基于RS和GIS的重庆市高新区直管园土地覆被更新变化分析*

向万淋，谭 萍，陈泊宇，陈 拾，唐菲菲，姬翠翠

(重庆交通大学 土木工程学院，重庆 400000)

城区土地覆被情况及时空演变特征能在一定程度上反映城市社会经济发展水平，预测城市的未来发展空间，以及影响城市人居环境的适宜性[1]。在城市化进程不断加快的大背景下，对重庆市高新区做土地覆被变化分析可及时为管理部门提供有效的土地覆被信息，可对将来的城市规划、环境保护等方面产生积极的影响。如果通过常规的测绘方式来获取土地覆被数据，则会存在效率低、成本高、更新慢、周期长等问题，而卫星遥感技术具有宏观视野、动态监测、信息获取方便，图像直观及遥感信息的现时性、宏观性、多时相性和立体覆盖能力大等特点，为生态资源调查、保护与开发、国土整治、环境监测以及全球性研究提供了一种新的探测手段[2]。利用遥感研究城市变化可以确定城市建成区的变化量、变化位置和土地转换类型，提高城市管理工作中空间信息提取效率，可促进城市的可持续健康发展[3]。因此，本文将分析高新区直管园近二十年土地覆被变化情况并分析其变化趋势。

1 研究区概况

重庆高新区直管园位于106°14′～106°25′E，29°22′～29°39′N，地处重庆主城区西部槽谷地带，缙云山、中梁山纵贯南北，长江、嘉陵江相向奔流，拥有寨山坪20 km2天然生态绿心，生态公园密布，温泉富集。气候属于亚热带季风气候，阳光充足，四季分明。高新区直管园包含西永微电园全域、沙坪坝区曾家镇、西永街道、虎溪街道、香炉山街道、九龙坡区白市驿镇、走马镇、含谷镇、巴福镇、金凤镇、石板镇以及重庆市人民政府依法明确的其他区域。

2 数据源获取及其预处理

本文采用遥感数据源于地理空间数据云(http://www.gscloud.cn/)下载的Landsat 系列30 m空间分辨率数据，分别为2000年7月22日Landsat 7 ETM+影像和2020年5月2日Landsat 8 OLI影像，空间分辨率为30 m×30 m，影像航带号为128/39和128/40，含云量均低于5%，影像质量较好。本次数据均进行预处理，包括辐射定标、大气校正、图像融合、图像裁剪和图像增强等。

采用土地覆被分类系统为国土资源部组织修订的国家标准《土地利用现状分类》(GB/T21010-2017)，其中，土地利用现状分类采用一级、二级两个层次的分类体系，共分为12个一级类、73个二级类，结合实际情况的需要，选取了新国标里的一级和二级分类的一部分，从而制定了重庆高新区Landsat影像2000年和2020年的分类体系，如表1所示。

表1 土地覆被分类系统

3 研究方法

本文选择覆盖重庆市高新区直管园2000年Landsat 7和2020年Landsat 8的卫星数据通过ENVI 5.3软件进行两期的土地覆被变化分析，先对遥感影像进行预处理，基于支持向量机方法进行监督分类对所得的结果进行分类后处理，得到两期土地覆被结果，最后，结合Google Earth高分辨率卫星影像采用精度系数和kappa系数进行精度评定，同时，列出转移矩阵，通过对比和分析两期的结果得到土地转入和转出的面积和土地变化的动态趋势，计算土地覆被动态度，从而得到重庆市高新区直管园的土地覆被变化结果。

3.1 支持向量机分类方法

支持向量机(Support Vector Machine，SVM)[4]通过建立最优分类面，令距离分类面两侧最近的不同类别的样本距离最大，进而实现线性可分样本的最优分类。基本思想是，选择合适于数据特点的核函数，通过核函数将输入向量映射到高维特征空间，在此空间中构建最佳分类超平面，从而将空间中的数据点分离[5]。具体思路为：针对一个训练样本集，机器随机生成一个分类面；随着该分类面的移动，对训练样本进行分类处理；直至不同类别的训练样本恰好位于分类面两侧，同时与分类面距离最近的不同类别样本之间的距离最大，则此分类面为该样本数据的最优分类面[6]。其中，距离最优分类面最近的训练样本被称为支持向量机，同时也是分类难度最大的训练样本[7],支持向量机拥有线性函数、多项式函数、径向基函数和Sigmoid函数，具有解决样本少、高维数、非线性等优点，并具有较强的泛化能力[8]。

SVM最优分类函数：

(1)

3.2 土地覆被变化分析方法

3.2.1 土地覆被转移矩阵

土地覆被变化监测研究的核心内容之一是计算土地覆被转移矩阵，通过该矩阵可以很清晰的分析在一段时间内，人们对该区域土地利用的详情和不同阶段的利用管理，以及从某一地类转变到其他地类的变化，从而实现土地覆被的动态性监测管理。

