基于Google Earth Engine平台与复杂网络的黄河流域土地利用/覆被变化分析

纪秋磊,梁 伟,*,傅伯杰,吕一河,严建武,张为彬,金 朝,兰志洋

1 陕西师范大学地理科学与旅游学院, 西安 710119

2 中国科学院生态环境研究中心城市与区域生态国家重点实验室, 北京 100085

3 西安谷博电子智能科技有限公司, 西安 710068

4 黄土高原土壤侵蚀与旱地农业国家重点实验室, 杨凌 712100

土地系统中的土地利用/覆被变化(Land use/cover change,LUCC)既是环境变化的原因又是环境变化产生的结果[1],是全球环境变化的重要组成。土地利用/覆被是了解人类活动与生态环境之间复杂相互作用的重要信息来源,对于提高对全球可持续性发展和人地关系的认识至关重要[2]。黄河流域是中国重要的生态走廊和经济地带,但是却遭受着水土流失和环境退化的困扰。脆弱的生态环境和不发达的社会经济使黄河流域成为人与自然竞争的热点区域。得益于政府实施的大规模生态保护和生态恢复工程,黄河流域及其中部地区(黄土高原)呈现出中国乃至全球最大的植被绿化趋势[3]。但是近些年来,生态系统与人类之间的潜在竞争仍然激烈,并已经威胁到了黄河流域的可持续发展[4—5]。黄河流域在中国的生态安全和经济社会发展方面具有十分重要的地位,中国政府已经将黄河流域生态环境保护和高质量发展作为一项重大的国家战略,旨在改善环境,优化水资源配置,改善人民生活质量并促进黄河文化的传承[6]。中国希望在黄河流域寻求更加绿色和可持续的发展策略,在环境保护与经济增长之间找到平衡。在人口增长,资源消耗和环境变化的巨大压力下,人类社会系统和生态系统的动态变化密集而复杂。为了了解该流域的过去及预测其未来,亟需连续长时间序列的土地利用/覆被信息和新的研究方法来揭示人与自然系统之间的相互作用关系。

在黄河流域相关的各领域相关研究中,已经有多种土地利用/覆被数据被使用,但是这些数据中的大部分都是单一某一年或者时间分辨率较低。黄土高原地势起伏大,地表异质性强,复杂的地貌和土地特征影响着该区域的LUCC和生态系统的响应,现有数据的分类策略和分类系统无法准确地描述该地区特殊的土地转变。借助Google Earth Engine(GEE)平台及其中可免费获取的大量遥感数据,可以方便快速地解译土地利用/覆被图,提供连续高分辨率的地类数据供LUCC分析。此外,传统的LUCC分析通常采用在各个地类的角度比较量上的占比和变化,缺乏整体性和系统性。地理科学作为一个复杂巨系统[7],可以使用复杂系统的研究方法对其进行分析和讨论。复杂网络作为研究复杂系统的有力工具,已经广泛应用在社会学[8]、互联网[9]、疾病传播[10]等研究领域中,并且已有部分研究使用了相关方法来分析一些小区域的LUCC[11—12]。但这些研究使用的土地利用/覆被数据的时间分辨率都不够高,并不能细致系统地分析土地系统在时间上的连续变化。本研究借助GEE平台生产的连续土地利用/覆被信息,以土地系统中的各种地类之间的转移关系为研究对象,将地类视为网络的节点、地类之间的转化视为网络的连边,识别出控制土地系统的关键地类节点和转移类型,并在网络的整体结构性质上评价土地系统的稳定性,从而分析黄河流域土地系统的LUCC特征及其在时间上的变化趋势,更好的理解黄河流域过去33年发生的变化以及此流域的人与自然和谐的可持续发展过程。

1 研究区概况

本文的研究区域覆盖了黄河流域和黄土高原(图1),总面积为96.7万km2,约为中国陆地领土的十分之一。黄河流域是中华文明的发源地,为约1.07亿人的主要淡水源,拥有1260万hm2耕地并生产了中国18%的粮食。黄土高原位于黄河流域的中部,是中国四大高原之一,生态环境脆弱,水土流失严重。由于数千年的土壤侵蚀和环境问题,黄土高原70%的地区已经布满丘陵和沟壑,是黄河泥沙的主要来源[13]。研究区地形复杂,包括山脉,盆地,亚高原,沟壑,丘陵和冲积平原等地貌类型,海拔-52—6254 m,中西部为半干旱气候,东部为半湿润气候。

