区、龙子湖区相望，北与固镇县的新马桥镇接壤。东西跨度20.61公里，南北相隔16.34公里，总面积412平方公里。研究区的影像如图1。

图1 研究区影像

文章数据下载自地理空间数据云，主要采用2013年4月28日、2017年9月14日以及2020年10月24日Landsat 8影像，三期影像云量均低于1%且覆盖了安徽省蚌埠市淮上区的全部。三期影像的具体情况如表1。

表1 三期原始数据的遥感影像信息

2 研究方法

2.1 技术路线

利用ENVI 分别对2013年、2017年以及2020年三期的遥感卫星影像先进行辐射定标和大气校正的预处理工作，再对预处理之后的三期影像进行矢量边界裁剪，在确定分类样本后，进行三种方法的监督分类，最后对支持向量机、神经网络以及最大似然值三种分类方法进行精度评价并结合相关的转移矩阵进行结果分析。技术路线如图2。

图2 技术路线流程图

2.2 数据预处理

遥感影像经过辐射定标、大气校正、镶嵌、训练样区选择等，基于蚌埠市淮上区地理区划矢量范围线将上述处理的三期遥感影像裁剪出来，结果如图3所示。参考研究区地类特点以及土地分类系统原则将选取的目标地类分为5类：建筑用地、耕地、林地、水域、其他，并对各地类样本进行了可分离性计算，可分离值>1.8才可以进入分类处理环节。

图3 2013年、2017年、2020年裁剪后研究区影像

3 研究区土地利用变化提取

3.1 神经网络

神经网络分类法是ENVI监督分类的一种，这种方法是将神经网络算法以及神经网络模型运用到影像的信息提取中以得到分类结果。将淮上区的土地利用分类样本分为建筑用地、林地、耕地、水域以及其他等5种类型，利用监督分类中的神经网络分类方法对5类分类样本进行监督分类，得到的三年分类结果如图4所示。

图4 2013年、2017年、2020年神经网络分类结果

3.2 支持向量机

支持向量机(SVM)也是监督分类中较为常见的方法，其原理是建立在统计学习理论(SLT)的VC维理论和结构风险最小原理基础上的。选取建筑用地、林地、耕地、水域以及其他用地这5类土地利用样本，利用2013年、2017年以及2020年影像的支持向量机方法提取淮上区土地利用类型信息，最终得到结果如图5所示。

图5 2013年、2017年、2020年SVM分类结果

3.3 最大似然值

最大似然法就是通过已知数据，建立相应的数学模型，计算出各种类型的概率分布函数，再根据相应的函数模型和分布函数计算出每个像元上属于各种类型的概率，将最大概率的类型归为该土地利用的类型[5]。对上述5类分类样本进行最大似然值的分类。利用2013年、2017年以及2020年影像的最大似然值提取淮上区土地利用类型信息，最终得到结果如图6所示。

图6 2013年、2017年、2020年最大似然值分类结果

通过对三种分类方法的Kappa系数和总体精度的比较来选取最佳的分类方法，三种分类方法的精度情况如表2。神经网络分类方法的精度平均高达93.82%，另外两种精度也均高于90%，相比较之下神经网络法得出的结果更符合真实的土地利用情况，所以本文选用神经网络法的分类结果来对三个时期的土地利用变化情况做分析。

表2 分类精度比较表

4 研究区土地利用变化

4.1 土地利用面积变化

根据表3可以看出2013—2020年建筑用地有所增加，从13年的23.82%增加到17年的26.89%再到20年的31.23%，从2013年到2020年建筑用地的占地比一直处于增长状态；2013—2020年的耕地占地比先是从13年的64.51%到17年的64.94%再到20年的58.51%，呈现先增后减的趋势；2013—2020年水域的占地比一直处于减小的状态，从2013年的7.93%到2020年的6.71%；2013—2020年林地的占地比处于先减小后增加的趋势，从2013年的1.41%到2017年的0.85%再到2020年的1.99%；2013—2020年其他用地类型的占地比由开始的2.33%到17年的0.61%再到20年的1.57%，与林地的发展趋势一样呈现先减小后增加的趋势。

表3 淮上区各类用地面积及所占比

4.2 土地利用规模变化

根据2013年、2017年以及2020年三年的土地利用转移矩阵表(表4—表6)不难发现，建筑用地和耕地相互转移的面积比重较大，其主要的面积转移是相对多的耕地转移为建筑用地。可见2013—2020年蚌埠市淮上区对用地开发这方面比较注重，这也正说明了蚌埠市近几年来经济发展较为迅速，为满足经济发展在不断扩建建筑用地。

表4 2013—2017年土地利用面积转移矩阵(km2)

表5 2017—2020年土地利用面积转移矩阵(km2)

表6 2013—2020年土地利用面积转移矩阵(km2)

4.3 建筑用地变化情况

蚌埠市淮上区2013—2020年建筑用地的占地比例从原来的23.82%增长到31.23%，增长了7.41个百分点，城镇的建筑用地明显增加。具体分布如图7所示。由图7可明显看出2013—2020年蚌埠市淮上区的建筑用地在增加，建筑用地明显由市中心向其周围扩展。这也正反映着近几年来蚌埠市的经济发展的速度在不断加快，所以为满足蚌埠市的经济快速发展，其建筑用地的规模也在不断扩大，才会出现如图所示的建筑用地面积的变化。