土地覆被转移矩阵：

(2)

式中，Sij为研究区i类用地向j类用地转化的面积；i为前一时期土地类型；j为后一时期土地类型；n为土地类型的数量。

3.2.2 土地覆被动态度

单一土地覆被动态度的概念是定量描述一段时间范围内的特定土地覆被类型变化程度。利用这一概念可以比较不同区域的土地转变差异以及未来发展趋势[9]。其公式为：

(3)

式中，K为研究时段内某一土地覆被类型动态度；Ua为研究初期某种土地覆被类型面积；Ub为研究末期同一土地覆被类型面积；T为研究时段，单位为年，本文研究2000～2020年高新区土地覆被变化，T为20 a。

综合土地覆被动态度表达的是区域整体土地覆被变化程度，计算公式如下：

(4)

式中,LC为综合土地覆被动态度；ΔLUi-j为研究时段内第i类土地覆被类型转化为其他类土地覆被类型面积的绝对值；LUi为研究时段初期第i类土地覆被类型的面积；T为研究时段长度，本文研究2000～2020年高新区土地覆被变化，T为20 a。

3.3 精度验证

采用总体精度(Overall Accuracy，OA)和Kappa系数对土地利用分类结果进行评价。Kappa系数用于检验遥感影像分类结果的一致性；总体精度指所有被正确分类的像素所占的比例[10]。

总体精度：

(5)

Kappa系数：

(6)

式中，OA为所有正确分类的对象个数与所有对象数量的比值；N为像素总数；Xii为某一类别i的正确分类数量；Xi+为该类别的像元总数；X+i为参考数据中该类别的像元总数。Kappa系数通常落在0～1之间，Kappa越趋于1，说明分类结果具有很高的一致性。

4 结果与分析

4.1 两期分类结果

以2000年Landsat 7 ETM+与2020年Landsat 8 OLI影像为数据源，采用支持向量机的分类方法对两期影像进行分类，通过分类后处理与人机交互后得到两期分类结果图，如图1所示，同时,采用Google Earth高分辨率影像数据对结果进行精度评定，得到2000年影像分类结果总精度为 80.75%，Kappa 系数为 0.775 5；2020 年影像分类结果总精度为 90.54%，Kappa 系数为 0.886 9。然后，通过ArcGIS分析两期分类后图像，统计高新区2000年与2020年两期土地覆被各地类面积，如表2所示。

由表2和图1可知，高新区各地类面积呈上升趋势的有草地、道路、建筑用地和未利用裸地，面积呈下降趋势的有耕地、林地和水域。

图 1 2000年与2020年土地覆被分类图

(1)耕地和建筑用地的变化最大，耕地的面积从原来的163.04 km2减少到60.41 km2，平均每年减少5.13 km2。建筑用地从2000年的面积占比4.12%增加到2020年面积占比21.96%，年均增加0.89%，占地面积从13.53 km2增加到72.23 km2。

其中,虎溪街道、陈家桥街道、白市驿镇、含谷镇和巴福镇的建筑用地增加较多。

(2)其次,变化较大的有草地和未利用裸地，草地的面积在20年期间增加了22.39 km2，由原来的9.5 km2增加到31.9 km2，年均增加1.12 km2。未利用裸地从2000年的面积占比0.33%增加到2020年的7.52%，年均增长1.18 km2。未利用裸地在西永街道和曾家镇增加较多。

(3)道路的变化也十分明显，从2000年的8.1 km2增加到2020年的23.46 km2，年均增长0.77 km2。

(4)林地和水域的面积都有少量减少，林地的面积由原来的127.84 km2减少到113.06 km2，年均减少0.74 km2。水域的面积总体上减少了2.68 km2。

4.2 土地覆被变化动态分析

4.2.1 土地覆被转移矩阵

利用ArcGIS进行土地覆被转移矩阵与土地覆被转移图的制作与分析，如表3和图2所示。

表 3 2000～2020年高新区土地覆被转移矩阵/km2

图 2 2000～2020年土地覆被转移图

由表3和图2可知，7种地类都存在转出与转入的情况。

(1)草地主要转为了建筑用地(4.23 km2)，主要来源为耕地(15.68 km2)，草地面积总共增加22.39 km2，年均变化1.12 km2。

(2)道路向建筑用地转换最多(2.29 km2)，道路的主要来源为林地(10.75 km2)与耕地(9.15 km2)，年均变化0.77 km2。

(3)耕地在研究期间向林地转化最多，达到69.69 km2。耕地在一定程度上有一些转入，主要体现在金凤镇，其中,转入最多的为林地(24.16 km2)，虽然耕地在这20年内减少了102.64 km2，但耕地现如今仍占有很大面积(60.41 km2)，占所有地类的18.37%。