图1 研究区范围示意图

2 数据和方法

2.1 土地利用/覆被数据解译

2.1.1数据来源及获取

GEE是由谷歌云计算驱动的地学数据库及数据处理平台,其中包含PB级的遥感影像和地球科学数据,具有行星级的运算处理能力,为研究和开发人员提供了一个方便快捷的数据采集、处理和分析平台[14]。本研究使用了33年的Landsat影像数据和其他辅助数据来解译1986—2018年黄河流域的年度土地利用/覆被图(表1)。所有这些数据都可以在GEE中直接免费获得。

表1 本研究使用的数据集

Landsat计划是美国地质调查局(United States Geological Survey,USGS)和美国国家航空航天局(National Aeronautics and Space Administration,NASA)的联合项目,以30 m的空间分辨率记录整个地球表面,并提供了几十年的全球地表观测数据。由于2003年5月31日Landsat 7卫星的机载扫描行校正器出现的故障,所有之后的Landsat 7 ETM+图像都存在数据丢失条带的问题[15],本研究选择了使用1986年至2011年的Landsat 5、2012年的Landsat 7和2013年至2018年的Landsat 8的地表反射率数据,这些数据都已经完几何精校正和大气校正,并且包括了使用CFMASK算法生成的云、阴影、水和雪的掩模波段。SRTM(Shuttle Radar Topography Mission)数字高程数据由NASA喷气推进实验室(Jet Propulsion Laboratory,JPL)提供,分辨率为30 m。全球SRTM地形多样性数据计算自SRTM数字高程数据,它表征了物种可将某地作为栖息地的各种湿度和温度条件,意味着更多样的地形气候生态位可以支持物种更高的持久性和多样性[16]。

2.1.2土地利用/覆被分类系统

根据所使用数据的特性和黄河流域的区域特征,本研究设计了适用于黄河流域的分类系统(表2)。草地生态系统是研究区域最重要的生态系统之一,不同地区的草地因气候条件差异造成生长状况不同,本研究根据草地覆盖度将草地分为低、中、高覆盖草地。此外,自1999年实施的退耕还林工程至今已有20年,作为促进农村生态和经济发展的重要措施,退耕还林工程鼓励农户种植林木,其中经济林木(例如果树)占了很大比例。同时,作为沟道治理工程和水土保持工程的重要措施,广泛分布在黄土高原上的以种植果树和农作物为主的人工梯田在减轻水土流失和加强农业生产方面发挥着重要作用。因此,本研究的分类系统增加了“果园和梯田”类别,将农业用地分为了“谷物农田”和“果园和梯田”两类。本研究的分类系统共定义了7个一级类别,15个二级类别,每个类别的名称及详细说明见表2。

表2 本研究的地类分类系统

2.1.3分类和验证

针对连续年度土地利用/覆被数据的生产,本研究使用了一个高效的融合多变量要素的土地利用/覆被类型分类框架(图2)。数据生产过程完全基于GEE平台,包括Landsat数据的预处理、年度影像合成、训练样本绘制、分类与回归树(Classification and Regression Trees,CART)[17]算法分类、结果优化和结果的评估。

图2 本研究的长时间年度土地利用/覆被数据生产的工作流程

经过云量筛选后(云覆盖率<10%),从1986年到2018年,在研究区域总共获得了17080景Landsat影像,其中包括12957景的Landsat 5、527景的Landsat 7和3596景的Landsat 8影像,平均每年获得517景影像,并且更多的影像分布在高纬度地区。为了使用足够数量的高质量Landsat影像用于目标年份的分类,本研究选择24个月为影像选择的时间窗口。将目标年时间窗口中的Landsat数据进行筛选、去云和数据修复后,使用中位数合成方法合成研究区域的年度影像。除了Landsat本身的6波段(蓝、绿、红、近红外、短波红外1、短波红外2),还加入了高程、坡度、SRTM地形多样性数据和四个遥感指数作为年度分类的特征集,使用的四个遥感指数包括归一化建筑指数(Normalized Difference Built-up Index,NDBI)[18]、归一化湿度指数(Normalized Difference Moisture Index,NDMI)[19]、土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI)[20]和归一化植被指数(Normalized Difference Vegetation Index,NDVI)[21]。另外还加入了最大NDVI和最小NDVI(目标年份内对应位置上所有影像像素NDVI值的95%和5%分位数)来帮助区分落叶和常绿植被。