图7 2013年、2017年、2020年建筑用地情况图

4.4 土地利用空间变化

用土地利用动态来衡量土地利用变化的情况，这是重要的指标。根据动态度的绝对值大小进行分析，绝对值越大，则这类地物变化幅度越大，绝对值越小，则该地物变化越小。单一土地利用类型动态度和综合土地利用类型动态度最主要的区别是：单一土地利用类型动态度是研究区一定时间内某一种土地利用类型的数量变化情况，而综合土地利用动态度是指研究区一定时间内多种土地利用类型的综合变化情况。本文分析的是蚌埠市淮上区3个特定时期内各类地物的面积转变情况，所以此处使用单一土地利用类型动态度，其计算公式为：

(1)

式中：K为动态度；i为某地类；Sia为某地类监测初始面积；Sib为某地类监测结束束面积；T为转变的年数间隔。

结合表7分析蚌埠市淮上区2013—2020年的土地利用动态度，其结果表明：近7年间，淮上区的所有类型的面积土地利用变化都是有所浮动的，但是建筑用地、林地、水域面积以及其他用地类型的动态度较大，而耕地类型的动态度相对较小。其次，随着我国经济的高速发展，城镇化进程不断加快，建设用地面积呈上升趋势。尽管如此，林地面积也呈现增加趋势。这说明2013年后淮上区在发展经济的同时还注重环境的保护，坚持走绿色发展的道路。

表7 土地利用面积数量变化(km2)及动态度(%)

4.5 土地利用预测

王甜利用模型GM(1,1)对研究区的建设用地和种植园面积进行了预测[6]，桑潇利用模型GM(1,1)对研究区的耕地和居民地进行了预测，结果表明模型GM(1,1)评价效果很好[7]。本文利用GM(1,1)模型，利用2013年、2017年和2020年三期的遥感数据对2025年的建筑用地、耕地进行了预测。

建立GM(1,1)模型的微分方程为：

(2)

式中：X(t+1)表示相应的预测结果；a为发展系数；b为灰色作用量。模型使用均方差比值C与小误差概率P作为检验模型预测精度的标准。指标如表8所示。

表8 精度预测等级

表9 2013，2017,2020年蚌埠市淮上区建筑用地、耕地拟合结果

评价结果：建筑用地C=9.88610775646671e-05，P=1，耕地C=6.75087002736236e-05，P=1，表明当前模型评价效果很好。根据预测公式计算得出2025年建筑用地和耕地面积的预测值分别为147.6396 km2和215.1145 km2。建筑用地和耕地面积分别保持增加和略有减小的趋势，但随着国家对耕地面积保有量的控制，耕地面积不会有大的变化。

5 结论与讨论

5.1 结论

利用2013年、2017年以及2020年Landsat8影像数据，对安徽省蚌埠市淮上区近7年的土地利用变化进行研究，其结论如下：(1)描述的支持向量机、神经网络、最大似然值三种分类方法，比较其精度，神经网络的分类精度最高。虽然其余两种分类方法的平均精度都在90%以上，但神经网络的分类精度高达93.82%，所以本文选用神经网络分类法对淮上区的土地利用变化情况进行分析。(2)2013—2020年间，淮上区土地利用变化呈现“两增三减”的趋势，其主要是建筑用地、林地面积有所增加，水体、耕地、其他用地面积相对减少。建筑用地从97.27 km2增加到127.49 km2；林地面积从5.74 km2增加到8.11 km2；耕地面积从263.38 km2减小到238.91 km2；水体面积从32.37 km2减小到27.39 km2；其他类型用地面积从9.52 km2减小到6.39 km2。(3)近7年间，每种土地类型都有不同数量的相互转化，其中建筑用地整体呈现增长的趋势。自2013年以来其他土地类型大部分都被开发成建筑用地。为满足经济发展的需求，部分耕地被置换为建筑用地以供城市发展的用地需要。林地呈现递增趋势，可见淮上区在发展经济的同时也十分注重环境治理和优化，扩大了绿植的面积。

通过对2013年和2020年2个时期建筑用地图的对比分析，明显看出2013年—2020年安徽省蚌埠市淮上区的建筑用地面积大幅增加。受诸多因素的影响，安徽省蚌埠市淮上区的土地利用空间布局发生了较为明显的变化。其他用地类型的土地不断被置换为耕地和建筑用地，截至2020年，淮上区未利用地存量有所减少。乡村建筑用地也不断从不规则的分布逐渐归置整齐。绿植绿化面积逐渐扩大，虽然其扩大面积不是非常明显，但相对2013年5.74 km2的林地面积，2020年8.11 km2的林地面积还是有所改观的。

GM(1,1)模型适用于土地利用变化预测，2025年蚌埠市淮上区建筑用地和耕地预测面积分别为 147.6396 km2和 215.1145 km2，预计城区仍沿淮河方向扩张，应保持耕地面积的保有量。

根据土地利用变化趋势，应加强科学管理，优化土地布局，保护耕地、水域、林地资源，科学规划土地利用方式，实现土地资源的高效利用。加强土地的可持续利用，促进经济、生态可持续发展。

5.2 讨论

文章所选用的三期遥感影像空间分辨率为30 m，对城市内部空间结构影像方面存在不足，在今后的研究中应选取较高空间分辨率的遥感影像，对蚌埠市淮上区土地利用变化特征进行详尽、准确的研究。