(4)建筑用地在研究期间很少转化为其他类型的地类，转入主要有林地(29.75 km2)和耕地(26.96 km2)，在研究期间建筑用地总共增加了58.69 km2，平均每年增加2.94 km2，增长十分迅速。主要增长地区在虎溪街道、陈家桥街道、白市驿镇、含谷镇和巴福镇等。

(5)林地转出面积在整个地类中排名第二，达到90.39 km2，主要转化为了建筑用地(29.75 km2)，但林地转入面积也达到了75.6 km2，主要来源为耕地(69.69 km2)，在石板镇、走马镇和白市驿镇表现最为突出。

(6)水域在整体上变化不大，在研究期间总体上减少了2.68 km2。

(7)未利用裸地在2000年占地面积为1.09 km2，在研究期间转出面积达到1.09 km2，几乎全部转化为了其他土地类型，其转入达到24.73 km2，主要增加在西永街道、虎溪街道、陈家桥街道和曾家镇。

4.2.2 土地覆被动态度

4.2.2.1 单一土地覆被动态度分析

高新区2000～2020年单一地类土地覆被动态度指数如表4所示。

表4 单一土地覆被动态度

由表4可知：(1)草地的动态度为11.78%，在研究期间草地面积呈上升趋势，且变化较大；(2)道路的面积呈上升趋势，其动态指数为9.49%；(3)耕地在研究期间总体呈下降趋势，其动态度为3.15%；(4)建筑用地的动态指数为21.68%，是其中第二高的，其整体呈上升趋势；(5)林地和水域的动态指数分别为-0.58%和-2.33%，都有所减少；(6)未利用裸地的动态指数高达108.12%，表明高新区还在快速发展，因其基数较小，导致其变化程度很大。

4.2.2.2 综合土地覆被动态度分析

研究区内2000～2020年阶段综合土地覆被动态度为1.9%，可见整体上高新区在2000～2020年土地覆被类型转变较快。其中对综合动态度影响较大的地类有建筑用地、耕地、林地和未利用裸地。

4.3 土地覆被变化原因分析

研究期间各地类土地覆被面积和面积转移均有较大变化，分析其原因主要是政策主导下的良性改变，促进高新区科学城地区农村结构调整，加快城市化进程，同时改善了生态环境，如退耕还林政策的实施,使陡坡耕地的面积减少[11]，耕地主要向林地和裸地转化；其次，城市化进程的加快，以及2016年《成渝城市群发展规划》[12]和2020年推动成渝地区双城经济圈建设策略的提出[13]，随着建设进行，多种地类转向了建筑用地、道路、未利用裸地和草地等。2016年获批建设国家自主创新示范区，纳入中国(重庆)自由贸易试验区范围后，重庆高新区直管园作为发展建设中心腹地，先后规划并建设了重庆大学城、西永微电园、保税区等重要发展区域，逐渐建立起日渐强厚的基础科技和电子产业基地，大量的产业科研基础设施的规划建设导致该研究区域土地覆被空间布局发生重大变化。

5 结 论

本文通过对重庆市高新区直管园2000年和2020年Landsat遥感影像采用支持向量机的监督分类以及分类后的人机交互处理，采用Google Earth 高分辨率影像数据对结果进行精度评定得出以下结论：

(1)通过支持向量机的监督分类对图像进行分类效果较好， 2000年的Landsat 7 ETM+的影像分类结果总精度为 80.75%，Kappa 系数为 0.775 5；2020 年Landsat 8 OLI 影像分类结果总精度为 90.54%，Kappa 系数为 0.886 9。

(2)重庆市高新区直管园2000年的土地覆被类型主要以耕地和林地为主，2020年该区域土地覆被类型主要为建筑用地和林地。

(3)在2000～2020年间，各个地类所占比例发生较大的变化。2020年的建筑面积比2000年的建筑面积多了5.34倍，总增加58.69 km2，年均增加2.94 km2，新增面积主要来源于耕地，表明高新区直管园的城市化进程加快；耕地的面积减少了102.64 km2，其中,有69.69 km2转化为了林地。

(4)近20年间，研究区内各土地覆被类型都存在转入与转出，转入最多的是建筑用地，最少的是水域，转出最多的是耕地，最少的是建筑用地。

本文研究分析了重庆市高新区直管园土地覆被时空变化，但仍存在一些问题，例如在选取训练样本和精度评价时都是对照Google Earth 高分辨率卫星影像进行的，会存在目视判别和人为操作的误差。其次，只采取了支持向量机方法，导致一些地类区分度不够，比如建筑用地与道路，因此，仍需进一步研究，譬如增加纹理信息等方式提高分类精度。