用于训练的每个目标年的参考样本均匀地分布在研究区域内,在这些参考样本中提取出用于分类器训练的特征值。参考样本是在GEE中借助Landsat的RGB真彩色合成影像和Google Earth高分辨率图像进行视觉判断并手动绘制的。针对这种规模大类别多的分类,比较了多种监督分类方法的适用性和效率,本研究选择了CART作为分类器算法。CART分类器由基于数据集中变量的规则集合构建预测模型,对数据空间进行递归划分,根据每个数据空间分区内的预测变量和目标变量来拟合预测模型,最后获得完整的决策树。针对分类过程中的过度拟合现象,CART算法使用交叉验证对决策树进行修剪。如果树枝保持较高的准确率,则保留该树枝,否则将其删除,最后,获得能够模拟数据集的最优二叉树。在每年的分类中,随机使用80%的参考样本参加训练,其余20%用于验证分类器的训练精度。为了进一步优化分类结果,本研究使用分类器对每一年进行10次分类,并将它们众数合成。然后在时间序列的分类结果中使用众数时间滑动窗口进一步调整数据集的时间一致性,滑动窗口会将焦点年度的土地类别标签更新为时间窗口内所有类别标签的众数值。本研究在33年中使用参考样本测试了3年和5年滑动窗口,最后选择了效果更好的5年窗口。通过这些有效的分类和优化策略,最后生产出一套黄河流域90 m的连续年度土地利用/覆被数据集。

受限于高分辨率Google Earth图像在时间上各不相同的可用性,本研究使用随机采样方法从Google Earth高分辨率图像中收集了分布在2001年至2018年的1000个带有高分辨率图像的空间随机验证点对结果进行评估(图3)。验证结果显示数据准确性良好,7个一级类的准确率达到82.6%,15个二级地类的总体准确率为74.7%。混淆矩阵显示分类器在积雪和冰,高覆盖草地和常绿针叶林(F1-score分别为0.92、0.92和0.91)的分类中表现更好,但在中覆盖度草地,低植被覆盖地表和低覆盖草地上表现稍差(F1-score分别为0.55、0.61和0.67)(表3)。在沙漠和裸土与低植被覆盖地表之间,以及在谷物农田与果园和梯田之间存在一些错误分类,但它们仍属于相同的一级类别。此外,由于低覆盖度草本植物的光谱特征与收获后的农田相似,因此谷物农田易被误分类为低覆盖草地。

表3 独立验证点集的混淆矩阵

图3 在Google Earth中收集的1000个独立的空间随机验证点的分布。

2.2 复杂网络视角下的地类转移

将黄河流域的土地系统视为一个复杂系统,基于复杂网络方法,结合GEE得到的黄河流域连续年度LUCC信息,构建土地利用/覆被转移网络。其中网络的节点为各个地类,连边为两个地类连续两年之间的转移关系。描述LUCC的复杂网络属于有向有权网络,连边由转出地类指向转入地类,连边的权重为地类转化的面积。基于此所构建的全时期土地利用/覆被转移网络见图4,网络中节点的大小表征着地类节点的度,连边的粗细表征着地类转移的面积,连边的颜色表征转移发生的年份。节点的不同颜色代表着根据连边的中介中心性监测出的不同社区结构[22],即从土地系统中划分出的包含更加紧密联系的地类节点的土地子系统。本文对全时期土地利用/覆被转移网络中节点进行分析的度量指标主要包括:中介中心性[23]、度[24]、接近中心性[25]和结构多样性[26](表4)。

图4 全时期地类转移网络和网络的社区结构

为了进一步探究黄河流域土地系统过去33年在时间尺度上的变化,将全时期土地利用/覆被转移网络拆分成32个两年之间的土地利用/覆被转移子网络,每一年的土地类型作为网络中的节点,每连续两年之间的土地利用/覆被转移作为网络的连边。计算出每两年之间土地利用/覆被转移子网络的度量指标,分析时间序列子网络度量指标的变化,从而揭示黄河流域土地系统结构的变化规律,使用的网络结构度量指标包括:平均最短路径长度[27]、网络密度[28]和网络传递性[29](表4)。

表4 网络结构度量指标及说明

3 结果与讨论

3.1 土地利用/覆被变化时空分析

1986—2018年间,黄河流域最主要的地类是草地,平均占总面积的42.9%,其中包括分布于黄河流域上游的高覆盖草地(18.8%)、黄土高原西北部的中覆盖草地(12.5%)和中部的旱生的低覆盖草地(11.6%)。其次是分布在平原及丘陵沟壑区的农业用地,谷物农田与果树和梯田面积相当,共占黄河流域总面积的29.6%。接下来依次是包括三类森林类型的林地(12.9%),灌丛(3.0%)和城市及建设用地(3.0%)。水体面积最小(2.2%),主要分布在黄河源区和黄河干流(图5)。

图5 2018年黄河流域土地利用/覆被的空间分布及研究期间各一级土地利用/覆被类型的平均面积百分比

研究期间内,黄河流域的土地利用/覆被在总面积和空间格局上发生了重大变化,通过各类土地利用/覆被类型变化速率的可视化图,可以明显的观察出LUCC的时空特征。根据各个地类的变化速率及空间分布,使用k均值聚类算法识别出了黄河流域的五个LUCC模式(图6),如下:(1)不变或者很小变化,(2)伴随耕地流失的城市扩张,(3)草地恢复,(4)果园和梯田扩张,(5)森林增加。

33年间黄河流域的LUCC呈现出明显的时空特征。城市及建设用地面积增长了88%,谷物耕地面积减少了15%,且都主要分布在黄河的中下游地区(图6)。1986年至2018年的土地利用/覆被转移矩阵显示从谷物耕地向城市及建设用地的转移占了总变化面积的5.7%(20200 km2),这些城市扩张主要发生在一些城市及其周围的农村地区,并在2000年之后加速发展(图6)。这对保障地方和区域粮食安全提出了巨大挑战。因此,为了满足不断增长的粮食需求和实现地区可持续发展,应考虑通过农业集约化和更好的土地管理措施来增加粮食收获面积,并避免过度耕作和农业污染,保护耕地,守住耕地红线。

数据结果显示,伴随着沙漠和低植被覆盖地表面积的减少,在毛乌素沙地出现了连续的草地面积增长的区域(图6),表明了国家生态系统保护政策如退耕还林还草和天然林保护工程的效益明显[30]。1986—2018年,研究区内的沙漠裸土面积减少了24%(9637 km2),表明该区域的植被覆盖正在逐渐恢复。但是黄河流域的某些地区仍面临着土地退化的问题,通过对LUCC的分析,本研究还发现了黄河源区严重的水体萎缩,消失的水体中大部分退化为低植被覆盖地表或高覆盖度的草地(图6),这些变化主要是由于人类活动压力增加(例如过度放牧)和升温引起的多年冻土融化导致的水量下降[31—32]导致。水体面积的减少可能会使这个脆弱的生态系统转变为不可逆的状态,造成严重的生态环境问题,还可能会影响到黄河中下游地区的水资源供给。

图6 黄河流域土地利用/覆被变化模式及各地类面积变化的时空分布

黄河流域的森林和草地基本表现为减少-增加-减少的变化趋势。最开始的减少主要因为该地区早期的环境破坏和农业开垦,之后的增加主要来源是退耕还林还草等环境保护政策带来的植被恢复,再次减少主要来自农业发展和森林管理对土地利用的改变作用。据报道,1999—2012年宁夏、陕西和山西省的绿化总面积达到3.8×104km2(占三省面积的11%)[33],大规模的植树造林导致了森林的快速增加[34—35]。2011年,第一轮退耕还林所有林种补偿全部到期[36]。2012年后,在集中连片贫困的山区,如六盘山和吕梁山等地,出现了森林流失现象。在这些地区,一旦政府补偿结束或补偿不足,居住在这些山区和丘陵地带的农民可能会再次将其土地上的林地转变为农业用途[37—40]。另一方面,LUCC信息还表明,大多数损失的森林已转变为果园和梯田,1986年至2018年的土地利用/覆被转移矩阵显示由林地,草地和谷物耕地到果园和梯田的转移占了总变化面积的19.8%(69586 km2),是最主要的LUCC类型。大量的土地向果园和梯田的转移反映了退耕还林还草政策的变化,具体而言,与第一轮退耕还林还草工程(1990—2007年)相比,该工程的第二轮(于2014年启动)更加鼓励农民发展经济林业,比如种植果树、药材等,旨在使贫困的群体摆脱贫困并促进农村的经济发展,鼓励经济林木种植,增加其经济补偿[41]。但这可能导致了森林的流失,2014年后果园和梯田面积的迅速扩张进一步证实了这一点。草地面积变化的原因也同样可以解释。流域内草地面积的变化和部分的林地的萎缩提醒人们需要继续发展和巩固退耕还林还草工程的成果,在提高农业质量效益和保障农民收入的同时,人们还需要进一步加强对生态林地的保护。此外结果还证明LUCC的长期持续监测对于评价和评估相关环境政策的现有成就至关重要。

3.2 地类节点分析

本研究基于全时期土地利用/覆被转移网络对各个地类的转移特点进行分析,探究它们在网络中的地位和作用。节点的度只能在一定程度上表征节点的重要程度。然而中介中心性,即介数,则能在考虑网络整体连通性的角度考察节点重要地位。地类节点的介数越大表明越多的土地利用/覆被转移路线会经过此节点,则该地类节点越关键越重要。本文把各个地类节点的度量结果按照中介中心性进行排序列于表5中,在全时期土地利用/覆被转移网络中,高覆盖草地、低植被覆盖地表和落叶常绿混交林等地类节点不仅中介中心性强,而且度值、接近中心性也同样较高,这些关键地类节点在LUCC中起到类似桥梁的过渡作用,比如中覆盖草地→高覆盖草地→灌丛/林地的转化,或者耕地→低植被覆盖地表→中/低覆盖草地等。它们对土地系统的转化模式起到控制作用,是土地系统中的关键地类节点。接近中心性越大表示该节点的地类越容易与其他地类发生转移。较高的结构多样性表示该地类节点和其他节点之间存在更多的突破社区结构的关键连接。果园和梯田、谷物耕地和城市及建设用地都有较高的接近中心性和结构多样性,并被聚类到同一个社区之中(图4),这表明它们是社区结构中较活跃的社区,它们之间的互相转化是土地系统中比较重要的转移类型,这与人类活动密切相关。结果显示在全部15种地类中,最不活跃的地类节点是常绿针叶林、积雪和冰和灌丛,它们的中介中心性、度、接近中心性和节点结构多样性都比较低,主要是因为它们在区域内的面积占比很小且不易发生转移。

表5 全时期土地利用/覆被转移网络地类节点度量统计

3.3 土地系统稳定性分析

不同时期的土地系统的稳定性存在差异,通过对时间序列的连续两年之间土地利用/覆被转移网络结构的度量进行分析,讨论黄河流域土地系统在时间尺度上的变化特征。本研究计算了三个网络结构的统计度量指标(图7)。平均最短路径反应了网络的稳定性,平均最短路径越小代表该网络中的网络节点之间越能更容易地相互连接,表明网络越活越,土地系统越不稳定。网络密度和网络传递性相同,值越高说明地类之间发生转移的概率越大,土地系统越活跃。

图7 1986—2018年时间序列土地利用/覆被转移网络结构度量统计的变化

结果表明黄河流域土地系统在1993—1998年迎来了第一次不稳定时期,转移网络的平均最短路径长度较小,网络密度和网络传递性较高。该时期土地系统的变化主要是天然植被的减少和农业用地的增加。自1990年以来,由于人口的快速增长和生活水平的提高,人们对粮食消费的需求不断增加,但耕地资源却仍然有限。为了遏制耕地的持续减少并确保粮食安全,中国政府在20世纪90年代后期提出了一系列的耕地保护政策和法律(如《土地管理法》、《基本农田保护条例》和耕地补偿政策等)。在政府政策和经济利益的驱动下,大量的草地和未利用土地被开垦为农田[42],特别是在山西、内蒙古、青海、宁夏和甘肃等省和自治区。大量的人类开垦活动导致耕地面积的增加并致使土地系统出现一定的不稳定性。

黄河流域土地系统的第二次活跃时期出现在2001—2007年,黄河流域正处于退耕还林工程的第一轮时期(1999—2007年)。这时各个网络的平均最短路径长度又出现降低,且网络密度和网络传递性较高,此时正处于退耕还林还草工程的初期,并取得了一定显著成果,结果显示在此期间,黄河流域的林地面积逐步增加且谷物耕地面积不断减少(图6)。

2011—2014年是黄河流域土地系统的第三次不稳定时期,该时期有大量的林地、草地和谷物耕地转移向果园和梯田。正如前文分析,为进一步巩固退耕还林还草工程的成果并加强贫困地区的扶贫工作,中国政府于2014年开始了新一轮的融资,退耕还林还草工程进入第二阶段。得益于退耕还林还草和农业综合开发等相关国家政策的不断投资,导致该区域的果树和梯田面积的不断增长[43—44]。谷物耕地的面积减少与果园和梯田面积的增加表明该地区的农业产业结构发生了变化,这些增加的经济林木不仅增加了该区域的植被覆盖,而且还增加了农户的收入[35,45],促进着社会经济发展与环境保护之间双赢局面的实现。果园和梯田的大量增加表明中国正朝着实现生计安全,经济增长和生态平衡的可持续发展目标迈进。实际上,中国已通过各种政策手段为实现全球可持续发展目标(SDGs)做出了巨大的努力[39,46]。最近的一项研究表明,从1978年到2015年,中国在针对土地系统的16个主要可持续发展项目上的投资总额为3785亿美元,远远超过了其他全球重要的国家可持续发展项目[39]。这些可持续发展项目通过森林生态保护、草地系统恢复和农业产业发展,大大改善了自然环境和农村地区的生活质量并提高了农业生产效率,促进了人类和自然系统的可持续发展,体现了中国环境政策与环境治理的成就[39,47]。但是研究结果也表明强烈的人类活动将影响土地系统的稳定性,使土地系统压力增大。并可能会带来一系列生态环境问题,建议流域的未来发展着重于挖掘土地利用潜力,提升土地利用效率,进一步加强生态服务型用地的保护,实现土地资源的科学可持续利用。

3.4 不确定性

数据评估显示本研究生产的土地利用/覆被数据准确可靠,后续网络分析结果合理。但是其仍然存在一些缺陷。首先,生产的土地利用/覆被数据的质量受到Landsat影像质量和数量的限制。此外,本研究中使用的训练数据和验证数据都是由人工采集,并且缺少2000年之前的参考资料,这些都会给数据生产和评估带来较大的不确定性。另一方面数据产品的不确定性也会为随后的分析带来误差,比如地类面积的评估和地类转移网络的构建与分析。本研究的数据生产流程完全基于GEE平台强大的云存储和云计算能力,大大减轻了本地数据存储和数据处理的压力。因此,尽管存在上述不足和不确定性,本研究独特且适合研究区域的分类系统和包含多源数据的分类方法仍然可以灵活有效地生产此类长时间序列的土地利用/覆盖动态数据,并对研究区域的土地系统进行系统性分析。

4 结论

本研究基于GEE大数据处理平台和复杂网络分析方法,解译并分析了黄河流域的年度连续LUCC,对黄河流域的土地保护和管理工作有重要参考意义。基于1000个独立验证点进行的评估表明本研究生产的覆盖黄河流域1986年至2018年的年度土地利用/覆被数据集7个一级类别的总体准确度为82.6%,15个二级类别的总体准确度为74.7%。分析结果表明,由政策、社会和经济因素共同驱动的黄河流域的LUCC在整个研究期间呈现出复杂的时空特征。最主要的LUCC是由林地、草地和谷物耕地向果园和梯田的转移(占所有变化面积的19.8%)。其次是由谷物耕地向城市及建设用地的转移(占所有变化面积的5.7%)。研究区LUCC主要的模式包括:不变或很小的变化、伴随耕地流失的城市扩张、草地恢复、果园和梯田扩张和森林增加。接下来本研究借助复杂网络方法分析了黄河流域土地系统的关键地类和系统稳定性的时间变化。土地利用/覆被转移网络中的高覆盖草地、低植被覆盖地表和落叶常绿混交林和其他地类的转移频繁,中介中心性和度值较高,是黄河流域土地系统中的关键地类节点。另外和人类活动密切相关的果园和梯田、谷物耕地和城市及建设用地节点都有较高的结构多样性、接近中心性,是一组较活跃的网络社区节点,它们之间的转移是土地系统中重要的转移类型。时间序列的土地利用/覆被转移网络分析表明黄河流域的土地系统在1993—1998年、2001—2007年、2011—2014年存在三个不稳定时期,这三个不稳定时期的出现可能分别由大量的农业土地开发、退耕还林还草工程和果园梯田的大量增加导致。土地系统内各地类的变化和相互转移信息,是理解流域内社会、经济以及自然相互作用动态演化的关键。基于这些数据以及分析结果,能进一步理解土地系统在社会与环境互馈中的作用,为环境变化下黄河流域生态系统保护、高质量发展和流域可持续管理政策的制定提供支撑。对黄河流域的长时间土地利用/覆被动态的系统性分析提供了关于环境政策和社会经济活动对土地系统造成何种影响的见解,表明黄河流域正朝着实现农民生计安全,区域经济增长和生态环境保护的可持续发展的目标迈进,突显了基于地学大数据处理平台和复杂系统分析方法的LUCC分析对于理解人与自然系统之间相互作用的重要性,并有助于实现区域的高质量和可持续发展。